Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능의 이해(1116 윤성빈) - Coggle Diagram

- - - - 현재의 인공지능 : 목적에 맞는 대량의 데이터를 학습하여 주어진 문제에 적절한 판단을 내리는 시스템으로 이러한 동작을 통해 인간의 판단에 도움을 주고 단순 작업을 대신하는등의 편리함을 제공. 카메라, 마이크, 각종 감지 센서 등을 통해 입력받은 데이터는 빅데이터로 쌓이고 그러한 빅데이터를 학습한 인공지능은 탐색과 추론을 통해 판단을 한다.
      - 지능 에이전트 형태의 인공지능을 일상에서 다양하게 경험할수있다. 스마트폰의 인공지능 대화형 비서, 인공지능이 적용된 많은 앱들, 번역 플랫폼에까지도 인공지능이 적용되어있다.
        
        인식
        센서 : 주변 환경을 탐지하여 데이터를 수집한다.
        판단
        인공지능 : 센서로 탐지한 데이터를 이용하여 분석(분별)하고 판단한다.
        행동
        액추에이터 : 인공지능이 판단한 내용을 행동(동작)으로 옮긴다.
      - 인간의 지능이 갖는 학습, 탐색, 추론 등의 능력을 모방하여 컴퓨터로 구현한 시스템이나 구현하려는 컴퓨터 과학 기술을 말함.
        1950년경 앨런 튜링에 의해 처음 제시. 현재 새로운 부흥기를 맞아 빠르게 발전중
    - - 인식
        센서를 통해 감지된 사물을 인식.
        추론
        이미 알고있는 지식으로부터 새로운 사실을 예측할수있다.
        탐색
        얻을수 있는 정보를 탐색함으로써 문제를 해결하기 위한 최선의 방법을 더 쉽게 찾을수있다.
        학습
        데이터에서 일정한 패턴이나 규칙을 찾아 모델을 생성할수있다.
      - 인간 : 여러가지 일을 동시에 처리 가능
        인공지능 : 특정한 목적에 맞는 동작만 수행. 학습한 목적에 맞는 동작만 수행한다.
    - - 1950년 앨런 튜링이 제안. 기계가 인간과 비슷하게 대화할수 있는지 판단하는 테스트. 튜링 테스트를 통과한다면 기계에도 지능이 있다고 봐야 한다는 주장.
        하지만 튜링 테스트를 통과했다고 해서 기계에 지능이 있다고 판단하는것은 한계가있다는 지적도 있다.(다양한 센서를 통해 정보를 받아들이는것이 아닌 문자(text)대화에만 머물러있었기 떄문에)
      - 이후에는 튜링 테스트의 논리적인 방식만 제시했으나 2014년 유진 구스트만이 테스트를 통과했다고 주장하기 전까지 어떤 인공지능도 튜링 테스트를 통과하지 못함
        게다가 유진 구스트만도 앞뒤가 맞지않는 여러 문답을 했으나 13세의 어린소년이라는 설정으로 기계라는 의심을 비켜갔다고 볼수있음. 이처럼 튜링 테스트에 여러 비판의견 존재. 하지만 여전히 인공지능의 발전을 측정할수있는 하나의 척도이고 인공지능이 인간과 비슷해 보이는지 확인하는데도움을줌
  - - - AI +
        의료, 비서, 교육, 운수, 번역, 산업
- - - - 깊이 우선 탐색 : 상태 공간 트리에서 자식 노드(node)를 먼저 방문하는 수직 방향의 탐색 알고리즘이다. 자식 노드가 두 개 이상일 경우 주로 왼쪽 노드를 먼저 방문한다. 탐색 중에 단말 노드에 도착했는데도 목표 노드를 찾지 못했다면 다시 분기점으로 되돌아가 방문하지 않은 노드부터 다시 수직 방향으로 탐색한다. 만약 목표 노드가 수직 방향으로 깊이 있다면 문제를 빨리 해결할 수 있고, 필요한 저장 공간도 비교적 적게 드는 장점이 있다. 하지만 목표 노드가 없는 경로에 깊이 빠져 버리거나 목표 노드에 이르는 경로가 여러 개일 경우, 지금의 방문 경로가 최단 경로임을 보장할 수 없다는 단점이 있다.
      - 너비 우선 탐색 : 상태 공간 트리에서 형제 노드를 먼저 방문하는 수평 방향의 탐색 알고리즘이다. 상태 공간 트리의 깊이가 얕고 넓은 경우, 목표 노드를 빨리 찾을 수 있다. 또한 목표 노드를 찾을 때까지 모든 상태 공간을 탐색하므로 목표 노드가 존재한다면 반드시 찾을 수 있고, 최단 경로를 알 수 있다는 장점이 있다. 하지만 노드 수가 많아지거나 목표 노드가 수직 방향으로 깊은 곳에 있다면 탐색 시간이 오래 걸리고, 탐색을 위한 공간과 탐색 범위도 지나치게 넓어지는 단점이 있다.
  - - - 최상우선탐색
        
        현재 상태에서 가장 유리한것
        
        다른길로 가는것이 탐색 비용을 줄일수있는 경우에도 평가
        
        함숫값이 더 크면 선택할수 없음
        
        A*
        
        최상우선탐색을 개선
        
        앞으로 남은 탐색 거리에 초기 상태에서 현재 상태에 이르기까지의 비용도 고려
- - - - 규칙
        '만약 A라면, B이다.' 또는 'A하면, B하다'와 같은 형태로, IF A THEN B로 나타낼 수있다. A 는 주어진 정보나 사실에 대응될 조건이고, B는 조건을 만족할때 하는 판단이나 행동인 결론이다. A가 참이면 B를 수행하는 형태이고, 이를 생성 규칙이라고도 하며, 인과 관계, 추천, 전략, 경험적 지식 등을 표현할수있다.
        
        해보기
        내가 알고있는지식 : 물을 가열하면 끓는다.
        지식 표현(IF~THEN)
        IF 물을 가열한다, THEN 물이 끓는다
      - 논리
        논리는 수학 논리학에서 사용하는 명제 논리나 술어 논리를 사용한다. 명제 논리는 명제를 가지고 논리를 판별하는 것이고, 술어 논리는 주어와 서술어 간의 관계를 다루는 것이다. 명제 논리에서 나타나는 단점은 술어 논리로 보완될 수 있다.
      - 의미망
        의미망(semantic net)은 지식이나 기억, 실세계를 노드(node)와 호(ark)를 이용하여 네트워크 구조로 표현한 것이다. 노드는 객체, 개념, 사건 등을 표현하고, 호는 노드 간의 관계를 화살표로 나타낸다.
      - 프레임
        프레임(frame)은 특정한 객체나 개념에 대한 지식을 슬롯(slot)으로 표현한 것이다. 하나의 프레임은 여러 개의 슬롯으로 구성되고, 슬롯은 슬롯 이름과 슬롯 값으로 구성된다. 제목이 '인공지능'인 책을 예로 들어 살펴보면, 책에는 작가가 있고, 출판 연도가 있다. 또한 책의 분량을 페이지로 나타낼 수 있다. 프레임은 관련된 지식을 한군데 모을 수 있다는 것과 표현력이 우수하다는 장점이 있지만, 슬롯에 대한 표준이 없고 지식을 생성하는 것이 매우 힘들다는 단점이 있다.
- - - - A 알고리즘
        출발부터 도착까지 모든 과정을 일일이 명령하면 그대로 수행하는 방식. 가장 간단하지만 출발지나 도착지가 변경되거나 미로의 모양이 바뀌면 매번 새롭게 명령해야하는번거러움이 있고 미로의 모습을 알아야하면 정확한 명령이 가능
        B 알고리즘
        왼쪽 벽을 따라가며 왼쪽으로 회전하여 미로 탐색 문제를 해결하는 방법을 사용. 미로의 모습을 알지 못해도 간단한 단일 연결 미로는 반드시 탈출할수있는 탐색 방법이다. 하지만 탐색 경로가 항상 최단 경로를 보장하지 못함. 출발점이 미로의 가운데 있거나 이중으로 연결된 미로라면 탈출하지 못할수도있음
        C 알고리즘
        각 미로 칸마다 숫자 정보를 부여하고 탐색함. 목적지에 가까이 가는 방향으로 이동하게 하면 불필요한 탐색 범위를 줄일수있다. 미로의 모습은 알수없어도 출발지와 목적지의 위치와 미로의 크기를 알고있기에 그 정보를 활용하는것. 미로의 칸이 벽인지 길인지 구분할수 없는 상황에서 단순하게 목적지와 몇칸떨어져있는지 미로를 구조화한 배열에 저장한다. 미로를 탐색하며 벽이 아닌 길을 따라 이동하게 하고 분기점에서 배열에 저장된 숫자가 작은 칸을 선택하게 하면 목적지와 가까운 방향으로 이동하게 되어 탐색 범위를 좁힘 최단거리 보장할순 없지만 대체로 좋은 경로를 선택하는 효율적인 탐색방법으로 A, B알고리즘보다 지능적인 탐색방법임