인공지능 이모저모

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...

아이언맨의 모델로도 알려져있고  (실제로 영화에도  카메오로 한번 출연한 적이 있다) PayPal 창업주이자, 항공우주업체인 Space X 공동창업자, 전기자동차 Tesla 등등. 또한 AI에도 관심이  많은 것으로 잘 알려있기도 하다. 발렌타인 데이를 맞아(?) 두바이에서 열린 World Government Summit 에서 AI에 대해 인터뷰를한 기사다. 다양한 내용이 나오는데  요약하자면, 1) 인공지능이 인간보다 못하는 일은 점점 적어질 것이다 2) 인간의 두뇌를 기계의 힘을 빌어 향상시킬수 있는 방법이 나올 것이다. 3) AI 가 발전하면 할수록, 인간을 기계가  대치할 것이기에  "보편기본임금(universal basic income)"이  필요할지도 모른다. 원본문서는:  https://www.popsci.com/elon-musk-artificial-intelligence-cyborg-jobs?dom=rss-default&src=syn#page-4

연말정산. 매년  반복해야되는,  가끔은 지긋지긋한 세금정산. 제대로 처리하면 환급도 가능하지만,  몇몇 정보를 실수로 누락하면 추가징수를 당할 수도  있는, 호환마마 같은  녀석이다. 미국 역시 연말정산이  힘들긴 마찬가지이다 사실  5년간 경험해 본  바로는, 한국은 천국이다.  한국에  비해 엄청나게 많은 서류를  작성해야되고 복잡하기도 이루 말할 수가 없다. 연말정산해주는 상용프로그램이  아주 비싸게  팔리고 있는 실정이니까. IBM Watson, 잘 알려진 Q&A 시스템이 이 연말정산을 도와주기  위해 나섰단다. 사용자가 입력한 정보들을 바탕으로  최대로 절세를 할 수 있는  방법을 알려준단다. 다만 주의할 점은: “...This doesn't guarantee that Watson will find dramatic savings. It's dependent on your input, so it won't know to go looking for deductions if you haven't at least suggested something…” 이란다. 즉, 만능은 아니라는  말. 원본 문서는:  https://www.engadget.com/2017/02/01/watson-to-help-with-hr-block-taxes/

Kaggle. ML에 관심있는 사람은 이미 많이 들어봤을  사이트.  (Kaggle에 대해서는 나중에 따로 소개할 기회가 있을 듯?) 다양한 자료셋을 바탕으로 전세계의 사용자들이 최적의 모델을  만들기 위해 경쟁하는 장이다. 이 Kaggle에서  최적모델을 만드는 방법 중 많이 쓰이는  방법이 이 Model Stacking이다. 이론적으로는 매우 간단한데 아래와  같다. 1) 주어진 자료셋을 이용, 다양한 ML 모델을 학습한다. 2) 학습된 모델을  자료셋에 적용하여 예측값을 얻어낸다. 3) 새로운  모델 (예: Logistic Regression, etc.)을 이용, 자료셋  + 예측값을 포함하는 자료로 새로운 모델을 학습한다. 4) #3에서 학습된 모델이 Stacked Model 이다. 이 방법은  이미 여러 실험과  검증을 통해서, 단일모델보다 성능이 좋은 것으로 밝혀졌다. ML에 관심있는 사람이라면 한번 쯤은 시도해볼만한 방법이다. 원본 문서는:  http://blog.kaggle.com/2016/12/27/a-kagglers-guide-to-model-stacking-in-practice/

IBM Watson (왓슨)은 잘 알려진대로 Jeopardy 챔피언을 이긴 Q&A 시스템이다. 이 시스템이 NASA (미항공우주국)가  보유하고 있는 방대한 양의 문서자료를 바탕으로 연구자들을 도와주는데 사용될 예정이라고 한다. 예를 들자면, 우주왕복선을 조종 중인 조종사가 각각의 상황에 맞는 질문을 던지고 Watson이 그에  맞는 최적의 답을 주는 형태로 말이다 (예: 기체 정보, 날씨, 기기 오작동 등). 원본 문서는:  https://www.space.com/35042-ibm-watson-computer-nasa-research.html

Amazon이 점원이 없이 돌아가는 매장을  열었다. 영상인식/AI/ML 등등의 기능을 이용해, 구매자가 물건을 선택하거나 혹은 다시 가져다놓거나 하는 행동들을 모니터링하고 구매자가 매장을 나서는 순간 결제가 되도록 한  서비스이다. 제품을 가방에 넣어도 상관없다. 전부 추적하고 있으니까. 자세한 정보는:  https://www.amazon.com/b?node=16008589011#

자료과학자? 자료공학자? 소프트웨어공학자? 사람들은 항상 새로운  단어를 만드는 것을 좋아한다. LinkedIn이 조사(?)한 바에 따르면, 사람들은 위 단어를 아래와 같이 구분지어 생각한다고 한다 (여기서는 본질적으로 정말 그렇든 아니든에 대해서는 생각하지 말자) Software Engineer는 좀 더 programming language를 다루는 기술이좋거나, 개발에 중점을 두는 걸로 보이고, Data Engineer는 자료를 다루는 다양한 기술을 소지한 것으로 보인다. 마지막으로 Data Scientist는 자료 분석능력을 가진 사람으로 생각하는 경향이 있는 듯 하다. 물론 LinkedIn의 조사에 참여한 사람들의 의견에 의하면 말이다. 원본 문서는:  http://101.datascience.community/2016/11/28/data-scientists-data-engineers-software-engineers-the-difference-according-to-linkedin/

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/

AI/ML 공개경연 사이트인 Kaggle. CEO 이자 창립자인 Anthony Goldbloom에 의하면 Kaggle 경연에서 이기는 방법은 매우 간단하다. 1) 정형 자료이고, 당신이 그 자료의 특성을 잘 알고 있나? 그렇다면 수동으로 feature engineering 거친 후에 Tree-based methods를 사용하라. 전통적으로 Random Forests 가 대부분 가장 좋은 성능을 보였지만, 최근들어 XGBoost 같은 boosted tree 도 좋은 성능을 보이고 있다. 2) 영상이나 텍스트 같은 비정형 자료인가? Neural Network. 끝. 원본문서는: https://www.kdnuggets.com/2016/01/anthony-goldbloom-secret-winning-kaggle-competitions.html