AI 강의 1강 인공지능 개념과 역사

 

AI 강의 1강 인공지능 개념과 역사

인공지능의 개념
연구 분야
역사
패러다임
응용 사례
Reading Assignments

 

인공지능의 개념

 

인공지능(영어: artificial intelligence 혹은 machine intelligence)은 인간의 지능을 갖고 있는 기능을 갖춘 컴퓨터 시스템이며, 인간의 지능을 기계 등에 인공적으로 시연(구현)한 것이다. 일반적으로 범용 컴퓨터에 적용한다고 가정한다. 이 용어는 또한 그와 같은 지능을 만들 수 있는 방법론이나 실현 가능성 등을 연구하는 과학 분야를 지칭하기도 한다.

 

즉, 인공지능이란 이상적인 지능을 갖춘 존재이며 컴퓨터 시스템에 의해 만들어진 지능을 가진 시스템이며, 머신러닝(Machine Learning), 패턴인식(Pattern Recognition), 인공신경망(Artificial Neural Network) 등을 포함한 광범위한 개념이다.

 

인공지능의 개념

 

□ 사람처럼 생각하고 사람처럼 행동하는 기계(SW, 컴퓨터, 로봇)를 만드는 연구 (Study of building machines that think and actlike humans)

□ 사람처럼 보고 듣고 말하고 행동하는 기계를 만드는 연구 (Study of building machines that see, hear, talk, and act like humans)

□ 사람이 하면 지능을 필요로 하는 일을 기계가 할 수 있도록 하는 연구

□ 현재로서는 사람이 기계보다 잘 하는 일을 기계가 할 수 있게 하는 연구

□ Russell & Norvig(2010)

• Thinking humanly vs. thinking rationally

• Acting humanly vs. acting rationally

□ Four Different Approaches

• Acting humanly: The Turing Test approach

• Thinking humanly: The cognitive modeling approach

• Thinking rationally: The “laws of thought” approach

• Acting rationally: The rational agent approach

 

대표적인 인공지능 적용 분야에 대해 알아보면

 

•머신러닝(기계학습): 명시적인 프로그램 없이도, 컴퓨터가 스스로 학습을 할 수 있도록 하는 분야(Arthur Samuel, 1959)

•패턴인식: 데이터로부터 중요한 특징, 속성을 추출하여 입력 데이터를 식별할 수 있는 부류로 분류하는 분야

•인공신경망: 인간의 뇌가 패턴을 인식하는 방식을 모사한 알고리즘이며, 시각, 청각 입력 데이터를 퍼셉트론이나 분류, 군집을 이용하여 해석하고, 이렇게 해석한 결과를 이용하여 영상, 소리, 문자 등에서 특정 패턴을 인식하는 분야

 

인공지능 연구 분야

 

- 기능적분류 - 지각,인지, 행동

- 과정적분류 - 표현,탐색,추론,학습

- 양상적분류 - 시각,언어,동작(로봇)

- 활용분야

• 자연언어처리,음성인식, 챗봇, 정보검색

• 컴퓨터비전,물체 인식/추적, 로보틱스

• 추천시스템,진단 시스템, 의사결정

• 제조, 금융, 의료, 교육, 게임, 공공, 국방,과학

 

학제적 연구로서의 인공지능

 

• 철학:뇌에서 마음이 어떻게 생성되는가?

• 수학: 불확실한 정보하에서 어떻게 추리하는가?

• 경제학: 효용을 최대화하도록 어떻게 의사결정을 할 것인가?

• 신경과학: 뇌에서 정보처리가 어떻게 일어나는가?

• 심리학: 사람과 동물이 어떻게 사고하고 행동하는가?

• 언어학: 언어가어떻게사고와관련되는가?

• 컴퓨터공학: 효율적인 컴퓨터를 어떻게 만들것인가?

• 제어공학: 인공물이 어떻게 스스로를 제어하는가?

 

인공지능의 역사

 

인공지능의 역사를 간단히 요약하기로 한다. 인공지능의 역사를 자세하게 기술한 자료는 AI study 자료를 참고한다.

 

• 1943년: 워런 맥컬록(Warren McCulloch)와 월터 피츠(Walter Pitts)는 수학과 임계 논리(threshold logic)라 불리는 알고리즘을 바탕으로 신경망을 위한 계산학 모델을 만듦. 이 모델은 신경망 연구의 두 가지 다른 접근법에 대한 초석을 닦았다. 뇌의 신경학적 처리에 집중. 인공 신경망의 활용에 집중
• 1940년 후반: 심리학자 도널드 헤비안(Donald Hebb)는 헤비안 학습(Hebbian learning)이라 불리는 신경 가소성의 원리에 근거한 학습의 기본 가정을 만들었다. 헤비안 학습 - 전형적인 자율학습으로 이것의 변형들은 장기강화(long term potentiation)의 초기 모델이 된다.
• 1954년: 팔리(Farley)와 웨슬리 클라크(Wesley A. Clark)가 MIT에서 헤비안 네트워크를 모의 실험하기 위해 처음으로 계산학 모델(후에 계산기라 불리는)을 사용
• 1956년: 로체스터(Rochester), 홀랜드(Holland), 하빗(Habit), 두다(Duda)에 의해 다른 신경망 계산학 기계들이 만들어짐
• 1958년: 프랑크 로젠블라트(Frank Rosenblatt)는 퍼셉트론을 개발. 퍼셉트론 : 간단한 덧셈과 뺄셈을 하는 이층구조의 학습 컴퓨터 망에 근거한 패턴 인식을 위한 알고리즘
• 1969년: 마빈 민스키(Marvin Minsky)와 시모어 페퍼트(Seymour Papert)에 의해 기계학습 논문이 발표된 후에 신경망 연구는 침체됨, 인공신경망의 문제점 발견. 단층 신경망은 배타적 논리합 회로를 처리하지 못한다. 거대한 신경망에 의해 처리되는 긴 시간을 컴퓨터가 충분히 효과적으로 처리할 만큼 정교하지 않다는 것
• 1975년: 해당 회로의 수학 계산은 폴 웨어보스(Paul Werbos)에 의해 오차 역전파법이 만들어진 후에 가능해짐
• 1980년 대 중반: 병렬 분산 처리가 연결주의(connectionism)라는 이름으로 각광을 받음
• 2000년 대 이후: 딥 러닝의 출현 이후 신경 집합이 다시 재조명 받게 됨
• 2009 – 2012: 스위스 AI 연구실 IDSIA에서 위르겐 슈밋흠바(Jürgen Schmidhuber)의 연구 그룹이 개발한 재귀 신경망과 심화 피드 포워드 신경망은 여덟 번의 패턴 인식과 기계학습 국제 대회에서 우승

 

• 1950~1970: 태동기, 튜링의 사고기계 제안(1950), 인공지능 탄생(1956), 열정, 과열, 냉각(1960~1970)
• 1970~1990: 제1차 AI 산업화, IJCAI 학회 창립(1969), AAAI 학회 창립(1980), 지식기반 전문가 시스템(1975~1985)의 산업화, PC의 등장과 AI 빙하기(“AI Winter”)의도래
• 1990~2010: 과학적 방법론의 도입, 신경망(1986)과 머신러닝 연구, 베이지안넷(1988)과 확률적 추론 연구, 지능형 에이전트(1995)와 로보컵 대회(1997) 
• 2010~현재: 제2차 AI 산업화, 인터넷/웹/소셜 데이터와 머신러닝의 산업화, 자율주행차, 왓슨, 시리 (2011), 딥러닝의 기술의 산업화 (2012-­‐현재)
- 장병탁 '인공지능 입문'

 

 

인공지능의 발전(출처: IITP)

 

 

인공지능 연구 패러다임[Zhang, 2018]

 

• 기호주의 AI(1세대)
합리론, 연역추론
분석적, 장기적, 순차적
시스템 2(a la Kahneman)
논리적 시스템
명제적/언어적 표현
사고 과정, 하향식
가설/지식 기반
전문가 시스템

• 연결주의AI(2세대)
경험론, 귀납추론
직관적, 단기적, 병렬적
시스템 1(a la Kahneman)
확률적 시스템
이미지/시각적 표현
지각 과정, 상향식
센서/데이터 기반
신경망 시스템 (딥러닝)

• 인지주의AI(차세대)
구성론, 동적추론
분석+직관, 장단기, 병렬순차적
시스템 1 +시스템 2
동역학 시스템
시각언어적 표현
행동 과정, 상향+하향식
가설+데이터 결합적
인지 에이전트, 지능 로봇

 

인공지능에 대한 연구가 급속도로 빨라지는 이유

 

• 강력한 병렬 및 분산처리 능력을 갖춘 컴퓨팅 능력 향상: 과거에도 딥 러닝 등의 개념은 존재했지만, 이를 실제로 구현할 수 있는 하드웨어 성능이 따라주지 않았다. 현재는 인공지능 알고리즘을 구현할 수 있는 하드웨어의 성능이 충분하고 더욱 발전하고 있다. 
• 인터넷, 사물인터넷(Internet of Things)과 다양한 센서를 통한 정보수집 능력의 향상: 과거에는 정보 수집의 한계때문에 인공지능 알고리즘을 학습시키는데 제약이 많았다. 현재는 인터넷과 각종 센서등을 통해 수집할 수 있는 데이터의 양이 충분히 존재하며, 사물인터넷과 화상 기술의 발달로 기계학습을 위한 데이터 수집이 용이한 환경이 조성되고 있다.
• 개발, 공개, 협업을 통한 공개 소프트웨어: Opencv, Tensorflow 등 다양한 프레임워크들이 공개되어 있으며 누구나 쉽게 개발에 참여할 수 있는 환경이 조성되고 있다.

 

인공지능의 산업적 응용사례

 

• Self-­‐driving cars (Google)

• Autonomous robots (TU Munich)

• Logistics planning (Amazon) - CNET News - Meet the robots making Amazon even faster

• Machine translation (MS) Skype Translator preview opens the classroom to the world 

• Gaming (DeepMind’sAlphaGo)Atari 벽돌깨기 게임을 하는 Google DeepMind의 Deep Q-learning

• Consulting (IBM Watson)

• Media recommendation (Netflix)

• Conversational agents: Apple Siri, Microsoft Cortana

• Smart speakers: Amazon Echo, Google Home

• Chatbots: Facebook M

• Image recognition:GoogLeNet, DeepFace

• Speech recognitionHow to Make a Simple Tensorflow Speech Recognizer

 

Reading Assignments

[McCarthy et al, 1955] A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955.
• Q: 1955년에 제안한 인공지능 연구 주제는 무엇이며 이 중에서 60여년이 지난 현재까지 많이 발전된 기술은 무엇이며 상대적으로 발전하지 못한 기술은 무엇인가?

[Turing, 1950] Turing, A. M., Computing Machinery and Intelligence, 59(236): 433-­‐460, 1950.
• 컴퓨터는 수행하도록 프로그램된 것만 실행하기 때문에 스스로 생각할 수 없다는 주장(소위 Lady Lovelace’s Objection)에 대한 튜링의 반박 논지를 간략히 설명하시오.

[Zhang, 2018] Zhang, B.-­‐T., Human Intelligence and Machine Intelligence: Cognitive Artificial Intelligence (in Korean), Communications of the KIISE, 36(1):27-­‐36, 2018.
• Q:현재 기계의 지능이 인간의 지능과 가장 다른 점들은 무엇이며, 인공지능이 인간 지능으로부터 배울점은 무엇인가?

 

참고

인공지능 입문 강의노트 - 서울대학교 컴퓨터과학부 장병탁

장병탁 홈페이지

서울대 장벽탁교수 기계학습개론/딥러닝 강의노트

인공지능 입문(2018 1학기) 강의노트

 

여기까지 정리하고 놀러나간다. 모든 게 어긋나고 또 어긋나고 끝까지 어긋난다. 안 맞아도 이렇게 안 맞을 줄 몰랐다. 세상에나, 일부러 만들어도 이렇게는 못 만들듯. ^&%$&%^&^%&^%#@&#^%&%@%