연역은 알고 있는 명제를 조합하여 새로운 논증을 이끌어내는 것이고, 귀납은 구체적인 사실로부터 보편적인 원리을 이끌어내는 것이다. 그래서 연역은 구체화요, 귀납은 추상화다. 사람들은 일반적으로 연역을 단순히 요소들을 조합하는 것으로만 생각하지만, 실제의 연역은 정해진 룰에 의해 그것이 조합된다.

그래서 연역은 인공지능 강화학습의 기반이 되는데, 강화학습에서는 일단 관찰자가 environment(구조론에서는 상대)에서 주어지는 관측치(혹은 보상, 구조론에서는 상호작용)는 다 알지만, 그 뒤에 숨은 논리(state, environment와 거의 동일어)만을 모르는 상태에서 게임을 시작하기 때문이다.

강화학습(위키) https://ko.wikipedia.org/wiki/%EA%B0%95%ED%99%94_%ED%95%99%EC%8A%B5

연역법에서 새로운 논증을 이끌어낸다고 하는데, 이때 그 전제는 언어 뒤에 숨겨진 논리를 알고 있다는 것이다. 물론 강화학습은 그 논리를 찾아내는 것이고. 게임의 룰이 다 같을 순 없으니깐. 그러나 보편적인 관점에서 보자면 모든 게임의 룰은 동일하다. 왜냐하면 논리학이라는게 추상화의 끝판을 따지자는 것이므로 '(추상화의 관점에서) 동일하다'라는 말을 쓸 수 있는 것이며, 그것은 작용과 반작용이다.

그런데, 사실 귀납적인 방법이라고 할 수 있는 신경망모델도 일부 연역적인 방법을 차용한다. 회귀모델에서 최적 함수 추정을 하지 않는가? 그거 다 연역이다. 모델 추정이라는 건 결과에 앞서는 최적 원인 함수가 있다는 걸 가정하기 때문이다.

회귀분석(위키) https://ko.wikipedia.org/wiki/%ED%9A%8C%EA%B7%80%EB%B6%84%EC%84%9D

인공신경망(위키) https://ko.wikipedia.org/wiki/%EC%9D%B8%EA%B3%B5%EC%8B%A0%EA%B2%BD%EB%A7%9D

대신 신경망 모델은 피드백을 적극 활용하여 귀납법에서 문제가 되는 점을 보완하고 있다. 귀납법의 문제는 아웃라이어가 하나라도 존재하면 전체 모델이 무너진다는데 있는데, 신경망 모델은 이때 피드백하여 모델을 수정하기 때문이다.

머지않아 신경망 모델도 강화학습법을 상당히 차용할 것으로 보이는데, 이를 적용함에 가장 큰 문제점은 환경에 대한 정의다. 대부분 인간들은 자신의 눈 앞에 주어진 결과만을 주목하고, 원인에 대한 의식을 잘 하지 않기 때문에, 그것을 정의하기가 어려운게 사실이지만, 그럼에도 그것은 반드시 정의될 수 있다.

이때 사용될 수 있는 방법은 주어진 정보 이외의 인자를 추적하는 것이다. 물론 현재는 머신에 인간이 인지한 데이터만 던져주고 그것을 추정하라고 하기 때문에 적용이 어려운 면이 있다. 그러나 미래의 강화학습 모델은 주어진것 뿐만 아니라 주어지지 않은 것까지도 탐색할 것이다. 최신 페이스북의 챗봇이 그러하다. 이것은 사용자가 알려준 정보가 불충분하면 추가적인 질문을 한다.(물론 페북의 챗봇은 구조론의 완전한 모델을 가지고 있지는 않을 겁니다.) 

또 한가지 강화학습을 적용할 때 생기는 문제는 '승리'의 정의이다. 도대체 이긴다는 게 뭘까? 일반적인 게임에서 최고의 점수를 얻는 방법은 화면 이면에 숨겨진 룰을 잘 파악하는 것이다. 그리고 룰을 잘 파악하면 자연히 높은 점수는 보장된다. 같은 논리로 보자면, 강화학습은 environment의 룰을 파악해내는 것이 승리가 될 수 있겠다. 점수 따는 거 같은 거 말고. 

# 

원글이 페북에 올리는 용도였고 머신러닝을 공부한 사람들이 읽을 수 있도록 쓴 글이라, 구조론의 용어를 사용하지 않다보니, 언어가 부족하여 표현에 어려운 점이 많습니다. 그러나 구조론을 아시는 분이라면 충분히 이해가 가능하실 것으로 생각됩니다.