GAN(Generative Artificial Network)이 인공 지능 학습을 가속화 시키는 방법

출처. :  https://venturebeat.com/2017/05/09/how-generative-artificial-networks-are-accelerating-ai-learning/

인공 지능(AI) 시스템의 가장 큰 제약은 생각이나 세계를 인간이 할 수있는 방법을 개념화 할 수 없다는 것입니다.

전통적인 AI 모델은 사진에서 고양이를 어떻게 식별 할 수 있는지와 같이 혼란스러운 패턴을 직관적으로 식별하는 것이 아니라 “고양이” 객체를 구성하는 요소에 대한 심층적인 설명과 이미지 내의 개별 픽셀 그룹을 평가하여 식별하는 방법을 필요로합니다.

GAN은 AI 프로그램 AlphaGo의 획기적인 승리로 입증된 무차별적인 계산의 필요성을 우회하기 시작 했습니다 . 게임의 목표는 AI가 마스터하기에는 너무 직관적이고 개념적입니다. 그러나 AI 학습에서 새롭지만 직관적으로 단순하고, 도약하면 AI 개발의 속도를 더욱 가속화 할 수 있습니다.

Google의 GAN
Google 연구원 및 AI 전문가인 Ian Goodfellow는 실제 세계에서 볼 수 있는 것과 비슷한 이미지와 사운드를 생성하도록 설계된 “생성 모델” 그룹에 속한 AI를 연구하고 있습니다. AI 프로그램은 복제하려는 대상을 개념적으로 이해해야하며, 역사적으로 인간을 위해 마련된 직관적인 사고 방식으로 도약합니다.

Goodfellow는 Generative Art Network 또는 GAN(GANs)을 사용하여 이 작업을 수행하려고 시도하였습니다. GAN은 연속적으로 일대일로 작업하도록 설계된 두번의 결투, 반 경쟁 AI 알고리즘(semi-competing AI algorithm) 세트입니다. 예를 들어, 한 AI는 실제처럼 보이는 이미지를 생성하도록 프로그래밍 할 수 있으며, 다른 AI는 실제 이미지를 기계에서 생성된 이미지와 구별하도록 프로그래밍 할 수 있습니다. 시간이 지남에 따라 이미지 생성기는 사실적인 이미지를 생성 할 수있게 되고 “judge”는 이를 식별하는 데 더 나아질 것입니다.

두 인공 지능 프로그램 모두 인간의 두뇌가 정보를 저장하고 기억하는 과정을 모방하도록 설계된 인공 신경망을 사용합니다. 엄격한 입력 및 출력보다는 두 시스템이 상호 연결된 아이디어의 복잡한 네트워크를 구축하고, 이를 사용하여 개념적으로 “생각”하고 과거의 실수로부터 배웁니다.

신경망은 몇 년 전부터 존재 해 왔지만, GAN을 특히 강력하게 만드는 것은 인간의 도움없이 회피하는 능력입니다. 인간의 감독을 안내하고 교육시키기 위해 트윈 알고리즘(twin algorithm)은 사실상 무한 피드백 루프에서 완벽해질 것입니다.

잠재적인 응용분야

천문학적 인 시뮬레이션

천문학자들은 이미 중력 렌즈 작용으로 인해 외형이 변형된 은하계와 별들을 시뮬레이션하기 위해 GAN을 활용하기 시작했습니다 . 중력 렌즈 효과는 현재 “암흑 물질”로 알려진 왜곡 현상이지만 중력 렌즈 효과를 다른 환경의 영향으로부터 항상 필터링 할 수는 없으므로 실제 이미지에서 암흑 물질에 대해 더 많이 배우기는 어렵습니다.

의학 진단 및 이해

GAN은 병력, 현재 증상 및 진단을 할 때 복잡한 요소인 의료 정보를 생성하고 더 잘 이해하는 데 사용될 수 있습니다. 그리고 GAN은 인간과는 완전히 독립적으로 운영되기 때문에 새로운 기록을 생성하기 위해 환자 개인 정보를 침해 할 필요가 없습니다.

대용량 데이터세트 해석

GAN은 생각할 수 있는 거의 모든 대용량 데이터세트를 해석하고 수백만회의 잠재적인 반복을 통해 모델링하고 해석하는 데 사용될 수 있습니다. 궁극적으로 그들은 인간 분석가보다 더 나은 데이터 분석가가 될 것입니다.

목표 : 세계의 이해
물론 GAN 기술의 잠재적인 응용 프로그램은 이러한 현재 사용 가능한 용도를 훨씬 뛰어 넘습니다. 여기서 가장 중요한 목표는 단순히 AI에 반응하는 것이 아니라 세계를 이해할 수 있는 인공 지능을 만드는 것입니다. 우리는 이미 단순하고 지루한 작업을 자동화 할 수 있는 인공 지능과 컴퓨팅 능력을 갖추고 있습니다. 그러나 더 큰 문제를 해결 하기 시작 한다면 높은 수준의 사고력, 창의성 및 인간 마음의 호기심을 모방해야합니다 .

위험한가요?
GAN 기술과 관련된 몇 가지 문제가 있습니다. 첫번째, 위협적 인 것은 세계에 현실적이고 인공적인 묘사를 일으킬 수 있는 기술을 위한 능력입니다. 사이버 범죄자가 타협하는 상황에서 실제 사람들의 이미지를 만들 수 있다고 상상해 보십시오. 기술을 잘못된 손에서 지키는 것은 매우 중요할 것입니다. 그러나 우리는 어느 것이 잘못된 것이고 어느 것이 올바른 것인가를 어떻게 판단 할 수 있습니까?

또한, 이 재귀적이면서 자체 학습 과정이 각 로봇에게 현실에 대한 잘못된 교훈을 가르치는 결과를 초래할 수도 있습니다. 그들은 감독을 받지 않기 때문에 잘못된 경로를 시작하여 전체 시스템이 쓸모 없게 될 때까지 시간을 낭비 할 수 있습니다.

GAN은 완벽한 시스템은 아니지만 잠재적인 애플리케이션과 AI 개발 속도가 적어도 Google 엔지니어에 따르면 탐험할 가치가있습니다. 우리는 인공 지능을 향한 또 다른 발걸음을 내딛었습니다. 인공 지능은 인간의 어떠한 입력 없이도 계속해서 개선되고 향상 될 수 있습니다.