[논문]Cognitive Computing III: Deep Dynamic Prediction - 실시간 예측결정 추론

장병탁; 김현수

Cognitive Computing III: Deep Dynamic Prediction - 실시간 예측결정 추론 원문보기

정보과학회지 = Communications of the Korean Institute of Information Scientists and Engineers, v.30 no.1, 2012년, pp.101 - 111

장병탁 (서울대학교) , 김현수 (한국연구재단)

초록이 없습니다.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 구현 수준에서 디지털 컴퓨팅 방식과는 다른 계산 모델에 기반한 소위 Unconventional Computing 방식의 Physical Computing Model 도 연구되고 있다. 본 고는 변화하는 환경 하에서도 유 연하면서도 빠르고 안정적으로 계산할 수 있는 뇌를 닮 은 인지 컴퓨팅 기술을 다룬다. 이 글은 Cognitive Computing 특집호의 제3부로서, 제1부의 지각과 행동 지능 ［8］과 제2부의 시각언어 학습［9］에 이은 것이다.
본 글에서는 인공지능 연구의 기반이 되는 뇌를 닮은 인지컴퓨팅(brainlike cognitive computing) 모델 연구를 살펴보았다. 전통적으로 인공지능 관점에서 연구되어 온 규칙기반 시스템, 연결망 구조 뿐만 아니라 최근에 신경과학 연구를 통해서 발전해 온 신경 군집코드 모 델, 동력학 시스템 모델, 베이지안 뇌 모델 등의 이론 적인 모델들을 살펴 보았으며, 분자컴퓨팅 등 비전형적 인 계산모델도 살펴보았다.
본 절에서는 다양한 종류의 인지컴퓨팅 모델을 살펴 본다. 이들은 역사적으로 인공지능, 인지과학, 신경과 학, 계산이론 등 다른 분야에서 연구되었으나 여기서는 뇌를 닮은 인지컴퓨팅 (brainlike cognitive computing) 관점에서 토론하며 비교한다.
IBM에서는 DARPA의 지원을 받아서 인지컴퓨팅 프 로젝트인 SyNAPSE (Systems of Neuromorphic Adaptive Plastic Scalable Electronics)를 수행하고 있다. 이 과제는 포유류의 뇌의 형태, 기능, 구조를 닮은 신경모사 전자 기술 기반의 새로운 종류의 컴퓨터를 개발하는 것으로 쥐, 고양이, 사람의 지능을 흉내 내는 로봇에 사용할 인 공 두뇌를 개발하는 것을 목표로 한다. 2008년 11월에 55억원($4.
확률프로그래밍 언어는 범용 프로그래밍과 확률모 델링을 통합함으로써 상위 수준의 표현 방법을 제공하 고 독립성, 추상화, 재귀성 등의 프로그래밍 언어 특성 을 제공하고자 한다. 확률프로그래밍 언어를 사용하면 사용자가 결합분포로부터 샘플을 생성하는 코드를 작 성함으로써 확률모델을 기술하면 이로부터 추론은 자 동으로 이루어진다.

가설 설정

• 뇌의 정보처리 구조와 조직의 특징은 무엇이며 계산 방식의 원리는 무엇인가?
• 뇌의 정보처리 구조와 조직의 특징은 무엇이며 계산 방식의 원리는 무엇인가?
• 인간 지식의 구조와 형태는 무엇인가? 어떻게 저 장되고 표현되고 조직되는가?

제안 방법

Deep Dynamic Prediction을 수행하는 확률적 학습과 추론 알고리즘을 개발하고, 이를 병렬분산컴퓨팅으로 구현하여 실시간에 동적 복잡계를 학습하고 모델링하는 뇌를 닮은 인지컴퓨팅 플랫폼 즉 Bayes-Markov Machine을 개발한다.
엄청난 속도로 밀려오는 입력 데이터의 의미를 실 시간에 파악하는 일은 지금의 대형 컴퓨터에서는 큰 도 전인데 반해서 뇌를 닮은 시스템에서는 아주 자연스럽 게 처리될 수 있는 일이다. 고급 알고리즘과 실리콘 회 로를 이용하여 인지 컴퓨터는 경험으로부터 학습하고 상관관계를 찾아내고 가설을 세우고 결과를 기억하고 학습한다. 예를 들어, 인지컴퓨팅 시스템은 온도, 압력, 파고, 소리, 조수간만과 같은 데이터를 끊임없이 기록 하고 보고하는 센서와 작동기의 망을 가지고 있어서 전 세계의 물의 공급을 감시할 수 있으며 이로부터 의사 결정을 통해서 쓰나미 경고를 낼 수도 있다.
위의 연구 동향 조사를 기반으로 미래 연구개발 주제 로서 Deep Dynamic Prediction을 수행하는 확률적 학습 과 추론 알고리즘을 개발하고, 이를 병렬분산컴퓨팅 으로 구현하여 대용량 고속 멀티미디어 데이터처리를 지원하는 뇌를 닮은 인지컴퓨팅 플랫폼(Bayes-Markov Machine)을 개발하는 연구 프로젝트를 제안하였다. 이 러한 과제는 신경과학 및 인지과학의 자연과학적 기반 위에서 인지정보기술과 인공지능기술을 한 단계 발전 시킬 수 있는 핵심 기반 기술과 플랫폼을 제공할 수 있 는 주제이며 다루어야 하는 데이터가 점차 복잡해지고 시간적인 흐름으로 동적으로 들어오는 다차원 복잡 데 이터를 처리할 수 있는 새로운 방식이 될 것이다.
본 글에서는 인공지능 연구의 기반이 되는 뇌를 닮은 인지컴퓨팅(brainlike cognitive computing) 모델 연구를 살펴보았다. 전통적으로 인공지능 관점에서 연구되어 온 규칙기반 시스템, 연결망 구조 뿐만 아니라 최근에 신경과학 연구를 통해서 발전해 온 신경 군집코드 모 델, 동력학 시스템 모델, 베이지안 뇌 모델 등의 이론 적인 모델들을 살펴 보았으며, 분자컴퓨팅 등 비전형적 인 계산모델도 살펴보았다. 최근의 연구개발 동향으로 IBM Cognitive Computing Project (SyNAPSE), Deep Neural Network 아키텍쳐 연구, 확률 프로그래밍 언어 연구, 병렬분산 기계학습, MIT의 Intelligence Initiative (I2) 프로그램을 조사하였다.
베이지안 뇌 모델은 뇌에서의 정보처리 과정을 확률 적인 추론 과정으로 본다. 즉 사전확률분포로부터 데이 터를 관측함으로써 사후확률분포를 계산하는 Bayes 정 리에 의한 확률추정 과정으로 뇌의 활동을 기술한다. 신경과학적인 연구에서 비롯된 이러한 모델은 특히 시 지각, 다중센서 감각의 통합, 다중감각 지각, 센서모터 학습 등의 모델로서 설득력을 얻고 있다.
전통적으로 인공지능 관점에서 연구되어 온 규칙기반 시스템, 연결망 구조 뿐만 아니라 최근에 신경과학 연구를 통해서 발전해 온 신경 군집코드 모 델, 동력학 시스템 모델, 베이지안 뇌 모델 등의 이론 적인 모델들을 살펴 보았으며, 분자컴퓨팅 등 비전형적 인 계산모델도 살펴보았다. 최근의 연구개발 동향으로 IBM Cognitive Computing Project (SyNAPSE), Deep Neural Network 아키텍쳐 연구, 확률 프로그래밍 언어 연구, 병렬분산 기계학습, MIT의 Intelligence Initiative (I2) 프로그램을 조사하였다.

대상 데이터

그리고 재정 시장과 경제적 측면을 더욱 지능적으 로 설계하는 것을 고려하게 만든다. 미국공학한림원에 서 최근 14개의 Grand Challenge를 공시했다. 이들 중 의 반 이상이 卩와 프로젝트와 관련된다.

이론/모형

Popualtion Coding을 시뮬레이션하는 방법으로 Baysian Filter를 사용한 Monte Carlo Simulation을 수행한 다. 최신의 병렬분산 컴퓨팅 기술을 이용하여 BayesMarkov Machine을 구현함으로써 지금까지 불가능했던 고난도 복잡도의 시뮬레이션 실험을 수행할 수 있을 것 이다.
행동심리학적인 실험의 모델링에도 베이지안 모델이 사용된다. 추상적인 인지 계산 모델로서 확률적인 모 델이 사용되며 이는 특히 시각, 언어처리, 의사결정 모 델로도 활용된다[30,31].

성능/효과

또한 이러한 구분은 컴퓨터 기술 의 발전에도 중요한 역할을 하였다. 즉, 알고리즘 단 계와 구현 단계를 구분함으로써 소프트웨어와 하드웨 어가 상대방의 제약을 받지 않고 서로 독립적으로 발 전 할 수 있었다. 그러나 체화된 인지이론에 따르면 이 러한 분리는 문제의 본질을 벗어나게 함으로써 연구 의 방향을 잘못 인도할 수도 있다.

후속연구

위의 연구 동향 조사를 기반으로 미래 연구개발 주제 로서 Deep Dynamic Prediction을 수행하는 확률적 학습 과 추론 알고리즘을 개발하고, 이를 병렬분산컴퓨팅 으로 구현하여 대용량 고속 멀티미디어 데이터처리를 지원하는 뇌를 닮은 인지컴퓨팅 플랫폼(Bayes-Markov Machine)을 개발하는 연구 프로젝트를 제안하였다. 이 러한 과제는 신경과학 및 인지과학의 자연과학적 기반 위에서 인지정보기술과 인공지능기술을 한 단계 발전 시킬 수 있는 핵심 기반 기술과 플랫폼을 제공할 수 있 는 주제이며 다루어야 하는 데이터가 점차 복잡해지고 시간적인 흐름으로 동적으로 들어오는 다차원 복잡 데 이터를 처리할 수 있는 새로운 방식이 될 것이다.
Popualtion Coding을 시뮬레이션하는 방법으로 Baysian Filter를 사용한 Monte Carlo Simulation을 수행한 다. 최신의 병렬분산 컴퓨팅 기술을 이용하여 BayesMarkov Machine을 구현함으로써 지금까지 불가능했던 고난도 복잡도의 시뮬레이션 실험을 수행할 수 있을 것 이다. 특히 이러한 기술이 Brain Network과 같은 과학 적인 데이터 모델링 뿐만 아니라 Social Network이나 Financial Time Series Prediction과 같은 비즈니스, 경제 문제에 활용됨으로써 사회경제적인 임팩트가 클 것으로 기대된다.
최신의 병렬분산 컴퓨팅 기술을 이용하여 BayesMarkov Machine을 구현함으로써 지금까지 불가능했던 고난도 복잡도의 시뮬레이션 실험을 수행할 수 있을 것 이다. 특히 이러한 기술이 Brain Network과 같은 과학 적인 데이터 모델링 뿐만 아니라 Social Network이나 Financial Time Series Prediction과 같은 비즈니스, 경제 문제에 활용됨으로써 사회경제적인 임팩트가 클 것으로 기대된다.

참고문헌 (43)

Bar, M. (Eds.), Predictions in the Brain: Using Our Past to Generate a Future, Oxford University Press, 2011 .
Von der Malsburg, C., Phillips, W. A., and Singer, W. (Eds.), Dynamic Coordination in the Brain: From Neurons to Mind, MIT Press, 2010.
Hebb, D., The Organization of Behavior-A Neuropsychological Theory, Wiley, 1949.
Lashley, K. S., Brain Mechanisms and Intelligence (2nd Ed.), Dover Publications, 1963 .
Sendhoff, B., Korner, E., Spoms, O., Ritter, H., & Doya, K. (Eds.), Creating Brain-Like Intelligence: From Basic Principles to Complex Intelligent Systems, Springer-Verlag, 2009.
Modha, D. S., Ananthanarayanan, R., Esser, S. K., Ndirango, A., Sherbondy, A.J., & Singh, R, Cognitive computing, Communications of the ACM, 54(8):62-71, 2011.

상세보기
Marr, D., Vision, Freeman and Company, 1982.
장병탁, 여무송, Cognitive Computing I: Multisensory Perceptual Intelligence-실세계 지각행동 지능, 정보과학회지, 30(1):75-87, 2012.

원문보기 상세보기
장병탁, 이동훈, Cognitive Computing II: Machine Vision-Language Learning-실생활 시각언어 학습, 정보과학회지, 30(1):88-100, 2012.

원문보기 상세보기
Rogers, T. & McClelland, J., Semantic cognition: a parallel distributed processing approach, MIT Press, 2006.
Hnton, G. & Anderson, J. A., Parallel Models of Associative Memory, Erlbaum, 1981.
Feldman, J. A. & Ballard, D. H., Connectionist models and their properties, Cognitive Science, 6:205-254, 1982.

상세보기
Hopfield, J. J, Neural networks and physical systems with emergent collective computational abilities, Proceedings of the National Academy of Sciences of the USA, 79(8):2554-2558,1982.

상세보기
Rumelhart, D. & McClelland, J., Parallel Distributed Processing: Explorations in the Microstructure of Cognition, MIT Press, 1986.
Bishop, C., Neural Networks for Pattern Recognition, Oxford University Press, 1995.
Mackay, D. J. C., Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003.
Koller, D., Probabilistic Graphical Models: Principles and Techniques, MIT Press, 2009.
Ma, W. J., Beck, J. M., Latham, P. E., & Pouget, A., Bayesian inference with probabilistic population codes, Nature Neuroscience, 9: 1432-1438, 2006.

상세보기
Pouget, A., Dayan, P., & Zemel, R. S., Inference and computation with population codes, Annual Review of Neuroscience, 26:381-410, 2003.

상세보기
Port, R.F. & van Gelder, T., Mind as Motion: Explorations in the Dynamics of Cognition, MIT Press, 1995.
Kelso,J. A. S., Dynamic Patterns: the Self-organization of Brain and Behavior, MIT Press, 1995.
Spivey, M., The Continuity of Mind, Oxford University Press, 2007.
Knill, D. & Richards, W (Eds.), Perception as Bayesian Inference, Cambridge University Press, 1996.
Rao, R., Olshausen, B. A., Lewicki, M. S. (Eds.), Probabilistic Models of the Brain: Perception and Neural Function, MIT Press, 2002.
Knill, D. & Pouget, A., The Bayesian brain: the role of uncertainty in neural coding and computation, Trends in Neurosciences, 27(12):712-719, 2004.

상세보기
Doya, K., Ishii, S., Pouget, A., & Rao, R. (Eds.), Bayesian Brain: Probabilistic Approaches to Neural Coding, MIT Press, 2007.
Ernst, M.O. & Banks, M.S., Humans integrate visual and haptic information in a statistically optimal fashion, Nature, 415:429-433, 2002.

상세보기
Kording, K. P. & Wolpert, D. M., Bayesian integration in sensorimotor learning, Nature, 427:244-247, 2004.

상세보기
Trommershaeuser, J., Koerding, K., and Landy, M. S. (Eds.), Sensory Cue Integration, Oxford University Press, 2011.
Chater, N. & Oaksford, M. (Eds.), The Probabilistic Mind: Prospects for Bayesian Cognitive Science, Oxford University Press, 2008.
Griffiths, T., Charles Kemp, C. &Tenenbaum, J., Bayesian models of cognition, Sun, R (Ed.) Cambridge Handbook of Computational Psychology, 2008.
Oaksford, M. & Chater, N., Cognition and Conditionals: Probability and Logic in Human Thinking, Oxford Univ. Press, 2010.
DiVincenzo, D. P., Quantum computation, Science, 270 (5234):255-261, 1995.

상세보기
Lee, J.-H., Lee, S. H., Chung, W.-H., Lee, E. S., Park, T. H., Deaton, R., & Zhang, B.-T., A DNA assembly model of sentence generation, BioSystems, 106:51-56, 2011.

상세보기
Bennett, C., The thermodynamics of computation-a review, International Journal of Theoretical Physics, 1982.
Adleman, L., Molecular computation of solutions to combinatorial problems, Science, 266(5187): 1021-1024, 1994.

상세보기
Lim, H.-W., Lee, S.H., Yang, K.-A., Lee, J.Y., Yoo, S.-I., Park, T.H. & Zhang, B.-T., In vitro molecular pattern classification via DNA-based weighted sum operation, BioSystems, 100(1):1-7,2010.

상세보기
Zhang, B.-T., Self-development learning: constructing optimal size neural networks via incremental data selection, Arbeitspapiere der German National Research Center for Computer Science (GMD), No. 768, 1993.
Hinton, G. & Salakhutdinov, R., Reducing the dimensionality of data with neural networks, Science, 313 (5786):504-507,2006.

상세보기
LeCun, Y. & Bengio, Y., Convolutional Networks for Images Speech and Time Series, The Handbook of Brain Theory and Neural Networks, MIT Press, 1995.
Hawkins, J. & Blakeslee, S., On Intelligence, Times Books, 2005.
Friston, K., Hierarchical models in the brain, PLoS Computational Biololgy, 4(11): e1000211, 2008.

상세보기
Nilsson, N. J., Eye on the prize, AI Magazine, 16(2): 9-17,1995.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증