인공지능 의 마지막 킬로미터

정 뢰 / 문

"기계 가 생각 하나 요?"인공지능 의 아버지 인 에 른 투 령 의 이 문 제 는 이미 일부 해결 되 었 다. 기계 학습 은 이미 일부 분야 에서 인류 처럼 생각 하고 행동 하 는 것 을 표현 할 수 있다. 예 를 들 어 바둑 을 두 는 것 이다.

현재 기계 학습 은 공업 과 사회 발전 을 추진 하 는 중요 한 힘 이 되 었 고 전자상거래 와 광고 에서 교육 과 의료 등 분야 에 투입 하 는 자동화 결정 을 실현 할 수 있다.컴퓨터 를 바탕 으로 한 이미지 분석 분야 에서 의 얼굴 인식 은 좋 은 예 이다.만약 우리 손 에 의료 영상 사진 을 많이 가지 고 있다 면 이 사진 으로 기 계 를 훈련 시 켜 새로운 사진 을 보 는 것 을 배 워 어떤 질병 이 있 는 지 추측 할 수 있다.머 신 러 닝 은 회사 보안 시스템 에 도 활용 해 방문객 이 회사 직원 인지 아 닌 지 판단 할 수 있다.그러나 기계 학습 도 많은 지적 을 받 았 다. 주로 이런 학습 방식 은 대량의 데 이 터 를 바탕 으로 해 야 하고 심지어 이런 인공지능 은 반드시 빅 데이터 기반 위 에 세 워 져 야 한다 고 할 수 있다.그러나 현실 에서 우리 가 해결 해 야 할 문 제 는 적은 양의 견본 만 사용 할 수 있다.이것 이 바로 스마트 기기 와 인류의 본질 적 인 차이 이다. 인류 학습 은 기 존의 정보 와 지식 을 바탕 으로 할 뿐만 아니 라 하 나 를 보면 열 을 깨 닫 고 하 나 를 적당 하 게 수정 한 다음 에 다른 장소 에 사용한다.이것 이 바로 이전 학습 이 고 전통 기계 가 다음 단계 에 파악 해 야 할 능력 이다.

지난 십 몇 년 동안 알고리즘, 이론 연구 든 실제 장면 응용 이 든 이전 학습 은 점점 광범 위 한 관심 과 연 구 를 받 았 다.이 책 은 이 분야 의 경력 이 풍부 한 전문가 들 이 작성 한 것 으로 체계 적 이 고 전면적 이 며 이전 학습 이론, 자동 이전 학습, 샘플 학습, 평생 기계 학습 등 을 포함 하고 컴퓨터 시각, 자연 언어 처리, 추천 시스템, 생물 정보 학, 행위 인식 등 분야 의 성 과 를 포함한다.

아 기 는 먼저 자신의 부 모 를 가 리 는 법 을 배우 고 그 분 별 력 을 이용 해 다른 사람 을 가 리 는 법 을 배운다.어린 이 는 몇 가지 예 에서 만 배우 면 규칙 을 신속하게 귀납 할 수 있다.이런 작은 데이터 에서 배 우 는 능력 은 우리 로 하여 금 예전 의 경험 을 이용 하고 조정 하여 새로운 문 제 를 해결 하 는 데 도움 을 줄 수 있 게 한다.이런 학습 적응력 에서 인 류 는 현재 스마트 기기 보다 훨씬 앞 선다.우 리 는 서로 고립 되 고 파편 화 된 소량의 데 이 터 를 자주 만 나 는데 가끔 은 많은 제한 으로 인해 대량의 데 이 터 를 수집 할 수 없다. 예 를 들 어 프라이버시 보호 등 이다.이때 기계 학습 은 극복 하기 어 려 운 난관 에 부 딪 혔 다.한편, 이전 학습 은 바로 이러한 도전 에 대한 해결 방안 이다. 이런 학습 체 제 는 인공지능 시스템 을 더욱 신뢰 할 수 있 고 안정 적 으로 만 들 수 있 으 며 더욱 복잡 한 모델 로 나타 날 변화 에 대응 할 수 있다.

이전 학습 을 통 해 지식 을 재 활용 할 수 있 고 얻 은 경험 을 현실 세계 에 중복 적용 할 수 있다.만약 인공지능 이 이전 학습 을 효과적으로 활용 할 수 있다 면 우 리 는 평생 공부 할 수 있 는 스마트 기 계 를 얻 을 수 있다.이것 은 인류 진화 의 궤적 과 유사 한 점 이 있 는데 인공지능 과학 자 는 줄곧 이 방향 을 향 해 노력 해 왔 다.연구원 들 은 처음부터 지식 을 옮 기 는 능력 을 인공지능 의 주춧돌 로 삼 았 다.비교 학습, 사례 를 바탕 으로 하 는 추리, 지식 중용 과 재건, 평생 기계 학습 등 은 모두 이 범주 에 속한다.교육 과 심리학 분야 에서 학습 과 이전 은 효과 적 인 학습 을 연구 하 는 중요 한 과제 이다. 사람들 은 가장 좋 은 교육 이 학생 들 로 하여 금 '어떻게 공부 하 는가' 를 배우 게 하고 배 운 지식 을 미래 상황 에 적응 하 게 할 것 이 라 고 굳 게 믿는다.

우 리 는 간단 하고 이해 하기 쉬 운 이전 학습 의 예 를 들 었 다.세계 에는 두 가지 도로 시스템 이 있 는데, 각각 좌측 과 우측 통행 이다.예 를 들 어 미국 과 중국 내륙 의 운전 자 는 자동차의 왼쪽 에 위치 하고 자동 차 는 우측 으로 운전 해 야 한다.한편, 영국, 홍콩 지역 에서 운전 위 치 는 자동차 오른쪽 이 고 차 는 왼쪽으로 달린다.저 는 심 천 에 살 고 있 습 니 다. 오른쪽 으로 운전 하 는 습관 이 있 지만 홍콩 에 가면 운전 을 못 합 니 다. 운전 습관 을 바 꾸 기 가 어렵 습 니 다.하지만 앞 으로 는 자동 으로 운전 하 는 자동 차 를 이용 할 수 있 고, 이전 학습 은 여기에 활용 할 수 있 으 며, 두 가지 운전 중 공 통 된 특징 을 찾아내 자동 운전 시스템 을 자 유 롭 게 전환 시 킬 수 있다.운전 자가 어느 쪽 에 앉 든 도로 중심선 에서 가장 가 까 운 것 을 볼 수 있다.운전 자 들 이 운전 습관 을 한 방향 에서 다른 방향 으로 옮 길 수 있 게 한 것 이다.이전 학습 의 관건 적 인 요 소 는 서로 다른 영역 과 임무 사이 의 이러한 '불변성' 을 찾 는 것 이다.물론 실제 이전 학습 은 이 임무 보다 훨씬 복잡 하 다.

이전 학습 에서 알고리즘 은 가장 핵심 적 인 기술 로 샘플, 특징, 모델 과 관 계 를 바탕 으로 하 는 알고리즘 을 포함한다.모든 이전 알고리즘 은 서로 다른 지식 이동 캐리어 에 대응한다.텍스트 발굴 은 학습 알고리즘 을 이전 하 는 좋 은 응용 장면 으로 텍스트 에서 유용 한 구조 적 지식 을 발견 하고 다른 분야 에 응용 할 수 있다.예 를 들 어 감정 분류, 온라인 커 뮤 니 티, 블 로그, 소 셜 네트워크 등 수많은 사용자 가 생 성 된 내용 을 통 해 소비자 가 제품 과 서비스 에 대한 생각 을 정리 하 는 것 이 매우 중요 하 다. 서로 다른 유형의 제품, 서로 다른 유형의 온라인 사이트, 서로 다른 업계 에 대해 사용 자 는 서로 다른 단어 로 똑 같은 감정 을 가 진 관점 을 표현 할 수 있다.이런 상황 에서 인간 의 감정 분류 능력 을 갖 춘 기 계 를 이전 학습 으로 훈련 시 킬 수 있다.그러나 인공지능 이 마지막 킬로 미 터 를 지나 면 많은 사람들 이 심각 한 위협 을 의식 하 게 될 것 이다.