[논문 리뷰] Why Artificial Intelligence Needs a Task Theory --- And What It Might Look Like

Kristinn R. Þórisson, Jordi Bieger외 3명|arXiv (Cornell University)|2016. 04. 15.

AI-based Problem Solving and Planning참고 문헌 8인용 수 4

한 줄 요약

이 논문은 인공지능이 체계적인 평가, 비교, 설계를 가능하게 하기 위해 공식적인 작업 이론이 긴급히 필요하다고 주장한다. 물리적 매개변수인 시간, 에너지, 목표, 환경 역학 등을 사용하여 물리적 작업을 모델링하는 물리학 기반 프레임워크를 제안하며, 이러한 이론이 평가의 표준화와 다양한 작업 간 일반화를 지원할 수 있음을 입증한다.

ABSTRACT

The concept of "task" is at the core of artificial intelligence (AI): Tasks are used for training and evaluating AI systems, which are built in order to perform and automatize tasks we deem useful. In other fields of engineering theoretical foundations allow thorough evaluation of designs by methodical manipulation of well understood parameters with a known role and importance; this allows an aeronautics engineer, for instance, to systematically assess the effects of wind speed on an airplane's performance and stability. No framework exists in AI that allows this kind of methodical manipulation: Performance results on the few tasks in current use (cf. board games, question-answering) cannot be easily compared, however similar or different. The issue is even more acute with respect to artificial *general* intelligence systems, which must handle unanticipated tasks whose specifics cannot be known beforehand. A *task theory* would enable addressing tasks at the *class* level, bypassing their specifics, providing the appropriate formalization and classification of tasks, environments, and their parameters, resulting in more rigorous ways of measuring, comparing, and evaluating intelligent behavior. Even modest improvements in this direction would surpass the current ad-hoc nature of machine learning and AI evaluation. Here we discuss the main elements of the argument for a task theory and present an outline of what it might look like for physical tasks.

연구 동기 및 목표

• 작업 정의, 비교, 평가에 대한 체계적인 이론적 기초가 부족한 문제를 해결한다.
• 작업-환경 매개변수를 공식화하여 인공지능 시스템 성능에 대한 엄밀하고 체계적인 분석을 가능하게 한다.
• 예측하지 못한 다양한 작업을 처리할 수 있도록 인공지능의 일반성(AGI) 개발을 지원하기 위해 프레임워크를 제공한다.
• 대규모 작업의 분해, 추상화, 비교를 가능하게 하는 형식적 체계를 수립한다.
• 작업을 물리 법칙과 측정 가능한 매개변수에 기반하여 정의함으로써, 임시적 평가 방법과 복잡한 실제 세계의 인공지능 시스템의 요구 사항 사이의 격차를 메운다.

제안 방법

• 목표, 환경, 에이전트 신체를 포함하는 튜플로 작업을 정의하며, 시간, 에너지, 위치, 속도, 출력 등의 공식적 매개변수를 사용한다.
• 뉴턴 역학을 사용하여 작업 역학을 모델링하며, 이산 시간 단위와 상태 전이(예: 속도와 시간 변화량을 이용한 위치 갱신)를 적용한다.
• 에이전트 신체를 관측 가능하고 제어 가능한 변수의 쌍(예: 위치와 출력)으로 지정하며, 영역이 제한된 값을 가진다(예: 출력 ∈ [0, 10]).
• 목표를 상태 제약 조건의 집합으로 공식화한다(예: 위치 > 10, 시간 < 5, 에너지 > 0), 사전 설정된 마감일과 자원 예산을 포함한다.
• 초기 상태, 환경 매개변수(예: 마찰 계수, 바람), 센서/액추에이터 해상도, 목표 절차의 변화를 통해 작업의 다양성을 유도한다.
• 프레임워크를 사용하여 작업군(예: 주행 작업)을 분석하고 복잡도, 관측 가능성, 자원 효율성과 같은 잠재적 성질을 도출한다.

실험 결과

연구 질문

• RQ1 어떻게 공식적 작업 이론이 다양한 작업 간에 체계적인 비교와 평가를 가능하게 하는가?
• RQ2 일반화와 추상화를 지원하는 방식으로 물리적 작업을 모델링하기 위해 필요한 핵심 매개변수와 형식적 구조는 무엇인가?
• RQ3 어떻게 작업 이론이 예측 불가능한 작업을 처리해야 하는 인공지능의 일반성(AGI) 시스템의 설계 및 평가를 지원할 수 있는가?
• RQ4 시스템 성능과 내구성을 평가하기 위해 작업 역학과 환경 매개변수를 어떻게 공식적으로 조작할 수 있는가?
• RQ5 공통적인 구조적 및 역학적 특성을 기반으로 작업군은 어떻게 정의되고 상호 연결될 수 있는가?

주요 결과

• 물리 법칙에 기반한 작업 이론은 시간, 에너지, 위치, 속도, 출력과 같은 측정 가능한 상태 변수를 사용하여 작업을 정밀하고 형식적으로 모델링할 수 있다.
• 제안된 프레임워크는 기존 모델 구조를 변경하지 않고도 작업 매개변수(예: 초기 상태, 에너지 예산, 마찰 계수)를 체계적으로 변화시킬 수 있다.
• 동일한 작업 모델을 사용하여 다양한 성능 트레이드오프를 분석할 수 있으며, 예를 들어 최대 출력으로 최소 시간(2.863초)을 달성하거나, 0.15 J/s로 에너지 소비를 최소화하여 8.52 줄의 에너지를 남기는 것과 같은 전략을 비교할 수 있다.
• 새로운 목표 절차(예: 종료 시 속도를 0으로 유지)나 다차원 제약 조건을 추가하여 작업을 확장할 수 있으며, 이는 확장성의 증거가 된다.
• 공통적인 구조적 특성을 기반으로 작업의 추상화와 분류가 가능하여, 테니스와 축구와 같은 서로 다른 작업 간 비교가 가능하다.
• 환경 및 작업 매개변수를 고립하고 조작할 수 있도록 하여 체계적인 평가를 가능하게 하며, 항공우주 분야의 공학적 관행과 유사한 방식을 제공한다.