본문 바로가기
카테고리 없음

쉽게 생각하고 접근하는 미래산업

by Issuetok 2022. 9. 26.

미래를 주도하는 산업을 대하는 우리의 자세

우선 알고리즘의 명확성 문제를 독점 보호의 한 형태로 정의해야 합니다. 이후 코드의 가독성 측면에서 불투명성을 검토해봐야 합니다. 코드 쓰기는 알고리즘의 계산적 구현에 필요한 기술이며, 일반 대중에서는 널리 찾아볼 수 없는 전문 기술로 남아 있습니다. 마지막으로 이 글의 요점으로 기계 학습 알고리즘의 수학적 절차와 의미 해석의 스타일 사이의 불일치를 중심으로 하는 제3의 형태의 불투명성을 대조해봐야 합니다. 이 도전의 중심에는 기계 학습에 사용되는 특정 기법과 관련된 불투명성이 있습니다. 불투명성의 각 형태는 입법부, 조직적 또는 프로그램적, 기술적인 것에 이르기까지 다양한 도구와 접근방식에 의해 다루어질 수 있습니다. 그러나 인공 지능에서 중요한 것은 특정 알고리즘 응용 프로그램에 수반되는 불투명도 형식이 그 문제를 완화시킬 가능성이 있는 행동 과정을 추구하기 위해 식별되어야 하는것이 중요합니다. 이 다음으로 의도적인 기업 또는 국가 기밀성으로서의 불투명성이 발생할 수 있씁니다. 알고리즘의 정치학에 관한 새로운 문헌에서 한 가지 주장은 알고리즘의 불투명성은 그들의 영업비밀과 경쟁우위를 유지하려는 기업에 의한 대체로 의도적인 형태의 자기보호라는 것입니다. 그러나 이것은 단지 하나의 검색엔진이 그들의 비밀 소스를 비밀로 유지하기 위해 다른 검색엔진과 경쟁하는 것에 관한 것이 아닙니다. 또한 지배적인 플랫폼과 어플리케이션, 특히 순위 지정, 추천, 경향, 필터링에 알고리즘을 사용하는 어플리케이션들이 일반 대중의 관심을 확보하기 위한 전략의 일환으로 이를 개선하고자 하는 사람들을 끌어들이는 경우도 있습니다. 인공 지능 AI 검색 엔진 최적화 분야는 기계학습 내의 수리적 학습이라 불리는 접근방식으로 이러한 종류의 진화하는 전략을 구체적으로 다루고 있습니다. 머신러닝의 네트워크 보안 애플리케이션은 스팸, 스캠 및 부정 행위를 명시적으로 처리하며, 효과적이기 위해 불투명하게 유지됩니다. 새디비그는 대부분의 알고리즘이 일반 대중에게 공개될 가능성은 전혀 없다고 지적했습니다. 즉, 독점적이고 폐쇄적인 알고리즘의 분명한 대안은 오픈 소스 소프트웨어의 문제입니다. 하지만 최근 오픈소스에서 성공적인 비즈니스 모델이 등장했습니다. 한편, 파스칼레의 보다 회의적인 분석은 많은 응용분야의 알고리즘 불투명성의 현재 정도가 정당화될 수 없고 오히려 느슨하거나 뒤처진 규제의 산물일 수 있다는 것을 말합니다. 주장하는 바로느 돈과 정보를 통제하는 비밀 알고리즘은 일종의 적대적 상황이 실제로 작용하고 있으며, 그 상대는 규제 그 자체라고 말합니다. 이에 대해 명확성을 복원할 수 없는 이해할 수 없는 것으로 대다수 사람들은 정의 합니다. 파스칼레에 따르면 알고리즘의 불투명성은 경쟁우위라는 명목으로 기업의 고의적인 자기보호에 기인할 수 있지만, 이는 은닉된 규제, 소비자의 조작, 그리고 새로운 형태의 은폐가 될 수도 있습니다. 이런 인공 지능 알고리즘 유형의 불투명성을 위해, 필요한 경우 규제 수단을 통해 코드를 정밀조사에 사용할 수 있도록 하는 것이 효과적 입니다. 알고리즘 불투명성에 대한 이러한 특정 설명의 기초는 기업이 사용하는 알고리즘의 설계를 기꺼이 노출할 경우 코드를 읽음으로써 소비자 조작이나 규제 위반의 문제를 확인할 수 있습니다. 어느 학자는 이러한 조치가 공공의 이익을 위해 봉사하면서 비밀을 유지할 수 있는 독립적인 신뢰할 수 있는 감사인의 사용으로 여전히 가능할지 모른다는 것을 암시하고 있으며 알고리즘을 효과적이지 않게 만들 수 있다는 것을 주장합니다. 코드에 대한 액세스가 없는 경우, 새드비그는 코드 자체에 대한 액세스를 요구하지 않고 문제를 강제하는 방법인 가능한 대응 방법으로서 여러 형태의 알고리즘을 상세하게 설명하고 비교해 놓았습니다. 다른 맹점으로 기술적 문맹으로서의 불투명성을 예로 들수 있습니다. 현재 쓰기 및 읽기 코드와 알고리즘 설계가 전문 기술이라는 인식에서 비롯됩니다. 그것은 여전히 대다수의 사람들이 알고리즘을 접근하기 어렵게 만드는 요소입니다. 소프트웨어 공학 강좌는 이해하기 쉬운 코드의 쓰기를 강조합니다. 코드는 C나 Python과 같은 특정한 프로그래밍 언어에서 구현되며, 이러한 언어의 구문은 반드시 학습되어야 하지만, 그것들은 인간 언어와는 어떤 면에서 상당히 다르며 전공을 하지않은 사람들에겐 다가가기 쉽지않습니다. 해당 알고리즘의 언어들은 논리적인 규칙을 엄격히 준수하고 기계에 의해 읽어지기 위해서 철자법과 문법의 정밀성을 요구합니다. 계산 장치를 위한 쓰기는 인간 언어를 통한 의사소통이 하지 않는 특별한 정확성, 형식적, 완전성을 요구합니다. 인공 지능 알고리즘 프로그래밍의 기술은 부분적으로 이 매개 역할을 관리하는 것에 관한 것이며, 코멘트를 포함한 합리적인 변수 이름을 선택하고, 보다 단순한 코드 공식화, 모든 것이 동일한 것을 선택하는 것과 같은 몇몇 잘 알려진 알고리즘을 수반합니다. 머신러닝 알고리즘을 짧게 짚고 넘어가겠습니다. 머신러닝 알고리즘은 강력한 일반화 및 예측 변수로 사용됩니다. 알고리즘의 정확성은 훈련할 데이터의 양이 많아짐에 따라 향상되는 것으로 알려져 있기 때문에, 최근 몇 년 동안 이러한 데이터의 가용성이 증가함에 따라 이러한 알고리즘에 새로운 관심을 갖게 됐습니다. 주어진 기계 학습 알고리즘은 일반적으로 두 개의 병렬 연산 또는 두 개의 구별되는 알고리즘, 즉 '분류기'와 '학습기'를 포함합니다. 인공 지능 알고리즘 개발 및 분류자는 입력을 취하여 출력을 생성합니다. 예를 들어 스팸 필터링을 하는 분류자는 기능 집합을 취하여 두 가지 출력 범주 중 하나를 생성합니다. 질병 진단을 하는 의사결정 지원 시스템은 입력을 받아 질병 진단을 산출물로 산출할 수 있는것과 마찬가지 입니다. 그러나 학습자라고 불리는 인공 지능 머신러닝 알고리즘은 먼저 시험 데이터에 대해 훈련해야 합니다. 이 훈련의 결과는 새로운 입력 데이터에 대한 분류를 결정하기 위해 분류자가 사용할 가중치 행렬입니다. 예로 이 교육 데이터는 스팸 또는 스팸 아님으로 사전 정렬된 코드를 만들 수 있습니다. 머신러닝은 다양한 방식으로 코드로 구현되는 수많은 모델을 포괄합니다. 모델의 선택은 분류의 입증된 정확성 및 이용 가능한 계산 자원에 따라 결정됩니다. 이런 인공 지능 알고리즘 모델은 또한 분류의 정확성을 극대화하기 위해 종종 기계 학습 경기에서 사용되는 접근법으로 결합될 수 있습니다.

댓글0