<4D F736F F D20B1E2C8B9BDC3B8AEC1EE2DB9CEBFC1B1E2>

Size: px

Start display at page:

Download "<4D F736F F D20B1E2C8B9BDC3B8AEC1EE2DB9CEBFC1B1E2>"

서웅 견
5 years ago
Views:

1 기획시리즈 주간기술동향 빅데이터로발전하는인공지능기술개발동향 민옥기한국전자통신연구원휴먼컴퓨팅연구실실장 임지연, 박경한국전자통신연구원 1. 서론 2. 빅데이터로발전하는기술, 딥러닝 3. 각국의차세대인공지능기술준비 4. 국내인공지능기술연구동향 5. 결론및시사점 1. 서론정보과학이태동하던시기부터인공지능은컴퓨터가추구하는최고의지향점이되었다. 앨런튜링이제안한튜링테스트는 60 년이지난지금도여전히인공지능기술의성공여부를가르는기준이되고있다 년영국레딩대의케빈교수팀이개발한유진구스트만 ( 이후유진 ) 컴퓨터가튜링테스트를통과하였다고발표하였으나, 이발표가과장되었었다는비판이곳곳에서나왔다. 튜링테스트는심사위원들이채팅을해서이중 3 분의 1 이컴퓨터와사람을구분하지못하면통과한것으로인정하는단순한논리이다. 그러나유진컴퓨터의경우, 13 세의우크라이나소년이라는가정을둠으로써트릭을쓴것이쟁점이되었다. 미래학자인레이커즈와일은 2030 년이후에나튜링테스트통과가가능할것으로보고있으며, 이처럼인공지능기술은기술의역사만큼이나지속적인기술발전이필요한분야이다. 지능 (Intelligence) 은문제를학습하고해결하는능력을말하며, 인공지능 (Artificial Intelligence) 는철학적으로인간성이나지성을갖춘존재, 혹은시스템에의해만들어진지능, 또한그와같은지능을만들수있는방법론이나실현가능성등을연구하는과학분야를일컫는다 [1]. * 본내용과관련된사항은 ETRI SW 콘텐츠연구소민옥기실장 ( ) 에게문의하시기바랍니다. ** 본내용은필자의주관적인의견이며 IITP 의공식적인입장이아님을밝힙니다. 10

2 기획시리즈 인공지능 1950 년대부터시작된인공지능기술개발은발전과침체기를반복하면서알고리즘과컴퓨팅파워의성장과더불어발전하여왔다. 반복되는성장기와침체기는보는관점에따라서다르겠지만인공지능성장역사는크게네그룹으로나누어볼수있다. 1 태동기 (1950 년 ~1970 년대초 ): 인공지능기술의개념정립시대로 1950 년앨랜튜링은 Computing Machinery and Intelligence 를발표하였으며, 1956 년 IBM 은다트머스컨퍼런스에서 Artificial Intelligence 라는용어를처음사용하였다. 이시기는컴퓨터시스템의발전과 LISP, Prolog 와같은논리프로그래밍언어의발전을가져왔다. 2 이론의진화 (1980 년대초반 ): 인공지능과관련하여추론개념, 뉴럴네트워크, 퍼지이론등과같은기초이론이정립된시점이다. 이시기에는가전제품이나시설운영시스템에부가가치를부여하는정도의효과를가져왔다. 3 기술의증명시기 (1990 년대후반 ): 1980 년대후반부터 1990 년초반까지기술발전의침체기가있었으나, 1997 년 IBM 에서발표한 Deep Blue 가세계체스챔피언그랜드마스터대회에서 6 번의대국끝에 3.5 대 2.5 로인간과의체스게임에서승리하였다. 이를통해복잡한연결계산이론, 대규모데이터베이스검색, 과학분야의대규모연산등의기술발전을가져왔으며, Sony 에서는 AIBO 라는한정된지능을가진로봇상용화에성공하였다. 4 딥러닝의시대 (2011 년 ~ 현재 ): IBM 왓슨컴퓨터, 구글브레인등의기술증명으로인공지능기술은또한번의전성기를맞이하였다 년 IBM 왓슨이제퍼디퀴즈쇼에승리하였으며, 2012 년구글은딥러닝기술을통해비교사학습 (Unsupervised Learning) 으로고양이인식에성공하여기대감을높였다. 또한개인비서, 도메인비즈니스등다양한분야에적용되고있다. 최근에관심이폭증되고있는딥러닝기술은대량의데이터확보와컴퓨팅파워의발전이병행되면서가능하게되었다. 본고에서는빅데이터와함께발전하고하고있는딥러닝기술을살펴보고, 국내외에서준비하고있는차세대인공지능기술의발전방향을가늠해본다. 정보통신기술진흥센터 11

주간기술동향 2016. 3. 2. 2. 빅데이터로발전하는기술, 딥러닝딥러닝기술은사물이나데이터를군집화 (Clustering) 하거나분류 (Classification) 하는데사용되는일종의기술적인방법론으로딥뉴럴네트워크 (Deep Neural Network) 를활용한기계학습을말한다.

3 주간기술동향 빅데이터로발전하는기술, 딥러닝딥러닝기술은사물이나데이터를군집화 (Clustering) 하거나분류 (Classification) 하는데사용되는일종의기술적인방법론으로딥뉴럴네트워크 (Deep Neural Network) 를활용한기계학습을말한다. 딥러닝은 80~90 년대에기본구조가정립된 ANN(Artificial Neural Network) 를기반으로하고있으나, 2006 년이전까지는딥아키텍처 (deep architecture) 는실패하였다. 일반적으로근래의딥러닝기술의부활조건을세가지로꼽는다. 첫째는 2006 년을기점으로힌튼, 벤지오교수등이발표한획기적인알고리즘진화 [3], 둘째는 GPU, 메모리컴퓨팅, 고성능컴퓨팅등진화된컴퓨팅성능측면이다. 그리고마지막은사전학습을할수있는충분한데이터가확보되었다는데있다. 딥러닝은기본적인뉴럴네트워크구조의기본계층에 5~6 개이상의히든계층을두는데있다. 딥러닝과일반적인기계학습의차이점은 ( 그림 1) 에서볼수있다 [4]. 딥러닝은히든계층을통해반복적으로피처링을다단계로수행하는과정이추가되었으며, 이를통해정확성의향상을가져왔다. 이과정에서데이터양은절대적으로학습품질을결정지으며, 학습량이일정수준이하일경우는딥러닝의효과를얻지못한다. Output Output Output Mapping from features Output Mapping from features Mapping from features Most complex features Handdesigned program Handdesigned features Features Simplest features Input Input Input Input Rule-based systems < 자료 > NIPS Deep Learning 재구성, Classic machine learning Representation learning Deep learning ( 그림 1) 기계학습과딥러닝 12

기획시리즈 인공지능 2012 Teams %error Supervision(Toronto) 15.3 ISI(Tokyo) 26.1 VGG(Oxford) 26.9 XRCE/INRIA 27.0 UvA(Amsterdam) 29.6 INRIA/LEAR 33.4 < 자료 > NIPS Deep Learning, 2015.

4 기획시리즈 인공지능 2012 Teams %error Supervision(Toronto) 15.3 ISI(Tokyo) 26.1 VGG(Oxford) 26.9 XRCE/INRIA 27.0 UvA(Amsterdam) 29.6 INRIA/LEAR 33.4 < 자료 > NIPS Deep Learning, Teams %error Clarifai(NYU spinoff) NUS(Singapore) 12.9 Zeiler-Fergus(NYU) 13.5 A. Howard 13.5 OverFeat(NYU) 14.1 UvA(Amsterdam) 14.2 Adobe 15.2 VGG(Oxford) 15.2 VGG(Oxford) Teams %error GoogLeNet 6.6 VGG(Oxford) 7.3 MSRA 8.0 A. Howard 8.1 DeeperVision 9.5 NUS-BST 9.7 TTIC-ECP 10.2 XYZ 11.2 UvA 12.1 ( 그림 2) ImageNet 도전순위결과의연차별변화딥러닝중 RNN(Recurrent Neural Network) 과더불어가장많은연구가진행중인 CNN(Convolutional Neural Network) 의경우, 이미지인식대회인 ImageNet 에서그우수성을입증하였다. ( 그림 2) 와같이 2012 년힌튼교수팀이딥러닝으로 1 위를한이후, 2013 년을기점으로대부분의참가자들이 CNN 을사용하고있으며, 2014 년부터는 10 위권내의모든참여자들이딥러닝을사용하고있다 ( 그림에서빨간색 ( 짙은 ) 이딥러닝을사용한방법이다 ). 인공지능기술측면에서또하나의주요사건은 2011 년제퍼디쇼에서 IBM 왓슨 Deep QA 가우승한것이다 [2]. 이미알려진바와같이왓슨컴퓨터는딥러닝기술을사용하지는않았다. 그러나 IBM 은왓슨시스템구성을위해사람이생각할수있는대부분의도서즉, 논문, 백과사전, 성경, 소설등약 100 만권이상의책을지식베이스로구축한후, 종합분석에활용하였으며, 이는 200 억페이지이상규모에해당한다. 또한, 왓슨은질문을이해하고정답을추론하는데 IBM Power 750 시스템 90 대, 2,880 코어규모의시스템을사용하였다. IBM 왓슨의성공역시도빅데이터와컴퓨팅파워에의해서가능했던것이다. 전략선택을위해서강화학습 (Reinforcement Learning) 을사용하기도하였다. 구글은 2012 년구글브레인프로젝트를통해비교사학습 (Unsupervised Learning) 방법으로고양이인식에성공하였다고발표하였다. 유튜브에서무작위크롤링된 1,000 만개의이미지데이터를대상으로비교사학습방식의딥러닝을수행하고, ImageNet 의 정보통신기술진흥센터 13

주간기술동향 2016. 3. 2. < 자료 > Building Watson, 2010. ( 그림 3) 왓슨 DeepQA 의구조 21,841 개의카테고리에서 1,400 만개이미지를인식하여기존대비 70% 이상의향상을가져왔다 [5]. 이를기반으로 2014 년에는에러율 6.6% 로 ImageNet 에서 1 위를하였다.

5 주간기술동향 < 자료 > Building Watson, ( 그림 3) 왓슨 DeepQA 의구조 21,841 개의카테고리에서 1,400 만개이미지를인식하여기존대비 70% 이상의향상을가져왔다 [5]. 이를기반으로 2014 년에는에러율 6.6% 로 ImageNet 에서 1 위를하였다. 또한, 영국의 DeepMind 는 Deep Q-Network(DQN) 알고리즘을사용하여게임을학습하는프로그램을개발하였으며, 이는기계학습과뉴로사이언스를결합시켜범용학습알고리즘을구축하는환상적인조합으로평가받고있다. DeepMind 는 2014 년구글에인수된후, 바둑을두는인공지능프로그램, 알파고를개발하였다. 이미프로선수와의대전에서이긴알파고는 2016 년 3 월이세돌 9 단과경기를가질예정이다. 이처럼딥러닝은데이터양과밀접과관계가있는까닭에독자적인솔루션보다는플랫폼오픈정책을사용하거나오픈생태계를구축하기도한다. IBM 은왓슨 DeepQA 시스템을기반으로 IBM Watson EcoSystem 을구축하고중소기업파트너쉽과데이터및지식을확보하고있다. 왓슨에코시스템의주요기능은 < 표 1> 과같다 [6]. 이를통해 Watson 은 Fluid Inc. 을통한개인쇼핑상담사, Welltok Inc. 와헬스케어응용으로 Welltok Concierge 를출시하는등 100 개이상의중소기업들에게언어지능을활용할수있는방법을제공하고있다. 또한, 세계 1 만여개의요리레시피를학습하고새로운레시피를만들어내는 쉐프왓슨 이후에, 닥터왓슨 프로젝트를통해의료데이터와지식을확보하고있다. 닥터왓슨 은 14

기획시리즈 인공지능 < 표 1> Watson 에코시스템의주요기능 왓슨에코시스템 Watson Developer Cloud Watson Content Marketplace 주요기능 Watson 과연계되는서비스를자신의환경에맞게작성하여탑재 (deploy) 할수있는기능을제공하고, 왓슨기반앱과서비스는

Talent Hub < 자료 > Watson 에코시스템홈페이지 [6] 기계학습기술, 개발경험등을공유하는온라인허브구성 2011 년부터 PubMed, Medline 과같은방대한의학저널, Memorial Sloan Kettering 의환자기록에서의학기초지식을습득하였다.

이후, 2012 년메모리얼슬론캐더린암센터에서 레지던트 생활을하며폐암환자진료를습득하고, 2013 년 10 월부터 MD 앤더슨병원에서백혈병환자진료를트레이닝했으며, 2014 년 MD 앤더슨의사들의판단과비교하였을때, 정확도 82.6% 를얻었으며, 부정확성비율은 2.9% 를보였다. 3.

6 기획시리즈 인공지능 < 표 1> Watson 에코시스템의주요기능 왓슨에코시스템 Watson Developer Cloud Watson Content Marketplace 주요기능 Watson 과연계되는서비스를자신의환경에맞게작성하여탑재 (deploy) 할수있는기능을제공하고, 왓슨기반앱과서비스는 Powered by IBM Watson 이라는로그를명시하도록함 왓슨앱마켓과앱 / 서비스를개발할수있는환경으로 QAAPI(Watson Question Answer API) 라는 RESTful 표준인터페이스와샘플서비스 / 앱코드및 Corpus 라고하는도메인별데이터업로드후트레이닝방법론제공 Watson Talent Hub < 자료 > Watson 에코시스템홈페이지 [6] 기계학습기술, 개발경험등을공유하는온라인허브구성 2011 년부터 PubMed, Medline 과같은방대한의학저널, Memorial Sloan Kettering 의환자기록에서의학기초지식을습득하였다. 이는 605,000 건의의학증거, 200 만페이지텍스트, 25,000 건의트레이닝케이스, 14,700 명의환자기록에해당한다. 이후, 2012 년메모리얼슬론캐더린암센터에서 레지던트 생활을하며폐암환자진료를습득하고, 2013 년 10 월부터 MD 앤더슨병원에서백혈병환자진료를트레이닝했으며, 2014 년 MD 앤더슨의사들의판단과비교하였을때, 정확도 82.6% 를얻었으며, 부정확성비율은 2.9% 를보였다. 3. 각국의차세대인공지능기술준비글로벌 IT 기업들은최근앞다투어인공지능분야의 R&D 를추진하고있으며, 미국등은정부차원에서인공지능기술을육성하여차세대국가기술경쟁력을선점하려는노력을기울이고있다. 가. 미국정부의 Brain Initiative 미국정부는 2013 년 4 월백악관에서발표한 Brain Initiative 를실현하기위해 DARPA, NIH, NSF 등이참여하는연간 2 억달러투자계획을발표하였다. Brain Initiative 는차세대인지컴퓨팅기술을추진하기위한뇌연구, 감정연구등기초연구를수행한다. 각기 정보통신기술진흥센터 15

7 주간기술동향 관별투자규모와연구내용은 < 표 2> 와같다 [8]-[10]. 이외에 Howard Hughes Medical Institute, Salk Institute for Biological Studies 에서수행하는뇌연구가포함되어있다. < 표 2> Brain Initiative 투자 기관투자규모연구내용 DARPA NIH NSF 5,000 만달러 4,000 만달러 2,000 만달러 - 뇌의동적기능 (Dynamic function) 의이해를바탕으로혁신적인응용프로그램개발 - 블루프린트그랜드챌린지를주관하여뇌연구 - 인간뇌의신경지도를구축하는휴먼커넥텀프로젝트 - 신경네트워크활동측정용분자수준의프로브개발 - 빅데이터처리기술연구 - 생각, 감정, 행동, 기억의메커니즘연구 - 더나은유전자와뇌기능사이의연결관계를이해하기위한뇌지도 Allen Institute 6,000 만달러완성 < 자료 > Brain initiative briefing room, NIH 홈페이지 [8]-[10] 나. EU 의 Human Brain Project EC 는 FET 플래그쉽을통해파일럿프로젝트를수행한후, HBP(Human Brain Project) 를 2013 년부터매년 10 억유로씩 10 년간투자하고있다. HBP 의수행내용은 < 표 3> 과같다. < 표 3> HBP 연구개발내용 HBP 세부과제 규모 ( 유로 ) 연구개발내용 Application 2 억 2,100 만 신경과학, 의학및컴퓨팅기술에의한프로토타입 ICT Platforms 4 억 5,600 만 신경과학및임상연구의가속을위한통합형 ICT 플랫폼 Theory 7,200 만 뇌활동영역간의관계를파악하여수학적인모델구축 Data 3 억 1,600 만 일반화된뇌지도를위한필수적인데이터를생성 < 자료 > HBP 홈페이지 [14] 다. IBM 의뉴로모픽칩 IBM 은현재시스템아키텍처가인공지능기술을구현하기에는한계가있다는판단 하에새로운시스템구조를고안하고있다. CPU 와메모리사이에데이터가이동하는 60 여년이상사용되어온폰노이만구조에서탈피하여뇌를모사한뉴런 - 시냅스구조를가 지는뉴로모픽칩, 트루노스를개발하였다. 트루노스칩은 54 억개트랜지스터를사용하 여약 100 만개의 디지털뉴런 과 2 억 5,000 만개의 디지털시냅스 를구현하였다. 트 루노스칩은패턴인식매카니즘을사용하며뉴로모픽컴퓨터개발을목표로한다. 스탠포 16

8 기획시리즈 인공지능 드대타워꼭대기에서스트림으로들어오는영상에서객체를인식하는시험을하였다. IBM 은트루노스칩의최대강점을저전력으로꼽는다. 구글비디오클립에서사람얼굴을인식하려면 16,000 개의프로세스칩으로 100KW 전력을필요로하는데반해트루노스브레인은수십와트로가능하다고발표하였다 [12]. IBM 은트루노스칩을개발하기이전슈퍼컴퓨터세콰이어를사용하여사람두뇌규모의네트워크통신을시뮬레이션하였으며, 5,000 억개뉴런, 100 조개시냅스를위해 150 만개프로세스와 1.5 페타바이트메모리를사용하였으며, 이는사람두뇌의 1/1500 수준의동작을할수있다고한다. 실제인간두뇌 (Netware) 처럼동작하기위해서는 12 GW 의전력이필요하고, 이는 LA 와뉴욕전체의전력에해당한다고한다. IBM 은트루노스칩을컴퓨터로사용하기위한소프트웨어로 1 시맨틱칩의기계언어를사용하는새로운프로그래밍언어, 2 트루노스뉴럴네트워크상에서태스크동작방식을표현하는심플 SW 탬플릿인 Corelets 을같이개발하였다. 향후, 트루노스를사용하여시각장애인용구글글래스형태, 여러개의카메라를장착하고환경감시를하는 Rolling robot 등의제품으로상용화노력을추진할계획이다. 라. 구글의딥러닝과양자컴퓨팅구글도 IBM 과마찬가지로현재의컴퓨터가인공지능기술을구현하는데한계가있다는점에서는동의하고있다. 단지, 컴퓨팅플랫폼을주경쟁력으로하는구글은한계를극복하는방안으로양자컴퓨터를도입하는방법을선택하였다. 구글은 2013 년 512 큐빗을가진캐나다 D-Wave 2 양자컴퓨터를공동구매하였다. 이를최적화하고, 여기서딥러닝과지속적인자가학습으로지능을향상시키는작업을나사 (NASA) 와공동으로진행하고있다 년 12 월에구글과나사는 D-Wave 2X 양자컴퓨터를발표하고기존시스템에비해 1 억배빠른속도를얻을수있다고선언하였다. 또한, 구글은사진을입력하면자동으로사진의의미를설명해주는신경이미지캡션 (Neural Image Caption: NIC) 시스템기술을 2014 년에발표하였다. 이는이미지를분류하는 CNN(Convolutional Neural Network) 과언어를번역, 생성하는 RNN(Recurrent Neural Network) 을같이사용하고있다. 구글은이외에비교사학습과교사학습을병행사용하는하이브리드학습을연구하고있으며, 구글딥마인드를통해뇌과학과의접목을다각도로시도하고있다. 정보통신기술진흥센터 17

9 주간기술동향 Describes without errors Describes wit minor errors Somewhat related to the image Unrlated to the image A person riding a motorcycle on a dirt road Two dogs play in the grass A skateboarder does a trick on a ramp A dog is jumping to catch a frisbee A group of young people playing a game of frisbee Two hockey players are fighting over the puck A little girl in a pink hat is blowing bubbles A refrigerator filled with lots of food and drinks A herd of elephants walking across a dry grass field < 자료 > ITworld, A close up of a cat laying on a couch A red motorcycle parked on the side of the road A yellow school bus parked in a parking lot ( 그림 4) NIC 를활용한이미지캡션예마. 일본의로봇산업육성일본총무성은 인공지능화가가속화되는 ICT 미래상에관한연구회 를 2015 년 2 월개최하고 2045 연구회를조직하였다. 일본경제산업성은 2015 년 1 월에로봇신전략을발표하고, 2020 년까지 5 개년간투자확대를통한 1,000 억엔규모의로봇프로젝트추진계획을발표하였다. 이계획에는 1 일본을세계로봇이노베이션거점으로하는 로봇창출력의근본적강화, 2 중소기업, 농업, 간병, 의료, 인프라등세계최고의로봇활용사회를목표로로봇이일상을실현할수있는 로봇활용, 보급, 3 사물인터넷 (IoT) 시대에빅데이터, IT 와융합, 네트워크, 인공지능을구사하는로봇을포함하고있다 [11]. 4. 국내인공지능기술연구동향 인공지능과관련한국내연구동향도글로벌동향과크게다르지않다. 소강상태를 18

10 기획시리즈 인공지능 보이던인공지능연구개발이최근 2~3 년내에몇개의프로젝트가부활하여활발히진행중이다. 그러나기술의중요성에비하면아직많이부족해보인다. 국가주도인공지능기술개발로는다음과같은몇가지프로젝트가현재진행중이다. 첫째, SW 그랜드챌린지과제로출범한엑소브레인과제가있다. 엑소브레인과제는인간과기계의지식소통을위해자가학습형지식베이스를구축하는기술및추론기술과자연어질의응답기술등을포함하고있으며, 고난도지식이해및학습을위한원천적인인간모사형지능기반기술을개발하고있다. 엑소브레인에는 ETRI, 솔트룩스, KAIST, 포항공대등이참여하고있다. 또하나의주요프로젝트로시각지능을구현하는딥뷰 (DeepView) 과제가있다. 딥뷰는다양한이미지와동영상의내용을이해하고, 이를바탕으로도심공간의다차원시계열변화를분석하여상황을예측할수있도록하는시각지능플랫폼기술을개발한다. 본과제는대규모시각데이터를기계학습하기위한고성능분산병렬처리등을포함하고있으며, 도메인에적용하기위한전역적인 CCTV 분석과환경변화를조기감지하여재난재해를사전에분석예측하는기술을포함하고있다. 다음은사람처럼평생동안지식을학습하고추론하는인간수준의평생기계학습 SW 기초연구를 SW 기초연구센터의일환으로추진하고있다. 평생기계학습 SW 과제는주어진문제에대해사용자의개입없이기계가스스로추론한결과를학습에다시활용하는자동화된기계학습알고리즘으로포항공대를중심으로추진중이다. 또한, 2015 년시작된스타랩프로젝트로이동환경에서뇌-컴퓨터인터페이스를위한지능형패턴인식소프트웨어개발과일상생활학습기반의인지에이전트 SW 개발이진행중이다. 5. 결론및시사점현재, 구글, IBM, MS, 페이스북등글로벌기업들은차기기술경쟁력의핵심을인공지능기술로정의하고기술개발경쟁이치열하다. 이에부응하듯미국을선두로정부차원의정책과지원도병행하고있다. 그러나관심의중심이되고있는딥러닝기술의진화는그리단순해보이지는않는다. 딥러닝의석학으로알려진벤지오, 르쿤교수도패널토의를통해딥러닝이모든것을해결할수있을것처럼과열되는것을진정시키는것역시 정보통신기술진흥센터 19

11 주간기술동향 연구자들의몫이라고하였다. 현시점에서집중해야하는인공지능기술개발은크게세가지로분류해볼수있다. 하나는딥러닝기술이고, 두번째는인간지능의다양성을모사하는다양한형태의지능, 그리고마지막은 5 년뒤, 10 년뒤를준비하는아키텍처기술과이에따른시스템 SW 기술이다. 딥러닝과관련해서는데이터가관건이다. 데이터가충분하지않으면딥러닝기술은심플모델보다결과가좋지않을수도있다. 우리나라는글로벌기업에비해데이터확보성에서불리하다. 국내데이터를쉽게연결하고활용할수있는정책과기술이필요하다. 참고로 2009 년시작한울프람알파는 1 만여개의 CPU 를연결한슈퍼컴퓨터상에서인공지능을구현하고, 웹상의지식을재구성하여사용자에게제공하며데이터와지식을축적하고있다 [13]. 하워드분류방법에의하면인간의지능은 8 개의다중지능으로구성되어있다고한다. 언어지능, 논리수학지능, 음악지능, 자기성찰지능, 인간친화지능, 신체운동지능, 공간지능등이그것이며, 현재전세계적으로집중되어있는분야는언어지능과시각지능이다. 사람의지능이하나의편중되지않은종합적인추론, 판단기관이라고본다면, 지능의다양성을추구하는것이인공지능의다음진화를준비하는일이될것이다. 이미인공지능기술의구현한계를극복하기위해서글로벌기업들은뉴로모픽칩이나양자컴퓨터등을준비중이다. 진입장벽이높은기술인반면에파급력이큰분야임에는틀림없어보인다. 역사적으로인공지능기술의진화를보면단순히기계학습과통계처리기술발전에그치지않았다. 프로그래밍언어, 데이터베이스, 컴퓨터아키텍처, 시스템 SW 등의발전을견인하면서기술의발전을거듭해오고있다. 앞으로도인공지능기술은정보통신발전을이끄는견인차역할이될것으로보인다. 따라서인공지능기술의밑바탕부터면밀히살펴보고기초가될기술들을발굴, 육성하는것이필요한시점이다. < 참고문헌 > [1] 위키피디아, [2] David Ferrucci, Building Watson: An Overview of the DeepQA Project, Association for the Advancement of Artificial Intelligence, 2010, pp

12 기획시리즈 인공지능 [3] G. E. Hinton, et.el., A fast learning algorithm for deep belief nets, Neural Computation, [4] G. Hinton, Y. Benjio, Y. LeCun, NIPS Deep Learning, NIPS Tutorials, [5] Quoc V. Le et al, Building High-level Feature Using Large Scale Unsupervised Learning, ICML 2012, Jul. 2012, pp [6] [8] [9] [10] [11] 이시직, 일본의미래시대를지배할 인공지능 (AI) 연구및정책동향, [12] Robert F. Service, The Brain Chip: Microprocessors modeled on networks of nerve cells promise blazing speed at incredibly low power, -if they live up to hopes, Science, Vol.345, Aug. 2014, pp [13] 울프람알파, [14] HBP 홈페이지, 정보통신기술진흥센터 21

Ch 1 머신러닝 개요.pptx

Ch 1 머신러닝 개요.pptx Chapter 1. < > :,, 2017. Slides Prepared by,, Biointelligence Laboratory School of Computer Science and Engineering Seoul National University 1.1 3 1.2... 7 1.3 10 1.4 16 1.5 35 2 1 1.1 n,, n n Artificial