This is an impressive speech of Andrew Ng who is one of the most outstanding scholars in deep learning field. If you see this video, you will be convinced that why "deep learning" is considered as a promising approach for future AI.

세계적인 기계학습의 대가 앤드류 응 교수의 강연입니다. 이 강연을 보시면 딥러닝이 무엇이고, 왜 이 기술이 그토록 각광받는지 아시게 될 것입니다. 내용을 요약하자면 다음과 같습니다.

- 인간의 뇌는 특정 입력에 대해 학습한다기보다 다양한 입력에 대해 학습할 수 있다. 예를 들어 청각신호를 처리하는 뇌의 부분을 시각신호에 연결하면 시각신호 처리도 곧잘 해낸다.

- 이것은 기계학습 방법이 영역별(비전, 음성인식 등)로 특정한 기술을 쓰기보다 이들을 총괄할 수 있는 더욱 일반적인 방법이 있을 수 있음을 암시한다.

- 또한 인간의 학습은 지도학습(supervised learning)이기보다 비지도학습(unsupervised learning)인 경우가 많다. 즉, 우리는 다양한 정보들을 라벨링 없이 본다. (예를 들어 '이것은 개, 이것은 고양이'라고 따로 가르쳐주지 않아도, 우린 무수한 개와 고양이를 보며 이들을 구분해낸다.)

- [지금까지의 방법] 주로 데이터를 인간이 만든 특징에 맞게끔 재해석한다. 예를 들면 이미지를 인식할 땐 가장자리에 주목해야 한다든지, 음성을 인식할 땐 음운 단위로 끊어야 한다든지... 우리는 이같이 인간이 만든 방법에 의해 데이터를 해석하려 한다.

- [미래의 방법] 어떠한 방식으로 데이터를 해석해야할지까지 기계학습 방법에 맡겨보자. 이를 representation learning이라고 한다. 그리고 이러한 특징들을 계층적으로 쌓아올린 깊은 인공신경망을 구성하자. 이것이 딥러닝이다.

- 놀랍게도 이러한 unsupervised feature learning에 기반한 방법이 기존의 휴리스틱에 의존한 방법들의 성능을 모두 압도한다. 비전 분야든, 음성인식 분야든, 또는 다른 분야든 할 것 없이 말이다!

- 그리고 기계학습 방법으로 얻어진 특징 기저(feature basis)들은 우리가 제안했던 기본 단위들의 모습과 유사했다. (예를 들면 비전의 경우 edge, face, ..., 음성의 경우 음운, 음절, ...) 이는 unsupervised learning이 제대로 작동하고 있음을 의미한다.

- 아직 개척해야 할 많은 부분들이 있지만 딥 러닝은 미래 인공지능 연구의 매우 중요한 역할을 하게될 것이다.