인공지능의 연구분야 - (1) 요소기술분야

인공지능 연구분야에는 요소 기술 분야와 주요 응용 분야가 있다. 이 중 요소 기술은 인공지능 구현에 필요한 핵심적인 기술을 뜻한다. 요소 기술의 종류로는 탐색, 지식표현, 추론, 학습, 계획 수립 등이 있다. 이번 포스팅에서는 요소기술분야에 대해 알아볼 것이다. 

 

요소기술분야

1) 탐색 (Search)

탐색은 문제의 답이 될 수 있는 것들의 집합을 공간으로 간주하고, 최적의 해를 찾기 위해 공간을 체계적으로 뒤지는 것을 뜻한다. 탐색 문제는 상태 공간의 개념을 통해 설명할 수 있다. 상태 공간이란 문제의 초기 상태에서 목표 상태까지 문제의 해가 될 가능성이 있는 모든 상태들의 집합을 의미한다. 따라서 탐색으로 문제의 해를 구한다는 것은 목표 상태에 도달하게 하는 동작이나 해가 되는 목표 상태 그 자체를 찾는 것이다.

 

식인종-선교사 강 건너기 문제 (출처 : 자바실험실)

탐색의 예시로는 식인종-선교사 강 건너기 문제가 있다. 이 문제는 선교사 3명과 식인종 3명이 안전하게 배로 강 반대편으로 건너가는 방법을 찾는 것을 목표로 한다. 이 문제에는 배는 2인용이고, 어디에서든 식인종의 수가 선교사의 수보다 많아서는 안된다는 제약 조건이 있다. 이 문제의 상태 공간, 즉 무사히 강을 건널 수 있는 상태들의 집합을 그래프로 나타내면 다음과 같이 총 16개의 노드로 구성된 것을 확인할 수 있다. 

 

식인종-선교사 문제 상태 공간 그래프 (출처 : Google)

즉, 식인종-선교사 강 건너기 문제에서의 탐색의 목적은 목표 상태에 도달하게 하는 동작 과정이라고 할 수 있다. 

 

 

2) 지식표현 (Knowledge Representation)

지식표현은 문제를 해결하거나 심층적인 추론을 하는 데 사용할 수 있도록 지식을 효과적으로 표현하는 방법을 다룬다. 지식이 무엇인지 정확히 설명하기 위해 데이터 피라미드를 보자.

 

데이터 피라미드

• 데이터 : 관측되거나 수집되었지만 가공되지 않은 것으로, 사실처럼 관측되지만 오류나 잡음을 포함할 수도 있다.
• 정보 : 데이터를 가공하여 어떤 목적이나 의미를 갖도록 한 것으로, 데이터가 가치를 갖도록 처리한 결과이다.
• 지식 : 정보를 취합하고 분석하여 얻은 대상에 대해 사람이 이해한 것을 뜻한다.
• 지혜 : 경험과 학습을 통해서 얻은 지식보다 높은 수준의 통찰을 뜻한다.

예를 들면, 등산로와 등산 거리를 아는 것은 지식이지만, 아무리 더운 여름날이어도 산 위에 가면 쌀쌀할 것을 예측하여 겉옷을 챙기는 것은 지혜라고 할 수 있다.

 

한편, 인공지능에서의 지식은 경험이나 교육을 통해 얻어진 전문적인 이해와 체계화된 문제 해결 능력을 뜻한다. 이러한 지식은 표현 대상과 형식에 따라 여러 가지로 나누어 볼 수 있다.

• 절차적 지식 : 문제 해결의 절차를 기술하는 지식
• 선언적 지식 : 어떤 대상의 성질, 특성이나 관계를 서술하는 지식
• 암묵지 : 학습과 경험을 통해 몸으로 배워 말로 표현하기 어려운 지식
• 형식지 : 비교적 쉽게 형식을 갖추어 표현할 수 있는 지식

문제 해결에 지식을 사용하려면, 프로그램이 쉽게 처리할 수 있도록 정형화된 형태로 표현해야 하는데 이러한 표현 방법으로 규칙, 프레임, 논리, 의미망, 스크립트, 수치적 함수가 있다.

 

 

3) 추론 (Inference)

추론은 지식이나 데이터 등을 이용하여 가설을 검증하거나 새로운 사실을 유도하거나 유추하는 것을 뜻한다.

추론에는 전향 추론과 후향 추론 두 방식이 있다.

 

전향 추론은 현재 상태에서 목표 상태를 향하여 전진하는 방식이다. 현재의 각종 정보를 분석해 나아가면서 결론이나 해답을 찾을 때까지 반복적으로 탐색을 수행한다. 주어진 데이터를 분석하면서 진행하므로 Data-Driven 방식이라고 할 수 있다.

 

후향 추론은 전향 추론과 반대로 결론 혹은 해답이라고 할 수 있는 목표 노드를 정하고, 여기에서 현재 상태로 역추적하는 방식이다. 즉, 결론을 가정해놓고, 이를 검증하는 일종의 가설 검증 방식이다. 일반적으로 후향 추론을 하기 위해서는 이벤트를 발생시켜 역방향으로 탐색하게 하는데, 이 점 때문에 Event-Driven 방식이라고 할 수 있다.

 

예를 들어, 전향 추론은 환자의 발열, 기침, 피로감 등의 데이터를 분석하여 코로나라는 판정을 내리는 방식인데 반해,

후향 추론은 코로나라고 가정하고, 코로나의 증상과 환자의 증상이 일치하는지 맞춰보는 방식이다.

 

 

4) 학습 (Learning)

학습은 경험을 통해 나중에 동일한 문제나 유사한 문제를 더욱 잘 해결할 수 있도록 시스템의 구조나 파라미터를 바꾸는 것을 의미한다. 컴퓨터가 학습하는 방법을 다루는 분야를 기계학습이라고 한다. 기계학습 방법에는

• 지도 학습 : 입력과 대응하는 출력을 데이터로 제공하고 대응관계의 함수를 찾는 학습 방법
• 비지도 학습 : 데이터만 주어진 상태에서 유사한 것들을 묶어 군집을 찾거나 확률분포로 나타내는 학습 방법
• 강화 학습 : 상황별 행동에 따른 보상값을 이용하여 시스템에 대한 바람직한 행동 정책을 찾도록 하는 학습 방법

 

 

5) 계획 수립 (Planning)

계획 수립은 현재 상태에서 목표 상태에 도달하기 위해 수행해야 할 행동 순서를 찾는 것이다. 다음과 같이 무작위로 알파벳 블록이 놓여있을 때 pickup과 putdown이라는 행동을 사용해서 목표 상태로 만들어야 한다고 가정을 하면, 목표 상태로 만들기 위한 과정을 계획하는 것을 '계획 수립'으로 볼 수 있다.

 

에이전트와 같은 시스템이 특정 과업을 수행하려면 연속적인 동작을 취해야 하는 경우가 많다. 따라서 계획 수립은 연속 동작을 취하는 지능형 서비스에 필수적인 요소 기술이다. 지능형 서비스의 예시로는 AI 챗봇 이루다, ZMP사의 택배 로봇 등이 있다. 

 

 

참고문헌

• 인공지능:튜링 테스트에서 딥러닝까지(2018), 이건명
• 전향추론과 후향추론