인공지능 이모저모

인공지능의 세계는 정말 다양하다.  그리고 많은 영역에서 성공적으로 여러 문제들을 해결하고 있다. 그런데, 한가지 문제점이 있다. 바로 "어렵다" 라는 점. 전문가가 아니면 접근하기 힘들다는 점. 이를 극복하기 위해 나온 개념이 AutoML (Automated Machine Learning) 이다. 전문가의 도움없이 누구나 손쉽게 AI/ML (Artificial Intelligence, Machine Learning)을 이용하게 하자는 것. AutoML 에 대해서는 다시 자세히 얘기할 기회가 있겠지만, 오늘은 간단하게만. Google 역시 작년부터 이 시장에 뛰어들었다. 그 결과물로, 최근에 Google이 상용으로 내놓은 Cloud AutoML. 지금은 영상에 대해서만 가능하지만, Google의 막대한 역량을 감안하면 앞으로도 많은 서비스가 나올 것이라고 예상할 수 있다. 모든 연구자/개발자가 자유롭게 AI/ML 기술을 사용할 수 있는 날이 곧 오기를 기대한다. Google Cloud AutoML: https://cloud.google.com/automl/ 참고자료: https://techcrunch.com/2018/01/17/googles-automl-lets-you-train-custom-machine-learning-models-without-having-to-code/ https://research.googleblog.com/2017/11/automl-for-large-scale-image.html P.S. 내가 대전 모연구소에서 연구개발하는 주제 중에 AutoML 도 포함된다.

Google이 AlphaGo로 바둑계를 재패한 후, 다음 과제로 StarCraft 를 선택할 것이라는 예측은 꾸준히 있어왔다. 그 연구의 일환으로 강화학습을 이용한 SC II 플레이가 처음 공개되었다. https://www.youtube.com/watch?v=St5lxIxYGkI 영상에서 보이듯이 아직은 초보적인 수준이다. 자원을 캐고 기본건물들을 올리는 수준. 아직 복잡한 전투나 전략에 대한 모습은 보여주고 있지 않다. 원본문서는: https://deepmind.com/research/publications/starcraft-ii-new-challenge-reinforcement-learning/ 논문은: https://arxiv.org/abs/1708.04782

위 사진은 어디 일까? 맞춰보자. 정답은.. 아무데도 아니다. 위 사진은 Google의 Deep Learning 기술로 만들어진 "가짜" 사진이다. 요즘은 일반인들도 판별하는 눈이 높아져서 합성사진을 찾아내는 기술이 뛰어나다. 사람을 속이는 정도의 사진을 자동으로 만들어내는 모델을 Google이 개발했다고 한다. 더 많은 가짜 사진을 보고 싶다면: https://google.github.io/creatism/ 논문은: https://arxiv.org/abs/1707.03491

Google이 AutoML에 뛰어들었다는 것을 보여주는 첫번째 결과이다. Neural Network은  여타 Machine Learning 기법과는 조금 다르게 최적의 구조를 찾아내는 것 자체가  매우 힘들고 시간이 드는 일이다. Google이 AutoML기법을 이용해, 이 과정을 자동화하려고 하고 있다. 우리가 알고 있는  많은  수의 Deep Learning 모델은 수동으로 (주로  대학원생들에 의해 :))  찾아내진 모델이다. 앞으로 조금은 Data Scientist의 짐이 덜어질까? 원본문서는:  https://research.googleblog.com/2017/05/using-machine-learning-to-explore.html

구글이 인공지능 개발에 점점 더 박차를 가하고 있다. Google.ai 사이트 오픈과 함께 대규모의 AI 부서를 출범시켰다. 이 행사에서는 크게 TPU와 AutoML에 대한 소개로 이어졌다고 한다. 원본문서는:  https://www.engadget.com/2017/05/17/google-launched-a-massive-open-ai-division/

재능이 없는 (나 같은) 사람들은 그림 잘 그리는 사람이 참 부럽다. 그런 사람들을 위해 Google이 AI를 이용, 새로운 서비스를 내놓았다. 이름하여 AutoDraw. 마우스로 찍찍 몇번 그으면 최대한 비슷한, 그리고 나름 잘 그려진, 그림을 추천해준다. 궁금한 사람들은 한번 시도해보길.  내  원래 의도와는 다른 그림이 자주 추천되지만 그건 내 그림 실력이 그만큼 떨어지는 걸로.. 위 그림은 내가 "무언가"를 그리려고 했을 때 Google이 추천해준 그림이다.  "무언가"는 과연 무엇이었을까? 원본문서는:  https://www.popsci.com/google-is-exploring-weird-intersection-art-and-machine-learning 해당 사이트는:  https://www.autodraw.com/

AI/ML 에 관심있는 사람이라면 한번쯤은 들어봤을 data science community인 Kaggle. 다양한 그리고 방대한 양의 자료를 보유하고 있고 그에 상응하는 많은 AI/ML 사용자들 역시보유하고 있는 community다. 그렇기에 Google이 인수를  한 것도 그다지 놀랍지 않다. 자료는 물론 잠재적 사용자들까지 확보할  수 있으니까. 원본문서는:  https://techcrunch.com/2017/03/07/google-is-acquiring-data-science-community-kaggle/

기본적으로 사람은 각자의 이익을 위해 움직인다. 자신의 이익을 해치는 행위는  최대한 자제하려고 하는 본성이 있다. 그렇다면 어느  때 인간은 협력을 할까?  간단하게 생각하면, 당연히, 협력했을  때 보상이 더 클때 협력을 한다. Google DeepMind에서는 강화학습 (Reinforcement Learning)을 통한 두 개의  다른 게임플레이를 통해 이를  확인시켜준다. 첫번째 게임은 "수확게임".  두 명의 플레이어가 보다 많은 과일 (녹색점)을 얻기위해 경쟁하는 게임이다. 과일을 많이 얻을수록 보상도  높아진다. 각 플레이어는 일종의 "광선"으로 상대방이 잠시동안 수확을 못하도록 할수  있다. 하지만  이로 인한 보상은 없다. 자연히,  그렇기에, 과일의 수가 적어질수록 서로를  마비광선으로 방해하려고 한다. 과일이 많은 경우는 수확에 힘을 더 쏟지만  말이다. 이  게임은  "늑대무리게임" 으로 기본적으로 두 늑대가 협력해야 먹잇감을 잡을  가능성이 커지는 게임이다. 따라서 자연히  늑대들은 협력을 하게된다. 원본 문서는:  https://deepmind.com/blog/understanding-agent-cooperation/ 위 게임을 통해 간단하지만 쉽게 지나치는 인간사회의 한가지 보편적인 사실을 알  수 있다. "인간은 주어진  규칙 위에서 최대한의 보상을 위해 움직인다." 다른 말로 바꾸자면, 어떤 그룹의 구성원들의 행동양태는 해당 그룹이 규정한  규칙에 따라 바뀐다는  것이다. 그것이,  한  가정이든, 학교든,  연구소든, 기업이든, 심지어는 한 국가이든 상관없이. 홀로 독립적으로 자급자족...

Google DeepMind와 옥스포드대학 연구팀이 Deep Learning기술을 많은 양의 BBC TV 프로그램을 이용하여 훈련시켰다고 한다.  훈련의 목적은 사람의 입술모양과 변화를 읽어,  그 사람이 현재 무슨 말을 하는지 알아내기 위함이었다. 결과적으로, 12.4%를 읽어낸 인간전문가에 비해, Deep Learning 모델은 46.8%를 읽어냈다고 하니, 거의 4배에 가까운 결과이다. 아마도, 곧, 영어권 영화를 보기위해 이미도씨가 필요하지 않을지도 모르겠다. (이미도씨께 개인적인 감정은 없다. 가장 대표적인 분이라 예를 든것이니 혹시라도 기분나빠하지 않으시길..) 원본문서는 여기에:  https://www.newscientist.com/article/2113299-googles-deepmind-ai-can-lip-read-tv-shows-better-than-a-pro/

구글 익스페리먼트 (Google Experiments) 프로젝트 중 하나. - X Degree of Separation - 두 가지 예술작품을 고르면, 두  작품을 연결하는 경로를 유사한 기타 작품로 보여준다. 간략하게 설명하자면, 각 이미지의 특성 (features)을 찾아내고 두 작품간의 (수학적인) 거리를 최소화하는 방식으로 경로를 찾아낸다.  이 과정 중에 Machine Learning 기법이 사용된다. 데모를 실행해보고 싶다면:  https://artsexperiments.withgoogle.com/xdegrees/ Google Experiemts 프로젝트를 더 보고 싶다면:  https://experiments.withgoogle.com/