[논문 리뷰] Machine Learning in Artificial Intelligence: Towards a Common Understanding

Niklas Kühl, Marc Goutier외 2명|arXiv (Cornell University)|2020. 03. 27.

Explainable Artificial Intelligence (XAI)인용 수 12

한 줄 요약

이 논문은 인공지능(AI)과 기계학습(ML) 간의 관계를 명확히 하기 위해 지능형 에이전트를 구축하는 데 핵심적인 기반 기술로 ML을 위치시키는 개념적 프레임워크를 제안한다. 문헌을 통합하여 ML의 AI 내 역할을 정의함으로써 용어의 명확성과 다학제적 연구의 기초를 제공한다.

ABSTRACT

The application of "machine learning" and "artificial intelligence" has become popular within the last decade. Both terms are frequently used in science and media, sometimes interchangeably, sometimes with different meanings. In this work, we aim to clarify the relationship between these terms and, in particular, to specify the contribution of machine learning to artificial intelligence. We review relevant literature and present a conceptual framework which clarifies the role of machine learning to build (artificial) intelligent agents. Hence, we seek to provide more terminological clarity and a starting point for (interdisciplinary) discussions and future research.

연구 동기 및 목표

• 과학적 논의와 대중의 담론에서 AI와 ML 간의 구분에 대한 점점 커지는 혼란을 다루기 위해.
• 기계학습이 지능형 에이전트를 구축하는 데 있어 더 넓은 목표인 인공지능을 실현하는 데 어떻게 기여하는지 명확히 하기 위해.
• AI와 ML 분야의 다학제적 연구를 위한 공통의 개념적 기초를 제공하기 위해.
• AI, ML, 그리고 지능형 시스템 간의 관계를 정의함으로써 용어의 모호함을 해결하기 위해.
• 문헌 기반의 체계적인 프레임워크를 통해 향후 연구의 출발점을 마련하기 위해.

제안 방법

• 기초 개념과 정의를 특정하기 위해 AI 및 ML 분야의 관련 문헌을 종합적으로 검토하기 위해.
• 기계학습을 지능형 에이전트 구축의 핵심 구성 요소로 위치시키는 개념적 프레임워크를 개발하기 위해.
• AI(광범위한 분야)와 ML(지능형 에이전트의 학습 기반 행동을 가능하게 하는 기법의 하위집합)를 체계적으로 구분하기 위한 접근 방식을 사용하기 위해.
• 지능형 에이전트를 환경을 인지하고 목표를 달성하기 위해 행동하는 시스템으로 정의하고, ML을 행동 학습의 수단으로 삼기 위해.
• 인지과학, 컴퓨터 과학, 그리고 AI의 통찰을 통합하여 통합된 이해를 창출하기 위해.
• 프레임워크를 활용해 ML 기법을 에이전트의 능력(예: 인지, 추론, 적응)에 따라 매핑하기 위해.

실험 결과

연구 질문

• RQ1 과학적 담론과 대중의 담론에서 '인공지능'과 '기계학습'이라는 용어는 어떻게 상호 관련되어 있는가?
• RQ2 기계학습은 지능형 에이전트에서 인공지능을 실현하는 데 어떤 구체적인 역할을 하는가?
• RQ3 공통의 개념적 프레임워크는 AI 및 ML 연구 분야에서의 다학제적 소통을 어떻게 향상시킬 수 있는가?
• RQ4 지능형 에이전트의 핵심 구성 요소는 무엇이며, 기계학습은 각각의 요소에 어떻게 기여하는가?
• RQ5 용어의 명확성은 향후 AI 및 ML 연구와 개발을 어떻게 향상시킬 수 있는가?

주요 결과

• 기계학습은 지능형 에이전트를 구축하는 데 핵심적인 기술이지만, 인공지능과 동일시할 수는 없다.
• 논문은 AI가 다양한 접근 방식을 포함하는 광범위한 분야임을 확인하고, ML은 에이전트의 학습 기반 행동을 가능하게 하는 특정한 방법임을 제시한다.
• 개념적 프레임워크는 지능형 에이전트가 인지, 의사결정, 행동 기능이 필요하며, 이러한 기능들은 종종 ML 기법으로 향상됨을 명확히 한다.
• 저자들은 용어의 일관성 부족이 다학제적 협업을 방해하며, 공통된 이해가 필요하다고 지적한다.
• 프레임워크는 ML 방법을 에이전트 지능에 기여하는 방식에 따라 분류할 수 있는 체계적인 방법을 제공한다. 예를 들어, 감독 학습은 인지 기능에 기여하고, 강화 학습은 의사결정 기능에 기여한다.
• 연구는 용어의 명확성이 AI 및 ML 연구의 발전과 다학제적 대화를 촉진하기 위해 필수적임을 결론 내린다.