오늘날의 인공 지능 : 과대 광고는 무엇이고 진짜는 무엇입니까?

잡지를 선택하거나 기술 블로그를 스크롤하거나 단순히 업계 컨퍼런스에서 동료들과 채팅 할 수 있습니다. 기술 세계에서 나오는 거의 모든 것이 인공 지능이나 기계 학습의 일부 요소를 가지고있는 것처럼 보입니다. 인공 지능이 논의되는 방식은 거의 선전처럼 들리기 시작했습니다. 여기에 여러분의 모든 요구를 해결할 수있는 진정한 기술이 있습니다! AI는 우리 모두를 구하기 위해 여기에 있습니다!

AI 기반 기술로 놀라운 일을 할 수 있다는 것은 사실이지만 일반적으로 "지능"이라는 용어의 전체 의미를 구현하지는 않습니다. 지능이란 인간이 창의적인 대화를 나눌 수있는 시스템, 즉 아이디어가 있고 새로운 아이디어를 개발할 수있는 시스템을 의미합니다. 문제는 용어입니다. 오늘날 "인공 지능"은 일반적으로 물체 또는 음성 인식과 같은 인간 능력의 일부 측면의 구현을 설명하지만 확실히 인간 지능의 전체 잠재력은 아닙니다.

따라서 "인공 지능"은 오늘날 우리가 사용하는 "새로운"기계 학습 기술을 설명하는 가장 좋은 방법은 아니지만 그 기차는 역을 떠났습니다. 어쨌든 머신 러닝은 아직 머신 인텔리전스와 동의어는 아니지만 확실히 더 강력하고 기능이 뛰어나며 사용하기 쉬워졌습니다. 인공 지능 (신경망 또는 딥 러닝 및 "클래식"기계 학습을 의미 함)은 마침내 분석 툴킷의 표준 부분이되는 길을 가고 있습니다.

이제 우리는 인공 지능 혁명 (또는 진화)에 잘 들어갔으므로 인공 지능 개념이 어떻게 채택되었는지, 왜 그리고 미래에 어떤 의미가 있는지 살펴 보는 것이 중요합니다. 인공 지능, 심지어 약간 오해 된 버전조차도 왜 현재 수준의 관심을 끌 었는지 자세히 조사해 보겠습니다.

AI 약속 : 왜 지금?

현재의 과대 광고주기에서 인공 지능 또는 기계 학습은 종종 개념 단계에서 응용 프로그램 통합으로 이동 한 최근에야 갑자기 성숙해진 비교적 새로운 기술로 묘사됩니다. 독립형 기계 학습 제품의 생성은 지난 몇 년 동안 만 발생했다는 일반적인 믿음이 있습니다. 실제로 인공 지능의 중요한 발전은 새로운 것이 아닙니다. 오늘날의 AI는 지난 수십 년 동안 이룬 발전의 연속입니다. 우리가 인공 지능이 더 많은 곳에서 나타나는 이유 인 변화는 AI 기술 자체가 아니라 AI 기술을 둘러싼 기술, 즉 데이터 생성 및 처리 능력에 관한 것입니다.

우리가 곧 저장할 데이터의 제타 바이트 수를 언급하는 것은 지루하지 않을 것입니다 (제타 바이트는 어쨌든 0이 몇 개입니까?). 우리 모두는 데이터를 생성하고 수집하는 능력이 엄청나게 증가하고 있음을 알고 있습니다. 동시에 사용 가능한 컴퓨팅 성능이 놀라 울 정도로 증가하는 것을 목격했습니다. 단일 코어 프로세서에서 멀티 코어로의 전환과 GPGPU (범용 그래픽 처리 장치)의 개발 및 채택은 딥 러닝에 충분한 성능을 제공합니다. 더 이상 사내에서 컴퓨팅을 처리 할 필요조차 없습니다. 처리 능력을 클라우드 어딘가에 임대 할 수 있습니다.

너무 많은 데이터와 많은 컴퓨팅 리소스로 인해 데이터 과학자들은 마침내 지난 수십 년 동안 개발 된 방법을 완전히 다른 규모로 사용할 수있는 위치에 있습니다. 1990 년대에는 손으로 쓴 숫자로 수만 개의 예제에서 숫자를 인식하도록 신경망을 훈련시키는 데 며칠이 걸렸습니다. 오늘날 우리는 동물, 얼굴 및 기타 복잡한 물체를 인식하기 위해 수천만 개의 이미지에 대해 훨씬 더 복잡한 (즉 "깊은") 신경망을 훈련시킬 수 있습니다. 또한 딥 러닝 모델을 배포하여 생산 성숙도 감지 및 예측 또는 수신 전화 라우팅과 같은 주류 비즈니스 애플리케이션의 작업 및 의사 결정을 자동화 할 수 있습니다.

이것은 실제 지능을 구축하는 것처럼 의심스럽게 들릴 수 있지만, 이러한 시스템 아래에서 우리는 매우 복잡한 것이기는하지만 단순히 수학적 종속성의 매개 변수를 조정하고 있다는 점에 유의하는 것이 중요합니다. 인공 지능 방법은 "새로운"지식을 습득하는 데 좋지 않습니다. 그들은 그들에게 제시된 것에서 만 배웁니다. 다르게 말하면, 인공 지능은 "왜"라는 질문을하지 않습니다. 시스템은 주변 세상을 이해하려고 할 때 부모에게 끊임없이 질문하는 아이들처럼 작동하지 않습니다. 시스템은 그것이 공급 된 것만 알고 있습니다. 이전에 인식하지 못한 것은 인식하지 못합니다.

다른 "고전적인"기계 학습 시나리오에서는 데이터를 알고 해당 시스템에서 패턴을 찾는 방법에 대한 아이디어를 갖는 것이 중요합니다. 예를 들어,이 숫자를 고객의 나이로 변환하지 않는 한, 생년월일은 고객에게 유용한 사실이 아님을 알고 있습니다. 또한 계절성의 영향에 대해서도 알고 있습니다. 시스템이 시즌에 관계없이 패션 구매 패턴을 학습 할 것으로 기 대해서는 안됩니다. 또한 시스템이 이미 알고있는 것을 배우기 위해 몇 가지 다른 것들을 시스템에 주입 할 수 있습니다. 딥 러닝과 달리 기업이 수십 년 동안 사용해 온 이러한 유형의 머신 러닝은 꾸준한 속도로 더 발전했습니다.

인공 지능의 최근 발전은 주로 데이터 과학자가 이미지의 물체 또는 음향 신호의 단어를 인식하는 것과 같이 인간의 인식 능력을 모방 할 수있는 영역에서 이루어졌습니다. 오디오 스트림이나 이미지와 같은 복잡한 신호의 패턴을 인식하는 방법을 배우는 것은 매우 강력합니다. 많은 사람들이 왜 우리가 어디서나 딥 러닝 기술을 사용하지 않는지 궁금해 할만큼 강력합니다. 

AI의 약속 : 이제 무엇입니까?

조직의 리더십은 언제 인공 지능을 사용해야하는지 물을 수 있습니다. 인공 지능 기반 연구는 인간이 잘하는 일을 모방하는 것과 관련된 문제를 해결하는 신경망에있어서 엄청난 진전을 이루었습니다 (물체 인식과 음성 인식이 가장 두드러진 두 가지 예입니다). "좋은 객체 표현이란 무엇입니까?"라고 물을 때마다 답을 찾을 수 없다면 딥 러닝 모델을 시도해 볼 가치가 있습니다. 그러나 데이터 과학자가 의미가 풍부한 객체 표현을 구성 할 수 있다면 고전적인 기계 학습 방법이 더 나은 선택 일 것입니다 (예, 좋은 객체 표현을 찾는 데 약간의 진지한 생각을 투자 할 가치가 있습니다).

결국, 하나는 단순히 동일한 플랫폼 내에서 다른 기술을 시도하고 싶을 뿐이며 일부 소프트웨어 공급 업체의 방법 선택이나 현장의 현재 진행 상황을 따라 잡지 못하는 것에 제한을받지 않습니다. 이것이 오픈 소스 플랫폼이이 시장에서 리더 인 이유입니다. 이를 통해 실무자는 최신 최첨단 기술과 최신 최첨단 개발을 결합 할 수 있습니다.

앞으로 팀이 기계 학습을 사용하여 목표와 방법을 조정함에 따라 딥 러닝은 모든 데이터 과학자의 도구 상자의 일부가 될 것입니다. 많은 작업에서 딥 러닝 방법을 추가하면 큰 가치를 얻을 수 있습니다. 생각해보세요. 우리는 사전 훈련 된 인공 지능 시스템을 사용하여 시스템에 객체 인식을 포함 할 수 있습니다. 다른 누군가가 충분한 데이터를 수집하고 주석을다는 문제를 겪었 기 때문에 기존 음성 또는 음성 인식 구성 요소를 통합 할 수 있습니다. 그러나 결국 우리는 이전의 고전적인 기계 학습과 마찬가지로 딥 러닝이 실제로 합리적 일 때 사용할 수있는 또 다른 도구라는 것을 알게 될 것입니다.

AI 약속 : 다음은?

20 년 전처럼 드러날 장애물 중 하나는 인공 지능 시스템이 학습 한 내용과 예측을 어떻게 내놓았는지 이해하려고 할 때 직면하게되는 극심한 어려움입니다. 이는 고객이 특정 제품을 좋아할지 여부를 예측할 때 중요하지 않을 수 있습니다. 그러나 인간과 상호 작용하는 시스템이 예상치 못한 방식으로 작동하는 이유를 설명 할 때 문제가 발생합니다. 인간은 "인간의 실패"를 기꺼이 받아들입니다. 인간이 완벽 할 것이라고 기대하지 않습니다. 그러나 우리는 인공 지능 시스템의 실패를 받아들이지 않을 것입니다. 특히 실패한 이유를 설명 할 수 없다면 (그리고 그것을 바로 잡을 수 없다면) 그렇습니다.

딥 러닝에 익숙해지면 20 년 전 머신 러닝에서했던 것처럼 시스템의 복잡성과 학습 된 데이터의 양에도 불구하고 도메인 지식 없이는 패턴을 이해하는 것이 불가능하다는 것을 알게 될 것입니다. 인간의 음성 인식은 현재 대화의 맥락을 파악하여 구멍을 채울 수 있기 때문에 잘 작동합니다.

오늘날의 인공 지능 시스템은 그다지 깊은 이해가 없습니다. 지금 우리가 보는 것은 얕은 지능, 고립 된 인간 인식 능력을 모방하고 때로는 고립 된 작업에서 인간을 능가하는 능력입니다. 수십억 개의 예제를 기반으로 시스템을 교육하는 것은 데이터를 확보하고 충분한 컴퓨팅 리소스에 대한 액세스 권한을 얻는 문제 일뿐입니다.

인공 지능의 유용성은 궁극적으로“세상을 구하라”는 선전에 미치지 못할 것입니다. 아마도 우리가 얻을 수있는 것은 실무자들이 업무를 더 빠르고 더 잘 수행하는 데 사용할 수있는 놀라운 도구 일 것입니다.

Michael Berthold는 오픈 소스 데이터 분석 회사 인 KNIME의 CEO 겸 공동 설립자입니다. 그는 데이터 과학 분야에서 25 년 이상의 경력을 쌓았으며 학계에서 일했으며 가장 최근에는 Konstanz University (독일)에서 정교수로, 이전에는 University of California (Berkeley)와 Carnegie Mellon에서 정교수로 재직했으며 Intel의 Neural Network Group에서 산업 분야에서 일했습니다. Utopy 및 Tripos. Michael은 데이터 분석, 기계 학습 및 인공 지능에 대해 광범위하게 게시했습니다. Twitter , LinkedIn KNIME 블로그 에서 Michael을  팔로우 하십시오 .   

New Tech Forum은 새로운 엔터프라이즈 기술을 전례없이 깊이 있고 폭넓게 탐구하고 논의 할 수있는 장을 제공합니다. 선택은 우리가 중요하고 독자들에게 가장 큰 관심을 가지고 있다고 생각하는 기술을 선택하여 주관적입니다. 는 게시를위한 마케팅 자료를 허용하지 않으며 제공되는 모든 콘텐츠를 편집 할 권리를 보유합니다. 모든 문의 사항은 [email protected]으로 보내주십시오  .