인공지능 개발의 핵심인 뉴럴 네트워크의 다양한 모델을 소개한다. 수식과 알고리즘을 기반으로 뉴럴 네트워크의 특징을 설명하고, 케라스를 활용해 직접 뉴럴 네트워크를 구축한다. CNN, RNN, 장단기 메모리(Long Short-Term Memory) 네트워크, 오토인코더, GAN을 깊게 학습하면서 머신러닝, 딥러닝, 인공지능에 관한 폭넓은 지식을 얻을 수 있다. 다양한 뉴럴 네트워크 모델을 결합하고, 실예제를 다루면서 예측 모델링과 함수 근사화(function approximation)를 통해 얻을 수 있는 가치를 이해하게 될 것이다.

저자 : 닐로이 푸르카이트 Niloy Purkait 기술 및 전략 전문 컨설턴트다. 현재 네덜란드에 거주 중이며, 네덜란드 국내 및 국제 기업을 대상으로 컨설팅을 제공한다. 전문 분야는 인공지능을 포함한 통합 솔루션으로, 끊임없이 변하는 혼란스러운 비즈니스 환경에서 고객이 가야 할 길을 제시하는 데 자부심이 있다. 틸버그대학교(Tilburg University)에서 전략 경영 학사를 전공하고, 미시건대학교(Michigan University)에서 데이터 과학을 수료했다. 신호 처리, 클라우드 컴퓨팅, 머신러닝 및 딥러닝과 같은 분야에서 IBM이 발급하는 고급 산업 레벨 자격 인증을 받았다. 관련 분야에서 지속적으로 학위를 취득하고 있으며, 스스로를 ‘인생 학습자’라고 부른다. 역자 : 김연수 대학 졸업 후 일본의 모 자동차 기업 산하의 한국 내 연구소에서 근무하게 되면서 소프트웨어 개발을 시작했다. 여러 기업에서의 다양한 포지션을 거쳐 지금은 글로벌 기업에서 업무 생산성 향상을 지원하기 위한 학습과 실험을 꾸준히 하고 있다. 최근의 관심사는 좋은 지식의 전달, 회사에 속하지 않고도 지속할 수 있는 삶, 그리고 ‘Why Not Change the World’라는 가치관을 실현하는 것이다.

1부. 뉴럴 네트워크 기본 1장. 뉴럴 네트워크 개요 __목표 정의 __도구 확인 ____케라스 ____텐서플로 __뉴럴 학습 기본 ____뉴럴 네트워크 ____두뇌 관찰 __데이터 과학 기본 ____정보 이론 ____엔트로피 ____교차 엔트로피 ____데이터 처리 특성 ____데이터 과학에서 머신러닝으로 ____머신러닝의 함정 __요약 __더 읽을거리 2장. 뉴럴 네트워크 깊이 들여다보기 __퍼셉트론: 생리학적 뉴런에서 인공지능 뉴런으로 __퍼셉트론 구축 ____입력 ____가중치 ____총화 ____비선형성 ____바이어스의 역할 ____출력 __오차를 활용한 학습 ____평균 제곱 오차 손실 함수 __퍼셉트론 훈련 ____손실 정량화 ____모델 가중치 함수로서의 손실 __역전파 ____기울기 계산 ____학습률 __퍼셉트론 확장 __단일 레이어 네트워크 ____텐서플로 플레이그라운드 ____패턴 계층 확인 ____한 걸음 더 __요약 3장. 신호 처리: 뉴럴 네트워크를 활용한 데이터 분석 __신호 처리 ____표상적 학습 ____무작위 기억 회피 ____숫자를 활용한 신호 표현 __숫자를 활용한 이미지 표현 __뉴럴 네트워크에 데이터 입력 __텐서 예제 ____데이터의 차원 ____패키지 임포트 ____데이터 로드 ____차원 확인 __모델 구축 ____케라스 레이어 ____가중치 초기화 ____케라스 활성화 함수 ____모델 시각화 __모델 컴파일 ____모델 피팅 __모델 성능 평가 ____정규화 __케라스를 활용한 가중치 정규화 구현 __가중치 정규화 __케라스를 활용한 드롭아웃 정규화 구현 ____드롭아웃 정규화 실험 ____복잡성과 시간 ____MNIST 요약 __언어 처리 ____감정 분석 __인터넷 영화 리뷰 데이터 세트 ____데이터 세트 로딩 ____셰이프 및 타입 확인 __단일 학습 인스턴스 확인 ____리뷰 디코딩 ____데이터 준비 __원핫 인코딩 __특징 벡터화 __라벨 벡터화 __네트워크 구축 ____모델 컴파일 ____모델 피팅 ____검증 데이터 __콜백 ____조기 중단 콜백과 히스토리 콜백 ____모니터링 지표 선택 __모델 예측 접근 __예측 조사 ____IMDB 요약 ____연속된 변수 예측 ____보스턴 주택 가격 데이터 세트 ____데이터 로딩 ____데이터 탐색 __특징별 표준화 ____모델 생성 ____모델 컴파일 ____훈련 및 테스트 오차 플로팅 ____k-폴드 검증을 활용한 접근 방식 검증 __사이킷-런 API를 활용한 교차 검증 __요약 __연습 문제 2부. 고급 뉴럴 네트워크 구조 4장. 컨볼루션 뉴럴 네트워크 __CNN __시각의 탄생 __생리학적 시각 이해 __공간 불변성 __뉴런의 수용 필드 __뉴런 계층 구현 __근대 CNN의 탄생 __CNN 설계 ____덴스 레이어와 컨볼루셔널 레이어 __컨볼루션 오퍼레이션 ____이미지의 공간 구조 보존 ____수용 필드 ____필터를 활용한 특징 추출 ____CNN에서의 오차 역전파 ____여러 필터 사용 ____스트라이드 ____특징이란? __필터를 활용한 특징 추출 시각화 __복잡한 필터 __컨볼루션 오퍼레이션 요약 __풀링 레이어 이해 ____풀링 오퍼레이션의 종류 __케라스를 활용한 CNN 구현 ____데이터 확인 ____데이터 셰이프 확인 ____데이터 표준화 ____임포트 __컨볼루셔널 레이어 ____필터 수와 크기 정의 ____입력 텐서 패딩 ____맥스 풀링 레이어 __덴스 레이어를 활용한 분류 __모델 요약 ____모델 컴파일 __모델 정확성 확인 __미소 식별 과정의 문제 ____블랙박스 내부 ____뉴럴 네트워크의 실패 ____ConvNet 학습 시각화 ____중간 레이어의 뉴럴 활성화 맵 시각화 ____입력 이미지 예측 __케라스의 기능적 API __레이어 채널수 확인 ____활성화 맵 시각화 __돌출 __ResNet50을 사용한 돌출 맵 시각화 __로컬 디렉토리에 저장된 이미지 로딩 __케라스의 시각화 모듈 __레이어 검색 __연습 문제 __경사 가중치 클래스 활성화 매핑 __keras-vis를 활용한 클래스 활성화 시각화 __미리 훈련된 모델 활용 __출력 클래스별 최대 활성 값 시각화 __모델 수렴 __여러 필터 인덱스를 활용한 몽환적 분위기 연출 __CNN의 문제점 __뉴럴 네트워크의 환각 __요약 5장. 순환 뉴럴 네트워크 __시퀀스 모델링 __RNN을 사용한 순차 모델링 ____전략 선택 ____기본 RNN 아키텍처 __다양한 종류의 순차 프로세싱 태스크 ____RNN의 학습 ____일반적인 RNN 레이어 ____피드포워드 __타입 스텝별 활성화 계산 ____활성화 방정식 정리 ____타임 스텝별 출력 예측 ____단방향 정보 흐름의 문제 ____장기 의존성 문제 __시간에 따른 역전파 ____시간에 따른 역전파 시각화 __경사 폭발 및 소멸 ____기울기 레벨에 관한 고려 ____클리핑을 활용한 경사 폭발 방지 ____메모리를 활용한 경사 소멸 방지 __GRU ____메모리 셀 ____업데이트 미수행 시나리오 ____업데이트 수행 시나리오 ____타임 스텝 사이의 타당성 보존 ____타당성 게이트 방정식 __케라스를 활용한 문자 레벨의 언어 모델 구축 ____셰익스피어의 햄릿 로딩 ____문자 사전 구축 ____훈련 시퀀스 준비 ____예제 시퀀스 출력 ____훈련 데이터 벡터화 __문자 모델링 통계 ____문자별 확률 모델링 ____임곗값 샘플링 __확률 통제의 목적 ____그리디 샘플링 ____확률 표본 샘플링 __다양한 RNN 모델 테스팅 ____커스텀 콜백을 사용한 텍스트 생성 ____다양한 모델 테스팅 __SimpleRNN 구현 ____RNN 레이어 스택 __GRU 구현 ____양방향 GRU 구현 __실제 데이터의 순차적 처리 ____순차적인 데이터 재정렬을 통한 장점 __케라스의 양방향 레이어 ____순환 드롭아웃 구현 __출력값 시각화 ____무거운 GRU 모델의 출력값 시각화 __요약 __더 읽을거리 __연습 문제 6장. 장단기 기억 네트워크 __복잡한 시퀀스 처리 ____메모리 분해 __LSTM 네트워크 __LSTM 해부 ____가장 유사한 모델과의 비교 ____GRU 메모리 ____LSTM 메모리 셀 ____활성화 함수와 메모리 별도 처리 __LSTM 메모리 블록 ____망각 게이트의 중요성 ____차이 개념화 ____LSTM 살펴보기 __정보 흐름 시각화 ____셀 상태 계산 __경쟁 메모리 계산 __타임 스텝별 활성화 값 계산 __LSTM의 변종 모델과 그 성능 __핍홀 연결 이해 __타이밍과 카운팅의 중요성 ____다른 구조적 차이 탐구 __지식 활용 __주식 시장 데이터 모델링 ____데이터 임포트 ____정렬 및 트렌드 시각화 ____데이터프레임을 텐서로 변환 ____데이터 분할 ____훈련 및 테스팅 인스턴스 플롯 ____윈도우 방식 표준화 __데이터 노이즈 제거 __지수 평활법 구현 ____곡선 시각화 ____한 걸음 앞선 예측 수행 ____단순 이동 평균 예측 ____지수 이동 평균 예측 __한 걸음 앞선 예측 수행의 문제 __관찰 값 시퀀스 생성 ____데이터 셰이프 정리 ____임포트 ____뉴럴 네트워크 베이스라인 ____피드포워드 네트워크 구축 ____순환 베이스라인 __LSTM 구현 ____LSTM 스택 ____헬퍼 함수 활용 ____모델 훈련 ____결과 시각화 __마무리 __요약 __연습 문제 7장. DQN을 사용한 강화 학습 __보상과 만족 ____새로운 학습 평가 방법 __강화학습을 활용한 머신의 조건 형성 ____신용도 할당 문제 __탐색 착취 딜레마 __일반적 인공지능지능 __환경 시뮬레이션 ____상태, 행동, 보상 __자율 주행 택시 ____태스크 이해 ____환경 렌더링 ____관찰 공간 참조 ____행동 공간 참조 ____환경과의 상호작용 ____무작위로 환경 해결 __즉시 보상과 미래 보상 사이의 트레이드오프 __미래 보상 할인 __마르코프 결정 프로세스 __정책 함수 이해 __상태 가치 평가 __행동 품질 평가 __벨만 방정식 활용 __반복적인 벨만 방정식 업데이트 __뉴럴 네트워크를 사용하는 이유 __Q-학습에서의 정방향 경로 수행 __Q-학습에서의 역방향 경로 수행 ____반복적 업데이트를 딥러닝으로 대체 __케라스를 활용한 심층 Q-학습 ____임포트 ____전처리 기법 ____입력 파라미터 정의 ____아타리 게임 상태 프로세서 구현 ____네트워크 구현 ____풀링 레이어 미사용 ____실시간 학습의 문제 ____재생 메모리에 경험 저장 __탐색과 착취의 균형 ____입실론-그리디 탐색 정책 __심층 Q-학습 에이전트 초기화 ____모델 훈련 ____모델 테스트 ____Q-학습 알고리즘 요약 __이중 Q-학습 __경쟁 네트워크 아키텍처 __연습 문제 ____Q-학습의 한계 ____정책 경사를 활용한 Q-학습 개선 __요약 3부. 뉴하이브리드 모델 아키텍처 8장. 오토인코더 __왜 오토인코더인가? __자동적인 정보 인코딩 __오토인코더의 한계 __오토인코더 해부 __오토인코더 훈련 __오토인코더 종류 __네트워크 크기와 표현력 __오토인코더에서의 정규화 __희소 오토인코더를 활용한 정규화 ____노이즈 제거 오토인코더를 활용한 정규화 ____수축적 오토인코더를 활용한 정규화 ____케라스를 활용한 얕은 오토인코더 구현 __데이터 확인 ____데이터 전처리 ____모델 구축 __검증 모델 구현 ____별도 인코더 네트워크 정의 ____별도 디코더 네트워크 정의 __심층 오토인코더 설계 ____임포트 ____데이터 이해 ____데이터 임포트 __기능적 API를 사용한 오토인코더 설계 ____모델 구현 ____모델 훈련 ____결과 시각화 __심층 컨볼루셔널 오토인코더 __모델 컴파일 및 훈련 __결과 테스트 및 시각화 __노이즈 제거 오토인코더 __노이즈 제거 네트워크 훈련 ____결과 시각화 __요약 __연습 문제 9장. 생성적 네트워크 __콘텐트 복제와 생성 __잠재 공간 표상 이해 ____컨셉 벡터 식별 __생성적 네트워크 깊이 들여다보기 ____통제된 무작위성과 창의성 __무작위성을 활용한 출력 증강 __잠재 공간으로부터의 샘플링 ____확률 분포 학습 __생성적 네트워크의 종류 __가변 오토인코더 __케라스를 활용한 VAE 설계 ____데이터 로딩과 전처리 __VAE의 인코딩 모듈 구현 ____잠재 공간 샘플링 __디코더 모듈 구현 ____커스텀 가변 레이어 정의 ____모델 컴파일 및 확인 __잠재 공간 시각화 __잠재 공간 샘플링과 출력 생성 ____VAE 결론 __생성적 대립쌍 네트워크 ____GAN을 활용한 유틸리티 및 실제 응용 __GAN 깊이 살펴보기 ____GAN 최적화의 문제점 __케라스를 활용한 GAN 설계 ____데이터 준비 ____인스턴스 시각화 ____데이터 전처리 __생성자 모듈 설계 __판별자 모듈 설계 __GAN 합치기 ____훈련용 헬퍼 함수 ____출력 표시용 헬퍼 함수 __훈련 함수 ____훈련 함수 인자 __판별자 라벨 정의 ____GAN 초기화 ____배치별 판별자 훈련 __배치별 생성자 훈련 ____에폭별 결과 평가 __훈련 세션 실행 ____훈련 진행 중 테스트 손실 해석 ____에폭별 결과 시각화 __GAN 결론 __요약 4부. 앞으로의 길 10장. 현재와 미래 개발에 관한 고찰 __전이 학습을 활용한 표상 공유 ____케라스에서의 전이 학습 ____미리 학습된 모델 로딩 ____모델의 중간 레이어 획득 ____모델에 레이어 추가 ____데이터 로딩 및 전처리 ____네트워크 훈련 ____연습문제 __실험의 결론 __표상 학습 ____DNA와 기술 __현재 뉴럴 네트워크의 한계 ____기계를 위한 표상 엔지니어링 ____전처리 및 데이터 취득 ____데이터 평활성 __희소 표상 학습 __하이퍼파라미터 튜닝 __자동 최적화 및 진화 알고리즘 ____참고 문헌 __다중 네트워크 예측과 앙상블 모델 __인공지능지능과 뉴럴 네트워크의 미래 ____전역 벡터 접근법 ____분산된 표상 ____하드웨어 문제 __앞으로의 길 __전통적인 컴퓨팅에서의 문제 __양자 컴퓨팅의 등장 ____양자 중첩 ____큐비트와 전통적인 컴퓨터의 비트 __양자 뉴럴 네트워크 ____더 읽을거리 __기술과 사회 __미래에 대한 고찰 __요약

★ 이 책에서 다루는 내용 ★ ■ 예측적 데이터 모델링의 근본적인 특성과 워크플로우 ■ 뉴럴 네트워크를 사용해 다양한 타입의 시각 및 언어 신호 처리 ■ 네트워크가 데이터를 학습하는 수학적, 통계적 기반 지식 이해 ■ CNN, LSTM, GAN과 같은 다양한 뉴럴 네트워크의 설계 및 구현 ■ 다양한 아키텍처를 활용해 인식 태스크를 해결하고 시스템에 지능 내재 ■ 합성 데이터를 생성하고 증강 전략을 활용한 네트워크로 모델 개선 ■ 인공지능 분야의 최신 학술 정보와 상업적 개발 정보 습득 ★ 이 책의 대상 독자 ★ 케라스를 활용해 새로운 뉴럴 네트워크 아키텍처를 공부하고자 하는 머신러닝 개발자, 딥러닝 연구자 및 AI 학습자를 대상으로 한다. ★ 이 책의 구성 ★ 1장, ‘뉴럴 네트워크 개요’에서는 데이터의 근본적인 특성과 구조, 다양한 형태를 직관적으로 사고할 수 있는 방법을 알아본다. 기본 데이터 타입, 발전된 데이터 구조(이미지, 비디오, 오디오, 텍스트, 센서 및 멀티미디어 데이터)를 다루는 방법은 물론, 이와 같은 다양한 데이터 구조에서 정보를 추출하는 추상적 기반에 관해 다룬다. 2장, ‘뉴럴 네트워크 깊이 들여다보기’에서는 뉴럴 네트워크의 기반이 되는 수식 배경을 깊이 있게 살펴본다. 그 후 케라스를 사용해 머신러닝 프로젝트의 산출물을 반복적으로 개선할 수 있는 빠른 개발 사이클을 활용해 좀 더 생산적으로 경쟁 우위를 가질 수 있는지 알아본다. 3장, ‘신호 처리: 뉴럴 네트워크를 활용한 데이터 분석’에서는 완전한 예제를 사용해 뉴럴 네트워크를 잘 동작하도록 하는 데 필수적인 변환(transformation) 및 표준화(normalization)를 소개한다. 4장, ‘컨볼루셔널 뉴럴 네트워크’에서는 다양한 컨볼루셔널 레이어 및 풀링 레이어를 다룬다. 뉴럴 네트워크는 이 레이어를 사용해 여러분의 PC에 저장된 이미지, 데이터베이스 및 센서로 입력받는 정보를 처리한다. 그 후 CNN과 연계된 파이프라인 처리에 관한 정보를 알아보고, 최신 객체 인식 API와 모델을 활용해 실질적인 실험을 수행해본다. 5장, ‘순환 뉴럴 네트워크’에서는 순환 네트워크의 다양한 기반 이론과 튜링 완료 알고리즘의 의미를 소개한다. 6장, ‘장단기 기억 네트워크’에서는 LSTM 네트워크로 알려진 RNN의 특정 형태에 관해 좀 더 깊이 알아보고, 생태계에서 영감을 받아 구현된 다양한 뉴럴 네트워크 아키텍처를 알아본다. 7장, ‘DQN을 활용한 강화 학습’에서는 강화 학습 네트워크의 기반 아키텍처를 자세히 설명하고, 케라스의 핵심 및 확장 레이어를 구현해 원하는 산출물을 얻는 방법을 알아본다. 8장, ‘오토인코더’에서는 자동 인코더 뉴럴 네트워크의 기능을 활성화하는 데 필요한 관련 지식과 아이디어를 자세히 소개한다. 9장, ‘생성적 네트워크’에서는 일반적으로 가변 오토인코더(Variational Autoencoders)나 생성적 대립쌍 네트워크(GAN, Generative Adversarial Network)와 같은 모델을 사용한 합성 데이터 생성 및 조작에 관련된 유스케이스에 관해 살펴본다. 10장, ‘현재와 미래 개발에 관한 고찰’에서는 뉴럴 네트워크를 활용한 표상(representation) 학습과 전달에 관해 알아본다. 또한 양자 컴퓨팅과 같은 AI 영역에서의 패러다임을 비롯해 미래의 잠재적인 개발 분야에 대해서도 개괄적으로 다룬다. ★ 옮긴이의 말 ★ 인공지능이라는 용어가 처음 등장한 때는 1950년대입니다. 다른 과학 기술과 달리 그 실체를 알기 어려웠기에 공상 과학 소설이나 영화에서는 다양한 형태로 인공지능의 모습을 그립니다. 영화 〈터미네이터〉(1984)에서 등장한 인공지능 스카이넷(Skynet)은 자신이 세상을 지배하기 위해 인류를 말살시키려 하고, 영화 〈매트릭스〉(1998)에서 인공지능은 인류를 지배하고, 고치 안에 인간을 가둬 에너지원으로 착취하기도 합니다. 영화 〈바이센테니얼 맨〉(1999)에서는 인간의 감정을 닮고 싶어 하는 인공지능을 그렸으며, 〈에이 아이〉(2001)에서도 인간이 되고 싶어 하는 아이 로봇의 모습을 그렸습니다. 그러나 대부분의 소설이나 영화에서는 인간과 인공지능의 대립, 인간의 지능을 훨씬 뛰어넘은 인공지능의 무서움을 그리며 인류에게 고민을 안겼습니다. 하지만 기술의 속도는 예상만큼 빠르지 않았습니다. 〈터미네이터〉에서 1984년에 만들어진 스카이넷이 지구를 점령하게 되는 해는 2029년이지만, 지난 몇 년 동안 인공지능이나 로봇 기술의 발전은 그만큼 발전하지 않았습니다. 1980년대 이후 사람의 신경을 본 떠 만든 인공지능 신경망, 즉 뉴럴 네트워크(Neural Network)의 연구가 활발히 이뤄졌지만, 그러한 연구 결과가 기술적인 형태로 나타나지는 않았습니다. 인공지능은 사람이 정교하게 만들어낸 수많은 데이터를 학습한 후에야 지능처럼 보이는 일부 결과물(체스 경기 등)을 만들어냈습니다. 1990년대 중반 가전제품에 퍼지 이론(Fuzzy theory), 카오스 이론(Chaos theory), 유전자 알고리즘(Generic algorithm) 등이 적용되기는 했지만, 그 정도나 범위는 너무나 제한적입니다. 심지어 로봇은 2000년대 중-후반이 되기까지도 사람의 몇 가지 움직임을 흉내내는 정도에 지나지 않았습니다. 2006년 토론토 대학의 죠프리 힌튼(Geoffrey Hinton) 교수는 딥러닝(deep learning)의 개념을 처음 제안합니다. 그의 이론과 기존의 한계를 뛰어넘은 컴퓨팅 능력(하드웨어와 클라우드 컴퓨팅), 막대한 양의 데이터에 힘입어 1990년대 혹한기를 맞았던 인공지능은 다시 싹을 틔우게 됩니다. 그리고 엄청난 속도로 발전합니다. 2012년, 사람이 사전 작업을 하지 않아도 컴퓨터가 이미지를 분석해 사물을 구별할 수 있게 되는 결과가 발표됩니다. 예를 들면 고양이가 어떤 특징을 갖는지 모르지만, 수많은 고양이의 사진을 보여줌으로써 컴퓨터가 고양이의 특징을 찾아내고 판단하게 된 것입니다. 그리고 인공지능은 이미지/영상 인식 분야에서 사람을 뛰어넘는 능력을 갖게 됩니다. 2016년, 구글 딥마인드(DeepMind)가 개발한 인공지능인 알파고(AlphaGo)는 인간에 앞서기까지 앞으로 10년은 족히 필요할 것이라던 모든 전문가의 예상을 거들떠보지도 않는 듯 이세돌 9단에게 5전 4승 1패로 승리를 거둡니다. 이 책은 인공지능 개발의 핵심이 되는 뉴럴 네트워크의 다양한 모델을 다룹니다. 수식과 알고리즘을 기반으로 뉴럴 네트워크의 특징을 설명하고, 케라스(Keras)를 활용해 직접 뉴럴 네트워크를 구축해봅니다. 컨볼루셔널 뉴럴 네트워크(CNN, Convolutional Neural Networks), 순환 뉴럴 네트워크(RNN, Recurrent Neural Networks), 장단기 메모리(Long Short-Term Memory) 네트워크, 오토인코더(autoencoder), 생성적 대립쌍 네트워크(GAN, Generative Adversarial Networks)를 학습하면서 머신러닝, 딥러닝, 인공지능에 관한 폭넓은 지식과 경험을 얻을 수 있을 것입니다. 실제 데이터를 뉴럴 네트워크를 사용해 처리하는 과정에서 미래 데이터 처리에 대한 통찰력도 얻을 수 있을 것입니다. 인공지능이 종국에 만들어 내는 세상은 어떠한 모습일지, 그리고 그 속에서 우리들이 어떤 역할을 하고, 무슨 가치를 찾아내야 할 것인지 고민하고 기대할 수 있게 될 것입니다.