과거부터 발명가들은 생각하는 기계를 상상해 왔습니다. 이 열망은 고대 그리스로 거슬러 올라가며, 피그말리온, 다이달로스, 헤파이스토스와 같은 신화 속 인물은 전설적인 발명가입니다. 또한, 갈라티아나 탈로스, 판도라 같은 인공생명이 등장합니다. 백 년 전, 프로그래밍할 수 있는 한 컴퓨터의 등장으로 사람들은 그런 기계가 지능을 가질 수 있을지 궁금해했습니다. 현재는 인공지능이 크게 발전하며, 노동 자동화, 음성 및 영상 이해, 의료 진단, 과학 연구 등 다양한 분야에서 활용되고 있습니다.
인공지능의 진정한 어려움
인공지능 초창기에는 컴퓨터가 수학적이고 형식적인 문제를 해결하는 데 뛰어나다는 것이 입증되었습니다. 그러나 시간이 흐름에 따라 인공지능의 진정한 어려움은 형식적으로 정의하기 어려운 문제를 해결하는 것으로 밝혀졌습니다. 이는 우리가 손쉽게 수행하는데도 형식적인 규칙으로 설명하기 어려운 작업을 포함합니다. 말속 단어를 인식하거나 이미지에서 얼굴을 인식하는 것과 같이 직관적이고 노력 없이 자연스럽게 수행되는 작업이 이에 해당합니다.
개념들의 계통구조와 경험
인공지능에서 직관적인 문제를 해결하는 한 가지 방법은 개념들의 계통구조를 활용하여 경험으로부터 학습하고 세상을 이해하는 것입니다. 여기서 각 개념은 더 간단한 개념들과의 관계를 통해 정의됩니다. 이런 방식을 통해 경험으로부터 지식을 수집하므로, 모든 지식을 형식적으로 지정할 필요가 없습니다. 대신, 컴퓨터는 간단한 개념들을 조합하여 더 복잡한 개념을 배우게 됩니다. 이러한 개념들의 관계를 그래프 구조로 표현하면, 깊은 층으로 이루어진 그래프가 형성됩니다. 이러한 인공지능 접근 방식을 딥러닝이라고 합니다. 딥러닝은 개념 간의 연관 관계를 학습하여 복잡한 문제를 해결할 수 있습니다.
초기 성공과 현실의 간극
인공지능의 초기 성공 사례 중 다수는 상대적으로 단조롭고 형식적인 환경에서 일어났습니다. 예를 들어, IBM의 체스 플레이 시스템인 딥블루는 1997년에 체스 세계 챔피언 게리 카스파로프를 이겼습니다. 체스는 64개의 장소와 제한된 움직임으로 이루어진 매우 간단한 게임으로, 체스 말들과 허용되는 수를 컴퓨터에 설명하기는 비교적 쉽습니다. 이는 프로그래머가 미리 형식적인 규칙을 제공하여 컴퓨터에 전달할 수 있는 것입니다.
하드코딩된 지식의 한계
모순적으로도, 사람에게 지적으로 가장 어려운 추상적이고 형식적인 과제가 컴퓨터에는 상대적으로 쉬운 과제입니다. 컴퓨터가 최고의 인간 체스 선수를 이긴 사례는 오래전에 일어났지만, 물체나 음성을 인식하는 것과 같은 일상적인 사람의 활동을 컴퓨터가 해내기 위해 시작한 것은 최근에 이루어졌습니다. 사람이 일상생활을 수행하기 위해서는 많은 양의 지식이 필요하며, 이러한 지식 중 상당 부분은 주관적이고 직관적이기 때문에 형식적으로 서술하기 어렵습니다. 컴퓨터가 지능적으로 행동하기 위해서는 이러한 비형식적인 지식을 이해해야 합니다. 따라서, 인공지능의 주요 난제 중 하나는 이러한 비형식적인 지식을 컴퓨터에 전달하는 것입니다.
기계 학습의 도입과 유용성
세계에 관한 지식을 형식 언어를 이용해서 하드코딩 하는 것을 목표로 한 인공지능 프로젝트가 있었습니다. 이러한 프로젝트는 지식 기반 접근 방식을 채택했습니다. 유명한 프로젝트 중 하나는 사이클(Cyc)입니다. 사이클은 추론 엔진과 CycL이라는 언어로 이루어진 데이터베이스를 갖추고 있습니다. 그러나 이러한 프로젝트들은 큰 성과를 거두지 못했습니다. 이는 세계를 정확히 서술할 만한 복잡도를 가진 형식 규칙들을 고안하는 것이 어려웠기 때문입니다. 예를 들어, Cyc는 아침에 면도하는 프레드라는 사람에 대한 이야기를 이해하는 데 실패했습니다. 추론 엔진은 프레드가 전기 부품이 없음을 알고 있었는데, 프레드가 전기면도기를 사용한다는 문장으로부터 전기 부품이 있다고 추론했습니다. 이에 따라 Cyc는 면도 중에도 프레드가 여전히 사람인지 물어보는 모순적인 상황이 발생했습니다.
하드코딩 된 지식에 의존하는 시스템들이 직면한 어려움을 고려하면, 인공지능 시스템은 스스로 지식을 획득할 수 있는 능력이 필요하다는 것을 알 수 있습니다. 이러한 능력을 갖추기 위해 기계 학습이 도입되었습니다. 기계 학습을 통해 실세계의 지식이 관여하는 문제와 주관적인 의사결정 문제를 컴퓨터로 해결할 수 있게 되었습니다. 예를 들어, 간단한 기계 학습 알고리즘인 논리적 회귀를 사용하여 제왕절개의 추천 여부를 결정할 수 있습니다. 또한, 단순 기반이라는 다른 기계 학습 알고리즘을 사용하여 정상적인 이메일과 스팸 이메일을 분류할 수도 있습니다. 이러한 기술의 도입으로 인해 인공지능 시스템은 더 많은 유연성과 신뢰성을 갖게 되었습니다.
데이터 표현과 기계 학습의 성능
간단한 기계 학습 알고리즘들의 성과는 주어진 자료의 표현에 크게 의존합니다. 예를 들어, 논리 회귀를 제왕절개 추천에 사용할 때 AI 시스템은 환자를 직접 진찰하지 않고 의사로부터 여러 가지 관련 정보를 받습니다. 이러한 환자 자료의 표현에 있는 각각의 정보 조각을 "특징"이라고 합니다. 논리 회귀는 환자의 특징들과 다양한 결과들의 상관관계를 학습합니다. 그러나 논리 회귀는 특징들이 어떻게 정의되는지에는 영향을 미치지 않습니다. 예를 들어, 의사의 형식화된 보고서가 아니라 MRI 스캔 자료를 사용한다면 논리 회귀는 유용한 예측을 할 수 없을 것입니다. MRI 스캔 사진의 개별 픽셀과 출산 과정의 합병증의 상관관계는 무시할 정도로 작기 때문입니다. 따라서, 올바른 특징의 선택과 표현이 기계 학습 시스템의 성능에 큰 영향을 미칩니다.
결론
따라서, 인공지능의 발전은 형식적으로 정의하기 어려운 문제를 해결하는 것으로 나아가고 있으며, 이를 위해 기계 학습과 데이터 표현의 중요성이 부각되고 있습니다. 그러나 기계 학습의 성능은 주어진 데이터의 표현에 크게 의존하므로, 올바른 특징의 선택과 표현이 더 나은 결과를 이끌어내는 데 중요합니다.