논문 정리 : 인공지능과 제4차 산업혁명의 함의 STEP 1

학교 과제로 어떤 기술이나 사회 현상에 대한 레포트를 작성해야 하는 일이 많았다.

인터넷의 네이버 포스팅이나 WIKI를 근거 자료로 쓰기엔 정확도가 떨어질 것이라 생각해 학교에서 제휴한 DBpia 나 KISS에서 자료를 찾아 많이 인용했었다.

휴학한 이후엔 논문을 읽지 않기 시작했는데 저번 추계학술대회 이후로 다시 논문을 읽기로 결심했다.

이제부터 내 진로와 관련된 논문을 일주일에 한번은 읽고자 한다.

각 목차를 정리·요약하는 방식으로 포스팅할 것이다.

인공지능과 제4차 산업혁명의 함의

인공지능과 제4차 산업혁명의 함의

원동규, 이상필(2016). 인공지능과 제4차 산업혁명의 함의. ie 매거진, 23(2), 13-22.

인공지능과 제4차 산업혁명의 함의 STEP 1

인공지능과 제4차 산업혁명의 함의 STEP 2

목차

1. 서론
2. 인공지능 기술동향
3. 인공지능과 제4차 산업혁명
4. 사회적 안전망으로서의 행위자네트워크 이론의 적용
5. 맺음말

서론

• 제 4차 산업 혁명
  • 정의 :
    디지털, 물리적, 생물학적 영역의 경계가 없어지면서 기술이 융합되는 것이 핵심 목표
  • 핵심 기술 :
    AI, IoT

∴ AI에 대한 논의를 새로운 산업혁명의 토대라는 관점에서 작성

• 시대의 패러다임

구분	정보화	지능화
시작시점	1990년대 초~	2010년대 초~
가치창출	정보 ‘유통’	정보 ‘추상화’
정보흐름	기업 내 수직적 흐름	기업 간 수평적 흐름
산업영향	제품/서비스 온라인화	사회 시스템 지능화
핵심가치	네트워크	알고리즘, 데이터

• 정보 추상화 (Information abstaction)
  • 정의 :
    다른 종류의 객체와 구분할 수 있는 필수적인 속성과 행위를 나타내는 것
  • 개념 :
    객체가 어떻게 구현되는지 보다는 어떤 기능을 수행할 것인가에 초점
  • 가치 창출의 이유 :
    인공지능의 학습원리가 대상의 특징을 잡아내는데서 출발하기 때문이다.

인공지능 기술동향

• 인공지능
  • 정의 :
    사고나 학습 등 인간이 가진 지적 능력을 컴퓨터를 통해 구현하는 기술
  • 구분 :
    강한 인공지능, 약한 인공지능
• 강한 인공지능 (범용 인공지능)
  • 정의 :
    사람처럼 자유로운 사고가 가능한 자아를 지닌 인공지능
  • 비고 :
    현시대에 존재하지 않음
• 약한 인공지능
  • 정의 :
    자의식이 없는 인공지능
  • 사용처 :
    특정 분야에 특화된 형태로 개발되어 인간의 한계를 보완하고 생산성을 높이는데 사용
  • 예시 :
    알파고, 왓슨

현재까지 강한 인공지능은 존재하지 않기에
이번 논문에선 약한 인공지능에 속하는 인공지능의 기술적인 특성을 가지고 3가지 관점으로 AI를 분류한다.

• AI 분류 방식
  • 고전적 AI 접근 방식 (Expert System)
  • 약한 뉴럴네트워크 접근 방식 (Machine Learning)
  • 강한 뉴럴네트워크 접근 방식 (Machine Intelligence)

고전적 AI 접근 방식 (전문가 시스템, Export System)

고전적 AI 접근 방식

• 정의 :
  규칙에 기반을 둔 것으로 규칙 생성은 인간이 수행하고, 추론처리는 기계가 수행하는 방식
• 한계 :
  지식의 양이 많고 전술한 정보의 추상화의 어려움 및 정보의 표현 및 해석이나 의미의 다양성에 대응하는 것이 쉽지 않음

약한 뉴럴네트워크 접근 방식 (기계 학습, Machine Learning)

기계 학습 이론

• 정의 :
  1. 뇌내의 신경 회로망과 그 과정을 모방한 것
  2. 기계를 활용하여 특징을 뽑아내는 메커니즘

기계 학습 (패턴 인식)

• 정의 :
  경험을 통해 특징점을 잡아내는 특정 모델 혹은 작업의 최종 판단 혹은 예측의 성과를 향상시키는 방법
• 기계 학습의 단계 :
  1. 데이터에서 특징을 추출하는 것
  2. 추출한 데이터를 학습하는, 예측·분류하는 것
• 기계 학습의 단점 :
  1. 좋은 특징값을 정의하기 어려움

딥러닝 :

• 정의 :
  기계 학습의 메커니즘을 다층으로 조합한 것
• 장점 :
  여러 단계의 계층적 학습과정을 거치며 적절한 특징값을 스스로 생성한다.
• 방법 :
  1. CNN (Convolutional Neural Network)
  2. RNN (Recurrent Neural Network)

강한 뉴럴네트워크 접근방식 (Machine Intelligence)

강한 뉴럴네트워크 접근방식

• 정의 :
  대뇌 신피질의 작동원리를 방법론으로 도입하는 것

SDR :

• 정의 :
  주상구조가 느슨하게 활성화되는 상태를 모델링한 것
• 특징 :
  1. 각 비트가 개별적인 의미를 가진다.
  2. 중요한 특성은 몇 개의 특성에 대한 정보가 없다 하더라도 결과값을 추론 가능하게 함
• 장점 :
  기존의 DR (Dense Representation)과 달리 임의의 비트에 일시적인 에러가 발생해도 비교적 정확한 결과값 추론이 가능하다.

HTM :

• 정의 :
  공간적인 패턴과 시간적인 패턴이 합쳐진 동영상과 같은 데이터들이 실제 뇌의 신피질에서 처리되는 방식을 연구하여 시공간적인 패턴을 학습하고 기억해 낼 수 있도록 신피질을 모델링한 알고리즘
• 특징 :
  하이퍼 네트워크와 같은 다른 종류의 기계학습 모델을 사용한 시스템에 비해서 시간적인 차이가 있는 데이터(스트리밍 데이터)를 기억하고 처리하는 데 유용하다.

AI 접근 방식의 비교

AI 접근 방식의 비교

비고

• 다 읽고 더 업데이트 할 것