[AI 입문] 인공지능의 이해

1. 튜링 테스트

• 기계가 얼마나 인간을 잘 흉내 내는가 테스트
• 이미테이션 게임에서 착안

2. AI 패러독스 (Paradox)

• 인공지능의 실용적 정의: 인공지능의 원리보다는 결과에 주안점을 두는 (귀납적) 정의가 우세.
• 어제의 AI로 간주되던 것이 오늘은 'AI'로 정의되지 않는 경우가 있음.
• ex) 체스 챔피언을 이긴 Deep(er) Blue. 오늘날의 컴퓨터로는 체스를 탐색 알고리즘만으로 해결 가능. 따라서 이제는 체스 두는 것은 AI로 간주되지 않음. 바둑은 여전히 AI의 영역임.

3. 인공지능의 주요 접근 방식

기호주의 (Symbolism)

• 지능적 문제해결 알고리즘에 초점
• 흑묘백묘, 새 ==> 비행기
• 문제해결에 필요한 지식을 수작업으로 구축한 후에 이를 바탕으로 탐색 및 추론 등의 해결방식 고안\
• 탐색과 추론 등의 기술 발전에 기여

통계적 접근 (Statistics)

• 베이지안 추론, 회귀 등 통계학의 기법을 적용(경험론적 접근은 아님)
• SVM, KCA 등 일부 전통적인 머신러닝 기법 고안
• 추론과 학습 기술의 발전에 기여

연결주의 (Connectionism)

• 인간 두뇌의 생물학적 신경망의 구조 및 동작을 모방
• 퍼셉트론, 다층 퍼셉트론, 딥러닝 등으로 발전하면서 현재의 핵심 머신러닝 기법으로 정착
• 학습(머신러닝, machine learning) 기술인 신경망(neural network)을 발전시킴

4. 인공지능의 주요 접근 수단

탐색

• 기술의 내용: A*, min-max 알고리즘, α-β pruning, 몬테카를로 탐색 등
• 문제에 대한 최적의 해를 찾는 것
• 문제의 해가 될 수 있는 후보 해의 집합(set) 또는 공간(space)을 체계적으로 검사
• 다양한 탐색 방식이 존재 (효율성)
• 게임 탐색은 '나'와 '상대방' 의 입장을 고려

추론

• 기술의 내용: 규칙 기반, 논리(logic), 프레임 기반, 베이지안 추론 등
• 추론(inference): 사실과 전제로부터 결론을 유추해 내는 것
• 지식표현(knowledge representation): 사실과 전제 등을 컴퓨터 데이터로 표현하는 방법
• 논리기반: 논리학을 기초로 수학적 정리(theorem) 등 증명, PROLOG 등 전용 프로그래밍 언어
• 규칙 기반: 의사결정시스템, 전문가 시스템, 자연어처리(주로 번역), 인간(전문가)의 수작업 기반 전문 지식 구축

학습

• 기술의 내용: 신경망 & 딥러닝, 회귀, SVM, KNN, PCA 등
• 원시지식(raw knowledge)의 정형화된 데이터를 대상
• 상관관계 분석, 분류(classification), 군집화(clustering), 차원 축소 등 추론 작업을 자동으로 수행
• 추론에 필요한 지식의 자동 추출 및 축적 -> 인간의 수작업 필요 X
• 수학 및 통계학 기반 전통적인 머신러닝 -> PCA, KNN, SVM, 90년대에 많이 활용, 현재에는 일부 응용분야에만 활용됨
• 인공 신경망(artificial neural network): 생물학적 신경망을 모방, 학습은 연결강도 조정
  • 퍼셉트론: 선형 분류만 가능
  • 다층퍼셉트론: 비선형 분류 가능
  • 딥러닝: 대규모 다양한 기능의 모델(알고리즘) 고안, 실용화 가속화

5. AI의 역사: 2번의 겨울

AI의 역사에서 2번의 겨울이 있었다.

각각 겨울이 온 이유, 특정 전문분야에 중점, 반도체 기술 발전으로 CPU, GPU, AI 반도체 기술 뒷받침, 빅데이터의 축적으로 대규모 학습데이터 구축

첫 번째 겨울 (1970년대 중반 ~ 1980년)

• AI 연구자들의 낙관
• 지나치게 담대한 포부: 너무 포괄적이고 광범위한 범위의 문제 해결을 위한 일반적인 방법에 주안점을 둠
• 결과: AI에 대한 지원 중단

인공지능의 재도약기 (1980년 ~ 1980년대 중후반)

• 전문가 시스템: AI 문제 해결은 특정 전문 분야별로 제한해야 한다는 사실을 깨달음.
  • (이전AI 연구자는 인간의 대부분 문제를 풀 수 있는 똑똑한 탐색 알고리즘과 추론 기법을 만들 수 있다고 믿음.)
  • 규칙 기반(논리 기반이 아님)
• 신경망의 부활
  • 기존 신경망의 한계 극복 해법 발견
    • 다층 퍼셉트론(MLP, multilayer-perceptron)을 통한 비선형성 도입
    • 역전파 알고리즘(backpropagation)을 통한 학습법

두 번째 겨울 (1980년대 후반 ~ 1990년대 초반)

• 전문가 시스템의 쇠락
  • 대규모 전문지식 구축의 어려움 등으로 실용성 부족
  • 쇠락원인: 비용이 많이 들고 유지보수 어려움, 컴퓨터 성능 부족, 데이터 부족
• 신경망의 상용화 실패
  • 실환경 문제에 대한 신경망의 성능 결핍

인공지능의 충전기 (1990년대 초반 ~ 2010년)

• 지능형 에이전트 연구 시작
• 머신러닝 기법
• AI 빅 이벤트 (딥 블루가 체스 챔피언 이김), 왓슨이 TV 퀴즈쇼 승리
• 딥러닝 가능성 시연
  • DBN (Deep Belief Net) 발표
  • 딥러닝
  • 빅데이터 시대 개시

인공지능 실용화 (2010년 ~ 현재)

• DNN, 딥페이스, GAN, 트랜스포머(Transformer)

 

6. 신경망의 시작

(1957 로젠블럿 마크1 퍼셉트론)과 (단층)퍼셉트론 한계, 원리, 현대 AI의 주류는 심층신경망(딥러닝 Deep Learning), 인공(심층)신경망), (AI의 주요 접근수단인 탐색, 추론, 학습 중에서 학습에 해당)

심층 신경망: 3층 이상의 신경망, 현대에서 주류, 입력층은 층수로 카운트하지 않음, 출력층은 카운트 함.