Neuro AI

인공지능 분야에는 크게 2가지의 학파(?) 가 존재하는데 connectionism과 symbolism이 있다고 말씀드린 것 기억나시죠. connectionism은 ANN 기반의 machine learning을  주로 다루고 있는데, 이중에 deep learning은 deep ANN을 이용하는 machine learning의 한 방법입니다. 이렇게 ANN을 기반으로 인공지능을 구현하고자 하는 것을 다른 말로 Neuro AI라고 합니다. (Neuro-Symbolic  AI = Neuro AI + Symbolic AI)

이제부터는 세간에 관심이 되고 있는 Neuro AI를 집중적으로 다루고자 합니다.  ANN기반의 machine learning의 방법은 크게 아래와 같이 나누어 진다고 볼 수 있습니다.

 

사실 학습의 방법(X축)이 위의 3가지가 있다는 이야기는 많이 들어 보셨을 것 같습니다. 앞으로 이러한 학습방법을 하나 하나 정복해 갈 예정입니다. 결국 ANN입장에서는 위의 분류가 바로 ANN의 모델 형태가 어떻게 되는지를 파악하는 것과 같습니다. 

Y축은 모델의 최종 결과가 이산적인 값인가 연속적인 값인가에 따라 분류한 것입니다. ANN은 결국 함수의 집합인데 이 함수의 최종 결과치가 셀수 있는 값인가 아니면 셀수 없는 연속적인 값인가에 따라 분류하는 것입니다.

박스 안은 이 모델들의 응용분야 라고 할 수 있는데, 그 경계가 모호한 것도 많이 있습니다. 따라서 이 응용분야가 반드시 해당 분류에만 속한다고 고정적으로 생각하실 필요는 없습니다. 

지도학습(supervised learning)이 우리가 일반적으로 알고 있는 방법입니다. 정답을 포함한 학습데이타를 한땀 한땀 만들어서 학습을 시키는 방법입니다. 이 방법의 대표적이며 가장 많이 적용하는 응용이 분류(Classification) 문제입니다. 예를 들어, 표적 원시데이타(EO, IR, SAR, Sonar 데이타 등)의 데이타를 가지고 표적이 어떤 표적인지를 알아내는 문제 말입니다. 

지도학습의 회귀분석(Regression)은 주가예측, 집값 예측과 같이 연속적인 값을  과거의 데이터를 가지고 앞으로의 상황을 예측하는 곳에 많이 사용됩니다. 

비지도학습(unsupervised learning)은 주로 데이타를 분석하는 경우에 많이 사용합니다. 그러나 위 박스에는 없지만 새로운 데이타를 생성하는 일도 합니다. (추후에 설명하겠지만 generative model이라는 놈은 확률분포라는 수학적 개념으로 데이타를 스스로 만들어 냅니다.) 군집화(clustering)는 입력되는 데이타를 관련되는 놈끼리(제가 놈이라는 용어를 자주쓰는 것을 용서해 주십시오.) 그룹핑하는 것이고, 차원감소(Dimesionality reduction)은 많은 데이타 요소 중에 특징이 있는 데이타 요소를 뽑아주는 일을 합니다.

마지막으로 강화학습(reinforcement learning)은 존재하는 객체들의 행동을 묘사하는 경우에 많이 사용합니다. 객체를 우리는 agent라고 하는데, 예를 들어 사람, 로봇이나 드론 등의 객체가 대표적입니다. 

이산적인 행위를 하는 agent를 discrete action space agent라고 하고, 연속적인 행위를 하는 agent를 continuous action space agent라고 합니다. 알파고는 바둑이라는 이산적인 공간에 바둑 알을 놓는 대표적인 이산행위 agent의 예입니다. (알파고 전체가 그렇다는 의미가 아니고 판단하는 부분을 의미함. 바둑판을 인식하는 것은 지도학습의 분류에 해당) 로봇의 팔을 제어하는 행위는 대표적인 연속행위 agent의 예입니다.