AI 발전과 교육
두 번의 겨울과 현재
* 커버 이미지 출처: https://jontysinai.github.io/jekyll/update/2017/11/11/the-perceptron.html
인공지능, 두 번의 겨울과 발전
인공지능은 컴퓨터의 역사와 거의 동시에 연구가 시작됐다. 영국의 수학자 앨런 튜링은 1950년대에 ‘계산 기계와 지능(Computing Machinery and Intelligence)’라는 논문에서 인공지능의 출현을 예고했다. 그는 위 논문에서 ‘인공지능’이라는 용어 대신 ‘생각하는 기계(Thinking Machine)’라는 개념을 주장한다. 그는 기계가 생각할 수 있는지 그리고 만약 생각하는 기계가 존재한다면, ‘생각한다’는 추상적인 문장을 구체적으로 증명할 방법을 고안한다. 마지막으로 튜링은 이 논문을 통해 학습하는 기계(Learning Machine)의 구현 가능성을 구체적으로 서술한다.
인공지능에 대한 역사를 조사하다 보면 용어의 기원이 그리스 아리스토텔레스(382~322 B.C.)까지 올라간다는 서술도 만날 수 있다. 그렇지만 학습하는 기계를 구현하기 위한 구체적인 용어와 이론은 앨런 튜링의 논문에서 최초로 등장했다. 따라서 많은 과학자는 앨런 튜링이 현대적 의미의 인공지능을 창시했다고 보고 있다.
‘인공지능(Artificial Intelligence)’이라는 용어가 처음 정해진 것은 1956년 미국 다트머스 대학교의 한 워크숍에서였다. 이 워크숍의 이름은 <인공지능에 대한 다트머스 여름 연구 프로젝트(1956)>로, 컴퓨터를 공부한 사람들이라면 한 번쯤은 들어봤을 대가들이 모였다. 학회엔 존 매카시(John McCarthy)와 마빈 민스키(Marvin Minsky), 클로드 섀넌(Claude Shannon), 나다니엘 고체스터(Nathaniel Rochester) 등이 참석했다. 참가자들은 인공지능의 구현 가능성에 대한 브레인스토밍을 나눴고, 워크숍이 끝난 이후부터 인공지능은 더는 공상과학 속 추상적인 무언가가 아니라 구현 가능한 이론으로써 적극 다뤄진다. 다트머스 워크숍 이후 연구자들은 간단한 논리 순서를 조합해서 복잡한 행동을 어림짐작하는 연구를 발표하는가 하면, 1958년에는 코넬 대학의 심리학자 프랭크 로센블래트는 인간의 뇌 신경을 모사하는 인공 신경 뉴런(퍼셉트론, Perceptron)을 개발했다. 하지만 이러한 성장세는 1970년대에 들어 급속도로 둔화한다. 그 이유는 인공지능이 계산해야 하는 변수가 늘어날 때마다 컴퓨터가 계산해야 하는 연산 수가 늘어나는데, 당시 컴퓨터의 처리 속도로는 늘어나는 연산량을 감당할 수 없었기 때문이었다. 이에 연구자들은 자연스럽게 인공지능이라는 열린 문제보다는 제한적이고 통제 가능한 조건 안에서 연산을 최적화하는 연구에 집중한다. 먼 훗날 인공지능 연구자들은 이 시기를 ‘인공지능의 첫 번째 겨울(AI winter)’이라고 불렀다.
인공지능 연구는 첫 번째 겨울을 보내면서 한껏 얼어붙는다. 연구자들은 1980년 말부터 다시 한 번 인공지능을 주목한다. 인공지능이 겨울을 나는 동안, 하드웨어와 소프트웨어 기술이 발전했다. 이제 컴퓨터는 이론으로만 존재했던 인공지능 이론을 시뮬레이션해 볼 수 있었다. 과학자들은 서랍 속에 잘 정리해두었던 기술들을 컴퓨터로 구현하고 결과를 발표했다. 이 시기에 여러 좋은 성과들이 있었다. 대표적으로 전문가 시스템(Experts system)이 등장했다. 전문가 시스템이란 특정 분야를 ‘전문가처럼 흉내 내는’ 인공지능 시스템이다. 이 시스템은 마치 전문 인력이 연구를 진행하는 양, 사용자와 간단한 질의응답을 나누며 해법을 찾아 나섰다. 다음은 1970년대 상업적으로 가장 성공한 전문가 시스템인 마이신(MYCIN)의 추론 과정을 우리말로 재구성한 내용이다.
환자의 이름은? 홍 길동
환자의 성별은? 남성
환자의 나이는? 55세
환자는 박테리아 감염 검사에서 양성 반응이 나왔습니까? 그렇다
감염된 박테리아는 몇 차에 해당합니까? 일차 박테리아
환자는 언제부터 증상이 시작됐습니까? 2006년 5월 5일
환자에게서 가장 최근에 양성 반응이 나온 시기를 C1이라 하겠습니다. C1 때 박테리아 감염 검사는 어떤 방식으로 진행됐습니까? 혈액검사
C1을 언제 수행했나요? 2006년 5월 9일
감염 원인균을 U1이라 부르겠습니다. U1이 무엇인지 정확하게 아십니까? 모른다.
U1은 간상체입니까, 아니면 구균류, 그것도 아니라면 다른 균입니까? 간상체로 추정된다.
U1의 그램 염색(gram stain) 반응은 어땠습니까? 그램-음성이었다.
환자가 이번 감염 말고 다른 지역, 때에도 비슷한 반응이 있었던 적이 있나요? 아니다.
U1이 공기를 매질로 전파됩니까? 그렇다.
마이신은 환자가 감염된 U1 균을 다음으로 추정합니다:
슈도모나스(Pseudomonas-aeruginosa)
클렙시 엘라-폐렴
대장균
박테로이드 효모류
엔터로박터
프로튜스 미라빌리스
이처럼 마이신은 세균성 질병을 진단할 수 있는 전문가 시스템이다. 마이신은 스탠퍼드 대학교에서 개발됐다. 이 전문가 시스템이 등장하기 이전에, 대중들은 컴퓨터가 전문적인 일이나 추상적인 개념을 구체화하지 못할 것이며, 인간을 대체하지 못할 것이라고 장담했다. 인공지능을 연구하는 사람들마저도 다수가 대중들의 견해에 동조했다. 그러나 마이신이 등장하고 인공지능(특히 전문가 시스템)은 질병 진단, 대출 상담, 산업 현장 위험도 추정 등 전문 인력이 필요한 전방위 분야에서 인력을 대체하거나 보조하는 도구로 개발되기 시작했다. 인공지능 기술이 박사들의 연구 주제에 제한되지 않고, 공학자들의 기술적 목표로까지 확장된 것이다. 마치 물리학자들이 제트 기류를 연구하면서 인공 제트 기류 발생기를 고안하고, 공학자들은 학자들의 연구 결과를 바탕으로 제트 엔진을 생산하는 것처럼. 인공지능 기술은 제트 엔진이 프로펠러 엔진을 대체하듯 서서히 인간의 업무를 보조하거나 대체할 수 있는 분야로 서서히 주목받기 시작한다.
같은 시기, 인공지능의 또 다른 갈래인 온톨로지(Ontology)에 관한 연구도 시작된다. 온톨로지란 개방적인 공간에서 자유롭게 나눈 지식과 기록을 컴퓨터에 저장하고 자유롭게 찾아 쓸 수 있게 하는 기술이다. 이 기술은 전산망에 접속한 누구나 언제든지 지식을 열람하고 사용하며, 보충할 수 있도록 장려했다. 온톨로지 기술은 시간이 지나서 위키피디아나 시멘틱 웹(Semantic Web)과 같은 기능으로 발전했다. 그리고 이렇게 차곡차곡 누적된 지식은 2011년, IBM이 왓슨(Watson)이라고 부르는 인공지능 컴퓨터 시스템을 만드는 기반 자료로 사용된다.
IBM의 왓슨은 질문을 입력하면 온톨로지 기반 데이터베이스를 찾아 답변을 찾아내는 인공지능 시스템이다. 왓슨은 2011년 2월 16일 미국의 인기 퀴즈쇼인 제퍼디(Jeopardy!)에 출연하여 전 퀴즈쇼 챔피언인 켄 제닝스와, 브레드 러터의 3배가 넘는 상금을 획득하며 우승한다. 이 사건으로 왓슨은 대중들의 관심을 한몸에 받는다. 컴퓨터가 단순한 지식 검색과 응답에서 인간을 능가하는 과정이 대중매체를 통해 최초로 방영됐기 때문이다. 그러나 대중들의 폭발적인 관심과 달리 인공지능 연구는 다시 한 번 침체기를 겪는다. 당시의 인공지능은 질문자의 의도를 파악해서 답변하지 못했다. 왓슨은 질문자의 문장에서 단어를 분리한 다음, 각각의 단어가 일치하는 문서를 검색해서 답을 도출하는 수준의 인공지능이었다. 반면 대중들은 왓슨의 등장과 우승을 바라보면서 컴퓨터에 진짜 지능이 있을 것이라고 기대했다. 그러나 당시 인공지능은 대중들의 기대에 부응하지 못했다. 예비 연구자들과 대중들의 관심은 빠르게 식었다. 연구자들은 발화자의 숨은 의도를 찾아낼 수 있는 인공지능을 개발하기 위해 몰두했지만, 성과는 미미했다. 연구 자금은 빠르게 소진됐고, 기업들은 후원을 중단했다. 결국, 인공지능 기술은 다시 한 번 발전이 더뎌진다. 이 시기를 인공지능의 두 번째 겨울이라고 부른다.
인공지능 연구는 두 번의 겨울을 나면서 구체적인 난제들을 만났다. 예를 들면 IBM 왓슨이 극복하지 못했던 발화자의 숨은 의도를 파악하는 일이라던가, 음성 인식 같은 난제들이 대표적이다. 두 번째 겨울 이후, 인공지능 연구자들은 수가 많이 줄어들었다. 그렇지만 살아남은 이들은 앞서 언급했던 기술적 난제를 극복하기 위해서 각계각층에서 노력을 멈추지 않았다. 그리고 그 노력은 2000년대에 들어 딥러닝(Deep Learning)이라는 성과로 드러난다.
딥러닝이란 인공적으로 신경망 구조(Artificial Neural Network)를 구현한 방식 중 그 연결 깊이가 깊은(deep, 일반적으로 3층 이상의 신경망) 방식을 의미한다. 딥러닝은 인간의 기억 세포를 모사하는 인공 뉴런을 무수히 많이 누적하고 백지상태로 만든 다음, 학습용 데이터를 사용하여 인공 뉴런을 자극한다. 인공 뉴런은 이 과정을 겪으면서 ‘학습하듯’ 스스로 뉴런의 역치를 조정한다. 이때 신경망의 구조가 깊고 복잡할수록 추상적인 내용을 잘 학습할 수 있다. 딥러닝은 등장과 동시에 기존 인공지능 기술들이 해내지 못한 일들을 가볍게 해냈다. 인공지능 연구는 두 번째 겨울을 지나면서 꽁꽁 얼어있었지만 딥러닝의 등장으로 언제 그랬냐는 듯 활발하게 재개됐다.
딥러닝은 2000년대에 구현됐다. 그렇지만 딥러닝 기술의 근간이 되는 이론인 신경망 이론은 1982년에 이미 완성되어 있었다. 인공 신경망은 코넬 대학의 존 홉필드(John Hopfield) 박사가 고안한 개념이다. 홉필드 박사는 그의 논문에서 인간의 기억 작용이 뉴런의 전기적 신호 자극으로 발생한다는 점에 착안하여 뉴런을 정점(node)과 간선(edge)이 있는 네트워크 형태로 모형화하고, 이 모형이 학습(training)을 통해 기억할 수 있음을 증명했다. 그렇지만 당시 홉필드가 만든 인공 신경망은 이론적 한계에 부딪혀 발전이 더뎠다. 이 약점은 인공 신경망이 등장하고 7년이나 지난 다음에야 뉴욕 대학의 얀 르쿤(Yann LeCun)이 고안한 기법으로 한계를 극복한다. 인공 신경망 연구는 1990년대에 들어서야 활발해졌고, 그로부터 10년이 지나 딥러닝이 등장했다.
하드웨어 기술의 급격한 발전도 딥러닝의 부흥에 큰 도움이 됐다. 특히 2000년 초반부터 그래픽 처리 장치(GPU)가 발전하면서 딥러닝을 학습시키는데 사용되는 막대한 연산을 병렬로 처리 할 수 있게 됐다. 요즘에는 (과거와 비교했을 때) 아무리 깊은 인공신경망이라도 하드웨어를 병렬로 연결해서 사용하는 기술을 통해 딥러닝 모델을 학습시킬 수 있다.
인공지능은 딥러닝 기술과 함께 한층 성장했다. 특히 딥러닝 기술은 무수히 많은 가상의 뉴런을 만들고, 이들을 연결하여 학습하는 방식으로 추상적이거나 어려운 문제를 해결할 수 있다. 인공지능 전문가들은 앞으론 딥러닝 기술을 활용하여 고도로 복잡한 데이터를 처리할 수 있다고 전망한다. 여기서 고도로 복잡한 데이터란 음성의 파형이나 거대한 이미지, 또는 수천, 수만 페이지의 문서 같은 자료들이다. 과거에는 저장과 출력만 가능했던 데이터들이 딥러닝 기술을 만나 다방면으로 활용될 가능성이 열리게 된 것이다.
실제로 딥러닝 기술은 인간의 음성을 인식하고, 추상적인 사용자의 요구를 처리하며, 여행 사진을 분류하거나, 특정 얼굴을 인식하고, 자율 주행 능력을 탑재하는 등 이전에는 기계가 처리 할 수 없던 일들을 하나둘 극복하고 있다. 오늘날 인공지능 연구자들은 이제 약한 인공지능(Weak AI) 문제를 극복하는 한 편 대중들과 연구자들이 기대하는 강한 인공지능(Strong AI)을 구현하는 일에도 힘을 쏟고 있다.
인공지능 기술과 교육
오늘날 인공지능은 딥러닝 기술을 디딤돌 삼아 고도로 복잡한 데이터를 처리할 수 있게 됐다. 연구진들은 각종 분야에 발 빠르게 인공지능 기술을 접목함으로써 새로운 가능성을 경험을 모색하고 있다. 근래에 딥러닝을 향한 대중들의 관심이 뜨겁고, 다양한 분야에서 인공지능 기술이 적용되고 있다. 때문에 인공지능 분야가 급속도로 성장한 분야로 보일 수 있다. 그렇지만 인공지능은 딥러닝의 상위 개념으로 컴퓨터 과학의 역사와 함께 차근차근 성장했다. 인공지능 연구는 두 번의 겨울을 겪는 동안 현실과 동떨어진 세계에 갇히지 않았다. 오히려 이 기술은 대중들의 기대에 부응하기도, 실망을 안겨주기도 하며 단단하게 성장했다. 오늘날 인공지능이 지닌 영향력이 특히나 거대해보이는 듯한 이유는 60년이 넘는 시간을 쉼 없이 연구에 몰두한 거장들이 내어놓은 탄탄한 이론 덕분이며, 공학자들이 이 기반 위에서 인공지능 기술을 자유롭게 활용할 수 있게 됐기 때문일 것이다.
현재 공학자 및 연구진들은 인공지능을 활용할 수 있는 분야를 적극 모색하고 있다. 교육분야에서도 이러한 움직임이 발생하고 있다. 인공지능과 교육은 에듀테크(Edutech)라는 분야 속에서 활용 방안을 모색 중이다. 전문가들은 인공지능 기술의 장점인 큰 데이터의 빠른 처리 속도와 전문가 수준에 달하는 혜안으로 학습자들에게 새로운 기회를 열어줄 것이라고 기대하고 있다.
빅데이터로 쌓인 학생들의 성취도를 인공지능이 분석하여 개인별 맞춤 교육을 제공하는 영역이 대표적이다. 교육 기업들은 인공지능 기술이 학습지를 제공하거나 집합강의를 수행하는 등 현재의 교육 방식보다 더욱 다각화된 경험을 제공할 수 있다고 전망한다. 한 기업은 학습자들이 연간 1억 6천만 건의 누적한 데이터를 활용하여 학습 취약점을 분석한다. 이 기업은 인공지능 기술을 활용하여 학생 맞춤형 문제를 제공하거나 회차별로 난이도 설정이 가능하도록 학습 경험을 개선했다. 학습자들이 자신이 잘 아는 분야에 시간을 소진하거나 자신의 수준보다 높은 문제를 해결하느라 비효율적으로 시간을 소모하는 일을 축소하겠다는 취지다.
현재 국내에서 태블릿PC 학습지를 이용하는 초등학생 수는 약 70만 명이다. 이 수치는 전체 초등학생의 30%에 가까운 수준이다. 국내 교육 기업들은 학생들의 문제풀이 방식에 기반을 두어 학습하기 적절한 난이도의 문제를 제공한다. 인공지능이 평소 학습자의 습관을 파악하고 어림짐작으로 문제를 해결하려는 행위를 탐지하여 기초 지식을 키우려는 방안도 개발됐다.
한 교육 회사는 영어 인공지능 스피커북을 만들어서 출시했다. 딥러닝을 사용한 음성 인식 기술이 획기적으로 발전했기 때문이다. 이 인공지능 스피커는 학습자와 실시간으로 대화하며 학습자가 자연스럽게 영어를 사용하는 환경에 노출될 수 있도록 돕는다.
인공지능 기술로 동등한 교육의 기회를 제공하려는 노력도 진행 중이다. 기존 ICT 교육 기술이 인터넷 강좌를 구독하고 사지선다형 문제를 제공하는 정도에 그쳤다면, 인공지능 기술은 학습자가 부족한 부분을 보충하고 강화할 수 있도록 문제를 큐레이션(curation)해 주거나 휴대폰으로 사진을 찍은 다음 분석을 통해 자동으로 해당 문제의 해설을 받아오는 등 학습자의 요구사항에 더 능동적으로 대처할 수 있는 수준까지 발전했다.
에듀테크는 교육 방식에 대한 개선뿐만 아니라 진학 환경을 개선하는데도 쓰인다. 미국의 한 회사는 인공지능 진로 상담 서비스를 운영한다. 이 서비스는 학생이 자신이 받은 GPA, SAT 점수를 입력하면 지원할 수 있는 학교들과 합격률, 그리고 그 학교에 진학했을 때 입학금을 대출받을 수 있는 회사를 안내한다. 이들은 대학교가 정부에 제출하는 공공 교육 데이터, 특히 재학생 현황, 교직원 현황, 입학금 정보, 지역별 장학금 지급 회사들 정보를 적극 활용한다. 한 논문을 보면 미국의 인공지능 에듀테크 스타트업들은 공공 정보를 활용하여 학생이 특정 학교에 진학했을 때 수요자 맞춤형 입학 정보와 주변 환경 정보를 제공함으로써 개인의 편익을 극대화하는 데 사용하고 있다고 한다. 이처럼 짧은 시간에 인공지능 기술이 획기적으로 교육 환경을 발전시키고 있을 수 있는 이유는 교육기관이 심혈을 기울여 모아둔 질 좋은 공공 데이터들이 연구자들에게 안정적으로 공급됐기 때문이다.
인공지능을 활용한 교육 기법은 나라별 실정에 맞추어 진화하고 있으며, 이미 성과를 내고 있는 곳도 있다.
일본은 고령화의 여파로 교사들의 나이가 높고, 시간이 지날수록 교육 인력 부족이 심화할 전망이다. 따라서 일본의 교육 위원회는 인공지능 교육 기술을 도입하여 교육 인력난과 교육 품질 차이를 극복하려고 노력 중이다. 한 기사에 의하면 일본 도쿄 치요다 구립 고지마치 중학교는 한 인공지능 교육 업체가 만든 서비스를 사용한다. 이 서비스를 사용한 학생들은 종전보다 약 2배 빠른 속도로 한 단원의 학습을 마무리할 수 있게 됐고, 전체로 보면 상/하위권 학생들의 성적 격차가 평균 5포인트 정도 줄었다고 한다.
개발도상국은 소득뿐 아니라 지역별로도 고등 교육 격차가 발생한다. 개발도상국의 인공지능은 이러한 교육 격차를 줄이기 위해서 진화한다. 네팔의 중학교 과정 수료 시험(SLC, School Leaving Certificate) 합격률은 사립학교는 89% 정도이지만 공립학교 학생들은 35% 정도로 격차가 크다. 합격률은 지방으로 갈수록 더욱 떨어진다. 시험에 합격하지 못한 학생들은 공부보다는 단순 노동을 강요받고 계속 빈곤한 상태에 노출될 가능성이 높다. 교육의 불평등이 노동의 불평등, 나아가서 삶의 불평등으로 이어지는 것이다. 네팔의 에듀테크 스타트업들은 이러한 교육 불평등을 극복하는 방향으로 발전하는 중이다. 온라인으로 함께 공부할 수 있는 동료나 선임들을 찾고, 그들에게 원격에서 조언을 받고 토론을 할 수 있는 서비스를 제공하는가 하면, 미국의 한 서비스처럼 진학고사 점수와 진학 분야를 입력하면 대학과 장학금을 추천해주는 서비스도 있다. 이들은 학습자에게 제공해야 할 항목이 늘어나면서 자신들의 서비스에 인공지능 기술을 적극 도입하는 중이다.
이처럼 교육과 결합한 인공지능 기술은 과거에는 제약된 상황에서 전문 인력들로부터만 받을 수 있었던 지식을 공평하게 전수받을 수 있도록 진화하고 있다. 현재 인공지능을 활용한 교육 기술은 학습자에게 맞춤형 인터페이스를 제공하는가 하면, 진학 상담과 장학금 정보를 컨설팅하거나, 학습자가 정확히 모르는 사실을 대충 짐작할 때 오류를 탐지하여 적절한 수준의 이론 강의를 제안한다. 이러한 변화는 학습자가 문제를 극복해야 할 장벽이 아니라 제대로 알고 자유롭게 응용할 수 있는 지식으로서 받아들이게 하고, 학습에 필요한 심리적, 물리적 제약을 낮추는데 이바지한다.
앞으로 인공지능 기술은 교육 분야속 여러 방면에서 활용될 전망이다. 인공지능은 과거 ICT 기술의 한계점인 단답형 응답 기술이 아니라 사용자의 반응에 적응하고 상호 작용할 수 있다. 따라서 인공지능 기술을 활용한 교육은 전문 인력의 현실적인 제약 때문에 학습자의 요구에 반영하기 어려웠던 공백을 보충할 수 있을 것이며, 궁극적으로는 사용자의 학습 효율을 높여줄 것으로 기대된다.
끝.
참고한 문헌
Machinery, Computing. “Computing machinery and intelligence-AM Turing.” Mind 59.236 (1950): 433.
튜링테스트: 앨런 튜링은 1950년에 철학 저널 Mind 에 발표한 Computing Machinery and Intelligence 에서, 기계가 지능적이라고 간주할 수 있는 조건을 언급했다. “기계가 생각할 수 있는가?”라는 질문에 대해 그는 긍정적이라고 답변하면서, “컴퓨터가 생각할 수 있다면 그것을 어떻게 표현해야 하는가?”라는 핵심 질문에 대해 그는 “컴퓨터로부터의 반응을 인간과 구별할 수 없다면 컴퓨터는 생각(사고, thinking)할 수 있는 것”이라고 주장하였다.
튜링 테스트란 기계가 생각할 수 있음을 증명하기 위한 실험이다. 이 실험에는 질의자 하나와 응답자 둘이 필요하다. 질의자는 양쪽 응답자에게 동일한 질문을 던질 수 있고, 둘로부터 답변을 받는다. 응답자 중 하나는 컴퓨터고, 다른 하나는 사람이다. 질의자는 어느쪽이 컴퓨터인지 모른다. 질의 응답은 텔레타이프로만 이루어진다. 따라서 질의자는 인간의 신체적 특징(목소리, 외모, 발화 습관 등)은 철저하게 배제된 답변을 받는다. 튜링은 이 테스트에서 질의자가 컴퓨터와 사람 응답자를 구분할 수 없다면 기계에 지능이 존재한다고 주장했다.
“The Rational Soul”, Haugeland, John. Artificial intelligence: The very idea. MIT press, 1989.
https://en.wikipedia.org/wiki/Dartmouth_workshop
McCorduck 2004, p. 131, Crevier 1993, p. 51. McCorduck also notes that funding was mostly under the direction of alumni of the Dartmouth conference of 1956.
https://en.wikipedia.org/wiki/Frank_Rosenblatt
https://en.wikipedia.org/wiki/Expert_system
https://en.wikipedia.org/wiki/Mycin
예문은 다음 URL을 번역하였음: http://www.engineeringenotes.com/artificial-intelligence-2/expert-systems/examples-of-expert-systems-artificial-intelligence/35518
온톨로지(Ontology)란 사람들이 세상에 대하여 보고 듣고 느끼고 생각하는 것에 대하여 서로 간의 토론을 통하여 합의를 이룬 바를, 개념적이고 컴퓨터에서 다룰 수 있는 형태로 표현한 모델로, 개념의 타입이나 사용상의 제약조건들을 명시적으로 정의한 기술이다, 출처 : 위키피디아 https://ko.wikipedia.org/wiki/온톨로지
Hopfield, John J. “Neural networks and physical systems with emergent collective computational abilities.” Proceedings of the national academy of sciences 79.8 (1982): 2554-2558.
LeCun, Yann, et al. “A theoretical framework for back-propagation.” Proceedings of the 1988 connectionist models summer school. Vol. 1. CMU, Pittsburgh, Pa: Morgan Kaufmann, 1988.
무한히 깊은 인공신경망을 학습시키는 것은 여전히 한계가 있다. 경사 사라짐 문제(Gradient Vanishing Problem)나 경사 폭발 문제(Gradient Exploding Problem)가 대표적이다. 그러나 이 글을 읽는 독자들의 편의를 위해 과거의 얕은 딥러닝은 신경망 모델에 비교했을 때 상대적으로 깊은 신경망을 학습할 수 있다는 의미를 과장해서 기술했음을 밝혀 둔다.
약한 인공지능과 강한 인공지능(Weak AI and Strong AI): 약한 인공지능은 스스로 사고하며 문제를 해결할 수 있는 능력이 없는 컴퓨터 기반의 인공지능이다. 약한 인공지능은 전정한 지능, 지성을 갖춘 수준은 아니고, 미리 정의된 규칙의 모음을 이용해 지능을 흉내 내는 컴퓨터 프로그램이다. ‘강한 인공지능’은 스스로 사고하며 문제를 해결할 수 있는 컴퓨터 기반의 인공지능이다. 강한 인공지능은 지각력이 있고, 스스로를 인식하며 독립성을 가진다. 강한 인공지능은 정신과 자유의지를 가지고 진화를 거듭할 수 있다. 출처: 디지털 타임즈, <[알아봅시다] 인공지능의 종류>에서 발췌하였음, http://www.dt.co.kr/contents.html?article_no=2017041802101831102001
에듀 테크(Edu-tech): 교육(Education)과 기술(Technology)의 합성어로 전통적 교육과 미디어, 디자인, 소프트웨어, 인공지능 등 ICT기술이 융합되어 새로운 학습 경험을 모색하는 교육 분야.
기사에서 내용을 발췌하고 문장을 수정하였음, 출처 : http://news.chosun.com/site/data/html_dir/2019/04/21/2019042101229.html
<천재교육, 교육에 AI 더한 ‘에듀테크’ 전략 제시> 기사에서 내용을 발췌하고 문장을 수정하였음, 출처 : https://www.zdnet.co.kr/view/?no=20181123172634
<유아도, 初中高도, 성인·기업도…교육 트렌드는 AI<인공지능>>, 출처 : http://economychosun.com/client/news/view.php?boardName=C00&t_num=13606954
큐레이션(curation)이란 여러 정보를 수집, 선별하고 이에 새로운 가치를 부여해 전파하는 것을 말한다.
<“요즘 수학의 정석은 콴다죠”…문제 풀이앱 만든 두 쌤> 기사에서 내용을 발췌하고 문장을 수정하였음, 출처 : https://www.msn.com/ko-kr/news/techandscience/“요즘-수학의-정석은-콴다죠”…문제-풀이앱-만든-두-쌤/ar-BBUrG5j
Cappex: https://www.cappex.com/
교육 오픈 데이터를 활용한 미국 기업의 웹 사이트 분석, 박지원, 석상일, 박한우, Journal of the Korean Data Analysis Society, August 2016, Vol. 18, No. 4 (B), pp. 2067-2078
<[4차 산업혁명 시대의 교육] ‘AI 선생님’ 만나니 수포자도 없어졌네요>, 출처 : http://www.etoday.co.kr/news/section/newsview.php?idxno=1774192#csidx3b8f0b4bfc14f20999e20e97ffd2896
Table 9. Performance of SLC Candidates by Eco-Development Region, pp. 57에서 구성, Mathema, Kedar Bhakta, and Min Bahadur Bista. “Study on student performance in SLC.” Kathmandu, Nepal: Ministry of Education and Sport (2006).
FlipKarma, http://flipkarma.com/
Admizz, https://www.admizz.com/
