[논문 리뷰] AI Enabling Technologies: A Survey

Vijay Gadepally, Justin A. Goodwin외 6명|arXiv (Cornell University)|2019. 05. 08.

Adversarial Robustness in Machine Learning참고 문헌 114인용 수 6

한 줄 요약

이 종합 검토는 방위 및 정보 분야 응용 분야를 중심으로 종단 간 인공지능 시스템을 가능하게 하는 核심 기술들을 규명하고 통합한다. 데이터 수집, 조건 설정, 알고리즘, 계산, 강건한 AI, 인간-기계 협업을 통합된 프레임워크로 통합하며, 알고리즘 기술의 진보만으로는 실제 세계에서 성공을 이룰 수 없고, 모든 구성 요소 간의 체계적 통합이 필수적임을 강조한다.

ABSTRACT

Artificial Intelligence (AI) has the opportunity to revolutionize the way the United States Department of Defense (DoD) and Intelligence Community (IC) address the challenges of evolving threats, data deluge, and rapid courses of action. Developing an end-to-end artificial intelligence system involves parallel development of different pieces that must work together in order to provide capabilities that can be used by decision makers, warfighters and analysts. These pieces include data collection, data conditioning, algorithms, computing, robust artificial intelligence, and human-machine teaming. While much of the popular press today surrounds advances in algorithms and computing, most modern AI systems leverage advances across numerous different fields. Further, while certain components may not be as visible to end-users as others, our experience has shown that each of these interrelated components play a major role in the success or failure of an AI system. This article is meant to highlight many of these technologies that are involved in an end-to-end AI system. The goal of this article is to provide readers with an overview of terminology, technical details and recent highlights from academia, industry and government. Where possible, we indicate relevant resources that can be used for further reading and understanding.

연구 동기 및 목표

• 방위 및 정보와 같은 고위험 영역에서 종단 간 AI 시스템을 가능하게 하는 상호의존적 기술들에 대한 종합적 개요를 제공하기 위해.
• 성공적인 AI 구현은 알고리즘 혁신을 넘어서 데이터, 인프라, 인간 요소의 통합에 달려 있음을 부각하기 위해.
• 핵심 기반 기술과 그 상호보완적 관계를 매핑하여 학술 연구, 산업 개발, 정부 응용 분야 간 격차를 메우기 위해.
• 모델 훈련과 추론을 넘어서 AI 시스템의 전반적 아키텍처를 이해할 수 있도록 연구자 및 실무자들을 안내하기 위해.
• 실제 세계의 AI 성공 또는 실패를 결정짓는 바람직하지 않게 간과되기 쉬운 핵심 요소인 데이터 조건 설정 및 강건성 같은 요소를 규명하기 위해.

제안 방법

• AI 기반 기술을 여섯 가지 핵심 구성 요소로 체계적으로 분류: 데이터 수집, 데이터 조건 설정, 알고리즘, 계산, 강건한 AI, 인간-기계 협업.
• 방위 및 정보 분야의 사례 연구와 실제 응용을 통해 각 구성 요소의 역할을 분석한다.
• 학술계, 산업계, 정부 분야의 최근 발전을 검토하여 다분야 간 상호보완성과 기술 융합을 설명한다.
• 모든 구성 요소가 상호 운용 가능하게 통합되어 실질적인 지능 정보를 제공할 수 있도록 시스템 수준의 통합이 중요하다는 점을 강조한다.
• 저수준의 계산 인프라에서 고수준의 의사결정 프로세스에 이르기까지 AI 파이프라인 전반에 걸쳐 다학제적 시각을 적용한다.
• 추가 탐색 및 구현을 지원하기 위해 도구, 프레임워크, 표준(해당 시)을 제시한다.

실험 결과

연구 질문

• RQ1 방위 및 정보 응용 분야에서 종단 간 AI 시스템을 가능하게 하는 주요 기술 구성 요소는 무엇인가?
• RQ2 딥러닝 및 알고리즘 기술의 진보에도 불구하고 많은 AI 시스템이 실제 현장에서 실패하는 이유는 무엇인가?
• RQ3 데이터 조건 설정과 강건성은 AI 시스템의 신뢰성 및 성능에 어떻게 기여하는가?
• RQ4 복잡한 운영 환경에서 인간-기계 협업은 의사결정을 향상시키는 데 어떤 역할을 하는가?
• RQ5 하드웨어에서 소프트웨어, 데이터 파이프라인에 이르기까지 다양한 기술들이 어떻게 유기적으로 통합되어 확장 가능한 AI 구현을 지원할 수 있는가?

주요 결과

• 강건한 AI 시스템은 데이터, 알고리즘, 인프라의 유기적 통합에 의존하며, 단일 구성 요소만으로는 성공을 보장하지 못한다.
• 데이터 조건 설정은 중요하지만 자주 간과되는 핵심 기반 요소이며, 열악한 품질의 데이터는 가장 고도화된 모델마저 약화시킨다.
• 방위 운영에서 데이터 폭발과 실시간 처리 요구에 대응하기 위해 계산 인프라는 효율적으로 확장되어야 한다.
• 인간의 직관성과 AI의 속도 및 스케일을 조합함으로써 인간-기계 협업은 의사결정을 향상시킨다.
• 최근 AI 분야의 진전은 단지 딥러닝이나 하드웨어의 돌파구가 아니라, 다분야 융합 혁신에서 비롯된다.
• 고위험 환경에서 연구에서 운영으로의 AI 전환을 위해서는 시스템 수준의 설계 및 상호운용성이 필수적이다.