TV에는 인력시장 하루살이 노동자의 애환
이런 걸 다루곤 하지만 그런 게 있을 리가 없습니다.
공사판을 다니면 인력확보에 혈안이 된
십장이나 감독이나 건물주 눈에 들어 한곳에 자리 잡는 게 보통이고
노가다 몇 년 했다면 명함을 수십 장 가지고 있고
이곳저곳에서 연락이 오므로 인력시장에 나갈 일이 없지요.
인력시장에 어쩌다 한 번 가는 게 아니라 아주 상주한다면
정상적인 노동자로 볼 수 없습니다.
대학생이 알바를 뛰거나
제대군인이 취업 전에 잠시 일거리를 구하거나
무작정 상경한 시골 아저씨가 생활자금을 구하거나
경마장 폐인이 베팅자금을 구하거나
알콜중독자가 술이 떨어져서 일감을 구하거나
막노동을 할 체력이 안 되는 사람이 쉬운 일을 찾아보거나
등의 여러 가지 이유로 나와 있는 거지 일이 없는 게 아닙니다.
일을 구하려면 직접 공사현장을 가는 게 빠릅니다.
운전면허 필기 합격률 50퍼센트에 불과하지만 허수가 끼어있어.
반복해서 필기 떨어지는 차사순 할머니들 때문에.
공무원 시험도 경쟁률이 백 대 일이라지만 허수.
실세 경쟁률은 어디 가나 2 대 1일 수밖에 없는 게
정보판단을 하는 허수가 걸러지기 때문.
정보를 얻기 위해 일단 한 번 원서를 내보는 거.
가령 사과의 이미지와 사과라는 글자를 연결시킬 때, 사과의 부분적인 요소들을 2중/3중/100중/... 으로 재조합하여 이를 바탕으로 점수를 매기고 최종 점수를 합산하여 사과인지를 판단하는데, 이때 생기는 중간 조합들이 가지는 의미 혹은 이름을 인간은 지을 수 없습니다.
그래서 블랙박스입니다. 입구와 출구는 아는데 중간 과정은 알 수 없다고 해서 붙인 마법같은 구간이죠.
뭐 결론은 구조론인데, 이미지를 자세히 들여다보면 점수에 뭐가 많이 반영되는지 알 수 있습니다. 이는 구글 이미지 검색을 해보시면 금방 알 수 있는 겁니다. 요새는 머신러닝을 도입해서 예전의 이미지 검색과는 양상이 좀 바뀌었거든요. 대부분 특정 색의 특정 분포를 통해 이름 붙입니다.
사람들은 이미지를 보고 자신이 무엇에 점수를 더 주는지 모릅니다. 근데 머신러닝은, 이름은 하나인데, 다양한 이미지를 학습히면서 결국은 공통점을 찾아내어 점수를 더 주게 됩니다. 뭐 인간도 그렇게 합니다. 다만 그것을 언어로 표현하지 못할뿐.
머신러닝의 블랙박스 문제는 결국 인간의 언어부족이라는 말입니다.
그러면 인간은 이 문제를 어떻게 해결하느냐? 부분에 이름을 붙이는 방법을 사용하기도 하죠. 사과라면 껍질, 꼭다리 등등에 이름을 붙이죠. 물론 사과만 해도 부분의 이름이 많지가 않습니다. 가령 인간의 팔꿈치는 도대체 어디서 어디까지인가? 혹은 무엇으로 콕 찝을 수 있는가? 라고 하는 것 자체를 연구자들이 이해를 못합니다.
철학 공부가 안되어 있기 때문입니다. 사이에 이름을 붙인다는 것 자체를 모릅니다. 입자식 사고관 때문이죠. 그것을 안다는 것은 그것이 아닌 것을 아는 것임을 모르는 거죠. 가령 사과와 배를 구분하려면 무엇을 보는가?/기준으로 삼는가?를 인간은 대강 이름을 지어놨습니다. 그리고 새로운 종이 발견될 때마다 이 기준은 끊임없이 이동하고 발전합니다.
또한 인간은 자기가 사과를 자두로 헷갈릴 수 있다는 것 자체를 잘 이해 못합니다. 그리고 사과는 사과 주변을 보고 판단한다는 것도 잘 모르죠. 대개 인간은 사과와 자두를 구분하기 위해 주변을 보는데, 여태의 머신러닝은 서양의 입자식 사고로 사과만 보려고 합니다.
구조론 출석부를 훈련시켜도 이미지 인식은 장족의 발전을 보일 수 있을 텐데, 안타깝네요. ㅎㅎㅎ