블로그 이미지
개발자로서 현장에서 일하면서 새로 접하는 기술들이나 알게된 정보 등을 정리하기 위한 블로그입니다. 운 좋게 미국에서 큰 회사들의 프로젝트에서 컬설턴트로 일하고 있어서 새로운 기술들을 접할 기회가 많이 있습니다. 미국의 IT 프로젝트에서 사용되는 툴들에 대해 많은 분들과 정보를 공유하고 싶습니다.

최근에 받은 트랙백

글 보관함

Elements of AI - II.Related fields

2018. 5. 28. 16:27 | Posted by 솔웅

Elements of AI

II.Related fields

In addition to AI, there are several other closely related topics that are good to know at least by name. These include machine learning, data science, and deep learning.

AI 외에도 적어도 이름만 들으면 알만한 다른 밀접히 관련된 분야들이 있습니다. 머신러닝, 데이터 과학 및 딥러닝 등이 그것입니다.

Machine learning can be said to be a subfield of AI, which itself is a subfield of computer science. (Such categories are often somewhat imprecise and some parts of machine learning could be equally well or better belong to statistics.) Machine learning enables AI solutions that are adaptive. A concise definition can be given as follows:

머신러닝은 컴퓨터 과학의 한 분야인 AI의 한 분야라고 할 수 있습니다. (이러한 범주는 아주 정확한 것은 아니며 기계 학습의 일부분 이면서 통계의 일 부분일 수도 있습니다.) 머신러닝은 적응력이있는 인공 지능 솔루션을 가능하게합니다. 간결한 정의는 다음과 같이 할 수 있습니다.

Key terminology

Machine learning

Systems that improve their performance in a given task with more and more experience or data.

주어진 임무를 좀 더 많은 경험과 데이터에 기반해 성능을 향상시키는 시스템

Deep learning is a subfield of machine learning, which itself is a subfield of AI, which itself is a subfield of computer science. We will meet deep learning in some more detail in Chapter 5, but for now let us just note that the “depth” of deep learning refers to the complexity of a mathematical model, and that the increased computing power of modern computers has allowed researchers to increase this complexity to reach levels that appear not only quantitatively but also qualitatively different from before. (As you notice, science often involves a number of progressively more special subfields, subfields of subfields, and so on. This enables researchers to zoom into a particular topic so that it is possible to catch up with the ever increasing amount of knowledge accrued over the years, and produce new knowledge on the topic — or sometimes, correct earlier knowledge to be more accurate.)

딥러닝은 머신러닝에 속해 있는 분야입니다. 머신러닝은 AI에 속해 있는 분야이고 AI는 컴퓨터 과학에 속해 있는 분야입니다. 우리는 챕터 5에서 딥 러닝에 대해 좀 더 자세히 알아 볼 것이다. 일단 딥러닝의 “depth”는 수학적 모델의 복잡함을 말하는 것이라는 것만 알아 두자. 그리고 현대 컴퓨터들의 컴퓨팅 능력의 향상은 연구자들에게 그 이전과는 차원이 다른 양적인 것 뿐만이 아닌 질적으로도 좀 더 높은 복잡성을 연구 할 수 있도록 만들어 줍니다. (주지하시다 시피 과학은 급진적으로 특별한 하위분야의 하위분야의 하위분야를 점 점 더 포함합니다. 즉 연구자들이 아주 특정한 주제에 촛점을 맞춰 자세하게 연구할 수 있도록 말이죠. 이렇게 함으로서 해가 갈수록 지식의 양이 점점 더 많이 증가하게 됩니다. 그리고 해당 주제에 대한 새로운 지식들은 생성하게 되구요. 때로는 이전의 지식을 좀 더 정확하게 설명하기도 하구요.)  

Data science is a recent umbrella term (term that covers several subdisciplines) that includes machine learning and statistics, certain aspects of computer science including algorithms, data storage, and web application development. Data science is also a practical discipline that requires understanding of the domain in which it is applied in, for example, business or science: its purpose (what "added value" means), basic assumptions, and constraints. Data science solutions often involve at least a pinch of AI (but usually not as much as one would expect from the headlines).

데이터 과학은 최근에 나온 umbrella term 입니다. (여러 하위 분야를 가지고 있는 term). 여기에는 머신러닝과 통계 그리고 알고리즘, 데이터 스토리지 그리고 웹 어플리케이션 개발과 같은 컴퓨터 과학의 특정 분야가 포함됩니다. 데이터 과학은 또한 그것이 속해 있는 도메인에 대한 이해가 요구되는 특정 discipline 입니다. 예를 들어 비지니스나 사이언스 같은 것들요. 이것의 목적은 (what "added value" means) basic assumptions 과 제약조건입니다. 데이터 과학 솔루션은 적어도 AI의 일부분을 포함합니다. (하지만 일반적으로 헤드리안에서 기대되는 만큼은 아닙니다.) 

Robotics means building and programming robots so that they can operate in complex, real-world scenarios. In a way, robotics is the ultimate challenge of AI since it requires a combination of virtually all areas of AI. For example:

로보틱스는 로봇을 만들고 프로그래밍 하는 것입니다. 그래서 그 로봇을 복잡하고 현실세계에서의 시나리오에 맞게 작동할 수 있도록 합니다. 어떤면에서 로봇 공학은 AI의 모든 영역을 결합해야하기 때문에 AI의 궁극적 인 도전 과제입니다. 

  • Computer vision and speech recognition for sensing the environment
  • 환경을 감지하기위한 컴퓨터 vision 및 음성 인식
  • Natural language processing, information retrieval, and reasoning under uncertainty for processing instructions and predicting consequences of potential actions
  • 지시를 처리하고 잠재적인 행동의 결과를 예측하기 위한 불확실성 하에서의 자연 언어 처리, 정보 검색 및 추론
  • Cognitive modeling and affective computing for interacting and working together with humans
  • 인간과 상호 작용하고 함께 작업하기위한 인지 모델링 및 정서적 컴퓨팅

Many of the robotics-related AI problems are best approached by machine learning, which makes machine learning a central branch of AI for robotics.

많은 로봇 관련 AI 문제는 머신러닝이 가장 좋은 접근법 입니다. 그렇기 때문에 로보틱스에서는 머신러닝이 AI의 가장 핵심적인 부분입니다.


What is a robot?

In brief, a robot is a machine comprising sensors (which sense the environment) and actuators (which act on the environment) that can be programmed to perform sequences of actions. People used to science-fictional depictions of robots will usually think of humanoid machines walking with an awkward gait and speaking in a metallic monotone. Most real-world robots currently in use look very different as they are designed according to the application. Most applications would not benefit from the robot having human shape, just like we don't have humanoid robots to do our dishwashing but machines in which we place the dishes to be washed by jets of water.

간단히 말해, 로봇은 일련의 동작을 수행하도록 프로그래밍 할 수있는 센서 (환경을 감지하는 센서)와 액추에이터 (환경에서 작동하는 센서)로 구성된 기계입니다. 공상과학 소설의 로봇 묘사에 익숙한 사람들은 보통 인간형 기계를 어색한 보행으로 걷고 금속성 단조로 말하는 기계를 생각할 것입니다. 현재 사용중인 대부분의 실제 로봇은 어플리케이션에 따라 설계되었기 때문에 이와는 상당이 다릅니다. 대부분의 어플리케이션 인간의 모습을 한 로봇을 만들 필요가 없습니다. 예를 들어 식기세척기를 인간의 모습으로 만들 필요가 없듯이요. 식기세척기는 그릇을 넣고 물을 쏘아 닦도록 만들면 됩니다. 

It may not be obvious at first sight, but any kind of vehicles that have at least some level of autonomy and include sensors and actuators are also counted as robotics. On the other hand, only software based solutions such as customer service chatbot, even if they are sometimes called `software robots´ aren´t counted as (real) robotics.

첫눈에 분명하지 않을 수도 있지만 센서와 액추에이터를 포함하는 자율성이 어느 정도있는 차량도 로봇 공학으로 간주됩니다. 반면, 고객 서비스 챠트와 같은 소프트웨어 기반 솔루션은 소프트웨어 로봇이라고 불리기도하지만 (실제) 로봇으로 간주되지 않습니다.

Exercise 2: Taxonomy of AI

A taxonomy is a scheme for classifying many things that may be special cases of one another. We have explained the relationships between a number of disciplines or fields and pointed out, for example, that machine learning is usually considered to be a subfield of AI.

taxonomy는 서로의 특별한 경우 일 수있는 많은 것들을 분류하는 체계입니다. 우리는 여러 분야 또는 분야 간의 관계를 설명했습니다. 예를 들어 머신러닝은 일반적으로 AI의 하위 분야로 간주됩니다.

A convenient way to visualize a taxonomy is an Euler diagram. An Euler diagram (closely related to the more familiar Venn diagrams) consists of shapes that corresponds on concepts, which are organized so that overlap between the shapes corresponds to overlap between the concepts (see for example Wikipedia: Euler Diagram).

분류법을 시각화하는 편리한 방법은 Euler diagram입니다. Euler 다이어그램 (친숙한 Venn 다이어그램과 밀접하게 관련되어 있음)은 컨셉에 해당하는 모양으로 구성되어 있으며 모양 사이의 겹침이 개념 사이의 겹침에 해당하도록 구성되어 있습니다 (예 : Wikipedia : Euler diagram 참조).

Notice that a taxonomy does not need to be strictly hierarchical. A discipline can be a subfield of more than one more general topic: for example, machine learning can also be thought to be a subfield of statistics. In this case, the subfield concept would be placed in the overlap between the more general topics.

분류 체계가 엄격하게 계층적일 필요는 없습니다. 학문 분야는 하나 이상의 주제를 다루는 하위 분야 일 수 있습니다. 예를 들어 머신러닝은 통계의 하위 분야로 생각할 수 있습니다. 이 경우, 서브 필드 개념은 좀 더 일반적인 주제들 사이의 오버랩 하면서 위치 할 것입니다.

Your task: Construct a taxonomy in the Euler diagram example given below showing the relationships between the following things: AI, machine learning, computer science, data science, and deep learning.

과제 : AI, 머신러닝, 컴퓨터 과학, 데이터 과학 및 딥러닝의 관계를 보여주는 아래의 오일러 다이어그램 예제에서 taxonomy를 구성하십시오.

Where would you put AI?

Where would you put machine learning?

Where would you put computer science?

Where would you put data science?

Where would you put deep learning?

Exercise 3: Examples of tasks

Consider the following example tasks. Try to determine which AI-related fields are involved in them. Select all that apply. (Hint: machine learning involves almost always some kind of statistics.)

다음 example tasks를 참조하세요. 어떤 AI 관련 필드가 포함되어 있는지 확인하세요. 해당되는 모든 것들을 고르세요. (힌트 : 기계 학습은 거의 모든 종류의 통계를 포함합니다.)