다음 글의 ㉠과 ㉡에 들어갈 말을 가장 적절하게 나열한 것은?

GAN(Generative Adversarial Network), '생성적 적대 신경망'이라 불리는 이 알고리즘은 두 신경망 모델의 경쟁을 통해 학습하고 결과물을 만들어낸다.
두 모델은 '생성자'와 '감별자'로 불리는데 이들은 상반된 목적을 갖고 있다.
생성자는 실제 데이터를 학습하고 이를 바탕으로 거짓 데이터를 생성한다.
실제에 가까운 거짓 데이터를 생성하는 것이 목적이다.
감별자는 생성자가 내놓은 데이터가 실제인지 거짓인지 판별하도록 학습한다.
생성자의 거짓 데이터에 놀아나지 않는 것이 목적이다.
GAN의 창시자 이안 굿펠로우는 생성자를 위조지폐범에, 감별자를 경찰에 비유했다.
생성자는 감별자를 속이지 못한 데이터를, 감별자는 생성자에게 속은 데이터를 입력받아 학습한다.
이 과정이 반복되면서 　　㉠

GAN이 차세대 딥러닝 알고리즘으로 주목받는 이유는 기존 지도 학습 방식에서 벗어나 비지도 학습의 초석을 다졌기 때문이다.
대부분의 AI 연구는 사람이 정답을 알려주는 지도 학습 방식으로 이뤄진다.
해당 이미지가 고양이인지 개인지 태그를 달아주는 등 AI가 학습할 수 있는 방식으로 데이터를 가공하는 과정이 필요하다.
이처럼 지도 학습 방식의 한계는 대량의 데이터를 정제 과정 없이 처리할 수 없다는 점과 인간의 개입이 필요하다는 점이다.
반면 GAN은 인간이 정답을 알려주지 않아도 경쟁 과정 속에 스스로 학습한다.
대량의 데이터를 AI 스스로 학습하기 때문에 파급 효과가 더 큰 셈이다.
특히 생성 모델을 통해 직접 이미지나 음성을 만들어낸다는 점에서 다른 지도 학습형 알고리즘과 차별화된다.

GAN은 주로 이미지 생성에 활용된다.
실제 이미지를 학습해 거짓 이미지를 만들어낸다.
과거에는 전문가가 포토샵 등을 이용해 작업해야 가능했던 일을 더 빠르고 쉽게 작업할 수 있다.
또 GAN을 활용해서 간단한 스케치만으로 제품 디자인 시안을 생성해주거나 유명 화가의 그림처럼 만들어주는 일도 가능해졌다.

GAN은 영상 합성에도 활용된다.
지난 2017년 8월 미국 워싱턴대학교 연구진은 버락 오바마 전 미국 대통령의 가짜 영상을 만들어 화제가 됐다.
오바마 전 대통령의 연설 영상에서 음성을 따서 이 음성에 맞게 입 모양을 내도록 학습시켜 합성해 실제로는 존재하지 않는 영상을 만들어냈다.
GAN은 진짜 같은 가짜를 생성해준다는 점에서 높은 활용성이 기대되지만 악용 가능성에 대한 우려도 만만치 않다.
　　㉡

① ㉠: 어느 순간 감별자의 능력이 생성자의 능력을 뛰어넘는 것이 GAN의 궁극적인 목표가 된다.
　㉡: 이러한 점에서 GAN보다는 지도 학습 방식이 차세대 딥러닝 알고리즘으로서 주목받고 있다.

② ㉠: 어느 순간 감별자의 능력이 생성자의 능력을 뛰어넘는 것이 GAN의 궁극적인 목표가 된다.
　㉡: 최근 기술의 윤리성에 초점이 맞춰지는 이유도 여기에 있다.

③ ㉠: 감별자가 생성자의 거짓 데이터에 놀아나지 않도록 할 필요가 있다.
　㉡: 최근 기술의 윤리성에 초점이 맞춰지는 이유도 여기에 있다.

④ ㉠: 점점 더 실제에 가까운 거짓 데이터를 만들 수 있게 되는 것이다.
　㉡: 최근 기술의 윤리성에 초점이 맞춰지는 이유도 여기에 있다.

⑤ ㉠: 점점 더 실제에 가까운 거짓 데이터를 만들 수 있게 되는 것이다.
　㉡: 이러한 점에서 GAN보다는 지도 학습 방식이 차세대 딥러닝 알고리즘으로서 주목받고 있다.