[논문 리뷰] Implementing Human-like Intuition Mechanism in Artificial Intelligence

Jitesh Dundas, David Chik|arXiv (Cornell University)|2011. 06. 29.

AI-based Problem Solving and Planning참고 문헌 5인용 수 4

한 줄 요약

이 논문은 미지의 실체와 맥락적 이탈을 처리함으로써 인간과 유사한 직관을 시뮬레이션하는 연결성 기반 직관 모델을 제안한다. 포커와 자동차 평가 데이터셋을 사용하여, 시간 및 계산 자원 제약 조건 하에서 직관 모델이 성능을 향상시키지만 논리 기반 시스템을 대체할 수는 없으며, 복잡한 의사결정 상황에서 보조 수단으로 기능할 뿐임을 보여준다.

ABSTRACT

Human intuition has been simulated by several research projects using artificial intelligence techniques. Most of these algorithms or models lack the ability to handle complications or diversions. Moreover, they also do not explain the factors influencing intuition and the accuracy of the results from this process. In this paper, we present a simple series based model for implementation of human-like intuition using the principles of connectivity and unknown entities. By using Poker hand datasets and Car evaluation datasets, we compare the performance of some well-known models with our intuition model. The aim of the experiment was to predict the maximum accurate answers using intuition based models. We found that the presence of unknown entities, diversion from the current problem scenario, and identifying weakness without the normal logic based execution, greatly affects the reliability of the answers. Generally, the intuition based models cannot be a substitute for the logic based mechanisms in handling such problems. The intuition can only act as a support for an ongoing logic based model that processes all the steps in a sequential manner. However, when time and computational cost are very strict constraints, this intuition based model becomes extremely important and useful, because it can give a reasonably good performance. Factors affecting intuition are analyzed and interpreted through our model.

연구 동기 및 목표

• 연결성과 미지 실체 통합을 통합하여 인간과 유사한 직관을 구현하는 AI 모델을 개발하는 것.
• 왜곡 및 미지의 요소가 AI 시스템의 직관적 의사결정에 어떤 영향을 미치는지 조사하는 것.
• 伝통적인 논리 기반 접근 방식과 비교하여 직관 기반 모델의 신뢰성과 정확도를 평가하는 것.
• 직관 기반 모델이 논리 기반 시스템을 초월하거나 보완하는 조건을 규명하는 것.
• 맥락 전환과 비논리적 추론 경로와 같은 요소들이 AI의 직관에 미치는 영향을 분석하는 것.

제안 방법

• 모델는 연결성 및 미지 실체 통합 원리를 기반으로 하는 시리즈 기반 아키텍처를 사용한다.
• 모델은 단계적 논리가 아닌 직관적 추론을 모방하는 비순차적, 연상적 경로를 통해 입력 데이터를 처리한다.
• 모델는 포커 수의 분류와 자동차 평가라는 두 가지 벤치마크 데이터셋을 기반으로 훈련 및 평가된다.
• 모델의 성능은 모호성, 누락된 데이터 또는 맥락적 이탈 조건 하에서 예측 정확도로 측정된다.
• 모델의 출력은 기존의 논리 기반 모델과 비교되어 신뢰성과 유용성을 평가한다.
• 예기치 않은 입력과 맥락 전환과 같은 직관에 영향을 주는 요소들은 시뮬레이션과 평가를 통해 체계적으로 분석된다.

실험 결과

연구 질문

• RQ1 연결성과 미지 실체 처리를 통해 인간과 유사한 직관을 인공지능에서 효과적으로 모델링할 수 있는가?
• RQ2 미지 실체나 맥락적 이탈이 존재할 경우 직관적 AI 의사결정의 신뢰성에 어느 정도 영향을 미치는가?
• RQ3 어떤 상황에서 직관 기반 모델이 논리 기반 AI 시스템을 능가하거나 보완하는가?
• RQ4 직관적 추론의 정확도와 일관성에 영향을 주는 요소들은 무엇이며, 이를 어떻게 정량화할 수 있는가?
• RQ5 시간 및 계산 자원 제약 조건 하에서 직관 기반 모델이 타당한 대체 수단이나 보조 수단으로 기능할 수 있는가?

주요 결과

• 시간 및 계산 자원 제약 조건 하에서 직관 기반 모델은 상당히 높은 정확도로 결과를 예측하여, 자원 민감도가 높은 상황에서 논리 기반 모델을 능가했다.
• 미지 실체와 맥락적 이탈의 존재는 직관적 예측의 신뢰성에 심각한 영향을 미쳐, 내성적 강건성의 한계를 드러냈다.
• 복잡하고 규칙 기반의 문제를 순차적 추론이 필요한 경우, 직관 모델은 논리 기반 시스템을 대체할 수 없었다.
• 계산 자원이 제한된 상황에서 비논리적이고 연상적인 추론 경로가 유용한 근사치를 도출할 수 있음을 모델이 입증했다.
• 맥락 전환과 논리적 구조의 부재와 같은 요소들이 예측 정확도에 부정적 영향을 미쳐 하이브리드 시스템의 필요성을 강조했다.
• 모델의 성능은 특히 동적인 또는 불확실한 환경에서 논리 기반 모델과의 보조 수단으로 사용할 경우 가장 효과적이었다.