인공지능(AI)의 간략한 역사

인텔리저빌리티(Intelligibility) : 인간처럼 생각하는 지능

 

학습 방법

1. 연역적 추론(deductive reasoning)

 - 1956년 '논리 이론가(Logic Theorist)' -> 수학 이론(principia Mathematica) 증명 가능함

 

2. 귀납적 추론(inductive reasoning)

 - 덴드랄(Dendral) 프로그램  -> 인스트루멘탈리티(Instrumentality)의 첫 실례를 보여줌

   · 초기 지식 기반(the first knowledge base) : 목적에서 지식을 캡처한 if/then 규칙 세트

     -> 후에 '전문가 시스템(expert system)'으로 불림

 

특정 과학자를 다른 과학자보다 더 낫게 만드는 것은 무엇일까?

인지능력인가? 지능인가?

실험결과 지식의 양과 질이 덴드랄의 성능을 결정했고, 인지능력은 성능과 일부 관련만 가졌다는 것을 파악.

 

AI 공동체 패러다임 변화

- '전문가 시스템이 지식'을 사용해 인간의 특정 전문 분야를 모델화하는 방법이 원칙으로 부상

 -> 전문가 1명의 능력을 능가하는 실험 결과

 

여러 문제 영역에서 더 유연하게 활용할 수 있도록 만드는 기법은 무엇일까?

 - 객체 지향형 디자인과 계층 온톨로지(Hierarchical ontologies)를 개발

  · 1차 술어 논리(First order predicate logic)' 지식 개념에 초점을 맞춰 자동으로 학습할 수 있는 시스템 구현

     -> 스스로 추가 데이터를 토대로 성능을 향상시키는 규칙을 생성 및 재생성 하는 시스템

     -> 한계점 : 특정 문제 영역에만 성능이 좋고, 다른 여러 가능한 대안들을 구별하지 못함, 구조나 통계적 상관관계에 대한 지식을 사용하지 못함

   · 시-에프(Certainty factor, 확신도) : 특정 팩트가 '참'일 확률을 알려주는 수치값

     -> 통계와 베이즈 추론(Bayesian inference)을 사용하여 경험적 데이터에서 도메인(특정 영역) 전문서을 모델링 가능

     -> 이 시기부터 AI에서 ML의 비중이 커지기 시작함

     -> 한계점 : 랜덤 포레스트와 뉴럴 네트워크, GBT(Gradient Boosted Trees) 같은 ML기법들은 정확한 결과를 생성하지만 '인텔리저블' 아웃풋이 없다면 ML모델은 몇몇 측면에서 기존 모델보다 유용하지 못하다.

 

모델에 문제가 있지만 이유를 설명할 수 없을 때 수정이 훨씬 더 어려워진다.

 

초기 AI연구는 사람의 추론 능력, 인지 모델 모델링에 초점을 맞췄다. 초기 AI 연구원들이 직면했던 3가지 문제(지식, 설명, 유연성)는 지금도 머신러닝 시스템에 대한 담론의 중심으로 남아있다.

 

지식은 이제 데이터의 형태를 갖고 있으며, 뉴럴 네트워크의 취약성으로 유연성(적응성)이 요구되고 있다. 데이터에 조금 문제가 있을 때 아주 다른 결과가 생성될 수 있었기 때문이다. 설명가능성(Explainablility) 또한 우선순위 중 하나로 부상했다.

 

출저 : http://www.ciokorea.com/news/144114