자동차, AI를 만나다: 현실로 다가온 딥러닝
상태바
자동차, AI를 만나다: 현실로 다가온 딥러닝
  • 선연수 기자
  • 승인 2019.05.24 08:45
  • 댓글 0
이 기사를 공유합니다

[테크월드=선연수 기자] 

 

 

인공지능(AI) 기술로 인해 머지않은 시일 내 우리 사회는 더욱 편리하고 안전한 곳으로 변모할 것이다. 현재로서는 ‘티핑포인트’의 정확한 시점을 예측하기 어려우나, 이 순간이 찾아온다면 오늘날 AI ‘지능’의 영역이 훨씬 ‘현실’로 다가올 것이다.

자동차 안전성 시스템 성능 향상을 위해서 AI를 딥러닝 기법으로 활용할 수 있으며, 이는 소비자들의 생활과도 직결되는 부분이다.

딥러닝의 개념은 수십 년 전에 이미 소개됐으나, 최근 특정 응용 프로그램과 기술, 일반적인 컴퓨팅 플랫폼 분야에서 활발하게 사용함으로써 관심이 점점 높아지고 있다. 용어적으로 해석하면 딥러닝의 ‘딥(Deep)’은 입·출력 간에 구현되는 일련의 숨겨진 레이어 개수에서 비롯된 것으로, 레이어 간 데이터를 수학적으로(필터, 컨볼브 등) 처리해 최종 결과를 도출해낸다. 특히, 비전 시스템의 딥 신경망(Deep network)은 레이어별 특징을 식별하고, 최종적으로 원하는 출력에 해당하는 레이어들을 식별된 계층 위에 구축함으로써, 보다 일반화된 ‘인지’값을 도출해낸다. 이런 다중 레이어는 다양한 수준에서 추상적인 개념을 학습할 수 있는 것이 주요 특징으로, 이를 통해 최종적으로 원하는 출력에 도달하게 된다.

일례로, 심층 콘볼루션 신경망(CNN, Convolutional Neural Network)의 이미지 분류 학습 과정을 살펴보자. 먼저 첫 번째 레이어는 외곽선과 같은 매우 기초적인 부분을, 두 번째 단계의 레이어는 형태를 형성하는 외곽선의 집합체를, 세 번째 단계의 레이어는 눈이나 코와 같은 형상을 순차적으로 인식한다. 최종 레이어는 얼굴과 같은 상위 수준의 특징을 인지하도록 학습된다.

이처럼 다중 레이어는 원시 데이터와 고급 데이터에 포함되는 중간 요소들의 특징을 파악해, 더욱 일반화된 값을 도출해낸다. [그림 1]은 다중 레이어의 일반화 과정을 보여주는 것으로, 이를 통해 교통 표지판을 분류하거나 어두운 안경, 모자 등 얼굴 일부를 가리는 물체가 존재해도 최종적으로 특정 얼굴을 인식할 수 있다.

 

TR TI1 교통표지판인식 사례.jpg ▲[그림 1] 교통 표지판 인식 사례
[그림 1] 교통 표지판 인식 사례

 

이어서 딥러닝의 ‘러닝’은 반복적인 학습인 역전파(BP, Back Propagation)를 통해 중층적인 신경망을 학습시키는 것을 의미한다. [그림 2]의 과정처럼 대량의 입출력을 반복적으로 인식함으로써 보다 정확한 결과 값에 도달하게 된다. 이와 같은 ‘러닝’ 과정을 통해 오류를 줄이고 전반적인 시스템 요건에 부합하는 결과를 도출하는 능력을 기를 수 있다. 학습(Learning), 레이어링(Layering), 상호연결(Interconnecting)은 생물학적 신경계와 매우 흡사해 본 과정을 ‘인공지능’으로 표현하는 것이다.

 

[그림 2] 역전파 알고리즘 과정
[그림 2] 역전파 알고리즘 과정

 

딥러닝의 실용화를 위해선 선결해야 할 과제들이 있다. 특히 시스템 제약 조건에 민감한 내장형 임베디드 애플리케이션은 딥러닝을 위한 비용, 전력 소모, 대규모 컴퓨팅 성능 등 시스템 설계와 관련된 한정적인 조건을 고려해야 한다.

개발 디자이너들은 버클리 대학교에서 개발한 딥러닝 프레임워크인 ‘Caffe’나 구글의 ‘텐서플로우(TensorFlow)’ 등 프론트엔드(Front-end) 툴을 사용해, 전체적인 신경망, 레이어, 그 외 일련의 기능들을 개발, 학습, 검증할 수 있다. 해당 작업이 완료되면, 임베디드 프로세서용 툴은 내장형 디바이스로 출력하거나 디바이스에서 실행할 수 있는 소프트웨어로 변환할 수 있다.

특히 TIDL(Texas Instruments Deep Learning) 프레임워크는 TI TDAx 오토모티브 프로세서로, 딥러닝/CNN 기반의 애플리케이션 실행을 지원한다[그림 3]. 이를 활용해 더욱 효율적인 임베디드 플랫폼으로 첨단 운전자 보조 시스템(ADAS) 기능을 구현할 수 있다.

 

[그림 3] TIDL 프레임워크(TI 디바이스 변환 툴과 딥러닝 라이브러리)
[그림 3] TIDL 프레임워크(TI 디바이스 변환 툴과 딥러닝 라이브러리)

 

TIDL 프레임워크를 사용해 임베디드 개발과 플랫폼 추상화를 보다 빠르게 실행할 수 있으며, TI 하드웨어로 최적화된 커널을 구현하고 CNN을 가속화할 수 있다. 그뿐만 아니라, TIDL API(Application Programming Interface)를 통해 Caffe, 텐서플로우 등의 오픈 프레임워크를 임베디드 프레임워크로 변환하기에 용이하다는 이점을 가진다.

 

글: 조 폴켄스(Joe Folkens) 제품 마케팅 엔지니어

자료제공: 텍사스 인스트루먼트(www.ti.com)

 


관련기사