초기 인공지능 연구자들은 지능이란 한 번에 잘 설계해서 만들어지는 소프트웨 어일 것이라고 기대했지만, 그 후에서야 시행착오 등 반복된 수많은 경험과 학습을 통해 개발되는 능력임을 알게 되었다(유신, 2014, p. 18).
정보 처리 방식에는 연역적 방식과 귀납적 방식이 있다. 연역적 방법은 보편적 법칙(“모든 사람은 죽는다”)을 개별 사례(“소크라테스는 사람이다”)에 적용해 개별 적인 결론(“소크라테스는 죽는다”)을 얻는다. 지금까지의 컴퓨팅 패러다임은 일반 적·보편적인 규칙을 프로그램으로 만들고 이를 입력 데이터에 적용해 원하는 결과 물을 얻는 방식이었다. 예를 들어 회계 공식들을 프로그램화한 후, 기업의 각종 경 영 데이터를 입력해 재무 보고서라는 결과물을 얻는 방식이었다. 모든 데이터를 알
고리즘으로 표현된 보편적 규칙으로 처리할 수 있다면 연역적 방법은 대단한 위력 을 발휘하지만, 현상의 복잡성과 불확실성이 너무 큰 경우 표준화된 규칙을 도출하 기가 힘들다.
귀납적 방법은 대량의 데이터를 학습시켜서 컴퓨터가 숨어 있는 패턴과 법칙성 을 찾는, 즉 ‘스스로 학습하는 기계’를 만드는 것이다(야노 가즈오, 홍주영 역, 2015: 198-199). 인간이 상세한 세부규칙들을 포함하는 프로그램을 작성하지 않아 도 다양한 입력 데이터와 결과물의 정보를 제공하면 컴퓨터가 스스로 입력 데이터 와 결과물을 연결하는 패턴 및 전략을 학습해 내는 것이다. 일단 컴퓨터가 학습을 통해 프로그램을 생성해 내면 이후에는 입력 데이터만 제시하면 어떤 결과물이 나 올지를 ‘예측(prediction)’할 수 있게 된다.
[그림 2-3] 전통적 프로그래밍(연역법)과 기계학습(귀납법) 패러다임 비교
자료 : Barnes(2015), p.14. 참조해 재구성.
이상 설명한 연역적 방식에 기반한 전통적인 프로그래밍 패러다임과 귀납적 방 식에 기반한 기계학습 패러다임의 비교는 [그림 2-3]과 같이 나타낼 수 있다. 위키 피디아는 기계학습의 정의로 “명시적으로 프로그램(explicitly programmed) 되지 않아도 컴퓨터가 스스로 학습할 수 있도록 능력을 부여하는 연구 분야”라는 Samuel
18 신기술 발전에 따른 산업 지형의 변화 전망과 대응 전략: 제2권 인지컴퓨팅
의 정의와 “특정 과업(T: Task)과 그 성과 지표(P: Performance)의 관점에서 경험 (E: Experience)을 학습하고, 경험이 축적되면서 과업의 성과를 개선시켜 나가는 컴퓨터 프로그램”이라는 Mitchell(2006)의 정의를 제시한다.3)
기계학습은 다시 지도학습(supervised learning), 비지도학습(unsupervised learning), 강화학습(reinforcement learning)으로 구성된다.
[그림 2-4] 귀납적 방식의 예측모델 도출 및 활용 절차 (지도학습 사례)
자료 : Barnes(2015), p.14. 참조해 재구성.
지도학습의 경우, [그림 2-3]의 기계학습 개념과 가장 부합한다. 지도학습 과정 은 크게 3단계 절차로 구성되는데, [그림 2-4]와 같다. 우선 입력 데이터와 결과물 을 제시하면 패턴이 학습되고 예측모델이 생성된다. 주어진 데이터 사례에 너무 과 적합(overfitting)되어 일반화(보편적 규칙)와 괴리될 수 있으므로 학습에 사용되지 않은 별도의 입력데이터와 결과물의 쌍을 통해 학습된 모델의 보편성을 테스트한
3) 위키피디어 Machine Learning 정의, http://en.wikipedia.org/wiki/Machine_learning(2015.10.30.).
다. 테스트를 통과한 예측모델을 가지고 이후 발생하는 다양한 입력 데이터에 적용 해 결과물을 사전 예측할 수 있게 되는 것이다. 지도학습에서는 입력 데이터와 결과 물을 매칭하는데, 인간이 종종 중요한 역할을 수행한다.
비지도학습은 입력 데이터와 연관된 결과물이 주어지지 않아 알고리즘이 스스로 학습해야 할 개념을 형성하고 평가하는데, 주로 유사한 데이터끼리 군집을 형성 (clustering)하는 방식으로 데이터의 특징을 요약한다.
강화학습은 행동에 대해 보상(reward) 및 처벌(penalty)을 받으며 바람직한 또는 회피해야 할 행동을 점진적ㆍ단계적으로 학습하고 궁극적으로 불확실성 하에서 효 용 극대화를 달성할 전략을 찾는 방법이다.
이상 살펴본 귀납적 추론에 기반한 기계학습 방법론의 등장으로 컴퓨터 패러다 임이 과거 60년 이상을 지배했던 전통적인 프로그래밍 방식에서 인지컴퓨팅의 시대 로 진화하고 있는 것이다. 기존 컴퓨팅 방식은 모든 발생가능한 상황에 대한 세세한 대응방식을 기계가 이해하는 언어로 인간이 일일이 프로그래밍해 주어야 했으나, 인지컴퓨팅은 방대한 데이터에서 다양한 패턴을 인지해 스스로 가설을 수립하고 검 증까지 한다.
[그림 2-5] 컴퓨팅 기술의 패러다임 진화
자료 : Mobley(2014), pp. 5.
20 신기술 발전에 따른 산업 지형의 변화 전망과 대응 전략: 제2권 인지컴퓨팅
컴퓨터 역시 이처럼 경험을 통해 학습할 수 있는 역량을 획득한다면 개발자가 특 정 지식을 일일이 프로그램해 주지 않아도 방대한 데이터를 학습하면서 스스로 규칙 과 패턴을 발견할 수 있는 것이다. 과거의 인공지능의 접근방식은 영어를 이해하는 프로그램과 한국어를 이해하는 프로그램을 개발하려면 각각 영어 전문가와 한국어 전문가들이 서로 완전히 다른 프로그램을 개발해야 했다. 반면 기계학습 기술은 동 일한 언어 학습 알고리즘을 가지고 방대한 영어 텍스트를 학습시키면 영어를 이해할 수 있게 되고, 한국어 텍스트를 학습시키면 한국어를 이해할 수 있게 되는 것이다.