스포일러 경고 기능이 추가됐습니다.
(펼침 메뉴 > 설정에서 변경 가능)
구글의 알파고가 인간을 이기고 나서
몇년뒤에 인간이 무쓸모가 될 세상이 올줄 알았으나
아직은 그렇지가 않음
근데 그게 그렇게 안될 수도 있다고 말함
그 이유인 즉슨 머신러닝이라고 하는
수많은 경험치를 인공지능한테 먹이는 방식이
사실은 한계가 있기 때문임
즉 바둑처럼 흑돌백돌이
뭔지 알필요가 없는 경우와 달리
삼성전자 주식과 갤럭시 핸드폰이 뭔지
알아야하는
주식 그래프 매매는 상당히 다르다는 것
저자는 자연과학에서 어떤현상이 발견되어도
그 원인과 결과를
이해할 수 있는 과정이 설명되지 않으면
이론이 되지 않는다고 설명함
그러나 인공지능 중에서 빅데이터를 때려박는
머신러닝의 경우 결과를 이해하지 못해도
그걸 믿어버리는 현재 관념은 문제가 있다고 함
결국 인공지능은 도구라는 것을 인식해야함
머신러닝은 사실 손빠르고
기억 잘하는
바보인데 그 바보를 제대로
이해하지 못하는 게 문제
---내생각---
강인공지능의 시대가 쉽게올까?
자율주행의 시대가 쉽게올까?
만만치 않아보인다
왠지 마음이 편해진다
----책에서 뽑은 구절 소개----
따라서 머신러닝은 다음 조건이 충족될 때 기본적으로 성공적일 수 있다.
1) 양질의 방대한 트레이닝 데이터가(인풋) 있을 때
2) 측정가능한 실측자료, 즉 예측할 수 있는 것이(아웃풋) 있을 때
3) 인풋과 예측할 수 있는 아웃풋 사이에 인과관계가 있을 때
머신러닝 알고리즘이 인간을 능가하는 면은 다음과 같다.
1) 임의의 데이터에서 상관관계를 찾을 수 있다는 점
2) 다양한 상관관계를 찾을 수 있다는 점
3) 약한 상관관계도 통계 모델에 집어넣어 유익을 이끌어낼 수 있다는 점
약한 상관관계밖에 없거나 처음에 어떤 인풋 데이터가 예측할 수 있는 아웃풋에 영향을 미치는지가 불분명할 때는 특히나 방대한 데이터(빅데이터)의 존재가 이런 약한 상관관계를 상쇄시켜줄 수 있다. 그런 점에서 머신러닝으로 해결해야 하는 많은 과제들은 필연적으로 데이터 양의 방대함에 좌우된다.
추가적으로 다음에 해당될 때 머신러닝의 결과는 믿을 만하다.
1) 인풋과 예측되는 아웃풋 사이에 인과관계가 알려져 있어 관계자들이 쉽게 합의할 수 있는 명확한 인풋 데이터가 존재할 때
2) 두 가지 오류 유형(위양성/ 위음성 결정)에 대해 가급적 많은 피드백이 있을 때. 그로써 지속적으로 품질을 측정해 통계 모델을 역동적으로 개선할 수 있다.
3) 모든 관계자들이 쉽게 동의할 수 있는 명확한 품질 척도가 있을 때 - < 무자비한 알고리즘, 카타리나 츠바이크 (지은이), 유영미 (옮긴이) > 중에서
- dc official App
댓글 0