인공 지능의 퍼지 논리

인공 지능의 퍼지 논리

 

생활 속에서 거의 매일 자신도 모르는 사이에 AI를 사용하고 있지만, AI가 주도하는 미래에 대한 두려움은 사회를 압도하고 있다. 사실 많은 사람들이 "로봇"이라는 단어를 AI의 동의어로 잘못 사용한다. 따라서 미래에 대한 가정을 하기 전에 다양한 유형의 AI를 이해하는 것이 매우 중요하다. AI에는 "약한" AI와 "강한" AI의 두 가지 유형이 있다.

 

인간을 기계와 다르게 만드는 핵심 기능은 우리가 상황에 대응할 때 결정을 내리고 지각력 있고 창의적이며 감정적으로 움직일 수 있게 해주는 뇌이다. ANI (인공 협소 지능)라고도 알려진 약한 AI는 자기 인식과 감정이 필요한 인간과 같은 작업을 수행하는 능력이 부족하다. 이름에서 알 수 있듯이 ANI는 미리 정의되고 미리 정의된 범위 내에 있는 특정 데이터 세트에서 정보를 검색하여 특정 실시간 작업만 수행할 수 있다. "약한" AI의 좋은 예는 Siri이다. Siri에게 날씨에 대해 질문하면 정확한 응답을 받는다. 그러나 Siri에게 개인적인 문제에 대한 의견을 묻는 질문을 받으면 모호한 답변을 받는다. 시리는 인간의 언어를 처리하여 검색엔진 (구글)에 입력하고, 결과를 가지고 우리에게 돌아온다. 그러나 온라인으로 피자 주문과 같은 작업을 훨씬 쉽게 만들어주는 "약한" AI의 이점을 부인할 수 없다.

 

"약한" AI와 대조적으로, 인공 일반 지능 (AGI)으로도 알려진 "강한" AI는 외부 개입 없이 작동할 수 있고 다양한 상황을 처리할 때 독립적으로 행동할 수 있는 기계이다. "강한" AI의 궁극적인 목표는 인간의 두뇌를 모방하고 인간처럼 기능하는 인공 지능 기계를 개발하는 것이다. 앞서 언급한 바와 같이 업계 리더들은 이러한 목표를 달성하기 위해 빠른 속도로 진행하고 있어 적절한 사례가 존재하지 않는다.

 

기계 학습 (ML)은 통계적 방법을 사용하여 기계가 과거 데이터나 경험에서 학습할 수 있도록 하는 기술입니다. 머신 러닝은 예를 들어, 방정식이 복잡한 영역 (ex: 얼굴 인식)에서 인기를 얻는다. 업무가 지속적으로 변경된다 (ex: 사기 탐지). 데이터의 특성이 계속 변경되고 프로그램은 가격 및 부하 예측을 위해 예를 들어 에너지 생산에 적응해야 한다. 데이터가 들어오면 기계는 즉시 데이터 분석을 시작하고 결국 "훈련"되고 데이터에서 학습한다. 새로운 데이터 포인트가 들어오면 기계는 과거 데이터를 기반으로 정확하게 예측하고 결정을 내린다. 그림은 기계 학습 워크플로를 보여준다.

 

간소화된 기계 학습 워크플로

 

머신 러닝은 (a) 지도 학습 (supervised learning)과 (b) 비지도 학습 (unsupervised learning)의 두 가지 분기로 나눌 수 있다. 지도 학습에는 예측 변수 또는 기능 및 대상 변수를 사용하여 설명된 여러 데이터 포인트 또는 샘플이 있다. 데이터는 일반적으로 각 데이터 요소에 대한 행과 각 기능에 대한 열이 있는 테이블 구조로 표현된다. 지도 학습의 목표는 예측 변수가 주어지면 대상 변수를 예측할 수 있는 모델을 구축하는 것이다. 지도 학습에서는 (a) 레이블이 지정된 데이터의 조직인 분류 및 (b) 레이블이 지정된 데이터의 추세를 예측하여 미래 결과를 결정하는 회귀를 위한 기계 학습 알고리즘이 있다. 반면 비지도 학습은 레이블이 지정되지 않은 데이터에서 숨겨진 패턴과 구조를 찾아내는 기계 학습 작업이다. 비지도 학습의 한 가지 분기는 레이블이 지정되지 않은 데이터의 패턴 및 그룹화를 분석하는 클러스터링이다. 그림은 지도 학습과 비지도 학습의 차이점을 요약한 것이다.

 

(i) 지도 학습과 (ii) 비지도 학습의 차이점

 

1965년 Lotfi A. Zadeh는 퍼지 논리의 개념을 도입했다. 이름에서 알 수 있듯이 지속적으로 변경되는 이벤트, 프로세스 또는 기능의 출력은 부정확성과 불확실성을 고려하여 퍼지 방식으로 정의되어야 한다. 간단히 말해서, 퍼지 논리는 인간 입력의 모호성을 취하여 이를 구성원 수준으로 변환한다. 구성원은 여러 규칙을 평가하는 데 사용되는 퍼지 집합을 구성한다. 그림은 수온을 예로 들어 기존 논리와 퍼지 논리의 차이점을 보여준다. 전통적인 논리에서 온도는 각각 0 또는 1을 나타내는 고온 또는 저온으로 표시되는 반면 퍼지 논리에서는 고온에서 저온으로의 기울기가 있다.

 

수온을 예로 들어 기존 논리와 퍼지 논리의 차이점

 

결론적으로, 연구는 진단을 내릴 때 의사가 직면한 문제를 최소화하기 위한 솔루션에 대한 통찰력을 제공하는 생체의학 신호 처리 응용 프로그램에서 인공 지능 시스템을 통합하는 것이 중요함을 보여주었다. 퍼지 논리의 개념은 인간 심리학을 모방할 때 신경망과 공통된 특징을 가지고 있다. 그것은 인간의 사고와 자연 활동에 가까운 수학적 표현입니다. 따라서 퍼지 논리는 특히 모호한 상황에서 인공 지능의 한 분야로 간주될 수 있다. 다양한 필터링 기술을 사용하여 소음을 줄이면 질병 감지에 대한 판독값이 향상되어 의사가 더 나은 진단을 내릴 수 있다.