박재천의 디지털경제 이야기 <51> AI는 기억을 어떻게 구현할까? > News Insight

AI는 인간의 연상 기억(Associative Memory)을 모방하려고 노력​

AI는 인간의 연상 기억(Associative Memory)을 모방하려고 노력한다. 연상 기억은 인간이 가진 독특한 능력으로, 관련된 정보를 서로 연결하여 기억하고, 필요할 때 떠올리는 시스템이다. 이를 위해 AI는 데이터 간의 연관성을 학습하고, 저장하고, 인출하는 다양한 기술과 알고리즘을 사용한다. 

AI가 연상 기억을 구현하는 핵심 기술이 벡터 임베딩​

AI가 연상 기억을 구현하는 데 핵심적인 역할을 하는 기술이 바로 벡터 임베딩이다. 벡터 임베딩은 데이터와 정를 수학적 벡터 형태로 변환하여 벡터 공간에 저장한다. 이 벡터 공간은 데이터 간의 관계를 표시하고 이해하는 데 적합한 틀이다.  예를 들어, "강아지"와 관련된 벡터 데이터는 "고양이", "애완동물"과 같은 벡터 데이터들과 의미적으로 관련이 있다는 것을 표시할 수 있고, 가까운 곳에 위치함으로서 유사성의 정도를 표시할 수 있다.  이러한 방식으로 연관된 정보를 쉽게 찾고 활용할 수 있게 해준다. 이 과정은 인간의 뇌가 전두엽 후두엽 측두엽등 부분으로 나뉘어져 감각신호를 처리하는 방식과 유사하다. 인간의 뇌가 여러 부분으로 나뉘어 감각 신호를 처리하고 통합하는 것처럼, AI도 데이터를 수학적 벡터로 변환하고, 이들 간의 연관성을 통해 개념을 이해하고 확장한다. 

이러한 벡터 임베딩의 장점은 정보간의 개념적 관계를 나타내는 논리연산 모델링을 가능하게 해준다. 예를 들어, "서울 - 한국 + 프랑스 ≈ 파리"라는 방식으로 단어 간의 의미적 관계를 표현할 수 있다. 맥컬록과 피츠가 발견한 뇌신경의 논리연산 기능을 구현할 수 있는 틀을 제공하는 것이다. [27회]에서, 두 연구자는 1943년 뉴런의 생물학적 작동 방식을 논리수학적으로 모델링하여, 인지 및 기억 활동을 시뮬레이트할 수 있음을 주장한 연구결과를 설명하였다.  

초기에는 Word2vec, Glove 같은 알고리즘이 벡터 임베딩의 대표적인 기술로 사용되었다. 하지만 최근에는 BERT, GPT 같은 트랜스포머 기반 기술이 주류가 되고 있다. 이러한 기술들은 자연어 처리에서 단어의 맥락을 더 잘 이해하고, AI의 연상 기억 구현을 더욱 정교하게 만들어준다. 

AI가 연관데이터를 찾는 데 사용하는 또 하나의​ 기술은 유사도 기반 검색​

AI가 연관데이터를 찾는 데 사용하는 또 하나의 중요한 기술은 유사도 기반 검색이다. 유사도 기반 검색은 벡터 공간에서 의미와 개념적으로 유사한 데이터를 찾는 방법이다. 코사인 유사도처럼 벡터 간의 각도를 비교하거나, 위치간 거리를 계산하여 가장 가까운 벡터를 찾아낸다. 이런 방법을 통해 AI는 연관성이 높은 이미지를 찾거나, 질문에 대한 의미 있는 단어를 쉽게 인출할 수 있다. 

연상기억의 완성과 그 활용​

AI의 벡터 엠베딩과 유사도 기반 검색도구들은 연상기억을 완성하며, 다양한 응용 분야에서 활용된다. 챗봇은 사용자의 질문에 문맥적으로 관련된 답변을 생성하며, 추천 시스템은 사용자의 과거 행동과 연관된 제품을 추천한다. 이미지 검색 기술을 사용해 환자의 상태를 분석하고 의료적 도움을 제공하기도 한다. 

<ifsPOST>

 ​