https://youtu.be/dGJya2dpjko

세상의 모든 문제는 분류 문제이다

일반적으로 답안이 여러개 주어진 것을 객관식으로, 반대로 직접 답안이 주어지지 않고 서술형이나 단답형으로 쓰는 것을 주관식으로 설명하지만, 이는 바른 정의가 아니다. 사실 주관식 중 서술형과 단답식은 요구하는 지적 능력이 다소 다르기 때문에 주관식이라는 표현은 적절하지 않다. 단답식은 객관식이 확대된 개념으로 볼 수 있기 때문이다. 

이러한 이상한 주관식/객관식 분류는 주관식을 객관식이 아닌 문제 형식으로 규정하기 때문에 생긴 오해이며, 그러므로 주관식의 개념을 바르게 정확히 정립하면 인간이 개념 정립을 어떻게 하는지 또한 이해할 수 있다. 

주관식 중 서술형 문제가 서술형인 이유는, 답안을 문장으로 작성하기 때문에 서술형이 되는 것이 아니라, 사전에 주어진 답안에 없는 답을 찾고, 또한 답안에 없으므로 그것을 설명할 필요가 있어 결과적으로 서술형이 되는 것이다. 기존에 답안이 존재하는 상황, 즉 어떤 어휘가 존재하는 문제라면 단답형이 명명이 가능하고 이는 객관식과 차이가 없으나

진정한 주관식이라면 '문제의 확대 재정의'에 의해 새로운 어휘를 만들어 명명해야 한다. 그것은 기존에 없던 개념이기 때문이다. 결국 주관식/객관식 관점은 리더/팔로워의 관점으로 대치 이해할 수 있으며, 이는 우리가 잘 이해하고 있는 답이 주어진 상황이냐 아니냐의 문제로도 이해할 수 있는 것이다. 

한편 머신러닝에서는..

일반적으로 머신러닝은 지도학습과 비지도학습으로 나뉘는데, 이는 시험에서의 객관식문제와 주관식문제의 구분으로 비교해보면 좀 더 깊이 이해할 수 있다. 지도학습은 라벨(정답)이 객관적으로 주어진다는 점에서 객관식문제와 거의 같은 의미를 가지지만, 비지도학습은 self or auto clustering(자기 군집 > 직접 분류)라는 점에서 주관식과는 다소 다른 의미를 가진다. 

이런 비교를 하는 이유는 비지도학습에 대한 발전된 개념을 제시하고자, 주관식문제의 재정의를 활용하고자 하기 때문이다. 머신러닝에서의 비지도학습은 지도학습의 전단계에 제시됐던 개념으로서, 인간의 학습에 대한 정의가 불분명했던 시기에 나왔던 방법론이다. 당시 인간이 컴퓨터에 원하는 것은 객관식문제의 정답 맞추기였지만, 

라벨링에 의한 간접 분류 개념을 어떻게 컴퓨터학습에 사용할 지를 잘 몰랐던 연구자들은 기준자(척도)에 의한 직접 분류를 사용했었고, 그것을 표현한 것이 셀프 클러스터링(자기 군집) 개념이며, 이는 닫힌계의 개념이 빠진 전현대적인 사고에서 비롯된 것이다. 인간은 어떤 이름이 있으면 지시체라고 하여 그 이름의 대상에만 관심을 가지지만,

실제로 인간은 아빠를 엄마 아닌 인간으로 인식하는 것과 같이, 사회의 라벨링을 개인의 라벨링으로 복제하는 과정에서 학습이 성립시킨다. 이는 학습의 본질이 닫힌계와 통계적 개념으로 이루어지는 것을 말하며, 원자적 관점의 전현대 수학과는 본질적으로 다르다는 것을 의미한다. 실제로 비지도학습은 원자적 관점과 밀접한 연관을 가지고 있으며,

그러므로 속성과 (연구자가 정의한) 척도를 사용한다. 이는 가령 키height라는 속성을 자의적인 척도에 따라 '장신/단신'을 직접적으로 나누는 것이다. 반면 지도학습은 컴퓨터시스템에 직접적인 값을 주지 않고 다만 사회에서 통용되는 '장신/단신'이라는 라벨만을 제공하고, 구체적인 키의 값(숫자)은 그것을 분류하는 과정에서 컴퓨터가 간접적으로 도출하는 것을 말한다. 

그리고 여기서 필자는 비지도학습을 '확대재정의' 하고자 한다. 

이는 앞서 말한 것과 같이 '새로운 비지도학습'을 '새로운 주관식 문제'라고 재정의 하는 것이다. 이를 정확하게 이해하고자 인간이 어떻게 대상을 확대재정의 하는지를 살펴보자. 팔로워인간과 달리 리더인간은 그 명칭에서 알 수 있듯이 리더가 제시한 객관식 정답에서 답을 찾지 않고 해당 집단이 대립한 자연과의 구도 변화에서 문제를 새로 정의한다. 

이러한 개념은 인간의 사회가 자연과의 대립 구도에서 지속적으로 계단식 발전을 하기 때문에 가능한 것이며, 일견 변증법과 유사하다고 말할 수도 있지만, 인간계 뿐만 아니라 지구 자연계 그리고 바깥의 우주계까지 더 상위 개념에서부터 개념을 연역(하향) 정립하기 때문에 변증법과는 사고의 방향이 반대이며, 결과적으로 이는 구조론적 사고방식이라고 말할 수 있다. 

또한 보통은 강인공지능을 단순히 인간을 초월한 사고를 할 수 있는 것을 지칭하지만, 이를 구조론적 사고방식으로 다시 해석하자면, 강인공지능은 인간에 부속되지 않고 스스로 자연에 맞선 사고를 하고, 그 결과로 기존에 없던 새로운 개념을 직접 제시할 수 있는 것으로 재정의 할 수 있다.

결국 지도학습이 대세인 현재의 머신러닝이 강인공지능으로 발전하려면 새로운비지도학습의 개념이 제시되어야 하며, 우리가 원하는 자율주행도 강인공지능정도 되어야 풀 수 있는 문제가 된다. 왜냐하면 자율주행의 상황은 사건에 대한 능동적인 해석이 필요한데, 실제로 도로 위에서 벌어지는 사건은 정의되기 어려운 경우가 많기 때문이다. 즉 객관식 문제만을 푸는 지도학습의 방법만으로는 한계가 있다는 것이다.