|
:: 게시판
:: 이전 게시판
|
- 자유 주제로 사용할 수 있는 게시판입니다.
- 토론 게시판의 용도를 겸합니다.
통합규정 1.3 이용안내 인용"Pgr은 '명문화된 삭제규정'이 반드시 필요하지 않은 분을 환영합니다.법 없이도 사는 사람, 남에게 상처를 주지 않으면서 같이 이야기 나눌 수 있는 분이면 좋겠습니다."
19/09/14 01:29
인공신경망이 인간의 신경망 모방해서 만드는건데요..
저런식으로 생각하면 인간의 뇌도 통계로 작동하는 규칙저장 장치라는 틀에 크게 다르지 않을겁니다. 단지 연산량과 연산 속도가 어마어마하게 차이나는거 뿐이죠...
19/09/14 01:46
저도 이렇게 생각합니다. 인간의 뇌가 기계고 인간의 지능이 뇌에서 돌아가는 연산이라고 봐야한다고 생각합니다. '수학적 모델링이 가능하다면 그건 이미 지능이라고 부를 수 없음. 지능은 굉장한 거라능!' 이라고 주장한다면 그건 가불기죠.
19/09/14 01:53
현대에 인공지능이라 불리는 알고리즘의 수학적 원리를 다 알고 있는 분들 입장에선 단순 컴퓨터 기술에 불과할뿐인 알고리즘 가지고 대중에 널리 퍼진 오개념을 악용해서 투자금을 모으고 사람들에게 잘못된 오개념을 선동하는것에 충분히 반감을 가질수 있죠 저분이 딱 그런 케이스고... 그리고 지능이 단순히 연산이기 때문에 인공신경망도 지능의 하위 카테고리에 들어가야한다는 논리면 전자계산기,컴퓨터,세탁기도 전부 지능으로 봐야하는데 누구도 컴퓨터,세탁기,전자계산기를 가지고 인공지능이라 호들갑을 떨지는 않죠
19/09/14 05:22
저도 여기에 한표. 인간 지능의 특징 중 하나가 패턴을 찾는 건데 (심할 정도죠. 인지 편향이 일어날 정도로;;) 그걸 통계적 알고리즘으로 구현했다? 그럼 인공 지능이라 부를 수 있는 거 아닐까 싶어요.
19/09/14 13:07
이런 문제의식에 대해서는..이미 여러 방향을 통해 비판이 가능하다고 봅니다.
인간의 사고는 생각지도 못한 영역에 대한 탐구가 가능하다는 데서 차이가 있죠. 가령 질문을 한다는 겁니다. 왜 질량이 생기는 건가? 빛이 휘거나 또는 입자이거나 또는 파동이거나 하지 않을까? 등등 말이죠.
19/10/06 13:54
그게 전부 통계적 추론으로 형성된 공리적 논리와 개념들에 기반하여 일정한 목적(사람마음에 충족되는 방향)을 위한 정보처리를 수행하는것에 해당하는 겁니다
19/10/06 13:58
네.
그 질문을 하는 법칙이 인위적 이성의 영역으로 전위되었다면, 인간의 자연발생성을 추론하거나 우주의 원리를 추론하는 것도 인위적인 생성물인 AI에 의해서 가능해지겠네요. 지금 이런 댓글을 다는 것 마저도 이미 결정된 일이라고 볼 수 도 있을거구요. 아직은 "인간의 세상"인 우리에게 있어 이젠 "다른 존재"의 세상으로의 전환이 이뤄질 준비를 해야할 필요도 느끼고 있습니다. 다만, 존재의 의의가 비합리성에서도 온다는 점을 무시하지 않는다면 아직 "인간의 세상"이 조금 더 지속될 여지는 있겠죠.
19/09/14 01:38
(수정됨) 머신러닝과 통계학의 기초는 같습니다만.. 알파고에 들어가는 강화학습이라던가 딥러닝 같은건 머신러닝 고유의 것이죠. 가장 기본적인 mnist 숫자 인식만 해도 통계학에서 자주 쓰일 logistic regression과 단순 cnn의 정확도는 엄청나게 차이나죠.
지능이란게 웃긴게 그 어렵다는 바둑은 정복되었고 아무나 다 할수 있는 운전은 아직도 10년은 남았죠.
19/09/14 01:40
관련지식 거의 없는 문돌이로서 블로그 글들 몇 개 읽어본 인상은
인공지능 그거 대단할 것 없고 대단한 척 하는건 다 사기야. 그거 다 통계학이라니까. 우리는 대학원에서 제대로 배우고 정직하게 장사하는 Data Science 전문가야. 우리한테 맡겨봐~~ 이런 마케팅 느낌으로 보이네요.. 알못이기도 하고 그냥 개인적으로 저런 논조의 글들을 안 좋아해서 너무 삐딱하게 본 걸 수도 있습니다마는..
19/09/14 01:44
강인공지능과 약인공지능이 다르다 라는 정도의 상식을 좀 풀어 설명하면 되는 걸 굳이 인공지능은 사기다 라고 과격하게 썰을 푸는 이유는 마케팅이로군요.
19/09/14 01:46
저런 식이면 사람 지능도 대단한게 없는데요. 사람 자아라는 것도 허상이고 사람도 본능과 사회화 교육 사이에서 갈팡질팡하는 기계일 뿐인데... 마케팅같네요.
19/09/14 01:48
다이나믹 프로그래밍도 돈 따내려고 그렇게 네이밍했다고 하죠. 블러핑은 유구한 역사입니다.
강인공지능이야 우리 세대에 볼 수 없을지도 모르지만 흐흐
19/09/14 01:55
딥러닝은 통계적 프로그래밍 기술이다: O
딥러닝으로 완전 자율주행은 절대 불가능하다: X 사람의 뇌는 딥러닝과는 차원이 다른 고도의 원리으로 이루어진다는 것이 확실하다: 아마 X (모른다)
19/09/14 01:59
또 다른 통계학도의 쓰레기 자신감이네요.
이전에 통계학 공부한 사람을 개인적으로 만난적있는데 어찌나 다른 학문들을 그리도 까던지. 어떤 연구든 깊게 들어가면 다 별거 없어요. 제가 했던 몇몇 연구들이 그나마 좀 주목받았던 게 있는데 걔네들도 제가 할때는 이거 참 별거 없다고 생각했었어요. 하고 난뒤 사람들 반응이 달라서 좋았지만요. 그래서 연구가 힘든거죠. 저런 사람들 때문에 더 힘들어지고요.
19/09/14 09:23
(수정됨) (구체적인 평가와는 별개로...)
통계학이 기반이 되는 데이터 사이언스 분야에 종사하고 계시고, 뭣보다 본문글에서 "통계학과 시뮬레이션을 하다 머신러닝을 만난 필자같은 경우는..." 이라고도 하시고... 통계학이 저 분의 전문분야라고 보는 데 특별한 문제가 없는 것 같습니다. (오히려 아니라고 하면 별로 안좋아하실 것 같은데...)
19/09/14 02:04
근데 맞는 말이긴 한데 앞으로 더욱 발전하겠죠
가령 바둑도 연산속도가 어마무시하게 빨라서 한칸한칸 다 둬보고 이길 확률 높은거 선택하는거잖아요 알파고가 생각하는게 아니라서요 물론 이렇게 따지면 인간의 지능이나 감정도 호르몬의 화학적 반응일뿐이라고 할수도 있겠고요
19/09/14 10:31
두세 수면 그나마 브루트포스 도전하겠습니다만..그러면 프로를 이기기 힘들죠. 적어도 수십 수 정도 시뮬해봐야 하는데, 그러기엔 연산자원이 부족합니다.
그래서 가능성 있는 곳을 더 깊게 파고들어가게 가능성 평가하는 알고리즘도 개발하는거고..
19/09/15 11:30
연산속도가 아무리 빨라도 브루트포스로 바둑의 경우의수를 모두 계산하는건 불가능합니다. 현세에 존재하는 모든 기계의 연산력을 바둑에 써도 안됩니다.
19/09/14 02:05
물론 저도 딥러닝이 어느 정도는 과장되어 있다는 점은 동의합니다만... 실제 핵심은 통계적 기법이 아니죠. 데이터의 질과 양입니다. 데이터를 얼마나 신뢰할 수 있는지, 데이터의 양은 어느 정도인지에 따라 딥러닝의 효과의 범위는 크게 달라집니다. 예컨대 삼전이나 하이닉스 등의 대규모 공정에서 생성되는 데이터의 양이면 단순 로지스틱 회귀만으로도 꽤 쓸만한 솔루션을 만들 수 있습니다.
19/09/14 02:08
그리고 막상 서울대 통계학과도 베이지안 하시는 교수님은 한 분밖에 없고 커리큘럼도 개판인데 통계 제대로 하는 그 부심은 도대체 어디서 나오는지... ?
19/09/14 18:04
베이지안 하는 교수님이 한분이 아니라 연구실이 하나인거고 research area에 베이지안을 포함하는 분들은 여럿 계십니다.
딥러닝쪽 연구하는 연구실들도 있고요. 본문 글쓴분이 좀 치우친 주장을 하긴 했으나 맞는 말도 많아보이는데 이런 근거없는 비판들 역시 문제라고 생각합니다.
19/09/14 03:31
(수정됨) 딥러닝은 아키텍쳐 영향도 많이 받습니다. 목적에 따라 아키텍쳐를 만들고 다른 시스템과 병합해서 적재적소에 쓰는게 핵심입니다.
데이터 양과 질이면 장땡이라는 분위기는 이미 지났죠. 그리고 로지스틱 회귀로는.. 양질의 데이터를 아무리 집어넣어도 퍼포먼스 안올라갑니다.
19/09/14 13:01
(수정됨) 학계나 기업에서나 그때마다 유행하는거 응용해서 쓰죠.
cnn 예를 들자면 인셉션, 레즈넷, vgg 아키텍쳐와 웨이트까지 가져다 쓸수있습니다. 자연어처리는 bert 쓰면 되고요. 데이터로만 승부하기엔 같은 0.1퍼 정확도 올리려고 필요한 양이 기하급수적으로 늘어나죠. 이게 현재 딥러닝의 한계라고 전문가들이 입을 모아 얘기하고 있습니다. 예를 들어 자율주행이 애먹는 이유가 현재 상태로는 사고날법한 엣지 케이스 데이터를 다 수집해야 하는지라 거의 불가능에 가깝죠. 데이터 관점으로 보면 테슬라가 자율주행에서 왜 앞서는지 알수 있지만 역으로 생각해보면 그렇게 양질에 데이터를 가지고도 완전 자율주행은 한참 남았죠. 다이내믹한 환경에서 위험을 감지하고 예측까지 할수 있어야되는데 새로운 아키텍쳐나 신박한 솔루션이 나오기 전까지 레벨 2도 벗어나기 힘들겁니다. 알파고에서 쓴 강화학습도 인간을 넘어선 실력을 갖추었지만 트레이닝 데이터로 치면 말도 안되는 양이죠. 적은 데이터를 가지고 룰을 이용해 일반화 시키는 좀더 고차적인 '지능'이 다음 단계가 될겁니다.
19/09/14 02:15
통계만능론? 실력보단 어그로가 상당한 것으로 보이네요. 물론 인공지능이니 하는 시대적 유행을 따라 돈따먹을려고 기웃거리는 실력없는 허세꾼들 혐오하는건 이해됩니다.
19/09/14 02:27
딥러닝에 지능이라고 부를수 있는건 패턴에서 규칙을 찾고 그것에 대한 내부 신경망을 구성하는게 사람이 입력하는게 아니라 AI가 스스로 한다는 것이죠.
물론 결과물만 놓고 보면 이건 입력된 패턴들로부터 돌출된 하나의 수학적 통계의 결과물이다 말할수는 있지만, 그걸 하는 과정이 힘든건데요. 이건 지능이 아니라 통계야 라고 말하기에는 딥러닝의 앞뒤만 잘라놓고 말하는 모양새같습니다.
19/09/14 02:51
이 글 쓰신 분이 바로 이 글의 비판 대상이 되는 분이네요
제가 딥러닝 하는데, 딥러닝 뿐만 아니라 몇몇 머신러닝 기법은 아직 전역 해석이 불가능합니다. 통계학적 접근은 정말 깊숙한 단계에서나, 아니면 응용에나 필요할 뿐이죠. 물론 딥러닝이라는 "쉬운" 툴을 가지고 침소봉대하는 기술자들 많죠. 제가 보기엔 이 글을 쓰신 분이야말로 그런 예시의 하나인 듯 합니다. 딥러닝 그 자체로 인공지능이 아니라는 업계 상식 하나 가지고 다 깨달은 듯이 얘기하는게 딥러닝 팔아먹으려고 하는 사람들과 똑같네요.
19/09/14 03:29
원래 돈을 번다는것 자체가 다른 사람을 벗겨먹는다는겁니다. 왜 그런거에 죄책감 느끼는지 모르겠네요. 누구보다 지적 우위에 서있기 때문에 벗겨먹을 수 있는겁니다. 지적 우위에 있는 사람들은 그 우위를 이용하는거에 거부감을 느끼는데 사회 나와서 진짜 하찮은 우위를 더럽고 치사하게 써먹는거 보면 지적 우위를 점해서 궤변 늘어놓는건 신사적인거죠
19/09/14 03:44
(수정됨) 지금 몇몇업체에서 만든다는 자동차라는것도 화력으로 기어를 돌리는거뿐입니다.
저거 돌릴려고 연료를 만들어오는 작업량 생각을 안하는 사람들이나 와 여물도 안먹이는데 마차가 가네?! 라고 생각하는거죠. '자동'차 라는 단어만큼 기만적인게 없습니다. 그 엔진이라는것도 이미 다른곳에서 쓰던거라 전혀 새로운기술도 아니죠. 말의 품종개량과 목장 대신 저런 자동차를 굴릴 내연기관에 투자자들을 모집한다는게 일종의 사기가 아닐까요? ================================================= 원리가 단순하거나 이미 있던 원리를 살짝 응용한 상품이라고 해서 아웃풋이 세상에 미치는 영향이 별거 없다/가치가 없다고 볼수는 없습니다. 스마트폰이전과 이후의 세계를 본 사람들이라면 알아야 하는거 아닐지..
19/09/14 04:06
블로그 들어가서 읽어 보지는 않았지만, 본문의 내용들에는 전반적으로 공감합니다. 그래서 너무 크게 호들갑 떨건 아니고 천천히 올 미래를 대비하면 된다고 봅니다. 대부분은 주요 직종 변경이 그 대비일거고요. 특히 강인공지능은 환상이 맞다고 보지만, 자율주행은 환상은 아니라고 봅니다. 결국 어떻게 데이터를 번역 / 분석해서 수치적으로 학습시키느냐의 문제라 언젠가는 될 겁니다. 단지 변수가 많은데다 작은 변수도 큰일이 날 수 있기 때문에 조심하는거죠.
19/09/14 04:47
뭐 인간의 뇌도 비슷하죠. 게임 실력 느는것도 이리저리 치이고 하면서 데이터 쌓는거고 이런 상황에서 어떤 행동을 한 것이 어떤 결과를 만들었다 라는걸 계속 통계적으로 배우는 건데요. 그래서 옛날부터 스타도 리플 보면서 복기하고 롤도 오더 내리면 일단 따라줘야 오더 실력 는다고 하고요.
19/09/14 05:21
뇌과학이 아직 밝혀야할게 산더미같긴 하지만.....
다른사람이 인공지능에 대해 환상을 가지고 있다고 생각하는만큼 저 글쓴이는 지능이라는 개념에 대해 너무 큰 환상을 가지고 있는건 아닌가 생각해봅니다
19/09/14 06:11
Autonomous 와 Automatic을 혼동 하시는 분들이 여기에도 있네요. 사실 기술적 특이점은 이미 와 있는건 아닐지.
19/09/14 07:30
CS기초 없이 통계만으로 머신러닝을 보면 저런 글이 나오죠. 사실 통계는 머신러닝 연구를 보면 필수입니다. VAE논문 보면 거진 통계에요. 게다가 머신러닝은 훨씬 +alpha에요. 통계에서 말할주 있는건 잘 작동하는 함수가 있을거다 뿐이고 왜 뉴널넷이 잘 작동하는가에 대해선 아무 대답도 못줍니다. 지금 머신러닝 이론에서 제일 중요한건 후자에요. 왜 뉴널넷이 real world data 를 잘 기술하는가 왜 간단한 1차 gardient descent로 학습이 잘 되는가. 그리고 VAE논문은 통계학자들이 수십년동안 못푼 문제를 뉴널넷은 풀수 있다는걸 보였습니다. 응용이 과대평가되어서 그렇지 이론적인 측면도 엄청 발전한게 머신러닝이고, 저 글 저자처럼 CNN놔두고 서포트 벡터머신을 중요시 여기는건 완전 구시대 사고입니다. 차라리 르쿤 교수님말처럼 물리공부를 하는게 나을것 같습니다.
19/09/14 08:57
자연과학은 정성적인 추론이 정량적인 수학으로 풀어내야 완성이 되는건데요 그 풀이 과정에서 이해가 안되는 부분이 있죠. 이게 된다고 ? 이런 느낌.
이해는 안되는데 실제로는 되고있는 니다. 도출이라기 보다는 이렇게 해야지 라고 정해서 코딩을 해넣은것처럼 보이는거죠. CNN도 비슷해 보이네요.
19/09/14 09:34
본문에서 말하는 그 진짜 전문가가 누군지 참 궁금해집니다.
현업 하면서 잠깐 접할 일 있었지만 통계로 모조리 치환 가능할 정도로 머신러닝이 단순한게 아닌데 말이죠.
19/09/14 10:07
응용통계학이다 -> O (넓은 의미의 응용 통계학이면)
단순한 응용통계학이다 -> X (현재 인공지능 기술이 단순 응용 통계학이면 응용 통계학 학문 대부분을 단순한 응용통계라고 해야할텐데 저 글 쓴 사람이 그걸 원하진 않을 듯) 개인적으론 이렇게 생각합니다.
19/09/14 10:12
여러가지 게임에서 사람 상대하는 컴퓨터 캐릭터의 반응만 봐도 단순 통계학으로 보기에는 다양한 스타일의 자동 공격을 하는 인공지능이죠
앞으로 그런 인공지능이 발전하면 진짜 생각하는 인공지능이 나올 시대가 올겁니다 사실 기술의 발전을 보면 시간문제죠 단순 통계학으로 퉁치기에는 미래의 군사 와 과학 경제등에 엄청난 영향을줄 분야가 인공지능이죠
19/09/14 11:16
인공지능은 [아직 만들어지지 않은 무언가]라고 하더군요.
이 전에는 인공지능이라고 불릴만한 퍼포먼스도 만들어지고나면 그저 계산기라고 평가절하 하기 때문에 현재 만들어진 모든 것들은 인공지능이 아니라고요.
19/09/14 12:34
"딥러닝 이론을 보니까 휴리스틱이랑 리그레션을 쓰네? 이거 완전 통계학 아냐??" 수준에서 그친거죠.
그다음에 나오는 텐서니, RNN 이니 하는건 귀찮으니 보지도 않은거고요.
19/09/14 12:44
이건 인공지능을 너무 딥러닝 쪽으로만 바서 그런게 아닌지요.
인공지능에 대해 쥐뿔도 몰르는 문외한이 보기에는, 근사 목표치를 찾는데 주로 쓰이는(대표적으로 개체인식) 딥러닝에 대해선 이러한 공격들이 자주 일어나곤 하지만, 현재의 트렌드는 강화학습(policy function을 찾는 것, 즉 어떻게 행동해야 하는가를 정해주는것) 또는 현실을 참조해서 유사 현실을 만들어 내는것(GAN)이라고 생각하고, 딥러닝은 오히려 이러한 접근방식의 하위 방법론으로 사용되곤 하지 않는가..하는게 제 생각입니다. 많이들 예를 드는 알파고도 초기 알파고는 기존 기보 학습을 통해 어찌보면 통계적으로 내가 어떻게 두어야하는가를 판단했다면, 알파고제로는 기보학습 없이 경험적으로 그것을 체득하여 자기 스스로 행동 알고리즘(policy function)을 만들도록 했죠. 딥러닝처럼 데이터에 기반해서 통계적 지식의 축척으로 답을 추측하는 것이나(우리가 교육을 통해 지식을 배우는것과 유사), 강화학습처럼 경험(행동과 그에 따른 피드백, 보상)에 기반에 자신의 행동양식을 만들어 가는 것이나 모두 인간 지능의 한 부분이라고 생각되고 이러한 것들이 결합되어 가는 요즘 트렌드가 점점 복합적인 인간 지능으로 향해 가는 것이라 개인적으로 생각합니다.
19/09/14 12:49
통계? 맞죠.
근데 이걸 지능이라고 부를 수 없다? 그렇지 않습니다. 글쓴분께서는 지능을 '자아'에 대입하고 계신 모양인데, 지능==자아가 아닙니다. 자아는 훨씬 고차원적인 것이고, 지능은 한정된 상황이라 할지라도 변화하는 상황에 스스로 대처할수 있는 결정능력을 지니면 지능이라고 할만한 것입니다. 저도 관련 연구 하고있는 입장에서 (알고리즘 쪽은 아닙니다만) 지금의 인공지능이 발전하여 기계가 자아를 갖추게 될지는 모르겠습니다. 그건 좀 먼 이야기 같아요. 그런데, 한정된 상황에서 인간의 작업을 거의 그대로 모방하는건 충분히 가능하고, 이미 하고 있습니다. 자율주행 같은것에서도 물체를 인식하는 전통적인 뉴럴넷의 동작 외에 어느 길로 어떻게 운행하면 좋을지에 대한 지능도 필요해지는데, 이거는 알파고가 보여줬던 정책/전략 수립 등의 방식으로 충분히 커버하고 있습니다. 사람들의 기계에 대한 '신뢰'나 사고시의 '책임' 문제 때문에 널리 상용화되기까지 꽤 오래 걸릴것 같지만, 이게 기술의 타고난 한계 같은건 아니란 겁니다. 애초에 인공지능이 통계적 모델에 기초하는 이유가 뭐냐면, 인간조차도 이 세상을 그렇게 받아들이고 있기 때문입니다. 아기가 말을 배울 때, 사람들이 의자를 가리키면서, 99명은 [의자] 라고 하고 1명은 [책상] 이라고 하면 그 아기는 1명이 이야기한 책상이라는 단어가 왜 나온건지 철학적으로 고민하고 의미를 부여해 학습하나요? 아니죠. 잠깐 헷갈릴지언정 그 물건이 [의자] 라고 인식하겠죠. 기계학습도 별반 다르지 않아요. 이러이러한 학습 과정이 있었다면, 아마 의사결정을 위한 근거들은 이러이러한 가중치를 지녔을 것이라고 가정해 가면서 학습하는겁니다. 그러다 보면 아주 대부분의 경우에 잘 맞아떨어지는 의사결정 과정의 가중치를 갖게 되는겁니다. 말하자면, 통계적인 수단을 썼다고 해서, 그걸 '때려맞춘다' 라고 생각하면 안된다는 겁니다. 이 세상의 모든 정보를 알지 못하는 이상에야 결국엔 통계적으로 결정할 수밖에 없어요. 인류 역사상 손에 꼽히는 천재인 제갈량이 정말 모든것을 알았다면 마속을 가정에 보내지 않았겠죠. 제갈량도 확률적으로 마속이 잘해낼 수 있을거라고 생각해서 베팅했지만, 그 확률에서 미끄러진 겁니다. 세상은 어차피 확률인 거에요..
19/09/14 13:42
인공지능이 다 해줄것처럼 얘기하는것도 그거 별거 아니고 그냥 통계야라고 하는것도 둘다 약팔고 있는 행위이죠.
인공지능을 통계학자의 눈으로만 보면 통계이고 컴퓨터시뮬레이터의 눈으로 보면 그냥 시뮬레이터 잘 짠거고, 신경망 모델러의 관점에서 보면 다 비슷한 모델러고, 전통적 객체인식연구 하던분들 입장에선 옛날에 다하고 있단 특징필터기가 조금 발전한 거라고 할거고, 제어쪽 연구하던 사람들 입장에서는 제어이론에 쓰던거에서 살짝 구조만 바뀐거라고 하겠지요. 아마도 과거 네트워크 연구하던 분들은 옛날 네트워크모델에 라우팅/큐잉알고리즘만 살짝바꾼거잖아 라고 하겠지요. 그런데 논문적 실험검증결과로 보나 상업적 실 적용 영향으로 보나 딥러닝은 가짜약은 아니긴 합니다.
19/09/14 14:39
한가지 더 첨언하자면, 딥러닝으로 대표되는 현재 유행중인 인공지능은, 완전히 새로운 학문 영역이 툭하고 튀어나온게 아니라, 통계학, 토폴로지, 컴퓨터의 연산속도 향상, 신경망, 네트워킹... 등등 기존에 나와있던 여러가지 학문들을 적절하게 짜맞춘 기술이라 보시면 됩니다.
그럼에도 이렇게 각광을 받고 있는건, 그런 여러가지 이론들을 적절하게 잘 조합해서 꽤 쓸모있는 물건을 만들어 낸데다가, 여러 공학자들의 노력을 통해 최적화를 잘 해내서 슈-퍼 컴퓨터가 아니더라도 이것을 활용할 수 있는 도구가 만들어졌기 때문이죠. 예를들면 구글이 만든 텐서플로 같은 경우는 위의 이론들에 대해 깊이 알지 못라더라도 Use case를 보고 따라하는 것 만으로 자기가 원하는 형태의 인공지능 모델을 만드는 게 크게 어렵지 않게 되어있어요. 이런 것들 때문에 인공지능이 실용화 단계까지 와 있는거죠. 그러서 결론은, [검색해! 구글이 스카이넷이야!] 입니다(?)
19/09/14 18:30
(수정됨) 관련 전공자인데 아예 안쓰이지는 않습니다.
물체의 shape에 관련된 제한적인 분야에서 사용되고있습니다. topological data analysis 이라는 이름으로 데이터 분석에 토폴로지가 사용되고 최근에는 머신러닝으로 분야를 넓히고 있습니다. 스탠포드 컴공에서는 관련 수업도 열리고 있습니다. http://cs233.stanford.edu/ 참고하세요.
19/09/14 20:06
토폴로지를 그런식으로 쓴 것은 이미 오래된 일입니다. 본문의 딥러닝이나 인공지능이라 얘기하는 분야와 별 접점이 없고 네트워크 구조 설계에는 더더욱 안 씁니다.
19/09/14 23:48
딥리닝이 그동안 '이건 사람만 할수 있다' 혹은 '이건 사람이 기계보다 잘한다'는 부분을 다 뒤엎고 있지요. 원리를 떠나서 결과만 보자면 인공지능은 확실히 성공했고 앞으로도 계속 발전할겁니다.
19/09/15 11:23
'지능' 이란 무엇인가 정의하지도 않고 단순히 통계학의 방법들을 사용한다고해서 인공지능이 아니라 통계기술의 일종이라고 폄하하네요.
19/09/15 12:16
사람도 자신의 경험을 바탕으로 판단을 내리죠. 그 경험을 전문적으로 오래 쌓을수록 직관보다 로직컬 하거나 통계학적인 판단을 하는건데
컴퓨터가 더 짧은 시간에 훨씬 많은 경험을 쌓을 수 있는거구요.
19/09/15 23:43
통계학이 기반인 건 맞습니다. 현재 머신러닝에서 말하는 많은 핵심 방법론들은 통계학계에서 1970년대 80년대 90년대에 만들어진 것들을 기반으로 하고 있어요. 그리고 통계학계에서 나온 것들이 다른 분야에 응용되면서 각 학계별로 따로 연구분야가 자리잡았죠.
하지만 통계학 하나만으로 지금의 트렌드를 만들어냈다고는 할 수 없습니다. 기반은 통계학이지만 그때 만들어진 방법론도 한계와 문제점들은 가지고 있고, 이런 걸 해결해나간 학문은 컴퓨터과학, 산업공학, 전기공학 등 많은 학문들이 융합되있어요. 그리고 강화학습과 같은 분야는 통계학에서는 전혀 다루고 있지 않던 분야이기도 하고 완전히 새로운 분야로 자리를 잡았죠. 학계는 빠르게 변화하고 있습니다. 통계학은 가장 빠르게 변화하는 학문 중 하나이고요. 학부나 대학원 수업과 현재 진행되는 학계의 연구가 너무 큰 괴리를 가지고 있어서 요즘 교육쪽에서도 문제를 앓고 있어요. 통계학에 대한 일반인들의 인식을 고려해보면 이런 글에 대한 거부감도 이해가 갑니다.
|
||||||||||