지능이란 무엇인가
: 인공지능 시스템에서 필요한 '지능'의 개념에 대한 이해
1. 지능의 사전적 정의
1) Webster 사전
: the ability to learn or understand or to deal with new or trying situations
2) 표준국어대사전
: 새로운 대상이나 상황에 부딪혀 그 의미를 이해하고 합리적인 적응 방법을 알아내는 지적 활동의 능력
=> 문제해결 능력, 학습 능력, 지식 활용 능력, 인지 능력, 다양한 상황에 대한 적응 능력 등
2. 지능이 사용되는 문제의 예
EX 1. 알파벳 배열
EX 2. 도형의 배열
EX 3. 필기 숫자 인식 문제(MNIST 데이터 집합)
지능 게임: 컴퓨터의 지능적 행동 능력 평가
1. 튜링 테스트(Turing Test)
: Alan Turing이 컴퓨터가 생각을 할 수 있는가를 입증하기 위한 방법으로 제안한 테스트
-> 이미테이션 게임: 평가자가 가려진 사람과 컴퓨터를 대상으로 대화를 하는 과정에서 사람과 컴퓨터를 구분하는 검사 방법
ex. 대화를 통해 성별을 맞추는 게임 - 컴퓨터와 사람을 식별하는 게임
2. 지능 게임
: 컴퓨터의 성능을 입증하는 방법 중 하나로 연구 초기부터 진행되어오고 있다
CASE 1. 체스 대결
Deep Blue vs Garry Kasparov
| * Deep Blue: IBM의 RS/6000 SP 병렬 슈퍼컴퓨터에 체스 전용 보조프로세서를 장착하여 초당 2억개의 행마를 검토할 수 있음 |
- 1차 대결(1996년): 3승 2무 1패로 카스파로프 승
- 2차 대결(1997년): 2승 3무 1패로 딥 블루 승
CASE 2. 인간과 컴퓨터의 퀴즈 대결
'Jeopardy!' 퀴즈 쇼(2011년)
2명의 퀴즈 달인과 IBM의 Watson 컴퓨터가 대결해 Watson이 답도적인 승리를 거둠
| * IBM Watson - DeepQA: 100가지가 넘는 서로 다른 기술을 이용하여 자연어를 처리하고 가설을 설정하여 증거에 점수를 매긴 다음, 가설들을 병합하고 순위를 정해 답변 - 총 2,880개의 POWER7 프로세서 스레드가 동작하는 대단위 병렬 시스템을 이용하여 고속으로 처리 |
eg. 참고영상
CASE 3. 바둑 대결
AlphaGo VS 이세돌(2016년)
딥마인드(DeepMind Technologies)의 AlphaGo와
우리나라의 프로기사 이세돌과 AlphaGo의 대국으로
이세돌 9단이 1승 4패로 패함
| * AlphaGo - Monte-Carlo 트리 탐색, 심층학습(deep learning)을 이용한 기계학습 기술을 적용 - 다수의 CPU와 GPU를 이용한 대단위 병렬 컴퓨터 사용 - 단일 버전: 48개의 CPU와 4~8개의 GPU로 계산 - 분산 버전: 1,202-1,920개의 CPU와 176-280개의 GPU를 이용해 계산 |
=> 사람이 할 수 있는 일들까지 할 수 있는 수준이 되었다
3. 컴퓨터가 인간을 능가하는 지능을 갖게 된 것인가?
지능적 시스템에 요구되는 능력
- 지식을 바탕으로 동작할 수 있는 능력
- 데이터를 분석하여 예측할 수 있는 능력
- 학습할 수 있는 능력
- 사물을 인지할 수 있는 능력
- 자연어를 이해하고 구사할 수 있는 능력
- 창조할 수 있는 능력
- 감성지능
4. 인공지능
1) 인공 일반지능(AGI: Artificial General Intelligence )
- 강한 인공지능(strong AI)
- 사람이 할 수 있는 어떠한 지적인 작업이든 사람만큼, 혹은 사람보다 더 잘 해낼 수 있는 기계
2) 약한 인공지능(weak AI)
- 좁은 인공지능(narrow AI)
- 특정 작업 영역에 활용할 수 있도록 설계된 지능적 시스템
-> 여태까지의 시스템은 약한 인공지능이었으나
앞으로는 인공 일반지능이 될 것이다
기대와 우려가 함께하고 있으며
인공지능을 잘 활용하고 인간에게 유익하게 사용할 수 있어야 한다
인공지능의 개념
1. 인공지능의 출현
- 1956년 Dartmouth 대학의 John McCarthy, Marvin Minsky, Nathaniel Rochester, Claude Shannon 등이 제안한 학술 회의
- '인공지능(Artificial Intelligence)'라는 이름이 사용되기 시작함
- 컴퓨터, 자연어 처리, 신경망, 계산이론, 학습, 추상화, 창의성 등의 인공지능 관련 주제에 대해 브레인스토밍
2. 인공지능
: 지능적 행동의 일반적 의미에 대한 컴퓨터 관점에서의 이해 및 지능적 행동을 할 수 있는 인공물의 생성을 다루는 컴퓨터 과학 및 컴퓨터공학의 분야
- 계산심리학 관점의 접근: 사람과 동일한 방식으로 행동하는 컴퓨터 프로그램을 만듦으로써 인간의 지능적 행동을 이해하고자 함
- 기계지능 관점의 접근: 컴퓨터를 이용하여 프로그래밍할 수 있는 영역을 인간이 수행할 수 있는 작업영역으로 확장하고자 함
-> 우리가 공부하고자 하는 분야
3. 인공지능 접근방법
1) 기호처리 인공지능(Symbolic AI)
: a->b
- 기호를 이용한 논리적 추론, 탐색 등의 방법
- 대표적 성공 사례: 전문가 시스템
2) 통계적 접근
- 정보이론, 베이즈 결정이론 등 적용
- 결정트리, 서포트 벡터 머신 등
3) 연결주의
- 신경회로망 모델 활용
- 심층학습 등의 연구
인공지능의 접근 방향
1. 물리적 기호 시스템 가설
: 물리적 기호 시스템은 일반적인 지능적 행동을 위한 필요 충분한 수단을 가지고 있다
- Herbert A. Simon, Allen Newell
-> 인간이 행하는 지능적 작업을 수행하는 프로그램을 작성할 수 있다는 가능성에 대한 믿음의 근원
2. 문제풀이
: 직관적으로 단순하게 해결할 수 없는 문제에 대해 문제를 파악하고 문제의 해에 이르는 방법을 찾아내는 일련의 과정
3. 일반문제풀이기(GPS: General Problem Solver)
- 1959년 Herbert A. Simon 등이 어느 문제에든 적용할 수 있는 문제풀이 기계를 만들기 위해 개발한 프로그램
- 간단한 문제의 경우 풀이 가능
- 실 세계의 문제에는 중간 상태 조합 가지의 폭발적 증가로 인해 적용할 수 없음
4. 전문가 시스템(Expert Systems)
1) Dendral(1960년대)
: 질량 분석 데이터와 화학 지식을 사용하여 유기화학자가 미지의 유기 분자를 식별하는 것을 보조함
2) MYCIN(1970)년대
: 감염을 유발하는 세균을 식별하고, 이에 맞는 항생제와 투여량 등의 처방에 참고할 수 있는 조언을 제공함
-> 범용 문제풀이기가 아닌 특정 분야의 지식을 획득하고 조직화함으로써 문제풀이에 활용하는 방향으로 전환하는 계기가 됨
3) 지식기반시스템(Knowledge-based Systems)
- 지식 베이스: 지식을 구조화하여 컴퓨터 내부에 저장
- 추론기관: 지식 베이스의 지식과 외부에서 일어난 사실을 표현하고 있는 정보의 조합방법을 탐색
=> 지식공학: 지식을 어떻게 체계화하고 지식 베이스에 축적하며, 축적된 지식을 어떻게 이용하는가를 연구하는 분야
5. 기계학습(Machine Learning)
: 수집된 정보로부터 문제풀이에 필요한 지식을 습득함으로써 시스템 스스로 행동을 향상시키는 과정
- 직접적인 지식의 전달
- 귀납적 지식 형성
- 외부의 긍정적 반응과 부정적 반응
6. 인공신경망(Artificial Neural Networks)
: 신경세포인 뉴런의 동작과 같은 처리방법이라는 접근
인공지능 연구의 침체와 활성화
1. 인공지능의 겨울(AI winter)
- 인공지능의 비관론이 확대되어 연구를 위한 지원이 급감하고, AI 산업이 침체됨
- 원인: 결과물의 성능이나 유용성, 유연성, 경제성이 충분히 뒷받침되지 못함
2. 인공지능에 대한 새로운 관심
- 심층학습과 같은 인공지능 알고리즘의 개선
- GPGPU 등의 기술을 활용한 계산능력의 비약적 증대
- 웹, 스마트폰 활용 등으로 인한 방대한 데이터의 생성과 이를 바탕으로 한 빅데이터 기술 발전
인공지능 탐구 분야
인공지능 탐구 분야 Artificial Intelligence
| 기계학습 | 딥러닝 |
| 데이터 마이닝 | |
| 컴퓨터 시각 | 영상 인식 |
| 의학 영상 진단 | |
| 로봇, 자동차 | 공장 자동화 |
| 자율주행 | |
| 자연어 처리 | 번역 |
| 정보 추출 | |
| 음성 처리 | 음성<->텍스트 |
| 예술 | 회화, 음악 |
-> 다양한 분야에서 활용되고 있다
지능형 에이전트
1. 에이전트에 대한 다양한 정의
1) Nicholas Negroponte
"에이전트는 사용자가 위임한 권한을 갖는 개인 소프트웨어 도우미이다."
2) Pattie Maes
"자율적 에이전트(Autonomous Agents)는 어떤 복잡한 동적 환경에 존재하면서 이 환경 내에서 자율적으로 감지하고 행동하며, 이를 통해 그들의 설계 목적에 해당되는 목표나 작업을 수행하도록 하는 계산 시스템이다."
3) Barbara Hayes-Roth
"지능형 에이전트는 다음 세 가지 기능을 끊임없이 반복 수행한다."
- 속해 있는 환경 내의 동적인 주변 상황을 감지한다.
- 감지된 내용을 해석하고, 문제를 풀이하고, 결론을 내려 행동을 결정하기 위한 추론을 한다.
- 환경 내의 상황에 영향을 미치기 위해 행동한다.
4) IBM
- 지능형 에이전트는 어느 정도의 독립성 또는 자율성을 가지고 사용자 또는 다른 프로그램을 위해 어떠한 연산을 수행하는 소프트웨어어 개체이다.
- 이 때, 이 과정에서 사용자의 목표나 바라는 바에 대한 지식을 사용한다.
2. 지능형 에이전트의 특성
- 자율성: 에이전트는 사용자를 위해 자율적으로 행동한다.
- 반응성: 에이전트는 환경의 변화에 대해 시간적으로 적절하게 응답한다.
- 능동성: 단순히 주어진 환경에 반응하여 행동하는 것이 아니라, 주도권을 가지고 목표지향적으로 행동한다.
- 지속성: 일회성으로 주어진 작업을 실행한 후 종료하는 것이 아니라, 지속적으로 실행하는 데몬(demon)과 같은 프로세스이다.
- 사회성 : 에이전트는 사용자나 다른 에이전트와 상호작용을 통해 문제를 해결해 나갈 수 있다.
- 적응성 : 에이전트는 스스로 배우거나 명시적으로 지시를 받는 과정을 통해 개별 사용자에게 맞게 적응할 수 있다.
- 이동성 : 한 기계로부터 다른 기계로 이동할 수 있다.
3. 지능형 에이전트의 구조
1) 지능형 에이전트
<에이전트 프로그램의 기본 골격>
function Agent
Environment e; // 환경
RuleSet r; // 규칙의 집합
while (true) do // 지속적인 동작
state = senseEnvironment (e); // 환경의 감지
a = chooseAction(state, r); // 행동의 결정
a.applyAction(e); // 결정한 행동을 실행
end-while;
end-function.
2) 단순 반응형 에이전트
: 환경으로부터 감지된 정보를 바탕으로 즉각적으로 반응하는 에이전트
3) 모델 기반 반응형 에이전트
: 대상 환경의 일정 부분을 표현하는 내부 모델을 보유함으로써 현재 입력된 환경의 정보와 더불어 행동을 결정하는데 활용하는 반응형 에이전트
4) 목표 기반 에이전트
: 목표를 통해 행동을 결정
+ 유틸리티 기반 에이전트(유용성)
-> 어떻게 기능하게 하는가를 배우는 학습
=> 에이전트 자신이 놓여있는 환경과 추구하는 목표, 그리고 가능한 행동들에 대한 명시적인 기호모델을 바탕으로 논리적 추론을 전개함으로써 목표를 달성하기 위해 현재 자신이 수행해야 할 행동을 결정하는 에이전트
인공지능은 사람이 가지고 있는 고유한 능력인 지능을 컴퓨터를 통해 구현함으로써
인간의 사고과정에 대한 이해나 지능적인 도구를 만들어 내려고 하는 시도이다.
컴퓨터를 이용한 문제풀이 방식이 지능적인 것이 되기 위해서는
- 기계지능 관점에서 인공지능은 컴퓨터를 이용해 프로그래밍할 수 있는 영역을 인간이 수행할 수 있는 작업영역으로 확장
- 인공지능을 실현하기 위한 기호처리 인공지능, 정보이론, 베이즈 결정이론 등을 활용하는 통계적 접근방법, 신경회로망, 심층학습 등을 연구하는 연결주의 접근방법 등을 사용
- 에이전트는 대상 환경을 인지하고 이에 대한 행동을 결정하여 실행함으로써 환경을 변화키며, 이때 현재 환경의 상태와 더불어 내부 모델, 지식, 목표, 유용성 등을 바탕으로 실행할 행동을 결정
이러한 능력이 요구된다.
'AI > 인공지능시스템' 카테고리의 다른 글
| 인공지능시스템 03 문제풀이 (2) (0) | 2025.09.24 |
|---|---|
| 인공지능시스템 02 문제풀이 (1) (0) | 2025.09.23 |