대표적인 인공지능 사례 살펴보기 - 편집 역사

2020년 4월 22일 (수) 04:20에 임예찬님의 편집

2020-04-22T04:20:16Z

임연: /* 의 답 마이닝하기 */

2020-04-14T14:29:57Z

‎의 답 마이닝하기

2020년 4월 14일 (화) 13:36에 임예찬님의 편집

2020-04-14T13:36:44Z

2020년 4월 14일 (화) 13:34에 임예찬님의 편집

2020-04-14T13:34:07Z

2020년 4월 14일 (화) 13:32에 임예찬님의 편집

2020-04-14T13:32:48Z

2020년 4월 14일 (화) 13:29에 임예찬님의 편집

2020-04-14T13:29:04Z

2020년 4월 14일 (화) 13:24에 임예찬님의 편집

2020-04-14T13:24:05Z

2020년 4월 14일 (화) 13:23에 임예찬님의 편집

2020-04-14T13:23:36Z

2020년 4월 14일 (화) 13:19에 임예찬님의 편집

2020-04-14T13:19:48Z

2020년 4월 14일 (화) 13:16에 임예찬님의 편집

2020-04-14T13:16:31Z

@@ 480번째 줄: / 480번째 줄: @@
 숀 게리시 지음/이수겸 옮김, 『기계는 어떻게 생각하는가』, 이지스퍼블리싱.
-==주석==
+===주석===
 <references/>
 </div>
 <br/><br/>

← 이전 판		2020년 4월 14일 (화) 14:29 판
244번째 줄:		244번째 줄:


−	왓슨은 답변 후로 목록을 만들기 위해 이와 비슷한 접근 방식을 사용했다. 왓슨의 목적은 정답을 선별하는 것이 아니라 정답으로 고려할 만한 답변 후보를 수집하는 것이다. 채용보다 약간 까다로운 면이 있는데, 적임자가 한 명 이상 존재하는 인재 채용과 달리 <제퍼디!> 문제의 단서에는 정답이 단 하나만 존재 한다는 것이다. 후보 생성 단계가 끝났을 때 왓슨의 후보 목록에 정답이 들어 있지 않다면 왓슨은 답을 맞힐 기회 자체가 없어지는 것이다. 그러므로 왓슨은 후보의 기준을 낮춰야 했다.	+	왓슨은 답변 후보 목록을 만들기 위해 이와 비슷한 접근 방식을 사용했다. 왓슨의 목적은 정답을 선별하는 것이 아니라 정답으로 고려할 만한 답변 후보를 수집하는 것이다. 채용보다 약간 까다로운 면이 있는데, 적임자가 한 명 이상 존재하는 인재 채용과 달리 <제퍼디!> 문제의 단서에는 정답이 단 하나만 존재 한다는 것이다. 후보 생성 단계가 끝났을 때 왓슨의 후보 목록에 정답이 들어 있지 않다면 왓슨은 답을 맞힐 기회 자체가 없어지는 것이다. 그러므로 왓슨은 후보의 기준을 낮춰야 했다.

@@ 365번째 줄: / 365번째 줄: @@
 ----
 '''알파고(Alphago)'''는 구글의 '''딥마인드'''가 개발한 인공지능(AI) 바둑 프로그램이다. 정책망과 가치망이라는 두 가지 신경망을 통해 결정을 내리며 머신러닝을 통해 스스로 학습하는 기능을 가지고 있다.
 [[파일:image01_Alphago.jpg|500px|center]]

@@ 472번째 줄: / 472번째 줄: @@
 그러나, 이제 기계는 바둑을 넘어 다양한 분야에서도 스스로 학습할 수 있는 능력을 갖추게 되었다. 알파고를 개발한 딥마인드는 '''“현실 세계의 문제를 푸는 인공지능을 만들고, 아무도 깨부수지 못한 새로운 분야에 인공지능을 적용하는 것이 최종 목표”'''라고 밝혔다. 이제는 기술의 '''‘한계’'''만을 논하기보다 사람이 '''‘기계’'''에게 어디까지 권한을 주어야 하는지 더욱 고민해 볼 필요가 있다는 생각이 든다.
 ======'''참고문헌'''======
 ----
 ==주석==

@@ 472번째 줄: / 472번째 줄: @@
 그러나, 이제 기계는 바둑을 넘어 다양한 분야에서도 스스로 학습할 수 있는 능력을 갖추게 되었다. 알파고를 개발한 딥마인드는 '''“현실 세계의 문제를 푸는 인공지능을 만들고, 아무도 깨부수지 못한 새로운 분야에 인공지능을 적용하는 것이 최종 목표”'''라고 밝혔다. 이제는 기술의 '''‘한계’'''만을 논하기보다 사람이 '''‘기계’'''에게 어디까지 권한을 주어야 하는지 더욱 고민해 볼 필요가 있다는 생각이 든다.
 ----
 ==주석==
 <references/>

@@ 455번째 줄: / 455번째 줄: @@
 '''''<div style="text-align:center">“알파고에게 패배한 것이 정말 아팠고,</div>
 '''''<div style="text-align:center">AI라는 절대 넘을 수 없는 장벽 앞에서 느끼는</div>
-'''''<div style="text-align:center">허무와 좌절 같은 것이 (은퇴를 하게 된)보다 직접적인 이유다.”</div>'''''
+'''''<div style="text-align:center">허무와 좌절 같은 것이 (은퇴를 하게 된)보다 직접적인 이유다.”</div>'''''<ref>이세돌의 명언을 찾아보면 '자신이 없어요 질 자신이', '수가 보이는데 어쩌냐' 등의 자신감 넘치는 말들을 많이 볼 수 있다. 그런 그가 알파고와의 대결 후에 위와 같은 인터뷰를 한 것을 보면 엄청난 좌절감을 느낀 것 같다.</ref>

@@ 398번째 줄: / 398번째 줄: @@
 ----
-'''1. 탐색 후보군 줄이기(=Policy Network)'''
+'''1. 정책망(Policy Network)'''
 ----
-바둑판의 현재 상황을 입력하면 다음의 수를 ‘예측’해서 알려주는 것이다. 예를 들어 여러가지 경우의 수가 있을 때 '이런 수는 사람이 두지 않는다'고 판단되는 모델이 있다면 그 경우는 탐색 후보군에서 미리 제외함으로써 알고리즘 트리의 넓이를 줄이는 것이다. 다음 2가지 방법을 통해서 다음 수를 예측할 수 있다.
+바둑판의 현재 상황을 입력하면 다음''' 수의 위치'''를 계산해서 알려주는 것이다. 예를 들어 여러가지 경우의 수가 있을 때 '이런 수는 사람이 두지 않는다'고 판단되는 모델이 있다면 그 경우는 탐색 후보군에서 미리 제외함으로써 알고리즘이 탐색할 범위를 좁혀준다. 다음 2가지 방법을 통해서 다음 수의 위치를 예측할 수 있다.
@@ 413번째 줄: / 413번째 줄: @@
 ----
-'''2. 형세 판단하기(=Value Network)'''
+'''2. 가치망(Value Network)'''
 ----
-바둑판의 현재 상황을 입력(input)하면 형세를 판단해서 이길 확률을 알려주는 것이다. 이 방법을 쓰면 확률이 낮은 경로는 끝까지 시뮬레이션 할 필요가 없기 때문에 경우의 수를 줄일 수 있다.
+바둑판의 현재 상황을 입력(input)하면 '''승률이 가장 높은 수'''를 알려주는 것이다. 즉, 형세를 판단해서 이길 확률을 알려주는 것이다. 이 방법을 쓰면 확률이 낮은 경로는 끝까지 시뮬레이션 할 필요가 없기 때문에 경우의 수를 줄일 수 있다.
 ----

@@ 410번째 줄: / 410번째 줄: @@
 (2) 스스로 발전하기(=RL policy)
-알파고가 스스로 자신과 경쟁하는 것이다. 즉 알파고 vs 알파고의 대결을 통해서 스스로 게임 전략을 학습하는 것이다.
+알파고 vs 알파고의 대결을 통해서 스스로 게임 전략을 학습하는 것이다. 알파고는 스스로 학습하면서 더 많은 양질의 데이터를 생성하고 이를 바탕으로 프로그램을 향상시킨다.
 ----