솔트룩스 세미나-뉴로 심볼릭AI by 이경일 대표

<뉴로 심볼릭 AI – 이경일 대표님>

현재 기계학습의 한계점

1. 작은 학습 데이터 볼륨

데이터가 사람과 달리 방대한 양을 필요로 한다. 사람은 추론을 통해 직접 경험이 거의 없어도 예상이 가능.

2. 몸을 통한 학습인지

인간의 감각(recognition, emotion, behavior) -> 기계의 학습(어떻게 학습?)

3. 상식추론의 부재

인간: common sense < knowledge < info < data : 기계

4. 신경가소성의 신비(뉴론, 회로생성)

인간은 유기체로써, 경험을 통해 새로 생성되고 수정되는 연륜과 같은 현상. 기계에게 어떻게?

 

(아리스토텔레스) 사람 = induction + deduction + abduction

앞으로는, 뉴로 심볼릭(induction + deduction) approach가 필요한 시점.

---

뉴로-심볼릭 AI의 필수요소

1. 설명가능성(Explain-ability): induction(귀납법) + deduction(연역법) 결합함으로써 기계가 빠르게 확인하는가.

2. 신뢰성(Trust-ability): 기계가 학습한걸 이론과 논리로 증명하는가.

3. 책임성(Responsibility): 증명을 기호적으로 설명하는가.

현재 ML – 2세대 AI.

RNN, LSTM – regression (serial data 예측)

CNN - 분류

결국은, Filter, feature 추출, hidden layer의 모델성능 향상을 위한 연구였다.

뉴로-심볼릭의 지식활용법

type3: DNN의 prediction 결과를 KB와 logics에 적용해 reasoning하는 방식.

type3는 대부분의 설명 가능한 인공지능에서 활용하는 방법론이다.

type4: KB와 logics를 기반한 DNN의 prediction을 다른 DNN에 embedding하는 방식.

type4는 지식학습의 핵심분야로 설명 할 수 있다.

-> ML과 뉴로-심볼릭을 조합해야만 인간만큼의 인공지능을 구현할 수 있다. 시각, 텍스트, 음성인식 모두 해당.

설명 가능한 인공지능(XAI):

지식과 context의 이해와 활용. DNN의 학습결과(그림 왼쪽면)를 각각의 지식그래프(그림 오른쪽면)와 연동(검정점선)해 설명 가능한 구조로 모델링.

Ex) 빌딩의 크기 + 앞의 5톤 트럭을 파악 -> 빌딩은 warehouse(창고)로 개체속성으로 분류가능.

당분간(향후 2~3년간)의 연구동향 – 지식표현, 추론, 계획 부분이 좀더 연구가 필요하다.

AI Hype cycle. Vs Saltlux Hype cycle.

솔트룩스 서비스는 현재 환멸의 골짜기를 지나 깨우침의 단계에서 생산성과 수익성의 단계로 진입 중이다.

 

(AI 기술전망의) Cloud AI – edge AI에 관한 시스템 설명..

 (AI 기술전망의) Connectivity to Collaboration에 관한 시스템(Active Learning) 설명.

 

 

 

(대표님의 빠지지 않는 명언타임)