Artificial Intelligence Overview
인공지능 개요
- 인간 수준의 지능을 구사하고, 인간의 지능적 행위를 대신할 수 있는 컴퓨터 시스템을 의미한다.
- 즉, 인공지능은 사람에 의해 만들어진 지능적 시스템이다.
- Robot은 인간의 "육체 노동"을 대신하는 시스템이다.
Types of AI (인공지능의 분류)
- Weak AI (Narrow AI; 약인공지능)
- 특정 문제만을 해결할 수 있는 수준의 인공지능이다.
- 사람의 지능적 행위를 '흉내'낼 수 있는 수준이다. - Strong AI (Artificial General Intelligence; 강인공지능, 인공일반지능)
- 사람과 같은 지능 수준을 가진 인공이다.
- 추론, 문제해결, 판단, 계획, 의사소통, Self-Awareness(자아의식), Sentiment(감정), Sapience(지혜), Conscience(양심)과 같이, 인간이 갖추고 있는 요소들이 구현되어 있다.
- 또한, Intelligence Explosion(지능 폭발)이 화제가 됨에 따라 아래와 같이 분류하기도 한다.
- Narrow AI (좁은 인공지능, 전용 인공지능)
- 한 가지 업무에 특화된 인공지능이다.
- Weak AI에 대응되는 개념이다.
- General AI (일반 인공지능, 범용 인공지능)
- 인간 수준의 인공지능이다.
- Strong AI에 대응되는 개념이다.
- Super AI (슈퍼 인공지능, 초인공지능)
- 인간의 지능을 뛰어넘은 인공지능이다.
* Technological Singularity (Singularity; 기술적 특이점, 특이점)
- John von Neumann이 처음으로 사용한 용어로,
인공지능 기술이 인간의 능력을 뛰어넘어 새로운 문명을 만들어내는 미래의 시점을 의미한다.
- 급격한 기술적 발달의 결과에 대한 제어가 어렵고 불가역적인 인류 문명 변화를 가져올 가설적인 미래 시점이다.
- Irving Good이 Intelligence Explosion(지능 폭발)이 발생할 것을 최초로 주장하며
강한 인공지능의 수준을 뛰어넘는 슈퍼 인공지능이 출현할 것을 주장하면서 더욱 화재가 된 개념이다.
Turing Test vs Chinese Room Thought Experiment (튜링테스트와 중국어 방 사고 실험)
Turing Test (튜링 테스트)
- 앨런 튜링이 제안한, 컴퓨터가 인공지능을 갖추었는지를 판별하는 실험으로, 인간이 컴퓨터와 대화를 나눈 후
인간인지 컴퓨터인지를 맞추게 하여, 컴퓨터인지 인간인지를 구분하지 못 한다면
해당 컴퓨터가 사고(Thinking)할 수 있는 것으로 간주해야 한다는 주장이다.
Chinese Room Argument (중국어 방 논증)
- 튜링 테스트로는 컴퓨터의 인공지능 여부를 판단할 수 없다는 것을 논증하기 위해
미국의 언어철학자 John Searle이 고안한 사고실험이다.
- 실험의 내용은 아래와 같다.
"우선 방 안에 영어만 할 줄 아는 사람이 들어간다.
그 방에 필담을 할 수 있는 도구와, 미리 만들어 놓은 중국어 질문과 질문에 대한 대답 목록을 준비해 둔다.
이 방 안으로 중국인 심사관이 중국어로 질문을 써서 안으로 넣으면
방 안의 사람은 그것을 준비된 대응표에 따라 답변을 중국어로 써서 밖의 심사관에게 준다."
- 안에 어떤 사람이 있는지 모르는 중국인이 보면 안에 있는 사람은 중국어를 할 줄 아는 것처럼 보인다.
그러나, 안에 있는 사람은 실제로는 중국어를 전혀 모르는 사람이고,
중국어 질문을 이해하지 않고 주어진 표에 따라 대답할 뿐이다.
- 중국어로 질문과 답변을 완벽히 한다고 해도
안에 있는 사람이 중국어를 진짜로 이해하는지 어떤지 판정할 수 없다는 결론을 얻는다.
이와 마찬가지로 지능이 있어서 질문 답변을 수행할 수 있는 기계가 있어도
그것이 지능을 가졌는지는 튜링 테스트로는 판정할 수 없다는 주장이다.
Component of Artificial Intelligence (인공지능 구성요소)
| Model Type (모델 형태) |
- 신경망, 머신러닝, 다층 퍼셉트론, 전문가 시스템 등 |
| H/W and S/W (하드웨어와 소프트웨어) |
- 병렬처리 하드웨어 (GPU, SPARK 등) - 머신러닝 소프트웨어 (Tensorflow 등) |
| Programming Language (프로그래밍 언어) |
- 학습과 실행에 사용될 프로그래밍 언어 - C, Java, Python, Lisp, Prolog 등 |
| Applications (응용 분야) |
- 음성 인식, 영상 인식, 자연어 처리, 지식 처리 등 |
* Programming Language for AI
- Lisp
- List와 Tree 구조로 데이터를 처리한다.
- Interactive Interpretation 방식이다.
- Program과 Data가 같은 Type으로 취급된다.
- Prolog
- Fact, Rule, Question으로 구성된 논리형 프로그래밍 언어이다.
- Interactive Interpretation 방식이다.
- Question에 답하기 위해 Inference Engine을 이용한다.
- Python
- Interactive Interpretation 방식 또한 지원되는 동적 타이핑 대화형 프로그래밍 언어이다.
- 플랫폼 독립적이다.
- R
- 통계적 계산과 그래픽 처리(시각화)에 유용한 프로그래밍 언어이다.
- 오픈소스 소프트웨어이다.
Artificial Intelligence Can do (인공지능이 할 수 있는 것들)
- 시각적 인식
- 물체 인식, 동작 인식, 얼굴 인식
- Google Openpose - 소리 인식
- 음성 인식, 화자 인식, 음악 인식 - 센서 기반 상황 판단 및 행동
- 자율 주행 자동차, 로봇 청소기, AI Weapon - 자연어 처리
- 고유명사 인식, 번역, 화자 감정 인식, QA(기계 독해), 챗봇, 의미 분석, 자동 질문 생성, 작문, 스팸 필터링 - 모방적 창작
- 작곡, 새로운 사람 얼굴 생성, 가려진 배경 생성, 특정 화풍의 그림 그리기
- GAN (Generative Adversarial Network; 생성적 대립 신경망) - Trial and Error
- 로봇 걸음마, 벽돌깨기 게임 수행, 바둑
- RL (Reinforcement Learning; 강화 학습)
* Samples of AI Successes (AI의 성공사례)
| Category of Success | Details |
| Game Playing | - IBM의 Deep Blue가 체스 챔피언 Kasparov를 이겼다. |
| Problem Solving | - 수십년동안 풀리지 않은 Robbins Conjecture(수학적 추측 문제)를 해결했다. |
| Planning | - NASA의 우주선 운용 스케줄 자율 계획 프로그램 - 걸프전 당시, US Force의 DART (AI Logistics Planninng and Shceduling Program) |
| Robotics & Robot Vehicles | - NASA Autonomous Exploration Robots (Sojourner, Spirit, Opportunity) (통제시설이 필요없는 자율주행 화성탐사 로봇) - NASA Remote Agent (Deep Space I) (태양계 원격 탐사 로봇) - DARPA의 Autonomous Vehicle (사막과 도심을 누비는 자율 주행 자동차) - iRobot사의 Roomba (로봇청소기) - iRobot사의 PackBot (아프가니스탄과 이라크전에 사용된 지상 작전용 로봇) |
| Speech Understandinig Systems for Airline | |
| Spam Filtering using ML | |
| Machine Translation by Google | |
| Question Answering Systems | - 상식적 수준의 질문에 대해 자동적으로 대답한다. |
Related People (인공 지능 관련 인물)
Marvin Minsky (마빈 민스키) (URL)
- 초기 신경망 분야에 큰 영향을 미친 Rosenblatt의 Perceptron 모델의 단점을 지적한
『Perceptrons』(1969)를 저술했다.
Raymond Kurzweil (레이먼드 커즈와일)
- 이미지 스캐너, OCR, 음성합성 독서 기계, 음악 합성기 등을 발명한 MIT 출신 인공지능 학자이다.
『The Singularity is Near』(2005)를 저술했다.
이 책에서 커즈와일은 2045년에 인간이 인공지능을 통제할 수 없는 특이점에 도달할 것으로 예측했다.
John McCarthy (존 매카시)
- Lisp를 설계하고 구현했다.
Category of Artificial Intelligence (인공지능의 범주)
Machine Learning (ML; 머신러닝)
- 인공지능의 분야 중 하나로, 과거의 경험으로부터 컴퓨터를 학습시키는 방식을 의미한다.
- 새로운 환경 혹은 새로운 과제를 해결하는 데 사용된다.
(안면인식, 음성인식, 스팸 필터링, 게임 플레이, 작곡, 번역)
Neural Network (NN, Artificial Neural Network; 신경망)
- 인간의 뇌 기능을 모방한 네트워크로,
대상을 보고, 무엇인지를 인식하여 필요에 따라 행동을 취하는 인간의 사고방식을 컴퓨터에 학습시킨다.
- NN에서는 각 Neuron(뉴런)이 독립적으로 동작하는 Processor의 역할을 수행하여
Parallellism(병렬성)이 뛰어나고, 각각의 Connection에 정보가 분산돼 있어
몇몇 뉴런에 문제가 발생해도 전체 시스템에 큰 영향을 주지 않는 Fault Tolerance(결함 허용) 능력이 있으며,
또한 주어진 환경에 대한 학습 능력이 있다.
- NN은 AI 분야 중 문제 해결에 이용되고 있는데, 그 예로는 문자 및 음성 인식, 화상 처리, 자연어 처리 분야가 있다.
* Terminology for NN (신경망 관련 용어)
| Term | Description |
| Hebbian Rule (Hebb 학습 규칙) |
- 1949년에 심리학자 Donald Hebb이 고안한 학습 규칙이다. - 두 뉴런 A, B가 서로 반복적·지속적으로 Firing(점화)하여 한쪽 또는 양쪽 뉴런 모두에 변화를 야기한다면 상호간의 Weight(점화 효율)은 점차 증가한다에 기반한 학습 규칙이다. |
| SNARC | - 1950년에 하버드 학부생 Marvin Minsky와 Dean Edmonds가 고안한 첫 NN 컴퓨터이다. - 추후, Marvin Minsky는 프린스턴에서 박사과정을 거치며 NN을 통한 Universal Computation을 연구하며 NN의 한계에 대한 Theorem을 증명했다. |
Deep Learning (딥러닝)
- 기존 NN 모델의 단점이 극복되어 NN 개념을 활용할 수 있고,
하드웨어의 급속한 발전으로 복잡한 행렬 연산을 처리할 GPU가 개발되었으며,
다량의 Data와 Tag 정보를 가진 Big Data를 학습에 사용할 수 있게 되자
딥러닝이 개발되었다.
* Deep Learning Overview (딥러닝 개요) (URL)
[Artificial Intelligence] Deep Learning Overview | 딥러닝 개요
Deep Learning Overview 딥러닝 개요 - ML의 NN내의 한 분야로서 여러 Hidden Layer를 가진 Deep Neural Network(DNN; 심층 신경망)을 기반으로 하는 학습 방법이다. - 다중처리 계층으로 구성된 계산 모델을 사..
dad-rock.tistory.com
AI Related Disciplines (AI 연관 학문)
| Discipline | Details |
| Philosophy (철학) |
- Logic - Methods of reasoning - Mind as physical system foundations of learning - Language - Rationality |
| Mathematics and Statistics (수학 및 통계학) |
- Formal representation and proof algorithms - Computation - Decidability - Tractability - Probability |
| Economics (경제학) |
- Utility - Decision theory |
| Neuroscience (신경 과학) |
- Physical substrate for mental activity |
| Psychology (심리학) |
- Phenomena of perception and motor control - Experimental techniques |
| Computer Science (컴퓨터 과학) |
- Building fast computers - Designing algorithms and database structures |
| Control theory (통제 이론) |
- Design systems that maximize an objective function over time |
| Linguistics (언어학) |
- Knowledge representation - Grammar - Natural language processing |
* Reasoning Types (추론의 종류)
- Induction (귀납 추론)
- 개별 사실들을 분석하여 큰 범주의 일반적 결론을 도출한다.
- 연역 추론에 비해 논리적 필연성이 적다.
- 새로운 지식이나 이론의 발견 및 확장을 가능케한다.
- Deduction (연역 추론)
- 하나 이상의 전제로부터 다른 결론을 도출해낸다.
- 최초 대전제가 결론을 끌어내는데 가장 중요한 근거가 된다.
- 결론은 전제들 속에 이미 포함된 내용으로 도출될 수 밖에 없다.
- 확장성은 부족하나, 논리의 일관성이 장점으로 여겨진다.
- 삼단 논법이 연역 추론에 속한다.
- Analogy (유비 추론)
- 두 개의 특수한 대상에서 유사성과 일치성을 찾아 다른 현상도 유사하거나 유추할 것으로 추론한다.
- 기존에 알지 못했던 새로운 영역의 이해에 도움을 준다.
History of Artificial Intelligence (인공지능의 역사) (URL)
| Timeline | Year | Details |
| Seedtime (준비기) 1943 - 1956 |
1943 | - Introducing Boolean Circuit Model of Human Brain (McCulloch, Pitts) (AND, OR, NOT 명제로 연결한 인공 뉴런들을 통해 두뇌를 구현) |
| 1949 | - Hebbian Rule (Donald Hebb) (뉴런들 사이의 학습은 뉴런 사이의 반복적 Firing(점화)로 설명) |
|
| 1950 | - 『Computing Machinery and Intelligence』 Paper (Turing) (AI의 완전한 비전 제시) - Turing Test (Turing) (기계의 지능을 판별하는 기준 제시) - ML, Genetic Algorithms, Reinforcement Learning Fields (Turing) - Chess Player Program (Claude Shannon, Alan Turing) |
|
| 1952 | - Checkers Player Machines (Arthur Samuel; Game Tree Search, Reinforcement Learning) |
|
| Cradle (요람기) 1956 - 1974 |
1956 | - Dartmouth Conference (McCarthy, Minsky, Shannin 외 7명) ('Artificial Intelligence(AI)' 용어를 최초로 제안) - Logic Theorist (LT; Reasoning program; Newell, Simon; 많은 수학 정리들을 증명) |
| 1957 | - Mark I Perceptron (Rosenblatt) (알파벳 문자를 인식하는 최초의 NN 모델) |
|
| 1958 | - LISP programming language (McCarthy) (Time Sharing, Advice Taker, 첫 AI 시스템) |
|
| 1959 | - Geometry Theorem Prover (Gelenter; 까다로운 여러 정리들을 증명) | |
| 1960 | - General Problem Solver (GPS; Simon, Newell; 인간의 사고 방식을 모방) - Widrow-Hoff Rule (입력 패턴의 특징을 추출하여 분류) |
|
| 1962 | - Perceptron (Rosenblatt) (NN의 한 종류로, 수용층-연합층-반응층으로 구성) |
|
| 1965 | - Complete Algorithm for Logical Reasoning (Robinson) - DENDRAL (Expert System about Chemistry, Inferring Molecular Structure) |
|
| 1966 | - ELIZA (자연어 처리 프로그램) |
|
| 1968 | - SHRDLU (Natural Language Understanding Program, Blocks World) |
|
| 1969 | - 『Perceptrons』 (Minsky, Papert) (Rosenblatt의 Perceptron 문제점 지적, NN 연구 침체기 시작의 계기) - Backpropagation Algorithm |
|
| 1971 | - MYCIN (450가지 Rules로 구성된 패혈증 진단 프로그램) |
|
| First AI Winter (첫 번째 겨울기) 1974 - 1980 |
1970's | - 석학들의 여러 낙관적 견해와 달리, 인공지능 연구는 어려움에 봉착 - 전문가 시스템 분야를 집중적으로 연구 |
| Boom (발전기) 1980 - 1987 |
1980 | - AI Becomes an Industry |
| 1981 | - 5 Generation Project (Japan) (Prolog를 구동하는 지능형 컴퓨터 개발을 위한 10년 계획) |
|
| 1982 | - RI Expert System (DEC) | |
| 1986 | - Neural Networks Return to Popularity - Reinvention of Backpropagation Algorithm (Rumelhart) |
|
| 1987 | - AI becomes a scientific method | |
| Second AI Winter (두 번째 겨울기) 1987 - 1993 |
1995 | - The Emergence of Intelligent Agents (인간이 원하는 것을 대신하여 지시하는 지능형 에이전트) - Multilayer Neural Network의 제한적 성능과 느린 컴퓨터 처리속도로 매우 복잡한 계산이 필요한 NN의 연구가 정체 |
Plateau (안정기) 1993 - 2011 |
1997 | - Deep Blue (IBM) (Chess 전용 슈퍼컴퓨터, 체스 챔피언에 승리) |
| 2001 | - AI on very Large Datasets - Data Became more Important than Algorithm (Word-Sense Disambiguation: 동음이의어의 모호함 문제에서 알고리즘의 종류보다 데이터의 양을 늘리는 방법이 보다 높은 성능을 냄) (Filling in holes of a photograph: 사진에서 빈 곳 채우기 문제에서도 보다 많은 사진으로 학습시켰을 때 더 나은 성능을 보였음) - Knowledge bottleneck (지식을 hand-coded하던것에서 충분한 데이터로 학습시키는 방식으로 진화) |
|
| 2004 | - RBM (Hinton) (Deep Learning 기반 학습 알고리즘) |
|
| Revival (부흥기) 2011 - Present |
2011 | - Watson (IBM) (자연어로 진행된 퀴즈쇼에서 인간 우승자들 사이에서 우승) |
| 2012 | - DNN (Google, Andrew Ng) (10억 개 이상의 NN으로 구성된 심층신경망, YouTube의 동영상들에서 고양이 영상인식에 성공) |
|
| 2014 | - Deep Face (Facebook) (Deep Learning 기반 얼굴인식 알고리즘) |
|
| 2016 | - AlphaGo (Google Deepmind) (바둑기사 이세돌에게서 4승 1패로 승리) |
| Periods | Details |
| Early Period (1950's - 1960's) |
- Mostly based onn search - Game playing (Brute Forcing) - Theorem proving (Symbol manipulation) - Biological models (Neural networks) |
| Symbolic application period (1970's) |
- Early expery systems, use of knowledge |
| Commercial period (1980's) |
- Knowledge/Rule bases |
| Scientific & Industrial period (1990's, early 21st Century) |
- Rapid advance due to greater use of solid mathematical methods and rigorous scientific standards - Real-world applications |
How AI Approaches Problems (AI의 문제 접근 방법)
- AI가 문제에 접근하는 방식은 Connectionism(연결주의)과 Symbolism(기호주의)으로 나뉜다.
- 연결주의와 기호주의 모두 발전 과정에서 Statistical Approach(통계적 접근)를 사용했는데,
이로 인해 추론과 학습 기술이 발전되었다.
(이때 사용된 통계 기술로 Logic, Bayesian Reasoning 등이 있다.)
Connectionism (연결주의, 싱경망 기반 인공지능; Neuron-like AI, Machine Learning; 우뇌와 연관)
- 인간 두뇌의 생물학적 신경망 구조(뉴런 구조)와 동작을 AI에 적용할 것을 주장하는 이론이다.
- 1957년 Frank Rosenblatt의 Mark I Perceptron 신경망 모델이 연결주의 기반 인공지능의 시초이다.
- Symbolism의 폭발적인 데이터(메모리)와 연산(전력) 요구량의 증가로 인한 장벽때문에
그의 대안으로 고도의 병렬처리를 모사한 Connectionism에 다시 초점이 맞춰졌다.
- 문제해결을 위한 학습 능력을 고안했다.
- 1969년 Perceptron의 문제점을 지적한 Minsky, Papert의 저서 『Perceptrons』로 인해
NN 연구가 침체기에 접어들게 되었다.
- 1986년 Rumelhart들의 PDP Group에서 기존의 단층 퍼센트론에 은닉층을 첨가하여 만든
다층 퍼셉트론 모델과 역전파 학습 알고리즘이 개발되며 NN은 다시 주목을 받기 시작한다.
(훗날 정립되는 ML 이론의 중심이 된다.)
- 2004년 제프리 힌튼 교수에 의해 신경망 계열의 Deep Learning 학습 알고리즘이 제안되었고
현재도 많은 연구가 진행중에 있다.
- 문자, 음성, 영상 등의 패턴인식에 응용된다.
Symbolism (기호주의, 규칙기반 인공지능; Rule-based AI; 좌뇌와 연관)
- 인공 신경망을 사용하여 인지적 능력을 설명하려 하는 심리철학 이론으로,
Dartmouth Conference(1956)의 주인공들인 McCarthy, Minsky, Simon, Newell 등이 주장했다.
- AI는 컴퓨터의 작동방식으로 구현될 수 있으므로, 컴퓨터의 작동방식에 맞게 Symbol(기호)과 Rule(규칙)을 사용하여
Rule-Based AI(규칙기반 AI)를 만들 수 있다 주장하는 이론이다.
- 문제 해결에 필요한 지식들을 수작업으로 구축한 후, 이를 바탕으로 탐색 및 추론 등의 해결방식을 적용한다.
- 수학적 정리 증명, 자연어 처리, 기계 추론, 문제 해결, 게임, 의사결정 시스템, 전문가 시스템에 응용된다.
- Deductive Reasoning(연역 추리), Logical Inference(논리적 추론), 문제 해결을 위한 알고리즘, 전문가 시스템에
좋은 성과를 보인다.
(신경망 기반 AI와 달리, 결과에 대한 입증과 설명이 가능하다.)
- 1950's부터 1980's까지 전성기를 맞으며, 현실의 형상 및 개념을 기호화하여 프로그램내에서 문제를 풀어나갔다.
- Chess Player Program(1950)이 기호주의에 기반한 인공지능 프로그램에 해당된다.
- 실세계에는 기호화할 수 없는 것이 많다는 점,
인간의 학습 방법을 모델링하기 어렵다는 점 (특히, 문자, 음성, 영상 등의 패턴인식의 한계),
기호주의의 결과물은 매우 한정적인 지적 활동만 수행할 수 있다는 한계가 지적된다.
(이 때문에, 1980년대 부터는 쇠락하게 된다.)
- 규칙 기반 인공지능에서 채택한 탐색 기법은 아래와 같다:
- Forward Inference (순방향 탐색)
- 출발 상태로부터 목표 상태를 향해 진행하는 탐색 기법이다.
- 규칙에 근거하여 주어진 정보들이 True/False 여부를 판단한다.
- 정보가 True인 경우, 검사한 규칙의 결론은 Knowledge-Base에 추가한다.
- Backward Chaining (역방향 추론)
- 주어진 목표에서 처음 출발 단계로 진행하는 탐색 기법이다.
- DFS
- BFS
- Heuristic Search
- 경험적 지식을 활용한 탐색 기법이다.
- 목표에 도달할 가능성이 가장 큰 방향으로 탐색하는 것을 Best First Search라 하며,
A* Algorithm은 제일 잘 알려진 Best First Search 알고리즘이다.
- Minimax Search
- 자신의 가능성을 최대로 하고, 상대의 가능성을 최소로 하는 탐색 기법이다.
- Pruning 기법이 이용된다.
- 규칙기반 시스템의 구성요소는 아래와 같다:
- 지식 베이스 (Fact)
- 추론 규칙 (Rule)
- 질의 (Query)
AI Ethics (인공지능 윤리 원칙)
- 아래는 EU 집행위원회에서 2016년에 의결하여 발표한 7가지 인공지능 윤리 원칙이다:
- 인간 주체성 보장
- 기술적 안정성
- 개인정보 보호
- 투명성
- 비차별과 공정성
- 사회와 환경의 행복
- 책무
* Asilomar AI Principles
- 2017년 캘리포니아 아실로마에서 열린 AI Conference에서 발표된 인공지능 기술 원칙이다.
- 인공지능 연구의 목적은 인류에게 유익한 지능을 만드는 것이며,
인공지능 기반 무기 경쟁을 피할것을 약속하는 등
인공지능 기술이 내포한 위험에 대처하기 위한 전반적인 원칙들이 포함된다.
* Google Objectives for AI
- 2018년 구글의 Sundar Pichai CEO가 발표한 인공지능 사용에 대한 원칙이다:
- 인공지능 이용에 있어서 원칙적으로 사회에 이익이 되어야 한다.
- 인공지능과 관련된 불공정한 편견을 만들거나 강요하지 않는다.
- 인공지능은 안전을 위해 제작되고 테스트되어야 한다.
- 인공지능 기술은 인간의 지시와 통제를 받으며, 또한 그 책임은 사람들에게 있다.
- 프라이버시가 보호되어야 하며, 데이터 사용의 투명성과 제어를 제공한다.
- 높은 수준의 과학적 우수성을 지킨다.
- 유해한 애플리케이션을 제한하고, 원칙에 부합하는 용도로 사용할 수 있도록 한다.
- 또한, 구글은 아래와 같은 경우에 대해서는 인공지능 모델을 설계하거나 배포하지 않을 것을 약속했다:
- 해를 입히거나 일으킬 가능성이 있는 기술
- 인명 피해를 일으키는 것이 주요 목적인 무기 또는 기타 기술
- 국제적으로 인정된 규범을 위반하는 감시 정보를 수집하거나 사용하는 기술
- 국제법 및 인권 원칙에 부합하지 않는 기술
Reference: 처음 만나는 인공지능
(김대수 저, 생능출판사, 2020)
Reference: 인공지능 이론 및 실제
(양기철, 김명철 저; 홍릉과학출판사, 2018)
Reference: 2022학년도 1학기 홍익대학교 인공지능 강의, 박준 교수님
