인공지능

강한 AI vs 약한 AI
AI는 약하거나 강한 것으로 분류할 수 있다. 좁은 AI라고도 불리는 약한 AI는 특정 과제를 완수하도록 설계하고 훈련하는 AI 시스템이다. 애플 시리 등 산업용 로봇과 가상 개인비서들은 약한 AI를 사용한다. 인공지능(AGI)으로도 알려진 강력한 AI는 인간의 두뇌의 인지 능력을 복제할 수 있는 프로그래밍을 기술한다. 낯선 과제를 제시했을 때 강력한 AI 시스템은 퍼지 로직을 이용해 한 도메인에서 다른 영역으로 지식을 적용하고 자율적으로 해결책을 찾을 수 있다. 이론적으로 강력한 AI 프로그램은 튜링 테스트와 중국 방 테스트를 모두 통과할 수 있어야 한다.
증강지능 vs 인공지능
일부 업계 전문가들은 인공지능이라는 용어가 대중문화와 너무 밀접하게 연관돼 있다고 보고 있으며, 이로 인해 AI가 직장이나 생활을 전반적으로 어떻게 변화시킬지에 대한 일반인들의 기대감은 희박하게 높아졌다. 일부 연구자와 마케터들은 보다 중립적인 의미를 지닌 라벨 증강 지능이 AI의 대부분의 구현이 취약하고 단순히 제품과 서비스를 개선할 것이라는 것을 이해하는데 도움이 되기를 바라고 있다. 기술적 특이성의 개념, 즉 그것을 이해하는 인간의 두뇌의 능력이나 우리의 현실을 어떻게 형성하고 있는가를 훨씬 능가하는 인공적인 초지능에 의해 지배되는 미래는 공상과학 소설의 영역 안에 남아 있다.
인공지능의 윤리적 이용
인공지능 도구는 기업을 위한 다양한 새로운 기능을 제공하지만, 인공지능의 사용은 좋든 나쁘든 AI 시스템이 이미 배운 것을 강화시킬 것이기 때문에 윤리적인 문제를 제기한다. 이는 많은 첨단 AI 도구를 뒷받침하는 머신러닝 알고리즘이 훈련에서 주어진 데이터만큼 스마트하기 때문에 문제가 될 수 있다. 인간은 AI 프로그램을 훈련시키기 위해 어떤 데이터를 사용할지 선택하기 때문에 머신러닝 편향의 가능성은 내재되어 있으므로 면밀히 감시해야 한다. 기계 학습을 현실 세계의 일부로 사용하고자 하는 사람은 누구나 자신의 AI 교육 과정에 윤리를 고려해서 편견을 피하도록 노력해야 한다. 딥러닝과 GAN(Generatory Network) 애플리케이션에서 본질적으로 설명할 수 없는 AI 알고리즘을 사용할 경우 특히 그렇다. 엄격한 규제 준수 요건 하에서 운영되는 산업에서 AI를 사용하는 데 있어 설명가능성이 걸림돌이 될 수 있다. 예를 들어, 미국의 금융 기관들은 신용 발행 결정을 설명하도록 요구하는 규정에 따라 운영된다. 하지만 AI 프로그래밍에 의해 신용거부 결정이 내려지면 수천 개의 변수 사이의 미묘한 상관관계를 희석해 이런 결정을 내리는 데 사용된 AI 도구가 작동하기 때문에 어떻게 결정됐는지 설명하기 어려울 수 있다. 의사결정 과정을 설명할 수 없을 때에는 프로그램을 블랙박스 AI라고 할 수 있다.
AI의 구성요소
AI를 둘러싼 과대광고가 가속화되자 판매업체들은 자사 제품과 서비스가 AI를 어떻게 활용하는지 앞다퉈 홍보하고 있다. 흔히 그들이 AI라고 부르는 것은 단순히 기계학습과 같은 AI의 한 구성요소일 뿐이다. 인공지능은 기계 학습 알고리즘을 작성하고 훈련시키기 위한 전문 하드웨어와 소프트웨어의 기초를 필요로 한다. 프로그래밍 언어가 AI와 동의어는 하나도 없지만 파이썬, R, 자바 등 일부 프로그래밍 언어가 인기다.
다양한 AI 구성 요소 목록
AI는 단순한 기술이 아니다.
AI as a Service(AIaaS)
하드웨어, 소프트웨어, AI 인력양성 비용이 비쌀 수 있기 때문에 많은 벤더가 자사의 표준 오퍼링에 AI 컴포넌트를 포함시키거나 서비스형 인공지능(AIaaS) 플랫폼에 대한 액세스를 제공하고 있다. AIaaS는 개인과 기업이 다양한 사업목적으로 AI를 실험하고, 여러 플랫폼을 샘플링한 뒤 약속을 할 수 있도록 한다.
인기 있는 AI 클라우드 제품에는 다음이 포함된다.
아마존 AI
IBM 왓슨 어시스턴트
마이크로소프트 인지 서비스
구글 AI
인공지능 4종류
아렌드 힌츠 미시간 주립대 통합생물학컴퓨터공학부 조교수는 2016년 기고문에서 AI는 오늘날 광범위하게 사용되고 있는 과제별 지능시스템부터 시작해 아직 존재하지 않는 지각시스템까지 4가지 유형으로 분류할 수 있다고 설명했다. 범주는 다음과 같다.
유형 1: 반응형 시스템. 이들 AI 시스템은 메모리가 없고 업무별로 다르다. 1990년대 개리 카스파로프를 제친 IBM 체스 프로그램 딥 블루가 대표적이다. 딥 블루는 체스판 위에서 조각들을 식별하고 예측을 할 수 있지만, 기억이 없기 때문에 과거의 경험을 이용해 미래의 것을 알릴 수는 없다.
유형 2: 제한된 메모리. 이들 AI 시스템은 메모리가 있어 과거 경험을 활용해 향후 의사결정을 알릴 수 있다. 자율주행차의 의사결정 기능 중 일부는 이런 방식으로 설계된다.
유형 3: 정신 이론. 정신 이론은 심리학 용어다.
인공지능(AI)에 적용하면 감정을 이해할 수 있는 소셜 인텔리전스를 갖췄다는 의미다. 이런 유형의 AI는 인간의 의도를 추론하고 행동을 예측할 수 있게 되는데, 이는 AI 시스템이 인간 팀의 필수 구성원이 되기 위한 필수 기술이다.
유형 4: 자각 이 범주에서 AI 시스템은 자아의식을 갖고 있어 의식을 갖게 한다. 자각을 가진 기계는 자신의 현재 상태를 이해한다. 이런 유형의 AI는 아직 존재하지 않는다.
인공지능의 진화
인지컴퓨팅과 AI
AI와 인지컴퓨팅이라는 용어는 서로 바꿔 쓰기도 하지만, 일반적으로 말해서 AI라는 라벨은 우리가 환경에서 정보를 감지하고, 배우고, 처리하고, 반응하는 방법을 시뮬레이션함으로써 인간의 지능을 대체하는 기계와 관련하여 사용된다.
라벨 인지 컴퓨팅은 인간의 사고 과정을 모방하고 증가시키는 제품 및 서비스에 관하여 사용된다.
AI 기술의 예
AI는 다양한 종류의 기술에 통합되어 있다. 여섯 가지 예를 들어보자.
자동화. 자동화 툴은 AI 기술과 결합하면 수행되는 작업의 양과 종류를 확대할 수 있다. 인간이 전통적으로 행하던 규칙 기반의 반복적인 데이터 처리 작업을 자동화하는 소프트웨어의 일종인 RPA(로봇 프로세스 자동화)가 그 예다. 머신러닝(machine learning)과 신흥 AI 툴이 결합되면 RPA의 전술봇이 AI의 인텔리전스를 전달하고 프로세스 변화에 대응할 수 있게 된다.
머신러닝. 이것은 프로그래밍 없이 컴퓨터를 작동시키는 과학이다. 딥러닝은 기계학습의 하위 집합체로서, 매우 간단한 용어로, 예측 분석의 자동화로 생각할 수 있다. 머신러닝 알고리즘에는 세 가지 유형이 있다.
감독하는 학습. 데이터 세트에 라벨을 부착하여 패턴을 감지하고 새 데이터 세트에 라벨을 붙이는 데 사용할 수 있다.
감독받지 못한 학습. 데이터 세트는 라벨이 붙어 있지 않고 유사점이나 차이점에 따라 정렬된다.
강화 학습. 데이터 세트는 라벨이 표시되지 않지만, 조치를 수행하거나 여러 작업을 수행한 후에는 AI 시스템에 피드백이 주어진다.
1. 기계 시야
이 기술은 기계에게 볼 수 있는 능력을 준다. 머신비전(Machine vision)은 카메라, 아날로그-디지털 변환, 디지털 신호 처리를 이용해 시각 정보를 캡처하고 분석한다. 그것은 종종 인간의 시력에 비교되지만, 기계 시력은 생물학에 의해 구속되지 않으며, 예를 들어 벽을 통해 볼 수 있도록 프로그램될 수 있다. 서명식별부터 의료영상분석까지 다양한 용도에 사용된다. 기계 기반의 이미지 처리에 초점을 맞춘 컴퓨터 비전은 기계 비전과 혼동되는 경우가 많다.
자연어 처리. 이것은 컴퓨터 프로그램에 의한 인간의 언어 처리다. NLP의 가장 오래되고 잘 알려진 예로는 스팸 탐지인데, 스팸 탐지란 이메일의 제목과 텍스트를 보고 정크 여부를 결정하는 것이다. NLP에 대한 현재의 접근방식은 기계 학습에 기초한다. NLP 과제에는 텍스트 번역, 감정 분석, 음성 인식 등이 포함된다.
로봇공학. 이 공학 분야는 로봇의 디자인과 제조에 초점을 맞추고 있다. 로봇은 인간이 일관성 있게 수행하거나 수행하기 어려운 작업을 수행하는 데 자주 사용된다. 예를 들어, 로봇은 자동차 생산을 위한 조립 라인에 사용되거나 나사에 의해 우주에서 큰 물체를 이동시키기 위해 사용된다. 연구원들은 또한 기계 학습을 사용하여 사회적 환경에서 상호작용할 수 있는 로봇을 만들고 있다.
2. 자율주행차
자율주행차는 컴퓨터 비전, 이미지 인식, 딥러닝 등을 결합해 주어진 차선에 머물면서 보행자 등 예상치 못한 장애물을 피해 차량을 조종하는 자동화된 기술을 구축한다.
3. AI의 역사
지능이 부여된 무생물들의 개념은 예로부터 존재해왔다. 그리스 신 헤파이스토스는 신화에 로봇 같은 하인들을 금에서 위조하는 것으로 묘사되었다. 고대 이집트의 기술자들은 사제들이 애니메이션으로 만든 신들의 동상을 만들었다. 수세기 내내 아리스토텔레스에서 13세기 스페인 신학자 라몬 룰부터 르네 데카르트, 토마스 베이지스에 이르기까지 사상가들은 그 시대의 도구와 논리를 사용하여 인간의 사고 과정을 상징으로 묘사함으로써 일반적인 지식 표현과 같은 AI 개념의 기초를 닦았다.
19세기 후반과 20세기 전반은 현대 컴퓨터를 탄생시킬 기초적인 작업을 가져왔다. 1836년 케임브리지 대학의 수학자 찰스 배비지와 러브레이스 백작 부인 아우구스타 에다 바이런은 프로그램 가능한 기계에 대한 최초의 디자인을 발명했다. 1940년대에 프린스턴의 수학자 존 폰 노이만은 저장된 프로그램 컴퓨터의 구조를 구상했다. 컴퓨터의 프로그램과 그것이 처리하는 데이터는 컴퓨터의 기억 속에 보관될 수 있다는 생각이었다. 그리고 워렌 맥컬로치와 월터 피츠가 신경망의 기초를 닦았다.
현대 컴퓨터의 등장으로 과학자들은 기계 지능에 대한 그들의 생각을 시험할 수 있었다.
컴퓨터에 지능이 있는지 여부를 판단하는 한 가지 방법은 1950년 영국의 수학자이자 제2차 세계대전의 코드브레이커인 앨런 튜링에 의해 고안되었다. 튜링 테스트는 질문자들을 속여서 그들의 질문에 대한 그것의 반응이 사람에 의해 이루어졌다고 믿게 하는 컴퓨터의 능력에 초점을 맞췄다. 현대 인공지능 분야는 1956년 다트머스대학 여름학술회의 때 시작된 것으로 널리 인용되고 있다. 국방고등연구계획국(DARPA)이 후원한 이번 회의에는 인공지능(AI)이라는 용어를 코칭한 공로를 인정받고 있는 마빈 민스키, 올리버 셀프리지, 존 매카시 등 이 분야 유명인사 10명이 참석했다. 컴퓨터 과학자인 앨런 뉴웰과 허버트 A도 참석했다. 경제학자, 정치학자, 인지심리학자인 사이먼은 그들의 획기적인 논리 이론가를 제시했는데, 이 프로그램은 특정 수학 이론을 증명할 수 있고 최초의 AI 프로그램으로 언급되었다. 다트머스대 컨퍼런스를 계기로 인공지능(AI) 분야의 리더들은 인간의 뇌에 버금가는 인공 지능이 눈앞에 다가와 주요 정부와 업계의 지원을 끌어모으고 있다고 예측했다. 실제로, 거의 20년 동안 많은 자금을 지원받은 기초연구는 AI에 상당한 진보를 낳았다. 예를 들어, 1950년대 후반, 뉴웰과 사이먼은 복잡한 문제를 해결하는 데는 부족하지만 보다 정교한 인지 아키텍처를 개발하는 기반을 마련한 GPS(General Problem Solver) 알고리즘을 발표하였다. McCarthy는 Lisp를 개발했다. 오늘날에도 여전히 사용되고 있는 AI 프로그래밍 언어 1960년대 중반에 MIT의 조셉 바이젠바움 교수는 오늘날의 챗봇의 기초를 닦은 초기 자연어 처리 프로그램인 ELIZA를 개발했다. 그러나 인공지능의 성과는 컴퓨터 처리와 메모리의 한계와 문제의 복잡성으로 인해, 임박한 것이 아니라, 이해하기 어려운 것으로 판명되었다. 정부와 기업들은 AI 연구에 대한 지지에서 물러나 1974년부터 1980년까지 지속된 단기로 이어졌으며 최초의 ‘AI 윈터’로 알려져 있다. 1980년대 딥러닝 기법에 대한 연구와 산업계의 에드워드 파이겐바움 전문가 시스템 채택은 AI 열풍의 새로운 바람을 불러일으켰지만, 정부 자금과 산업 지원이 또 한 번 무너지는 결과를 낳았다. 두 번째 AI 겨울은 1990년대 중반까지 이어졌다.

인공지능