내가 생각하는 인공지능

안녕하세요 :D

 

본격적으로 머신러닝과 딥러닝에 대한 공부를 시작하게 되었습니다. 학교 계절학기 첫 시간 수업에서 들은 내용이 저에게 큰 충격으로 다가왔기 때문에 그 내용을 정리해보려고 합니다. 저에게는 평소에 인공지능에 대해 생각하셨던 것들을 다시 되돌아볼 수 있는 계기가 되었기 때문에 블로그의 첫 글로 남겨보려고 합니다🧐

 

#1 인공지능은 없다.

첫 소제목부터 놀라시는 분들 많을 것 같습니다. 하하. 지금부터 하는 이야기들은 제가 수업시간에 들었던 내용을 토대로 저의 생각을 정리한 것이기에 편하게 읽어주시면 좋겠습니다.

 

"인공지능은 뭘까?"

 

공부를 하기 전에 그것이 무엇인지부터 알아야 하죠. 제가 말하는 인공지능은 바로 "없다."입니다.

그전에,

소위 말하는 '인공지능'이라는 것을 본격적으로 얘기하기에 앞서 필요한 3가지의 공리(axiom)를 설명하려 해요.

참고로 공리란, 어떠한 명제에 대해 가장 기초적인 근거가 되는 명제입니다. 즉, 증명할 필요가 없다는 말이겠죠.

• 법인격을 부여할 수 있는 대상으로서의 AI를 논의하지 않는다.
• '자율적 행위를 할 수 있다'는 관점의 범용 AI를 논의하지 않는다.
• AI의 행동과 그 책임은 오롯이 인간에게 있다.

이 공리들은 당연히 증명 없이 참으로 가정합니다.

 

저는 작년에 부산대 정보컴퓨터공학부에서 개최한 TeckWeek 행사에 참여한 적이 있는데요.

그중 이미지 생성에 대한 대한 행사가 있었습니다. 행사에 제출한 이미지 작품들은 우리의 '것'이라고 할 수 있는가? 에 대한 근본적인 질문을 하게 되었습니다.

여기에 대해서는 저작권의 문제도 함께 엮이게 됩니다. 상당히 복잡해졌죠...

 

아직 저는 여기에 대한 저만의 답을 내리지 못한 상황이에요😂

 

 

#2 나에겐 동의하기 힘든 단어 A.I

조금만 찾아보아도 A.I에 대한 보편적인 정의는 어디에도 없는 것을 알 수 있습니다. 기사에서 그렇게 인공지능이라는 단어를 많이 사용하는데, 신기한 상황입니다.

 

인공지능에 대해 정의한 어떤 저널을 인용해 왔습니다.

Though it is unrealistic and unnecessary to require people to define every word they use, "intelligence" in the AI context does demand a more careful treatment than it has been given to date. Its working definition matters, since different choices lead the research in different directions, rather than merely use a term differently. The current field of AI is actually a mixture of multiple research fields, each with its own goal, methods, applicable situations, etc., and they are all called "AI" mainly for historical, rather than theoretical, reasons.

- P.Wang, "On defining artificial intelligence", Journal of Artificial General Intellingence, vol.10, no.2, pp.1-37, 2019.

P.Wang의 논리에 따르면 'AI'에 대한 정의는 이론적인 것이 아니라 역사적(다시 말해, 그냥 그렇게 쓴다)인 맥락에 따른 것인데요. 여기엔 기본적으로 '지능'에 대한 정의가 필요합니다.

('지능'이라는 단어조차도 정의하기가 쉽지 않습니다. 허허)

 

구글에서 정의한 AI는 '기술'입니다. '학습'과 '추론'을 근간으로 하는 IT 관련 기술이라는 것입니다.

구글의 정의

구글의 정의까지 읽어봐도 명확하지 않습니다. 그렇다면 합의된 정의들을 살펴보죠.

 

 

#3 인공지능에 대한 합의된 정의

과거의 인공지능에 대한 4가지 주장이 나와있습니다.

이런 모호한 정의들은 모호한 결과로 이어지는데요.

딥러닝의 역사

정의해 보자면,

• (범용) AI에 대한 정의는 존재하지 않는다.
  • 지능에 대한 정의를 어떻게 할 것인지가 관건이다.
• 지금의 AI는 머신러닝/딥러닝을 지칭한다.
  • 대중적인 AI는 '어떤 것을 스스로 처리하는 무언가' ▶ AI
  • 산업계에서 AI는 '데이터를 활용하여 부가가치를 높이는 기술' ▶ 머신러닝
  • 학술계에서 AI는 '데이터를 활용하여 특정 분야에서 활용할 수 있는 기술 및 모델'
    • 머신러닝, 딥러닝, 강화학습 등으로 세분화

 

이제 조금 머릿속으로 그려지시나요?

 

 

#4 머신러닝의 시사점

 

머신러닝/딥러닝을 다루다 보면 문제를 해결하기 위한 관점들을 정리하는 것이 중요하다는 것을 알 수 있습니다. 내가 무엇을 이용하고 무엇을 해야 하고 어떠한 것을 얻고 싶어 하는지 명확히 알고 있어야 합니다.

 

만약 컴퓨터 프로그램이 특정한 태스크 T를 수행할 때 성능이 P만큼 개선되는 경험 E를 보이면 그 컴퓨터 프로그램은 태스크와 성능 P에 대해 경험 E를 학습했다고 할 수 있다.

- 머신러닝의 정의, Tom Mitchell

 

통용적으로 총 3가지 관점으로 나눌 수 있습니다.

 

1. 데이터 관점(E)
   1. 필수적이다.
   2. 숫자로 변경되어 처리되기 때문에 해석이 선행되어야 한다.
2. 학습 관점(P)
   • 딥러닝을 비롯한 대부분의 '학습'은 '블랙박스'이다. 
   • 파라미터 수정 및 튜닝이 확률과 통계를 기반으로 활용된다. ▶ 생각보다 정확하고, 의외로  불확실하다.
   • 과정에 생략되어 있기 때문에 최종 판단을 믿을 수 없다. ▶ 해석의 영역이 존재한다.
3. 결과 관점(T)

---

앞으로 공부하는데 시발점이 되길 바라며... 유명한 역설 하나 남기며 이번 포스팅 마치겠습니다.

인간에게 쉬운 것은 기계가 어렵고, 인간에게 어려운 일은 기계가 쉽게 처리한다.
- 모라벨의 역설(Moravec Hans, <<Mind Children>>, Harvard University Press, 1988.)