"HumanitiesAndArtificialIntelligence"의 두 판 사이의 차이

2020년 6월 23일 (화) 16:25 판

Information

• 개설기관 : 경희대학교 대학원
• 강좌명 : 인문학과 인공지능(Humanities and Artificial Intelligence)
• 학수번호-분반 : KL7295-00
• 이수구분 : 공통과목
• 개설학과(학점) : 국어국문학과(3)
• 강의시간 : 수요일 10:30-13:15
• 강의실 : 문과대 201A
• 강사 : 류인태

Overview

Summary

Objectives

• 비판적 대상으로서 인공지능 기술에 대해 이해한다.
  • 과학기술로서 인공지능 발달의 역사를 파악한다.
  • 과학기술로서 인공지능 기술의 원리를 이해한다.
  • 인공지능의 발달이 초래할 사회문화적 변화와 그에 대한 비판적 이해를 시도한다.

• 인문학 연구 방법론의 일환으로서 인공지능 기술의 가능성을 검토한다.
  • 활용 가능한 인공지능 기술에 대한 기초 맥락을 이해한다.
  • 인공지능을 활용한 인문학 연구 사례에 대해 살펴본다.
  • 인공지능 기술 활용에 필요한 기초 기술(데이터 파싱, 크롤링, 스크래핑 등)을 익힌다.
  • 이미지와 텍스트를 대상으로 한 인공지능 기술 활용 방법론을 이해하고 적용해본다.

Teaching Method

• 이론 강의 : 2주차, 3주차, 8주차, 9주차.
• 실습 : 10주차, 11주차, 12주차.
• 발표와 토론 : 4주차, 5주차, 6주차, 13주차, 14주차.

Reference Materials

• 데이터 알고리즘과 인문학의 관계
  • 김택우, 『데이터 인문학』, 한빛미디어, 2019.
  • 김현·임영상·김바로, 『디지털 인문학 입문』, HUEBooks, 2016.

• 인공지능 분야의 고전
  • 온라인 튜링 자료실
  • 앨런 튜링 지음/노승영 옮김, 『지능에 관하여』, 에이치비프레스, 2019.
  • 칼 세이건 지음/임지원 옮김, 『에덴의 용』, 사이언스북스, 2014.
  • 더글라스 호프스태터 지음/박여성·안병서 옮김, 『괴델, 에셔, 바흐』, 까치, 2017.
  • 아서 I. 밀러 지음 구계원 옮김, 『충돌하는 세계』, 문학동네, 2020.
  • 잭 코플랜드 지음/박영대 옮김, 『계산하는 기계는 생각하는 기계가 될 수 있을까』, 에디토리얼, 2020.
  • 레이 커즈와일 지음/장시형·김명남 옮김, 『특이점이 온다』, 김영사, 2007.

• 인공지능 분야에 대한 교양서(해외)
  • 제임스 배럿 지음/정지훈 옮김, 『파이널 인벤션』, 동아시아, 2016.
  • 닉 보스트롬 지음/조성진 옮김, 『슈퍼인텔리전스』, 까치, 2017.
  • 맥스 테그마크 지음/백우진 옮김, 『맥스 테그마크의 라이프 3.0』, 동아시아, 2017.
  • 숀 게리시 지음/이수겸 옮김, 『기계는 어떻게 생각하는가』, 이지스퍼블리싱, 2019.
  • 닉 보스트롬 외 4인 지음/김정민 옮김, 『기계는 어떻게 생각하고 학습하는가』, 한빛미디어, 2018.
  • 오카모토 유이치로 지음/김슬기 옮김, 『인공지능의 마지막 공부』, 유노북스, 2019.
  • 율리안 니다-뤼멜린·나탈리에 바이덴펠트 지음/김종수 옮김, 『디지털 휴머니즘』, 부산대학교출판부, 2020.

• 인공지능 분야에 대한 교양서(국내)
  • 김재인, 『인공지능의 시대, 인간을 다시 묻다』, 동아시아, 2017.
  • 변순용, 『윤리적 AI로봇 프로젝트』, 어문학사, 2019.
  • 임영익, 『프레디쿠스』, 클라우드나인, 2019.
  • 최선주, 『특이점의 예술』, 스리체어스, 2019.
  • 유현주 외 7인, 『인공지능시대의 예술』, 도서출판b, 2019.
  • 이중원 외 8인, 『인공지능의 윤리학』, 한울아카데미, 2019.

• 인공지능을 다룬 문예작품
  • 테드 창 지음/김상훈 옮김, 『숨』, 엘리, 2019.
  • 하세 사토시 지음/ 지음/이규원 옮김, 『당신을 위한 소설』, 북스피어, 2017.
  • 이건혁 외 4인, 『제1회 한국과학문학상 수상작품집』, 허블, 2017.
  • 김초엽 외 4인, 『제2회 한국과학문학상 수상작품집』, 허블, 2018.
  • 김창규, 『삼사라』, 아작, 2018.
  • 원종우, 『나는 슈뢰딩거의 고양이로소이다』, 아토포스 , 2019.
  • 김재아, 『꿈을 꾸듯 춤을 추듯』, 그래비티북스, 2019.
  • 서석찬, 『에덴』, 델피노, 2019.
  • 문목하, 『유령해마』, 아작, 2019.

• 인공지능 기술에 대한 해설서
  • 스투어트 러셀·피터 노빅 지음/류광 옮김, 『인공지능 : 현대적 접근방식1』, 제이펍, 2016.
  • 피터 노빅 지음/류광 옮김, 『인공지능 : 현대적 접근방식2』, 제이펍, 2016.
  • 사이토 고키 지음/개앞맵시 옮김, 『밑바닥부터 시작하는 딥러닝』, 한빛미디어, 2017.
  • 와쿠이 요시유키·와쿠이 사다미 지음/권기태 옮김, 『엑셀로 배우는 딥러닝』, 성안당, 2018.
  • 이기창, 『한국어 임베딩』, 에이콘출판, 2019.

• 논문
  • 김준성, 「인공지능에 대한 연구의 현황과 전망 ― 윤리 규범의 관점에서」, 『시민인문학』33, 경기대학교 인문학연구소, 2017.
  • 김성문, 「인공지능 시대와 고전문학」, 『문화와융합』40, 한국문화융합학회, 2018.
  • 박경수, 「4차 산업혁명 시대 문학의 현재와 미래」, 『한중인문학연구』60, 한중인문학회, 2018.
  • 김바로, 「딥러닝으로 불경 읽기 - Word2Vec으로 CBETA 불경 데이터 읽기」, 『원불교사상과 종교문화』80, 원광대학교 원불교사상연구원, 2019.

• 웹문서
  • AI 스터디
  • AI의 역사
  • 브런치 : 딥러닝의 30가지 적용 사례
  • 블로터11th : 알아두면 쓸데있는 신기한 인공지능 50선
  • 구글 한국 블로그 : 구글 AI 임팩트 챌린지에 최종 선정된 프로젝트
  • 구글 AI 블로그
  • 앨런 튜닝부터 알파고까지. 인공지능의 역사 By 글쓰는몽글c
  • 차수별로 알아보는 인공지능의 분류 By 글쓰는몽글c
  • 야사와 만화로 배우는 인공지능 By 루나
  • 구글인공지능 리서치 By 시나브로의 테크산책
  • 인공지능 기술의 숨은 비용 By Jonathan Zittrain
  • 이미지는 당신을 배반하지 않았다 By 진혜란
  • 왜 최근에 빌 게이츠, 엘론 머스크, 스티븐 호킹 등 많은 유명인들이 인공지능을 경계하라고 호소하는가? By Tim Urban
  • (김정호의 4차혁명 오딧세이) 인공지능 설계 순서 By 김정호

• 동영상
  • 인간과 컴퓨터간 협력시대의 개막(2012) By 샤이암 생커
  • "영혼"을 가진 로봇(2013) By 가이 호프만
  • 컴퓨터 학습이 가져올 훌륭하고도 끔찍한 잠재적 효과(2014), By 제레미 하워드
  • 컴퓨터가 인간보다 더 똑똑해진다면 무슨 일이 벌어질까(2015) By 닉 보스트롬
  • 컴퓨터가 시를 쓸 수 있을까요(2015) By 오스카 슈워츠
  • 우리가 통제권을 잃지 않으면서 인공지능을 만들 수 있을까요(2016) By 샘 해리스
  • 인공지능 시대에 더 중요해진 인간 윤리(2016) By 제이넵 투펙치
  • 인공지능이 어떻게 2차 산업혁명을 가져올 것인가(2016) By 케빈 켈리
  • 질병의 진단을 돕는 인공지능의 활용법(2017) By 프라틱 샤
  • 로봇도 대학에 입학할 수 있을까요(2017) By 노리코 아라이
  • AI가 어떻게 인간 존엄성을 회복시키는가(2018) By 카이 푸 리
  • 인공지능과 데이터 산업의 미래(2018) By 이경일
  • Deep Learning, 창의적 지능 그리고 공존(2018) By 윤경구
  • DBMS 탄생과 현재(2018) By 권건우

Evaluation Standard

• 총점 : 100%
• 출석 : 10% (특별한 이유없이 결석하지 않을 경우 감점 없음)
• 참여 : 10% (토론에 능동적으로 참여하는 학생에게 10점 가산)
• 발표 : 30% (중간 발표와 기말 발표로 나누어 평가, 발표는 팀 기준으로 이루어짐)
  • 중간발표 : 15% (A : 15, B : 13, C : 11, D : 9)
  • 기말발표 : 15% (A : 15, B : 13, C : 11, D : 9)
• 과제 : 50% (중간 과제와 기말 과제로 나누어 평가, 과제는 개인 기준으로 이루어짐)
  • 중간과제 : 25% (A : 25, B : 23, C : 21, D :19)
  • 기말과제 : 25% (A : 25, B : 23, C : 21, D :19)

Assignment

• 중간고사 이전 1회, 중간고사 이후 1회의 발표를 한다.
  • 중간고사 이전에는 인공지능 관련 주제(문헌) 가운데 하나를 선택하고 그에 대한 리뷰 내용을 발표한다.
  • 중간고사 이후에는 단일 연구 주제를 선택해 딥러닝 기술을 적용한 인문학 연구를 기획하고 실제 진행한 내용을 발표한다.
• 중간고사 평가는 상황에 따라 시험 or 과제를 유동적으로 실시한다.
• 기말고사 평가는 기말발표 내용에 대한 리뷰에 근거해 그에 대한 내용을 보완한 결과물 평가로 대신한다.

Other Things

• 본 강의는 웹 환경에서의 컴퓨터 기술이 기본적으로 활용되기에 수강생 개개인의 노트북 지참을 필수적으로 요구한다.

Students

길혜빈 김웅기 김태형 아슈토시 윤석만 이만호 임연 임예찬 장민주

Plan

Report

Research Topics

중간고사 이전

• 04월 08일 발표 : 인공지능 분야의 고전 읽기
• 04월 15일 발표 : 대표적인 인공지능 사례 살펴보기
• 04월 22일 발표 : 문예작품 속 인공지능 들여다보기

온톨로지 설계 실습

• 윤석만 : 20대 남성의 보수화
• 길혜빈 : 유튜브 고양이 콘텐츠 캐릭터성 분석
• 임예찬 : 한국어 교육 앱의 체계 분석
• 이만호 : 별에서 온 그대 등장인물 관계도
• 김웅기 : 박인환의 마리서사, 해방직후 김수영 인물 관계도
• 장민주 : 소설 원미동사람들 등장인물 관계도
• 김태형 : 문학과지성 수록 황동규 비평 분석
• 임연 : 나미야 잡화점의 기적 사건 및 등장인물 관계
• 아슈토시 : 인도 영화 로봇에 나온 찌띠의 캐릭터 분석

신경망 기술과 이미지 분류 실습

• 윤석만
  • 실습URL: https://teachablemachine.withgoogle.com/models/WDHThYS1_/
  • 문제의식: 한중일 얼굴의 특성

①문제의식

- 백인, 흑인 등 동아시아로부터 멀리 떨어져 사는 나라의 사람들은 한국과 중국, 일본 사람들의 얼굴을 쉽게 구분하지 못한다. 그러나 한국인은 직관적으로 중국인과 일본인을 구별해 낸다. 피부색이나 눈, 코, 입 등 생김새의 차이점을 구체적으로 집어내긴 어렵지만 분명한 차이점을 느끼고 있다.

- 그렇다면 인공지능도 한국과 중국, 일본 사람들의 얼굴을 구분할 수 있을까. 흑인과 백인, 황인을 구별하는 것은 그 차이점이 뚜렷하기 때문에 어렵지 않다. 같은 아시아에서도 동북아시아와 동남아시아를 구분하는 것은 쉽다. 그러나 한중일은 유사점이 매우 많아 쉽지 않다. 인공지능은 과연 이들을 구별할 수 있을까.

②학습설계

- 한중일의 표본 얼굴이 될 만한 자료를 모으는 것이 본 실험에서 가장 중요하다. 왜냐하면 인공지능이 무엇을 학습하느냐에 따라 결과값이 다르게 나오기 때문이다. 예를 들어 중국 샘플은 남자 아이돌을, 한국은 50대 등산 동호회 여성의 얼굴을 학습시킨다면 올바른 설계라고 보기 어렵다.

- 그러므로 본 실험에서는 국적만 다르되 동일한 기준으로 수집된 얼굴 데이터를 학습에 사용키로 했다. 1)자료 획득이 용이하며, 2)한중일 모두 공통된 기준이 적용되고, 3)모집단에 가장 가까울 만한 표본이어야 했다. 그래서 구글에서 상위 검색되는 순으로 한중일 정치인의 얼굴을 쓰기로 했다.

- 이 때 여성은 제외하고 남성의 얼굴만 사용했다. 상대적으로 여성 정치인의 숫자가 적을 뿐 아니라 남녀의 얼굴이 섞일 경우 오히려 학습을 통해 일관된 패턴을 익히는데 방해가 될 수 있기 때문이다. 흑백이나 얼굴이 작게 나온 사진, 지나치게 얼굴이 가려진 사진 등은 제외했다.

③1차 결과

- 학습 때 사용된 것과 전혀 다른 한중일 지도자의 얼굴을 모델에 투입했더니 <문재인 한국 100%>, <시진핑 중국 76% 한국 24%>, <아베 일본 48% 중국 41% 한국 11%>의 결과가 나왔다. 대체적으로 인공지능의 학습은 잘 된 것으로 평가된다. 다만 아베의 경우 중국이 2순위 높은 수치로 나온 것은 헤어스타일과 의상 등이 영향을 미쳤던 것이라 사료된다.

④2차 결과

- 이번에는 한중일을 대표하는 3명의 미남 배우 얼굴 사진을 투입했다. 각각 1)이마를 가린 헤어스타일 2)머리를 넘긴 헤어스타일 두 종류의 사진을 썼다. 먼저 정우성은 1차에서 <한국 70% 일본 30%>의 결과가 나왔다. 2차에서는 <한국 95% 일본 5%>의 값이 나왔다. 이마를 가린 경우에는 얼굴 윤곽이 뚜렷하지 않아 일본이 섞인 것으로 분석된다.

- 다음에는 일본의 대표 미남배우 기무라 타쿠야의 얼굴을 썼다. 1차에서는 <일본 88% 한국 12%>가 나왔고, 2차에서는 <일본 65% 중국 31% 한국 4%>의 값이 나왔다. 머리를 뒤로 넘긴 2차 실험의 경우 아베처럼 중국의 비율이 높게 나왔다.

- 끝으로 중국의 미남배우 우효광의 얼굴 사진을 투입했다. 1차에서는 <중국 83% 일본 14% 한국 3%>, 2차에서는 중국 90% 일본 6% 한국 4%>가 나왔다. 우효광은 기무라 타쿠야와 달리 자국 비율이 1, 2차 모두 높게 나왔다.

⑤3차 결과

- 3차 실험에서는 인공지능을 속여보기로 했다. 즉, 중국인처럼 보이는 정우성 사진과 한국인처럼 보이는 우효광 사진을 썼다. 먼저 정우성의 경우 영화 ‘검우강호’에 출연 당시 스틸컷을 썼다. 중국식 복장을 하고 있어 이 사진을 선택했다. 결과는 <한국인 100%>였다.

- 그 다음은 한국식 머리 스타일과 메이크업 등을 하고 있는 우효광 사진을 썼는데 <한국 99% 일본 1%>가 나왔다. 즉, 화장과 사진의 밝기 등에 따라 얼굴형이 매우 달라질 수 있다는 뜻이다. 정우성은 의상만 무협 세계에 나오는 중국옷을 걸쳤을 뿐 얼굴은 그대로였다.

• 길혜빈
  • 실습URL: Teachable machine 적용 모델 : 연구1. 신문_최종, Teachable machine 적용 모델 : 연구2. 캐릭터와 인간의 관계성
  • 문제의식: 신문 사진 내 이데올로기
• 임예찬
  • 실습URL : https://teachablemachine.withgoogle.com/models/naiw6oFx7/
  • 문제의식 : 영어, 한자가 일상 생활(간판, 글귀 등)에서 어느 정도로 사용되고 있는지 Teachablemachine을 통해서 수치로 확인해 보고 싶었다.
  • 학습설계 :

1) 처음 Raw data는 preview image에 있는 다양한 글자를 인식할 수 있도록 다양한 색깔과 모양의 한글 자모, 영어 알파벳, 한자 각 100장씩으로 설정하였다. Epochs 50, Batch Size 128로 설정한 뒤에Training 결과는 정확도가 한글(0.5), 영어(0.75), 한자(0.87)로 낮게 나왔다. 따라서 다시 Raw data를 수집하게 되었다.

2) 2번째로 학습시킨 Raw data는 배경은 흰색, 글자는 검정으로 통일한 한글 자모, 영어 알파벳, 한자 부수 각 100장씩이였다. 한자는 영어 알파벳과 한글 자모같은 것은 없지만, 한자 부수가 있기 때문에 한자 부수를 택하여 수집하였다. Epochs 46, Batch Size 128로 설정한 후 Training 결과는 정확도가 한글(0.94), 영어(0.94), 한자(0.94)로 1차 Raw data에 비해 높게 나왔다. 따라서 이 결과로 학습을 시키기로 결정했다.

• • 학습결과 :

문제의식대로 결과값을 얻기 위해서 먼저 이 설정이 간단한 글귀를 해석할 수 있는지의 여부부터 알아보기로 했다. 이에 일상생활에서 볼 수 있는 간단한 한글, 영어, 한자 글귀 이미지를 찾아서 테스트해 보았다. 그러나 결과는 한자 글귀를 제외하고는 간단한 한글, 영어 글귀도 제대로 인식하지 못하였다. 이 연구에서는 서울 번화가 거리의 '간판' 사진을 넣은 후 나오는 결과값(수치)을 통해서 서울 번화가 거리에서 한글, 영어, 한자가 어느 정도의 수치로 혼용되어 사용되고 있는지 간단히 알고자 했지만, 간단한 글귀도 제대로 인식하지 못하는 결과로 인해 위의 문제의식에 따라서 진행하려고 했던 검사는 할 수 없게 되었다. 간단한 글귀를 인식한 결과값은 다음과 같다.

• • 학습 결과 이미지 :

• 이만호
  • 실습URL:
  • 문제의식:
• 김웅기
  • 실습URL: https://teachablemachine.withgoogle.com/models/NDGz_rD6E/
  • 문제의식
    • 서론 : 시문학을 범박하게 정의하자면, 심상과 리듬의 두 축으로 주조된 언어예술이라 할 수 있다. 이때 문학의 차원에서 심상과 리듬은 각각 내용과 형식이라는 범주에 포섭된다. 한국문학사에 기술된 다양한 문학지형을 살펴보면, 항상 내용과 형식 사이의 대립 구도를 심심찮게 발견할 수 있다. 가령 1920~30년대 사회주의 이념을 부각하고자 한 프로문예 시인들의 작품은 내용 측면에 중점을 둔 반면, 순수문학파 시인들은 시 자체가 가지고 있는 예술성을 부각하기 위해 언어 형식에 상당한 신경을 썼던 것처럼 말이다. 그런데 식민지기를 거치고 나서 한국의 근대시는 형식의 차원보다는 내용의 차원에 중점을 두게 된다. 그것은 해방 직후부터 시작된 이념 간의 대립, 자유와 민주주의에 대한 구가, 시민으로서의 언명 등의 가치가 한국 사회에 당위적으로 요청되고, 이에 따라 필요한 목소리를 내는 도구로써 시가 동원된 바가 없지 않기 때문이다. 따라서 리듬은 어느 순간 내면으로 침잠해버리고 규칙적 외형률의 운문형식은 한국 시문학에서 과감하게 말하자면, 전통으로 사라져버린다.
    • 연구사 : 한국사회의 정치적 지형과 습합하는 근대시사의 사정은 현대까지도 지속되다가, 1980년대 정점을 찍는다. 하지만 1980년대 문학이 정치적으로만 경도된 것은 아니었다. 1980년대는 정치적 혼란과 동시에 인간 실존에 대한 고민이라는 당위적 과제가 산재해 있었고, 문학이 추동하는 예술적 욕망을 실현하려는 움직임도 많았다. 이러한 와중에 1980년대 현대시사에 조금씩 정체를 드러낸 것이 바로 포스트모더니즘이다. 포스트모더니즘의 포스트는 후기/해체라는 두 가지 양상으로 나아갔다. 그 과정에서 조금씩 피어오르고 있던 포스트모던 시류(類)는 1990년대 이후 문학의 풍향계가 되어주기도 했다. 포스트모더니즘이 공유하고 있는 후기철학은 라캉의 주체이론에서 대타자로서 등장하는 ‘언어’개념에 주목하며, 그것을 해체(데리다) 하는 작업이 곳곳에서 일어났는데, 이는 한국 현대시를 창작해야 하는 시인들에게도 다시금 언어 자체에 대한 문학적 고민이라는 과제를 부여한다. 이를 통한 다양한 형식적 해체가 일어나는데, 이것이 의미하는 바는 현대시의 ‘새로운 형식’이라는 단순한 의미를 넘어서, 그 형식이 당시 파편화되어 있는 세계를 시인들이 주체화하고 있는지를 보여준다는 차원에서 깊이가 있는 시도였다고 평가된다.
    • 연구목적 : 본 실험은 이러한 1980년대 시사(詩史)가 가지는 문학지형 안에서의 포스트모더니즘 경향의 문제적 시인들 중 황지우의 언어 해체 형식을 탐구하는 것에 목적이 있다. 이 연구를 다채롭게 하기 위해서는 더 다양한 시형 기준(Class)과 해체시인의 수 또한 보충할 필요가 있다. 1980년대~1990년대 시인들의 형식 해체 작업은 상당히 다양하게 이뤄지기 때문이다. 심한 경우에는 도형이 나오기도 하고, 그림을 그리기도 한다. 그러나 이는 추후 과제로 두고, 우선 형식 측면에서 언어해체가 가장 도드라지는 시인이 황지우이기 때문에, 가장 기본이 되는 세 가지 기준을 설정해 그의 언어가 시형식의 기본구도를 얼마나 벗어나고 있는지를 파악하는 것에 초점을 둔다. 시형식의 기본구도를 세 가지로만 한정하는 이유는 이 실험의 기계가 시의 형식을 이미지로 받아들인다는 점 때문이다. 따라서 정확한 결과도출을 위해서는 입체적인 언어 구조를 최대한 2차원의 형태로 형식화하는 것이 중요했다. 따라서 기준은 다음과 같다.
      • ①산문형 구조: 현대시(1960년대~1990년대)의 작품을 기준으로 일명 ‘통글’에 해당하는 형식. 직사각형으로 구조화.
      • ②운문형 구조: 전근대(성)문학(전통 시가의 형식, 김소월 등 민요시인의 경우)의 작품을 기준으로 ‘도형의 규칙적 반복’이 드러나는 형식. 작은 직사각형의 집합으로 구조화.
      • ③혼재형 구조: 2010년대 이후의 시작품을 기준으로 산문형과 운문형이 섞여 있는 형식. 대형 직사각형과 작은 직사각형의 혼용으로 구조화.
    • 연구 대상 : 해체시인 : 황지우
    • 실험 결과
      • Epochs :100, Batch size: 512, Learning Rate: 0.001
      • 총 7 작품을 검토하였으며, 산문형 100% 결과 4개 작품, 산문형(56%) 운문형(43%) 혼재형(1%) 결과 1개 작품, 산문형(58%), 운문형(35%), 혼재형(7%) 결과 1개 작품, 산문형(99%), 혼재형(1%) 결과 1개 작품으로 산출됐다.
    • 결과 해석
      • 황지우의 해체시 대표 7작품을 검토한 결과 모든 작품이 완전 산문형이거나 산문형에 치우쳐 있었다. 이는 성과와 한계를 동시에 지니는 결과라 할 수 있다. 우선 성과는 황지우의 해체시가 확실히 종래의 전통적인 시형식을 탈피하고 있다는 점을 파악할 수 있다는 것이다. 더불어 의미 없는 기호의 나열이나 그림 삽입을 통해 보여주는 콜라주 기법의 해체시 역시 산문형으로 파악함으로써, 황지우의 시적 (무)형식이 보여주는 기표의 이미지를 해석할 수 있게끔 만든다. 다만 한 가지 의심이 드는 것은, 산문형=무형식이라는 도식을 전제하는 데 있어 간과하고 있는 부분은 없는가 하는 것이다. 가령 그의 시<한국생명보험회사~>의 경우 산문형 100%로 나왔지만, 의도적으로 행을 나눈 것을 발견할 수 있다. 따라서 이 시의 특징은 신문 말미에 나오는 광고 내용을 떼내서 갖다 붙인 형태의 콜라주 기법의 해체시라는 것인데, 이런 기법을 산문형이라는 기준은 완벽히 충족하지 못한다는 점에서 한계가 있는 것이다.
      • 한편 운문형과 혼재형이 적거나 매우 극소한 비율로 섞여 나온 3개 작품의 경우는 황지우가 의도적으로 행을 비정상적으로 배치하거나, 기본적인 시형식은 갖추고 있으나 내용 측면에서 해체를 가져간 작품들이라 할 수 있다. 그런데 악보그림과 "짜자잔"이라는 가사, 그 밑에 "GAME OVER", "한다면."이라는 맥락 없는 문장들이 삽입되어 있는 경우에는 혼재형 1%를 가져갔다. 이 경우는 의도적 행배치나 기본적인 시형식 모두를 빗겨가는 방식임에도 불구하고 산문형 100%가 아니라 혼재형이 파악됐다는 점에서 의미심장하다. 최근 시인들 가운데 도형을 삽입하거나 각주 형태로 시를 짓는 등 다양한 기법을 가져가는 작품들이 있는데, 그 작품들을 기계가 어떻게 해석할지 궁금해지는 대목이었다.
      • 이 모델은 아직 부족한 점이 굉장히 많다. 특히 산문형과 운문형은 뚜렷한 형식상 차이가 나지만, 혼재형은 위치가 애매하다. 혼재형을 산문형의 하위분류로 두어야 할지, 혼재형 자체를 더욱 세분화해야 할지는 여전히 고민이 된다. 그리고 황지우처럼 해체시의 극단에 있는 위치가 아니라, 해체 경향은 보이지만 특별한 형식적 구상을 하지 않는 작가들의 특징을 파악하기에 이 모델은 성긴 부분이 많다. 추후에 더 생각을 해볼 문제인 듯하다.
    • 참고 결과 이미지

• 장민주
  • 실습URL: https://teachablemachine.withgoogle.com/models/_4AXjX9sj/

• • 연구목적: 구름의 종류와 형태는 다양하다. 그런 구름들의 이름을 알려주는 기술이 있으면 좋겠다고 생각해 본 적이 있다.

몇 년 전 야생화를 구별해주는 어플이 생겼다는 소식을 들은 적 있다. 어플의 사진기에 야생화를 인식시키면 굉장히 높은 정확도로 야생화의 이름을 알려준다고 한다. 한 번도 사용해보지는 않았지만, 아마 이 ‘티쳐블 머신러닝’의 이미지 러닝 기능과 유사한 인공지능 기술을 사용하지 않았을까 생각한다. 그 야생화 어플처럼 구름의 이름을 알려주는 기술이 있으면 좋겠다는 생각에 구름 사진으로 과제를 수행하게 되었다. 구름의 이름을 알아야 구름을 제대로 감상할 수 있는 것은 아니지만, 구름의 이름을 척척 알려주는 어플같은 게 있다면 일상 속 소소한 호기심을 해결하고 넘어갈 수 있지 않을까.

• • 연구대상 : 다양한 구름들(고적운, 고층운, 권운, 권적운, 권층운, 난층운, 적란운, 적운, 층운, 층적운, 비행운)

• • 실험 결과: 학습에 사용된 구름의 이미지는 총 481개로, 고적운 59개, 고층운 37개, 권운 61개, 권적운 67개, 권층운 53개, 난층운26개, 적란운 70개, 적운 24개, 층운 19개, 층적운 50개, 비행운 15개이다.

각각 학습시킨 구름의 이미지 수가 균일하지 않은 것은 인터넷에서 찾을 수 있는 구름의 이미지 데이터가 균일하지 않은 탓인데, 이는 사람들의 선호에 따른 문제라고 예상된다. 적란운이나 적운과 같은 사람들이 좋아하는 맑은 날씨의, 흔히 뭉게구름이라고 불리는 구름은 자료가 많았던 반면에, 사람들이 선호하지 않는 흐리거나 비 오는 날씨의 먹구름(난층운)의 경우 상대적으로 인터넷에 자료가 많지 않았다. (양떼구름이나 새털구름이라고 불리는 권층운, 권적운, 고적운도 이미지 수가 많았다.) 그러나 학습 이미지의 수는 최소 50장으로 맞추려고 했고 그 결과 50장을 겨우 채우거나 50장을 가분히 넘어가거나 혹은 50장에 못 미치는 자료의 숫자를 보이고 있다.

• • 결과 해석:

결과적으로 고민해 볼 수 있는 문제는, 찾은 자료가 정확한지? 구름 사진의 경우, 애니메이션 캐릭터나 동물, 사람, 문자 이미지와는 다르게 학습시키는 사용자조차도 결과값의 정확성을 확신하기가 어려웠다. 재미있는 점은 자료를 찾는 과정에서 많은 구름사진을 접했고 그것을 각각의 폴더에 정리하는 과정에서 나 또한 티쳐블 머신과 비슷한 학습을 경험했다는 것이다. 그 결과 티쳐블 머신이 계산한 값과, 내가 추측?한 결과 값이 유사함을 알 수 있었다. 구름만 있는 사진이 아닌 ‘구름과 건물’, ‘구름과 태양’, ‘구름과 바다’, ‘구름과 사람’ 등의 자료가 정확도를 떨어트리는 것 같음. 그러나 정확도가 떨어진 다는 예상과 다르게 학습시키는 과정에서도 학습결과를 확인하는 과정에서도 비슷한 수준으로 방해되는 이미지가 섞여들어 갔고 그 결과 정확도를 떨어트리는 요소들이 정확도에 크게 영향을 주지는 못 한 것 같다고 판단된다.

• • • 결과이미지:

• 김태형
  • 실습URL:
  • 문제의식:
• 임연
  • 실습URL: (https://teachablemachine.withgoogle.com/models/-ml4qDKEs/)

• • 배경소개
    • 중국 한자의 기원 갑골문

중국 문자는 한자이다. 그리고 한자의 기원은 은에서 사용된 갑골 문자에서 찾고 있다. 따라서, 한자의 기원은 대부분 갑골 문자라고 한다. 갑골문은 거북 배딱지와 소의 어깻죽지 뼈에 새긴 글자이다. 그래서 거북 배딱지를 나타내는 갑(甲)과 소뼈의 골(骨)을 합쳐 갑골문이라 한다. 갑골문의 존재가 알려진 것은 뜻밖에도 20세기에 들어와서의 일이다. 갑골문을 처음 발견한 사람은 유악(劉鶚, 1857~1909)이라는 학자이다.

가장 오래된 갑골문은 은나라의 남은 터에서 발견되었다고 해서 은허(殷墟) 문자라고도 말한다. 여기에 새긴 글은 복사(卜辭), 즉 점을 친 후 그 결과를 적은 것이었다. 고대에는 점을 칠 때 신에게 묻는 내용을 큰 소리로 말하면서 거북의 배딱지나 소의 어깻죽지 뼈에 인두로 지져 구멍을 뚫었다. 그러면 갑골이 열을 못 이겨 쩍쩍 갈라지면서 소리를 냈다. 점치는 사람은 갈라진 금을 보고 하늘의 응답을 읽었다.

그러고 나서는 갑골 위에 점칠 때 하늘에 물은 내용과 응답을 칼로 새겨 보관하였다. 갑골문의 내용은 제사와 농사, 전쟁과 수렵에 관한 것이 가장 많고, 그 밖에 왕의 통치나 질병, 재앙에 관한 질문도 있다. 이후 20만 개에 가까운 갑골이 더 발견되어 무려 4천 자에 해당하는 글자를 확인할 수 있게 되었다.

대체로 갑골 문자의 구성은 한자의 상형(象形), 지사(指事), 가차(假借), 형성(形聲), 회의(會意), 전주(轉注) 등 육서(六書)의 규칙을 갖추고 있다.

• • • 중국의 간체자와 번체자

한자는 사물의 형상을 그림으로 나타낸 고대 문자로써 모든 글자마다 각각의 의미가 있는 독특한 "뜻 글자"입니다. 총 5만 6천개의 한자가 존재하지만 현대출판물에 사용되는 한자에 대한 통계에 따르면 약 3,000개의 한자가 전체 문자의 99%정도 사용되고 있습니다.

중국 교육부는 1956년이후 중국어의 발음부호인 "한어병음"을 만들었으며 또한 높은 문맹의 중국인들을 위해 복잡하고 배우기 어려운 번체자 (繁体字)의 한자를 배우기가 쉽고 간단하게 쓸 수 있도록 새롭게 만들었는데 이를 간체자 "(简体字)"라고 부릅니다.

• • • 데이터 준비

class1: 갑골문 100개 글자의 이미지 준비

class2: 간체자 100개 글자의 이미지 준비

class3: 번체자 100개 글자의 이미지 준비

갑골문, 간체자, 번체자의 100개 한자는 전부 1:1로 대응되는 한자로 선택했음.

• • • 연구 1

목적1 : 간체자와 번체자 중 어느 것이 갑골문의 문자와 더 가까운 지를 측정하려고 함.

Export Model : 100개 글자가 담겨진 1장의 간체자 이미지 및 번체자 이미지로 측정했음.

결과: 100% 갑골문과 같음.

• • • 연구2

목적 2 : 상형문자인 중국의 한자 중에서 간체자, 번체자, 갑골문 중에서 어느 것의 상형 의미가 더 높은 가를 측정하려고 함.

Expot Model 1: '물고기' 삽화

결과 1: 갑골문과 비슷함.

Expot Model 2: '산' 삽화

결과 2: 갑골문과 비슷함.

Expot Model 3: '비' 삽화

결과 3: 번체자와 비슷함.

• 아슈토시
  • 실습URL:
  • 문제의식:

신경망 기술과 텍스트 분류 실습

• 윤석만 :
• 길혜빈 : 신문 제목의 구어성
• 임예찬 :
• 이만호 :
• 김웅기 :
• 장민주 :
• 김태형 :
• 임연 :
• 아슈토시 :

Useful Information

How to use Mediawiki

• 위키 콘텐츠의 체계 구상
• 위키 문서 제작 방법
• 위키백과 - 위키문법
• 위키백과 - 위키문법 요약
• 2019 DH워크숍 제공 위키문법 자료
• 2016 디지털 인문학 교육 워크샵 - 03 wiki 콘텐츠 편찬 방법(동영상 강의)

How to create Network Graph

• 위키에서 네트워크 그래프 그리기(DH위키)

External Website

• Talk to Transformer
• Teachable Machine

Footnote

1. ↑ 03.16부터 03.20까지 수강정정기간
2. ↑ 04.15은 제21대 국회의원 선거일(공휴일)이며, 이로 인해 보강계획 필요