스포티파이(Spotify) 및 판도라(Pandora)와 같은 음악 스트리밍 서비스에서 내가 좋아하는 노래를 어떻게 찾아 주는 것일까? 또 페이스북과 구글은 내가 흥미로워 하는 기사를 어떻게 찾는 것일까?많은 기술 회사는 기계 학습 알고리즘을 사용하여 개인화된 제품 제안을 제공한다. 이러한 알고리즘은 인터넷 어디에서나 찾을 수 있다. 그러한 알고리즘 중 하나가 현재 읽고 있는 뉴스 기사로 연결했을 수도 있다.기본적으로 알고리즘은 특정 작업을 완료하는 방법을 자세히 설명하는 일련의 지침이다.예를 들어 단어 목록을 알파벳순으로 정렬하는
AI는 강력한 딥러닝 능력을 갖추고 있기 때문에 AI에 심사 기능을 부여하면 심사와 검증 작업을 훨씬 더 간편하고 신속하게 진행할 수 있으며 심사의 효율성도 극대화할 수 있다. 이 분야에서는 중국의 배달앱 기업인 메이퇀뎬핑이 앞서 나가고 있다.메이퇀뎬핑은 현재 중국에서 가장 큰 O2O(온라인과 오프라인을 연결하는 방식의 서비스) 생활 서비스 온라인 플랫폼으로 꼽힌다.이 플랫폼에서는 매일 동영상, 문자, 사진 등 각양각색의 방대한 콘텐츠가 생산되고 있다. 그런데 이런 콘텐츠를 심사하는 데는 막대한 시간과 노동력이 소요된다.이런 상황을
기계학습의 유망한 분야 중 하나인 뉴럴 네트워크가 최근 주목받고 있다. 지금까지 기계학습 분야는 자연어처리, 구조화된 데이터, 이미지나 음성 등의 멀티미디어, 로봇 등의 영역에서 연구돼 왔다.그중에서도 웹의 등장 이후에는 자연어처리와 기계학습이 제대로 팀을 이뤄 올라왔다고 볼 수 있다.그런데 최근의 돌파구는 이미지 인식 분야에서 일어났다. 따라서 여기에서는 이미지를 통한 기계학습을 예로 들어보도록 하자.자주 사용되는 예가 최근 스마트폰에도 많이 적용되고 있는 손글씨 문자 식별이다. 손글씨 문자 식별이란 간단한 예로 우체국의 우편 번
싱귤래리티는 기술적 특이점이라고 하며 정의는 확실하지 않다. 다만 싱귤래리티라는 단어를 사용한 서적 등을 살펴보면 대략 다음과 같은 것을 싱귤래리티라고 한다.인공지능이 인간의 손을 빌리지 않고 자율적으로 현명해지는 것, 학습을 반복함으로써 인공지능이 인간 이상의 지성을 가질 가능성이 있는 것, 인공지능이 인간 이상의 지성을 갖게 되면 마침내 인간과 대립하게 되고 인공지능과 인간의 전쟁이 일어나는 것 이다.이중 자율적으로 현명해지는 것은 가능성이 있을지도 모르겠다. 다만 ‘현명해진다’라는 의미는 여러 가지가 있다.미국 구글은 Auto
인공지능의 서툰점은 전혀 경험(학습)하지 않은 상황에 대응하는 것이다.지금의 인공지능은 다양한 데이터를 적절하게 학습시키면 미지의 데이터에도 대응하는 응용력을 갖고 있다. 다만 응용력에는 한계가 있고 지금까지 존재하지 않은 완전하게 미지의 것에 대한 예측 정확도는 기대할 수 없다.사실 이것은 인간도 마찬가지이다. 이해하기 쉽도록 극단적인 예를 들어보자.가령 지구 이외의 별에서 생명체가 발견되고 이것이 본적 없는 형태를 하고 있는 경우 그 생명체를 외관을 보는 것만으로 생물학상 어느 분류에 속하는지를 판단하는 것은 어려울 것이다.인간
인공지능이 인간을 정복하지 못할 것이라는 생각을 가지고 있다 하더라도 사회적인 불안이 존재한다면 전문가는 우려하는 상황을 준비해야 한다.인공지능학회에서는 2014년에 윤리위원회를 시작하고 인공지능이 사회에 초래하는 임팩트에 대해 첫논의를 시작한바 있다.먼저 기술의 현상에 대한 인식을 정확하게 가질 필요가 있다. 기계와 인간이 뒤섞이는 사회가 된 것은 틀림없는 사실이다.인간의 지적 처리의 폭은 보다 넓어지고 있고, 인간 사회는 거기에 적응하고 있다. 한쪽에서는 싱귤래리티에서 논의되고 있는 ‘진정으로 자기를 설계할 수 있는 인공지능’의
딥러닝은 ‘데이터를 바탕으로 무엇을 특징표현해야 할까?’라는 지금까지 가장 어려웠던 부분을 해결하는 한줄기 빛이 보였다는 의미에서 인공지능 연구를 비약적으로 발전시킬 가능성을 지니고 있다.그런데 사실 딥러닝에서 하고 있는 것은 주성분 분석을 비선형으로 여러 층으로 한 것 뿐이다. 즉 데이터 안에서 특징이나 개념을 찾고, 그 덩어리를 사용하고, 더 큰 덩어리를 찾는 것이다. 뭐라 할 말 없는 정말 단순하고 소박한 아이디어다.실제로 딥러닝의 아이디어에 상당히 가까운 것은 과거부터 존재했다. 이미 1980년대에 당시 NHK의 연구소에 근
인공지능이 발전하면 인간과 같은 개념을 가지고 인간과 같은 사고를 하고 인간과 같은 자아나 욕망을 갖는다고 생각하는 경향이 있지만 실제로는 그렇지 않다.우선 인간이 ‘지식’을 가르치는 것이 아니고 컴퓨터가 스스로 특징이나 개념을 획득하는 딥러닝에서는 컴퓨터가 만들어 낸 ‘개념’이 사실 인간이 가지고 있던 ‘개념’과는 다른 케이스가 생길 수 있다.인간이 고양이를 인식할 때 ‘눈이나 귀의 형태’, ‘수염’, ‘전체의 형상’, ‘울음소리’, ‘털의 모양’, ‘발바닥의 부드러움’ 등을 ‘특징’으로 사용하고 있었다고 해 보자.하지만 컴퓨터는
구글의 연구자들이 발표해 유명해진 ‘구글의 고양이 인식’ 리서치가 주목을 끌고 있다.손으로 쓴 문자를 입력하는 것이 아니라 유튜브 동영상에서 천만 장의 이미지를 꺼내서 그것을 입력했다. 일반적인 이미지를 다루기 때문에 당연히 손으로 쓴 문자의 경우보다 힘들고, 이용하는 뉴럴네트워크는 보다 거대해진다.아래층에서는 점이나 엣지 등의 이미지에 자주 검출되는 ‘모양’을 인식하는 것뿐이지만 위로 가면서 원이나 삼각 등의 모형을 인식할 수 있게 된다.그리고 그것들을 조합해서 둥근형 속에 2개의 점이 있고 그 한복판에 세로로 한 줄기 복잡한 부
프레임 문제와 함께 인공지능의 난제로 여겨지는 또 하나가 심볼그라운딩이다. 인지 과학자인 스테반 하나드에 의해 논의된 것으로 기호를 그것이 의미하는 것과 결부시킬 수 있는 것인가아닌가를 묻는 것이다.컴퓨터는 기호의 ‘의미’를 알지 못하므로 기호를 의미하는 것과 결부시킬 수 없다.예를 들면 얼룩말을 본 적이 없는 사람이 있는데 그 사람에게 ‘얼룩말이라는 동물이 있고, 얼룩이 있는 말이다’라고 가르치면 진짜 얼룩말을 본 순간 그 사람은 ‘저것이 이야기에서 나왔던 얼룩말일지도 모른다’고 바로 인식할 수 있을 것이다.이것은 인간이 말의 의
기계학습이란 인공지능 프로그램 자신이 학습하는 구조를 말한다. 도대체 학습은 무엇인가? 이떻게 하면 학습했다고 말할 수 있는 것인가?학습의 근간을 두는 것은 ‘분류한다’는 것이다. 잘 분류할 수 있으면 사물을 이해할 수도 있고 판단해서 행동할 수도 있을 것이다. 분류한다는 것은 그러한 학습 과정의 가장 기본적인 단계인데, 다시 말해 예, 아니오로 대답하는 문제인 것이다.기계학습은 크게 ‘지도 학습’과 ‘비지도 학습’으로 나눌 수 있다.‘지도 학습’은 ‘입력’과 ‘올바른 출력’이 세트가 된 훈련 데이터를 미리 준비하고, 어떤 입력이
하이테크가 발달하면서 AI 분류 방법이 속출하고 있다. 신문 기사를 카테고리로 분류하는 것을 생각해 보자. 우선은 컴퓨터가 훈련용 데이터를 읽고 기사에 나오는 단어를 바탕으로 어떠한 공간을 만든다.예를 들어 기사에 나오는 단어로부터 가장 자주 나오는 것을 100개 선택하고 100차원 공간을 만들면 1개의 기사는 이 공간상 1개의 점으로서 나타날 수 있다.이 공간에서는 같은 단어가 나오는 기사는 근처에, 나오지 않는 기사는 멀리 떨어져 있게 매칭된다.선을 긋는 방법에는 여러 가지 방법이 있고 각각 다른 가설에 근거하고 있다. 첫 번째
'토큰 이코노미'란 사람의 행동이나 물건을 토큰대용 화폐로 가치를 매기고 토큰을 교환하는 것, 토큰을 이용하는 커뮤니티 상권와 토큰 교환을 실현하는 구조를 모두 포함한다. 토큰은 암호 화폐가상 화폐로 실제 사용하고 있다. 이미 운용되고 있는 토큰 이코노미를 보면 상당수가 가상 화폐인 이더리움을 이용하고 있다.토큰 이코노미의 흐름을 예로 들면 다음과 같다. 기업이 고객의 가치 있는 행동에 대해 토큰을 발행한다. 고객은 다른 고객에게서 행동이나 물품 등을 받으면 그 가치에 상응하는 토큰을 건네준다. 고객은 모은 토큰을 기업의 서비스나
라이트웨이트 온톨로지의 하나의 궁극 모형이라고 말할 수 있는 것이 IBM이 개발한 인공지능 ‘왓슨’이다. 왓슨은 2011년에 미국의 퀴즈 프로그램 ‘죠파디’에 출연해 역대 챔피언과 대결해 승리하면서 일약 각광을 받았다.이는 예전부터 지금까지 있었던 질문 응답이라는 연구 분야의 성과이기도 하다. 위키피디아의 기술을 바탕으로 라이트웨이트 온톨로지를 생성하고 그것을 정답에 사용하고 있다.왓슨 자체는 질문의 의미를 이해해서 대답하는 것이 아니고 질문에 포함되는 키워드와 관련될 것 같은 대답을 빠르게 끌어낸다.인간의 퀴즈 왕처럼 질문을 이해
인공지능에 있어서 프레임 문제도 어려운 문제 중 하나로 알려져 있다. 원래는 인공지능의 대가 중 한 사람인 존 매카시의 논의로부터 시작되고 있지만 철학자 대니얼 데닛이 고안한 예를 들어 설명하기로 한다.동굴 안에 로봇을 움직이게 하는 배터리가 있고 그 위에 시한폭탄이 장착돼 있다. 로봇은 배터리를 가져오지 않으면 배터리가 다 떨어져 움직일 수 없게 되므로 동굴에서 배터리를 가져오라는 지시를 받았다.연구자들은 이것을 수행시키기 위해 로봇을 설계했다.로봇 1호는 배터리를 동굴에서 가져올 수 있었다. 그러나 로봇은 배터리 위에 놓여 있는
추론은 인간의 사고 과정을 기호로 표현해 실행하는 것이지만 처리의 측면에서는 탐색과 가깝다. 탐색을 생각할 때는 미로를 떠올리면 이해하기 쉽다.미로를 인간이 풀 때는 막다른 곳에 도달할 때까지 손가락이나 펜으로 덧쓰면서 이동하며 골인을 목표로 한다. 그러나 컴퓨터는 이런 방식으로는 풀기 어려우므로 대신 문제를 바꿔 읽는다.제1차 AI 붐에서는 인공지능이 드디어 실현된다는 낙관적인 예측을 바탕으로 야심찬 연구가 차례로 실행에 옮겨졌다. 이 시기에 중심적인 역할을 한 것이 ‘추론’과 ‘탐색’의 연구이다.시작 지점과 도착지점, 거기에 길
지금까지는 게임을 할 때 각각의 말의 수나 위치 관계에 점수를 매겨서 평가하고 있다. 그러나 그 점수를 매기는 방법이 묘미라서 극단적인 이야기로 어떤 국면을 어떤 식으로 평가하는가에 따라 소프트웨어가 강하다는 것이 결정되고 있었다.점수를 매기는 방법은 어디까지나 인간이 정하고 있었던 것이다.그런데 몬테카를로법에서는 180도 발상을 바꿔 어떤 국면까지 오면 말의 수나 위치 관계에 의해 점수 매기기를 포기한다.눈앞의 반상을 어떻게 평가할 것일지는 그곳에서 번갈아 가며 완전히 랜덤하게 계속 수를 두어 어쨌든 끝내게 되는 것이다.그 다음에
인류는 꼬리를 물고 등장하는 '인공지능(AI) 난제들'을 하나씩 해결하면서 업그레이드 해왔다. 인공지능 연구는 1970년대에 일단 수그러지는데, 토이 프로블럼(Toy Problem)은 풀려도 현실의 문제는 풀리지 않는다는 한계가 밝혀졌기 때문이다.이후 1980년대에 다시 기세를 되찾았는데 이번에는 공장의 생산현장 등 현실 산업 영역에서 응용되기 시작했다.추론과 탐색을 위한 단순한 룰로 인공지능을 실현하려고 했던 제1차 붐과는 다르게 제1차 AI 붐을 유지한 것은 ‘지식’이다.예를 들어 의사의 역할이라면 ‘병에 관한 많은 지식’을 컴
1997년 IBM이 개발한 슈퍼컴퓨터 ‘딥블루’가 당시의 체스 세계 챔피언 게리 카스파로프와 대전해 승리로 거뒀다. 결국 인류가 컴퓨터에 패했다는 사실로 인해 전 세계에 충격을 안겨 줬다.또 내 편에서 잡고 있는 상대편의 말을 사용할 수 있는 일본 장기로 컴퓨터가 인간에게 이기는 것은 당분간 힘들 것이라고 생각했었다.그러나 2012년 제1회 장기전왕에서 당시의 일본 장기연맹 회장인 요네나가 구니오 영세기성이 전년의 세계 컴퓨터 장기선수권의 우승 소프트웨어 ‘본크라이즈’와의 대전에서 패배했다.그의 저서 에서는 컴퓨터
AI기술이 다양하게 구현되고 있는 메타버스(Metaverse)우리에게 잘 알려진 페이스북(Face book)을 만든 기업 ‘메타(Meta)’는 사용자가 현실 세계에서와 마찬가지로 상호작용하고, 게임을 하고, 무언가를 만들 수 있는 가상현실 세계인 메타버스(Metaverse)를 발표했다. 사용자는 메타버스 속에서 3D 디지털 개체 및 가상 아바타와 상호 작용할 수 있다.메타버스는 인공지능과 블록체인과 함께 증강현실(AR)과 가상현실(VR)을 사용하여 가상 세계를 만드는 것이다. ‘메타(Meta)’는 Instagram 등과 같은 플랫폼