미래에 할 수 있는 경험을 사전 예약하신 퓨처드릴 구독자, 드릴러 🛠️ 님 안녕하세요! AI Experience (AIX)의 이모저모를 전해드리는 '퓨처드릴'입니다!

모두들 follow me~~~💖

인공지능이 할 수 있는 여러 일 중에서 오늘은 분류에 초점을 맞춰보려고 합니다. 우선 분류라는 것은 무엇이고 어떤 과정을 통해 인공지능이 분류할 수 있는지 차근차근 소개해 드릴게요.

분류(Classification) 태스크는 데이터를 여러 그룹 또는 카테고리로 분류하는 작업을 말합니다. 예를 들어, 과일을 사과, 바나나, 오렌지와 같은 여러 종류의 카테고리로 분류하거나 어떤 메일을 스팸 메일이거나 스팸이 아닌 메일로 분류하는 일, CT 사진을 보고 질병을 진단하는 일까지 모두 분류 태스크의 예시입니다.

먼저, 모델을 학습시키기 위해 데이터를 수집하고 정리합니다. 이 데이터는 분류하려는 대상에 관한 정보를 담고 있어야 합니다. 그 후, 데이터를 전처리하여 모델에 적합한 형태로 변환합니다.

데이터를 이용하여 모델을 학습시킵니다. 이 모델은 데이터의 특성과 패턴을 학습하여 입력 데이터를 여러 카테고리 중 하나로 분류할 수 있도록 합니다.

학습된 모델을 사용하여 새로운 데이터를 예측합니다. 모델은 입력된 데이터를 분석하고 학습한 지식을 바탕으로 해당 데이터를 카테고리로 분류합니다. 그 후, 분류 결과를 평가하여 모델의 성능을 측정하고 개선합니다.

 간단히 보면 세 단계지만, 각각의 과정을 보게 되면 인공지능 모델을 만드는 것은 한 번의 시도로 끝나지 않습니다. 데이터 수집과 전처리 과정부터 보게 되면 결국 분류를 잘하기 위해서는 핵심이 되는 데이터의 특징을 잘 뽑아내야 하는데 학습을 시키고 학습 결과를 보기 전까지는 내가 특징을 잘 뽑았는지 확신할 수 없습니다. 결국 위의 세 단계를 계속해서 반복해 보고 가장 결과가 좋은 방법을 선택해야 합니다. 하지만 전문적으로 인공지능을 배우지 않은 사람에게는 코드를 작성하는 것부터가 큰 벽이죠. 그래서 우리는 Teachable Machine이라고 하는 웹 플랫폼을 이용해서 위의 세 단계를 시도해 보려고 합니다.

Practice1 ) 이미지를 분류할 수 있는 모델 만들기

[STEP ①] 분류의 기준 정하기

[STEP ②] 데이터 모으기

[STEP ③] 학습시키기

[STEP ④] Preview로 학습결과 확인하기

학습이 끝난 후에는 Preview 섹션을 통해서 역시나 웹캠을 통해 바로 모델의 성능을 확인해 볼 수 있습니다. 코드를 통해서 모델의 성능을 확인했다면 이 또한 쉽지 않았을 과정이지만 데이터를 모으는 과정부터 테스트를 해보는 과정까지 모든 과정을 웹으로 쉽게 할 수 있다는 점이 Teachable Machine의 가장 큰 장점이 아닐까 싶습니다.

위의 예시를 보시게 되면 노란색의 잘 익는 바나나 이미지를 보고 모델은 Ripe로 분류하고 있습니다. 아무래도 웹캠을 통해 이미지를 입력받고 있는 만큼 주위 배경이나 빛에도 영향을 받아 Too Early나 Too Late 낮은 확률로 예측하긴 하지만 80%가 넘는 확률로 Ripe를 예측하는 만큼 학습이 잘 이루어졌다고 볼 수 있습니다.

Practice2) 소리를 분류할 수 있는 모델 만들기

[STEP ①] 분류의 기준 정하기

[STEP ②] 데이터 모으기

이번에 데이터를 모을 때는 8초 이상의 오디오 샘플을 각 분류 기준마다 만들어주어야 합니다. 두번째 사진 왼쪽 하단을 보시게 되면 ‘9초 녹화’라는 부분이 보이실텐데요, 저 값에 따라 여러분에 버튼을 클릭한 후 녹음되는 지속시간이 달라지게 됩니다. 만약 여러분이 보시는 화면에 9초가 아니라 8초 미만의 숫자가 보이신다면 톱니바퀴 모양을 클릭하신 후 소요시간을 8초 이상으로 바꿔주시면 됩니다. 위의 바나나 예제에서도 설명 드렸듯이 인공지능에서는 데이터의 품질이 곧 인공지능의 품질로 이어지는 만큼 Snaps에 해당하는 양질의 소리를 최대한 길게 녹화해주시는 것이 좋은 모델을 만드는데 도움이 됩니다.

8초 이상으로 설정을 해 주신 다음 파란색의 녹화 버튼을 누르게 되면 소리를 녹음할 수 있습니다. 녹음이 끝난 후 샘플 추출 버튼을 누르시면 오른쪽 화면에 1초 단위의 소리가 기록된 결과를 보실 수 있습니다. 각 소리를 재생해서 들어볼 수도 있고 필요 없다고 생각되면 삭제할 수도 있으니 꼼꼼하게 들어보시고 더 좋은 소리를 선택해 주세요.

또한 여러분이 녹화를 하는 환경이 소음이 많이 발생하는 환경일수도 있기에 제일 처음 배경 소음을 최소 20초 동안 녹화해주시면 인공지능 모델이 배경 소음과 여러분이 의도해서 내는 소리를 더 효율적으로 분류할 수 있습니다. 까먹지 말고 배경 소음도 충실히 녹화해주세요:)

[STEP ③] 학습시키기

[STEP ④] Preview로 학습결과 확인하기

Practice3) 자세를 분류할 수 있는 모델 만들기

[STEP ①] 분류의 기준 정하기

[STEP ②] 데이터 모으기

자세 관련 데이터를 입력하기 위해서는 설정 할 것이 있습니다. 대표적으로는 FPS가 있는데요, FPS는 "Frames Per Second"의 약자로, 1초당 화면에 표시되는 프레임(이미지의 연속)의 수를 나타냅니다. 높은 FPS로 저장된 동영상은 1초에 더 많은 프레임을 보여주기 때문에 더 부드럽게 화면이 전환됩니다.

여러분이 만약 각 분류 기준마다 다른 FPS 값을 설정하면 결국 모델에 입력되는 데이터의 개수가 기준마다 매우 달라질 수 있습니다. 그렇게 되면 어떤 한 기준에 대해서는 데이터의 개수가 많고 어떤 기준에 대해서는 데이터의 개수가 적어질 수 있기에 이렇게 되면 더 적은 데이터로 학습된 기준에 대해서는 모델의 예측이 부정확할 수 있습니다. 그렇기 때문에 되도록 모든 기준에 대해 같은 FPS 값을 가지도록 설정해 주세요.

[STEP ③] 학습시키기

[STEP ④] Preview로 학습결과 확인하기

에포크(Epoch)

배치크기(Batch Size)

 배치 크기는 모델이 한 번에 학습하는 데이터의 양을 말합니다. 예를 들어 학습할 때 이미지를 16개씩 묶어서 모델에게 보여주었다면 배치 크기는 16이 됩니다. 위에서 봤던 에포크의 개념과 함께 생각을 해보면 총 80장의 이미지가 있을 때 배치 크기를 16으로 하면 16장씩 5번을 보아야 80장의 이미지를 모두 다 볼 수 있고 이렇게 16장씩 5번에 걸쳐서 이미지를 모두 다 보게 되었을 때가 바로 1 에포크가 됩니다. 2 에포크, 3 에포크처럼 에포크의 횟수를 늘리게 되면 5번씩 묶어서 보는 과정이 2회, 3회 반복됩니다.

 적절한 배치 크기를 찾는 것도 모델을 잘 학습시키기 위한 매우 중요한 과정 중의 하나입니다. 무작정 배치 크기를 늘리게 되면 오히려 연산량이 너무 많아져 학습 속도가 느려질 수 있고 적절한 병렬 처리가 되지 않아 효율성이 떨어질 수 있습니다. 그렇다면 배치 크기를 너무 작게 하면 모델이 데이터의 특성을 제대로 처리하지 못해 모델의 성능이 떨어질 수 있습니다. 배치 크기 또한 처음부터 너무 큰 값으로 설정하지 말고 작은 값부터 서서히 올려보시길 추천해 드립니다.

학습률 (Learning Rate)

 학습률은 모델이 데이터에서 패턴을 학습하는 속도를 나타냅니다. 정확한 학습률의 개념을 알기 위해서는 수학적 개념을 알아야 하는데요, 오늘은 학습률을 높이거나 낮추는 것의 의미까지만 알아보겠습니다.

 학습률은 말 그대로 학습하는 속도를 조절하는 것과 비슷합니다. 너무 높은 학습률은 모델이 학습을 지나치게 빨리하는 것으로 이해할 수 있습니다. 당연히 무언가를 너무 빨리 배우게 되면 유의미한 학습을 할 수 없고 잘못된 결과를 도출할 수 있습니다. 반대로 학습률이 너무 낮게 되면 너무 느리게 학습하게 되어서 학습하는 시간이 너무 오래 걸리게 됩니다. 보통 학습률은 매우 작은 값에서 시작하니 빨리 학습되길 원한다고 무작정 값을 높이지 마시고 에포크나 배치 크기를 조정한 후 아주 작은 값만 바꾼 후 학습 과정을 반복해 보시길 추천해 드립니다.

인공지능이 학습한 결과를 평가할 때 나오는 개념 중의 하나가 Overfitting과 Underfitting의 개념입니다. Over와 Under의 개념에서 유추할 수 있듯이 Overfitting은 fitting이 너무 과하게 된 경우이고 Underfitting은 fitting이 적게 된 경우입니다.

Overfitting은 모델이 학습 데이터의 세부 사항까지 완벽하게 기억하여 학습 데이터셋에서는 매우 정확하게 작동하지만 처음 보는 데이터에서는 정확성이 떨어지는 상태를 말합니다. 반대로 Underfitting은 모델이 너무 단순하거나 데이터를 충분히 학습하지 못해 학습 데이터와 실제 데이터 모두에서 성능이 좋지 않은 상태를 말합니다.

Overfitting과 Underfitting이 발생한 모델은 성능이 좋지 않습니다. 그런만큼 인공지능 모델을 개발할 때는 이러한 지표들을 확인한 후 다시 설계를 하여 학습을 진행하는 것이 필요합니다.