EBS 위대한 수업(AI는 어떻게 생각하는가)제1강~5강 요약정리

EBS 위대한 수업(AI는 어떻게 생각하는가)제1강~5강 요약정리

 

위대한 서른 한 번째 강연 'AI는 어떻게 생각하는가'

 

몬트리올 대학교 컴퓨터학 교수 요슈아 벤지오

런던, 캐나다 왕립학회 회원

2017년 캐나다 훈장 수훈

2018년 류링상 수상(AI 핵심 기술인 딥 러닝 개발)

2019년 킬람상 수상

2022년 뢰종도뇌르상 수상

 

인공지능 : 지능을 가진 것처럼 행동하는 기계

 

 

 

제1강 딥 러닝의 탄생

 

 

■ 머신 러닝

   : 컴퓨터가 스스로 학습하여 인공지능의 성능을 향상시키는 기술

 

  - 미래의 기계들은 인간과 동물처럼 지능을 가질 수 있다 

  - 컴퓨터가 학습 능력을 갖도록 프로그래밍할 수 있다

 

 

■ 전통적인 기호주의 AI

   : 모든 지식을 규칙과 기호로 제공하는 방법을 사용 → 우리가 아는 모든 걸 수학적으로 형식화

 

  - 직관적으로 알고 있는 것을 프로그래밍하는 것은 힘들다

 

■ 전통적인 기호주의 AI의 해결책 머신러닝

 

  - 표현이 어려운 직관적 지식을 컴퓨터가 직접 알아냄

  - 다양한 고양이 사진을 예시로 주고 그게 고양이라고 알려주는 방식 

  - 머신 러닝은 AI에 대한 특정한 접근법

  - 사람이든 기계든 동물이든 지적 결정을 내리기 위해서는 지식이 필요하다

  - 기계가 행동하고 무언가를 이해하도록 훈련하는 특별한 방법이 있다

 

 

■ 딥 러닝

   : 인간의 신경망 구조와 비슷한 심층 신경망을 활용하는 머신 러닝

 

  - 컴퓨터가 잘못된 값을 출력했을 때 컴퓨터에게 알려주고 스스로 조정하도록 만든다

  - 가중치 즉, 기계 내의 수치를 조정하여 다음에 같은 이미지를 봤을 때 정답에 가까운 답을 내게 된다

  - 컴퓨터가 보는 이미지의 입력, 맞춰야 할 정답(=목표 답변) 두 가지가 필요

  - 예시가 제공될 때마다 알아서 고쳐나가며 점점 잘하게 된다

  - 지도 학습을 위한 예시는 컴퓨터가 지식을 얻는 데 핵심적인 역할을 한다

  - 제대로 학습했는지 확인하기 위해 훈련과 평가 세트를 사용한다

    · 평가 세트는 컴퓨터가 훈련한 적 없는 예시를 포함하고 있다

    · 정답을 맞히는 빈도를 계산

    · 다양한 알고리즘과 훈련법을 비교할 수도 있다

  - 머신 러닝 연구는 다양한 알고리즘과 훈련법을 시도해 보고 개선하는 과정

 

 

■ 딥 러닝의 신경망 접근법

   : 뇌 안에 있는 뉴런에서 착안, 단순한 조정 단위로 이루어진 네트워크가 연산하게 함

 

  * 사람의 뇌에는 약 800억 개의 뉴런이 있다, 뇌에 있는 이 많은 세포가 정보를 처리한다

    정보를 수집해 그 결과를 다른 뉴런에 전달

 

  - 인간의 뇌나 인공 신경망에서 정보가 제시될 때 기호가 아니라 활성화 패턴이 사용된다

    · '고양이'라는 말을 듣거나 이미지를 보면 수많은 뉴런이 발화

      개의 이미지를 보면 다른 그룹의 뉴런이 발화, 고양이와 개 이미지 모두 발화하는 뉴런도 있다

      → 공통점이 있기 때문

    · 뇌에서 물체를 인식한다는 것은 물체의 존재뿐만 아니라 그 특성에 대해서도 아는 것

    · 컴퓨터는 이런 방식으로 더 쉽게 학습하고 새로운 예시에도 알맞은 답을 하게 된다 → 일반화

 

  - 컴퓨터는 우리가 요청한 작업을 계속 연습하며 훈련한다

    · 인간의 뇌와 마찬가지로 신경망의 모든 부분이 협력함  

   

  - 신경망을 특정 방식으로 설계하는데 방법은 여러 가지가 있다

    · 뉴런을 여러 계층으로 구성하는 방법(입력층 / 비선형 연상층 등 )

  - 다층 신경망 구조는 성립 가능한 모든 함수의 근사치를 계산할 수 있다

    · 신경망 규모만 충분하다면 무엇이든 학습할 수 있다

    · 수행된 연산은 표현할 수 있지만 학습이 가능한지는 증명되지 않았다

      뉴런들이 스스로 조정하도록 방법을 찾아야 한다

    

 

 

제2강 추론하는 기계

  

 

■ 일반화

   : 컴퓨터가 새로운 상황에서 정답을 맞히는 방식

 

  - 머신 러닝을 기반으로 한 AI의 핵심

    · 데이터 : 컴퓨터가 지식을 갖게 하려면 예시를 많이 제공해야 한다

                 복잡한 걸 학습하려면 데이터와 예시가 많이 필요

    · 학습 시스템이 연산 능력, 유연성, 용량을 충분히 갖춰야 한다

    · 신경망의 경우 규모가 커야 한다(뉴런이 많이 필요)

      큰 인공 신경망 구축에는 엄청난 연산 능력이 필요하다(대형 컴퓨터 필요)

    · 수백만 개의 예시로 훈련한 후에도 빠르고 효율적으로 답하는 기계도 필요

    · 머신 러닝 시스템에 적절한 구조를 적용해야 한다

      실제 세계에 바탕을 두어야 새로운 데이터를 쉽게 일반화한다

 

  - 일반화가 필요한 이유

    · 컴퓨터가 입력을 통해 학습하도록 프로그래밍한다고 했을 때 이미지 입력 시

      해상도가 1,000X1,000이라면 픽셀 수가 백만 개, 입력 가능한 값은 픽셀 당 값이 두 개만 돼도

      총 2의 백만 제곱 개 → 컴퓨터가 소화할 만큼의 충분한 예시를 보는 것이 불가능

    · 고려할 변수가 많을수록 더 많은 값을 측정할수록 컴퓨터에 입력된 값을 배열하는 방법은 점점 많아짐

      → 실제 상황에서 입력되는 값은 컴퓨터가 한 번도 본 적 없는 예시이다

    · 우리는 매 순간 한 번도 경험한 적 없는 이미지나 소리를 접한다

      → 항상 새로운 것을 경험하는데 어떻게 적절히 행동하고 상황을 이해하는 걸까 → 일반화

      → 일반화는 데이터 차원이 커질수록 어려워진다

    · 변수가 늘어나면 컴퓨터가 이렇게 많은 조합을 전부 보는 것은 불가능하다

변수에 따라 달라지는 값

    · 컴퓨터가 모든 걸 배울 만큼 용량이 충분치 않은 경우, 암기를 통해 배우는 것을 제한할 수 있다

    · 새로운 상황에서 적절히 답하려면 일반화할 수밖에 없다

 

  - 통계적 학습 이론 : 예시 데이터를 기반으로 새로운 데이터의 속성을 추론하는 학습 이론

    · 학습할 수 있는 것이 제한되었을 때 일반화할 수 있다

      완벽하게 학습할 수 있는 양보다 데이터의 양이 많다면 컴퓨터는 새로운 상황을 일반화한다

 

  - 머신 러닝 모델 용량이 아주 크다면 모든 걸 기억할 수 있다

    · 뉴런이 너무 많으면 컴퓨터는 예시 데이터를 반복해서 본다

      → 학습할 때 기억을 사용하지만 무슨 작업을 하는지는 이해하지 못할 수도 있다

      → 많은 예시를 저장하지만 새로운 예시에는 답할 수 없음

         (과적합 : 컴퓨터가 데이터의 핵심을 제대로 파악하지 못함)

        ★ 시스템이 일반화하도록 만들어야 한다

 

  - 합성곱 신경망 : 이미지를 처리하는 시각 피질, 인간의 뇌를 모방하도록 을 설계되었다

    · 신경망은 이미지의 특정 속성을 활용

    · 가장 많이 활용되는 속성은 이미지가 조금씩 이동되어도 내용물은 같다는 것

 

  - 프로그래밍의 특성

    · 프로그램을 작성할 때 각기 다른 코드, 함수, 루틴이 서로 호출하도록 구성

    · 하나의 큰 프로그램을 여러 조각으로 작성하는 것

    · 한 코드의 출력 값이 다른 코드에서는 입력값이 될 수 있다

    · 수학에서 합성 함수라고 하는 연산의 한 유형으로 함수는 연이어 다른 함수를 호출할 수 있다

    · 우리 세상이 분할할 수 있는 구조로 되어 있기 때문에 매우 유용하다(구성적 구조)

      글도 계층적(문자-단어-구-문장-이야기-책)

      → 개념과 아이디어를 계층적으로 구성

    · 합성곱 신경망에서도 이미지를 처리할 때 하위 계층, 즉 첫 번째 계층에서는

      탐지를 통해 스스로 학습해서 뭘 할지 알아낸다(물체를 이루는 선에 주목해야 한다)

      다음 계층에서는 모형을 형성하는 선의 조합에 주목

      그다음 계층에서는 물체의 부분들을 발견

      심층 신경망은 계층적인 표현 구조를 갖는다

 

 

■ 딥 러닝의 활용

 

  - 음성 인식  

    · 안드로이드는 2년도 안 돼서 딥 러닝 음성 인식을 만들었다

    · 휴대전화에 음성 인식 신경망이 적용되기 시작(2012년)

 

  - 이미지

    · 2012년 국제 경연대회에서 제프리 힌튼 그룹은 기존의 모든 방법을 능가하는 신경망을 선보임

      방대한 이미지 데이터 세트에 있는 천 가지 물체를 인식할 수 있었음

      (당시에 가장 큰 데이터 세트였던 '이미지 넷'에 있는 물체)

 

  - 심층 신경망은 불과 몇 년 후에 모든 컴퓨터 비전 산업에 사용되었다

    컴퓨터 비전 분야의 표준이 되었음

 

 

 

제3강 인공 신경망 최적화하기

 

 

■ 신경망 훈련 및 최적화

 

  - 머신 러닝에서는 함수 그룹을 이용해 학습 문제를 설정한다

    · 가령 신경망이 수행할 수 있는 모든 연산이 함수 그룹이 된다

    · 뉴런 사이의 연결과 가중치를 모두 고려할 수 있어야 한다

    · 학습 중 조율되는 이러한 연결을 '가중치'라고 한다

    · 가중치는 학습 중에 조금씩 변경된다(컴퓨터가 틀릴 경우)

      어떻게 오류를 판단하고 가중치를 변경할지 정해야 한다

    · 가중치를 변경할 때마다 훈련용 데이터 세트에 대한 오류가 점점 줄어든다

 

  - 신경망 훈련할 때 일어나는 일

    · 입력값과 출력 값이 다를 때 신경망의 가중치를 어떻게 변경해야 정답에 가까워질지 알 수 있다

    · 오류 역전파법

      : 네트워크를 이루는 신경망은 연속적인 배열(감각 뉴런이 있는 입력층부터 추상적인 특성을 추출하는 계층까지)

        계층이 높아질수록 추상적인 특성이 추출되고 결국 답을 도출할 것

      : 우리는 이 계층들이 변경되며 서로 협력해 작업을 수행하길 원한다

      : 신경망을 최적화할 때 향상률이 가장 높은 방향으로 가중치를 변경하길 원한다

        → 가중치 변경을 최소화하면서 오류를 크게 줄이는 것(경사 하강법)

            가중치에 조금씩 변화를 주면 오류가 계속 감소하다가 더 개선할 수 없는 상태가 된다(국부 최솟값)

경사하강법('기울기 방향'에 따른 가중치 변경을 최소화 하는 방법)

      : 컴퓨터가 자동으로 기울기를 계산하게 만들어 지금은 그 방법을 자동으로 찾아내는 많은 라이브러리가 있다

    · 순전파를 프로그래밍한다고 할 때 즉 어떻게 가중치를 계산할지

      어떻게 입력을 받고 다음 층으로 전달할지 정한다

      그러면 자동 미분을 하는 다른 코드도 얻을 수 있다

      그 코드는 기울기를 계산하는 새로운 코드를 만들어낸다

      계산된 기울기는 가중치가 어떻게 수정되어야 하는지 알려준다

      그러면 특정 상황에서의 특정 오류가 줄어든다

 

    ♣ 순전파(forward propagation) : 입력층부터 출력층까지 순서대로 변수들을 계산하고 저장하는 것

 

    · 전통적인 최적화 이론에 따르면 오류를 개선하는 가장 빠른 방법은 '기울기 방향'을 이용하는 것이다

    · 정확한 기울기를 얻기 위해서는 모든 예시를 봐야 한다

    · 백만 개의 예시가 있다면 뉴런과 신경망을 어떻게 수정할지 정하기 전에 그걸 다 봐야 한다

      (시간이 너무 오래 걸리며 인간이 학습하는 방식도 아님)

    · 인간의 삶은 다시 살 기회가 주어지더라도 삶을 개선할 방법을 계산할 수 없다

      주어진 적은 양의 정보와 데이터로 상황을 변화시키려 노력해야 한다

    · 확률적 경사 하강법 

      : 사람의 학습 방법과 비슷(인간의 뇌는 오류를 감수하는 방향으로 변한다)   

      : 학습뿐만 아니라 일반화에도 효과적      

       컴퓨터가 모든 예시를 하나씩 연습할 때까지 기다렸다가 가중치를 변경한다면

        또 이 과정을 반복한다면 시간이 엄청나게 걸릴 것이다

    · 신경망에는 가중치 외에도 사람이 직접 결정할 게 많다(설계, 훈련 등)

    · '학습률'을 정해야 하지만 아직 설정법을 몰라 시행착오를 거쳐야 한다

'학습률'

    · 신경망을 훈련할 때 여러 학습률을 시도해봐야 한다

    · '하이퍼 매개 변수'의 설정도 해야 한다

      얼마나 오랫동안 신경망 훈련을 해야 하나, 신경망이 얼마나 커야 하나,

      얼마나 많은 계층을 가져야 하나, 각 계층에 뉴런이 몇 개 있어야 하나

    · 신경망을 훈련하는 방법은 매우 다양하다

      '드롭아웃'(노이즈를 발생시키는 방법)

       : 이런 노이즈는 인간 뇌에서도 흔히 발견할 수 있으며 더 확률적이다            

         신경망이 일반화를 통해 새로운 예시를 처리하는 데 도움을 준다

         그런데 얼마나 많은 노이즈를 발생시키는 가도 인간이 결정해야 한다

    · 신경망이 처리할 수 있는 형태로 원자료를 가공해야 할 때도 있다 → 전처리

      이미지를 입력할 때 그레이 레벨이 아니라 0과 1만을 사용하길 원할 수도 있다 (0~255까지가 아니라)

    · 하이퍼 매개 변수의 최적화 문제(여러 방법이 있는데 뭘 골라야 할까 / 어떻게 설정할까)

      → 하이퍼 매개 변수를 다양하게 설정해보고 결과가 가장 좋은 걸 선택하면 된다 

      → 그러나 신경망이 충분히 학습했는지 판단하기는 어렵다

         (훈련 예시로만 학습 능력을 평가한다면 과적합이 발생할 수 있다)

         (학생이 교수가 준 모든 예시를 완벽하게 암기하지만 제대로 이해하지 못한 것과 비슷)

      → 반드시 '검증 세트'가 필요하다(평가용 시험지 / 새 예시가 주어졌을 때 일반화하는 능력을 평가)

    · 여러 설정과 조합을 시도해 보고 여러 컴퓨터로 실험하며 수시로 시스템의 성과를 측정한다

      최종적으로 결과가 가장 좋은 걸 선택

 

 

    

 

제4강 창작하는 기계

 

 

■ 딥 러닝의 혁명적 순간

 

  - 추상화

    : 딥 러닝, 즉 여러 계층으로 된 신경망 연구를 시작할 때 영감을 줬던 아이디어가 있다

      높은 계층일수록 더 추상적인 개념을 제시할 거란 것

    · 계산이 연속적으로 진행되면서 AI의 뉴런은 인간의 추상적 개념을 포착할 것이다

    · 픽셀 안에 있는 정보가 인간이 이해하는 형태로 바뀌는 것처럼

      신경망과 알고리즘이 원자료에서 추상적 개념을 얻길 원함

    · 대화할 때 추상적인 개념을 사용하는 인간 : 언어

    · 낮은 계층의 데이터를 추상화할 수 있다면 일반화가 훨씬 쉬워지고 학습 능률도 향상된다

      → AI 시스템의 궁극적 목표

    · 문제점

      : 컴퓨터에 물체와 이미지를 인식하게 하거나 게임이나 운전을 하게 하는 것 등의 해결 과제를 줬을 때        

        추상적인 정보를 어떻게 표현할지 컴퓨터에 단서를 줘야 했다

    · 좋은 표현이란 학습이 쉬운 형태라고 본다

      픽셀로 된 원자료로 학습하는 것은 꽤 어려울 수 있다

      하지만 낮은 계층의 데이터를 언어처럼 추상적인 형태로 변형한다면

      많은 작업이 훨씬 수월해지고 데이터도 덜 필요해짐

 

  - 생성 모델

    · 신경망을 훈련하는 방법은 입력된 이미지에 어떤 물체가 있는지, 어떤 이미지인지 답하는 것

    · 2014년에 정반대 작업에 큰 발전이 있었음

     입력이 아닌 출력하도록 신경망을 훈련, 매번 다른 이미지를 만들어낼 수도 있었음

    → 창작 기계처럼 새로운 이미지를 만들 수 있게 된 것

수많은 사람의 이미지로 훈련받은 기계가 만들어낸 것

    · 훈련을 통해 실존하지 않는 인물을 생성해 낼 수 있다

    · 생성된 이미지의 품질이 지난 수년간 굉장히 향상함

    · 적대적 생성 신경망이라고 함

    · 컴퓨터에 일종의 창작 능력을 줄 수 있다

      어떤 자료도 없이 이미지를 만들 수 있고,

      만들고 싶은 이미지에 관해 설명하는 문장을 입력하면 이미지를 합성할 수 있다

    

  - 강화 학습

    : 승리를 목표로 기계를 훈련

      어떤 수를 놓으라고 지시하는 대신 경기가 끝난 후 점수를 준다

      경기에 승리하면 승리를 이끈 주요 수를 강화한다, 경기에 패배하면 다음에 지지 않도록 그 수를 피한다

    : 어느 시점에서 기계가 실수를 했는지 찾아내는 작업 → 신뢰 할당

 

    * 지도 학습 : 컴퓨터에 무엇을 할지 지시,

                     수많은 바둑 고수의 대국을 관찰하고 모방, 바둑판과 돌의 위치를 익혀서 어떤 수를 놓을지 예상

 

    · 2016년 딥 러닝 분야에 중요한 사건 : '알파고'(바둑을 두는 신경망)

    · 이 신경망은 두 종류의 머신 러닝이 결합한 것

      딥 러닝과 강화 학습이 결합  

    · 딥 러닝과 강화 학습을 결합하고 사람이 훈련하는 것보다 기계가 더 많이 훈련하면

      바둑 최고수의 경지에 이르게 된다

    · 기계끼리 훈련하게 했을 때 사람보다 실력이 좋아짐

    · 컴퓨터가 놓는 수를 보고 인간이 배울 수도 있다  

      → AI는 바둑의 진화에 한몫하고 있다

 

  - 주의력 혁명

    · 인간은 정보, 기억, 생각 일부에 집중하고 많은 것을 무시한다

    · 자연어 처리 분야를 완전히 뒤바꿔 놓은 발견(컴퓨터가 문자를 처리하는 방식)

    · 컴퓨터는 어떤 언어로 된 단어의 배열을 보면 상응하는 외국어 단어를 하나씩 제시한다

    · 인간은 원무장의 한두 개 단어에 특히 주의를 기울일 것이다 

    · 신경망에 주의력 기제를 적용하자 기계 번역이 굉장히 발전했다

    · 어디에 집중해야 하는지 사람이 알려주지 않고 컴퓨터가 스스로 배움 

 

  - 일반화

    · 평가용 데이터의 본질은 훈련 예시와 같아야 한다

      훈련 세트와는 다르지만 같은 유형의 예시를 제시한다

    · 현실은 더 복잡하다. 시간에 따라 다르고 지역에 따라 다르다

      (북미 지역의 이미지로 훈련한 신경망은 한국에서 잘 작동하지 않을 것) → 분포 그룹이 다르기 때문

    · 인간에게 영감을 얻는 방식으로 접근해야 한다

      세상의 변화에 인간이 적응하는 방식은 굉장히 특별하다

      주위 상황이 변할 때 사람 수준의 일반화 능력을 구현하는 게 미래의 목표

원래 살던 도시에서 수년간 운전을 하다가 교통 법규가 다른 나라에서 운전한다고 했을 경우

 

 

 

제5강 착한 인공지능

 

 

■ AI와 사회의 관계

 

  - 다양한 분야에서 많은 기업이 AI를 사용하기 시작

    · 산업, 교통, IT, 제조 분야

 

  ☞ AI를 바르게 사용하려면 어떻게 해야 할까?

      AI 과학자와 새 제품을 설계하는 공학자에게는 이런 책임이 있다

      제품을 출시하는 조직과 회사를 운영하는 사업가에게도 책임이 있다

      규칙과 장려책을 정하는 정부에도 책임이 있다

       ▶ AI 이용과 사회적 영향에 중대한 영향을 미칠 것이기 때문

 

  - AI는 이전보다 더 강력해졌고 미래에는 더욱 강력해질 것이다 

  - AI는 사람도 아니고 마술도 아니다, 인간이 만든 도구이다

    · 도구를 만드는 이유는 그걸 필요로 하고 원하며 소중한 무언가를 위해 활용할 수 있기 때문이다

    · 하지만 도구는 사람에게 해를 끼칠 수도 있다

    · 핵 기술은 양면적이다, 의료적으로는 유익하지만 무기로서는 굉장히 위험하다

    · AI도 같을 것이다. 소수의 권력을 위해 이용될 수 있다

      무분별하게 사용하면 많은 걸 파괴할 수 있다, 반면 우리가 미래에 직면할 많은 어려움을 해결할 수도 있다

 

  - 많은 이가 올바른 결정을 내리지 못하고 그로 인해 팬데믹이나 기후 변화 같은 수많은 문제를 야기했다

    · 우린 비이성적이고 감정적인 존재이다

    · 상황에 휩쓸려 잘못된 결정을 내릴 수도 있다

    · 그러니 도구를 관리하기 위해 공동체적 지혜를 쌓는 것이 중요하다

 

  - AI 연구자뿐만 아니라 인문학자, 사회학자, 철학자, 법률 전무가가 모였다

    · AI 이용에 지침이 될 윤리 원칙을 논의하기 위해서이다

    · 2017년 공표된 선언문을 마련 'AI의 책임 있는 개발을 위한 몬트리올 선언'

    · 많은 전무가와 학자뿐만 아니라 대중에게도 AI에 대한 의견을 물었다

    · 윤리나 사회 영향을 논의할 때 중요한 원칙은 논의가 모두에게 열려 있어야 한다는 것이다

      ★ 특히 우리가 맹목적으로 내놓는 새로운 기술의 잠재적 피해자들에게

 

  - AI 부정적 측면

    · 사람의 행동을 감시하는 분야에서 AI의 사용이 늘었다

      얼굴 인식 가능, 추적 가능

      AI를 이용해 사람을 조종하고 민주주의를 통제하는 것이 가능

    · 사람을 지켜보는 AI 시스템이 표적 살인에 사용될 수도 있다

      AI 비전 시스템을 갖춘 드론은 얼굴을 인식하고 표적을 확인

      군사용 드론은 사격과 살인을 할 수 있다

    · 편견과 차별을 강화할 수 있다

      일반 대중에게 얻은 데이터로 훈련하기 때문에 모든 종류의 편견이 대중이 만든 데이터에 존재

      AI가 흡수하고 복제함으로써 잠재적으로 문제를 악화시킬 수 있다

 

  - 강력한 경제 개발 도구로 사용

    · 의학적 용도, 기후 변화 등 환경 문제, 교육 문제, 민주적 정의와 인도주의적 목적

    · 올바른 규칙을 정하는 정부의 역할이 필요하다

    · 몬트리올 선언 이후 수십 개의 다른 윤리 선언이 있었다

      이제 정부가 이런 윤리 원칙을 법률과 규칙으로 수립할 때이다

    · 각 분야에서 구체적인 규칙과 규정을 정해야 한다

    · 최근 산업계가 상업적 이득이 되는 AI 분야에 많이 투자하고 있다

    · 교육, 보건, 환경 같은 분야는 산업계가 관심을 기울일 만큼 상업적으로 매력이 없다

    · 공익을 위해 정부가 AI 혁신을 일으켜야 한다

 

   - AI 혁신을 일으키기 위해 중요한 요소

    · 강력한 AI 시스템은 데이터가 필요하다(문제 해결에 관한 지식을 얻기 위해)

    · 기업은 경제 구조상 서로 경쟁해야 하고 다른 기업이나 대중, 학계와 데이터를 공유하지 않으려 할 것이다

    · 정부는 기업이 공익적 데이터를 공유하도록 장려책을 마련해야 한다

    · 혁신을 목표가 아닌 사회 진보를 위한 수단으로 삼아야 한다

    · 기업 대신 국가의 역할을 재정립해야 한다

 

 

 

 

 

    

 

 

https://home.ebs.co.kr/greatminds/index

 

 

위대한 수업

 

 

70원의 기적 EBS에서 전 세계 최고의 지성을 한 자리에 만날 수 있는 프로그램을 기획했다.

 

방송시간 EBS1 TV 월~금 23:35~23:55                        EBS2 TV 월~금 22:00~22:20(재방)

                        토     09:30~11:00(종합)                            토      22:15~23:45(종합)

                        월~금 15:05~15:25(재방)