해시넷
"삼단논법"의 두 판 사이의 차이
(→머신러닝과 연역법) |
(→머신러닝과 연역법) |
||
| 15번째 줄: | 15번째 줄: | ||
=== 머신러닝과 연역법 === | === 머신러닝과 연역법 === | ||
| − | [[파일:머신러닝과 연역법의 관계.jpg|썸네일| | + | [[파일:머신러닝과 연역법의 관계.jpg|썸네일|600픽셀|머신러닝과 연역법의 관계]] |
그림의 정 가운데를 세로로 나눴을 때, 좌측은 귀납(induction)의 영역이고, 우측은 연역(deduction)의 영역이다. 귀납의 영역에서는 결정론적이지 않은(non deterministic)인 논리를 다룬다. 정확한 고정 값을 모르는 상태에서 가능성을 계산한다는 말이다. 반면에 연역의 영역에서는 결정론적(deterministic)인 논리를 다룬다. 규칙 그대로 실행해서 답도 정확히 예상한대로 나온다는 말이다. 연역 구역은 과거에 사용하던 컴퓨터가 작동하는 방식의 근간이고, 귀납 구역은 최신의 머신러닝이 작동하는 방식의 근간이다.<ref>Woneui Hong, 〈[https://opentutorials.org/module/3653/22902 확률, 통계, 머신러닝, 프로그래밍, 오토마타, 수학(논리) 의 관계]〉, 《오픈튜토리얼스》, 2018-11-13 </ref> | 그림의 정 가운데를 세로로 나눴을 때, 좌측은 귀납(induction)의 영역이고, 우측은 연역(deduction)의 영역이다. 귀납의 영역에서는 결정론적이지 않은(non deterministic)인 논리를 다룬다. 정확한 고정 값을 모르는 상태에서 가능성을 계산한다는 말이다. 반면에 연역의 영역에서는 결정론적(deterministic)인 논리를 다룬다. 규칙 그대로 실행해서 답도 정확히 예상한대로 나온다는 말이다. 연역 구역은 과거에 사용하던 컴퓨터가 작동하는 방식의 근간이고, 귀납 구역은 최신의 머신러닝이 작동하는 방식의 근간이다.<ref>Woneui Hong, 〈[https://opentutorials.org/module/3653/22902 확률, 통계, 머신러닝, 프로그래밍, 오토마타, 수학(논리) 의 관계]〉, 《오픈튜토리얼스》, 2018-11-13 </ref> | ||
연역추론과 귀납추론은 서로 상호보완적으로 작용한다. 연역추론은 모델로부터 데이터를 설명하고, 귀납추론은 데이터로부터 모델을 만들기 때문이다. | 연역추론과 귀납추론은 서로 상호보완적으로 작용한다. 연역추론은 모델로부터 데이터를 설명하고, 귀납추론은 데이터로부터 모델을 만들기 때문이다. | ||
2020년 7월 21일 (화) 16:50 판
삼단논법이란 전통적 형식 논리학에서 가장 전형적인 연역적 추리이다. 아리스토텔레스가 그 이론적 시초를 이루었으며, 전제가 되는 2개의 판단명제에서, 그 판단의 형식에만 기초하여 결론이 되는 제3의 판단을 이끌어 내는 추리이다.
"모든 사람은 죽는다. / 소크라테스는 사람이다. / 그러므로 소크라테스는 죽는다."
같은 추리가 대표적이다. 결론에서 주어 '인간'을 소개념, 술어 '죽어야만 하는 것'을 대개념이라 하고, 소개념을 포함한 소전제(小前提), 대개념을 포함한 전제를 대전제(大前提)라 한다. 두 전제에는 대소개념과는 다른 제3의 개념 '동물'이 포함되어 있다. 이는 두 전제를 결부시켜 결론으로 이끌기 위한 매개적 작용을 나타내는 것으로서 매개념(媒槪念)이라고 한다. 일반화하자면, 대전제는 결론의 술어 개념인 대개념을 포함한 전제이고, 소전제는 결론의 주어 개념인 소개념을 포함한 전제이며, 매개념은 두 전제에서만 나타나며 결론에서는 나타나지 않는다. 소개념을 S, 매개념을 M, 대개념을 D로 나타내는 것이 보통이다. 표준형식삼단논법에서는 대전제가 먼저 진술되고 그 다음에 소전제가 진술된다. 그러나 대전제와 소전제는 위치에 따라 정해지는 것이 아니라 대개념과 소개념의 포함 여부로 결정된다.
특징
=== 기호주의 ===
기호주의는 인간의 지식을 기호화하고, 그 기호 간의 관계를 일일이 컴퓨터에 입력하여 학습시키면 컴퓨터도 인간과 비슷한 입력을 얻었을 대 출력 또한 비슷하게 낼 것이라는 생각에서 출발한다. 기호주의에서 기호 간의 관계를 찾는 방법은 여러가지가 있지만 대표적인 두 가지 방법을 소개한다.
첫번째 방법은, 역연역법을 사용하는 것이다. 역연역법이란 연역법의 관계를 거꾸로 이용하여 새로운 관계를 찾아내는 것을 말한다. 예를 들어, 연역법에서 'A. 소크라테스는 사람이다 / B. 모든 사람은 언젠가 죽는다'라는 두 가지 관계로 'C. 소크라테스는 언젠가 죽는다'라는 새로운 관계를 찾아내었다면, 역연역법에서는 다음과 같이 새로운 관계를 찾아낸다. 연역법에서는 논리적으로 새로운 관계를 찾아내는 반면에, 역연역법은 수많은 사례를 일반화하여 새로운 관계를 유추해낸다. 이러한 방법은 논리적으로 완벽한 관계를 찾기 어려운 문제를 풀 때 특히 유리하다. 예를 들어 새로운 약을 개발한다고 생각해보자. 이 약에 어떤 부작용이 있을지 논리적으로 밝혀내기 위해서는 약의 모든 성분을 이해하고 그 관계를 알아야 한다. 그렇지만 역연역법을 이용하면 여러 번의 임상실험 데이터만을 가지고 일반화하여 약의 부작용 여부를 예측할 수 있게 된다. 역연역법을 이용한 방법은 가지고 있는 지식을 이용하여 새로운 지식을 유추해내는 뛰어난 방법이다. 하지만 이런 방식은 계산량이 많아 대용량의 데이터를 처리하기는 어렵다. 이런 점 때문에 기호주의자가 선택한 다른 알고리즘은 바로 의사결정 트리를 이용한 귀납법이다.
두번째 방법인 의사결정 트리는 마치 스무고개 놀이를 하는 것처럼 여러 번의 질문 마다 하나의 특성에 대한 값을 묻고 대답에 따라 다른 분류를 한다. 질문을 어떻게 구성하고 가지를 어떻게 나눌지만 잘 고려하면 결정 트리에 따라 분류를 가장 잘 하는 특성들을 뽑아내는 것이 중요하다. 결정 트리는 분류 속도도 빠르고 정확도도 좋아서 심리학부터 시작해 체스의 승률을 예측하는 것, 그리고 카메라로 찍은 영상에서 사람의 동작을 분류하는 것까지 다양한 분야에서 사용되었다. 의사결정 트리의 또 다른 장점은 어떤 문제에 대해 컴퓨터가 판단을 내렸을 때 왜 그런 결정을 내렸는지 결정 트리를 보면 쉽게 알 수 있다는 것이다. 이런 점 때문에 의사결정 트리를 이용한 머신러닝은 옳은 부분과 틀린 부분을 쉽게 알 수 있어서 오류를 수정하기 좋고 결과를 신뢰할 수 있다. 하지만 이런 기호 주의 알고리즘에는 심각한 단점이 있다. 현실의 실제 개념은 규칙의 모음으로 간결하게 정의되는 일이 거의 없기 때문이다.
머신러닝과 연역법
그림의 정 가운데를 세로로 나눴을 때, 좌측은 귀납(induction)의 영역이고, 우측은 연역(deduction)의 영역이다. 귀납의 영역에서는 결정론적이지 않은(non deterministic)인 논리를 다룬다. 정확한 고정 값을 모르는 상태에서 가능성을 계산한다는 말이다. 반면에 연역의 영역에서는 결정론적(deterministic)인 논리를 다룬다. 규칙 그대로 실행해서 답도 정확히 예상한대로 나온다는 말이다. 연역 구역은 과거에 사용하던 컴퓨터가 작동하는 방식의 근간이고, 귀납 구역은 최신의 머신러닝이 작동하는 방식의 근간이다.[1] 연역추론과 귀납추론은 서로 상호보완적으로 작용한다. 연역추론은 모델로부터 데이터를 설명하고, 귀납추론은 데이터로부터 모델을 만들기 때문이다. 전제를 가지고 결론을 내린다는 점에서, 머신러닝 이전의 모든 프로그램은 연역적인 방식으로 동작했다. 프로그래머가 설계를 잘 해주면 설계된대로만 작동을 한다. 하지만 다량의 데이터를 통해서 어떤 모델에 도달한다는 점에서 머신러닝은 곧, 컴퓨터에게 귀납 추론을 시켜보려는 시도이다.[2] 실제로 2019년에 열린 '굿잡코리아포럼'에서 빅데이터 활용 전문가인 연세대학교의 이준기 교수는 '과거에는 A라는 명령에는 B라고 답하라고 지식을 넣어줬다면, 최근에는 데이터를 넣어 인공지능이 작동한다. 즉, 예전에는 인공지능이 연역법으로 작동했다면 최신 기술은 귀납법으로 작동한다'라고 말했다. 하지만, 데이터에서 중요한 정보를 찾아 스스로 학습하는 인공지능 딥러닝은 입력 데이터가 전혀 없거나 입력할 데이터가 있더라도 그 질이 떨어지면 전혀 예상하지 못한 결과를 내기도 한다는 한계가 있다.[3] 이를 보완하기 위해서 귀납법과 연역법적인 사고를 동시에 사용하기 위해, 인간의 연역적 학습 방식을 인공지능에도 적용시킬 방안을 모색해야 한다는 의견이 있다.
- 인간의 연역적 학습 방식
- 인간은 귀납법과 연역법을 자유롭게 사용한다. 두 가지 이상의 일반 법칙을 조합해 새로운 명제를 만들어내고, 무한한 가능성 중에 유용한 사실을 도출해내는 방식이다. 인간은 무수히 많은 가설 중에 어떤 가설이 실험하기에 가치가 있는 가설인지 결정하고, 연역법과 귀납법 등을 자유롭게 사용해 선택한 가설을 검증할 수 있다. 예를 들면, 수학에서는 기존의 이론을 바탕으로 새로운 정리를 만들고, 증명도 할 수 있는 것 처럼 말이다. 인공지능은 참인지 거짓인지 헷갈리는 가설을 논리로 세우는 직관력이 없기에 이 과정을 똑같이 따라할 수 없다. 인간은 창의적으로 생각한 뒤 자신의 생각이 맞는지 실험하는 무모함이 있다. 이렇게 합리성과 비합리성, 규칙성과 불규칙성을 잘 조합하는 것은 인간만이 가능한 일이다.
- 최근 심리학 연구에 따르면 매우 어린 아기도 본능적으로 유용한 정보를 주는 사건을 더 오래 쳐다보고, 그들에게 가장 많은 것을 가르쳐줄 수 있는 물건을 능동적으로 가지고 논다. 이렇게 세상으로부터 자신에게 유용한 데이터를 선택해 얻는 능력은 학습 능력과 창의성 발달에 직결된다. 반면, 인공지능은 선천적으로 이러한 능력을 가지지 못한다.
- 또한, 인류가 지닌 가장 인간적인 특징은 새로운 것을 의식적으로 창조해내는 것이다. 인간은 규칙을 깨고 새로운 과학ㆍ문학ㆍ예술을 창조할 수 있다. 예측을 기반으로 발전하는 인공지능은 혁신적인 것을 개발하긴 아직 힘들다. 혁신은 예측할 수 없는 비전, 공감, 영감에 따라 나타나고, 이는 인간에게서만 나타나는 고유한 자질이다.[4]
각주
- ↑ Woneui Hong, 〈확률, 통계, 머신러닝, 프로그래밍, 오토마타, 수학(논리) 의 관계〉, 《오픈튜토리얼스》, 2018-11-13
- ↑ Woneui Hong, 〈추론(Reasoning)〉, 《오픈튜토리얼스》, 2018-08-13
- ↑ 이안나 기자, 〈(2019 굿잡코리아포럼) 이준기 연세대 교수, “AI 작동 방식, 연역법에서 귀납법으로 변화”〉, 《뉴스투데이》, 2019-03-07
- ↑ 김지연 기자, 〈(글로벌 이슈) 무섭게 똑똑해지는 인공지능, 인간에겐 어림없지!〉, 《조선멤버스》, 2016-03-12
참고자료
- 박태진, 〈인공지능, 기계공학에선 이렇게 쓰인다〉, 《유니스트뉴스센터》, 2017-03-16
