인공지능의 4가지 관점

© geralt, 출처 Pixabay

지능(Intelligence)이란?

지능은 다양한 범위 환경에서 목적을 달성할 수 있는 행위자의 능력을 말한다. 그러나 이 정의에는 이견이 있긴 하다. 왜냐하면 그것이 옳은지 그른지도 모르는 상태에서 무조건 목적을 달성하는 것은 자칫 법적 또는 도덕적 문제로 연결되어 사회적 문제를 낳게 할 수도 있기 때문이다. 그래서 전문가들 중에는 목적 달성 상황에 맞는 타당성을 판단하는 전제 조건이 반드시 필요하다고 주장하는 사람들도 있다.

---

인공지능(AI : Artificial Intelligence)

인공지능으로 간주하고자 하는 4가지 관점들

 

1. 사람처럼 생각하는 기계 : 사람이 어떻게 생각하는지 모르기 때문에 인공지능은 이것을 목표하지 않음

 

2. 사람처럼 행동하는 기계 : 사람의 부분적인 행동과 유사한 행동을 하는 기계

☑️ 튜링 테스트 : Turing Test

 

튜링테스트는 인공지능의 우수성을 측정하는 실험이다. 1950년 영국의 수학자 앨런 튜링이 제안한 인공지능 판별법에서 시작되었는데, 질의응답 등을 통해 기계가 인간 수준의 지능이 있는지를 가려낸다.

질문자가 컴퓨터 화면을 통해 컴퓨터와 사람과 각각 대화한다. 이 때 질문자는 상대방이 컴퓨터인지 사람인지 알 수 없다. 여러 문답을 주고받은 이후에 질문자가 어느 쪽이 컴퓨터인지를 판별해내지 못하면 테스트를 통과한 것이다. 튜링테스트의 최종단계는 목소리를 통해 똑같은 실험을 진행하여 컴퓨터인지 아닌지를 사람이 판별하지 못하게 하는 것이다.

① CAPTCHA = Completely Automated Public Turing test to tell Computers and Humans Apart
      : 웹사이트에서 스팸을 막기 위해 증명하는 절차, 알아보기 힘든 글자, 숫자를 보여주고 입력하게 하는 사이트 보안장치

 

 

 

reCAPTCHA

 

CAPTCHA

 

https://www.google.com/recaptcha/about/

 

② 침팬지 메모리 테스트 (Chimpanzee memory test)
: 침팬지와 사람의 지능을 비교하는 영상으로 침팬지가 특정 부분에서 놀랍게도 사람보다 기억력이 월등함을 보여준다.

 

 

 

☑️ 모라벡의 역설 (Moravec's paradox)

인간에게 쉬운 것은 컴퓨터에게 어렵고 반대로 인간에게 어려운 것은 컴퓨터에게 쉽다는 역설을 말하는 것으로, 로봇이나 인공지능을 말할 때 흔히 쓰는 표현으로 사람에게 쉬운 것은 로봇, 인공지능에게 어렵고, 사람에게 어려운 것은 로봇, 인공지능에게 쉬운 아이러니를 표현하는 말이다.

미국의 로봇 공학자인 한스 모라벡(Hans Moravec)이 1970년대에 ‘어려운 일은 쉽고, 쉬운 일은 어렵다.(Hard problems are easy and easy problems are hard.)’라는 표현으로 컴퓨터와 인간의 능력 차이를 역설적으로 표현하였다.

인간은 걷기, 느끼기, 듣기, 보기, 의사소통 등의 일상적인 행위는 매우 쉽게 할 수 있는 반면, 복잡한 수식 계산 등을 하기 위해서는 많은 시간과 에너지를 소비해야 한다. 그러나 컴퓨터는 인간이 하는 일상적인 행위를 수행하기 매우 어렵지만 수학적 계산, 논리 분석 등은 순식간에 수행해 낼 수 있다.

 

3. 합리적으로 생각하는 기계 : 문제해결에 타당한 처리과정을 거침

4. 합리적으로 행동하는 기계 : 목적만 달성하면 됨 → 결과만 좋으면 어떻게 하든지 방법은 중요치 않다라는 관점


☑️ 로드니 브룩스 (Rodney Allen Brooks)

1954년 오스트레일리아에서 태어난 로드니 브룩스는 열두 살 때 처음 로봇을 만들었다. '로봇의 아버지'라 불리우는 그는 스탠퍼드대에서 컴퓨터공학박사학위를 받은 뒤, 2010년까지 MIT에서 로봇공학 교수와 MIT 인공지능연구소장을 맡아 로봇과 관련한 다양한 연구를 수행했다.

특히 새로운 인지과학 이론인 행위 기반의 포섭구조(Subsumption Architecture)를 제시하면서 새로운 지평을 열었다. 이 이론은 인지과정에 중앙통제장치가 존재한다는 기존의 전통적인 인지과학 이론과 배치되는 것이어서 이단아라는 평을 듣기도 했다.

뇌의 역할을 하는 중앙처리장치가 없어도 특정 행위에 대한 반응을 이끌어낼 수 있다는 이 이론은 그가 제자들과 만든 개미 모양의 로봇 ‘징기스(Genghis)’를 통해 입증했다. 징기스는 6개의 다리에 부착돼 있는 센서들에 의해 서로 다른 다리들이 반응한다. 포섭구조 이론은 화성탐사로봇 ‘소저너’에 적용되면서 더욱 유명해졌다.

1990년 iRobot 창업 : 청소로봇 Roonba
2021년 Rethink Robotics 창업 : 지능형 협업로봇 Baxter, Sawer
GE 로봇자문위원
도요타 인공지능연구소 자문위원회 부의장

※ 포섭구조(Subsumption Architecture)
로봇에게 기본적인 동작만 제어해주고 높은 수준의 행동은 대상과 상호작용을 하며 행동하도록 하는 방식을 말한다. 높은 지능이 필요로 하는 복잡한 행동을 할 수 있도록 일일이 구체적인 지시를 하는 것이 아니라, 로봇 스스로가 환경과의 상호작용 속에서 복잡한 행동 패턴을 하도록 이끄는 방식이다. 로드니는 “복잡한 행동은 복잡한 환경의 투영이지, 결코 복잡한 제어의 결과는 아니다"라고 주장했다.

---

 

 

인공지능의 실현

☑️ 인공신경망 : Artificial Neural Network

인공신경망은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다.

좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.

 

인공신경망 레이어의 구조 및 데이터 처리과정

 

☑️ 다층신경망 : Multi-layers ANN

위의 인공신경망의 층(layer)이 여러개 붙으면서 다층신경망이 되었고 여기에는 입력층, 출력층, 은닉층 3가지로 구분된다. 각 층에는 각각 자신만의 특정 함수가 있는데 이것이 고도화가 되면서 딥러닝으로 발전하게 되었다.

입력층은 계산을 위한 뉴런은 거의 들어있지 않으며, 출력층은 은닉층에서의 출력 신호로 자극 패턴을 받아들이고 전체 신경망의 출력 패턴을 정한다. 중간에 은닉층에서는 입력의 특성을 파악해 뉴런의 가중치로 나타내는데 이것은 입력 패턴에 숨겨져 있는 특성을 가지고 있다.

레이어의 고도화로 인해 딥러닝은 주로 이미지, 자연어, 음성 인식 등의 비정형 데이터 분석 분야에 강점을 보이고 있다. 반면 정형데이터는 머신러닝 보다는 약하다고 할 수 있다. 따라서 무조건 딥러닝을 한다고 좋은 인공지능이 아니다.

 

Multi layers ANN 다층신경망

2017년에 한국에 암호화폐 붐이 이는 동시에 딥러닝도 붐이 일면서 GPU의 수요가 급격히 증가하는 현상이 발생하고 있다. 그래픽 카드의 가격이 지속 오르고 있는 상황이다. 집중적으로 단순계산의 양이 많은 경우에 CPU가 아닌 GPU를 이용라여 따로 집중적으로 돌린다.

딥러닝 프레임워크로는 텐서플로우, 케라스, 파이토치를 사용하는데, 텐서플로우는 기존 복잡한 방식을 버리고 케라스를 받아들여서 텐서플로우에서도 케라스를 사용할 수 있게 되었다. 그러나 페이스북이 개발한 파이토치로 개발자들이 신규 모형 생성의 용이함 때문에 많이 넘어가고 있는 실정이다.


텐서플로우 홈페이지

TensorFlow

최신 논문 검색 및 다운로드가 가능한 사이트 : 논문에 코드도 함께 올라와 있어 유용하다.

 

Papers with Code - The latest in Machine Learning

 

#인공지능 #지능 #모라벡의역설 #튜링테스트
#인공신경망 #다층신경망