티처블 머신을 이용한 AI 만드는 방법

티처블 머신이란?

티처블 머신은 머신러닝 모델을 빠르고 쉽게 만들 수 있도록 제작한 웹 기반 도구입니다. 2019년 11월 구글에서 출시해 일반인들에게 무료로 제공되고 있습니다. 구글에서는 여섯 살 아이에게 티처블 머신을 활용한 AI의 원리와 개념을 학습시킨 사례를 홍보할 만큼, 티처블 머신은 직관적이며 다루기 쉬운게 장점입니다.

티처블 머신은 어떻게 학습할까?

티처블 머신은 데이터 수집, AI모델 학습, AI 평가 이렇게 크게 3단계로 구분할 수 있습니다.

▣ 데이터 수집 단계

첫 번째 단계는 데이터 수집 단계로, 데이터 유형에 따라 수집하는 방법이 달라지지만 오늘 포스팅에서는 웹캠을 통해 이미지 데이터를 수집하는 방식을 활용하겠습니다.

▣ AI 모델 학습 단계

두 번째 단계는 구글이 설계한 학습 알고리즘을 이용하여 AI 모델을 학습하는 단계인데요. 일반적으로 이 단계에서 말하는 학습을 AI 분야에서는 Training 이라고 부르는데, 이것을 우리말로 번역할 때 책에 따라 훈련 또는 학습 등의 용어로 표현이 됩니다. 이 단계는 컴퓨터에 우리가 수집한 데이터를 활용해 학습을 시킨다 또는 훈련을 시킨다는 뜻으로 이해하시면 될거 같습니다.

▣ AI 평가 단계

세 번째 단계는 학습이 완료된 AI 모델이 잘 학습이 되었는지를 평가하는 단계인데요. 학습을 완료한 기계의 성능이 얼마나 좋은지를 평가한다는 의미에서 성능 평가가 이루어지는 단계라 생각하시면 됩니다.
위 세 단계 과정을 거쳐 완성된 모델을 바탕으로 조금의 프로그래밍만 더하면 누구나 이용할 수 있는 실용적인 AI 서비스 제작을 하실수가 있게 됩니다.

하지만 오늘 포스팅에서는 AI에 대한 이해를 높이기 위해 AI 서비스 제작보다는 머신러닝(기계학습) 과정(데이터 수집 학습 결과 평가)에 대해서만 자세히 알아보도록 하겠습니다.

티처블 머신의 원리

일반적으로 티처블 머신은 내부적으로 전이학습Transfer Learning 기술을 사용하는 것으로 알려져 있습니다. 여기서 전이학습이란 학습 데이터가 부족한 경우, 풍부한 양의 데이터로 만든 AI를 가져와서 학습에 활용하는 머신러닝 방법입니다.

머신러닝 모델을 생성할 때, 모델의 성능에 영향을 주는 큰 요소가 바로 학습 훈련 데이터의 결과를 도출할 수 없습니다. 이러한 제약을 극복하기 위해 학습하는 방법 자체에 관한 연구, 즉 '어떻게 해야 학습이 잘 될까?' 하는 물음에 답을 찾는 연구인 메타 학습에 관한 연구도 활발히 이뤄지고 있습니다.

학습에 사용할 만한 양질의 데이터가 충분히 확보되지 않으면 다른 분야의 풍부한 데이터를 바탕으로 한 새로운 방법을 생각해 볼 수도 있습니다. 이렇게 함으로써 비교적 짧은 시간과 적은 데이터로도 훌륭한 성능을 갖는 모델을 만들어 낼 수 있고, 이를 통해 실생활의 문제를 해결하는 데 활용할 수 있게 되는 것이죠. 시간과 데이터의 부족을 보완하는 학습 기법이 바로 전이학습입니다.

티처블 머신을 이용한 AI 만드는 방법

프로젝트: 과일 분류기 만들기

이제 티처블 머신을 어느 정도 이해했을 텐데 실습을 한번 해보도록 하겠습니다. 여기서는 사과와 딸기를 분류하는 AI를 만들어 보겠습니다.

학습 데이터 수집하기
1. https://teachablemachine.withgoogle.com으로 접속합니다.

2. 첫 화면에서 티처블 머신 서비스에 대해 간략히 설명하고 사용 방법을 알려 줍니다.

3. 티처블 머신 서비스에서는 이미지, 동작, 소리, 등 3가지를 통해 머신러닝을 수행할 수 있는데, 우리는 이미지 인식 기능을 통해 사과와 딸기를 분류하는 AI 모델을 만들어 보겠습니다.

4. 먼저, 첫 화면의 Get Started 버튼을 클릭합니다.

5. 이미지 인식 기능의 AI 모델을 생성할 것이므로 Image Project 를 클릭합니다.

6. 각각의 Class는 라벨이며, 각각의 Class에 해당하는 이미지 데이터를 넣어 줄 것입니다. 먼저, Class 1에 Apple 을 입력하고, 웹캠 버튼을 클릭합니다. 여기서 중요한 점은 카메라 사용 권한을 허용해 주는 걸 잊지 마시기 바랍니다.

7. 다음으로 사과를 웸캠 화면에 비추고, Hold to record 를 꾹 누르고 있으면 계속 물체의 이미지가 저장이 되게 됩니다. 이때 최소 200장 이상의 사과 이미지의 데이터를 수집하시길 권해드립니다.

8. Class 2에 Strawberry 를 입력하고, 웹캠 버튼을 클릭합니다. 딸기를 웹캠 화면에 비추고, Hold to record를 꾹 눌러 딸기 이미지를 많이 찍을수록 정확도가 높아지기 때문에 최소 200장 이상 수집합니다.

성능 평가

프로젝트를 완성했다면 이제 생성된 모델이 잘 작동하는지를 확인하기 위해 모델의 성능을 평가할 차례입니다. 이때, 학습 훈련 데이터로 사용한 사과, 딸기와는 다른 새로운 사과, 딸기를 사용해야 합니다. 왜냐하면 모델의 성능을 평가하기 위해 사용되는 데이터를 시험용 데이터라고 하는데, 학습하는 데 사용하지 않은 데이터를 시험용 데이터로 사용해야만 AI 모델의 성능을 정확히 평가할 수 있게 됩니다. 그럼 Preview 에 보이는 웹캠에 사과와 귤을 비추어 이 두 가지를 잘 분류해 내는지 한번 확인해 보도록 하겠습니다.

사과와 딸기 모두 정확히 잘 분류해 내는 것을 확인했습니다. 모델의 성능이 훌륭합니다. 실제 사과와 딸기뿐 아니라, 사과와 딸기 사진 파일을 업로드하여 구분하게 할 수도 있습니다. 웹캠을 파일로 바꾸고 딸기 이미지를 업로드합니다.

업로드한 이미지가 딸기일 확률이 100%임을 나타내는데, 모델의 성능이 훌륭하다는 것을 다시 한번 확인하였습니다. 오늘 이렇게 티처블 머신을 활용하여 과일을 분류하는 AI 모델을 만들어 보았는데요. 생성한 AI 모델을 활용하여 실생활의 문제를 해결할 수 있는 서비스를 만들어 볼 수도 있습니다. 오늘 내용이 다소 어려울수 있지만 전체적으로 한 번 더 맥락을 잘 살펴보시면 이해 하시는데 도움이 될것입니다.