Learning : capability of general intelligence

Learning이란 일반적 지능의 가능성을 말하며 여기서의 지능은 세계와 경험에 의하여 일련의 상호작용을 통해 행동과 판단이 바뀔 수 있게 하는 것을 의미한다.

 

기계학습에는 3가지의 범주가 있는데 1)symbol based machine learning, 2) biological machine learning 그리고 3) social interaction machine learning이 있다.

1)    text , simbol을 기반으로 한 기계학습으로서 formal logic, induction, decision tree등의 기법이 여기에 해당된다. 주로 function이나 logic에 의한 기법들로서 판단(decision)능력은 이미 검증된 바 있으나 위에서 정의한 학습(Learning)의 측면에 있어서 새로운 사실을 받아들이고 검출해내는 능력은 떨어진다.

2)    인체의 구조나 생물의 구조에 아이디어를 얻어 그것을 컴퓨터로 구현한 것이다. 대표적으로는 인공신경망과 유전자학습 알고리즘이 있다. 인공신경망은 인간의 뇌에 존재하는 뉴런을 구현한 것으로서 패턴학습을 시키는데 뛰어난 능력을 발휘한다. 그러나 1000억개의 뉴런이 있는 인간의 뇌와 비교해서 훨신 적은 뉴런의 개수 때문에 학습이 수월치 않다는 단점과 search, indexing능력이 떨어지는 편이다. 그리고 유전자 학습 알고리즘은 풀고자 하는 문제에 대한 가능한 해들을 정해진 형태의 자료구조로 표현한 다음, 이들을 점차적으로 변형함으로써 점점 더 좋은 해들을 찾는 방법이다. 즉 풀고자 하는 문제에 대한 가능한 해들을 염색체로 표현한 다음 이들을 점차적으로 변형함으로써 점점 더 좋은 해들을 찾는다. 유전자 학습 역시 최적해를 구하는데 유용하게 사용될 수 있으나 search문제나 목록화 문제를 해결하는데 있어서 적절치 않다.

3)    Social interaction 방법의 대표적인 예로서 Agent가 있다. 에이전트(소프트웨어, 하드웨어 또는 다른 방식의) agenthood 한 행동특징을 보여 센서(sensor)를 통해서 소프트웨어 환경을 지각하고 Actuator를 통해 행동한다. Agent는 자율적으로 수행된다. 에이전트는 대개 (소프트웨어를 포함해서) 논리적으로 또는 다른 방법으로 학습(Learn)하고 추론(Reason)하는 능력을 가진다. 그들은 세상과 다른 것들에 대한 사실들과 규칙들을 발견할 수 있고, 이러한 진리여부를 추정하고 추론할 수 있고, 그들의 Ontology를 변경할 수 있다. Agent 구현의 가장 큰 문제점으로는 behavior rule을 어떻게 만들 것인 가에 대한 문제이다.