인공지능(AI)이란?
누구에게 물어 보느냐에 따라 다릅니다.
1950년대, 현장의 아버지들, 민스키 과 매카시, 인공 지능을 이전에는 인간 지능이 필요하다고 여겨졌던 기계가 수행하는 모든 작업으로 설명했습니다.
이것은 분명히 상당히 광범위한 정의입니다. 그렇기 때문에 무언가가 진정한 AI인지 아닌지에 대한 논쟁을 가끔 보게 될 것입니다.
지능을 생성한다는 것이 무엇을 의미하는지에 대한 현대적 정의는 보다 구체적입니다. Google의 AI 연구원이자 기계 학습 소프트웨어 라이브러리인 Keras의 창시자인 Francois Chollet은 지능은 시스템이 새로운 환경에 적응하고 즉흥적으로 대처하여 지식을 일반화하고 익숙하지 않은 시나리오에 적용하는 능력과 관련이 있다고 말했습니다.
"지능은 이전에 준비하지 않은 작업에서 새로운 기술을 습득하는 효율성입니다." 그는 말했다.
“지능은 기술 자체가 아닙니다. 그것은 당신이 할 수있는 일이 아닙니다. 그것은 당신이 새로운 것을 얼마나 잘 그리고 얼마나 효율적으로 배울 수 있는지입니다.”
가상 비서와 같은 최신 AI 기반 시스템이 음성 인식 또는 컴퓨터 비전과 같은 제한된 작업을 수행할 때 훈련을 일반화하는 능력인 '협소한 AI'를 시연하는 것으로 특징지어지는 정의입니다.
일반적으로 AI 시스템은 계획, 학습, 추론, 문제 해결, 지식 표현, 지각, 동작, 조작, 그리고 사회적 지능과 창의성과 같은 인간 지능과 관련된 행동 중 적어도 일부를 보여줍니다.
AI의 다른 유형은 무엇입니까?
매우 높은 수준에서 인공 지능은 두 가지 광범위한 유형으로 나눌 수 있습니다.
좁은 AI
좁은 AI는 오늘날 컴퓨터에서 우리 주변에서 볼 수 있는 것입니다. 명시적으로 프로그래밍되지 않은 특정 작업을 수행하는 방법을 배웠거나 배운 지능형 시스템입니다.
이러한 유형의 기계 지능은 Apple iPhone의 Siri 가상 비서의 음성 및 언어 인식, 자율 주행 자동차의 비전 인식 시스템 또는 사용자가 무엇을 기반으로 좋아할 수 있는지 제안하는 추천 엔진에서 분명합니다. 과거에 샀다. 인간과 달리 이러한 시스템은 정의된 작업을 수행하는 방법만 배우거나 가르칠 수 있으므로 좁은 AI라고 합니다.
일반 AI
일반 AI는 매우 다르며 인간에게서 발견되는 적응 가능한 지능의 유형이며, 이발에서 스프레드시트 작성 또는 축적된 지식을 기반으로 다양한 주제에 대한 추론에 이르기까지 매우 다양한 작업을 수행하는 방법을 배울 수 있는 유연한 형태의 지능입니다. 경험.
이것은 2001년의 HAL이나 The Terminator의 Skynet과 같은 영화에서 더 흔히 볼 수 있는 AI의 일종이지만 오늘날에는 존재하지 않습니다. 그리고 AI 전문가들은 그것이 얼마나 빨리 현실이 될 것인지에 대해 격렬하게 분열되어 있습니다.
내로우 AI는 무엇을 할 수 있습니까?
좁은 AI를 위한 수많은 새로운 애플리케이션이 있습니다.
- 송유관과 같은 기반 시설의 육안 검사를 수행하는 드론의 비디오 피드 해석.
- 개인 및 비즈니스 캘린더 구성.
- 간단한 고객 서비스 질문에 응답합니다.
- 적절한 시간과 장소에 호텔을 예약하는 것과 같은 작업을 수행하기 위해 다른 지능형 시스템과 조정합니다.
- 돕는 잠재적인 종양을 발견하기 위한 방사선 전문의 엑스레이에서.
- 온라인에서 부적절한 콘텐츠에 플래그를 지정하고 IoT 장치에서 수집한 데이터에서 엘리베이터의 마모를 감지합니다.
- 위성 이미지에서 세계의 3D 모델 생성… 목록은 계속됩니다.
이러한 학습 시스템의 새로운 응용 프로그램이 항상 등장하고 있습니다. 그래픽 카드 디자이너 Nvidia는 최근 AI 기반 시스템 Maxine을 공개했습니다., 사람들이 인터넷 연결 속도에 거의 관계없이 좋은 품질의 화상 통화를 할 수 있습니다. 시스템은 인터넷을 통해 전체 비디오 스트림을 전송하지 않고 발신자의 얼굴 표정과 움직임을 재현하도록 설계된 방식으로 발신자의 정적 이미지에 애니메이션을 적용하는 대신 이러한 통화에 필요한 대역폭을 10분의 XNUMX로 줄입니다. 실시간으로 동영상과 구분할 수 없습니다.
그러나 이러한 시스템이 갖고 있는 미개척 잠재력만큼 때로는 기술에 대한 야망이 현실을 능가합니다. 컴퓨터 비전과 같은 AI 기반 시스템을 기반으로 하는 자율주행 자동차가 그 예입니다. 전기 자동차 회사 Tesla는 자동차의 Autopilot 시스템에 대한 CEO Elon Musk의 원래 일정보다 시스템의 더 제한된 보조 운전 기능에서 "완전한 자율 주행"으로 업그레이드되는 데 약간 뒤쳐져 있습니다. 베타 테스트 프로그램의 일부로 선별된 전문 드라이버 그룹.
일반 AI는 무엇을 할 수 있습니까?
AI 연구원 Vincent C Müller와 철학자 Nick Bostrom이 2012/13년에 네 그룹의 전문가를 대상으로 실시한 설문 조사에 따르면 인공 지능 (AGI)는 2040년에서 2050년 사이에 개발되어 90년까지 2075%까지 증가할 것입니다. 그룹은 더 나아가 소위 '초 지능' 보스트롬이 정의한 "거의 모든 관심 영역에서 인간의 인지 능력을 크게 능가하는 모든 지능"은 AGI가 달성된 지 약 30년 후에 예상되었습니다.
그러나 최근 AI 전문가들의 평가는 더 신중하다. Geoffrey Hinton, Demis Hassabis, Yann LeCun과 같은 현대 AI 연구 분야의 선구자 사회가 AGI를 개발하는 데 가까이 있지 않다고 말합니다.. 현대 AI 분야의 선두주자에 대한 회의론과 AGI에 대한 현대의 좁은 AI 시스템의 매우 다른 특성을 감안할 때 일반 인공 지능이 가까운 장래에 사회를 혼란에 빠뜨릴 것이라는 두려움에 대한 근거는 거의 없을 것입니다.
그렇긴 하지만 일부 AI 전문가들은 인간 두뇌에 대한 우리의 제한된 이해를 감안할 때 그러한 예측이 매우 낙관적이며 AGI가 아직 수세기 전에 있다고 믿습니다.
AI 개발의 최근 랜드마크는 무엇입니까?
현대의 좁은 AI는 특정 작업을 수행하는 것으로 제한될 수 있지만 이러한 시스템은 때때로 초인간적인 성능을 발휘할 수 있으며 어떤 경우에는 본질적으로 인간으로 간주되는 특성인 뛰어난 창의성을 보여주기도 합니다.
결정적인 목록을 작성하기에는 너무 많은 혁신이 있었지만 몇 가지 주요 사항은 다음과 같습니다.
- 2009년 Google은 자율 주행 Toyota Prius가 각각 10마일을 100번 이상 완료할 수 있음을 보여줌으로써 사회를 무인 자동차로 가는 길로 안내했습니다.
- 2011년에는 컴퓨터 시스템 IBM Watson은 미국 퀴즈 쇼인 Jeopardy!에서 우승하여 전 세계적으로 헤드라인을 장식했습니다!, 쇼가 이제까지 생산한 최고의 선수 두 명을 이겼습니다. 쇼에서 우승하기 위해 Watson은 인간이 제기한 질문에 답변하기 위해 처리되는 방대한 데이터 저장소에서 자연어 처리 및 분석을 종종 XNUMX초 미만에 사용했습니다.
- 2012년에 또 다른 혁신은 이전에 어떤 기계에도 너무 복잡하다고 생각되었던 수많은 새로운 작업을 처리할 수 있는 AI의 잠재력을 예고했습니다. 그 해 AlexNet 시스템은 ImageNet 대규모 시각적 인식 챌린지에서 결정적으로 승리했습니다. AlexNet의 정확도는 이미지 인식 대회에서 경쟁 시스템에 비해 오류율을 절반으로 줄였습니다.
AlexNet의 성능은 수십 년 동안 존재했지만 무어의 법칙에 의해 가능해진 병렬 처리 능력의 비약과 아키텍처의 개선으로 인해 마침내 그 잠재력을 실현하고 있던 신경망 기반 학습 시스템의 힘을 보여주었습니다. 컴퓨터 비전을 수행하는 머신 러닝 시스템의 능력도 그 해 헤드라인을 장식했습니다. Google은 인터넷에서 가장 좋아하는 고양이 사진을 인식하도록 시스템을 교육합니다..
대중의 관심을 끈 기계 학습 시스템의 효능에 대한 다음 시연은 2016년 Google DeepMind AlphaGo AI가 바둑에서 인간 그랜드마스터를 제압했습니다., 복잡성이 수십 년 동안 컴퓨터를 곤경에 빠뜨린 고대 중국 게임. 바둑은 체스에서 약 200개에 비해 턴당 약 20개의 이동이 가능합니다. 바둑 게임이 진행되는 동안 최고의 플레이를 식별하기 위해 사전에 각각을 검색하는 가능한 많은 움직임이 계산적 관점에서 너무 비용이 많이 듭니다. 대신 AlphaGo는 30천만 개의 바둑 게임에서 인간 전문가가 하는 동작을 딥 러닝 신경망에 입력하여 게임 방법을 훈련 받았습니다.
이러한 딥 러닝 네트워크를 훈련하는 데 시간이 매우 오래 걸릴 수 있으며, 시스템이 최상의 결과를 달성하기 위해 모델을 점차적으로 개선함에 따라 방대한 양의 데이터를 수집하고 반복해야 합니다.
그러나, 더 최근에 Google은 AlphaGo Zero로 교육 프로세스를 개선했습니다., 스스로에 대해 "완전히 무작위적인" 게임을 한 다음 학습하는 시스템입니다. Google DeepMind CEO Demis Hassabis는 체스와 장기 게임을 마스터한 AlphaGo Zero의 새 버전도 공개했습니다.
그리고 AI는 새로운 이정표를 계속해서 질주하고 있습니다. OpenAI가 훈련한 시스템이 세계 정상급 선수들을 물리쳤습니다. 온라인 멀티플레이어 게임 Dota 2의 일대일 경기에서.
같은 해 OpenAI는 자신의 언어 협력하고 목표를 보다 효과적으로 달성하기 위해 Facebook 교육 에이전트가 다음을 수행합니다. 협상하다 과 거짓말.
2020년은 AI 시스템이 생각할 수 있는 거의 모든 주제에 대해 인간처럼 쓰고 말할 수 있는 능력을 얻은 것처럼 보이는 해였습니다.
Generative Pre-trained Transformer 3 또는 GPT-3으로 알려진 문제의 시스템은 개방형 웹에서 사용할 수 있는 수십억 개의 영어 기사로 훈련된 신경망입니다.
비영리 조직인 OpenAI에서 테스트할 수 있게 된 직후부터 인터넷은 GPT-3에 제공되는 거의 모든 주제에 대한 기사를 생성하는 기능으로 인해 인터넷이 떠들썩했습니다. 사람이 쓴 것과 구별됩니다. 마찬가지로 다른 분야에서도 인상적인 결과를 얻었습니다. 광범위한 주제에 대한 질문에 설득력 있게 대답 과 초보자 JavaScript 코더도 통과.
그러나 많은 GPT-3 생성 기사가 사실적인 분위기를 풍기는 반면 추가 테스트는 생성된 문장이 종종 소집을 통과하지 못한 것으로 나타났습니다. 표면적으로 그럴듯하지만 혼란스러운 진술과 때로는 노골적인 말도 안되는 진술을 제공합니다..
미래 서비스의 기반으로 모델의 자연어 이해를 사용하는 데 여전히 상당한 관심이 있습니다. 그것은이다 OpenAI의 베타 API를 통해 소프트웨어에 구축할 개발자를 선택할 수 있습니다.. 또한 될 것입니다 Microsoft의 Azure 클라우드 플랫폼을 통해 제공되는 미래 서비스에 통합.
아마도 AI의 잠재력에 대한 가장 놀라운 예는 2020년 말 Google 주의 기반 신경망 AlphaFold 2가 일부 사람들이 노벨 화학상을 받을 만한 결과를 시연했을 때였습니다.
아미노산으로 알려진 단백질의 빌딩 블록을 보고 그 단백질의 3D 구조를 도출하는 시스템의 능력은 질병이 이해되고 의약품이 개발되는 속도에 중대한 영향을 미칠 수 있습니다. 단백질 구조 예측의 중요 평가 콘테스트에서 AlphaFold 2는 단백질을 설득력 있게 모델링하기 위한 황금 표준인 결정학에 필적하는 정확도로 단백질의 3D 구조를 결정했습니다.
결과를 반환하는 데 몇 달이 걸리는 결정학과 달리 AlphaFold 2는 몇 시간 만에 단백질을 모델링할 수 있습니다. 인간 생물학과 질병에서 중요한 역할을 하는 단백질의 3차원 구조로 인해 이러한 속도 향상은 의학의 획기적인 돌파구로 예고, 효소가 생명 공학에서 사용되는 다른 영역에서의 잠재적인 응용은 말할 것도 없습니다.
머신 러닝이란 무엇입니까?
실제로 지금까지 언급된 모든 성과는 최근 몇 년 동안 해당 분야의 성과의 대부분을 차지하는 AI의 하위 집합인 기계 학습에서 비롯되었습니다. 오늘날 사람들은 AI에 대해 이야기할 때 일반적으로 기계 학습에 대해 이야기합니다.
현재 부활을 즐기고 있습니다. 간단히 말해서 머신 러닝은 컴퓨터 시스템이 작업을 수행하는 방법을 프로그래밍하는 것이 아니라 수행하는 방법을 배우는 곳입니다. 기계 학습에 대한 이 설명은 세계 최초의 자가 학습 시스템 중 하나인 Samuel Checkers-playing Program을 개발한 분야의 개척자인 Arthur Samuel이 만든 1959년으로 거슬러 올라갑니다.
학습을 위해 이러한 시스템에는 엄청난 양의 데이터가 제공되며, 이 데이터를 사용하여 음성 이해 또는 사진 캡션과 같은 특정 작업을 수행하는 방법을 학습합니다. 이 데이터 세트의 품질과 크기는 지정된 작업을 정확하게 수행할 수 있는 시스템을 구축하는 데 중요합니다. 예를 들어, 주택 가격을 예측하기 위해 머신 러닝 시스템을 구축하는 경우 교육 데이터에는 부동산 크기뿐만 아니라 침실 수 또는 정원 크기와 같은 다른 중요한 요소도 포함되어야 합니다.
신경망이란 무엇입니까?
머신 러닝 성공의 열쇠는 신경망입니다. 이러한 수학적 모델은 내부 매개변수를 조정하여 출력을 변경할 수 있습니다. 신경망에는 훈련 중에 특정 데이터가 제공될 때 무엇을 내뱉어야 하는지 가르치는 데이터 세트가 제공됩니다. 구체적으로 말하면 네트워크는 9과 9 사이의 숫자에 대한 회색조 이미지와 함께 각 회색조 이미지에 표시되는 숫자를 나타내는 1989과 XNUMX의 이진 숫자 문자열을 제공받을 수 있습니다. 그런 다음 네트워크는 각 이미지에 표시된 숫자를 높은 정확도로 분류할 때까지 내부 매개변수를 조정하여 훈련됩니다. 이 훈련된 신경망은 XNUMX과 XNUMX 사이의 다른 회색조 이미지를 분류하는 데 사용할 수 있습니다. 이러한 네트워크는 XNUMX년 Yann LeCun이 발표한 신경망의 적용을 보여주는 획기적인 논문에 사용되었으며 US Postal Service에서 사용되었습니다. 손으로 쓴 우편 번호를 인식합니다.
신경망의 구조와 기능은 뇌의 뉴런 간의 연결에 매우 느슨하게 기반을 두고 있습니다. 신경망은 서로 데이터를 공급하는 상호 연결된 알고리즘 레이어로 구성됩니다. 데이터가 이러한 계층 사이를 통과할 때 데이터에 부여된 중요도를 수정하여 특정 작업을 수행하도록 훈련할 수 있습니다. 이러한 신경망을 훈련하는 동안 데이터가 레이어 사이를 통과할 때 데이터에 첨부된 가중치는 신경망의 출력이 원하는 값에 매우 가까워질 때까지 계속 변경됩니다. 그 시점에서 네트워크는 특정 작업을 수행하는 방법을 '학습'하게 됩니다. 원하는 출력은 이미지에서 과일에 올바르게 레이블을 지정하는 것부터 센서 데이터를 기반으로 엘리베이터가 고장날 때를 예측하는 것까지 무엇이든 될 수 있습니다.
머신 러닝의 하위 집합은 딥 러닝으로, 신경망이 방대한 양의 데이터를 사용하여 훈련되는 상당한 수의 레이어가 있는 거대한 네트워크로 확장됩니다. 이러한 심층 신경망은 음성 인식 및 컴퓨터 비전과 같은 작업을 수행하는 컴퓨터 능력의 현재 도약을 촉진했습니다.
강점과 약점이 다른 다양한 유형의 신경망이 있습니다. RNN(Recurrent Neural Networks)은 텍스트의 의미를 이해하는 NLP(자연어 처리) 및 음성 인식에 특히 적합한 신경망 유형인 반면, 컨볼루션 신경망은 이미지 인식에 뿌리를 두고 있으며 추천자만큼 다양한 용도로 사용됩니다. 시스템 및 NLP. 신경망 설계도 연구원들과 함께 진화하고 있습니다. 장기 단기 기억이라고 하는 보다 효과적인 형태의 심층 신경망 개선 또는 LSTM(NLP와 같은 작업 및 주식 시장 예측에 사용되는 RNN 아키텍처 유형)을 통해 Google 번역과 같은 주문형 시스템에서 사용할 수 있을 만큼 충분히 빠르게 작동할 수 있습니다.
심층 신경망의 구조와 훈련.
이미지: 뉘앙스
다른 유형의 AI는 무엇입니까?
AI 연구의 또 다른 영역은 진화 계산.
그것은 다윈의 자연 선택 이론에서 차용합니다. 주어진 문제에 대한 최적의 솔루션을 진화시키기 위해 유전 알고리즘이 세대 간에 무작위 돌연변이와 조합을 겪는다고 봅니다.
이 접근 방식은 AI를 효과적으로 사용하여 AI를 구축하는 데 도움이 되는 AI 모델을 설계하는 데에도 사용되었습니다. 신경망을 최적화하기 위해 진화 알고리즘을 사용하는 것을 신경 진화라고 합니다. 특히 데이터 과학자에 대한 수요가 종종 공급을 초과함에 따라 지능형 시스템의 사용이 보편화됨에 따라 효율적인 AI를 설계하는 데 중요한 역할을 할 수 있습니다. 기술을 선보였습니다. 논문을 발표한 Uber AI Labs 강화 학습 문제에 대해 심층 신경망을 훈련하기 위해 유전 알고리즘을 사용하는 방법에 대해 설명합니다.
마지막으로 전문가 시스템, 컴퓨터는 많은 수의 입력을 기반으로 일련의 결정을 내릴 수 있도록 하는 규칙으로 프로그래밍되어 해당 기계가 특정 영역에서 인간 전문가의 행동을 모방할 수 있도록 합니다. 이러한 지식 기반 시스템의 예로는 비행기를 조종하는 자동 조종 시스템이 있습니다.
AI의 부활을 촉진하는 것은 무엇입니까?
위에서 설명한 바와 같이 최근 몇 년 동안 AI 연구의 가장 큰 돌파구는 머신 러닝 분야, 특히 딥 러닝 분야에서 이루어졌습니다.
이는 부분적으로 데이터의 용이한 가용성에 의해 주도되었지만 기계 학습 시스템을 훈련하기 위해 그래픽 처리 장치(GPU) 클러스터를 사용하는 것이 더 보편화된 병렬 컴퓨팅 성능의 폭발로 인해 더욱 그렇습니다.
이러한 클러스터는 머신 러닝 모델 교육을 위한 훨씬 더 강력한 시스템을 제공할 뿐만 아니라 이제 인터넷을 통해 클라우드 서비스로 널리 사용 가능합니다. 시간이 지남에 따라 주요 기술 회사는 구글, Microsoft, Tesla는 실행 중인 머신 러닝 모델과 최근에는 머신 러닝 모델을 교육하는 데 모두 맞춤화된 특수 칩을 사용하는 방향으로 전환했습니다.
이러한 맞춤형 칩 중 하나의 예로는 Google의 Tensor Processing Unit(TPU)이 있으며, 최신 버전은 Google의 TensorFlow 소프트웨어 라이브러리를 사용하여 구축된 유용한 기계 학습 모델이 데이터에서 정보를 추론할 수 있는 속도와 속도를 가속화합니다. 그들이 훈련할 수 있는 것.
이 칩은 DeepMind 및 Google Brain용 모델과 Google 번역 및 Google 포토의 이미지 인식을 뒷받침하는 모델을 훈련하는 데 사용되며, 이를 통해 대중이 다음을 사용하여 기계 학습 모델을 구축할 수 있습니다. Google의 TensorFlow 연구 클라우드. 이 칩의 2018세대는 100년 XNUMX월 Google의 I/O 컨퍼런스에서 공개되었으며 이후 초당 XNUMX만조 이상의 부동 소수점 연산(XNUMX페타플롭)을 수행할 수 있는 포드라고 하는 머신 러닝 강국에 패키징되었습니다. 이러한 지속적인 TPU 업그레이드를 통해 Google은 기계 학습 모델을 기반으로 구축된 서비스를 개선할 수 있었습니다. 예를 들어, Google 번역에서 사용되는 모델을 학습하는 데 걸리는 시간을 절반으로 줄입니다..
기계 학습의 요소는 무엇입니까?
언급했듯이 머신 러닝은 AI의 하위 집합이며 일반적으로 지도 학습과 비지도 학습의 두 가지 주요 범주로 나뉩니다.
감독 학습
AI 시스템을 가르치는 일반적인 기술은 레이블이 지정된 많은 예제를 사용하여 교육하는 것입니다. 이러한 기계 학습 시스템에는 관심 있는 기능을 강조 표시하기 위해 주석이 달린 엄청난 양의 데이터가 제공됩니다. 이것은 개가 포함되어 있는지 여부를 나타내는 레이블이 붙은 사진이거나 '베이스'라는 단어가 음악 또는 물고기와 관련이 있는지 여부를 나타내는 각주가 포함된 문장일 수 있습니다. 훈련이 끝나면 시스템은 이러한 레이블을 새 데이터(예: 방금 업로드한 사진의 개)에 적용할 수 있습니다.
예를 들어 기계를 가르치는 이 과정을 지도 학습이라고 합니다. 이러한 예에 레이블을 지정하는 것은 일반적으로 다음과 같이 수행됩니다. Amazon Mechanical Turk와 같은 플랫폼을 통해 고용된 온라인 작업자.
이러한 시스템을 교육하려면 일반적으로 방대한 양의 데이터가 필요하며, 일부 시스템에서는 작업을 효과적으로 수행하는 방법을 배우기 위해 수백만 개의 예제를 검색해야 하지만 빅 데이터와 광범위한 데이터 마이닝 시대에 점점 더 가능해지고 있습니다. 훈련 데이터 세트는 거대하고 크기가 커지고 있습니다. Google의 Open Images Dataset에는 약 XNUMX백만 개의 이미지가 있습니다., 레이블이 지정된 비디오 저장소 유튜브-8M XNUMX만 개의 레이블이 지정된 비디오에 대한 링크. IMAGEnet, 이러한 종류의 초기 데이터베이스 중 하나에는 14만 개 이상의 분류된 이미지가 있습니다. 50년에 걸쳐 편집된 이 사진은 거의 000명(대부분 Amazon Mechanical Turk를 통해 채용)이 작성했으며, 이들은 거의 XNUMX억 개에 달하는 후보 사진을 확인하고 분류하고 레이블을 붙였습니다.
레이블이 지정된 거대한 데이터 세트에 액세스하는 것은 장기적으로 많은 양의 컴퓨팅 성능에 액세스하는 것보다 덜 중요할 수도 있습니다.
최근에는 Generative Adversarial Networks(간)은 이름에서 알 수 있듯이 레이블이 지정되지 않은 많은 데이터와 함께 레이블이 지정된 데이터가 거의 필요하지 않은 머신 러닝 시스템에 사용되었습니다.
이 접근 방식은 시스템이 오늘날 지도 학습을 사용하는 교육 시스템에 필요한 것보다 훨씬 적은 양의 레이블이 지정된 데이터를 사용하여 작업을 수행하는 방법을 배울 수 있는 반 지도 학습의 사용을 증가시킬 수 있습니다.
감독되지 않은 학습
대조적으로, 비지도 학습은 알고리즘이 데이터의 패턴을 식별하고 해당 데이터를 분류하는 데 사용할 수 있는 유사성을 찾는 다른 접근 방식을 사용합니다.
예를 들어 무게가 비슷한 과일이나 엔진 크기가 비슷한 자동차를 함께 묶을 수 있습니다.
알고리즘은 특정 유형의 데이터를 선택하도록 미리 설정되어 있지 않습니다. 예를 들어 Google 뉴스가 매일 비슷한 주제에 대한 기사를 그룹화하는 것과 같이 유사성을 그룹화할 수 있는 데이터를 찾습니다.
강화 학습
강화 학습에 대한 조잡한 비유는 애완 동물이 트릭을 수행할 때 간식으로 보상하는 것입니다. 강화 학습에서 시스템은 기본적으로 가능한 최상의 결과에 도달할 때까지 시행착오의 과정을 거쳐 입력 데이터를 기반으로 보상을 극대화하려고 시도합니다.
강화 학습의 예는 Google DeepMind의 Deep Q-network입니다. 다양한 고전 비디오 게임에서 최고의 인간 성과를 내는 데 사용되었습니다.. 시스템은 각 게임에서 픽셀을 공급받아 화면에 있는 물체 사이의 거리와 같은 다양한 정보를 결정합니다.
또한 각 게임에서 달성한 점수를 살펴봄으로써 시스템은 다양한 상황(예: 비디오 게임 Breakout의 경우 패들을 가로채기 위해 패들을 움직여야 하는 경우)에서 점수를 최대화할 수 있는 모델을 구축합니다. 공.
접근 로봇 연구에도 사용강화 학습은 자율 로봇이 실제 환경에서 최적으로 행동하는 방법을 가르치는 데 도움이 될 수 있습니다.
많은 AI 관련 기술이 Gartner의 Hype Cycle에서 "부풀려진 기대의 정점"에 접근하거나 이미 도달했으며, 백래시가 주도하는 '환멸의 저점'이 기다리고 있습니다.
이미지: Gartner / 주석: ZDNet
AI의 선두 기업은?
최신 소프트웨어 및 서비스에서 AI가 점점 더 중요한 역할을 함에 따라 각 주요 기술 회사는 사내에서 사용하고 클라우드 서비스를 통해 대중에게 판매할 강력한 기계 학습 기술을 개발하기 위해 고군분투하고 있습니다.
AI에 대한 대중의 인식에 가장 큰 영향을 미친 것은 DeepMind AI AlphaFold 및 AlphaGo 시스템을 보유한 Google일 수 있지만 각각은 AI 연구의 새로운 지평을 여는 헤드라인을 장식합니다.
어떤 AI 서비스를 사용할 수 있습니까?
모든 주요 클라우드 플랫폼(Amazon Web Services, Microsoft Azure 및 Google Cloud Platform)은 머신 러닝 모델을 교육하고 실행하기 위해 GPU 어레이에 대한 액세스를 제공합니다. Google은 또한 사용자가 Tensor Processing Unit을 사용할 수 있도록 준비하고 있습니다. — 머신 러닝 모델을 훈련하고 실행하는 데 최적화된 디자인의 맞춤형 칩.
필요한 모든 관련 인프라 및 서비스는 머신 러닝 모델을 훈련하는 데 필요한 방대한 양의 데이터를 저장할 수 있는 클라우드 기반 데이터 저장소, 분석을 위해 데이터를 변환하는 서비스, 시각화 도구에서 사용할 수 있습니다. 결과를 명확하게 표시하고 모델 구축을 단순화하는 소프트웨어.
이러한 클라우드 플랫폼은 Google에서 제공하는 맞춤형 머신 러닝 모델 생성을 단순화합니다. Cloud AutoML이라고 하는 AI 모델 생성을 자동화하는 서비스. 이 드래그 앤 드롭 서비스는 맞춤형 이미지 인식 모델을 구축하며 사용자에게 기계 학습 전문 지식이 없어도 됩니다.
클라우드 기반 머신 러닝 서비스는 끊임없이 진화하고 있습니다. Amazon은 이제 다양한 AWS 제품을 제공합니다. 머신 러닝 모델을 훈련하는 프로세스를 간소화하도록 설계되었습니다. 과 최근 출시된 Amazon SageMaker Clarify, 조직이 훈련된 모델에 의해 왜곡된 예측으로 이어질 수 있는 훈련 데이터의 편향과 불균형을 근절하는 데 도움이 되는 도구입니다.
자체 머신=러닝 모델을 구축하지 않고 대신 음성, 비전 및 언어 인식과 같은 AI 기반 주문형 서비스를 사용하려는 기업의 경우 Microsoft Azure는 광범위한 서비스에서 두드러집니다. 제안, Google Cloud Platform, AWS가 그 뒤를 이었습니다. 한편, IBM은 보다 일반적인 온디맨드 오퍼링과 함께 의료에서 소매에 이르기까지 모든 것을 대상으로 하는 부문별 AI 서비스를 판매하려고 시도하고 있습니다. IBM Watson 우산, Weather Channel 인수에 2억 달러 투자 AI 서비스를 강화하기 위해 많은 양의 데이터를 잠금 해제합니다.
주요 기술 회사 중 어느 곳이 AI 경쟁에서 승리하고 있습니까?
내부적으로 각 기술 대기업과 Facebook과 같은 다른 기업은 AI를 사용하여 검색 결과 제공, 추천 제공, 사진에서 사람과 사물 인식, 주문형 번역, 스팸 탐지와 같은 수많은 공공 서비스를 추진하는 데 도움을 줍니다. 목록은 광범위합니다.
그러나 이 AI 전쟁의 가장 가시적인 징후 중 하나는 Apple의 Siri, Amazon의 Alexa, Google Assistant 및 Microsoft Cortana와 같은 가상 비서의 부상입니다.
음성 인식 및 자연어 처리에 크게 의존하고 쿼리에 응답하기 위해 막대한 양의 말뭉치를 필요로 하기 때문에 엄청난 양의 기술이 이러한 비서를 개발하는 데 사용됩니다.
그러나 Apple의 Siri가 먼저 두각을 나타내었지만 AI 분야에서 그 이후로 비서가 Apple을 추월한 것은 Google과 Amazon입니다. 타사 개발자가 기능을 추가하기 위해 만든 것입니다.
시간이 지남에 따라 이러한 비서는 사람들이 일반 대화에서 묻는 유형의 질문에 더 잘 반응하고 더 잘 처리할 수 있는 능력을 얻게 됩니다. 예를 들어 Google 어시스턴트는 이제 계속되는 대화라는 기능을 제공합니다. 이 기능에서는 사용자가 '오늘 날씨가 어때?', '내일 어때?'와 같은 초기 쿼리에 대한 후속 질문을 할 수 있습니다. 시스템은 후속 질문도 날씨와 관련이 있음을 이해합니다.
이러한 비서 및 관련 서비스는 텍스트를 이미지로 번역하고 사진을 사용하여 옷이나 가구를 검색할 수 있도록 하는 최신 Google 렌즈를 통해 단순한 음성 이상의 것을 처리할 수도 있습니다.
Windows 10에 내장되어 있음에도 불구하고 Cortana는 최근 Windows 10 PC에서 Amazon의 Alexa를 무료로 사용할 수 있어 특히 힘든 시간을 보냈습니다. 이와 동시에 마이크로소프트 운영 체제에서 Cortana의 역할 개선 음악 재생과 같은 다른 어시스턴트에서 볼 수 있는 소비자 중심 기능보다 사용자의 일정 관리와 같은 생산성 작업에 더 집중합니다.
AI를 선도하는 국가는 어디입니까?
미국 기술 대기업이 AI 분야를 꿰매었다고 생각하는 것은 큰 실수일 것입니다. 중국 기업 알리바바(Alibaba), 바이두(Baidu), 레노버(Lenovo)는 전자상거래에서 자율주행에 이르는 다양한 분야에서 AI에 막대한 투자를 하고 있다. 국가로서 중국은 AI를 국가의 핵심 산업으로 전환하기 위한 XNUMX단계 계획을 추진하고 있으며, 150년 말까지 22억 위안(2020억 달러) 가치가 될 것 되기 2030년까지 세계 최고의 AI 강국.
바이두, 자율주행차 개발에 투자, 딥 러닝 알고리즘인 Baidu AutoBrain으로 구동됩니다. 몇 년 간의 테스트 끝에 아폴로 자율주행차는 테스트에서 100만 마일 이상을 주행했으며 전 세계 000개 도시에서 27명 이상의 승객을 태웠습니다..
Baidu는 올해 베이징에서 Apollo Go Robotaxis 40대를 출시했습니다. 이 회사의 설립자는 XNUMX년 이내에 중국 도시에서 자율주행차가 보편화될 것이라고 예측했습니다.
Baidu, Alibaba 및 Tencent와 같은 주요 회사의 약한 개인 정보 보호법, 막대한 투자, 공동 데이터 수집 및 빅 데이터 분석의 조합은 일부 분석가들이 미래 AI 연구에서 중국이 미국보다 유리할 것이라고 믿는다는 것을 의미합니다. , 한 분석가가 중국, 500대 1로 미국 제치고 중국에 유리.
BMW 3시리즈를 개조한 바이두의 자율주행차.
이미지 : Baidu
AI를 시작하려면 어떻게 해야 하나요?
Nvidia GeForce RTX 2060 또는 그 이상의 어딘가에서 PC용으로 적당히 강력한 Nvidia GPU를 구입하고 기계 학습 모델 교육을 시작할 수 있지만 AI 관련 서비스를 실험하는 가장 쉬운 방법은 아마도 클라우드를 통하는 것입니다.
모든 주요 기술 회사는 자체 머신 러닝 모델을 구축 및 훈련하기 위한 인프라에서 음성, 언어, 시각 및 감정 인식과 같은 AI 기반 도구에 온디맨드로 액세스할 수 있는 웹 서비스에 이르기까지 다양한 AI 서비스를 제공합니다. .
AI는 세상을 어떻게 바꿀까?
로봇과 무인 자동차
로봇이 자율적으로 행동하고 주변 세계를 이해하고 탐색할 수 있기를 바라는 것은 로봇 공학과 AI 사이에 자연스러운 중첩이 있음을 의미합니다. AI는 로봇에 사용되는 기술 중 하나일 뿐이지만 AI는 로봇이 다음과 같은 새로운 영역으로 이동할 수 있도록 돕고 있습니다. 자가 운전 자동차, 배달 로봇 그리고 로봇을 돕는 새로운 기술을 배우다.. 2020년 초, GM과 혼다가 크루즈 오리진을 공개했다., 전기 구동 무인 자동차와 구글 모회사 알파벳의 자율주행 그룹인 웨이모(Waymo)는 최근 애리조나주 피닉스에서 일반 대중에게 로보택시 서비스를 개방했다. 도시의 50평방마일 지역을 커버하는 서비스 제공.
가짜 뉴스
우리는 신경망을 갖기 직전입니다. 사실적인 이미지 만들기 or 완벽한 방식으로 누군가의 목소리를 복제하다. 이로 인해 더 이상 비디오 또는 오디오 영상을 진짜로 신뢰할 수 없는 것과 같이 매우 파괴적인 사회 변화의 가능성이 있습니다. 유명한 얼굴을 성인 영화에 설득력 있게 연결하는 도구가 이미 만들어지고 있는 가운데 이러한 기술이 사람들의 이미지를 남용하는 데 어떻게 사용될 것인지에 대한 우려도 제기되기 시작했습니다.
음성 및 언어 인식
기계 학습 시스템은 컴퓨터가 사람들이 말하는 것을 거의 95%의 정확도로 인식하는 데 도움이 되었습니다. Microsoft의 인공 지능 및 연구 그룹은 또한 전사하는 시스템을 개발했다고 보고했습니다. 인간 필사자만큼 정확한 영어 구사.
연구원들이 99% 정확도의 목표를 추구함에 따라 컴퓨터와 대화하는 것이 보다 전통적인 형태의 인간-기계 상호 작용과 함께 점점 더 보편화될 것으로 예상합니다.
한편, OpenAI의 언어 예측 모델 GPT-3은 최근 사람이 작성한 것처럼 통과할 수 있는 기사를 생성하는 기능으로 화제를 일으켰습니다.
얼굴 인식 및 감시
최근 몇 년 동안 안면 인식 시스템의 정확도가 비약적으로 향상되어 중국 기술 대기업 Baidu는 99% 정확도로 얼굴을 일치시킬 수 있다고 말합니다., 비디오에서 얼굴이 충분히 선명해야 합니다. 서방 국가의 경찰은 일반적으로 대규모 행사에서만 얼굴 인식 시스템을 시험해 보았지만 중국에서는 당국이 전국의 CCTV를 얼굴 인식에 연결하고 AI 시스템을 사용하여 용의자와 수상한 행동을 추적하는 전국적인 프로그램을 구축하고 있습니다. 그리고 있다 또한 경찰의 안면 인식 안경 사용 확대.
개인 정보 보호 규정은 전 세계적으로 다양하지만 감정을 인식할 수 있는 AI를 포함하여 AI 기술의 보다 침입적인 사용은 점차 더 널리 보급될 것입니다. 그러나 얼굴 인식 시스템의 공정성에 대한 반발과 의문이 커지면서 Amazon, IBM 및 Microsoft는 이러한 시스템을 법 집행 기관에 판매하는 것을 일시 중지하거나 중단했습니다.
의료
AI는 결국 의료에 극적인 영향을 미칠 수 있어 방사선 전문의가 엑스레이에서 종양을 찾아내고 연구원들이 질병과 관련된 유전자 서열을 찾아내고 보다 효과적인 약물로 이어질 수 있는 분자를 식별하는 데 도움이 될 수 있습니다. 최근 구글의 AlphaFold 2 머신 러닝 시스템의 획기적인 발전으로 신약 개발의 핵심 단계에서 소요되는 시간이 몇 달에서 몇 시간으로 단축될 것으로 기대됩니다.
전 세계 병원에서 AI 관련 기술에 대한 실험이 있었습니다. 여기에는 종양 전문의가 Memorial Sloan Kettering Cancer Center에서 훈련하는 IBM의 Watson 임상 의사 결정 지원 도구와 영국 국립보건원(National Health Service)의 Google DeepMind 시스템 사용, 눈의 이상을 발견하고 두경부암 환자를 선별하는 과정을 간소화하는 데 도움이 될 것입니다.
차별과 편견 강화
머신 러닝 시스템이 교육 데이터에 반영된 인간의 편견과 사회적 불평등을 성문화할 수 있는 방식에 대한 우려가 커지고 있습니다. 이러한 두려움은 이러한 시스템을 훈련하는 데 사용되는 데이터의 다양성 부족이 실제 세계에 부정적인 결과를 초래하는 방법에 대한 여러 예에서 입증되었습니다.
2018에서는 MIT와 마이크로소프트 연구 논문 주요 기술 회사에서 판매하는 얼굴 인식 시스템은 피부가 어두운 사람을 식별할 때 오류율이 훨씬 더 높았으며, 이는 주로 백인 남성으로 구성된 훈련 데이터 세트로 인한 문제입니다.
다른 XNUMX년 뒤에 공부하다 Amazon의 Rekognition 안면 인식 시스템이 피부가 더 어두운 개인의 성별을 식별하는 데 문제가 있음을 강조했습니다. 아마존 경영진이 이의를 제기한 혐의, 아마존 반론에서 제기된 요점을 해결하기 위해 연구원 중 한 명.
연구가 발표된 이후로 많은 주요 기술 회사들이 적어도 일시적으로 경찰서에 안면 인식 시스템 판매를 중단했습니다.
불충분하게 다양한 훈련 데이터가 결과를 왜곡하는 또 다른 예는 2018년에 헤드라인을 장식했습니다. Amazon, 남성 지원자를 선호하는 기계 학습 채용 도구 폐기. 오늘날 연구가 진행 중입니다. 자가 학습 시스템의 편향을 상쇄하는 방법으로.
AI와 지구 온난화
머신 러닝 모델과 이를 훈련하는 데 사용되는 데이터 세트의 크기가 커짐에 따라 이러한 모델을 형성하고 실행하는 방대한 컴퓨팅 클러스터의 탄소 발자국도 커집니다. 이러한 컴퓨팅 팜에 전력을 공급하고 냉각하는 것이 환경에 미치는 영향은 2018년 세계경제포럼 논문 주제. 한 2019년 추정에 따르면 머신 러닝 시스템에 필요한 전력은 3.4개월마다 두 배로 증가합니다..
강력한 기계 학습 모델을 훈련하는 데 필요한 막대한 양의 에너지 문제는 최근 언어 예측 모델 GPT-3 출시로 주목, 약 175억 개의 매개변수가 있는 거대한 신경망.
이러한 모델을 훈련하는 데 필요한 리소스는 거대할 수 있고 대부분 주요 기업에서만 사용할 수 있지만 일단 훈련을 받으면 이러한 모델을 실행하는 데 필요한 에너지가 훨씬 줄어듭니다. 그러나 이러한 모델을 기반으로 하는 서비스에 대한 수요가 증가함에 따라 전력 소비와 그에 따른 환경적 영향이 다시 문제가 됩니다.
한 가지 주장은 더 큰 모델을 훈련하고 실행하는 것이 환경에 미치는 영향입니다. 잠재적인 기계 학습과 비교하여 상당한 긍정적인 영향을 미칠 수 있어야 합니다.예를 들어, Google DeepMind의 AlphaFold 2가 만든 혁신에 뒤이어 의료 분야가 더 빠르게 발전할 것으로 보입니다.
AI가 우리 모두를 죽일 것인가?
다시 말하지만, 그것은 당신이 누구에게 묻느냐에 달려 있습니다. AI 기반 시스템의 능력이 향상됨에 따라 단점에 대한 경고가 더욱 심각해졌습니다.
테슬라 SpaceX CEO Elon Musk는 주장했습니다. AI는 "인간 문명의 존재에 대한 근본적인 위험"입니다. AI의 단점을 완화하기 위한 보다 강력한 규제 감독과 보다 책임감 있는 연구를 위한 노력의 일환으로 그는 사회 전체에 도움이 되는 친근한 AI를 홍보하고 개발하는 것을 목표로 하는 비영리 인공 지능 연구 회사인 OpenAI를 설립했습니다. 마찬가지로, 존경받는 물리학자 스티븐 호킹(Stephen Hawking)은 충분히 발전된 AI가 만들어지면 인간의 능력을 월등히 뛰어넘는 지경에 이르게 될 것이다.. 현상은 특이점으로 알려져 있으며 인류에게 실존적 위협이 될 수 있습니다.
그러나 인류가 우리의 지성을 왜소하게 만들 AI 폭발 직전에 있다는 생각은 일부 AI 연구원에게 터무니없는 것처럼 보입니다.
영국 케임브리지에 있는 마이크로소프트의 연구 이사인 크리스 비숍(Chris Bishop)은 오늘날 AI의 협소한 지능이 인간의 일반 지능과 얼마나 다른지 강조, 사람들이 걱정할 때 "터미네이터와 기계의 부상 등? 말도 안되는 소리, 그렇습니다. 기껏해야 그러한 논의는 수십 년 후에 가능합니다.”
AI가 당신의 직업을 훔칠까요?
인공 지능 시스템이 현대 육체 노동의 대부분을 대체할 가능성은 아마도 가까운 미래에 더 신뢰할 수 있는 가능성일 것입니다.
AI가 모든 직업을 대체할 수는 없지만 AI가 업무의 본질을 바꿀 것이라는 점은 확실합니다. 유일한 질문은 자동화가 작업장을 얼마나 빠르게, 얼마나 심도 있게 변화시킬 것인가 하는 것입니다.
AI가 영향을 미칠 가능성이 없는 인간의 노력 분야는 거의 없습니다. NS AI 전문가 Andrew Ng는 다음과 같이 말합니다.: “많은 사람들이 일상적이고 반복적인 일을 하고 있습니다. 불행히도 기술은 일상적이고 반복적인 작업을 자동화하는 데 특히 능숙합니다.” 그는 “향후 수십 년 동안 기술 실업의 상당한 위험”을 보고 있다고 말했습니다.
어떤 직업이 대체될 것인지에 대한 증거가 나타나기 시작했습니다. 현재 27개 있습니다 Amazon Go 미국에서 고객들이 진열대에서 물건을 꺼내기만 하면 되는 매장과 계산대 없는 슈퍼마켓. 이것이 미국에서 계산원으로 일하는 XNUMX백만 명 이상의 사람들에게 의미하는 바는 아직 알려지지 않았습니다. 아마존은 다시 로봇을 사용하여 창고 내부의 효율성을 개선하는 데 앞장서고 있습니다. 이것들 로봇이 제품 선반을 인간 피커에게 운반합니다. 보낼 항목을 선택하는 사람. Amazon은 주문 처리 센터에 200개 이상의 봇을 보유하고 있으며 더 추가할 계획입니다. 그러나 아마존은 또한 봇의 수가 증가함에 따라 이러한 창고에 있는 인간 노동자의 수도 증가했다고 강조합니다. 그러나 아마존과 소규모 로봇 공학 회사는 창고에 남아 있는 수동 작업을 자동화하기 위해 노력하고 있습니다., 따라서 육체 노동과 로봇 노동이 계속해서 함께 성장할 것이라는 것은 주어지지 않습니다.
완전 자율 주행 차량은 아직 현실이 아니지만 일부 예측에 따르면 자율주행 트럭 산업 택배와 택시 운전사에 대한 영향을 고려하지 않더라도 향후 1.7년 동안 홀로 XNUMX만 개 이상의 일자리를 차지할 태세입니다.
그러나 자동화하기 가장 쉬운 작업 중 일부는 로봇 공학이 필요하지 않습니다. 현재 수백만 명의 사람들이 관리 분야에서 일하고, 시스템 간에 데이터를 입력 및 복사하고, 소프트웨어가 시스템을 자동으로 업데이트하고 중요한 정보에 플래그를 지정하는 기능이 향상됨에 따라 회사의 약속을 추적하고 예약하므로 관리자의 필요성이 줄어들 것입니다.
모든 기술 변화와 마찬가지로 잃어버린 일자리를 대체할 새로운 일자리가 창출될 것입니다. 하지만, 불확실한 것은 이러한 새로운 역할이 충분히 빠르게 생성될 것인지 여부입니다. 실직자에게 일자리를 제공하고 새로 실업자가 이러한 새로운 역할을 수행하는 데 필요한 기술이나 기질을 갖추게 될지 여부.
모든 사람이 비관주의자는 아닙니다. 일부, AI는 노동자를 대체하기보다는 증강하는 기술이다. 뿐만 아니라 AI 지원 작업자로서 고객이 요청하기 전에 고객이 원하는 것이 정확히 무엇인지 알려주는 AR 헤드셋을 사용하는 인간 컨시어지를 생각하면 사람들을 완전히 대체하지 않아야 하는 상업적 필요가 있을 것이라고 주장합니다. AI가 스스로 작업하는 것보다 더 생산적이거나 효과적입니다.
인공 지능 시스템이 얼마나 빨리 인간의 능력을 능가할 것인지에 대해서는 AI 전문가들 사이에서 다양한 의견이 있습니다.
옥스포드 대학의 인류 미래 연구소 수백 명의 머신 러닝 전문가에게 AI 기능을 예측하도록 요청했습니다. 앞으로 수십 년 동안.
주목할만한 날짜에는 2026년까지 인간이 작성한 것으로 통과될 수 있는 에세이 작성, 2027년까지 트럭 운전사 해고, 2031년까지 소매업에서 인간의 능력을 능가하는 AI, 2049년까지 베스트셀러 쓰기, 2053년까지 외과의사의 작업 수행 등이 포함됩니다. .
그들은 AI가 45년 이내에 모든 작업에서 인간을 능가하고 120년 이내에 모든 인간 작업을 자동화할 가능성이 비교적 높다고 추정했습니다.
더 보기:
IBM, 읽기 이해력, FAQ 추출을위한 Watson 도구 추가.
관련 범위
ML과 AI가 비즈니스 인텔리전스 및 분석을 혁신하는 방법
XNUMX가지 영역에서 기계 학습 및 인공 지능의 발전은 데이터 준비, 검색, 분석, 예측 및 데이터 기반 의사 결정을 용이하게 합니다.
보고서: 인공 지능은 일자리를 창출하고 경제적 이익을 창출합니다
Deloitte의 새로운 연구에 따르면 인지 기술의 얼리 어답터는 현재와 미래의 역할에 대해 긍정적입니다.
AI와 직업: 인간이 알고리즘보다 나은 곳, 그리고 그 반대의 경우도 마찬가지입니다.
수백만 개의 일자리를 없애는 인공 지능에 대한 암울한 예측에 휘말리기 쉽습니다. 다음은 리얼리티 체크입니다.
인공 지능이 새로운 유형의 사이버 범죄를 일으키는 방법 (TechRepublic)
범죄자들은 은행을 털기 위해 가면 뒤에 숨는 것이 아니라 인공지능 뒤에 숨어 공격을 가하고 있다. 그러나 금융 기관은 이러한 범죄에 대처하기 위해 AI를 사용할 수도 있습니다.
Elon Musk: 인공 지능이 제XNUMX차 세계 대전을 촉발할 수 있음 (CNET)
연쇄적인 CEO는 이미 미래의 공상과학 소설과 싸우고 있으며, 그는 다른 무엇보다 킬러 로봇에 대해 더 걱정하고 있습니다.
PlatoAi. Web3 재창조. 데이터 인텔리전스 증폭.
액세스하려면 여기를 클릭하십시오.
