인공지능 전문가들

인공지능
무료 백과사전인 위키피디아에서
탐색으로 이동검색하려면 점프
“AI”가 여기로 리디렉션된다. 다른 용도는 AI(해제) 및 인공지능(해제)을 참조하십시오.
다음에 대한 시리즈 일부
인공지능
주요목표
지식 추론계획머신 학습자연어 처리컴퓨터 비전로보틱스인공지능
접근
SymbolicDeep LearningBayesian networkEvolutionary 알고리즘
철학
윤리존재 위험튜링 테스트중국 방 제어 문제친환경 AI
역사
타임라인프로세스AI 겨울
기술
응용 프로그램프로젝트언어 프로그래밍
용어집
용어집
vte
기계지능(AI)이라고도 불리는 인공지능(AI)은 인간과 동물이 보여주는 자연지능과 달리 기계가 보여주는 지능이다. 선도적인 AI 교과서는 이 분야를 ‘지능형 에이전트’의 연구로 정의하고 있는데, 이 분야는 환경을 인식하고 목표를 성공적으로 달성할 수 있는 기회를 극대화하는 모든 조치를 취하는 장치다.[3] 구어적으로 “인공지능”이라는 용어는 “학습”이나 “문제해결”과 같이 인간이 인간의 마음과 연관시키는 “인지적” 기능을 모방한 기계(또는 컴퓨터)를 묘사할 때 자주 사용된다.[4]
기계가 점점 능력을 발휘할 수 있게 되면서 ‘지능’이 필요하다고 여겨지는 업무는 AI 효과로 알려진 현상인 AI의 정의에서 배제되는 경우가 많다.[5] 테슬러 정리의 quip은 다음과 같이 말한다.AI는 아직 일어나지 않은 것이다.”[6] 예를 들어, 광학 문자 인식은 일상적인 기술이 되어 AI로 간주되는 것에서 자주 제외된다.[8] 일반적으로 AI로 분류되는 현대의 기계 기능에는 인간의 언어에 대한 성공적인 이해, 전략 게임 시스템(체스나 바둑 등)에서 최고 수준에서 경쟁[9], 자율적으로 작동하는 자동차[10], 컨텐츠 전달 네트워크의 지능형 라우팅, 군사 시뮬레이션 등이 포함된다.[11]
인공지능은 1955년 학문 분야로 설립되었고, 그 이후 여러 차례의 낙관론 물결이 일면서 실망과 자금 손실(“AI 겨울”로 알려진)이 뒤따랐고, [14][15]이 새로운 접근법, 성공과 재기 자금 지원을 받았다.[13][16] 대부분의 역사에서 AI 연구는 서로 소통하지 못하는 경우가 많은 하위 분야로 나뉘어 왔다.[17] 이러한 하위 분야는 특정 목표(예: “로보틱스” 또는 “기계 학습”),[18] 특정 도구의 사용(“로직” 또는 인공 신경망”) 또는 깊은 철학적 차이와 같은 기술적 고려사항에 기초한다.[21][22][23] 하위 분야도 사회적 요인(특히 기관이나 특정 연구자의 연구)에 기초해 왔다.[17]AI 연구의 전통적인 문제(또는 목표)에는 추론, 지식 표현, 계획, 학습, 자연 언어 처리, 인식, 사물을 움직이고 조작하는 능력 등이 있다.[18] 일반적 지능은 그 분야의 장기적 목표 중 하나이다.[24] 접근법에는 통계적 방법, 계산적 지능, 전통적인 상징적 AI가 포함된다. 검색과 수학 최적화 버전, 인공신경망, 통계, 확률, 경제성을 바탕으로 한 방법 등 AI에서 많은 도구가 사용되고 있다. AI 분야는 컴퓨터공학, 정보공학, 수학, 심리학, 언어학, 철학, 그리고 많은 다른 분야들에 의존한다.이 분야는 “인간의 지능을 매우 정밀하게 기술할 수 있어서 기계를 시뮬레이션 할 수 있다”는 가정 하에 설립되었다.[25] 이것은 인간과 같은 지능을 부여받은 인공적인 존재를 창조하는 마음과 윤리에 대한 철학적 주장을 제기한다.
과제들
현재 아키텍처의 인지 능력은 매우 제한적이며, 지능이 실제로 할 수 있는 것의 단순화된 버전만 사용한다. 예를 들어 인간의 정신은 측정과 논리적인 설명을 넘어 삶의 여러 가지 발생에 대해 추론할 수 있는 방법을 생각해냈다. 그렇지 않았다면, 똑같이 어려운 문제는 인간의 마음을 사용하는 것과 반대로 계산적으로 해결하기가 어려울 수 있다. 이것은 구조론자와 기능론자의 두 가지 종류의 모델을 낳는다. 구조 모델은 추리, 논리 등 정신의 기본적인 지능 조작을 느슨하게 모방하는 것을 목표로 한다. 기능 모델은 데이터와 계산 상대 데이터의 상관 관계를 가리킨다.[92]
인공지능의 전반적인 연구목표는 컴퓨터와 기계가 지능적으로 기능할 수 있는 기술을 만드는 것이다. 지능을 시뮬레이션(또는 창조)하는 일반적인 문제가 하위 문제로 분해되었다. 이것들은 연구자들이 지적 시스템이 보여줄 것으로 기대하는 특정한 특성이나 능력들로 구성되어 있다. 아래에 묘사된 특징들이 가장 많은 관심을 받았다.[18]
추리, 문제 해결
초기 연구자들은 인간이 퍼즐을 풀거나 논리적 추론을 할 때 사용하는 단계별 추론을 모방한 알고리즘을 개발했다.[93] 1980년대 후반과 1990년대까지 AI 연구는 불확실하거나 불완전한 정보를 다루는 방법을 개발해 확률과 경제학의 개념을 채택했다.[94]이러한 알고리즘은 큰 추리 문제를 해결하는 데 불충분하다는 것이 입증되었는데, 이는 문제가 커질수록 기하급수적으로 느려지는 “결합 폭발”을 경험했기 때문이다.[75] 초기 AI 연구가 모델링할 수 있는 단계별 추론을 인간도 거의 사용하지 않는다. 그들은 빠르고 직관적인 판단을 통해 대부분의 문제를 해결한다.[95]
지식 표현
온톨로지란 지식의 집합으로서 도메인 내의 개념들과 그 개념들 사이의 관계를 나타낸다.
주요기사 : 지식표현 및 상식지식
지식 표현[96]과 지식 공학[97]은 고전적인 AI 연구의 중심이다. 일부 ‘전문가 시스템’은 일부 좁은 영역에서 전문가가 보유한 노골적인 지식을 수집하려고 시도한다. 게다가, 어떤 프로젝트들은 보통 사람들에게 알려진 “확실한 지식”을 세상에 대한 광범위한 지식을 포함하는 데이터베이스로 모으려고 시도한다. 포괄적인 상식 지식 기반에는 객체, 속성, 범주 및 객체 간의 관계, [98] 상황, 사건, 상태 및 시간, [99] 원인과 효과, [100] 지식(다른 사람이 알고 있는 정보에 대해 우리가 알고 있는 것)에 대한 지식, [101] 및 기타 연구가 덜 된 많은 영역이 포함된다. “존재하는 것”의 표현은 온톨로지로서, 소프트웨어 에이전트가 해석할 수 있도록 공식적으로 기술된 객체, 관계, 개념 및 속성의 집합이다. 이것들의 의미론은 설명 논리 개념, 역할 및 개인으로 포착되며, 일반적으로 Web Ontology Language에서 클래스, 속성 및 개인으로 구현된다.[102] 대부분의 일반적인 온톨로지를 상위 온톨로지라고 하는데, 이 온톨로지는 특정 지식 영역(관심 영역 또는 관심 영역)에 대한 특정 지식을 다루는 도메인 온톨로지 사이의 매개자 역할을 함으로써 다른 모든 지식[103]의 기반을 제공하려고 시도한다. 이러한 공식적인 지식 표현은 컨텐츠 기반 인덱싱 및 검색, [104] 장면 해석,[105] 임상 의사결정 지원,[106] 지식 검색(대규모 데이터베이스에서 “관심하고” 실행 가능한 추론),[107] 및 기타 영역에 사용할 수 있다.[108]
지식 표현에서 가장 어려운 문제로는 다음과 같다.
기본 추론과 자격 문제
사람들이 알고 있는 많은 것들이 “일하는 가정”의 형태를 띤다. 예를 들어, 대화 중에 새가 나오면 사람들은 일반적으로 노래하고 날아다니는 주먹만한 동물을 상상한다. 이 중 어느 것도 모든 새에 대해 진실하지 않다. John McCarthy는 1969년[109]에 이 문제를 자격 문제로 인정했다: AI 연구자들이 대표할 수 있는 상식적인 규칙의 경우, 예외는 엄청나게 많은 경향이 있다. 추상적인 논리가 요구하는 방식으로는 거의 아무것도 단순히 진실이나 거짓이 아니다. AI 연구는 이 문제에 대한 많은 해결책을 찾아냈다.[110]
상식적인 지식의 폭
보통 사람들이 알고 있는 원자 사실의 수는 매우 많다. 상식 지식의 완전한 지식 기반(예: Cyc)을 구축하려는 연구 프로젝트에는 엄청난 양의 고된 온톨로지 공학을 필요로 한다. 즉, 그것들은 수작업으로 한 번에 하나의 복잡한 개념을 구축해야 한다.[111]
일부 상식 지식의 하위 상징적 형태
사람들이 알고 있는 많은 것들은 그들이 말로 표현할 수 있는 “사실”이나 ” 진술”로 표현되지 않는다.

인공지능 전문가들