데이터 예측 시스템들은 데이터를 예측하기 위해 특정 분야의 데이터를 컴퓨터가 분석하여 규칙을 찾아내고 데이터를 예측하였다. 이러한 방법은 과거 데이터를 분석한 결과로 사람이 규칙을 도출할 수 있어야 데이터를 예측하는 것이 가능하였다. 이에 반해 규칙을 도출할 수 없는 데이터들의 데이터를 예측하는 것은 사람의 능력으로는 한계가 있어 정확도가 낮아지는 문제점이 발생할 수 있다. 이를 해결하기 위해 컴퓨터를 활용하여 방대한 데이터를 데이터 예측 프로그램에 학습 데이터로 입력하고 결과로 데이터를 예측하였다.
이러한 방법론을 활용하기 위해서 고성능 컴퓨터로 딥 러닝(Deep Learning) 기 술을 적용하여 데이터를 예측하고 있다. 해당 방법론이 활용되고 있는 분야로는 기상 데이터를 분석하여 날씨를 예측하는 날씨 분석과 스포츠 경 기의 데이터를 예측하는 것이 대표적이다. 딥 러닝 기술은 프로그램이 데이터를 기반으로 학습을 진행하고 진행된 학습을 기반으로 데이터를 처리하는 것이다. 이는 과거에 사람이 직접 데 이터를 분석하는 것보다 대규모 데이터를 분석하기에 적합하고 이로 인해 정확도가 올라가는 이점이 있다.
또한 목적에 따라 적합한 딥 러닝 모델을 적용하여 데이터를 예측할 경우 정확도의 기댓값이 높아지는 이점이 있다. 현재 딥 러닝 모델 중에서 데이터를 예측하기 위해 사용되는 모델은 신 경망 구조를 기반으로 하는 DNN(Deep Neural Network) 모델과 RNN(Recurrent Neural Network) 모델이다. DNN 모델은 학습 데이터 내 에서 규칙을 찾아내지 못하더라도 반복 학습을 통해 데이터 예측에 대한 정확도를 올릴 수 있고, RNN은 학습 과정 중에서 은닉층에서 적용될 가중치가 학습을 진행할 수록 변화하여 데이터를 예측하고 이로 인해 정확 도를 올릴 수 있다. 이에 반해 DNN은 반복 학습의 횟수가 많아야 정확 도가 높아지고 RNN은 가중치 변화의 횟수가 많아져야 정확도가 높아지기 때문에 결국 두 모델들은 학습의 반복이 많아져야 하는 문제점이 있다.
특정 분야의 데이터들을 규합하고 이를 분석하여 데이터를 예측하는 방법론이 다양한 분야에서 활용되고 있다. 이는 과거를 분석하여 미래를 예측하고 이에 대 한 대비를 진행할 수 있는 장점이 있다. 예를 들어, 날씨를 분석하여 내일 날씨 를 국민들에게 알려주는 기상청은 슈퍼 컴퓨터를 활용하여 과거의 날씨 정보를 분석하고 이에 대한 예측을 도출한다. 해당 방법론을 위해 지속적으로 연구된 것 이 딥 러닝이다. 딥 러닝 모델은 목적에 따라 사용되는 모델이 다르다.
이는 각 모델의 구조적 인 특징으로 인해 특정 목적에 적합한 모델이 있기 때문이다. 영상 처리와 이미 지 처리는 CNN(Convolutional Neural Network) 모델을 주로 사용하고 있다. 영 상이나 이미지를 분할하여 처리하는 CNN 모델의 구조적인 특징이 해당 목적을 정확하게 달성할 수 있다. 방대한 데이터를 학습하여 실제 상황에 적용시키는 경우에는 DNN 모델을 사 용한다. DNN 모델은 프로그램이 학습한 데이터들의 규칙을 찾아 이를 상황에 맞게 적용하여 특정 상황에 적합한 결과를 도출한다. 이러한 구조적인 특징으로 인해 데이터를 예측하는 목적을 위해 기존 시스템들은 DNN 모델을 기반으로 개발되었다. DNN 모델은 학습 데이터의 양이 많고 학습의 반복 횟수가 많을수록 정확도가 높아지는데 이는 프로그램의 정확도를 올리기 위해 필요한 자원이 큰 것을 의미 한다. 학습 데이터의 양이 적거나 학습의 반복 횟수가 적다면 DNN 모델의 정확 도는 떨어지고 이는 효율성이 낮아짐을 의미한다.
또한 Vanishing Gradient 현상 이 발생할 수 있는 문제점이 있다. 이러한 단점을 해결하기 위해 데이터 예측 시스템에 사용되고 있는 다른 모델 은 RNN 모델이다. RNN 모델은 프로그램이 학습을 진행할수록 은닉층에서 사용 되는 가중치의 값이 학습 상황에 따라 변화하여 학습의 반복 횟수가 적더라도 DNN 모델에 비해 높은 정확도를 기대할 수 있다. 이에 반해 RNN 모델은 반복 횟수가 늘어남에 따라 가중치의 변화 횟수가 증가하고 오차 범위가 늘어날 수 있다.
