불과 몇 년 전만 해도 인공지능이 우리 일상에 얼마나 중요한 역할을 하는지 상상하기 어려울 정도였습니다. 오늘날 지능형 시스템은 세계 최대의 검색 엔진을 지원하여 끝없이 쌓인 데이터를 의미 있는 클래스로 분류하고 우리가 말하는 대부분을 이해하고 다른 언어로 해석하도록 도와줍니다.
이는 부분적으로 계산 능력의 증가와 매우 유능한 하드웨어의 접근성 향상으로 인한 자연스러운 효과일 수 있습니다. 그러나 하드웨어 자체가 최근의 많은 인공 지능 혁신의 가장 큰 원동력이 아닐 수도 있습니다 재회 AI.
클라우드로의 글로벌 전환으로 인해 온라인에 저장된 데이터의 양이 믿을 수 없을 만큼 증가했습니다. 최신 딥 러닝 네트워크는 수집된 데이터를 사용하여 실제 메시지에서 스팸 이메일을 인식하거나 나무의 종에 따라 그림을 배열하는 등의 능력을 학습하고 얻을 수 있습니다.
대규모 데이터 컬렉션 안에 숨겨진 힘을 활용하여 인공 지능의 발전을 이끌고 있는 가장 중요한 하위 분야 중 몇 가지를 자세히 살펴보면 이 흥미로운 기술이 어디로 향하고 있는지 더 잘 이해할 수 있습니다.
기계 학습컴퓨터는 분명히 특정 문제를 해결하는 데 매우 능숙합니다. 예를 들어 오늘날 구입할 수 있는 가장 저렴한 컴퓨터라도 움직이는 물체의 복잡한 궤적을 쉽게 계산하고, 통계 분석을 수행하고, 달에 우주선을 착륙시킬 수 있습니다. 그러나 인생에서 가장 강력한 슈퍼컴퓨터라도 관리하기 어려운 또 다른 문제가 있습니다.
컴퓨터의 세계와 달리 실제 세계는 알고리즘을 사용하지도 않고 예측할 수도 없습니다. 실제로는 오히려 지저분합니다. 그렇기 때문에 우리는 물체를 인식하고, 언제 병원에 가야 할지, 외출할 때 무엇을 입어야 할지 선택하기 위해 본능에 크게 의존해야 합니다.
기계 학습은 이미 개인의 얼굴을 식별하고, 지진의 위치를 파악하고, 주식 시장의 변화를 예측하거나, 사용자의 관심사와 이전 좋아요에 따라 뉴스 주제를 촉구하는 훈련에 성공적으로 사용되었습니다.
기계 연구는 신경망을 사용하지 않았다면 적어도 지금 우리가 볼 수 있는 규모에서는 거의 절망적일 것입니다. 이는 하드웨어와 소프트웨어의 수많은 개별 부품으로 구성된 개인 두뇌의 근사치입니다. 각각의 작은 뉴런은 하나의 작은 작업을 담당하며 그 출력은 더 큰 시스템에 신호를 제공합니다.
가장 작은 규모에서 개별 뉴런은 선 곡률 조사와 같은 비교적 간단한 작업을 수행합니다. 그 출력은 결과 뉴런이 활성화될 때까지 다른 원리 세트에 따라 작동하는 다른 신경으로 전달됩니다.
신경망의 가장 큰 단점은 빅 데이터 세트에 대한 의존성과 느린 학습 속도입니다. 더욱이 그 결과는 거의 예측할 수 없으며 네트워크의 특정 결정 뒤에 있는 추론을 탐지하는 데 매우 오랜 시간이 걸릴 수 있습니다.
대규모 신경망의 뉴런과 마찬가지로 복잡한 AI 시스템에는 시력, 학습, 언어, 말하기, 계획 등과 같은 많은 역량의 통합이 필요하므로 기계가 개방형 환경에서 완벽하게 작동할 수 있습니다.
통합 AI를 통해 인간은 훨씬 더 개인적인 수준에서 기계와 상호 작용할 수 있으며, 기계는 훨씬 더 효율적인 방식으로 새로운 정보를 학습하고 복구할 수 있습니다.
결론소비자들이 스마트 시스템이 점점 더 복잡한 작업을 수행할 수 있는 능력을 갖춘 세상에 점차 익숙해지고 있음에도 불구하고, 인간의 복잡한 사고에 원격으로 접근하기까지는 아직 갈 길이 멀습니다.
정확히 동시에 우리는 단순 신경망을 넘어 인간의 신경 구조에 더 밀접하게 모델링된 프로그램으로 나아가면서 인공 지능 사용으로 인해 발생하는 결과를 신중하게 평가해야 합니다. 이러한 프로그램은 우리의 즉각적인 이해를 넘어서는 예측할 수 없는 방식으로 매우 현실적으로 작동하기 시작할 수 있습니다.
그러나 운영 AI가 어떻게 우리 삶의 모든 측면의 표준을 향상시킬 수 있는지 고려할 때 모든 예상 문제는 사소한 것처럼 보입니다.