[정보통신망 공통] 인공지능과 기계학습(AI and Machine Learning)에 관하여 조사하고 해당 분야에 활용될 수 있는 정보통신 기술에 관하여 서술하시오

소개글

[정보통신망 공통] 인공지능과 기계학습(AI and Machine Learning)에 관하여 조사하고 해당 분야에 활용될 수 있는 정보통신 기술에 관하여 서술하시오에 대한 보고서 자료입니다.

목차

Ⅰ. 서론

Ⅱ. 본론

1. 인공지능과 기계학습의 정의 및 필요성
1) 인공지능과 기계학습의 정의
(1) 인공지능의 정의
(2) 기계학습의 정의
2) 인공지능과 기계학습의 필요성
(1) 인공지능의 필요성
(2) 기계학습의 필요성

2. 인공지능과 기계학습의 장점과 문제점
1) 인공지능과 기계학습의 장점
(1) 인공지능의 장점
(2) 기계학습의 장점
2) 인공지능과 기계학습의 문제점
(1) 인공지능의 문제점
(2) 기계학습의 문제점

3. 인공지능과 기계학습의 정보통신망과의 관련성
1) 인공지능의 정보통신망과의 관련성
2) 기계학습의 정보통신망과의 관련성

4. 인공지능과 기계학습이 활용될 수 있는 정보통신망 기술
1) 인공지능이 활용될 수 있는 정보통신망 기술
2) 기계학습이 활용될 수 있는 정보통신망 기술

5. 시사점

Ⅲ. 결론

참고문헌

본문내용

다양화, 복잡화 되는 미래형 재난에 대한 스마트 재난안전관리를 통한 대응을 가능하게 하며, 주요 선진국들도 첨단 정보통신기술을 활용하여 미래재난에 대해 스마트 안전관리를 통해 대응하는 사례가 증가하고 있다.
2) 기계학습이 활용될 수 있는 정보통신망 기술
백스캐터 통신은 사물인터넷 시대의 전력 공급 문제를 해결할 새로운 통신 시스템으로 주목 받고 있다. 백스캐터 시스템에서 태그는 리더의 RF 신호를 이용하여 에너지를 수집하고 초저전력으로 동작이 가능하며 리더로 정보 전달이 가능하다. 하지만 RF 신호를 반송하는 백스캐터 신호의 세기는 매우 약하고 노이즈에 영향을 많이 받아 리더에서 태그의 백스캐터 신호를 수신하였을 때 디코딩 에러가 빈번히 발생하며 특히 태그의 위치나 각도에 따라 백스캐터의 통신성능이 급격히 변하는 것을 확인할 수 있었다.
모든 사물들에 센싱, 컴퓨팅 능력 및 통신 기능이 결합되는 사물인터넷(IoT) 시대에 모바일 기기, 착용형 장비(wearable device), 센서와 같은 장치들의 전력 공급 문제가 중요한 이슈로 떠오르고 있다. 백스캐터 시스템은 배터리에 의존하지 않고 주변 환경의 무선 주파수 신호(Radio Frequency: RF)로부터 에너지를 충전하여 동작하고 정보를 전달할 수 있는 환경을 제공한다. 이러한 특징으로 백스캐터 통신은 사물인터넷 시대의 전력 공급 문제를 해결할 새로운 통신 시스템으로 주목 받고 있다. 백스캐터 통신의 가장 큰 장점은 마이크로와트 수준의 초저전력으로 통신할 수 있다는 점이다. 이는 센서들의 배터리 교체가 어려운, 배터리 수명이 길어야 하는 센서네트워크 환경에서 아주 중요하다.
백스캐터 시스템에서 태그가 통신할 때 정보를 전달하기 위해 스스로 반송파(carrier signal)를 생성하지 않고 주변의 RF 신호를 이용함으로써 얻어진다. 이 때문에 여러 단점들이 나타나는데, RF 태그는 리더의 RF 신호로부터 동작에 필요한 에너지를 수집하기 때문에 리더로부터 멀리 떨어져있는 태그는 항상 동작하지 못하고 간헐적으로 깨어나 동작할 수 있다. 또한 RF 태그가 정보를 전달하기 위해 반송하는 신호의 세기는 매우 약하고 외부 환경에 영향을 많이 받기 때문에 리더와 태그 사이의 통신가능 거리와 위치에 많은 제약이 있다.[ 태그의 위치에 따라 태그가 동작할 수 있는 시간 및 횟수가 줄어들며 데이터 전송 성능이 급격히 떨어지는 것은 백스캐터 시스템이 가지고 있는 치명적인 단점이며 이를 보완할 수 있는 기술이 필수적이다.
5. 시사점
기계학습은 “환경(Environment)과의 상호 작용을 통해서 축적되는 경험적인 데이터(Data)를 기반으로 지식, 즉 모델(Model)을 자동으로 구축하고 스스로의 성능(Performance)을 향상시키는 시스템”이다. 기계학습시스템은 성능 지수(P)를 최적화하기 위한 관측데이터(D)를 입력변수로하여 궁극적인 모델(M)을 완성하는 기술이다. 데이터는 끊임없이 주어진 환경과의 소통을 통해 축적된다. 스마트폰을 사용하는 경우 앱을 사용한 경험 데이터가 축적되고 학습시스템은 이를 통해 발전된 형태의 서비스를 제공할 수 있다. 로봇의 예를 들면, 환경과의 능동적인 상호작용을 통해 데이터를 생성한다. 기계학습 모델은 데이터에 대한 스키마 혹은 지식을 포함한다. 어쩌면 기계학습은 유기적으로 지식을 발견하는 기술이라고도 볼 수 있다.
데이터마이닝과 같은 데이터 분석 분야에서 해당 기술이 중요하게 주목 받는 이유이기도 하다. 소프트웨어 관점에서 본다면, 기계학습은 데이터에서 출발하여 프로그래머 혹은 사용자가 원하는 프로그램을 생성하는 기술이라고도 정의할 수 있을 것이다. 최근 빼어난 성능을 나타내고 있는 기계학습 알고리즘 중 하나인 딥러닝은 프로그래머가 직접 작성한 프로그램을 훨씬 뛰어넘는 성능을 발휘할 수 있음을 보여준다. 우리가 인식하고 있는 상식을 깨뜨리는 것으로서 앞으로 시스템의 성능이 더욱 향상되고, 학습할 데이터의 양이 증가함에 따라 이러한 추세는 계속될 것이다.
최근의 딥러닝 기술 중 각광받는 학습모델은 많은 수의 신경층을 마치 인간의 뇌와 같이 쌓음으로서, 입력 데이터가 각 단계의 특징적 추출 과정을 거쳐 높은 수준의 형이상학적인 스키마를 추출하는 방식이다. 특징 추출과 특징 분류의 각 단계로 나눠 학습했던 기존의 문제를 특징학습의 문제로 통합하여 학습하는 기술이다. 복잡한 데이터를 입력하여도 학습해내기 때문에 학습을 위한 많은 학습데이터가 존재한다면 좀 더 좋은 성능을 발휘할 수 있다
Ⅲ. 결론
지금까지 본론에서는 인공지능과 기계학습(AI and Machine Learning)에 관하여 조사하고 해당 분야에 활용될 수 있는 정보통신 기술에 관하여 서술해 보았다. 4차 산업혁명은 물리적, 생물학적, 디지털적 세계를 빅 데이터(big data)를 기반으로 통합시키고 산업, 경제 등 사회 전반에 영향을 미치는 신기술로 설명될 수 있다. 4차 산업혁명 기술은 인공지능(Arti ficial Intelligence), 빅데이터(big data), 기계학습(machine learning), 딥러닝(deep learning), 사물인터넷(Internet on Things), 로봇공학, 클라우드 컴퓨팅 등으로 대표되며, 이런 신기술들을 통하여 초연결, 탈중앙화/분권화, 공유/개방을 통한 맞춤형 및 지능화 세계 구축을 지향하는 것이 4차 산업혁명의 본질이라 하겠다. 각 분야의 전문가들은 저마다 미래 환경에서의 경쟁력을 강화하기 위해 4차 산업혁명 기술의 적용방안을 고심하고 있다.
참고문헌
박병택, “제1강 인공지능 개념과 역사”, 강의자료, 2018.
강정현 외, “기계학습을 활용한 항공표적 긴급표적처리 발전방안 연구,” 한국군사과학기술학회지, 2019.
고창수 외, \"인공지능 대화시스템 연구\",지식과교양, 2012.
이호현 외. \"기계 학습 응용 및 학습 알고리즘 성능 개선 방안 사례 연구\" 디지털 융복합 연구, 2016.
김인택 외(2017). 인공지능을 활용한 지능형 기록관리 방안. 한국기록관리학회지.
류기동, “인공지능 기반 컨텍센터 시스템 연구” 서울과학기술대학교 : 산업정보시스템전공. 2019.

키워드

인공지능,   기계학습,   정보통신망,   필요성,   문제점,   장점