시스템 접근 방식 전체 공개: 저는 AI에 대한 이력이 있습니다. 1980년대에 AI에 관심을 갖고(전문가 시스템을 기억하십니까?) 공식적인 검증을 거쳐 마침내 1980년대 후반의 AI 겨울을 안전하게 피한 후 마침내 네트워킹을 전문 분야로 삼게 되었습니다. 1988.
그리고 나의 Systems Approach 동료인 Larry Peterson이 그의 책장에 Pascal 매뉴얼과 같은 고전 책들을 가지고 있는 것처럼, 나는 아직도 내 책장에 80년대의 AI 책 두 권, 특히 PH Winston의 책을 가지고 있습니다. 인공 지능 (1984). 그 책을 훑어보는 것은 꽤 놀라운 일입니다. 그 중 많은 부분이 어제 쓴 것처럼 보입니다. 예를 들어 서문은 다음과 같이 시작됩니다.
이 책의 초판이 출간된 이후 인공지능 분야는 엄청난 변화를 겪었습니다. 인공 지능의 주제는 컴퓨터 공학 학부생에게 필수이며, 인공 지능에 관한 기사는 대부분의 유명 뉴스 잡지에 정기적으로 소개됩니다. 변화의 이유 중 하나는 탄탄한 성과가 축적됐기 때문이다.
나는 또한 "컴퓨터가 할 수 있는 것"에 대한 1984년의 몇 가지 예를 보고 흥미를 느꼈습니다. 한 가지 예는 매우 어려운 미적분학 문제를 해결하는 것이었습니다. 정확한 산술은 오늘날의 LLM 기반 시스템의 능력을 넘어서는 것처럼 보이기 때문에 주목할 만합니다.
미적분학이 1984년에 이미 컴퓨터로 풀 수 있었지만 기본 산술이 우리가 오늘날의 최첨단 기술로 보는 시스템을 능가하는 반면, 아마도 지난 40년 동안 AI의 발전 정도는 처음 나타난 것만큼 크지 않을 것입니다. (그렇지만 심지어 더 오늘날 미적분 문제 해결 시스템은 LLM을 기반으로 하지 않으며 누군가 이를 AI라고 부르는지 확실하지 않습니다.)
내가 Winston의 이전 사본을 선택한 이유 중 하나는 AI의 정의에 대해 그가 말한 내용을 알아보기 위해서였습니다. 왜냐하면 그것 역시 논란의 여지가 있는 주제이기 때문입니다. 이에 대한 그의 첫 번째 견해는 그다지 고무적이지 않습니다.
인공지능(Artificial Intelligence)은 컴퓨터를 지능적으로 만들 수 있는 아이디어에 대한 연구입니다.
글쎄요, 윈스턴이 인정한 것처럼 지능을 어떻게든 정의해야 하기 때문에 그것은 꽤 순환적입니다. 그러나 그는 계속해서 AI의 두 가지 목표를 언급합니다.
- 컴퓨터를 더 유용하게 만들기 위해
- 지능을 가능하게 하는 원리를 이해합니다.
즉, 지능을 정의하기는 어렵지만 AI에 대한 연구는 지능이 무엇인지 더 잘 이해하는 데 도움이 될 수 있습니다. 나는 40년이 지난 지금도 무엇이 지능을 구성하는지에 대한 논쟁을 계속하고 있다고 말하고 싶습니다. 첫 번째 목표는 칭찬할 만해 보이지만 AI가 아닌 많은 기술에 분명히 적용됩니다.
업계에서는 'AI'의 의미에 대한 논쟁이 계속되고 있다. 나는 AI라는 용어가 통계 모델을 AI로 마케팅하는 사람들에 의해 그렇게 오염되지 않았다면 인공 일반 지능(AGI)이라는 용어가 필요하지 않을 것이라는 호언장담을 많이 접했습니다. 나는 이것을 정말로 사지 않는다. 내가 말할 수 있는 한, AI는 항상 광범위한 컴퓨팅 기술을 다루어 왔으며, 그 중 대부분은 컴퓨터가 인간 수준의 지능을 표시하고 있다고 생각하도록 속이지는 않습니다.
약 1988년 전 제가 AI 분야에 다시 참여하기 시작했을 때, XNUMX년에 동료 중 일부가 인기를 끌기 전에 사용했던 신경망이 놀라운 부활을 이루었습니다. 신경망은 돌파 몇 가지 주의사항이 있지만 인간의 속도와 정확성을 보장합니다. 이러한 AI의 부상은 VMware의 엔지니어링 동료들 사이에서 어느 정도 불안을 불러일으켰습니다. 그들은 (a) 우리 대부분이 이해하지 못하는 중요한 기술적 변화가 진행되고 있음을 감지했습니다. (b) 우리 고용주가 AI를 활용할 수 있는 위치에 있지 않습니다. .
신경망이 어떻게 작동하는지 배우는 작업에 나 자신을 던졌을 때( 큰 도움 Rodney Brooks에서) 저는 우리가 AI 시스템에 관해 이야기할 때 사용하는 언어가 우리가 AI 시스템을 생각하는 방식에 상당한 영향을 미친다는 것을 깨달았습니다. 예를 들어, 2017년까지 우리는 "딥 러닝"과 "심층 신경망"에 대해 많이 들었고, "딥"이라는 단어의 사용은 흥미로운 이중 의미를 가지고 있습니다. 내가 '깊은 생각'을 하고 있다고 하면 인생의 의미나 그에 못지않게 중요한 것에 대해 생각하고 있다고 생각할 수도 있고, '깊은 배움'도 비슷한 것을 의미하는 것 같습니다.
그러나 실제로 "딥 러닝"의 "딥"은 학습을 지원하는 신경망의 레이어 수로 측정된 깊이를 나타냅니다. 따라서 의미 있는 의미에서 "깊다"는 것이 아니라 수영장의 끝이 깊은 것과 마찬가지로 물이 더 많은 수영장입니다. 이러한 이중 의미는 신경망이 "생각"하고 있다는 착각을 불러일으킵니다.
Brooks가 큰 도움이 된 "학습"에도 유사한 혼란이 적용됩니다. 심층 신경망(DNN)은 더 많은 교육 데이터에 노출될수록 작업 성능이 향상되므로 그런 의미에서 경험을 통해 "학습"합니다. 그것이 배우는 방식은 인간이 사물을 배우는 방식과 전혀 다릅니다.
DNN이 학습하는 방법의 예로 다음을 고려해보세요. 알파 고, 신경망을 사용하여 게임을 플레이하는 시스템 패배 인간 그랜드마스터. 시스템 개발자에 따르면 인간은 보드 크기 변경(일반적으로 19×19 그리드)을 쉽게 처리할 수 있는 반면, 작은 변경으로 인해 크기가 조정된 보드에서 새로운 데이터를 훈련할 시간이 생길 때까지 AlphaGo는 무력해질 것입니다.
나에게 이것은 DNN의 "학습"이 동일한 단어를 사용하더라도 근본적으로 인간 학습과 어떻게 다른지를 깔끔하게 보여줍니다. 신경망은 '학습'한 내용을 일반화할 수 없습니다. 그리고 이 점을 지적하면서 최근 AlphaGo가 패배 훈련 데이터에 없는 플레이 스타일을 반복적으로 사용하는 인간 상대에 의해 발생합니다. 새로운 상황을 처리하지 못하는 이러한 무능력은 AI 시스템의 특징인 것 같습니다.
언어 문제
AI 시스템을 설명하는 데 사용되는 언어는 우리가 AI 시스템에 대해 생각하는 방식에 계속해서 영향을 미칩니다. 불행하게도, 최근의 AI 과대 광고에 대한 합당한 반발과 AI 시스템의 일부 주목할만한 실패를 고려할 때 AI가 곧 인간과 같은 지능을 달성할 것이라고 말하는 진영의 구성원이 있는 만큼 AI가 완전히 쓸모없다고 확신하는 사람들이 이제 많아질 수 있습니다. .
나는 위에서 설명한 대로 후자 진영에 대해 매우 회의적이지만, AI 시스템(또는 원하는 경우 기계 학습 시스템)이 가져올 수 있는 긍정적인 영향을 간과하는 것도 불행한 일이라고 생각합니다.
저는 현재 네트워킹을 위한 기계 학습 애플리케이션에 관한 책을 집필하는 두 명의 동료를 돕고 있습니다. ML 기반 솔루션으로 해결할 수 있는 네트워킹 문제가 많다는 말을 듣는 사람은 놀랄 일이 아닙니다. 특히, 네트워크 트래픽의 흔적은 환상적인 데이터 소스이며, 훈련 데이터는 머신러닝 시스템이 번성하는 음식입니다.
서비스 거부 방지부터 맬웨어 탐지, 위치 정보에 이르기까지 모든 애플리케이션에서 ML 알고리즘을 사용할 수 있으며, 이 책의 목표는 네트워킹 사람들이 ML이 정보를 얻기 위해 데이터에 뿌리는 마법의 가루가 아니라는 점을 이해하도록 돕는 것입니다. 그러나 실제 문제에 대한 솔루션을 생성하기 위해 선택적으로 적용할 수 있는 일련의 엔지니어링 도구입니다. 즉, 만병통치약도 아니고 과장된 위약도 아닙니다. 이 책의 목적은 독자들이 다양한 종류의 네트워킹 문제에 적합한 ML 도구를 이해하도록 돕는 것입니다.
얼마 전 내 눈길을 사로잡은 이야기 중 하나는 AI를 사용하여 영국의 Network Rail을 돕는 일이었습니다. 식물을 관리하다 영국 철도 노선을 따라 성장합니다. 여기서 핵심 "AI" 기술은 지난 2023년 동안 DNN이 제공한 일종의 기술을 활용하는 이미지 인식(식물 종 식별)입니다. XNUMX년에 전 세계의 관심을 끌었던 생성 AI 시스템만큼 흥미롭지는 않지만 AI 우산 아래에 있는 기술을 훌륭하고 실용적으로 적용한 것입니다.
요즘 나의 경향은 "AI"가 만들어내는 과대 광고와 알레르기 반응을 피하기 위해 적절할 때 AI 대신 "머신 러닝"이라는 용어를 사용하려고 하는 것입니다. 그리고 패트릭 윈스턴(Patrick Winston)의 말을 머릿속에 새기면서 “컴퓨터를 유용하게 만드는 것”에 대해 이야기하겠습니다. ®
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/
