Maching Learning

열풍의 대열에 우리는 합류할 수 있을까?

3~4년 전부터 Maching Learning에 대해 관심이 있었고,

그 흐름에 대하여 관찰자적으로 접근해 본 소회를 적어보려 한다.

우리나라에서 기술을 대하는 시선은 흐름적인 Mechanism보다는,

용어적 접근인 것이 무척이나 아쉽다.

그 이유는 모든 기술의 태동에는 원류가 있고,

그것이 흘러가면서 냇가를 이루고, 강을 이르고, 바다를 이룰 텐데

우리나라에서는 유독 마케팅 용어로 전락하여,

용어적 속성만 논의하다가

섣부른 접근으로 협의체를 설립하고,

그로 인한 이익집단이 난립하고

급기야는 자격증 시험이 창궐하는

참으로 시대착오적인

그들만의 리그의 이익 추구성으로

기술을 매도하는 사람이 많다는 씁쓸한 현실과

정작 오랫동안 그 기술을 연구하고 관심 있는 사람들마저

등을 돌리게 하는 상황으로 발전하니

그 상황이 실로 안타깝기 그지없다.

나는 단순히 관찰자 입장에서

왜 그들은 그럴 수밖에 없을까?

더 나은 Frame적 사고는 나올 수 없는 것일까?

이것이 우리나라에서 기술을 대하는 태생적 한계인가?

하지만 이 모든 것이 하나의 메커니즘적 속성을 띄고

그로 인해 많은 덕을 보는 기관과,

그 기관에 하청을 받으며 많은 수익사업을 하는 정부 출연 기관

그리고 이들을 거느리고 있는 정부 부처들을 보면서,

나는 어쩌면 관습이라 불리는 그들의 괴물 같은 모습을 접한다.

어떤 것도 속단할 수 없고 단정 지을 수 없기에~

그것이 더욱 슬퍼지지만~

Machine Learning에 대한 관찰자적 소견을 몇 자 적고자 한다.

일단 그 원류의 흐름은 Google에서 발행한 2005년 GFS(Google File System) 논문에서

모든 것은 태동하지 않았나 하는 것이 필자의 생각이다.

그 이유는 Cloud의 핵심적인 Data Mechainsm의 원류인 Cloud를 구성하는

Hadoop Eco System의 원류가 바로 그 논문이기 때문이다.

다시 한번 내 나름대로 흐름을 정리하자면,

Cloud -> BigData -> IoT -> Machine Learning -> AI

이것은 인프라적인 요소도 많고 Client 환경의 Input, Output Mechanism적인 요소도

고려해야 하며, 그리고 그 Data를 분석하기 위한 Data Analayze관점도 포함된다.

Cloud -> BigData의 출현에 시금석은 아마도 Google App Engine이 아닐까 싶다.

이는 Paas(Platform as a service) 관점으로 인프라적인 요소를 Covering 하는

구글이 IoT와 Machine Learning에 접근하기 위한 하나의 관문적 요소로

2012년도에 Launching 한 Paas 플랫폼이다.

IoT는 아직 표준이 없이 국가별로 난립되고 있는 상황이지만,

이를 타계할 묘책은 바로 구글의 Deep Mind와 TensorFlow의

예측 시스템이 아닐까 하는 개인적인 소견이다.

그 이유는 다양한 Input과 Output지점의 형상적 특성을 hidden layer의 Parameter와

Non Parmeter속성 값을 가지고 Supervise와 Unsupervise를 넘나들며 하는 분석적 메커니즘

구현이야 말로 그 모든 것들의 결정체가 아닐까 하는 필자의 생각에 기인한다.

그럼 작금의 우리는 그 Machine Learning열풍에 합류할 수 있을까?

요즘 많은 곳에서 Machine Learning 스터디와 tensorflow 스터디가 창궐하고 있다.

그곳에 참여해보면 다들 왜는 묻지 않고 그 기술을 다루기에 급급한 느낌이 든다.

그리고 누구도 왜? 그 기술이 작금의 상황에서 어떤 쓰임과 사용자들에게 어떤 편의성을

제공해 주는지 묻지 않고, 따라가기 급급한 커리큘럼과 Docker를 설치하고,

그 위에 tensorFlow를 설치하는 설치법 위주에 어쩌면 내가 질식되었는지도 모르겠다.

서비스를 구현하고 Machine Learning으로 독자적인 Mechanism을 구현하기 위해서

나는 왜를 묻고 싶다. 그것의 태동은 무엇이고, 어디서부터 시작했는지 그래서 작년에

R User Conference에서 해당 내용에 대하여 논의하기도 했지만, 전공자가 아닌

내 짧은 지식으로는 그 본질적인 왜에 접근하지는 못하고 있다.

하지만 이제껏 공부하고 관찰하며 느낀 하나의 지점은,

Image Processing의 관점이고, Machine Learning과 AI는 공간 복잡도 시간 복잡도를

최소화하는 Image Processing의 알고리즘을 구현하기 위한 Pre-training과 Fine-tunning에

많이 쓰이고, 이를 바탕으로 우리는 Automation Car와 Automation Drone 등을

구현할 수 있다는 것이다.

그것에 대한 결정적인 예시는 하기와 같다.

실제 응용 예 - 고려대학고 뇌공학과 석흥일 교수님 연구

공부하면 할수록 편협해지는 나 자신이 싫고,

아직도 배워야 할 것이 많은데 안주하고 있는 나 자신에 대하여 돌아본 글을 소개로 짧은 글을 마치고자 한다.

사회의 Mechanism
실체가 없는 사회라는 조직이 움직이는 동력은 무엇일까?
실체가 없기 때문에 변형이 가능하고 그 왜곡된 변형을 거쳐 일반 개인에게 칼을 겨눠 실체를 제거하고 더욱더 괴물이 되어버린 형체를 알 수 없게 되어버린 Society

무엇이 진실이고 어떤 것이 거짓인지
그들이 보고자 하는 것만을 보게 만들어 닫힌 Frame 속에 나를 가둬버린다
모든 것이 바뀌어 버려도 살 수 있다

그것이 바로 Perspective의 전환

정체되지 않은 나이기에 가능한 발상의 전환
닫힌 Frame에선 볼 수 없었던 새로운 기회
배움의 가능성

내 실체를 증명하기 위해선 더 큰 시련이 필요하다
하지만 이 현실은 나를 더욱더 옭아매 안주하게 만든다

실체가 없는 상태 속에서 숨만 겨우 쉬는 존재가 되긴 싫은데 박제가 되어야 하는 삶 속에서 난 위안을 얻는다