딥 러닝을 두려워하지 않는 4 가지 이유 (아직) | 벤 딕슨

2012 년 토론토 대학 (University of Toronto)의 한 과학자 그룹이 이미지 분류를 혁신했습니다.

참가자들이 가장 정확한 이미지 분류 알고리즘을 만들기 위해 경쟁하는 연례 인공 지능 (AI) 대회 인 ImageNet에서 토론토 팀은 AlexNet을 데뷔했습니다. "10.8 % 포인트 마진으로 41 % 나 뛰어났습니다." 석영에 따르면 다음 최고입니다.

팀이 사용하는 방법 인 딥 러닝은 AI에 대한 이전의 접근 방식에 비해 근본적으로 개선되었으며 새로운 혁신 시대를 열었습니다. 이후 교육, 의료, 사이버 보안, 보드 게임 및 번역 분야에 진출했으며 실리콘 밸리 투자에서 수십억 달러를 모았습니다.

많은 사람들이 딥 러닝과 그 수퍼 셋, 머신 러닝을 우리 시대의 범용 기술로 꼽았으며 전기 및 화재보다 더 심오했습니다. 그러나 다른 사람들은 딥 러닝이 모든 작업에서 궁극적으로 인간을 최고로 이끌고 궁극적으로 직업 살인자가 될 것이라고 경고합니다. 그리고 딥 러닝으로 구동되는 응용 프로그램 및 서비스의 폭발은 인공 지능 묵시록에 대한 두려움을 재촉했습니다.

그러나 과대 광고에도 불구하고 딥 러닝에는 긍정적이고 부정적인 것 모두의 약속을 실현하지 못하는 몇 가지 결함이 있습니다.

딥 러닝은 데이터에 너무 의존

기본 구조를 구성하는 딥 러닝 및 딥 뉴럴 네트워크는 종종 인간의 뇌와 비교됩니다. 그러나 우리의 마음은 아주 적은 데이터로 개념을 배우고 결정을 내릴 수 있습니다. 딥 러닝은 가장 간단한 작업을 수행하기 위해 수많은 샘플이 필요합니다.

핵심적으로 딥 러닝은 레이블이 지정된 데이터에서 공통 패턴을 찾고 지식을 사용하여 다른 데이터 샘플을 분류하여 입력을 출력에 매핑하는 복잡한 기술입니다. 예를 들어, 딥 러닝 응용 프로그램에 충분한 고양이 사진을 제공하면 사진에 고양이가 포함되어 있는지 여부를 감지 할 수 있습니다. 마찬가지로, 딥 러닝 알고리즘이 다른 단어와 구의 사운드 샘플을 충분히 섭취하면 음성을 인식하고 녹음 할 수 있습니다.

그러나이 방법은 알고리즘을 제공 할 양질의 데이터가 많은 경우에만 효과적입니다. 그렇지 않으면 딥 러닝 알고리즘으로 인해 실수가 발생할 수 있습니다 (헬리콥터의 라이플 라이딩과 같은). 데이터가 포괄적이지 않고 다양 할 때, 딥 러닝 알고리즘은 인종 차별주의와 성 차별적 행동까지 보여주었습니다.

데이터에 의존하면 중앙 집중식 문제가 발생합니다. 방대한 양의 데이터에 액세스 할 수 있기 때문에 Google 및 Amazon과 같은 회사는 리소스가 적은 신생 기업보다 효율적인 딥 러닝 애플리케이션을 개발할 수있는 더 나은 위치에 있습니다. 소수의 회사에서 AI를 중앙 집중화하면 혁신이 저해되고 해당 회사가 사용자를 지나치게 좌우할 수 있습니다.

딥 러닝은 유연하지 않습니다

인간은 추상적 개념을 배우고 다양한 상황에 적용 할 수 있습니다. 우리는 항상 이것을합니다. 예를 들어 Mario Bros와 같은 컴퓨터 게임을 처음으로 할 때는 구덩이 위로 뛰어 들거나 불알을 피해야하는 등의 실제 지식을 즉시 사용할 수 있습니다. 이후 Super Mario Odyssey와 같은 다른 버전의 Mario 또는 Donkey Kong Country 및 Crash Bandicoot와 같은 유사한 메커니즘을 가진 다른 게임에 게임 지식을 적용 할 수 있습니다.

그러나 AI 응용 프로그램은 모든 것을 처음부터 배워야합니다. 딥 러닝 알고리즘이 마리오를 연주하는 방법을 배우는 방법은 AI의 학습 과정이 인간의 학습 과정과 어떻게 다른지 보여줍니다. 본질적으로 환경에 대해 전혀 알지 못하고 점차 다른 요소와 상호 작용하는 법을 배웁니다. 그러나 마리오를 통해 얻은 지식은 단일 게임의 좁은 영역에만 작용하며 다른 게임, 심지어 다른 마리오 게임으로도 양도 할 수 없습니다.

이러한 개념적 및 추상적 이해의 부족은 딥 러닝 응용 프로그램이 제한된 작업에 초점을 맞추고 인간처럼 지적 결정을 내릴 수있는 인공 지능의 종류 인 일반적인 인공 지능의 개발을 방지합니다. 반드시 약점은 아닙니다. 일부 전문가들은 일반적인 AI를 만드는 것이 무의미한 목표라고 주장합니다. 그러나 인간의 뇌와 비교할 때 확실히 한계가 있습니다.

딥 러닝은 불투명하다

프로그래머가 규칙을 정의하는 기존 소프트웨어와 달리 딥 러닝 응용 프로그램은 테스트 데이터를 처리하고 분석하여 자체 규칙을 만듭니다. 결과적으로 그들이 어떻게 결론과 결정에 도달하는지는 아무도 모릅니다. 딥 러닝 알고리즘 개발자도 자신이 만든 결과에 당황한 경우가 많습니다.

기술이 환자 치료, 법 집행 및 자율 주행 차와 같은 민감한 영역에서 그 위치를 찾으려고 노력함에 따라 이러한 투명성의 결여는 AI 및 딥 러닝의 주요 장애물이 될 수 있습니다. 딥 러닝 알고리즘은 사람보다 실수를 저지르는 경향이 적지 만 실수를 저지르는 경우 그 실수의 원인을 설명 할 수 있어야합니다. AI 응용 프로그램의 작동 방식을 이해할 수 없으면 중요한 작업으로 신뢰할 수 없습니다.

딥 러닝이 과장 될 수 있음

딥 러닝은 이미 많은 분야에서 그 가치가 입증되었으며 우리가하는 방식을 계속 변화시킬 것입니다. 결함과 한계에도 불구하고 딥 러닝은 우리를 실패시키지 않았습니다. 그러나 우리는 기대를 조정해야합니다.

인공 지능 학자 게리 마커스 (Gary Marcus)가 경고 하듯이, 기술을 과대 평가하는 것은 또 다른 "AI winter"로 이어질 수 있습니다.이 기간은 지나치게 높은 기대와 저 성과가 전반적인 실망과 관심 부족으로 이어집니다.

Marcus는 딥 러닝이 "범용 솔벤트가 아니라 많은 도구 중 하나"라고 제안합니다. 이는 딥 러닝이 제공하는 가능성을 계속 탐색하면서 AI 응용 프로그램을 만드는 근본적으로 다른 다른 접근 방법도 고려해야한다는 것을 의미합니다.

심층 학습 혁명을 이끈 연구를 개척 한 Geoffrey Hinton 교수조차도 완전히 새로운 방법을 발명해야한다고 생각합니다. "미래는 내가 말한 모든 것을 깊이 의심하는 일부 대학원생에 달려있다"고 Axios에 말했다.