기술-IT-인터넷 동향

단순한 작업을 인간처럼 빠르게 배우는 인공 지능 알고리즘

지구빵집 2016. 1. 28. 10:06
반응형




단순한 작업을 인간처럼 빠르게 배우는 인공 지능 알고리즘


http://mirian.kisti.re.kr/futuremonitor/view.jsp?record_no=260107&cont_cd=GT


미국의 뉴욕 대(New York University), 캐나다의 토론토 대(University of Toronto), 미국의 매사추세츠 공대(MIT) 출신의 연구자들이 협동하여 개발한 새로운 기계 학습 방법은 인간의 인식에 대한 연구로부터 인공 지능의 미래를 어떻게 설계할지를 강조하여 보여준다.


단지 하나의 사례로부터 필기된 글자를 인식하도록 학습하는 소프트웨어는 좀 더 강력하고, 좀 더 인간과 같은 인공 지능을 향한 길을 가르쳐 줄지도 모른다. 



Fig. 1. People can learn rich concepts from limited data. (A and B) A single example of a new concept (red boxes) can be enough information to support the (i) classification of new examples, (ii) generation of new examples, (iii) parsing an object into parts and relations (parts segmented by color), and (iv) generation of new concepts from related concepts.



과학자들이 인간의 학습법으로부터 영감을 받아 훨씬 더 효율적이고 정교한 방법으로 새로운 지식을 익힐 수 있는 인공 지능 소프트웨어를 창안하였다. 새로운 인공 지능 프로그램은 인간이 할 수 있는 것처럼 단지 하나의 사례를 본 후에 정확하게 손으로 쓴 글자를 인식할 수 있다. 기존에 심도 학습(deep learning)이라고 불리는 기법을 채용한 최고의 기계 학습 알고리즘은 A와 Z 사이의 차이점을 학습하기 위하여 손으로 쓴 글자를 수천 개 볼 필요가 있었다. 


이 소프트웨어는 미국 뉴욕 대의 연구자인 브랜든 레이크(Brendan Lake), 캐나다의 토론토 대 컴퓨터 과학과 조교수인 루슬란 살락훗디노프(Ruslan Salakhutdinov), 미국 매사추세츠 공대(MIT)에서 뇌 및 인지 과학과 교수인 조슈아 테넌밤(Joshua Tenenbaum) 등에 의하여 개발되었다. 이 프로그램에 대한 상세한 내용과 그 뒤에 있는 아이디어는 미국의 전문 과학 학술지인 사이언스(Science)에 2015년 12월 10일자로 출판되었다. 


컴퓨터는 지난 몇 년 동안 많은 것들 중에서 특히 얼굴 인식을 배우고, 연설을 이해하며, 심지어 자동차를 안전하게 주행하면서 훨씬 더 영리해지고 있다. 그리고 가장 큰 진보는 대량의 신경망(neural network), 즉 심도 신경망을 이용하여 이룩되었다. 그러나 이러한 시스템은 결정적인 단점이 있다. 즉, 심지어 가장 간단한 작업을 배울 때에도 많은 데이터를 요구한다.


이러한 한계는 주로 알고리즘이 인간이 하는 방식으로 정보를 처리하지 않기 때문이다. 비록 심도 학습이 가상의 뉴런 망을 모델로 하고, 인식 작업에서 매우 인상적인 결과를 산출하였지만, 뇌가 동작하는 방식을 매우 거칠게 모사한 것이다. 심도 학습 알고리즘은 이미지에 있는 화소를 특정한 문자와 연관시킨다. 


뇌는 유사한 방식으로 시각적 자극의 일부를 처리할 수 있지만, 인간은 이미지의 내용을 해석하기 위해 좀 더 고차원적 형태의 인식 기능을 사용한다. 


연구자들은 베이지안 프로그램 학습 구조(BPL: Bayesian program learning framework)라고 불리는 기법을 사용하였다. 특히 이 소프트웨어는 가상의 펜 놀림을 이용하여 모든 문자에 대한 독특한 프로그램을 생성한다. 다음으로 확률적인 프로그래밍 기법을 사용하여 특정 문자에 하나의 프로그램을 연결시키거나, 익숙하지 않은 문자에 새로운 프로그램을 생성한다. 


이 소프트웨어는 아이들이 읽고 쓰는 능력을 습득하는 방식을 모사하지 않으며, 그 보다는 이미 어떻게 하는지를 알고, 인식하는 것을 배우고, 새로운 문자를 다시 만드는 어른의 방식을 모사한다.


“확률적 프로그래밍에서 중요한 것은 세상의 인과 관계를 기술하는 프로그램으로 시작한다는 것이며, 이는 대부분의 심도 학습과는 다르게 동작하는 것이다. 우리가 배우려고 시도하는 것은 특징에 대한 기호나 패턴이 아니다. 우리는 이러한 문자를 생성하는 프로그램을 배우려고 노력한다”고 조슈아 테넌밤 교수가 말했다. 


조슈아 테넌밤 교수와 동료 연구자들은 사람과 소프트웨어 모두가 손으로 쓴 하나의 사례를 본 후에 새로운 문자를 그리게 한 후, 이 문자가 사람 혹은 기계에 의해 쓰였는지를 판단하기 위하여 한 집단의 피험자들에게 문의하였다. 연구자들은 피험자들 가운데 25퍼센트 미만이 그 차이를 구별할 수 있음을 발견하였다. 


연구자들은 이 기법이 좀 더 실용적인 응용분야로 확대될 수 있다고 말한다. 예를 들어, 이것은 컴퓨터가 구어에서 새로운 단어를 빨리 인식하여 사용하는 것을 가능하게 만들 수 있다. 또는 이 기법은 컴퓨터가 특정 객체에 대한 새로운 사례를 인식하게 만들 수 있다. 


좀 더 일반적으로 이러한 방법은 연구자들이 인간의 인식에 대한 연구로부터 영감을 얻음에 따라 인공 지능을 새롭고 중요한 방향으로 안내할 수 있다. 


심도 학습의 개발에서 중요한 역할을 한, 캐나다의 토론토 대에서 심리학과 교수로 있는 제프리 힌튼(Geoffrey Hinton)은 이러한 연구가 현장을 위하여 중요한 단계라고 말한다. “이 논문은 많은 사례로부터 배우는 것이 아니어서 매우 아름답고, 매우 인상적”이라고 제프리 힌튼이 말했다. 


[관련 논문의 서지 정보] 

Brenden M. Lake1, Ruslan Salakhutdinov, Joshua B. Tenenbaum, “Human-level concept learning through probabilistic program induction,” Science, Vol. 350 no. 6266 pp. 1332-1338, 11 December 2015, DOI: 10.1126/science.aab3050


원문출처 : http://www.technologyreview.com/news/544376/this-ai-algorithm-learns-simple-tasks-as-fast-as-we-do/


출처 KISTI 미리안 글로벌동향브리핑





반응형