[논문 리뷰] Double Deep Machine Learning.

Moshe Ben-Bassat|arXiv (Cornell University)|2017. 11. 17.

Artificial Intelligence in Healthcare인용 수 1

한 줄 요약

이 논문은 데이터 중심 기계 학습과 지식 기반 기계 학습 교수법을 융합한 Double Deep Machine Learning 프레임워크를 제안한다. 이는 비거래적 도메인에서의 AI 추론 능력을 향상시킨다. 인간이 학습한 지식을 담은 기계로 읽을 수 있고 오픈소스인 지식 저장소인 ReKopedia를 구축함으로써, AI 시스템은 패턴 인식을 넘어서 더 깊이 있고 일반적인 상식적 추론 능력을 갖게 되어 의료 및 방위 분야의 고도화된 응용이 가능해진다.

ABSTRACT

Very important breakthroughs in data-centric machine learning algorithms led to impressive performance in transactional point applications such as detecting anger in speech, alerts from a Face Recognition system, or EKG interpretation. Non-transactional applications, e.g. medical diagnosis beyond the EKG results, require AI algorithms that integrate deeper and broader knowledge in their problem-solving capabilities, e.g. integrating knowledge about anatomy and physiology of the heart with EKG results and additional patient findings. Similarly, for military aerial interpretation, where knowledge about enemy doctrines on force composition and spread helps immensely in situation assessment beyond image recognition of individual objects. The Double Deep Learning approach advocates integrating data-centric machine self-learning techniques with machine-teaching techniques to leverage the power of both and overcome their corresponding limitations. To take AI to the next level, it is essential that we rebalance the roles of data and knowledge. Data is important but knowledge- deep and commonsense- are equally important. An initiative is proposed to build Wikipedia for Smart Machines, meaning target readers are not human, but rather smart machines. Named ReKopedia, the goal is to develop methodologies, tools, and automatic algorithms to convert humanity knowledge that we all learn in schools, universities and during our professional life into Reusable Knowledge structures that smart machines can use in their inference algorithms. Ideally, ReKopedia would be an open source shared knowledge repository similar to the well-known shared open source software code repositories. Examples in the article are based on- or inspired by- real-life non-transactional AI systems I deployed over decades of AI career that benefit hundreds of millions of people around the globe.

연구 동기 및 목표

• 의료 진단 및 군사 상황 평가와 같은 비거래적이고 복잡한 추론 작업에서 현재의 데이터 중심 AI의 한계를 해결하기 위해.
• 딥리치의 공통 상식 지식을 학습 시스템에 통합함으로써 데이터와 지식의 역할을 재균형화하기 위해.
• 인간이 학습한 지식을 재사용 가능한 기계 처리 가능한 지식 구조로 변환하는 확장 가능한 방법론을 개발하기 위해.
• 스마트 머신을 위한 공유 가능한 오픈소스 지식 저장소인 ReKopedia를 구축하기 위해. 이는 오픈소스 소프트웨어 저장소와 유사하다.
• 해부학, 생리학, 군사 전술 지침과 같은 도메인 특화 지식을 통합함으로써 AI 시스템이 고립된 데이터 포인트를 넘어서 추론할 수 있도록 하기 위해.

제안 방법

• 데이터 중심 기계 학습과 기계 학습 교수 기법을 융합하여 모델의 일반화 능력과 추론 능력을 향상시킨다.
• AI 시스템이 데이터 외에도 의료나 전술 규칙과 같은 구조화된 지식 입력을 통해 학습할 수 있도록 하는 프레임워크를 제안한다.
• 교과서나 전문 교육 자료에서 유래한 인간이 학습한 지식을 공식적이고 재사용 가능한 지식 표현 형태로 변환하는 자동화된 알고리즘을 개발한다.
• 기계 간섭이 가능한 형식으로 지식을 인코딩한 공유형 오픈소스 지식 저장소인 ReKopedia를 설계하여 추론에 활용한다.
• 지식 구조를 AI 추론 파이프라인에 통합하여 고립된 패턴 인식을 넘어서는 맥락 인식이 가능하고 설명이 가능한 의사결정 지원을 가능하게 한다.
• 의료 및 방위 분야에서 실제 적용된 AI 시스템을 블루프린트로 활용하여 프레임워크의 적용 가능성과 확장성을 검증한다.

실험 결과

연구 질문

• RQ1 의료 진단 및 군사 정보 분석과 같은 비거래적 도메인에서 AI 시스템은 어떻게 더 깊이 있는 추론을 달성할 수 있는가?
• RQ2 AI 모델에 구조화된 공통 상식 지식과 데이터 중심 학습을 통합하기 위한 메커니즘은 무엇인가?
• RQ3 교육 및 전문 교육에서 유래한 인간이 학습한 지식는 어떻게 체계적으로 기계 처리 가능한 형식으로 변환될 수 있는가?
• RQ4 스마트 머신을 위한 확장 가능한 오픈소스 지식 저장소를 구축하기 위해 필요한 아키텍처 및 표현 프레임워크는 무엇인가?
• RQ5 데이터 학습과 지식 교육을 융합함으로써 복잡한 실세계 응용 분야에서 AI 성능은 얼마나 향상되는가?

주요 결과

• Double Deep Machine Learning는 의료 및 방위 분야와 같은 도메인에서 고립된 데이터 패턴을 넘어서 복잡하고 맥락 인식이 가능한 추론을 수행할 수 있도록 AI 시스템을 가능하게 한다.
• 심장 해부학이나 적군 전술 지침과 같은 도메인 특화 지식의 통합은 순수한 데이터 해석을 넘어서 상황 평가 능력을 크게 향상시킨다.
• ReKopedia는 스마트 머신을 위한 공유형 오픈소스 지식 저장소를 만들 수 있는 실현 가능한 길을 제공하며, 소프트웨어 코드 저장소와 유사하다.
• 이 프레임워크는 수십 년간 실제 적용된 AI 시스템을 통해 타당성을 입증하였으며, 수억 명의 사용자에게도 이점을 제공한다.
• 순수한 데이터 중심 모델의 한계를 극복하기 위해 기계 학습 기법을 데이터 중심 학습과 융합함으로써, 지식 집약적인 복잡한 작업에서 성능 향상이 가능하다.
• 심층적이고 공통 상식적인 지식을 추론 과정에 통합함으로써 설명이 가능하고 강건하며 일반화 능력이 뛰어난 AI를 가능하게 한다.