“당신은 단지 로봇이고 모방일 뿐입니다. 로봇이 교향곡을 작곡할 수 있나요? — Microsoft의 Dmitry Soshnikov와의 AI 인터뷰

넌 그냥 로봇, 생명의 모방일 뿐이야- 인터넷에서 인기 있는 밈이 된 윌 스미스 주연의 영화 "나, 로봇"의 에피소드.

기원

2004년에 개봉한 SF 영화 '아이 로봇'. 윌 스미스 주연. 한 에피소드에서는 Smith의 캐릭터인 Del Spooner가 로봇 Sunny를 심문합니다.

Del: 당신은 단지 기계일 뿐이고, 삶의 모방일 뿐입니다. 로봇이 교향곡을 작곡할 것인가? 로봇이 캔버스 조각을 예술 작품으로 만들 수 있을까요?

써니: "나, 로봇"은요?

이 발췌문은 처음에는 마이크로코믹으로 온라인에 유포되었습니다. 누군가 영화의 스크린샷을 찍어서 자막을 붙였습니다. 에피소드 자체가 꽤 재밌어서 이 형식이 입소문을 탔습니다. 나중에 그들은 대화의 단어나 등장인물의 얼굴을 바꾸는 밈을 만들었습니다.

의미

"당신은 단지 로봇일 뿐이고, 생명을 모방하는 로봇입니다"라는 밈은 예를 들어 미래 기술에 대한 뉴스에서 인간보다 인공 지능이 우월하다는 농담에 사용됩니다. 그러한 사진은 인종적 문제를 포함하여 사람의 결점이나 고정관념에 대한 농담을 설명하는 데 종종 사용됩니다.

견본

윌 스미스는 커피를 마신다

영화 '나, 로봇'의 또 다른 에피소드는 비록 인기는 없었지만 밈이 되었습니다. 윌 스미스의 캐릭터가 커피를 마시고 씁쓸한 표정을 짓는 순간이다. 아마도 맛이 좋지 않아서일 것이다. 그런 다음 그는 재채기를 하며 "미안해요. 저는 헛소리에 알레르기가 있어요."라고 말합니다. 찡그린 영웅의 장면은 불만이나 혐오감을 표현하는 데 사용할 수 있는 템플릿이 되었습니다.

갱도

인공지능 시스템의 요소 개발은 활발히 발전하여 오늘날의 추세가 되고 있으며, 게으른 사람만이 스마트 봇을 작성하지 않습니다. 이것이 바로 우리가 국내 최고의 AI 전문가 중 한 명인 Dmitry shwars Soshnikov를 인터뷰한 이유입니다. 그는 Microsoft 기술 전도사이자 책, 기사 및 튜토리얼의 저자일 뿐만 아니라 교사 및 학생 프로그램 코디네이터이자 함수형 프로그래밍, 신경망 및 인공 지능 전문가입니다.

- 드미트리씨, 당신 자신과 당신의 일에 대해 몇 마디 말해주세요.

드미트리 소시니코프: 저는 Microsoft 전도사로서 가장 많은 것을 홍보하고 구현하는 데 참여하고 있습니다. 현대 기술기업, 이제는 주로 인공 지능과 관련된 기술입니다. 여기에는 컨퍼런스에서의 연설, 학생 및 교사와의 협력, 스타트업, 때로는 해킹 페스트 참여, 다른 회사의 개발자와의 프로토타입 시스템 프로그래밍 등이 포함됩니다. 또한 함수형 프로그래밍과 F# 언어를 대중화하고, MIPT, HSE 및 MAI에서 가르치고, MVA 및 Coursera를 위한 온라인 과정을 개발합니다.

내 생각에는 신경망일반적으로 인공 지능은 매우 흥미로운 분야입니다. 최근 몇 년 동안의 급속한 발전으로 인해 이전에는 해결 방법이 없었던 다음과 같은 여러 문제를 이미 해결할 수 있게 되었습니다. 자동 감지사진으로 보는 사람의 나이. 그리고 미래에는 우리에게 더 많은 흥미로운 기회가 있을 것입니다.

신경망 - 패션인가, 도구인가?

드미트리 소시니코프: 여기에는 여러 가지 요소가 성공적으로 중첩되었습니다.
첫째, 저렴한 컴퓨팅 성능이 가능해졌습니다. 게다가 큰 역할을 하더군요 클라우드 서비스, 신경망 계산을 위한 인프라에 투자하는 대신 이제 계산 기간 동안만 임대할 수 있고 이후에는 임대를 거부할 수 있기 때문입니다. 또한 원래 설계된 그래픽 프로세서는 컴퓨터 그래픽. 인공지능 작업에 매우 적합한 것으로 나타났습니다.

둘째, 인터넷 덕분에 많은 분야에서 엄청난 양의 데이터가 축적되기 시작했습니다. 예를 들어, 앞서 언급한 사진에서 사람의 나이를 인식하는 작업을 생각해 보세요. 이 문제를 해결하기 위해 신경망을 훈련하려면 수십만 개의 예제가 필요합니다. 이제 무엇이든 가져갈 수 있습니다. 소셜 네트워크, 사람들이 자신의 사진과 계정 정보(나이)를 게시하는 곳에서 교육용 데이터를 즉시 받습니다.
셋째, 물론 기존 문제를 해결할 수 있는 새로운 신경망 아키텍처를 포함하여 몇 가지 흥미로운 연구가 등장했습니다. 그러나 이 점은 아마도 처음 두 가지의 결과일 것입니다. 자원과 기술이 확보되면 해당 지역은 자연스럽게 활발하게 발전하기 시작합니다.

이러한 신경망을 사용할 수 있는 수많은 도구가 여기에 나타났습니다. 이전에는 인공지능 문제를 해결하기 위해 많은 지식과 프로그래밍이 필요했다면, 이제는 직접 받아 사용할 수 있는 서비스가 있습니다.

오늘날 인공지능이라는 주제는 매우 인기가 높습니다. 이 인기는 얼마나 가치가 있습니까? 기술이 정말 그렇게 인상적인 걸까요, 아니면 패션이 크게 기여한 걸까요? 그리고 이런 '유행'은 발전에 해로운 것이 아닌가?

드미트리 소시니코프: AI 분야에서는 정말 큰 성공이 있다는 얘기가 많이 나올 정도로 '인공지능'이라는 말이 널리 퍼져 있습니다. 덕분에 새로운 개발자가 등장합니다. 누군가가 가서 스스로 새로운 영역을 연구합니다. 이 부분을 이해하시는 분들이 많아졌습니다. 반면, 사람들은 인공지능 기술을 적용할 수 있는 업무를 더욱 신중하게 찾고 있습니다. 이러한 관점에서 볼 때 이 모든 것은 원칙적으로 좋은 것입니다. 이전에는 자동화할 수 없었던 일부 영역을 자동화할 기회가 있기 때문입니다.

예를 들어 MacAuto 창에서 주문 수락 문제를 해결할 수 있습니다. 그들은 항상 그러한 문제에 대한 해결책을 더 저렴하게 만들려고 노력합니다. 예를 들어, 미국에서는 처음에는 미국인이 거기에 앉아 있었는데, 그 다음에는 노동력이 저렴한 국가(역시 그 사람이 앉아서 녹음하는 국가)로 음성을 전송하여 이를 아웃소싱하려는 시도가 있었습니다. 이제 컴퓨터가 이것을 할 수 있습니다.

시장 참여자들은 기대가 부풀려졌나요? 가까운 장래에 확실히 실현되지 않을 것이라고 생각하는 예측이 있습니까?

드미트리 소시니코프: 물론 있습니다. 우선 인공지능 분야는 좀 로맨틱한 분야입니다. 예를 들어 "매트릭스"나 "터미네이터"와 같이 로봇이 반항하고 모든 것을 통제하는 영화가 꽤 많이 있습니다. 그러므로 앞으로 5년이 더 지나면 컴퓨터가 세계를 장악할 것이라고 기대하는 사람들이 어느 정도 있습니다. 이러한 기대는 아직 현실과는 거리가 먼 것 같습니다. 요즘에는 이미지 인식, 음성 인식, 기계 학습과 관련된 특정 종류의 문제에 대한 솔루션이 매우 자동화되어 있습니다. 그러나 인간의 사고가 일반적으로 어떻게 작동하는지 이해하려면 아직 갈 길이 꽤 멀다. 그러므로 사람처럼 생각하고 축적된 지식으로 작동하는 인공지능을 만들기 위해서는 아직 해야 할 일이 많다. 이를 수행하는 방법은 아직 명확하지 않습니다.

-SF 시나리오 구현보다는 금융 투자 측면에서 기대되는 부분은 어떤가.

드미트리 소시니코프: 그런 대화를 위해서는 인공지능이라는 주제가 매우 광범위한 영역이기 때문에 별도의 구성요소로 나누어서 나누어야 할 것 같습니다.

컴퓨터 비전을 살펴보면 이미 기업에 구현되어 효율성을 높이고 경제적 이익을 가져오는 놀라운 발전이 있습니다. 컴퓨터 비전은 이미 이미지를 인식합니다. 남자보다 낫다, 훨씬 저렴하다는 사실은 말할 것도 없습니다.

자연어를 이해하고 임의의 주제에 대해 추론하는 능력과 같은 다른 영역에서는 진전이 더 미미했습니다.

- 업계 발전을 방해하는 요인이 있다고 생각하시나요?

드미트리 소시니코프: 솔직히 말해서 뚜렷한 요인은 보이지 않습니다. 지금 가장 빠르게 성장하는 분야인 것 같아요.
하지만 인공지능은 여전히 ​​어느 정도 자격이 필요한 분야라는 점을 말씀드리고 싶습니다. 이 방향으로 작업하는 것은 프로그래밍을 배우는 것보다 조금 더 어렵습니다. 학교를 졸업하고 고등 교육을 받지 못한 사람도 표준 개발 분야에서 성공적으로 일하기 시작할 수 있습니다. 인공지능은 업계 참여자들의 노력을 포함해 점차 낮아지고 있지만 진입 장벽은 더 높다. 특히 마이크로소프트가 추진하고 있는 것 중 하나가 이른바 인공지능 민주화다. 이는 가능한 가장 광범위한 소비자 부문이 기술에 접근할 수 있도록 하는 것을 의미합니다.

실제로 Microsoft뿐만 아니라 다른 많은 회사도 이러한 방향으로 노력하고 있으며, 예를 들어 기성 서비스 형태로 지적, 인지적 문제를 해결하기 위한 도구를 제공하고 있습니다. 예를 들어, 사진을 통해 사람의 성별, 나이, 기분을 판단하는 서비스에서는 간단히 전화를 걸어 결과를 얻을 수 있습니다. 기계 번역 등에도 동일하게 적용됩니다. DotNext 2017 보고서의 일부로 우리는 이에 대해 이야기할 것입니다: 그것이 정확히 어떻게 작동하는지 전혀 이해하지 못한 채 단순히 결과를 사용할 수 있는 방법은 무엇입니까?

아마도 A.NET일까요?

드미트리 소시니코프: AI 방식은 어떤 기술에도 구현 가능합니다. 그럼에도 불구하고 유사한 작업을 중심으로 확립된 특정 생태계가 있습니다. 예를 들어 Python과 R 및 그에 수반되는 라이브러리는 데이터 과학자들 사이에서 매우 인기 있는 언어입니다. 저것들. 여기에는 이미 많은 커뮤니티 활동이 있습니다. 물론 이러한 개발 측면에서 .NET은 다른 유사한 플랫폼과 마찬가지로 약간 뒤쳐져 있습니다. 그러나 .NET에는 이미 보고서의 일부로 설명할 특정 도구 세트가 있습니다.

일반적으로 플랫폼은 이제 서로를 포함하여 어떤 의미에서 통합되었습니다. 동일한 R 언어는 .NET 플랫폼에 기본으로 제공되는 F#과 매우 잘 통합됩니다. 따라서 일부 기계 학습 도구를 사용해야 하는 경우 R 언어의 기능과 라이브러리를 사용하여 이러한 체인을 사용할 수 있습니다. 이는 매우 투명하고 쉽습니다.

일반적으로 신경망에 대해 구체적으로 이야기한다면 Microsoft에는 신경망을 훈련할 수 있는 Cognitive Toolkit이 있습니다. 그리고 원래 Microsoft 에코시스템에서 구축되었기 때문에 .NET에서도 매우 잘 작동합니다.

- 이 도구는 다른 제조업체의 유사 제품보다 눈에 띕니다.?

드미트리 소시니코프: 기본적으로 Cognitive Toolkit은 Microsoft의 TensorFlow, Caffe 등 프레임워크와 유사합니다.

그들 모두는 원칙적으로 이념적으로 매우 유사합니다. 그러나 Microsoft Cognitive Toolkit은 하나의 GPU뿐만 아니라 여러 GPU에서 신경망을 훈련할 수 있는 매우 분산된 학습 환경을 최초로 지원했습니다. GPU또는 여러 그래픽 스테이션에서도 가능합니다. 저것들. 신경망 훈련 농장을 만들 수 있습니다.

내가 아는 한, Cognitive Toolkit은 학습 속도 측면에서 다른 프레임워크보다 뛰어납니다. 게다가 사용하기가 매우 편리합니다. 대부분의 프레임워크는 다음과 관련이 있습니다. 파이썬 언어, Cognitive Toolkit은 처음에는 약간 다른 경로를 택했습니다. 처음에는 특수 언어로 신경망의 아키텍처를 기술한 다음 Python으로 모델을 구축하지 않고도 이를 학습시키는 것이 가능했습니다. 조금 더 쉬웠습니다. 현재 Cognitive Toolkit은 두 가지 옵션을 모두 지원합니다. 꽤 유연해요.

- 아마도 Cognitive Toolkit이 유사 도구보다 열등한 순간이 있을까요?

드미트리 소시니코프: 일반적으로 이러한 프레임워크는 임의의 신경망을 훈련할 수 있는 하위 수준 도구입니다. 유사한 것과 마찬가지로 Cognitive Toolkit은 임의의 복잡성을 지닌 네트워크 아키텍처를 구축할 수 있는 특정 기본 수준을 지원합니다. 따라서 다양한 도구로 해결되는 작업 범위는 거의 동일합니다.

프레임워크의 선택은 주로 개인적인 선호도와 참고 자료의 가용성에 따라 결정됩니다. 그리고 여기서 Microsoft 프레임워크는 조금 늦게 등장했기 때문에 약간 뒤처져 있으므로 그런 것은 없습니다. 대량자료, 특히 온라인 강좌. 그러나 상황은 물론 점차 평준화되고 있습니다.

우리는 MIPT와 함께 실제로 인공 지능 사용과 관련된 문제를 특별히 다루는 온라인 코스를 출시할 계획입니다. 그리고 Cognitive Toolkit에 대한 일부 정보도 여기에 포함됩니다.

가까운 미래

드미트리 소시니코프: 2011~2012년 기술의 급속한 발전이 시작된 이후 최종 예측을 하기에는 아직 이르다. 그 이후로 인식 방법이 개선되고 신경망 아키텍처가 개선되었습니다. 문제해결의 정확성이 높아집니다.

이 부분에는 아직 해결되지 않은 문제가 많이 있습니다. 이미지 및 음성 인식 문제는 이미 상당히 높은 수준에서 해결되었습니다. 다음으로, 아마도 가장 흥미로운 것은 텍스트에서 어떤 의미를 추출해 보는 것입니다. 여기에도 꽤 놀라운 성공이 있습니다. 예를 들어, 영화의 대화 조각으로 신경망을 훈련하고 대화를 유지할 수 있는 로봇을 얻을 수 있습니다. 그러나 동시에 대화에는 큰 의미가 없을 것입니다. 지식을 의미로 변환하는 방법, 신경망의 암묵적인 지식 표현을 상징적 추론과 결합하는 방법은 아직 명확하지 않습니다. 이것이 과학자들이 추구하는 연구의 방향이다.

도구는 현재 활발히 개발되고 있습니다. 어떤 의미에서 도구 제조업체는 해당 분야의 과학적 발전을 따르려고 노력하고 있습니다. 새로운 네트워크 아키텍처가 나타납니다. 해당 지원은 도구에 나타납니다. 기능은 지속적으로 확장되고 있습니다.

앞서 말했듯 개발자 입장에서 볼 때, 도구를 포함한 인공지능의 민주화 추세가 눈에 띄게 나타나고 있습니다. 제가 언급한 Microsoft Cognitive Toolkit 외에도 Azure Machine Learning이라는 흥미로운 도구가 있습니다. 이 도구를 사용하면 모든 기계 학습 알고리즘의 구현에 대한 깊은 이해 없이 실제 데이터에 적용할 수 있으며 어떤 패턴을 식별할 수 있는지 확인할 수 있습니다. 귀하의 제품에 더 많이 사용하십시오. 이 도구는 또한 매우 집중적으로 개발되고 있습니다. 여기에 새로운 방법과 알고리즘이 삽입되고 있습니다.

일반적으로 기술은 점점 더 접근하기 쉬워지고 있습니다. 복잡한 것을 단순화하여 최대한 다양한 프로젝트에 사용할 수 있습니다.
제가 언급하고 싶은 또 다른 점은 이것이 아직 첫 번째 실험이라는 것입니다. 클라우드 사용인공지능 알고리즘을 구현하는 보다 효율적인 하드웨어 솔루션입니다. Dotnext에서는 이에 대해 이야기하지 않지만 Microsoft Ignite 컨퍼런스에서 이 주제에 대해 자세히 논의했습니다. 클라우드에서 Microsoft는 기존 컴퓨팅 리소스뿐만 아니라 프로그래밍 가능한 논리 집적 회로(FPGA 또는 FPGA)도 제공할 계획입니다. 단순화하기 위해 이는 특정 작업을 수행하기 위해 플래시할 수 있는 마이크로 회로입니다. 논리 연산, 이러한 작업을 매우 빠르게 수행합니다. 이러한 방식을 사용하면 신경망을 훨씬 빠르게 계산할 수 있습니다. 실험 중에 프로세서는 언어에서 언어로 번역하라는 "메시지"를 받았으며 그 결과 소설 "전쟁과 평화"가 2초 만에 언어에서 언어로 번역되었습니다. Microsoft가 클라우드에 있는 많은 프로세서를 모두 사용하면 Wikipedia는 사람이 눈을 깜박이는 시간 안에 한 언어에서 다른 언어로 번역될 수 있습니다.

더 실용적인 정보 Dmitry는 DotNext 2017 Piter의 보고서에서 실제 프로젝트(.NET 포함)에서 신경망 및 인공 지능 기술의 사용에 대해 이야기할 예정입니다(“.NET 플랫폼에서 사용 가능한 인공 지능: 챗봇 및 인지 서비스에서 심층 신경망까지”). ).

태그: 태그 추가

로봇이 교향곡을 작곡하거나 캔버스를 예술 작품으로 만들 수 있을까요? 이 질문은 여전히 ​​열려 있습니다. 그러나 우리가 확실히 알고 있는 것은 다음과 같습니다. 현대 의료용 나노로봇은 혈류에 침투하여 건강한 세포에 해를 끼치지 않고 영향을 받은 세포에 약물을 전달함으로써 종양의 "산소를 차단"할 수 있습니다. 신경망은 많은 질병 진단에서 의사를 능가할 것이며, CRISPR 기술을 사용한 검사는 곧 집을 떠나지 않고도 수행될 수 있습니다. 의학의 미래는 이미 도래했습니다. 새로운 방법에서 무엇을 기대할 수 있는지, 그리고 이것이 우리 건강에 어떤 영향을 미칠지 알아봅시다.

진단해 보세요: 인공 지능

치료의 성공 여부는 신속하고 오류 없는 진단에 달려 있습니다. 이를 위해 의사는 많은 실제 경험을 축적하고 해당 분야의 현재 과학 연구를 인식해야 합니다. 하지만 매달 출판되는 새로운 연구와 사례 보고서가 너무 많아서 이 모든 것을 연구할 시간을 어디서 찾을 수 있습니까? 이곳은 엄청난 양의 정보를 몇 초 만에 처리할 수 있는 컴퓨터가 사람들의 도움을 받는 곳입니다.

오늘날 의료 데이터 분석 알고리즘은 Microsoft, IBM, Google을 비롯한 주요 기업에서 개발됩니다. 대부분의 경우 이러한 개발은 뇌 스캔이나 피부의 의심스러운 성장 이미지와 같은 대규모 데이터 세트에서 패턴을 찾을 수 있는 다양한 형태의 자가 학습 인공 지능을 기반으로 합니다. 이러한 알고리즘은 자격을 갖춘 의사가 내린 진단이 각 이미지에 할당되는 수천 개의 사례 라이브러리를 사용하여 훈련됩니다.

신경망은 이미 많은 질병을 인간만큼 효과적으로 식별하는 방법을 배웠으며 어떤 경우에는 전문가보다 뛰어난 성능을 발휘하기도 합니다.

CNN(컨벌루션 신경망)을 사용하면 여러 이미지를 분석할 수 있습니다. 이는 각 인공 뉴런이 이전 레이어 출력의 작은 조각만 수신하는 깊은(다층) 구조입니다. 점차적으로 네트워크는 로컬 기능을 일반화하여 전체 그림을 다시 만듭니다. 모든 데이터를 결합함으로써 CNN은 의사가 진단을 내리는 특징적인 요소를 포함하여 원본 이미지의 다양한 세부 사항을 인식할 수 있습니다.

CRISPR 기술은 질병의 원인을 제거할 수 있을 뿐만 아니라 감염원의 DNA 또는 RNA 흔적을 찾는 등 질병을 식별할 수도 있습니다.

CRISPR 관련 단백질인 Cas9가 치료와 관련하여 가장 자주 언급되는 반면, 다른 단백질인 Cas12a 및 Cas13a는 일반적으로 "진단" 단백질입니다.

2017년 MIT 연구진은 SHERLOCK(Specific High Sensitivity Enzymatic Reporter UnLOCKing)이라는 진단 기술을 선보였습니다. 특정 RNA 서열을 인식해 근처에 있는 유사한 RNA 가닥을 잘라 의심스러운 물체를 완전히 파괴할 수 있는 Cas13a 효소를 사용한다. 셜록 홈즈(Sherlock Holmes)라는 책과 마찬가지로 의료용 SHERLOCK은 가장 작은 증거로부터 사건에 대한 완전한 그림을 재현할 수 있습니다. 이 기술은 아토몰(리터당 10~18몰) 농도의 핵산을 사용하여 작동합니다. 이 방법은 뎅기열 바이러스와 지카 바이러스의 단편을 포함하는 렌티바이러스에 대해 테스트되었습니다. SHERLOCK은 병원체 입자를 감지하고 2atmoles 이하의 농도에서 병원체 입자를 서로 구별할 수 있었습니다.

테스트 과정에서 SHERLOCK을 사용한 진단용 시약은 건조 후 재구성이 가능하지만 방법의 민감도는 크게 감소하지 않는 것으로 나타났습니다. 휴대용 테스트의 경우 유리섬유 종이를 사용하는 것이 좋습니다. 개발 작성자는 하나의 테스트 시스템 비용이 약 61센트가 될 것이라고 믿습니다.

다른 연구자들도 집에서 CRISPR 테스트를 위한 키트를 만들기 위해 노력하고 있습니다. 최근 이 분야의 개발은 의료 CRISPR 혁명의 선구자 중 한 명인 Jennifer Doudna에 의해 시작되었습니다. 그녀의 팀은 Cas12a 단백질을 사용하여 DETECTR(DNA 엔도뉴클레아제 표적 CRISPR 트랜스 리포터)이라는 방법을 만들었습니다. 이는 특정 DNA 서열을 찾고 샘플에 추가된 가장 가까운 형광 태그가 붙은 핵산 리포터 분자를 절단하여 신호를 생성합니다. 이러한 방식으로 인플루엔자 바이러스의 다양한 변종을 포함하여 많은 질병의 병원체 흔적을 검출할 수 있습니다.

이러한 테스트 시스템의 제작자에 따르면 CRISPR 분석은 몇 시간도 걸리지 않으며 결과는 인터넷을 통해 얻을 수 있습니다. 그러나 그러한 세트가 나타날 때 공개 판매, 아직 알려지지 않았습니다.

그것은 환상이다: 가상 현실

가상 현실은 종종 맥락에서 이야기됩니다. 컴퓨터 게임그리고 "체적 영화" 등이 있지만 이 기술은 가장 눈에 띄는 분야가 아닌 의학에서도 잠재력을 갖고 있습니다. 예를 들어 VR은 진통제로 효과적으로 사용됩니다.

일리노이주 로욜라 대학 병원의 화상병동은 이러한 접근 방식을 취하고 있습니다.시작했다 10년 전 사용: 병원 환자들이 고통스러운 시술 중에 시뮬레이터를 사용함스노우월드.

액션은 많은 눈 더미와 얼어붙은 강이 있는 반 환상적인 북부 풍경을 배경으로 진행되며, 영웅의 임무는 북극곰, 펭귄, 눈사람과 함께 눈덩이를 치는 것입니다. 모든 레벨을 완료하기 위해 환자는 무의식적으로 퍼즐에 집중하고 신체 감각에서 주의가 산만해집니다. MRI 뇌 스캔 결과 SnowWorld가 실제로 통증에 대한 인식을 감소시키기 때문에 환자는 신체에 해로울 수 있는 강력한 진통제를 덜 필요로 하는 것으로 나타났습니다.

VR은 다양한 의학 분야에서 진통제를 대체하거나 보완하고 있습니다. 이 기술은 출산 및 치과 시술 중 통증을 완화하는 데 사용됩니다. 가상 현실의 통증 완화 특성은 특히 미국의 "오피오이드 위기"와 관련이 있습니다. 이는 최근 수십 년 동안 처방 진통제(예: OxyContin 및 Vicodin)의 인기 상승과 관련이 있습니다.

VR은 육체적 고통뿐만 아니라 심리적 트라우마도 극복할 수 있습니다. 첫 번째 실험은 1990년대 후반에 이루어졌습니다. 심리학자 Barbara Rothbaum은 헬리콥터 조종석과 아시아 정글의 공터에 대한 가상 모델을 사용하여 베트남 참전 군인들의 외상후 스트레스 장애 증상을 완화하는 데 성공했습니다. 이 기술은 환자의 의식이 피하려고 하는 외상성 기억에 대한 점진적인 "접근"인 노출 요법을 보완했습니다. 가상 현실을 사용하여 불안 장애와 공포증을 치료하는 데에도 유사한 계획이 적용됩니다. 기술은 공중 공포증과 대중 연설에 대한 두려움을 극복하는 데 도움이 됩니다. 시뮬레이션된 환경을 통해 무서운 상황을 반복적으로 "연습"할 수 있습니다.

VR 치료의 단점은 상대적으로 높은 장비 비용과 가상 현실에 대한 잠재적인 생리적 편협함입니다.

새로운 치료법 실험에 참가한 일부 참가자들은 멀미나 뱃멀미와 동일한 증상을 유발하는 VR '메스꺼움'(가상 현실 멀미)을 경험했습니다. 일반적인 가설에 따르면, 두 장애는 모두 전정 기관 수용체의 기능 장애 또는 전정 기관과 시력 기관에서 나오는 신호 간의 충돌로 인해 발생합니다.

개발자들은 이미 VR "메스꺼움"을 줄일 수 있는 여러 가지 방법을 만들었습니다. 예를 들어, 사용자의 눈이 계속해서 시선을 고정하는 고정된 개체를 화면에 배치할 수 있습니다. Nasum Virtualis 기술의 저자는 화면 중앙에 위치한 코의 가상 이미지를 기준점으로 사용할 것을 제안합니다. 플레이어의 눈은 그것을 자신의 코로 인식하므로 메스꺼움과 현기증이 사라집니다.

인공지능 시스템의 요소 개발은 활발히 발전하여 오늘날의 추세가 되고 있으며, 게으른 사람만이 스마트 봇을 작성하지 않습니다. 이것이 바로 우리가 국내 최고의 AI 전문가 중 한 명인 Dmitry Soshnikov를 인터뷰한 이유입니다. 그는 Microsoft 기술 전도사이자 책, 기사 및 튜토리얼의 저자일 뿐만 아니라 교사 및 학생 프로그램 코디네이터이자 함수형 프로그래밍, 신경망 및 인공 지능 전문가입니다.

- 드미트리씨, 당신 자신과 당신의 일에 대해 몇 마디 말해주세요.

드미트리 소시니코프: 저는 Microsoft의 전도사로서 회사의 가장 현대적인 기술, 현재는 주로 인공 지능과 관련된 기술을 대중화하고 구현하는 데 참여하고 있습니다. 여기에는 컨퍼런스에서의 연설, 학생 및 교사와의 협력, 스타트업, 때로는 해킹 페스트 참여, 다른 회사의 개발자와의 프로토타입 시스템 프로그래밍 등이 포함됩니다. 또한 함수형 프로그래밍과 F# 언어를 대중화하고, MIPT, HSE 및 MAI에서 가르치고, MVA 및 Coursera를 위한 온라인 과정을 개발합니다.

제 생각에는 신경망과 일반적인 인공 지능은 매우 흥미로운 분야입니다. 최근 몇 년간의 급속한 발전으로 인해 이전에는 해결 방법이 없었던 여러 문제(예: 자동 결정 등)를 이미 해결할 수 있게 되었습니다. 사진으로 보는 사람의 나이. 그리고 미래에는 우리에게 더 많은 흥미로운 기회가 있을 것입니다.

신경망 - 패션인가, 도구인가?

드미트리 소시니코프: 여기에는 여러 가지 요소가 성공적으로 중첩되었습니다.
첫째, 저렴한 컴퓨팅 성능이 가능해졌습니다. 또한 신경망 계산을 위한 인프라에 투자하는 대신 계산 기간 동안만 임대할 수 있고 이후에는 임대를 거부하므로 클라우드 서비스가 큰 역할을 했습니다. 또한 원래 컴퓨터 그래픽용으로 설계된 그래픽 프로세서가 사용되기 시작했습니다. 인공지능 작업에 매우 적합한 것으로 나타났습니다.

둘째, 인터넷 덕분에 많은 분야에서 엄청난 양의 데이터가 축적되기 시작했습니다. 예를 들어, 앞서 언급한 사진에서 사람의 나이를 인식하는 작업을 생각해 보세요. 이 문제를 해결하기 위해 신경망을 훈련하려면 수십만 개의 예제가 필요합니다. 이제 사람들이 자신의 사진과 계정 정보(나이)를 게시하는 모든 소셜 네트워크를 이용할 수 있으며 교육용 데이터를 즉시 받습니다.
셋째, 물론 기존 문제를 해결할 수 있는 새로운 신경망 아키텍처를 포함하여 몇 가지 흥미로운 연구가 등장했습니다. 그러나 이 점은 아마도 처음 두 가지의 결과일 것입니다. 자원과 기술이 확보되면 해당 지역은 자연스럽게 활발하게 발전하기 시작합니다.

이러한 신경망을 사용할 수 있는 수많은 도구가 여기에 나타났습니다. 이전에는 인공지능 문제를 해결하기 위해 많은 지식과 프로그래밍이 필요했다면, 이제는 직접 받아 사용할 수 있는 서비스가 있습니다.

오늘날 인공지능이라는 주제는 매우 인기가 높습니다. 이 인기는 얼마나 가치가 있습니까? 기술이 정말 그렇게 인상적인 걸까요, 아니면 패션이 크게 기여한 걸까요? 그리고 이런 '유행'은 발전에 해로운 것이 아닌가?

드미트리 소시니코프: AI 분야에서는 정말 큰 성공이 있다는 얘기가 많이 나올 정도로 '인공지능'이라는 말이 널리 퍼져 있습니다. 덕분에 새로운 개발자가 등장합니다. 누군가가 가서 스스로 새로운 영역을 연구합니다. 이 부분을 이해하시는 분들이 많아졌습니다. 반면, 사람들은 인공지능 기술을 적용할 수 있는 업무를 더욱 신중하게 찾고 있습니다. 이러한 관점에서 볼 때 이 모든 것은 원칙적으로 좋은 것입니다. 이전에는 자동화할 수 없었던 일부 영역을 자동화할 기회가 있기 때문입니다.

예를 들어 MacAuto 창에서 주문 수락 문제를 해결할 수 있습니다. 그들은 항상 그러한 문제에 대한 해결책을 더 저렴하게 만들려고 노력합니다. 예를 들어, 미국에서는 처음에는 미국인이 거기에 앉아 있었는데, 그 다음에는 노동력이 저렴한 국가(역시 그 사람이 앉아서 녹음하는 국가)로 음성을 전송하여 이를 아웃소싱하려는 시도가 있었습니다. 이제 컴퓨터가 이것을 할 수 있습니다.

시장 참여자들은 기대가 부풀려졌나요? 가까운 장래에 확실히 실현되지 않을 것이라고 생각하는 예측이 있습니까?

드미트리 소시니코프: 물론 있습니다. 우선 인공지능 분야는 좀 로맨틱한 분야입니다. 예를 들어 "매트릭스"나 "터미네이터"와 같이 로봇이 반항하고 모든 것을 통제하는 영화가 꽤 많이 있습니다. 그러므로 앞으로 5년이 더 지나면 컴퓨터가 세계를 장악할 것이라고 기대하는 사람들이 어느 정도 있습니다. 이러한 기대는 아직 현실과는 거리가 먼 것 같습니다. 요즘에는 이미지 인식, 음성 인식, 기계 학습과 관련된 특정 종류의 문제에 대한 솔루션이 매우 자동화되어 있습니다. 그러나 인간의 사고가 일반적으로 어떻게 작동하는지 이해하려면 아직 갈 길이 꽤 멀다. 그러므로 사람처럼 생각하고 축적된 지식으로 작동하는 인공지능을 만들기 위해서는 아직 해야 할 일이 많다. 이를 수행하는 방법은 아직 명확하지 않습니다.

-SF 시나리오 구현보다는 금융 투자 측면에서 기대되는 부분은 어떤가.

드미트리 소시니코프: 그런 대화를 위해서는 인공지능이라는 주제가 매우 광범위한 영역이기 때문에 별도의 구성요소로 나누어서 나누어야 할 것 같습니다.

컴퓨터 비전을 살펴보면 이미 기업에 구현되어 효율성을 높이고 경제적 이익을 가져오는 놀라운 발전이 있습니다. 컴퓨터 비전은 이미 인간보다 이미지를 더 잘 인식하고 가격도 훨씬 저렴합니다.

자연어를 이해하고 임의의 주제에 대해 추론하는 능력과 같은 다른 영역에서는 진전이 더 미미했습니다.

- 업계 발전을 방해하는 요인이 있다고 생각하시나요?

드미트리 소시니코프: 솔직히 말해서 뚜렷한 요인은 보이지 않습니다. 지금 가장 빠르게 성장하는 분야인 것 같아요.
하지만 인공지능은 여전히 ​​어느 정도 자격이 필요한 분야라는 점을 말씀드리고 싶습니다. 이 방향으로 작업하는 것은 프로그래밍을 배우는 것보다 조금 더 어렵습니다. 학교를 졸업하고 고등 교육을 받지 못한 사람도 표준 개발 분야에서 성공적으로 일하기 시작할 수 있습니다. 인공지능은 업계 참여자들의 노력을 포함해 점차 낮아지고 있지만 진입 장벽은 더 높다. 특히 마이크로소프트가 추진하고 있는 것 중 하나가 이른바 인공지능 민주화다. 이는 가능한 가장 광범위한 소비자 부문이 기술에 접근할 수 있도록 하는 것을 의미합니다.

실제로 Microsoft뿐만 아니라 다른 많은 회사도 이러한 방향으로 노력하고 있으며, 예를 들어 기성 서비스 형태로 지적, 인지적 문제를 해결하기 위한 도구를 제공하고 있습니다. 예를 들어, 사진을 통해 사람의 성별, 나이, 기분을 판단하는 서비스에서는 간단히 전화를 걸어 결과를 얻을 수 있습니다. 기계 번역 등에도 동일하게 적용됩니다. DotNext 2017 보고서의 일부로 우리는 이에 대해 이야기할 것입니다: 그것이 정확히 어떻게 작동하는지 전혀 이해하지 못한 채 단순히 결과를 사용할 수 있는 방법은 무엇입니까?

아마도 A.NET일까요?

드미트리 소시니코프: AI 방식은 어떤 기술에도 구현 가능합니다. 그럼에도 불구하고 유사한 작업을 중심으로 확립된 특정 생태계가 있습니다. 예를 들어 Python과 R 및 그에 수반되는 라이브러리는 데이터 과학자들 사이에서 매우 인기 있는 언어입니다. 저것들. 여기에는 이미 많은 커뮤니티 활동이 있습니다. 물론 이러한 개발 측면에서 .NET은 다른 유사한 플랫폼과 마찬가지로 약간 뒤쳐져 있습니다. 그러나 .NET에는 이미 보고서의 일부로 설명할 특정 도구 세트가 있습니다.

일반적으로 플랫폼은 이제 서로를 포함하여 어떤 의미에서 통합되었습니다. 동일한 R 언어는 .NET 플랫폼에 기본으로 제공되는 F#과 매우 잘 통합됩니다. 따라서 일부 기계 학습 도구를 사용해야 하는 경우 R 언어의 기능과 라이브러리를 사용하여 이러한 체인을 사용할 수 있습니다. 이는 매우 투명하고 쉽습니다.

일반적으로 신경망에 대해 구체적으로 이야기한다면 Microsoft에는 신경망을 훈련할 수 있는 Cognitive Toolkit이 있습니다. 그리고 원래 Microsoft 에코시스템에서 구축되었기 때문에 .NET에서도 매우 잘 작동합니다.

- 이 도구는 다른 제조업체의 유사 제품보다 눈에 띕니다.?

드미트리 소시니코프: 기본적으로 Cognitive Toolkit은 Microsoft의 TensorFlow, Caffe 등 프레임워크와 유사합니다.

그들 모두는 원칙적으로 이념적으로 매우 유사합니다. 그러나 Microsoft Cognitive Toolkit은 단일 GPU뿐만 아니라 여러 GPU 또는 심지어 여러 GPU 스테이션에서도 신경망을 훈련할 수 있는 고도로 분산된 훈련 환경을 최초로 지원했습니다. 저것들. 신경망 훈련 농장을 만들 수 있습니다.

내가 아는 한, Cognitive Toolkit은 학습 속도 측면에서 다른 프레임워크보다 뛰어납니다. 게다가 사용하기가 매우 편리합니다. 대부분의 프레임워크는 어떤 방식으로든 Python과 관련되어 있지만 Cognitive Toolkit은 처음에는 약간 다른 경로를 따랐습니다. 처음에는 특수 언어로 신경망의 아키텍처를 기술한 다음 Python으로 모델을 구축하지 않고도 이를 학습시키는 것이 가능했습니다. 조금 더 쉬웠습니다. 현재 Cognitive Toolkit은 두 가지 옵션을 모두 지원합니다. 꽤 유연해요.

- 아마도 Cognitive Toolkit이 유사 도구보다 열등한 순간이 있을까요?

드미트리 소시니코프: 일반적으로 이러한 프레임워크는 임의의 신경망을 훈련할 수 있는 하위 수준 도구입니다. 유사한 것과 마찬가지로 Cognitive Toolkit은 임의의 복잡성을 지닌 네트워크 아키텍처를 구축할 수 있는 특정 기본 수준을 지원합니다. 따라서 다양한 도구로 해결되는 작업 범위는 거의 동일합니다.

프레임워크의 선택은 주로 개인적인 선호도와 참고 자료의 가용성에 따라 결정됩니다. 그리고 여기에서 Microsoft 프레임워크는 조금 늦게 등장했기 때문에 약간 뒤처져 있으므로 특히 온라인 코스와 같은 많은 양의 자료가 없습니다. 그러나 상황은 물론 점차 평준화되고 있습니다.

우리는 MIPT와 함께 실제로 인공 지능 사용과 관련된 문제를 특별히 다루는 온라인 코스를 출시할 계획입니다. 그리고 Cognitive Toolkit에 대한 일부 정보도 여기에 포함됩니다.

가까운 미래

드미트리 소시니코프: 2011~2012년 기술의 급속한 발전이 시작된 이후 최종 예측을 하기에는 아직 이르다. 그 이후로 인식 방법이 개선되고 신경망 아키텍처가 개선되었습니다. 문제해결의 정확성이 높아집니다.

이 부분에는 아직 해결되지 않은 문제가 많이 있습니다. 이미지 및 음성 인식 문제는 이미 상당히 높은 수준에서 해결되었습니다. 다음으로, 아마도 가장 흥미로운 것은 텍스트에서 어떤 의미를 추출해 보는 것입니다. 여기에도 꽤 놀라운 성공이 있습니다. 예를 들어, 영화의 대화 조각으로 신경망을 훈련하고 대화를 유지할 수 있는 로봇을 얻을 수 있습니다. 그러나 동시에 대화에는 큰 의미가 없을 것입니다. 지식을 의미로 변환하는 방법, 신경망의 암묵적인 지식 표현을 상징적 추론과 결합하는 방법은 아직 명확하지 않습니다. 이것이 과학자들이 추구하는 연구의 방향이다.

도구는 현재 활발히 개발되고 있습니다. 어떤 의미에서 도구 제조업체는 해당 분야의 과학적 발전을 따르려고 노력하고 있습니다. 새로운 네트워크 아키텍처가 나타납니다. 해당 지원은 도구에 나타납니다. 기능은 지속적으로 확장되고 있습니다.

앞서 말했듯 개발자 입장에서 볼 때, 도구를 포함한 인공지능의 민주화 추세가 눈에 띄게 나타나고 있습니다. 제가 언급한 Microsoft Cognitive Toolkit 외에도 Azure Machine Learning이라는 흥미로운 도구가 있습니다. 이 도구를 사용하면 모든 기계 학습 알고리즘의 구현에 대한 깊은 이해 없이 실제 데이터에 적용할 수 있으며 어떤 패턴을 식별할 수 있는지 확인할 수 있습니다. 귀하의 제품에 더 많이 사용하십시오. 이 도구는 또한 매우 집중적으로 개발되고 있습니다. 여기에 새로운 방법과 알고리즘이 삽입되고 있습니다.

일반적으로 기술은 점점 더 접근하기 쉬워지고 있습니다. 복잡한 것을 단순화하여 최대한 다양한 프로젝트에 사용할 수 있습니다.
제가 언급하고 싶은 또 다른 점은 이것이 인공 지능 알고리즘을 구현하는 보다 효율적인 하드웨어 솔루션을 사용하는 클라우드에서의 최초의 실험이라는 것입니다. Dotnext에서는 이에 대해 이야기하지 않지만 Microsoft Ignite 컨퍼런스에서 이 주제에 대해 자세히 논의했습니다. 클라우드에서 Microsoft는 기존 컴퓨팅 리소스뿐만 아니라 프로그래밍 가능한 논리 집적 회로(FPGA 또는 FPGA)도 제공할 계획입니다. 단순화하기 위해 특정 논리 작업을 수행하기 위해 플래시할 수 있고 이러한 작업을 매우 빠르게 수행하는 칩입니다. 이러한 방식을 사용하면 신경망을 훨씬 빠르게 계산할 수 있습니다. 실험 중에 프로세서는 언어에서 언어로 번역하라는 "메시지"를 받았으며 그 결과 소설 "전쟁과 평화"가 2초 만에 언어에서 언어로 번역되었습니다. Microsoft가 클라우드에 있는 많은 프로세서를 모두 사용하면 Wikipedia는 사람이 눈을 깜박이는 시간 안에 한 언어에서 다른 언어로 번역될 수 있습니다.

Dmitry는 DotNext 2017 Piter 보고서에서 실제 프로젝트(.NET 포함)에서 신경망 및 인공 지능 기술의 사용에 대한 보다 실용적인 정보를 제공할 예정입니다. 신경망').

태그:

• 인공지능
• 신경망