[인공지능] 강인공지능과 약인공지능, 인공지능 기술의 방법론적 분류

안녕하세요 소프트웨어 공부하는 레오존입니다.

이번 포스팅에서는 강인공지능과 약인공지능, 인공지능 기술의 방법론적 분류에 대해 알아보도록 하겠습니다.

 

 

강인공지능과 약인공지능

 

  인공지능은 크게 강인공지능과 약인공지능으로 분류할 수 있습니다. 강인공지능(Strong AI)은 인간의 지능을 구현하는 기술 혹은 학문으로 영화 아이언맨에 나오는 자비스가 해당 예시에 들어간다고 볼 수 있습니다. 영화 아이언맨 속 자비스는 지능을 가지고 사람처럼 생각할 수 있는 모습을 보입니다. 이러한 강인공지능은 사람처럼 보일 정도로 사람처럼 생각하는 기계를 만드는 기술이라고 여길 수 있겠습니다. 반면에 약인공지능(Weak AI)은 인간의 지능을 모방하여 특정한 문제를 푸는 기술 또는 학문입니다. 강인공지능처럼 사람과 유사하게 행동할 수 없으나 특정한 분야에서 주어진 문제를 사람처럼 풀 수 있는 기술이죠. 또한, 인간이 아니기 때문에 체력에 한계가 없습니다. 지치지 않고 대용량의 자료를 처리할 수 있는 장점을 갖고 있습니다.

  현재 우리 기술의 수준은 강인공지능까지 도달하진 못하였습니다. 약인공지능과 강인공지능 사이의 간극이 크기 때문에 미래에 강인공지능을 구현할 수 있을지 여부에 대해서도 확실치 않습니다. 아직 약인공지능의 수준에 머물러 있지만, 최근 들어 인공지능의 기술이 급속도로 발전하고 있다는 점을 들어 언젠가 강인공지능에 도달하는 것도 무리는 아니지 않을까 조심스럽게 생각해봅니다.

 

 

 

 

인공지능 기술의 방법론적 분류

 

 

  인공지능 기술을 방법에 따라 크게 세 가지로 나눌 수 있습니다. 바로 지식 기반 방법론, 데이터 기반 방법론, 지식-데이터 융합 방법론인데요. 지식 기반 방법론 -> 데이터 기반 방법론 -> 지식-데이터 융합 방법론 순서로 인공지능 기술의 방법론이 발전되어 왔습니다.

 

 먼저 지식 기반 방법론(Knowledge based approach)은 지식을 기반으로 데이터가 들어오면 규칙을 기준으로 추론해 나가는 방법입니다. 위키피디아에선 지식 기반 방법론을 복잡한 문제를 해결하기 위해 지식 베이스를 사용하고 추론하는 컴퓨터 프로그램이라고 정의하고 있습니다. 말 그대로 지식을 사용하는 것이 지식 기반 방법론인데, 지식 기반 방법론에 속하는 가장 대표적인 인공지능은 전문가 시스템입니다.

 

 데이터 기반 방법론(Data driven approach)은 지식을 주지 않고 데이터를 먼저 수집한 후, 데이터들로부터 논리나 원리를 찾아가는 방법입니다. 데이터 기반 방법론에 속하는 인공지능 분야는 기계학습(machine learning), 확률 기반 의사 결정, 신경회로망 등이 존재합니다.

기계학습(machine learning)은 말 그대로 기계가 데이터들을 보고 스스로 학습을 하는 것입니다.

확률 기반 의사 결정은 데이터들이 주어지면 그 데이터들로부터 확률 모델을 만들어서 확률적인 정보들을 뽑아내는 것입니다.

데이터 기반 방법론 중에서 최근 들어 관심을 많이 받고 있는 분야는 신경회로망입니다. 신경회로망은 기계학습(machine learning)의 한 종류인데, 뇌의 작동원리를 모방하여 데이터를 처리하도록 하는 인공지능 방법입니다. 신경회로망에서 업그레이드된 것이 딥러닝인데, 딥러닝은 인공 신경망등을 사용하여 빅데이터로부터 학습하는 프로그램을 연구하는 것입니다. 딥러닝 또한 많은 관심을 받고 있는 만큼 현재 딥러닝 기술은 어느 정도 무르익어서 실제로 응용할 수 있는 단계에 이르렀다고 합니다.

 

빅데이터가 생성이 되면서 데이터 양이 엄청나게 많아지니 그 데이터들 중에서 학습을 해서 가장 유용한 정보를 추출해 내는 방법이 각광을 받고 있습니다.그중 하나의 방법은 데이터 마이닝이라는 것인데, 데이터 마이닝이란 마치 금광에서 금을 찾듯이 데이터들로부터 유용한 데이터를 캐내는 것입니다. 데이터 마이닝의 접근법 중 하나로 기계학습을 사용하게 됩니다. 후에 데이터 마이닝에 대한 포스팅을 작성하도록 하겠습니다.

 

 초반에 인공지능의 성능들에 비해서 딥러닝을 사용하면서 인공지능의 성능이 크게 향상이 되었으나 데이터만을 이용하는 것엔 한계가 있다는 것을 알게 되었습니다. 또한 지식만을 이용해 인공지능을 개발하는 것에도 한계가 있었습니다. 이에 따라 지식 기반 방법론과 데이터 기반 방법론이 결합한 지식-데이터 융합 방법론이라는 것이 만들어졌는데요. 지식 기반 방법론의 단점을 보완하고 데이터 기반 방법론의 단점을 보완할 수 있는 방법이 지식-데이터 방법론입니다. 하지만 아직 큰 성과는 존재하지 않습니다. 최근 몇 년 사이에 관심이 크게 증가하고 있기 때문에 더 발전이 될 것이라 예측하는 학자들이 많습니다.

 지식-데이터 융합 방법론에는 뉴로-심볼릭 AI(Neural-Symbolic AI)와 XAI(eXplainable AI)라는 방법이 존재합니다.

 뉴로-심볼릭 AI(Neural-Symbolic AI)에서 Neural(신경)은 딥러닝에 해당되고, Symbolic은 지식 기반 방법에 해당됩니다.

 뉴로-심볼릭 AI(Neural-Symbolic AI)는 지식을 바탕으로 추론을 하고, 추론된 결과가 또 하나의 데이터가 되어 해당 데이터가 반영이 되는 돌고 돌며 업데이트가 일어나는 방법입니다.

 XAI(eXplainable AI)는 설명할 수 있는 AI로 딥러닝이 갖고 있는 단점을 보완하기 위한 AI라고 할 수 있습니다. 딥러닝은 데이터를 주고 내린 결정으로, 열 문제 중 아홉 문제는 맞힐 수 있지만 하나의 문제는 틀릴 수 있습니다. 이러한 오류를 줄이기 위해서 틀린 한 문제가 왜 틀렸는지 이유를 알아야 하는데 딥러닝은 풀이과정을 설명해주지 않기 때문에 어느 부분을 건드려야 틀린 부분을 해결할 수 있을지 알 수 없습니다. 따라서 설명할 수 있는 딥러닝이 나오면 좋겠고 지식 기반 방법론에 입각하여 설명할 수 있었으면 좋겠다는 생각으로 나온 인공지능이 XAI라는 설명할 수 있는 인공지능인 것입니다.  

 

너무 많은 용어들이 쏟아져 나오니 어떤 방법이 어디에 속하는지 헷갈릴 수 있는데, 간단히 정리해 보자면 크게는 인지과학(Cognitive science)이라는 학문 분야에 인공지능이 속해있고, 인공지능 안에 기계학습이, 기계학습 안에 딥러닝이 포함되어 있습니다. 아래의 그림을 참고해 주세요.

 

 

 

지금까지 강인공지능, 약인공지능과 인공지능 기술의 방법론에 대해 알아보았습니다.

긴 글 읽어주셔서 감사합니다.