Google : 머신 러닝에 대한 비용을 주도

현재의 딥러닝 붐이 언제 시작되었는지를 머신 러닝 전문가들에게 물어보면, 많은 사람들이 알렉스 크리제프스키의 이름을 따서 "AlexNet"이라고 알려진 2012년 논문을 지적할 것입니다. 토론토 대학의 3인조 연구원인 저자들은 이미지를 천 개의 카테고리 중 하나로 분류하기 위해 ImageNet 대회에 참가했습니다.

ImageNet 조직위원회는 네트워크를 훈련하기 위해 100만 개 이상의 레이블이 표시된 예제 이미지를 제공했습니다. AlexNet은 8개의 훈련 가능한 층과 65만개의 뉴런을 가진 깊은 신경망을 사용함으로써 전례 없는 정확성을 달성했습니다. 대규모 병렬 처리를 위해 설계된 GPU를 활용하는 방법을 알아낸 덕분에 많은 데이터에 대한 대규모 네트워크를 훈련할 수 있었습니다.

AlexNet은 더 나은 알고리즘, 더 많은 훈련 데이터, 더 많은 컴퓨팅 능력 등, 이른바 딥 러닝의 3개 다리가 얼마나 중요한지를 보여주었습니다. 지난 7년 동안 기업들은 세 가지 면에서 모두 앞다퉈 역량을 강화하면서 실적 개선을 이뤘습니다.

구글은 거의 처음부터 이 비용을 주도해 왔습니다. 2012년 알렉스넷이 이미지 인식 대회에서 우승한 지 2년 만에 구글은 훨씬 더 딥 뉴럴 네트워크로 콘테스트에 진출해 1위를 차지했습니다. 2014년 딥마인드(DeepMind)를 인수하는 등 최고의 머신 러닝 전문가 수십 명을 고용해 신경망 설계의 선두 자리를 지키고 있습니다.

또한 이 회사는 대규모 데이터 세트에 대한 타의 추종을 불허하는 액세스 권한을 가지고 있습니다. 2013년 논문은 Google이 어떻게 딥 뉴럴 네트워크를 사용하여 Google Street View에서 캡처한 수천만 장의 이미지에서 주소 번호를 인식하는지 설명했습니다.

구글은 하드웨어 분야에서도 열심히 노력해왔습니다. 2016년 구글은 신경망이 사용하는 작업을 가속화하기 위해 특별히 고안된 텐서 프로세싱 유닛이라는 맞춤형 칩을 만들었다고 발표했습니다.

구글은 2017년 "구글이 이르면 2006년 신경망을 위한 애플리케이션별 집적회로(ASIC) 구축을 검토했지만, 2013년 상황이 급박해졌습니다. 이 때, 신경 네트워크의 컴퓨팅 수요가 빠르게 증가함에 따라 운영되는 데이터 센터의 수가 두 배로 증가할 수 있다는 것을 깨달았습니다." 라고 말했습니다.

이것이 바로 구글 I/O가 지난 3년 동안 머신 러닝에 그렇게 집중해 온 이유입니다. 이 회사는 소규모의 머신 러닝 전문가, 방대한 양의 데이터, 자체 맞춤형 반도체 등 이러한 자산이 머신 러닝을 통해 제공되는 기회를 활용하기에 이상적인 위치에 있다고 믿고 있습니다.

올해 Google I/O는 ML과 관련된 주요 신제품 발표가 많지 않았습니다. 왜냐하면 이 회사는 이미 많은 주요 제품에 대한 머신 러닝을 완료했기 때문입니다. Android는 수년 동안 음성 인식과 Google 어시스턴트를 유지해왔습니다. Google 포토는 오랫동안 인상적인 ML 기반 검색 기능을 사용해 왔습니다. 지난해 구글은 소프트웨어로 만든 비현실적인 인간의 음성으로 사용자를 대신해 예약하는 구글 듀플렉스를 선보였습니다.

I/O는 두 가지 분야에 초점을 맞춘 머신 러닝에 대한 것들을 발표했습니다. 더 많은 머신 러닝 활동을 스마트폰으로 이전하는 것이 첫번째 입니다. 두번째는 청각장애인, 문맹인 또는 암으로 고통 받는 사람들을 포함한 혜택 받지 못한 사람들을 돕기 위해 머신 러닝을 사용합니다.