- 1주 -
수업구조
1. 플립러닝
2. 프리퀴즈(수업 전 퀴즈)
3. 수업
4. 포스트퀴즈(수업 후 퀴즈)
한 학기 동안의 숙제
인공지능의 핵심 = 예측
절대적인 규칙이 있다면 인공지능은 필요 x
인공지능이 필요한 분야 = 애매모호한 부분
인공지능 = 데이터 + 모델
좋은 데이터가 있어야 좋은 모델이 완성 (garbage in garbage out)
전문 지식은 이러한 데이터를 제대로 만들어주기에 중요
----------------------------------------
- 2주 -
eliminational reductionism = 설명할 수 있는 변수를 설정하는 것 (대표적인 속성을 찾아내기)
(인과관계를 알아낼 수 있는 최고의 방법)
지식 = 인과관계를 찾아내는 것 = 설명할 수 있는 변수를 설정하는 것
현대 인공지능 = 수많은 데이터를 가지고 계산하는 것
인공지능
1. 데이터
2. 효용함수
3. 확률/분포
4. 알고리즘
-------------------------------------
- 3주 -
Herbert Simon, 1957
- 지능 = 패턴의 인식으로 정의
현재 인공지능의 성공요인
1. faster computers
2. dominance of statistical approaches, machine learning
3. big data, digital transformation
4. crowdsourcing
인간의 지식 = 인과관계
인공지능 = 상관관계
사람 지식의 특징
1. contextual
2. situational
3. temporal
편향의 발생
1. 데이터
2. 알고리즘
-----------------
- 4주 -
think = solve problem x
인공지능의 4가지 정의
1. thinking humanly - old
2. acting humanly - old
3. thinking rationally - new
4. acting rationally - new
subsymbolic ai vs symbolic ai
1) subsymbolic ai = model intelligence at a level similar to the neuron. let such things as knowledge and planning emerge.
2) symbolic ai = model such things as knowledge and planning in data structures that make sense to the programmers that build them.
현대 인공지능 = 데이터 중심의 인공지능
- bounded rationality, bounded optimality
- 제한된 합리성, 제한된 최적화
- 사람은 절대 모든 속성을 고려 못한다는 것에서 착안
- 조금 제한되더라도 사람이 이해할 수 있는 수준에서 할 수 있는 인공지능이 부각 (설명 못하는 전교 1등 -> 설명 잘 하는 전교 10등)
현대 인공지능의 약점
1. 데이터
- 현상학적 범위
- 일어나지 않은 사건
- 레이블링 로직
- 데이터편향 및 데이터 공정성 문제
2. 알고리즘
- 설명가능성
- 효용함수 정의
- 알고리즘 편향 및 알고리즘 투명성 문제
-----------------
- 5주 -
ai의 2가지
1. 진단 (reasoning)
2. 예측 (predicting)
- 핵심은 속성
학문 = 속성
- 속성을 찾는 것이 가장 중요
simpson's paradox
- 남자/여자에게는 효과가 없지만 사람에게는 효과가 있음?
- 잘못된 속성의 선택이 만들어내는 비극
추론 vs 예측
- 추론은 설명 가능해야 함 (그럴듯한 인과관계), 너무 많은 속성보다는 적은 속성으로
- 예측은 잘 맞춰야하는 것, 예측을 잘 하다보면 새로운 지식을 만들 수 있음
---------------------------
-6주 -
머신러닝/딥러닝 = bottom-up = 데이터로 답을 예측 (인간과 유사한 방식)
trial + error = 인간과 똑같은 방식 사용 (예측이 틀리면 옳은 것으로 수정)
딥러닝의 효용함수
1) mathematical model of neuron
2) perceptron
3) perceptron cannot represent some problems, so to be abandoned
3 features of problem solving
1) original task
2) subgoal decomposition
3) opearator application
3 features of machine learning
1) task = goal
2) experience = data
3) performance = utility function
딥러닝
= 속성을 이용해서 효용함수를 최대화(최소화)하는 문제를 만든 후에 답을 찾는 인공지능
-------------------------------
- 7주 -
ai > machine learning > deep learning
experience
1) 잘한 수행 = 경험 상승 (up-rewards)
2) 못한 수행 = 경험 감소 (down-penalty)
rational = right x
- 효용함수가 잘못되면 옳은 답 x
- 합리적이라고 옳은 것 x
효용함수
- best(optimal)을 찾는 것
- 데이터가 공정하지 않다면 결과도 공정 x
인공지능
= 마이다스의 손?
= 새로운 정의: provably beneficial for humans, 증명 가능한 데이터로 만들어야 하는 인공지능
stuart russell
- optimality
tom griffiths
- bounded optimality
효용함수의 트레이드오프, 효용함수의 약점
1) accuracy
2) fairness
3) privacy
