AI 분류 방법에도 여러 가지가 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 번째는 최근접 이웃

제2차 AI 붐에서는 ‘지식’을 많이 받아들일수록 그만큼 행동할 수는 있었지만 기본적으로 입력한 지식 이상의 것은 할 수 없었다.그리고 입력하는 지식이 보다 실용적이어야 하고, 예외에도 대응할 수 있도록 만들려고 하면 방대해져서 언제까지나 입력시킬 수는 없었다. 근본적으로는 기호와 그것이 가리키는 의미가 결부되지 않았고, 컴퓨터가 의미를 취급하는 것은 상당히 어려웠다.이러한 폐쇄감 속에 차근차근 힘을 키워온 것이 ‘기계학습’이라는 기술이며, 그 배경에는 문자 식별 등의 패턴 인식 분야에서 오랜 세월 축적돼 온 기반 기술과 증가하는

기계학습이란 인공지능 프로그램 자신이 학습하는 구조를 말한다. 도대체 학습은 무엇인가? 이떻게 하면 학습했다고 말할 수 있는 것인가?학습의 근간을 두는 것은 ‘분류한다’는 처리이다. 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

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

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

제2차 AI 붐은 ‘지식’을 입력하는 것으로 인공지능의 능력 향상을 도모해 왔다. 그러나 왓슨의 성능이 아무리 좋아진 것처럼 보였다고 해도 질문의 ‘의미’를 이해한다는 것은 정말로 어려운 것이다.기계 번역은 인공지능이 시작된 이래 오래전부터 연구되고 있지만 매우 곤란한 과제 중 하나다. 물론 1990년대부터의 ‘통계적 자연어처리’에 의해 성능은 크게 향상됐다.구글 번역 등은 훌륭한 기술이지만 그래도 아직 번역의 정밀도가 실용에 부합하는 것인 아니다. 컴퓨터가 알아서 척척 번역해 주면 한국인이나 일본인도 영어공부 때문에 이렇게까지 고

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

제2차 AI 붐에 있어서 ‘지식’을 사용한 인공지능의 가장 유력한 것은 ‘익스퍼트 시스템’이다. 어떤 전문 분야의 지식을 받아들이고 추론을 하는 것으로 그 분야의 익스퍼트와 같이 대접하는 프로그램이다.1970년대 초에 스탠포드대학에서 개발된 마이신이 유명하다.마이신은 전염성 혈액 질환 환자를 진단하고 항생 물질을 처방하도록 디자인돼 있다. 500가지의 룰이 준비돼 질문에 따라 차례로 대답해 가면, 감염된 세균을 특별히 정하고 거기에 부합한 항생 물질을 처방할 수 있다.이른바 감염증 전문 의사 대신 진단을 내리는 것이 기대되는 시스템

인공지능 연구는 1970년대에 일단 수그러지는데 토이프로블럼은 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 컴퓨터에 반영시키면 된다. 그리고 변호사의 역할이라면 ‘법률에 관한 많은 지식’을 넣어 두면 된다.그렇게 된다면 미로를 푼다

지금까지는 게임을 할 때 각각의 말의 수나 위치 관계에 점수를 매겨서 반상을 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

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

제1차 AI 붐에서는 인공지능이 드디어 실현된다는 낙관적인 예측을 바탕으로 야심 찬 연구가 차례로 실행에 옮겨졌다. 이 시기에 중심적인 역할을 한 것이 ‘추론’과 ‘탐색’의 연구이다.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.시작 지점과 도착지점, 거기에

세상에는 ‘인공지능 탑재’를 붙인 제품이나 서비스가 많이 존재하는 반면 전문가들 사이에는 아직 인공지능은 실현되지 않고 있다는 인식을 하고 있다.그렇다면 왜 아직도 인공지능이 미완성이라는 것일까? 그 대답의 실마리를 풀기 위해서 인공지능의 역사를 확인할 필요가 있다.인공지능 연구는 지금까지 ‘붐’과 ‘겨울의 시대’를 되풀이햐 왔다. 제1차 AI 붐은 1950년대 후반~1960년대를 말한다.컴퓨터로 추론과 탐색을 하는 것으로 특정한 문제를 푸는 연구가 진행됐다. 그러나 소위 ‘토이프로블럼’은 풀려도 복잡한 현실의 문제는 풀리지 않는

최근 ‘인공지능을 탑재한 제품 발매’라든가 ‘인공지능을 사용한 시스템 개발’등 최근 여기저기서 인공지능이라는 말이 많이 들려온다.인공지능 관련된 논의를 보면 ‘지능의 실현을 구성론적으로 목표하는 학문 영역’과는 상당히 성질이 달라 보인다. 이 차이를 어떻게 생각하면 좋을까.인공지능의 연구 분야에서는 예전부터 ‘강한 AI’와 ‘약한 AI’라는 논의가 있었다.본래는 철학자 존 설이 말한 것으로 ‘정확한 입력과 출력을 갖추고 적절하게 프로그램 된 컴퓨터는 인간이 마음을 가지는 것과 완전히 같은 의미로 마음을 가진다’라는 입장을 ‘강한 A

인공지능 연구와 로봇 연구를 거의 같은 것이라고 생각하는 사람이 적지 않다. 그러나 전문가 사이에서는 이 두 가지를 명확히 다르게 바라본다. 단순하게 말하면 로봇의 뇌에 해당하는 것이 인공지능이다.로봇 연구에서는 뇌 이외의 부분을 연구하고 있는 사람도 많이 있기 때문에 로봇 연구자의 전체가 아니라 그 일부가 인공지능 연구자라고 할 수 있다.그리고 인공지능의 연구 대상은 로봇의 뇌 뿐만이 아니다. 예를 들면 장기나 바둑과 같이 추상적인 게임의 연구에서는 로봇과 같은 물리적인 신체가 필요하지 않다.또 의사의 진단이나 변호사의 조언 같은

인간의 뇌 속에는 다수의 신경 세포가 있고 그곳을 전기 신호가 오가고 있다. 뇌의 신경 세포 속 시냅스라는 부분에서는 전압이 일정 이상 되면 신경 전달 물질을 분비하고, 그것이 다음 신경세포에 전달되면 전기 신호가 전해진다.즉 뇌는 어떻게 보아도 전기 회로인 것이다. 뇌는 전기가 전기 회로를 왕래하는 것으로 일하며 학습을 하면 이 전기 회로가 조금 변화한다.전기 회로라는 것은 컴퓨터에 내장돼 있는 CPU에 비유되듯이 통상적으로 어떠한 계산을 행하는 것이다.PC 소프트웨어, 웹사이트, 스마트폰 어플리케이션 모두 프로그램으로 돼 있어서

인공지능이 세상을 뒤흔들고 있지만 사실 인공지능은 2020년 현재, 완성돼 있지 않다. 이것이 많은 사람들이 오해하고 있는 부분일 것이다.최근 인공지능을 탑재한 상품이나 인공지능을 사용한 시스템이 늘어나고 있는 현실에서 ‘아직 인공지능이 완성돼 있지 않다’라고 하면 놀랄 사람들이 많겠지만 정확히 말하면 진정한 의미에서의 인공지능, 즉 ‘인간과 같이 생각하는 컴퓨터’는 아직 미완성이라는 뜻이다.인간의 지능 원리를 해명하고 그것을 공학적으로 실현하는 인공지능은 아직 세상 어디에도 존재하지 않는다. 따라서 인공지능을 사용한 제품이나 인공

2013년 구글은 인공지능 연구를 위해 최근 화제의 신기술인 ‘딥러닝’의 제1인자인 토론토 대학 제프리 힌튼 교수가 시작한 벤처 DNN 리서치 회사를 매수했다.소위 아퀴하이어라고 불리는 인재 획득을 위한 기업 매수 기법으로 힌튼과 학생들 등 우수한 인재를 확보하기 위한 목적으로 DNN 리서치를 인수한 것이다.구글은 다음 해에 영국의 딥마인드 테크놀로지스사를 매수했다. 사원이 고작 몇 십 명뿐인 회사로 페이스북과 서로 경쟁한 끝에 4억 달러의 가치가 매겨져 세상을 놀라게 했다.사업으로서의 가치나 고객이 얼마나 많은가를 본 것이 아니고

인공지능의 진화로 인해 인간의 일자리를 순차적으로 빼앗기는 것은 아닐까 걱정하는 목소리가 들려오고 있다. 물론 어느 시점에서는 인공지능이 대량의 실업을 만들어 내는 사태를 일으킬지도 모른다.2014년 영국 딜로이시트사는 영국의 일자리 가운데 35%가 이루 20년간 로봇으로 대체될 가능성이 있다는 보고서를 발표했다.연봉 3만파운드 미만의 사람은 연봉 10만 파운드 이상의 사람과 비교해서 기계에게 일자리를 빼앗길 확률이 5배 이상 높다고 한다.게다가 옥스퍼드대학의 연구 보고서에 따르면 향후 10~20년 안에 IT화의 영향으로 미국에서

인터넷은 인공지능 기술의 보고이다. 검색 엔진 안에는 ‘기계학습’이라는 인공지능의 기술이 상당히 많이 사용되고 있다. 기계학습은 사용자가 키워드를 넣었을 때 최종적으로 클릭한 페이지의 결과를 그 웹페이지의 특성과 함께 학습한다.질이 낮은 페이지를 분별하거나 유해한 콘텐츠를 분별하는 것도 기계학습의 일 중 하나다. 이렇게 학습된 정보를 바탕으로 기계학습은 사용자의 키워드에 맞는 가장 적절한 페이지를 빠르게 표시해 준다.이메일 서비스에는 성가신 메일의 필터링 기능이 탑재되고 있다. 이것도 전형적인 인공지능이며 기계학습의 결과다. 기계학