[Artificial Intelligence] 인공지능 활용, 역사, Performance measure, Intellient agent, Rational Agent, Environment Type

• 탐색 : problem solving as search
• 논리적 추론 : logical inference
• 기계학습 : machine learning
• 인공지능 역사
  • 튜링머신 : 현대 컴퓨터의 근본
  • 1950년 인공지능 최초 논문 : Imitation Game
  • 1956년 당시 : 휴리스틱 탐색, 지식표현, 논리추론
  • 1980 ~ 2010년 : 기계학습, 신경망, 딥러닝
  • 현재 : 자연어처리, 패턴인식, 컴퓨터비전

• 인공지능이란?
  • 인간의 지능적인 행위를 컴퓨팅 모델로 만드는 것에 대한 것
  • 일반 알고리즘은 static, 정해져있고, 순서대로 진행하는 과정
  • AI 모델은 이런 알고리즘의 특성에서 벗어난다.
  • AI는 인간의 지능적 행위를 컴퓨팅 모델로 만드는 것에 대한 것이다.
  • 고양이 강아지 구분하기와 같은 문제는 static한 방법으로는 해석할 수 없다.임의의 미로에 대한 미로찾기와 같은 문제도 그러하다.임의의 문장을 다른 언어로 번역하는 것 또한 그렇다.
• 인공지능 4가지 활용
  • 이런 '지능'을 이용해서 풀어야하는 문제(Possible하지만 practically impossible한 문제)를 해결하는 방법 4가지
  • 문제 해결 : 탐색 알고리즘 적용
  • 추론 : 지식표현과 논리 적용
  • 학습 : 기계학습 알고리즘 적용
  • 인식
• 새로운 지식을 만드는 세가지 방법
  • deduction “A이면 B” T & A가 T ⇒ B 도 T
  • abduction “A이면 B” T & B가 T ⇒ 아마도 A가 T일 것이라 추측
  • induction 관찰, 데이터에 의하면 아마도 “A이면 B”일 것으로 추측
• Russell 교수 인공지능의 4가지 관점
  • thinking humanly
  • thinking rationally
  • acting humanly
  • acting rationally

 

Intellient agent

• agent= architecture + program
• agent program runs in cycle of perceive → think → act
  • 분명한 purpose가 있음 목적을 달성하기 위한 효율적인 방법을 판단, 의사결정
  • 센서를 통해 환경 파악, 환경 위에서 엑츄에이터를 통해 acting 함
  • 아키텍쳐= 동작하는 구조, 프로그램 = funcion
  • parameter 매개변수 : 매개변수 수가 늘어날수록 정확도 향상 (딥러닝)
  • 매개변수 개념의 예) 심장박동수
    • maximum heart rate = 220-나이 >> 파라미터 1개
    • maximum heart rate=211-0.64*나이 >> 파라미터 2개
    • MHR=203.7/(1+e0.033*(age-104.3))>> 파라미터 4개
    • GPT3는 매개변수가 1750억개 → 너무 많으면 과적합 현상 발생
  • 예시 : human agent : sensor: eyes, ears, ,, actuators: hands, legs..

• Rational Agent
  • Rationality 는 peformace measure로 측정
    • prior knowledge of the environment (이전 환경에 대한 지식)
    • possible actions (가능한 모든 행동들 고려)
    • percept sequence (지금까지 한 행동, 인식을 기억하고 있는지)
  • performance measure(Utility)를 최대화 , 어떤 상황에서든 성능을 극대화하도록 행동하는 Agent
  • percept -> f(x)(agent) -> acting
  • Rational Agent의 4가지 구성을 PEAS라고 한다.
    • ex. 자율주행 agent
    • Performance
      • 성능 후보군 : safe, fast, legal, comfortable trip, maximize profits
      • 많은 Agent가 성능 최대화를 fittness function으로 사용. 강화학습은 reward function, Neural Network는 Loss Funciton을 사용한다.
    • environment: 도로, 교통상황, 고객, 보행자, 타 차량
    • actuator : 빵빵이, 엑셀, 브레이크, 깜빡이
    • Sensor: 거리 측정기, 속도 측정기, 카메라 , gps 등
  • 로봇 청소기 예시
    • 인지: 위치와 상태 (더럽다 깨끗하다)
    • 액션: 오른쪽 왼쪽 흡입 등
    • agent function: mapping from percept to action
    percept action

    [A,clean]	right
    [B,dirty]	Suck …

• 그냥 agent의 비효율 → rational agent 도입

 

 

Environment Type

• Fully observable (vs. partially observable): An agent’s sensors give it access to the complete state of the environment at each point in time.
• Deterministic (vs. stochastic): The next state of the environment is completely determined by the current state and the action executed by the agent. (If the environment is deterministic except for the actions of other agents, then the environment is strategic)
• Episodic (vs. sequential): The agent’s experience is divided into atomic ”episodes” (each episode consists of the agent perceiving and then performing a single action), and the choice of action in each episode depends only on the episode itself.
• Static (vs. dynamic): The environment is unchanged while an agent is deliberating. (The environment is semi-dynamic if the environment itself does not change with the passage of time but the agent’s performance score does.)
• Discrete (vs. continuous): A limited number of distinct, clearly defined percepts and actions. E.g., checkers is an example of a discrete environment, while self-driving car evolves in a continuous one.
• Known (vs. Unknown): The designer of the agent may or may not have knowledge about the environment makeup. If the environment is unknown the agent will need to know how it works in order to decide.
• Single agent (vs. multi-agent): An agent operating by itself in an environment.