[인공지능] 인공지능의 한계점과 진화방향에 대한 고찰

 요즘 머신러닝 관련공부를 거의 하지 못했다. 간간히 소식만 접하며, 간만 보았다. 어쩌면 인공지능 인공지능 들썩들썩 거리는 현 상황에 북적이는 곳을 싫어하는 내 성격이 발동하여, 한발치 물러난 것일지도 모르겠다.

 인공지능은 확실히 대단한 것 같다. 그 중 뉴럴 네트워크는 엄청난 정보속에서 우리가 원하는 연관성을 위해 조직화 되는 네트워크 집단이다. 간단한 데이터 분석을 위해 최소자승법을 통해 선형 핏팅을 하곤 하는데, 뉴럴 네트워크는 더 높은 차원의 핏팅을 만들어 내주는 회귀분석이다. 이러한 인공지능의 대단한 점은 우리가 연관성을 찾지 못하거나, 말이나 논리로 일목요연하게 설명하기에는 애매한 부분에 대한 핏팅까지 해주는 것이다. 엄청난 데이터를 통해 인공지능은 특징점을 네트워크에 기억시키는 훈련을 통해, 그동한 하지 못하였던 많은 분야에서 통찰력을 제공한다.

 이러한 엄청난 인공지능의 한계에 대해 말해보려고 한다. 예를 들어, x가 0에서 10까지의 영역에서 y = x^2 이라는 식을 훈련 시키면, 0에서 10까지의 구간에서는 훌륭한 예측을 해내지만, 훈련영역을 벗어난 음수의 영역이나 10보다 큰 영역에서는 전혀 맞지 않는 예측을 하게 된다. 즉, 단지 주어진 환경을 네트워크 속에 기억시키는 것일 뿐인 것이다.

 이를 해결하기 위해서는 인풋을 x^2로 넣어주면 된다. 그렇게 하면, 0에서 10까지의 영역에서만 훈련시켜도 전 영역에서 올바른 핏팅이 일어난다. 이를 통해 우리는 인공지능이 다음단계에 어떤 방향으로 진화하여야 할지를 생각할 수 있다. 연관성을 논리적으로 예측해낼 수 있는 능력이다. 

 우리 속에서도 이러한 일이 이루어진다. 우리의 학습 능력은 계단모양이다. 깨달음을 얻으면 순식간에 능력이 증가하게 된다. 1m 거리의 휴지통에 휴지를 던져 넣는것을 연습해보았다고 치자. 그리고 2m 거리로 휴지통을 옮기게 되면 어떻게 될까? 잘 못 넣을 것이다. 하지만 통달한다면, 즉 휴지를 던지는 힘과 각도, 그리고 거리에 대한 연관성을 몸이 기억하게 된다면 1m에서도 1.5m에서도 2m에서도 휴지를 넣을 수 있게 되는 것이다.

 이러한 "깨달음", "통달"을 인공지능에 접목시키려는 시도는 사람에 의해 이루어져 왔다. 시계열 데이터를 인식하는 RNN이나 이미지 데이터를 인식 CNN 등이 바로 이러한 "깨달음"이 접목된 네트워크이다. RNN은 이전 시간의 Data를 기억시켜, 다음 시간의 Data와 연관시키고, CNN은 그림 속에서 경계선과 같은 특징점을 추출해낸다. 이러한 네트워크들은 음성인식, 이미지인식에 대한 "깨달음"을 교육시키는 구조를 지니고, 이러한 분야에서 높은 학습률을 보인다. 즉, 뉴럴 네트워크 자체가 아닌, Data의 특징에 대한 원리적인 이해로부터 인공지능은 진화하며, 더 광범위한 영역의 Data에서 높은 인식률을 가지게 되는 것이다.

 하나를 가르쳐 주니 열을 알아내는 인공지능의 시대는 도래할 것인가!