인공지능(AI)의 미래

인공지능(AI)이란?

누구에게 물어보느냐에 따라 다릅니다. 1950년대에 인공 지능을 이전에는 인간 지능이 필요한 것으로 간주되었던 기계가 수행하는 모든 작업이라고 설명했습니다. 그것은 분명히 상당히 광범위한 정의이므로 어떤 것이 진정한 AI인지 아닌지에 대한 논쟁을 때때로 보게 될 것입니다. 지능을 창출한다는 것이 무엇을 의미하는지에 대한 현대적 정의는 보다 구체적입니다. Google의 AI 연구원이자 기계 학습 소프트웨어 라이브러리인 Keras의 창시자인 Francois Chollet은 지능이 시스템이 새로운 환경에 적응하고 즉흥적으로 대처하고 지식을 일반화하고 익숙하지 않은 시나리오에 적용하는 능력과 관련이 있다고 말했습니다. "지능은 이전에 준비하지 않은 작업에서 새로운 기술을 습득하는 효율성입니다."라고 그는 말했습니다. "지능은 기술 그 자체가 아닙니다. 그것은 당신이 할 수 있는 것이 아닙니다. 그것은 당신이 새로운 것을 얼마나 잘 그리고 얼마나 효율적으로 배울 수 있는지입니다." 이는 가상 비서와 같은 최신 AI 기반 시스템이 음성 인식이나 컴퓨터 비전과 같은 제한된 일련의 작업을 수행할 때 훈련을 일반화할 수 있는 능력인 '좁은 AI'를 시연한 것으로 특징지어지는 정의입니다.

일반적으로 AI 시스템은 계획, 학습, 추론, 문제 해결, 지식 표현, 인식, 동작 및 조작, 사회적 지능 및 창의성과 같은 인간 지능과 관련된 행동 중 적어도 일부를 보여줍니다. AI의 용도는 무엇입니까? AI는 오늘날 어디에서나 볼 수 있으며, 다음에 온라인에서 무엇을 사야 하는지 추천하고, Amazon의 Alexa 및 Apple의 Siri와 같은 가상 비서에게 말하는 내용을 이해하고, 사진에 있는 사람과 내용을 인식하고 , 스팸을 발견하거나, 스팸을 감지하는 데 사용됩니다. 카드 사기. AI의 다른 유형은 무엇입니까? 매우 높은 수준에서 인공 지능은 크게 두 가지 유형으로 나눌 수 있습니다. 좁은 AI Narrow AI는 오늘날 컴퓨터에서 우리 주변에서 볼 수 있는 것입니다. 즉, 명시적으로 프로그래밍되지 않은 상태에서 특정 작업을 수행하는 방법을 배우거나 학습한 지능형 시스템입니다. 이러한 유형의 머신 인텔리전스는 Apple iPhone의 Siri 가상 비서의 음성 및 언어 인식, 자율 주행 자동차의 시각 인식 시스템 또는 사용자가 좋아할 만한 제품을 제안하는 추천 엔진에서 분명하게 나타납니다. 과거에 샀다. 인간과 달리 이러한 시스템은 정의된 작업을 수행하는 방법만 배우거나 가르칠 수 있기 때문에 좁은 AI라고 합니다.

 

일반 AI 일반 AI는 매우 다르며 인간에게서 볼 수 있는 적응형 지능의 유형이며, 이발에서 스프레드시트 작성에 이르기까지 매우 다양한 작업을 수행하는 방법을 학습할 수 있는 유연한 형태의 지능입니다. 경험. 이것은 2001년 HAL이나 The Terminator의 Skynet과 같이 영화에서 더 흔히 볼 수 있는 일종의 AI이지만 오늘날에는 존재하지 않습니다. Narrow AI는 무엇을 할 수 있습니까? 좁은 AI를 위한 수많은 새로운 애플리케이션이 있습니다. 송유관과 같은 인프라의 육안 검사를 수행하는 드론의 비디오 피드를 해석합니다. 개인 및 비즈니스 캘린더 구성. 간단한 고객 서비스 문의에 응답합니다. 적절한 시간과 장소에 호텔을 예약하는 것과 같은 작업을 수행하기 위해 다른 지능형 시스템과 조정합니다. 방사선 전문의가 X-레이에서 잠재적인 종양을 발견하도록 돕습니다. 온라인에서 부적절한 콘텐츠에 플래그를 지정하고 IoT 장치에서 수집한 데이터에서 엘리베이터의 마모를 감지합니다. 위성 이미지에서 세계의 3D 모델 생성... 목록은 계속됩니다. 이러한 학습 시스템의 새로운 응용 프로그램이 항상 등장하고 있습니다. 그래픽 카드 설계자 Nvidia는 최근 AI 기반 시스템인 Maxine을 공개했습니다. 이 시스템을 사용하면 거의 인터넷 연결 속도에 관계없이 양질의 화상 통화를 할 수 있습니다. 이 시스템은 인터넷을 통해 전체 비디오 스트림을 전송하지 않고 발신자의 얼굴 표정과 움직임을 재현하도록 설계된 방식으로 발신자의 적은 수의 정적 이미지를 애니메이션 화하는 대신 이러한 통화에 필요한 대역폭을 10배로 줄입니다. 실시간이며 비디오와 구분할 수 없습니다. 그러나 이러한 시스템이 가진 미개척 잠재력만큼 때때로 기술에 대한 야망이 현실을 능가합니다.

 

적절한 사례는 컴퓨터 비전과 같은 AI 기반 시스템에 의해 뒷받침되는 자율 주행 자동차입니다. 전기 자동차 회사인 Tesla는 차량의 Autopilot 시스템이 시스템의 보다 제한적인 보조 운전 기능에서 "완전 자율 주행"으로 업그레이드되는 CEO Elon Musk의 원래 일정보다 약간 뒤처져 있습니다. 완전 자율 주행 옵션은 최근에야 출시되었습니다. 베타 테스트 프로그램의 일부로 선별된 전문 드라이버 그룹입니다. 일반 AI는 무엇을 할 수 있습니까? AI 연구원 이 2012/13년에 4개 전문가 그룹을 대상으로 실시한 설문 조사에 따르면 AGI( Artificial General Intelligence )가 2040년에서 2050년 사이에 개발될 가능성이 50%이며 2075년에는 90%로 증가합니다. 그룹은 더 나아가 Bostrom이 "거의 모든 관심 영역에서 인간의 인지 성능을 크게 능가하는 모든 지능"으로 정의하는 소위 '초지능'이 AGI 달성 후 약 30년 후에 예상될 것이라고 예측했습니다 하지만 최근 AI 전문가들의 평가는 좀 더 신중하다. 같은 현대 AI 연구 분야의 선구자들은 사회가 AGI 개발에 근접하지 못했다고 말합니다.

 

현대 AI 분야의 선도적인 조명에 대한 회의론과 AGI에 대한 현대의 협소한 AI 시스템의 특성이 매우 다르다는 점을 감안할 때 일반적인 인공 지능이 가까운 미래에 사회를 혼란에 빠뜨릴 것이라는 두려움에 대한 근거는 거의 없을 것입니다. 즉, 일부 AI 전문가는 인간의 뇌에 대한 제한된 이해를 고려할 때 그러한 예측이 매우 낙관적이며 AGI가 여전히 수세기 뒤에 있다고 믿습니다. AI 개발의 최근 랜드마크는 무엇입니까? 현대의 협소한 AI는 특정 작업을 수행하는 것으로 제한될 수 있지만, 전문 분야 내에서 이러한 시스템은 때때로 초인적인 성능을 발휘할 수 있으며, 경우에 따라 본질적으로 인간으로 간주되는 특성인 뛰어난 창의성을 보여주기도 합니다. 결정적인 목록을 작성하기에는 너무 많은 혁신이 있었지만 몇 가지 주요 사항은 다음과 같습니다. 2009년 Google은 자율 주행 Toyota Prius가 각각 100마일씩 10회 이상의 여행을 완료할 수 있음을 보여줌으로써 사회를 무인 차량으로 향하는 길로 인도했습니다. 2011년 컴퓨터 시스템 IBM Watson이 미국 퀴즈 쇼 Jeopardy! 에서 우승하면서 전 세계적으로 헤드라인을 장식했습니다. , 쇼가 배출 한 최고의 선수 중 두 명을 이겼습니다. 쇼에서 우승하기 위해 Watson은 종종 몇 분의 1초 만에 사람이 제기한 질문에 답하기 위해 처리되는 방대한 데이터 저장소에 대한 자연어 처리 및 분석을 사용했습니다. 2012년에 또 다른 돌파구가 등장하여 이전에는 어떤 기계에도 너무 복잡하다고 생각되었던 수많은 새로운 작업을 처리할 수 있는 AI의 잠재력을 예고했습니다. 그 해에 AlexNet 시스템은 ImageNet 대규모 시각 인식 챌린지에서 결정적인 승리를 거두었습니다. AlexNet의 정확도는 이미지 인식 대회에서 경쟁 시스템에 비해 오류율을 절반으로 줄였습니다.

 

AlexNet의 성능은 수십 년 동안 존재해 왔지만 무어의 법칙에 의해 가능해진 아키텍처의 개선과 병렬 처리 능력의 도약으로 인해 마침내 그 잠재력을 실현하고 있는 기계 학습 모델인 신경망에 기반한 학습 시스템의 힘을 보여주었습니다. 컴퓨터 비전을 수행하는 기계 학습 시스템의 능력도 그 해 헤드라인을 장식했습니다. Google은 인터넷에서 가장 좋아하는 고양이 사진을 인식하는 시스템을 훈련시켰습니다. 대중의 관심을 끈 머신 러닝 시스템의 효능에 대한 다음 시연은 2016년 Google DeepMind AlphaGo AI가 고대 중국 게임인 Go에서 인간 그랜드마스터를 이긴 것이었습니다. 체스의 약 20개에 비해 바둑은 턴당 약 200개의 이동이 가능합니다. 바둑 게임을 진행하는 동안 최상의 플레이를 식별하기 위해 사전에 각각을 검색하는 가능한 동작이 너무 많아 계산적 관점에서 볼 때 비용이 너무 많이 듭니다. 대신 AlphaGo는 3,000만 개의 바둑 게임에서 인간 전문가가 수행한 동작을 딥 러닝 신경망에 입력하여 게임 방법을 훈련했습니다. 이러한 딥 러닝 네트워크를 교육하는 데는 시간이 매우 오래 걸릴 수 있으며 시스템이 최상의 결과를 얻기 위해 모델을 점진적으로 개선함에 따라 방대한 양의 데이터를 수집하고 반복해야 합니다. 그러나 최근에 Google은 자체적으로 "완전히 무작위" 게임을 한 다음 학습하는 시스템인 AlphaGo Zero로 훈련 프로세스를 개선했습니다. 구글 딥마인드 CEO 데미스 하사비스(Demis Hassabis)도 체스와 장기를 마스터한 알파고 제로의 새 버전을 공개했다. 그리고 AI는 계속해서 새로운 이정표를 넘어 질주하고 있습니다. OpenAI가 훈련한 시스템 이 온라인 멀티플레이어 게임인 Dota 2의 일대일 경기에서 세계 정상급 플레이어를 물리쳤습니다. 같은 해 OpenAI는 협력하고 목표를 보다 효과적으로 달성하기 위해 자신의 언어를 발명한 AI 에이전트를 만들었고, 그 뒤를 이어 협상하고 거짓말하는 페이스북 훈련 에이전트를 만들었습니다. 2020년은 AI 시스템이 생각할 수 있는 거의 모든 주제에 대해 인간처럼 쓰고 말할 수 있는 능력을 얻은 해였습니다. 줄여서 GPT-3으로 알려진 문제의 시스템은 개방형 웹에서 사용할 수 있는 수십억 개의 영어 기사에 대해 훈련된 신경망입니다. 비영리 조직인 OpenAI에서 테스트할 수 있게 된 직후부터 인터넷은 GPT-3에 공급되는 거의 모든 주제에 대한 기사를 생성하는 GPT-3의 능력으로 떠들썩했습니다.

 

사람이 쓴 것과 구별하라. 마찬가지로 광범위한 주제에 대한 질문에 설득력 있게 답변하고 심지어 초보 JavaScript 코더에게도 합격할 수 있는 능력으로 다른 영역에서도 인상적인 결과가 이어졌습니다. 그러나 많은 GPT-3 생성 기사가 사실적인 분위기를 풍겼지만, 추가 테스트를 통해 생성된 문장이 종종 소집을 통과하지 못했고, 표면적으로 그럴듯하지만 혼란스러운 진술과 때로는 노골적인 난센스를 제공하는 것으로 나타났습니다. 향후 서비스의 기반으로 모델의 자연어 이해를 사용하는 데 여전히 상당한 관심이 있습니다. OpenAI의 베타 API를 통해 소프트웨어로 빌드할 개발자를 선택할 수 있습니다. 또한 Microsoft의 Azure 클라우드 플랫폼을 통해 제공되는 향후 서비스에도 통합될 예정입니다. 아마도 AI의 잠재력에 대한 가장 놀라운 예는 2020년 말 구글의 주의 기반 신경망인 AlphaFold 2가 일부 사람들이 노벨 화학상을 받을 만한 가치가 있는 결과를 시연했을 때였을 것입니다. 아미노산으로 알려진 단백질의 빌딩 블록을 보고 단백질의 3D 구조를 도출하는 시스템의 능력은 질병을 이해하고 의약품을 개발하는 속도에 큰 영향을 미칠 수 있습니다. 단백질 구조 예측의 비판적 평가 대회에서 AlphaFold 2는 단백질을 확실하게 모델링하기 위한 황금 표준인 결정학에 필적하는 정확도로 단백질의 3D 구조를 결정했습니다. 결과를 반환하는 데 몇 달이 걸리는 결정학과 달리 AlphaFold 2는 몇 시간 만에 단백질을 모델링할 수 있습니다. 단백질의 3D 구조가 인간의 생물학과 질병에서 중요한 역할을 함에 따라 이러한 속도 향상은 효소가 생명공학에서 사용되는 다른 분야에서의 잠재적인 응용은 말할 것도 없고 의학의 획기적인 돌파구로 예고되었습니다. 기계 학습이란 무엇입니까? 실질적으로 지금까지 언급된 모든 성과는 최근 몇 년 동안 이 분야에서 달성한 성과의 대부분을 차지하는 AI의 하위 집합인 기계 학습에서 비롯되었습니다. 오늘날 사람들이 AI에 대해 이야기할 때 일반적으로 기계 학습에 대해 이야기합니다. 현재 부활을 즐기고 있는 기계 학습은 간단히 말해서 컴퓨터 시스템이 작업을 수행하는 방법을 프로그래밍하는 것이 아니라 작업을 수행하는 방법을 배우는 것입니다. 기계 학습에 대한 이 설명은 세계 최초의 자가 학습 시스템 중 하나 개발한 이 분야의 선구자인 Arthur Samuel이 만든 1959년으로 거슬러 올라갑니다.

 

학습을 위해 이러한 시스템에는 엄청난 양의 데이터가 제공되며, 음성 이해 또는 사진 캡션과 같은 특정 작업을 수행하는 방법을 학습하는 데 사용됩니다. 이 데이터 세트의 품질과 크기는 지정된 작업을 정확하게 수행할 수 있는 시스템을 구축하는 데 중요합니다. 예를 들어 집값을 예측하기 위해 기계 학습 시스템을 구축하는 경우 학습 데이터에는 부동산 크기뿐만 아니라 침실 수나 정원 크기와 같은 다른 중요한 요소가 포함되어야 합니다. 신경망이란 무엇입니까? 머신러닝 성공의 열쇠는 신경망입니다. 이러한 수학적 모델은 내부 매개변수를 조정하여 출력 내용을 변경할 수 있습니다. 신경망에는 훈련 중에 특정 데이터가 제시될 때 무엇을 내뱉어야 하는지 가르치는 데이터 세트가 제공됩니다. 구체적으로 말하자면, 네트워크는 0과 9 사이 숫자의 그레이스케일 이미지와 각 그레이스케일 이미지에 표시되는 숫자를 나타내는 이진수 문자열(0과 1)을 공급받을 수 있습니다. 그런 다음 네트워크는 높은 정확도로 각 이미지에 표시된 숫자를 분류할 때까지 내부 매개변수를 조정하여 훈련됩니다. 이 훈련된 신경망은 0에서 9 사이의 다른 그레이스케일 이미지를 분류하는 데 사용될 수 있습니다. 신경망의 구조와 기능은 뇌의 뉴런 사이의 연결에 매우 느슨하게 기반을 두고 있습니다. 신경망은 데이터를 서로 공급하는 상호 연결된 알고리즘 계층으로 구성됩니다. 데이터가 이러한 계층 사이를 통과할 때 데이터에 부여된 중요성을 수정하여 특정 작업을 수행하도록 훈련할 수 있습니다.

 

이러한 신경망을 훈련하는 동안 레이어 사이를 통과할 때 데이터에 첨부된 가중치는 신경망의 출력이 원하는 값에 매우 근접할 때까지 계속 변경됩니다. 그 시점에서 네트워크는 특정 작업을 수행하는 방법을 '학습'하게 됩니다. 원하는 출력은 이미지의 과일 레이블을 올바르게 지정하는 것부터 센서 데이터를 기반으로 엘리베이터가 고장 날 수 있는 시기를 예측하는 것까지 무엇이든 될 수 있습니다. 기계 학습의 하위 집합은 신경망이 막대한 양의 데이터를 사용하여 훈련되는 많은 크기의 레이어가 있는 거대한 네트워크로 확장되는 딥 러닝입니다. 이러한 심층 신경망은 음성 인식 및 컴퓨터 비전과 같은 작업을 수행하는 컴퓨터 능력의 현재 도약을 촉진했습니다. 서로 다른 강점과 약점을 가진 다양한 유형의 신경망이 있습니다. RNN(Recurrent Neural Networks)은 텍스트의 의미를 이해하는 NLP(Natural Language Processing)와 음성 인식에 특히 적합한 신경망 유형인 반면, 합성곱 신경망은 이미지 인식에 뿌리를 두고 다양한 용도로 사용됩니다. 추천 시스템 및 NLP로. 신경망의 설계도 진화하고 있습니다. 연구원들은 NLP와 같은 작업 및 주식 시장 예측에 사용되는 RNN 아키텍처의 한 유형인 장단기 기억(LSTM)이라는 보다 효과적인 형태의 심층 신경망을 개선하고 있습니다.

 

Google 번역과 같은 주문형 시스템에서 사용할 수 있을 만큼 빠르게 작동합니다. 다른 유형의 AI는 무엇입니까? AI 연구의 또 다른 영역은 진화 계산입니다. 그것은 다윈의 자연선택 이론에서 차용한 것입니다. 그것은 유전자 알고리즘이 주어진 문제에 대한 최적의 설루션을 진화시키려는 시도에서 세대 간의 무작위 돌연변이 및 조합을 겪는 것을 봅니다. 이 접근 방식은 AI 모델을 설계하는 데에도 사용되었으며, AI를 효과적으로 사용하여 AI를 구축하는 데 도움이 되었습니다. 신경망을 최적화하기 위해 진화 알고리즘을 사용하는 것을 신경 진화라고 합니다. 특히 데이터 과학자에 대한 수요가 종종 공급을 초과함에 따라 지능형 시스템의 사용이 더욱 보편화됨에 따라 효율적인 AI를 설계하는 데 중요한 역할을 할 수 있습니다. 이 기술은 강화 학습 문제를 위해 심층 신경망을 훈련하기 위해 유전자 알고리즘을 사용하는 방법에 대한 논문을 발표한 Uber AI Labs에서 선보였습니다. 마지막으로 전문가 시스템이 있습니다. 여기서 컴퓨터는 많은 수의 입력을 기반으로 일련의 결정을 내릴 수 있는 규칙으로 프로그래밍되어 해당 기계가 특정 영역에서 인간 전문가의 행동을 모방할 수 있습니다. 이러한 지식 기반 시스템의 예로 비행기를 조종하는 자동 조종 시스템을 들 수 있습니다. AI의 부활에 연료를 공급하는 것은 무엇입니까? 위에서 설명한 것처럼 최근 몇 년 동안 AI 연구의 가장 큰 발전은 머신 러닝 분야, 특히 딥 러닝 분야에서 이루어졌습니다. 이것은 부분적으로는 데이터의 용이한 가용성에 의해 주도되었지만 병렬 컴퓨팅 성능의 폭발적인 증가로 인해 더욱 커졌습니다.

 

이 기간 동안 머신 러닝 시스템을 교육하기 위해 그래픽 처리 장치(GPU) 클러스터를 사용하는 것이 더욱 보편화되었습니다. 이러한 클러스터는 기계 학습 모델 훈련을 위한 훨씬 더 강력한 시스템을 제공할 뿐만 아니라 이제 인터넷을 통해 클라우드 서비스로 널리 사용 가능합니다. 시간이 지남에 따라 Google , Microsoft , Tesla와 같은 주요 기술 회사는 머신 러닝 모델을 실행하고 최근에는 교육에 맞게 조정된 특수 칩을 사용하도록 이동했습니다. 이러한 맞춤형 칩 중 하나의 예는 소프트웨어 라이브러리를 사용하여 구축된 유용한 기계 학습 모델이 데이터에서 정보를 추론할 수 있는 속도를 가속화하는 최신 버전의 TPU(Tensor Processing Unit)입니다. 그들이 훈련받을 수 있는 것. 이 칩은 Google 번역을 뒷받침하는 모델, Google 포토의 이미지 인식 및 대중이 Google의 Tensor Flow Research Cloud를 사용하여 기계 학습 모델을 구축할 수 있는 서비스를 훈련하는 데 사용됩니다. 이 칩의 3세대는 2018년 5월 Google의 I/O 콘퍼런스에서 공개되었으며 이후 초당 100조 이상의 부동 소수점 연산(100페타플롭)을 수행할 수 있는 팟(Pod)이라는 기계 학습 강국으로 패키징 되었습니다. 이러한 지속적인 TPU 업그레이드를 통해 Google은 기계 학습 모델을 기반으로 구축된 서비스를 개선할 수 있었습니다. 예를 들어 Google 번역에서 사용되는 모델을 학습시키는 데 걸리는 시간을 절반으로 줄였습니다. 기계 학습의 요소는 무엇입니까? 언급했듯이 기계 학습은 AI의 하위 집합이며 일반적으로 지도 학습과 비지도 학습의 두 가지 주요 범주로 나뉩니다. 감독 학습 AI 시스템을 가르치는 일반적인 기술은 레이블이 지정된 많은 예제를 사용하여 AI 시스템을 교육하는 것입니다.

 

이러한 기계 학습 시스템에는 관심 있는 기능을 강조하기 위해 주석이 달린 방대한 양의 데이터가 제공됩니다. 이들은 개가 포함되어 있는지 여부를 나타내는 라벨이 붙은 사진이거나 '베이스'라는 단어가 음악과 관련된 것인지 물고기와 관련된 것인지를 나타내는 각주가 있는 문장일 수 있습니다. 일단 훈련되면 시스템은 이러한 레이블을 새 데이터(예: 방금 업로드된 사진의 개)에 적용할 수 있습니다. 예를 들어 기계를 가르치는 이 과정을 감독 학습이라고 합니다. 이러한 예에 레이블을 지정하는 작업은 일반적으로와 같은 플랫폼을 통해 고용된 온라인 작업자가 수행합니다. 이러한 시스템을 훈련하려면 일반적으로 막대한 양의 데이터가 필요하며 일부 시스템은 작업을 효과적으로 수행하는 방법을 배우기 위해 수백만 개의 예제를 샅샅이 뒤져야 합니다. 그러나 이는 빅 데이터 및 광범위한 데이터 마이닝 시대에 점점 더 가능해집니다. 교육 데이터 세트는 방대하고 크기가 커지고 있습니다. Google의 Open Images Dataset에는 약 900만 개의 이미지가 있으며 라벨이 지정된 비디오 저장소 YouTube-8M 은 700만 개의 라벨이 지정된 비디오에 연결되어 있습니다. 이러한 종류의 초기 데이터베이스 중 하나인 ImageNet 에는 1,400만 개 이상의 분류된 이미지가 있습니다. 거의 50,000명(대부분 Amazon Mechanical Turk를 통해 모집됨)이 2년에 걸쳐 편집하여 약 10억 개의 후보 사진을 확인, 분류 및 라벨링 했습니다. 거대한 레이블이 지정된 데이터 세트에 대한 액세스 권한을 갖는 것은 장기적으로 대량의 컴퓨팅 성능에 대한 액세스보다 덜 중요할 수도 있습니다. 최근 몇 년 동안 GAN은 레이블이 지정되지 않은 대량의 데이터와 레이블이 지정된 소량의 데이터만 필요한 기계 학습 시스템에 사용되어 이름에서 알 수 있듯이 준비하는 데 수동 작업이 덜 필요합니다. 이 접근 방식은 시스템이 오늘날 지도 학습을 사용하는 교육 시스템에 필요한 것보다 훨씬 적은 양의 레이블이 지정된 데이터를 사용하여 작업을 수행하는 방법을 배울 수 있는 준지도 학습의 사용을 증가시킬 수 있습니다. 비지도 학습 반대로 비지도 학습은 알고리즘이 데이터의 패턴을 식별하고 해당 데이터를 분류하는 데 사용할 수 있는 유사성을 찾는 다른 접근 방식을 사용합니다. 예를 들어 무게가 비슷한 과일이나 엔진 크기가 비슷한 자동차를 함께 클러스터링 할 수 있습니다. 알고리즘은 특정 유형의 데이터를 선택하기 위해 미리 설정되지 않습니다.

 

Google 뉴스는 매일 유사한 주제에 대한 기사를 그룹화하는 것과 같이 유사성이 그룹화할 수 있는 데이터를 찾습니다. 강화 학습 강화 학습에 대한 조잡한 비유는 애완동물이 트릭을 수행할 때 간식으로 보상하는 것입니다. 강화 학습에서 시스템은 입력 데이터를 기반으로 보상을 최대화하려고 시도하며 기본적으로 최상의 결과에 도달할 때까지 시행착오 과정을 거칩니다. 강화 학습의 예로는 다양한 고전 비디오 게임에서 최고의 인간 성능을 발휘하는 데 사용된 Google DeepMind의 Deep Q-network가 있습니다. 시스템은 각 게임의 픽셀을 공급받고 화면의 개체 간 거리와 같은 다양한 정보를 결정합니다. 또한 각 게임에서 달성한 점수를 살펴봄으로써 시스템은 예를 들어 비디오 게임 Breakout의 경우 가로채기 위해 패들을 움직여야 하는 다양한 상황에서 어떤 행동이 점수를 최대화할지에 대한 모델을 구축합니다. 공. 이 접근 방식은 강화 학습이 자율 로봇이 실제 환경에서 행동하는 최적의 방법을 가르치는 데 도움이 될 수 있는 로봇 연구에서도 사용됩니다. AI의 선두 기업은? AI가 최신 소프트웨어 및 서비스에서 점점 더 중요한 역할을 수행함에 따라 각 주요 기술 회사는 사내에서 사용할 강력한 기계 학습 기술을 개발하고 클라우드 서비스를 통해 대중에게 판매하기 위해 고군분투하고 있습니다. AI에 대한 대중의 인식에 가장 큰 영향을 미친 것은 DeepMind AI AlphaFold 및 AlphaGo 시스템을 갖춘 Google일 것입니다.

어떤 AI 서비스를 이용할 수 있나요? Amazon Web Services, Microsoft Azure 및 Google Cloud Platform과 같은 모든 주요 클라우드 플랫폼은 기계 학습 모델을 교육하고 실행하기 위해 GPU 어레이에 대한 액세스를 제공하며 Google은 또한 사용자가 맞춤형 Tensor Processing Unit을 사용할 수 있도록 준비하고 있습니다. 기계 학습 모델을 교육하고 실행하는 데 최적화된 설계의 칩입니다. 필요한 모든 관련 인프라와 서비스는 기계 학습 모델 훈련에 필요한 방대한 양의 데이터를 저장할 수 있는 클라우드 기반 데이터 저장소, 분석 준비를 위해 데이터를 변환하는 서비스, 시각화 도구인 빅 3에서 사용할 수 있습니다. 결과를 명확하게 표시하고 모델 구축을 단순화하는 소프트웨어입니다. 이러한 클라우드 플랫폼은 Google이 Cloud AutoML이라는 AI 모델 생성을 자동화하는 서비스를 제공하면서 맞춤형 머신 러닝 모델 생성을 단순화하고 있습니다. 이 끌어서 놓기 서비스는 맞춤형 이미지 인식 모델을 구축하며 사용자에게 머신 러닝 전문 지식이 필요하지 않습니다. 클라우드 기반 머신 러닝 서비스는 끊임없이 진화하고 있습니다. Amazon은 이제 기계 학습 모델을 교육하는 프로세스를 간소화하도록 설계된 다양한 AWS 제품을 제공하고 있으며 , 조직이 교육된 모델에 의해 왜곡된 예측으로 이어질 수 있는 교육 데이터의 편향과 불균형을 근절하는 데 도움이 되는 도구인 Amazon SageMaker Clarify를 최근 출시했습니다.. 자체 기계 학습 모델을 구축하기를 원하지 않고 대신 음성, 시각 및 언어 인식과 같은 AI 기반 주문형 서비스를 사용하려는 기업의 경우 Microsoft Azure는 Google Cloud Platform과 AWS가 그 뒤를 바짝 추격하고 있습니다. 한편, IBM은 보다 일반적인 온디맨드 제품과 함께 의료에서 ​​소매에 이르기까지 모든 것을 겨냥한 부문별 AI 서비스 판매를 시도하고 있으며 이러한 제품을 IBM Watson 우산 아래 그룹화하고 The Weather 인수에 20억 달러를 투자했습니다.

 

AI 서비스를 강화하기 위해 데이터를 잠금 해제하는 채널. 내부적으로 각 거대 기술 기업과 Facebook과 같은 다른 업체는 AI를 사용하여 검색 결과 제공, 권장 사항 제공, 사진에서 사람과 사물 인식, 주문형 번역, 스팸 발견 등 무수한 공공 서비스를 추진하는 데 도움을 줍니다. 목록은 광범위합니다. 그러 나이 AI 전쟁의 가장 눈에 띄는 징후 중 하나는 Apple의 Siri, Amazon의 Alexa, Google Assistant 및 Microsoft Cortana와 같은 가상 비서의 등장입니다. 음성 인식 및 자연어 처리에 크게 의존하고 질의에 응답하기 위해 막대한 말뭉치가 필요하기 때문에 이러한 보조 장치를 개발하는 데 엄청난 양의 기술이 사용됩니다. 그러나 Apple의 Siri가 먼저 두각을 나타냈을지 모르지만 AI 공간에서 조수가 Apple을 추월한 것은 Google과 Amazon입니다. ' 기능을 추가하기 위해 타사 개발자가 만든 것입니다. 시간이 지남에 따라 이러한 어시스턴트는 사람들이 일상적인 대화에서 묻는 유형의 질문에 더 잘 반응하고 더 잘 처리할 수 있는 능력을 얻게 됩니다. 예를 들어, Google 어시스턴트는 이제 계속되는 대화라는 기능을 제공합니다. 여기서 사용자는 '오늘 날씨는 어때?', '내일은 어때?'와 같은 초기 질문에 대한 후속 질문을 할 수 있습니다. 시스템은 날씨와 관련된 후속 질문도 이해합니다. 이러한 어시스턴트 및 관련 서비스는 말보다 훨씬 더 많은 것을 처리할 수 있습니다. Google 렌즈의 최신 버전은 텍스트를 이미지로 번역하고 사진을 사용하여 옷이나 가구를 검색할 수 있습니다. Windows 10에 내장되어 있음에도 불구하고 Cortana는 최근 Windows 10 PC에서 Amazon의 Alexa를 무료로 사용할 수 있어 특히 힘든 시간을 보냈습니다.

 

동시에 Microsoft는 운영 체제에서 Cortana의 역할을 개편하여 음악 재생과 같은 다른 비서에서 볼 수 있는 소비자 중심 기능보다 사용자 일정 관리와 같은 생산성 작업에 더 집중하도록 했습니다. AI를 선도하는 국가는? 미국 거대 기술 기업이 AI 분야를 꿰매고 있다고 생각하는 것은 큰 실수입니다. 중국 기업 알리바바, 바이두, 레노버는 전자상거래에서 자율주행에 이르는 분야에서 AI에 막대한 투자를 하고 있다. 국가로서 중국은 AI를 국가의 핵심 산업으로 전환하기 위한 3단계 계획을 추진하고 있으며, 2030년까지 세계 최고의 AI 강국이 되기 위해 2020년 말까지 1,500억 위안(220억 달러)의 가치가 있을 것입니다. Baidu는 딥 러닝 알고리즘인 Baidu AutoBrain으로 구동되는 자율 주행 자동차 개발에 투자했습니다. 수년간의 테스트 끝에 Apollo 자율주행차는 테스트에서 300만 마일 이상의 주행을 기록했으며 전 세계 27개 도시에서 100,000명 이상의 승객을 태웠습니다. Baidu는 올해 베이징에서 Apollo Go Robotaxis 40대를 출시했습니다. 이 회사의 설립자는 자율주행차가 5년 이내에 중국의 도시에서 보편화될 것이라고 예측했습니다. 취약한 개인 정보 보호법, 막대한 투자, 공동 데이터 수집 및 Baidu, Alibaba 및 Tencent와 같은 주요 기업의 빅 데이터 분석의 조합은 일부 분석가가 중국이 미래 AI 연구에서 미국보다 유리할 것이라고 믿는다는 것을 의미합니다. , 한 분석가는 중국이 미국을 500대 1로 앞설 가능성을 중국에 유리하게 설명했습니다. AI를 시작하려면 어떻게 해야 하나요? PC용으로 Nvidia GeForce RTX 2060 이상 정도의 강력한 Nvidia GPU를 구입하고 기계 학습 모델 훈련을 시작할 수 있지만 AI 관련 서비스를 실험하는 가장 쉬운 방법은 클라우드를 이용하는 것입니다. 모든 주요 기술 회사는 자체 머신 러닝 모델을 구축하고 교육하는 인프라부터 주문형 음성, 언어, 시각 및 감정 인식과 같은 AI 기반 도구에 액세스 할 수 있는 웹 서비스에 이르기까지 다양한 AI 서비스를 제공합니다.. AI는 세상을 어떻게 바꿀까? 로봇과 무인 자동차 로봇이 자율적으로 행동하고 주변 세계를 이해하고 탐색할 수 있기를 바라는 것은 로봇 공학과 AI가 자연스럽게 겹치는 것을 의미합니다.

 

AI는 로봇 공학에 사용되는 기술 중 하나일 뿐이지만 AI는 로봇이 자율 주행 자동차, 배달 로봇과 같은 새로운 영역으로 이동하고 로봇이 새로운 기술을 배우도록 돕고 있습니다. 2020년 초에 General Motors와 Honda는 전동 무인 자동차인 Cruise Origin을 공개했으며 Google 모회사 Alphabet의 자율 주행 그룹인 Waymo는 최근 애리조나 주 피닉스에서 일반 대중에게 로보택시 서비스를 공개했습니다. 도시의 50평방 마일 지역을 커버하는 서비스. 우리는 사실적인 이미지를 만들 거나 누군가의 목소리를 완벽한 방식으로 복제할 수 있는 신경망을 갖기 직전입니다. 그로 인해 더 이상 비디오나 오디오 영상을 진짜로 신뢰할 수 없게 되는 것과 같이 엄청나게 파괴적인 사회적 변화의 가능성이 있습니다. 또한 이러한 기술이 사람들의 이미지를 도용하는 데 어떻게 사용될 것인지에 대한 우려도 제기되기 시작했으며 유명인의 얼굴을 성인 영화에 설득력 있게 연결하기 위한 도구가 이미 만들어졌습니다. 음성 및 언어 인식 기계 학습 시스템은 컴퓨터가 사람들이 말하는 내용을 거의 95%의 정확도로 인식하도록 도왔습니다. Microsoft의 인공 지능 및 연구 그룹은 또한 사람의 전사만큼 정확하게 구어체 영어를 전사하는 시스템을 개발했다고 보고했습니다. 99% 정확도 목표를 추구하는 연구원들과 함께 컴퓨터와의 대화가 보다 전통적인 형태의 인간-기계 상호 작용과 함께 점점 보편화될 것으로 기대합니다.

 

한편 OpenAI의 언어 예측 모델인 GPT-3는 최근 사람이 쓴 것으로 통할 수 있는 기사를 만드는 능력으로 화제를 모았다. 얼굴 인식 및 감시 최근 몇 년 동안 안면 인식 시스템의 정확도가 크게 향상되어 중국 기술 대기업 Baidu가 비디오에서 얼굴이 충분히 선명하다면 99%의 정확도로 얼굴을 일치시킬 수 있다고 합니다. 서방 국가의 경찰력은 일반적으로 대규모 행사에서만 안면 인식 시스템을 사용하는 시범을 보인 반면, 중국에서는 당국이 전국의 CCTV를 안면 인식에 연결하고 AI 시스템을 사용하여 용의자와 의심스러운 행동을 추적하는 전국적인 프로그램을 마련하고 있습니다. 또한 경찰의 안면 인식 안경 사용을 확대했습니다. 개인 정보 보호 규정은 세계적으로 다양하지만 감정을 인식할 수 있는 AI를 포함하여 AI 기술의 보다 침입적인 사용이 점차 널리 퍼질 가능성이 있습니다. 그러나 안면 인식 시스템의 공정성에 대한 반발과 의문이 커지면서 Amazon, IBM 및 Microsoft는 이러한 시스템을 법 집행 기관에 판매하는 것을 일시 중지하거나 중단했습니다. 보건 의료 AI는 결국 의료 분야에 극적인 영향을 미칠 수 있습니다. 방사선 전문의가 X-레이에서 종양을 찾아내고 연구원이 질병과 관련된 유전자 서열을 발견하고 보다 효과적인 약물로 이어질 수 있는 분자를 식별하는 데 도움을 줄 수 있습니다. 최근 Google의 AlphaFold 2 기계 학습 시스템의 획기적인 발전으로 신약 개발의 핵심 단계에서 소요되는 시간을 몇 개월에서 몇 시간으로 줄일 수 있을 것으로 예상됩니다. 전 세계 병원에서 AI 관련 기술에 대한 시도가 있었습니다. 여기에는 Memorial Sloan Kettering Cancer Center에서 종양 전문의가 교육하는 IBM의 Watson 임상 의사 결정 지원 도구와 영국 국립 보건 서비스(National Health Service)의 Google DeepMind 시스템 사용이 포함됩니다. 차별과 편견 강화 기계 학습 시스템이 훈련 데이터에 반영된 인간의 편견과 사회적 불평등을 체계화할 수 있는 방법에 대한 우려가 커지고 있습니다.

 

이러한 두려움은 그러한 시스템을 교육하는 데 사용되는 데이터의 다양성 부족이 실제 세계에 부정적인 결과를 초래하는 방식에 대한 여러 예를 통해 입증되었습니다. 2018년 MIT와 Microsoft의 연구 논문에서는 주요 기술 회사에서 판매하는 안면 인식 시스템이 피부색이 어두운 사람을 식별할 때 오류율이 훨씬 더 높다는 사실을 발견했습니다. 이는 주로 백인 남성으로 구성된 훈련 데이터 세트에 기인한 문제입니다. 1년 후 또 다른 연구에서는 Amazon의 Rekognition 안면 인식 시스템이 어두운 피부를 가진 개인의 성별을 식별하는 데 문제가 있음을 강조했습니다. 이는 Amazon 경영진이 이의를 제기한 혐의로 연구원 중 한 명이 Amazon 반박에서 제기된 요점을 해결하도록 촉구했습니다. 연구가 발표된 이후로 많은 주요 기술 회사는 적어도 일시적으로 경찰서에 안면 인식 시스템 판매를 중단했습니다. 2018년 Amazon이 남성 지원자를 선호한다고 식별하는 기계 학습 채용 도구를 폐기하면서 결과를 왜곡하는 불충분한 교육 데이터의 또 다른 예가 헤드라인을 장식했습니다. 오늘날 자가 학습 시스템의 편향을 상쇄하는 방법에 대한 연구가 진행 중입니다. AI와 지구 온난화 기계 학습 모델의 크기와 이를 훈련하는 데 사용되는 데이터 세트가 증가함에 따라 이러한 모델을 형성하고 실행하는 방대한 컴퓨팅 클러스터의 탄소 발자국도 증가합니다. 2018년 세계경제포럼(World Economic Forum)에서는 이러한 컴퓨팅 팜에 전원을 공급하고 냉각하는 것이 환경에 미치는 영향을 주제로 다루었습니다.

 

2019년 추정치 중 하나는 기계 학습 시스템에 필요한 전력이 3.4개월마다 두 배로 증가하고 있다는 것입니다. 강력한 기계 학습 모델을 훈련시키는 데 필요한 엄청난 양의 에너지 문제는 최근 약 1,750억 개의 매개 변수가 있는 거대한 신경망인 언어 예측 모델 GPT-3의 출시로 주목을 받았습니다. 이러한 모델을 교육하는 데 필요한 리소스는 막대할 수 있으며 대부분 대기업에서만 사용할 수 있지만 일단 교육을 받으면 이러한 모델을 실행하는 데 필요한 에너지는 훨씬 적습니다. 그러나 이러한 모델을 기반으로 한 서비스에 대한 수요가 증가함에 따라 전력 소비 및 그에 따른 환경 영향이 다시 문제가 되고 있습니다. 한 가지 주장은 더 큰 모델을 훈련하고 실행하는 것이 환경에 미치는 영향을 기계 학습이 상당히 긍정적인 영향을 미쳐야 한다는 점과 비교 평가해야 한다는 것입니다. 2. AI가 우리 모두를 죽일 것인가? 다시 말하지만, 누구에게 물어보느냐에 따라 다릅니다. AI 기반 시스템의 기능이 향상됨에 따라 단점에 대한 경고가 더욱 심각해졌습니다. Tesla와 SpaceX CEO Elon Musk는 AI가 "인간 문명의 존재에 대한 근본적인 위험"이라고 주장했습니다. 보다 강력한 규제 감독과 AI의 단점을 완화하기 위한 보다 책임 있는 연구를 추진하기 위해 그는 사회 전체에 도움이 될 친근한 AI를 촉진하고 개발하는 것을 목표로 하는 비영리 인공 지능 연구 회사인 OpenAI를 설립했습니다. 마찬가지로, 존경받는 물리학자 스티븐 호킹은 일단 충분히 발전된 AI가 만들어지면 인간의 능력을 훨씬 능가하는 지점까지 빠르게 발전할 것이라고 경고했습니다.

 

현상은 특이점으로 알려져 있으며 인류에게 실존적 위협을 가할 수 있습니다. 그러나 인류가 우리의 지능을 왜소하게 만들 AI 폭발 직전에 있다는 생각은 일부 AI 연구자들에게 우스꽝스럽게 보입니다. 영국 케임브리지에서 Microsoft의 연구 책임자인 Chris Bishop은 오늘날 AI의 좁은 지능이 인간의 일반 지능과 얼마나 다른지 강조하면서 사람들이 "터미네이터와 기계의 부상 등에 대해 걱정할 때? 네, 그런 논의는 기껏해야 수십 년 후일 것입니다." AI가 당신의 직업을 훔칠 것인가? 인공 지능 시스템이 현대 육체노동의 대부분을 대체할 가능성은 아마도 더 신뢰할 수 있는 가까운 미래의 가능성일 것입니다. AI가 모든 직업을 대체하지는 않겠지만, AI가 업무의 본질을 바꿀 것이라는 점은 확실해 보입니다. 유일한 문제는 자동화가 작업장을 얼마나 빠르고 얼마나 심오하게 변화시킬 것인가 하는 것입니다. AI가 영향을 미칠 가능성이 없는 인간의 노력 분야는 거의 없습니다. AI 전문가 Andrew Ng는 다음과 같이 말했습니다.

 

어떤 일자리가 대체될 것인지에 대한 증거가 나타나기 시작했습니다. 현재 27개의 Amazon Go 매장과 출납원이 없는 슈퍼마켓이 있으며 고객은 선반에서 물건을 꺼내 미국으로 걸어 나갑니다. 계산원으로 일하는 미국의 300만 명 이상의 사람들에게 이것이 의미하는 바는 두고 볼 일입니다. 아마존은 다시 로봇을 사용하여 창고 내부의 효율성을 개선하는 데 앞장서고 있습니다. 이 로봇은 발송할 품목을 선택하는 사람 피커에게 제품 선반을 운반합니다. Amazon은 주문 처리 센터에 200,000개 이상의 봇을 보유하고 있으며 더 추가할 계획입니다. 그러나 Amazon은 또한 봇의 수가 증가함에 따라 이러한 창고의 인간 작업자 수도 증가했다고 강조합니다. 그러나 아마존과 소규모 로봇 회사는 창고의 나머지 수작업을 자동화하기 위해 노력하고 있으므로 수작업과 로봇 노동이 계속 함께 성장할 것이라는 점은 기정사실이 아닙니다. 완전 자율 자율 주행 차량은 아직 현실이 아니지만 일부 예측에 따르면 자율 주행 트럭 산업에서만 택배 및 택시 운전사에 미치는 영향을 고려하지 않더라도 향후 10년 동안 170만 개 이상의 일자리를 차지할 태세입니다. 그러나 자동화하기 가장 쉬운 작업 중 일부는 로봇 공학이 필요하지 않습니다. 현재 소프트웨어가 시스템을 자동으로 업데이트하고 중요한 정보에 플래그를 표시하는 기능이 향상됨에 따라 수백만 명의 관리 직원이 시스템 간에 데이터를 입력 및 복사하고 회사 약속을 추적하고 예약하므로 관리자의 필요성이 줄어들 것입니다. 모든 기술 변화와 마찬가지로 잃어버린 일자리를 대체하기 위해 새로운 일자리가 만들어질 것입니다.

 

그러나 불확실한 것은 이러한 새로운 역할이 실향민에게 고용을 제공할 수 있을 만큼 빠르게 만들어질 것인지, 그리고 새로 고용된 사람들이 이러한 새로운 역할을 수행하는 데 필요한 기술이나 기질을 갖게 될 것인지 여부입니다. 모든 사람이 비관론자는 아닙니다. 어떤 사람들에게 AI는 근로자를 대체하는 것이 아니라 증강시키는 기술입니다. 그뿐만 아니라 그들은 AI 지원 작업자로서 사람을 완전히 대체하지 않는 상업적인 의무가 있을 것이라고 주장합니다. 고객이 요청하기 전에 고객이 원하는 것을 정확히 알려주는 AR 헤드셋을 가진 인간 컨시어지를 생각해 보세요. AI가 스스로 작업하는 것보다 더 생산적이거나 효과적일 것입니다. 인공 지능 시스템이 얼마나 빨리 인간의 능력을 능가할 것인지에 대해 AI 전문가들 사이에서 다양한 의견이 있습니다. 수백 명의 기계 학습 전문가에게 향후 수십 년 동안 AI 기능을 예측하도록 요청했습니다. 주목할만한 날짜에는 2026년까지 인간이 쓴 것으로 통과될 수 있는 AI 작성 에세이, 2027년까지 트럭 운전사 해고, 2031년까지 소매업에서 인간의 능력을 능가하는 AI, 2049년까지 베스트셀러 작성, 2053년까지 외과 의사의 작업 수행이 포함됩니다.. 그들은 AI가 45년 이내에 모든 작업에서 인간을 이기고 120년 이내에 인간의 모든 작업을 자동화할 가능성이 상대적으로 높다고 추정했습니다.