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.
솔웅

최근에 받은 트랙백

글 보관함

calendar

    1 2 3 4 5
6 7 8 9 10 11 12
13 14 15 16 17 18 19
20 21 22 23 24 25 26
27 28 29 30 31    

'2018/05'에 해당되는 글 2

  1. 2018.05.28 Elements of AI - II.Related fields
  2. 2018.05.26 Elements of AI : How should we define AI? (2)

Elements of AI - II.Related fields

2018.05.28 19:27 | 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.




Note

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.)









Elements of AI : How should we define AI?

2018.05.26 14:02 | Posted by 솔웅


Elements of AI




I.How should we define AI?


AI를 어떻게 정의 할까?



In our very first section, we'll become familiar with the concept of AI by looking into its definition and some examples.


첫번째 단원에서는 AI에 대한 정의를 하고 몇개의 예를 살펴 봄으로서 AI의 개념에 대해 친숙해 지도록 할 것입니다.



As you have probably noticed, AI is currently a "hot topic": media coverage and public discussion about AI is almost impossible to avoid. However, you may also have noticed that AI means different things to different people. For some, AI is about artificial life-forms that can surpass human intelligence, and for others, almost any data processing technology can be called AI.



주지 하시는 바와 같이, AI는 현재 "hot topic" 입니다. AI에 대한 대중 매체 노출과 대중들 사이에서의 논의는 이제 피할 수 없습니다. 그런데 여러분도 느끼셨겠지만 이 AI에 대한 의미는 사람들마다. 다른 것들로 정의되기도 합니다. 예를 들어 AI는 인간의 지능을 초월할 수 있는 인공 생명체에 관한 것이라고 하기도 하고 또 다른 사람들은 데이터를 처리하는 거의 모든 기술들은 다 AI라고 할 수 있다라고 정의 하기도 합니다.



To set the scene, so to speak, we'll discuss what AI is, how it can be defined, and what other fields or technologies are closely related. Before we do so, however, we'll highlight three applications of AI that illustrate different aspects of AI. We'll return to each of them throughout the course, to deepen our understanding.



이 부분을 좀 더 확실하게 하기 위하 우리는 AI가 무엇인지, 어떻게 정의 될 수 있는지 그리고 AI와 가깝게 연관되어 있는 다른 분야와 기술들은 어떠한 것들이 있는지에 대해 논의 하려고 합니다. 그러기 전에 우선 3개의 AI 어플리케이션에 대해 살펴 볼 것입니다. 이것들은 각각 AI의 다른 면들을 보여주고 있습니다. 이 코스를 통해 각각의 어플리케이션에 대해 알아보면서 좀 더 깊은 이해를 가질 수 있도록 하겠습니다.



Application 1. Self-driving cars



Self-driving cars require a combination of AI techniques of many kinds: search and planning to find the most convenient route from A to B, computer vision to identify obstacles, and decision making under uncertainty to cope with the complex and dynamic environment. Each of these must work with almost flawless precision in order to avoid accidents.



자동주행차는 많은 AI 기술과의 콤비네이션을 요구합니다. 출발점에서 도착점까지 가장 좋은 경로를 찾기 위해 검색하고 계획하는 일, 사물을 분별하기 위한 컴퓨터의 시각 그리고 복잡하고 역동적인 환경에 대처하기 위한 불확실성 하에서의 의사 결정 등등을 예로 들 수 있다. 이들 각각은 사고를 피하기 위해 거의 완벽한 정밀도로 작동해야합니다.




The same technologies are also used in other autonomous systems such as delivery robots, flying drones, and autonomous ships.



동일한 기술은 배달 로봇, 비행 무인 항공기 및 자율 배송과 같은 다른 자율 시스템에서도 사용됩니다.



Implications: road safety should eventually improve as the reliability of the systems surpasses human level. The efficiency of logistics chains when moving goods should improve. Humans move into a supervisory role, keeping an eye on what’s going on while machines take care of the driving. Since transportation is such a crucial element in our daily life, it is likely that there are also some implications that we haven't even thought about yet.



Implications : 시스템의 신뢰성이 인간 수준을 초과하면 도로의 안정성은 결국 향상 될 것입니다. 상품 이동시 물류 체인의 효율성도 향상됩니다. 인간이 감독 역할로 옮겨 가면서 기계가 운전을 돌보는 동안 진행되고있는 다른 일들에 주목하게 됩니다. 운송은 일상 생활에서 중요한 요소이기 때문에 우리가 아직 생각조차하지 못했던 몇 가지 함의가있을 수 있습니다.









Application 2. Content recommendation

A lot of the information that we encounter in the course of a typical day is personalized. Examples include Facebook, Twitter, Instagram, and other social media content; online advertisements; music recommendations on Spotify; movie recommendations on Netflix, HBO, and other streaming services. Many online publishers such as newspapers’ and broadcasting companies’ websites as well as search engines such as Google also personalize the content they offer.


우리가 전형적인 하루의 과정에서 만나는 많은 정보는 개인화되어 있습니다. Facebook, Twitter, Instagram 및 기타 소셜 미디어 콘텐츠를 예로들 수 있습니다. 온라인 광고; Spotify에 대한 음악 추천; Netflix, HBO 및 기타 스트리밍 서비스에 대한 영화 추천. Google과 같은 검색 엔진은 물론 신문사 및 방송사 웹 사이트와 같은 많은 온라인 게시자도 자신이 제공하는 콘텐츠를 맞춤 설정합니다.



While the frontpage of the printed version of the New York Times or China Daily is the same for all readers, the frontpage of the online version is different for each user. The algorithms that determine the content that you see are based on AI.



New York Times 또는 China Daily의 인쇄본의 앞 페이지는 모든 독자가 동일하지만, 온라인 버전의 앞 페이지는 각 사용자마다 다릅니다. 보는 내용을 결정하는 알고리즘은 AI를 기반으로합니다.



Implications: While many companies don’t want to reveal the details of their algorithms, being aware of the basic principles helps you understand the potential implications: these involve so called filter bubbles, echo-chambers, troll factories, fake news, and new forms of propaganda.



Implications : 많은 회사들이 알고리즘의 세부 사항을 공개하고 싶어하지는 않지만 기본 원칙을 알고 있으면 잠재적인 의미를 이해하는 데 도움이됩니다. 이런 것들은 filter bubbles, echo-chambers, troll factories, fake news 및 새로운 형식의 propaganda 라고 불리는 것들도 포함합니다.





Application 3. Image and video processing



Face recognition is already a commodity used in many customer, business, and government applications such as organizing your photos according to people, automatic tagging on social media, and passport control. Similar techniques can be used to recognize other cars and obstacles around an autonomous car, or to estimate wild-life populations, just to name a few examples.



얼굴 인식은 이미 많은 분야에서 상품화 돼 소비자나 기업 그리고 정부 기관의 어플리케이션에서 사용되고 있습니다. 예를 들어 사람에 따라 사진 구성하기, 소셜 미디어의 자동으로 태깅하기 그리고 여권 관리 등이 있습니다. 유사한 기술을 사용하여 자율 차량 주변의 다른 자동차와 장애물을 인식하거나 야생 동물의 인구 등을 추정 하기도 합니다. 몇가지 예를 들어 봤습니다.



AI can also be used to generate or alter visual content. Examples already in use today include style transfer, by which you can adapt your personal photos to look like they were painted by Vincent van Gogh, and computer generated characters in motion pictures such as Avatarthe Lord of the Rings, and popular Pixar animations where the animated characters replicate gestures made by real human actors.



AI는 또한 시각적 내용을 생성하거나 변경하는 데 사용될 수 있습니다. 이미 사용중인 예에는 개인 사진을 Vincent van Gogh가 그린 것처럼 보이게하는 스타일 전송과 Avatar, Lord of the Rings 및 Pixar 인기 애니메이션과 같은 동영상 사진의 컴퓨터 생성 문자가 있습니다. 움직이는 캐릭터는 실제 인간 배우가 만든 제스처를 복제합니다.



it will be easy to create natural looking fake videos of events that are impossible to distinguish from real footage. This challenges the notion that “seeing is believing”.



Implications: 시사점 : 이러한 기술이 발전하고 널리 보급되면 실제 영상과 구분할 수 없는 자연스러운 가짜 동영상을 만들 수 있습니다. 이것은 "보는 것이 믿는 것"이라는 개념에 도전합니다.



What is, and what isn't AI? Not an easy question!



The popularity of AI in the media is in part due to the fact that people have started using the term when they refer to things that used to be called by other names. You can see almost anything from statistics and business analytics to manually encoded if-then rules called AI. Why is this so? Why is the public perception of AI so nebulous? Let’s look at a few reasons.



대중매체에서의 AI의 인기는 다른 이름으로 불리면서 사용되었던 것들을 그 이름으로 부르기 시작하면서 인기를 끌기 시작한 부분도 있습니다. 통계나 if-then 구문으로 수동으로 코딩된 비지니스 분석 등까지 거의 모든 것들이 AI로 불립니다. 왜 그럴까요? 왜 이렇게 AI에 대한 대중들의 인식이 불분명 할까요? 몇가지 이유들을 한번 살펴 봅시다.




Reason 1: no officially agreed definition



Even AI researchers have no exact definition of AI. The field is rather being constantly redefined when some topics are classified as non-AI, and new topics emerge. 



인공 지능 연구원에게 조차도 인공 지능에 대한 정확한 정의가 없습니다. 어떤 주제가 인공지능이 아닌 것으로 분류되면서 새로운 주제가 등장하고 할 때마다 이 분야는 지속적으로 재 정의 되고 있습니다.



There´s an old (geeky) joke that AI is defined as “cool things that computers can't do.” The irony is that under this definition, AI can never make any progress: as soon as we find a way to do something cool with a computer, it stops being an AI problem. However, there is an element of truth in this definition. Fifty years ago, for instance, automatic methods for search and planning were considered to belong to the domain of AI. Nowadays such methods are taught to every computer science student. Similarly, certain methods for processing uncertain information are becoming so well understood that they are likely to be moved from AI to statistics or probability very soon.



AI는 "컴퓨터가 할 수없는 멋진 일"이라고 정의 된 오래된 (괴상한) 농담이 있습니다. 이 정의를 받아들이면 생기는 아이러니는  AI에는 어떠한 발전도 있을 수 없다는 것입니다. 우리가 컴퓨터로 뭔가를 할 수 있는 근사한 방법을 찾아내면 그것은 더이상 AI가 아닌게 되기 때문이지요. 그러나 이 정의에는 진리의 요소가있습니다. 예를 들어 50 년 전, 검색 및 계획을 위한 자동화된 방법은 AI의 영역에 속하는 것으로 간주되었습니다. 요즘 이러한 방법은 모든 컴퓨터 과학 전공 학생들에게 가르쳐 집니다. 마찬가지로, 불확실한 정보를 처리하는 특정 방법은 매우 잘 이해되어져 AI에서 통계 또는 확률쪽으로 곧 옮겨 갈 가능성이 높습니다.





Reason 2: the legacy of science fiction



The confusion about the meaning of AI is made worse by the visions of AI present in various literary and cinematic works of science fiction. Science fiction stories often feature friendly humanoid servants that provide overly-detailed factoids or witty dialogue, but can sometimes follow the steps of Pinocchio and start to wonder if they can become human. Another class of humanoid beings in sci-fi espouse sinister motives and turn against their masters in the vein of old tales of sorcerers' apprentices, going back to the Golem of Prague and beyond. 



인공 지능의 의미에 대한 혼란은 다양한 공상 과학 소설과 영화에서 제공되는 인공지능에 대한 다양한 시각에 의해 더 심해집니다. 공상 과학 소설은 종종 지나치게 세세한 서비스나 재치있는 대화를 제공하는 친절한 휴머노이드를 그리면서 피노키오 동화 처럼 그 휴머노이드들이 인간이 될 수 있는지 여부에 대해 궁금해 하기 시작합니다. 공상 과학 소설 속의 휴머노이드 존재들의 또 다른 부류는 마법사의 제자를 다루는 옛날 이야기처럼 그 스승에 대항하는 불길한 모티브를 불러 일으켜 결국 프라하의 골렘 (영혼없는 진흙 거인 이야기) 처럼 이야기가 흘러갑니다.    

 



Often the robothood of such creatures is only a thin veneer on top of a very humanlike agent, which is understandable as most fiction – even science fiction – needs to be relatable by human readers who would otherwise be alienated by intelligence that is too different and strange. Most science fiction is thus best read as metaphor for the current human condition, and robots could be seen as stand-ins for repressed sections of society, or perhaps our search for the meaning of life.



종종 그러한 같은 창조물들은 아주 인간을 닮은 존재로 소설 (혹은 공상과학소설)스럽게 그려집니다. 인간 독자들에게 읽히기 쉽도록요. 그렇지 않으면 너무 다르고 이상하게 인식되는 외계종으로 그려질테니까요. 대부분의 공상 과학 소설은 현재의 인간 상태에 대한 은유이며, 로봇은 사회의 억압 된 부분에 대한 서막이나 삶의 의미에 대한 탐색을 표현하기 위한 존재로서 표현될 수 있습니다.





Reason 3: what seems easy is actually hard…



Another source of difficulty in understanding AI is that it is hard to know which tasks are easy and which ones are hard. Look around and pick up an object in your hand, then think about what you did: you used your eyes to scan your surroundings, figured out where are some suitable objects for picking up, chose one of them and planned a trajectory for your hand to reach that one, then moved your hand by contracting various muscles in sequence and managed to squeeze the object with just the right amount of force to keep it between your fingers. 



AI를 이해하는 데 어려움을 겪는 또 다른 원인은 어떤 작업이 쉽고 어떤 작업이 어려운지를 아는 것이 어렵다는 것입니다. 주위를 둘러보고 손에있는 물건을 집어 들고 무엇을했는지 생각해보십시오. 주변을 스캔하기 위해 눈을 사용하고, 물건을 가져 오는 데 적합한 대상이 어디인지 알아 내고, 그 중 하나를 선택하고 손으로 궤적을 계획했습니다. 그 손에 닿은 다음 여러 근육을 차례로 수축시켜 손을 움직 였고 손가락 사이에 힘을 가하는 적당한 힘으로 대상을 쥐었.



It can be hard to appreciate how complicated all this is, but sometimes it becomes visible when something goes wrong: the object you pick is much heavier or lighter than you expected, or someone else opens a door just as you are reaching for the handle, and then you can find yourself seriously out of balance. Usually this kind of tasks feel effortless, but that feeling belies millions of years of evolution and several years of childhood practice. 



이 모든 것이 얼마나 복잡한 지 알기는 어려울 수 있지만 어떤 문제가 발생하게 되면 그 문제는 제대로 보입니다. : 집어 든 물건이 예상보다 훨씬 무겁거나 가벼울 수 있습니다. 혹은 여러분이 문 손잡이를 잡으려는 순간 다른 사람이 문을 열어 버릴 수도 있습니다. 그러면 여러분은 균형을 잃게 될 수도 있겠죠. 보통 이런 종류의 일은 별 어려움 없이 느끼고 반응하게 됩니다. 하지만 그 느낌은 수백만년 동안의 시행착오와 어린 시절 수년간에 걸친 경험을 통해서 형성된 것입니다.  



While easy for you, grasping objects by a robot is extremely hard, and it is an area of active study. Recent examples include Google's robotic grasping project, and a cauliflower picking robot.



여러분들에게는 쉬운일이지만, 로봇에게 물건을 쥔다는 것은 아주 많이 어려운 일입니다. 그것은 아주 많이 공부를 해야 되는 부분이죠. 최근에 구글에서 물건을 쥐는 로봇 프로젝트나 컬리플라우어를 쥐는 로봇 프로젝트 같은 것들이 있었습니다.




…and what seems hard is actually easy



By contrast, the tasks of playing chess and solving mathematical exercises can seem to be very difficult, requiring years of practice to master and involving our “higher faculties” and concentrated conscious thought. No wonder that some initial AI research concentrated on this kind of tasks, and it may have seemed at the time that this kind of tasks are the essence of intelligence. 



반면에, 체스를 두고 수학적 문제를 해결하는 일등은 매우 어려워 보일 수 있습니다. 이를 마스터하기 위해서는 몇년동안의 학습이 필요하지요. 좋은 스승과 많은 집중을 필요로 하는 과정입니다. 초기 인공 지능 연구가 이런 종류의 일에 집중되어 있다는 것은 놀랄 일이 아니며, 그때는 이런 종류의 일이 지능의 본질이라고 당시에는 생각했을 수도 있습니다.



It has since turned out that playing chess is very well suited to computers, which can follow fairly simple rules and compute many alternative move sequences at a rate of billions of computations a second. Computers beat the reigning human world champion in chess in the famous Deep Blue vs Kasparov matches in 1997. Could you have imagined that the harder problem turned out to be grabbing the pieces and moving them on the board without knocking it over! We will study the techniques that are used in playing games like chess or tic-tac-toe in Chapter 2. 



이후 체스 게임은 컴퓨터에 매우 알맞는 작업이라는 것이 밝혀졌습니다. 컴퓨터는 매우 간단한 규칙을 따르고 수십억 번의 계산 속도로 많은 대체 이동 시퀀스를 계산할 수 있습니다. 컴퓨터는 1997년 유명한 딥 블루 대 카스파 로프 (Kasparov) 대결에서 체스계의 인간 세계 챔피언을 때려 눕혔습니다. 물건을 쥐고 이것을 떨어뜨리지 않고 보드에서 움직여 놓는 일이 체스를 어디에 둘 지 생각하는 것 보다 훨씬 더 어려운 일이라는 것을 상상해 보신 적이 있으십니까! 2 장에서 체스 나 tic-tac-toe와 같은 게임을 할 때 사용되는 기술을 공부할 것입니다.



Similarly, while in-depth mastery of mathematics requires (what seems like) human intuition and ingenuity, many (but not all) exercises of a typical high-school or college course can be solved by applying a calculator and simple set of rules..



마찬가지로, 수학에 대한 깊이있는 숙달이 인간의 직관력과 창의력을 필요로하는 반면, 일반적인 고등학교 또는 대학 과정의 많은 (그러나 전부는 아님) 연습은 계산기와 간단한 규칙 집합을 적용하여 해결할 수 있습니다.





So what would be a more useful definition?



An attempt at a definition more useful than the “what computers can't do yet” joke would be to list properties that are characteristic to AI, in this case autonomy and adaptivity.



"컴퓨터가 아직 할 수 없는 것"이라는 농담 섞인 정의보다 더 유용한 정의를 내리기 위해서는 인공 지능의 특징적 속성 (이 경우에는 autonomy와 adaptivity)을 나열하는 것입니다.




Key terminology

Autonomy

The ability to perform tasks in complex environments without constant guidance by a user.


유저에 의한 지속적인 가이드 없이 복잡한 환경에서 작업을 수행 할 수있는 기능.

Adaptivity

The ability to improve performance by learning from experience.


경험을 통해 학습함으로써 퍼포먼스를 향상시킬 수있는 능력.




Words can be misleading



When defining and talking about AI we have to be cautious as many of the words that we use can be quite misleading. Common examples are learning, understanding, and intelligence.



인공 지능을 정의하고 말할 때 우리가 사용하는 많은 단어가 오해의 소지가 있으므로 주의해야합니다. 일반적인 예는 학습, 이해 및 지능입니다.



You may well say, for example, that a system is intelligent, perhaps because it delivers accurate navigation instructions or detects signs of melanoma in photographs of skin lesions. When we hear something like this, the word "intelligent" easily suggests that the system is capable of performing any task that an intelligent person would be able to perform: going to the grocery store and cooking dinner, washing and folding laundry, and so on.



예를 들어 시스템이 지능적이라고 말하는 것은 아마도 네비게이션에서 정확하고 적절한 경로를 제공하거나 피부 사진을 보고 흑색종이라는 병의 징후를 감지하는 기능이 있다라는 것일겁니다. 우리가 이런 식으로 말 할 때, "지적 intelligent"라는 말은 지능 있는 사람이 수행 할 수있는 작업을 수행 할 수 있음을 얘기합니다. 그러면 식료품 점에 가고 저녁 식사를 요리하고, 세탁물을 빨고 또 세탁후 세탁물을 접는 등의 일도 포함 되어야 합니다.



Likewise, when we say that a computer vision system understands images because it is able to segment an image into distinct objects such as other cars, pedestrians, buildings, the road, and so on, the word "understand" easily suggest that the system also understands that even if a person is wearing a t-shirt that has a photo of a road printed on it, it is not okay to drive on that road (and over the person).



마찬가지로, 컴퓨터 비전 시스템이 이미지를 자동차, 보행자, 건물, 도로 등과 같은 별개의 객체로 분할 할 수 있기 때문에 이미지를 이해한다고 말하면 이 "이해 understand"라는 단어는 시스템이 사람이 도로의 사진이 인쇄 된 티셔츠를 입은 경우에 그 길을 (그리고 그 사람을 깔아 뭉개면서) 운전하는 것은 옳지 않다는 것도 이해해야 한다는 것을 의미합니다.




In both of the above cases, we'd be wrong.



위 두가지 예에서 든 결론은 틀렸습니다. 앞부분에 나열된 일들을 할 수 있다고 뒷부분의 일들까지 시스템이 할 수 있는 것은 아닙니다.




Note

Watch out for ‘suitcase words’

Marvin Minsky, a cognitive scientist and one of the greatest pioneers in AI, coined the term suitcase word for terms that carry a whole bunch of different meanings that come along even if we intend only one of them. Using such terms increases the risk of misinterpretations such as the ones above.


인지 과학자이자 인공 지능에서 가장 위대한 개척자 중 한 명인 Marvin Minsky는 여러 다른 의미로 사용되어지는 용어들에 대한 용어 모음집 term suitcase을 정의했습니다. 설사 우리가 그 중의 하나만을 의도해도 그 용어는 여러 다른 의미로 해석될 수 있습니다. 이러한 용어를 사용하면 위와 같은 오역의 위험이 증가합니다.





It is important to realize that intelligence is not a single dimension like temperature. You can compare today's temperature to yesterday's, or the temperature in Helsinki to that in Rome, and tell which one is higher and which is lower. We even have a tendency to think that it is possible to rank people with respect to their intelligence – that's what the intelligence quotient (IQ) is supposed to do. However, in the context of AI, it is obvious that different AI systems cannot be compared on a single axis or dimension in terms of their intelligence. Is a chess-playing algorithm more intelligent than a spam filter, or is a music recommendation system more intelligent than a self-driving car? These questions make no sense. This is because artificial intelligence is narrow (we'll return to the meaning of narrow AI at the end of this Chapter): being able to solve one problem tells us nothing about the ability of solve another, different problem.



지능은 기온과 같은 단일 차원이 아니라는 것을 인식하는 것이 중요합니다. 어제와 오늘의 온도를 비교하거나 헬싱키의 온도를 로마의 온도와 비교하면 어느 것이 더 높고 어느 것이 더 낮은지를 말할 수 있습니다. 우리는 심지어 지능 지수 (IQ)라는 것으로 사람들의 지능과 관련하여 순위를 매길 수 있다고 생각하는 경향이 있습니다. 그러나 AI의 맥락에서 볼 때, 다른 AI 시스템은 지능 측면에서 단일 축 또는 차원에서 비교 될 수 없다는 것은 명백합니다. 체스 재생 알고리즘이 스팸 필터보다 지능적입니까, 아니면 자율 주행 자동차보다 음악 추천 시스템이 더 지능적인 시스템입니까? 이 질문은 말이되지 않습니다. 이것은 인공 지능은 narrow 이기 때문입니다 (우리는 이 장의 끝 부분에있는 좁은 인공 지능의 의미로 돌아갈 것입니다). 하나의 문제를 해결할 수 있다고 해서 다른 문제도 해결 할 것이라는 것은 성립되지 않습니다.



Why you can say "a pinch of AI" but not "an AI"



The classification into AI vs non-AI is not a clear yes–no dichotomy: while some methods are clearly AI and other are clearly not AI, there are also methods that involve a pinch of AI, like a pinch of salt. Thus it would sometimes be more appropriate to talk about the "AIness" (as in happiness or awesomeness) rather than arguing whether something is AI or not.



AI 대 non-AI 로의 분류는 명백하게 나눌 수 있는 yes–no 이분법이 아닙니다. 일부는 분명히 AI이고 다른 것은 분명히 AI가 아닌 것이 있습니다. 또한 찔끔 (일종의) AI 인 것도 있을 수 있겠죠. 그러므로 무엇이 AI인지 아닌지를 논하는 것보다 행복이나 awesomeness 처럼 "AIness"에 대해 이야기하는 것이 때때로 더 적절할 것입니다.



Note

“AI” is not a countable noun

When discussing AI, we would like to discourage the use of AI as a countable noun: one AI, two AIs, and so on. AI is a scientific discipline, like mathematics or biology. This means that AI is a collection of concepts, problems, and methods for solving them.


인공 지능에 관해 논의 할 때 AI가 셀 수 있는 (가용) 명사인가 같은 약간 흥미를 떨어뜨리는 얘기를 할 수 있습니다. 인공 지능은 수학이나 생물학과 같은 과학 분야입니다. 즉 이 의미는 AI는 개념, 문제 및 문제 해결 방법의 집합이라는 것입니다..

Because AI is a discipline, you shouldn't say “an AI“, just like we don't say “a biology“. This point should also be quite clear when you try saying something like “we need more artificial intelligences.“ That just sounds wrong, doesn't it? (It does to us.)


AI는 어떤 규율이기 때문에 "an AI"라고 말하면 안됩니다. 우리가 “a biology“라고 말하지 않는 것 처럼요. 이 점은 "우리는 더 많은 인공 지능이 필요합니다"라고 말하려고 할 때도 분명해야합니다. 잘 못 된 문장처럼 들리지 않나요? (우리에게는 그렇습니다.)





Despite our discouragement, the use of AI as a countable noun is common. Take for instance, the headline Data from wearables helped teach an AI to spot signs of diabetes, which is otherwise a pretty good headline since it emphasizes the importance of data and makes it clear that the system can only detect signs of diabetes rather than making diagnoses and treatment decisions. And you should definitely never ever say anything like Google’s artificial intelligence built an AI that outperforms any made by humans, which is one of the all-time most misleading AI headlines we've ever seen (note that the headline is not by Google Research).



우리의 낙담에도 불구하고, AI를 셀 수있는 명사로 사용하는 것이 일반적입니다. 예를 들어 '웨어러블 용품을 통해 수집되는 Data로 AI를 학습시켜 당뇨병의 징후를 발견하도록 할 수 있습니다'라는 헤드라인이 있습니다. 이것은 데이터의 중요성을 강조하고 이 시스템이 당뇨병을 진단하거나 치료하는 결정을 하는 것이 아니라 단지 징후를 포착한다는 것을 분명히 하기 때문에 좋은 헤드라인 입니다. 하지만 '구글이 인간에 의해 말들어진 그 어떤 것보다 더 뛰어난 인공지능을 만들었다' 와 같이 그 어떤 AI headlines 보다도 오도된 정보를 주는 헤드라인을 절대로 말들어서는 안됩니다.



The use of AI as a countable noun is of course not a big deal if what is being said otherwise makes sense, but if you'd like to talk like a pro, avoid saying "an AI", and instead say "an AI method".



AI를 셀 수 있는 명사로 사용하는 것은 그렇게 큰 문제점이 있는 것은 아닙니다. 하지만 프로처럼 말하고 싶다면 "an AI"라고 말하지 말고 "an AI method"이라고 말하는게 좋을 것입니다. ".




Exercise 1: Is this AI or not?

Which of the following are AI and which are not. Choose yes, no, or “kind of” where kind of means that it both can be or can't be, depending on the viewpoint.



Spreadsheet that calculates sums and other pre-defined functions on given dataSpreadsheet that calculates sums and other pre-defined functions on given data



Predicting the stock market by fitting a curve to past data about stock prices



A GPS navigation system for finding the fastest route



A music recommendation system such as Spotify that suggests music based on the user's listening behavior



Big data storage solutions that can store huge amounts of data (such as images or video) and stream them to many users at the same time



Image filters in applications such as Photoshop



Style transfer filters in applications such as Prisma that take a photo and transform it into different art styles (impressionist, cubist, ...)






이전 1 다음