[Bitamin] 1. 인공지능 입문

큰틀만 정리한 필기

일단 인공지능은 필기된 교재(혼자 공부하는 머신러닝+딥러닝)의 정의 이외에도 "사람처럼 생각하고 사람처럼 행동하는 기계를 만드는 연구", "사람처럼 보고 듣고 느끼고 말하고 행동하는 기계를 만드는 연구" 등이 있다.

​

인공지능을 보는 관점 중 첫번째 인지모델링 접근 방식은 인간과 같은 사고를 하는 것이 인공지능의 조건이라고 바라본다.

인간처럼 환경에서 지각하고, 이해하고 사고하는 기계를 만들기 위해서는 인간이 사고하는 방식을 이해할 필요가 있다고 말하며 그 예시로는 Newell & Simon 의 "General Problem Solver"가 있는데, 인간의 문제 해결 방식을 모방하는 범용 프로그램을 인간의 사고 과정을 논리적 기호로 표현하여 '인간적 사고' 접근 방식을 구체화한 프로그램으로 프로그래머가 규격화 된 방법으로 계속 정보를 제공하고 새로운 문제를 해결해야 한다는 한계가 있다.

general problem solver의 예시

두번째 관점은 사고의 법칙 접근 방식으로, 논리적 사고를 중요시 한다. 대표적인 예시로 아리스토텔레스는 올바른 사고와 반박할 수 없는 추론 과정을 시도했으며, 이러한 사고의 법칙들이 정신의 작동은 관장한다고 간주한 학자들의 연구에 의해 논리학이 형성되었다. 이에 논리주의자들이 주장하는 지능적 시스템을 생성하는 프로그램은 그 어떤 문제도 원칙적으로 풀 수 있는 프로그램과 동일시 된다.

​

세번째 관점은 합리적인 에이전트 접근 방식으로, 논리적으로 행동하는 것을 중요시한다. 에이전트란 단순한 '프로그램'이 아닌, 센서를 통해서 환경을 인식하며 자율적 제어 하에 작동하고 주위 환경을 지각하며 변화에 적응하는 속성을 지닌 시스템을 의미한다. 합리적인 에이전트는 불확실성이 있는 경우 최상의 기대결과를 얻을 수 있도록 행동하며 정확한 추론을 강조한다. 이 관점은 "사고의 법칙"보다는 일반적이며 인간의 사고에 기초한 접근방식보다 더 과학적 개발의 원리를 따른다는 장점이 있다.

​

마지막으로 튜링 테스트 접근 방식은 인간과 같은 행동을 중요시하는 관점이다. 기본적인 튜링 테스트는 하나의 컴퓨터와 인간이 각각 질의자와 응답자 둘의 역할을 맡고, 컴퓨터가 인간처럼 대화할 수 있다면 그 컴퓨터는 인간처럼 사고할 수 있다고 본다. 이에 대한 반박으로 중국어를 하나도 모르는 화자가 방 안에서 중국어와 영어 표현이 어떻게 상응되는지 모양새를 통해 알려주는 지침서가 있다면 주어진 질문에 대해 중국어를 하나도 이해하지 못해도 중국어로 대화가 가능하다는 중국어 방 논증이 있다.

​

강인공지능에 비지도학습과 강화학습이, 약인공지능에 지도학습이 포함된다.

인공지능의 역사를 보자.

인공지능 태동기

인공지능 황금기

이후 컴퓨터 성능의 한계로 인해 황금기에 등장한 인공지능 연구가 간단한 문제 해결에 그치자 첫번째 AI 겨울이 도래한다. 이 기간 연구와 투자가 크게 감소했으나 이후 전문가 시스탬이 등장하면서 두번째 AI 붐이 불고, 이 역시 한계를 드러내고 다시 AI 겨울을 맞이한다.

인공지능 겨울과 붐

그러나 그 시기를 극복하고 인공지능은 다시 각광을 받시 시작했으며 영화나 소설에는 인공지능이 흔하게 등장한다. 그러나 영화와 현실에는 차이가 있는데, 그 이유는 영화에서는 대부분 위에서 설명한 강인공지능(=인공일반지능)을 다루기 때문이다.

현재의 인공지능

머신러닝이란 인공지능의 하위 분야 중에서 지능을 구현하기 위한 소프트웨어를 담담하는 핵심 분야로, "인공적인 학습 시스템을 연구하는 과학과 기술" 또는 "경험적인 데이터를 바탕으로 지식을 자동으로 습득하여 스스로 성능을 향상시키는 기술" 이라고 할 수 있다.

​

머신러닝의 종류 중 감독학습(=지도학습)은 입력과 목표 출력의 쌍으로 된 학습 데이터를 이용하여 입력에서 출력으로의 사상을 학습하는 것을 의미하며, 데이터 x (입력, input)이 주어졌을 때 해당되는 레이블 y (타깃, target)을 찾는 문제에서 주로 이용된다.

감독 학습

감독학습 사용하는 알고리즘

그러한 알고리즘에는 퍼셉트론 학습 알고리즘, k-최근접 이웃, 결정 트리 등이 있다.

​

무감독 학습(=비지도 학습)은 타깃을 모르는 사진을 종류별로 분류하는 등 입력 데이터만을 사용하는 머신러닝의 종류로, 목표출력이 없어서 오류함수를 사용할 수 없고 왜곡함수를 이용하여 주어진 데이터점들 간의 거리(유사성)을 측정한다. 무감독 학습을 사용하는 알고리즘에는 k-평균 클러스터링이 있다.

무감독 학습

무감독 학습을 사용하는 알고리즘

마지막으로 강화학습은 시행착오를 통해 학습하는 방법으로, 강화를 바탕으로 실수와 보상을 통해 학습을 하여 목표를 찾아가는 알고리즘을 의미한다. 보상을 통해 가중ㅊㅣ와 편향을 학습하며, 환경에 대한 사전지식이 없는 상태이다.

에이전트의 상태나 행동에 대한 보상 최적화 정책을 찾는 문제 등에 이용되며, 학습이 진행되면서 데이터가 순차적으로 관측된다.

그 예시로는 시행착오를 통해 바둑을 학습한 알파고와 구글 알타리 게임이 있다. 시행착오를 통해 오차를 줄여나간다.

강화학습

수식으로 나타내면 이렇게 나타낼 수 있다.

* 머신러닝 알고리즘 중에서 인공 신경망을 기반으로 한 방법들을 통칭하여 딥러닝이라고 부른다.

(인공신경망 = 딥러닝)

뇌의 시각피질을 딥러닝 구조에 적용하여 뇌인지과학적 배경을 갖고 있다.

하위층에서 상위층으로 점차 복잡한 정보 처리를 할 수 있다. (예: 선 탐지 -> 엣지 검출 -> 물체 인식)