모집단(먹을 수 있는것) 과 모집단 아닌것(먹을수 없는것) 을 어떻게 구분해서 저장해야 다음에 비교를 할 수 있는지 그 메커니즘이 확실한게 없다는거죠.  이 패턴과 저패턴이 다르다는것을 어떻게 구분하냐는 문제 입니다.

그러니까 A(학교종)라는 노래와 B(고향의봄) 라는 노래를 구분하는 방법의 문제라고 설명을 할 수 있는데.

A 와 B는 전혀 다른 노래지만  한키를 높여 부른 학교종 A' 는 같은노래인데 . 이것의 구분 매거니즘과 비슷하다 볼 수 있습니다. 

컴퓨터로 뭔가 하려면 정보를 모두 숫자로 변환을 해야 하는데. 

만약 먹는거 (1)  못먹는거(2) 이런식으로 정보를 저장한다면

거기에서 유연성과 확장성이 떨어지게 됩니다. 

한키 높여 부른 노래와 그냥 부른 노래가 같은 노래라는 것을 단순 구분된 숫자로 알아내기 어렵습니다.

이 돌멩이와 저돌멩이가 같은 못먹는 돌멩이라는 것을 어떻게  정보를 저장을 해야 알수 있냐는거죠. 

보통 그런 걸 "맥락"이라고 합니다.

1. 돌멩이냐 벌레냐?(딥러닝, 이미지 인식 등): 돌멩이냐 아니냐

2. 그게 나랑 무슨 상관이냐?(맥락 > 강화학습): 먹을 수 있냐 없냐, 주체와 대상의 문제

근데 거의 모든 학자들이 강화학습은 보통 말 그대로 컴퓨터게임인 경우만 해당된다고 착각하는 게 문제입니다.

세상 모든 일이 게임이라는 걸 모르는 거죠. 지구상에 게임이론을 이해하는 사람이 몇 명일까? 구조론에 몇 명 있는듯.

참고로

줄거주고 받을거 받자는 게 일종의 손빈의 삼사법인데, 

강화학습의 파트 중에 미니맥스minimax법이라는게 바로 삼사법입니다.

게임이론에서 유래하여 컴퓨터과학에 사용되는 방법입니다.

최악의 경우에 일어날 손실을 최소로 하는 경로를 선택한다고 설명되는데

사실은 "어차피 줄 거 최대한 적게 주고 최대한 많이 챙길 수 있는 경로"를 선택하는 방법.

원래 딥러닝 기반 알파고(몬테카를로 트리 서치) 이전에 흔히 사용되던 방법이었습니다.

야, 그럼 게임 상황만 잘 훈련시켜주면 되는 거 아냐?

구조론에서도 자주 말하는 바, 한 단계의 추론이 올라가면 추정해야 할 정보가 기하급수적으로 올라갑니다.

보통 이 시점에서 연구자들이 이해를 못하는 건데,

그냥 노가다를 하면 되지만

노가다를 하는게 맞는지 아닌지를 몰라서

감히 해보지를 못합니다.

풀섶을 하나씩 뒤집어 바늘을 찾으면 되는데

풀섶 뒤집어서 바늘 나오는 줄을 몰라서 못 찾는 거죠.

인간들이 이렇게 멍청합니다.

그럼 알파고는 왜 되냐?

"바둑판이 작기 때문입니다."

구조론에서 말하는 "나의 범위" 까지 안 가더라도

이 정도만 해결하면

현 시점에서 요하는 자율주행은 어렵지 않습니다.

참고로

머신러닝: 인공신경망을 사용하는 것을 포함하는 기계학습을 통칭

딥러닝: 인공신경망을 깊게 사용

강화학습: 게임 상황에 특화된 머신러닝

알파고: 딥러닝을 사용한 강화학습법

맥락을 물어보는게 아니고 실제로  어떤식으로  정보를 저장을 해야 하는지 숫자로 한번 표현을 해보세요.  예를들어 1 과 2라든가 아니면 100이상의 숫자와 100 이하의 숫자로 구분한다든가. 아니면 홀수 짝수 라든가.

구현을 하려면 실제로 뭔가 기준을 잡아야 하잖아요. 

맥락을 넣을 수 있는 숫자 표현법을 예를들어 보라는거고요. 

정말로 물어보는거예요. 

숫자는 심볼일 뿐입니다. 사례 반복에서 의미가 있을 뿐이죠. 그냥 "이것은 어떤 것"이라고 가리키는 거죠.

보통은 함수의 형태로 표현합니다. 일대일 대응 같은 거죠. 전단사 함수라고도 하고.

보통은 개수냐 크기냐를 헷갈리는 문제인데

현대 수학에서 가르치는 수 자체가 이 구분을 모호하게 만들어서 사람들을 헷갈리게 만들고 있습니다.

우리가 말하는 크기는 보통 질적 차이를 의미합니다.

큰 사람을 보면 괜히 주눅들고 하는 거죠.

자동차 크기가 다르면 용도가 다르고 하는 식.

차가 몇 대냐? 에서의 크기와

차가 얼마나 크냐? 에서의 크기가 다르다는 것은 

실제로 시간이냐 공간이냐의 차이지만

현대 수학은 구분하지 않습니다.

머신러닝에서도 수의 크기는 별로 중요하지 않습니다. 

그건 그냥 임의로 정해주면 그만입니다.

공통점과 차이점이 있고 부모와 자식이 있고 우열이 있어 구분이 가능하면 그것이 분류입니다.

저도 말장난 하는 거 아닙니다.

대화가 어려운 이유는 보통 맥락을 이해하고 있냐 없냐 때문입니다.

사람들이 생각하는 맥락이 사실 초라한 경우가 많거든요.

특히 공학에서 잘못 가르치는게 문제인데

절대값으로 대상을 가르치므로 맥락을 잘 이해하지 못합니다.

자연수 1과 실수 1은 다른 건데

이게 묘한 거거든요.

통계학으로 말하면

1이라도

분모가 2냐 3이냐에 따라 값(의미)이 다르듯이.

말로 구분하는것 말고. 실제로 맥락(시간) 이 들어가는 표현법을 알고 있는것을 이야기 해보시라는 거고요. 

예를들어 노래는 아주 좋은 예죠. 시간이 흐름에 따른 음률의 변화를 기록 하면  , 키가 높은 노래나 박자 가 다른 노래라도 리듬이 같으면 같은 노래라는것을 알 수 있잖아요. 

같은 음이라도 어떤 음 뒤에 있느냐에 따라서

상승인지 하강인지가 정해지겠죠.

이때 상승과 하강이 제가 말하는 의미입니다.

어떤 음은 맥락 쯤 될 꺼고.

제가 말하려는게  하나 음정( 손가락의 한번의 터치) 로는 노래가 구분이 안되고 몇음정을 들어봐야 내가 듣는노래가 내 머리속에 기억하고 있는노래와 동일한 노래라는것을 구별할 수 있잖아요. 이런식으로 이정보와 저정보를 어떤식으로 구분하는 메카니즘중에 아시는것이 있으면  말씀해 달라는 거예요. 말로는 할 수 있지만  이게 어떻게 숫자로 표현하느냐가 관건이거든요.

노래는  제가 예로 든거고.  못먹는거와 먹는것을  맥락을 넣어서 숫자로 표현을 해야 한다면 어떤 방법이 있냐는거죠.    알고리즘을 묻는게 아니고  실제로 어떻게 정보를 기록할지 컴퓨터 앞에 앉아 있다 생각하고 핵심을 말씀해보라는거예요. 

나면 먹는 거고, 너면 뱉는 건데

알파고에서는 엔지니어가 흑돌이냐 백돌이냐로 미리 정해줍니다.

현재의 머신러닝에 이런 게 있느냐? 라고 물으면 없죠.

근데 묘하게 질답의 핀트가 어긋나는 것 같습니다만.

차라리 수를 없애버리고 대화를 하면 접근이 빠를 듯합니다.

수는 대소를 비교함에 의미가 있을뿐

수 없이도 사람이 대상을 볼 수 있듯이

컴퓨터도 마찬가지로 할 수 있습니다.

다만 실제로 구현하려면 수가 필요한 것은 맞으나

실제로 구현함에도 컴퓨터에서 사용되는 수와 

인간이 생각하는 수의 관념에는 차이가 있습니다.

어떤 것의 가치가 상대적이냐 절대적이냐의 차이 정도로 이해할 수 있을듯.

현재 수학이나 과학에서 사용하는 수의 표현법은 지극히 임의적입니다.

첫번째 화살을 날려서

대강 그게 어디에 꽂혔다고(값을) 정하고

다시 두번째 화살을 날려서

첫번째와 얼마나 차이가 나는 지를

다시 세번째 화살을 날려서 그것을 다시 임의의 수로 정하고

이를 네번, 다섯번.. 반복하는데

이 과정에서 수는 상대적으로 규정됩니다.

다만 편의를 위해서

절대치를 미리 만들어 두죠.

화살 두 개만 날려도 대강 알 수 있도록

근데 절대치를 미리 만든다는 것 자체가

사실 세번째 화살을 미리 날리는 것과 같습니다.

화살 아끼려고 수를 미리 대강 합의해둔 거죠.

이건 제 생각이 아니라

실제로 머신러닝이나 과학이 하고 있는 거죠.

전 다만 그걸 좀 다르게 설명하는 거고.

아라비아 숫자로 말씀해보라는 거예요. 그래야 저장도 되고 연산도 되잖아요. 이게 어렵다는것을 말하려는 거고요. 

아라비아 숫자는 중요하지 않습니다. 제가 답해드릴 수 있는 건 여기까지입니다.

그리고 실제로 과학자들도 중요하게 생각하지 않습니다. 미분이라는 도구가 그 증거입니다.

기하의 각도를 산정함에 대수의 크기는 무시되는 겁니다.

대수에서 크기를 정해봐야 기하로 넘어가면, '비교'를 제외하고 싹 무시되는 거죠.

물론 이렇게 해도 저장도 되고 연산도 됩니다.

저장과 연산이 사실 비교이기 때문입니다.

제가  반복해서 묻는 것은 제가 챠우님이 하는 말씀을 몰라서 그러는게 아니라. 말로는 이렇게 저렇게 하면 된다 말하지만 실제로 하려 하면 막막하다는것을 전달하려는거고요. 실제로 많은 실패의 역사가 있습니다. 

제가 묻는 내용이 만약 된다면 레고 블록쌓듯이 일사천리로 다른 복잡한 것도 처리 하여 강 인공 지능으로 까지 갈 수 있는 가능성이 있을거라고 생각해서예요. 오늘은 날씨도 더운데 여기까지만 하고 다음에 만나면 주둥이로 떠들면서 논쟁해 보죠. 

네. 보통 사례를 많이 모으는 걸로 해결하려고 합니다.

테슬라의 자율주행이 이런 식이죠.

그래서 잘 안 되기도 하고 의외로 잘 되기도 합니다.

사례를 벗어나면 헤매는 거죠.

근데 사실 비유나 유추는 인간도 잘 못하잖아요?

주체와 대상의 문제도 마찬가지

인간도 잘 못하잖아요?

그리고 사실 비유/유추가 되는 이유가 주체와 대상을 구분하는 방법을 알기 때문입니다.

보통 사람들은 관광만 하고 여행을 안 해서 이게 잘 안 되는데

평생 비슷한 사람들만 보고 비슷한 환경에서만 살기 때문입니다.

좀 돌아다녀보고 다양한 사람과 환경에 놓이면

이게 좀 됩니다.

난지 넌지 구별을 어떻게  숫자를 이용해서 구별할지 한 번 생각해 보시죠.

오늘은 그만 하려 했는데 자꾸 입이 근질근질 하군요. 

우린 서로 전혀 다른 곳을 보고 있는거 같아요. 

데이터가 곧 머신러닝에게는 사례입니다. 

인간은 사례를 벗어나는 것을

1. 남이 알려줘서

2. 직접 부딪치고 비벼서 알게 됩니다.