인공지능 : 개요
(Artificial Intelligence : A Quick Overview)
C 인공지능 프로그래밍 : Herbert Schildt 지음, 신경숙.류성렬 옮김, 세웅, 1991 (원서 : Artificial Intelligence using C, McGraw-Hill, 1987), page 13~27
1. AI 의 간단한 역사 (A SHORT HISTORY OF AI)
2. 컴퓨터는 생각할 수 있는가? (CAN COMPUTER THINK?)
3. 기계 지능 결정 (DEFINING MACHINE INTELLIGENCE)
4. AI 의 주요 주제 (AI'S MAJOR TOPICS)
5. AI 프로그래밍에 왜 C 를 사용하는가? (WHY USE C FOR AI PROGRAMMING ?)
6. 데이터베이스, 백트래킹, 리스트 프로세싱 (DATABASES, BACKTRACKING, AND LIST PROCESSING)
최근까지 많은 사람들은 인공지능 (또는 AI) 분야를 전산학 (computer science) 의 어두운 면만 보아왔다 : 생명을 만들려고 하는 Shelly 의 프랑켄슈타인 (Frankenstein) 박사 처럼 AI 프로그래머들이 생각을 만들기 위하여 일한다고 믿었다. 종종, 인공지능 연구가들은 모순되게도 전산학의 엘리트이며 "열광적인 지지파 (lunatic fringe)" 로 간주되었다. 기계 지능의 실현 가능성과 실용성에 대하여 억지로 전망하라고 할 때, 보통 AI 에 대한 언급을 피하려고 하는 주류를 이루는 하급 프로그래머들은 항상 "아직 많은 연구가 이루어져야 한다.", "먼 장래에, 중요한 발견이 있을 것이다. 그러나 지금까지 그 분야는 가치있는 것을 거의 생산해내지 못했다." 라고 말할 것이다.
인공지능에 대한 전망이 확실히 바뀌었다! 5 년이 안되어서, 인공지능은 트랜지스터 이후로, 침체된 컴퓨터에 발생한 가장 뛰어난 것이 되었다! 이러한 빠른 변화는 네가지 주요 요소에 기초한다 : 최초의, 정말 경제적으로 성공한 AI 산물인 전문가시스템의 성공 ; 일본인의 AI 에 대한 열망과 홍보 ; AI 기법의 응용과 느리지만 꾸준한 기존 시스템에 대한 통합 ; 그리고 마지막으로, AI 시대가 왔다는 사실.
이 책을 통하여 인공지능 분야를 구성하는 여러 가지 주제와 기법을 연구한다. 이 중 가장 중요하고 흔한 것은 이 책의 나머지 장에 있는 여러 주제이다. 그러나, 응용 부문으로 이동하기 전에, 이 장에서는 AI 의 역사에 대하여 복습하고 나서 컴퓨터가 지능을 갖는다는 것이 가능한지 어떤지를 살펴본다.
일반적으로 AI 를 시작한 날짜를 정확하게 말하기는 어렵다. 아마도 Alan Turing 이 내장 프로그램 컴퓨터를 발명한 것이 AI 가 탄생하게 된 공으로 인정되어야 할 것이다. 최초의 컴퓨터는 실제로, 문자 그대로 문제를 풀기 위하여 전선을 갈아야 했던 전용 기계였다. 프로그램이 컴퓨터 메모리에 데이터로 저장되어 나중에 수행될 수 있다는 Turing 의 인식은 현대의 모든 컴퓨터의 기초를 형성했다. 프로그램 저장방식으로, 컴퓨터는 단순히 새로운 프로그램을 수행함으로써 그 기능을 빨리 그리고 쉽게 바꿀 수 있었다. 이 능력은 컴퓨터가 자신의 기능 (function) - 즉, 배우는 기능 또는 생각하는 기능 - 을 바꿀 수 있음을 의미한다!
그러나, 흔히 AI 로 생각되는 것은 1960 년경, MIT 에서, John McCarthy 가 LISP - 최초의 인공지능 언어 - 을 만들었을 때 시작되었다. 인공지능 (Artificial Intelligence) 이라는 용어는 역시 MIT 의 Marvin Minsky 의 공으로 인정되며, 그는 1961 년에 Steps Towards Artificial Intelligence 라는 제목의 논문을 썼다. 1960 연대는 컴퓨터가 생각하도록 만드는 가능성에 대하여 매우 낙관적인 시기였다. 결국, 1960 년 대에는 최초의 체스 (chess) 게임을 하는 컴퓨터, 최초의 컴퓨터화된 수학적 증명, 그리고 유명한 - 매우 선전이 많이 된 - 1964 년 MIT 의 Joseph Weizenbaum 이 쓴 ELIZA 프로그램이 탄생되었다. ELIZA 프로그램은 Rogerian 정신분석학자처럼 행동했다. 이런 유형의 분석에서, 정신분석자는 일반적인 대화를 유도하는 대신에 환자 자신의 말을 되풀이해 내보내는 (echoing) - 단지 컴퓨터가 쉽게 할 수 있는 유형의 일 - 수동적 역할을 한다. 그 프로그램은 당시에 대단한 센세이션을 일으켰다. 사람들은 "컴퓨터가 이런 식으로 사용되어야 하는가? 컴퓨터화된 정신과 의사는 사람인 의사보다 나은가? 이런 유형의 프로그램이 허용되어야 하는가? " 라는 질문을 했다. ELIZA 를 만든 Weizenbaum 조차도 'Computer power and human reason' 이라는 그의 책에서 본질적으로 자신의 프로그램을 의심했다! (1960 연대는 또한 자동화에 대한 강한 공포 (fear) 의 시기였음을 기억해야 한다. 단지 20 년 이상 전에 존재한 감정을 이해하는 것은 어렵다.)
AI 의 확실한 성공 때문에, 사람들은 지능을 갖는 프로그램을 생성하는 목표는 단지 바로 근처에 있는 것 같았다. 그러나, 그렇지가 않았다.
1960 연대에 잘 몰랐던 사실은 이러한 특별한 성공을 융통성이 있고 지능이 있는 프로그램으로 일반화하기는 대단히 어렵다는 점이었다. 이 책에서 이것에 대한 몇가지 이유를 검토해 볼 것이다. 프로그래머가 어떤 프로그램의 일반성을 증가시키려고 시도했을 때, 이 시도는 현재 이용할 수 있는 것보다 더 많은 계산 자원을 요구했다. 그러므로, 어떤 메모리든 곧장 용량 부족 현상이 생기거나 실행시간이 너무 느려졌다.
1970 연대 중반이 되어서야 대용량 메모리를 장착한 컴퓨터가 흔해졌고 계산 속도도 크게 증가했다. 그러나, 이렇게 향상되었는데도, 비효율성이 잠재해 있었기 때문에 AI 에 대한 이전의 접근 방식은 계속 실패했다. 예를들어, 숫자 배열을 정렬하는 것과 같은 간단한 일을 생각해보자. 버블 소트 (bubble sort) 를 사용하면, 정렬 시간은 N2 에 비례할 것이다. 이것은 10 개의 요소를 갖는 배열을 정렬하는 것이 1 초가 걸리면, 100 개의 요소를 갖는 배열을 정렬하는 데는 100 초가 걸린다는 것을 의미한다. 이렇게 되면 정렬하는데 사람이 사는 평균 시간보다 더 오래 걸릴 배열이 있다는 것을 알 수 있다! 컴퓨터가 얼마나 빨라지건 간에 시간이 N2 에 비례하는 정렬 알고리즘은 급격히 느려질 것이다. 더 나은 방식은 더 효율적이 되도록 정렬 알고리즘을 변경하는 것이다. 예를들어 Quick sort 알고리즘의 정렬 시간은 N1.2 - 대단한 향상 - 에 비례한다. 그림 1 은 Bubble sort 와 Quick sort 곡선의 차이점을 보여준다. 정렬 시간을 향상시키기 위해서 새로운 정렬 알고리즘이 필요하듯이 많은 AI 문제는 이 문제가 해결되도록, 프로그램으로 하여금 충분히 빨리 수행할 수 있게 하고, 메모리를 더 잘 이용할 수 있게 하는 향상된 루틴을 요구했다.
그림 1 N2 과 N1.2 곡선의 비교
1970 연대 말까지, - 자연언어처리, 지식표현, 그리고 문제 해결과 같은 많은 성공이 AI 의 특정 분야에서 이루어졌다. 이러한 성공은 최초의 상업적인 AI 산물인 전문가시스템의 도입이 발단이 되었다. 전문가시스템은 어떤 분야에 대한 정보를 포함하고, 질문을 받을 때, 바로 사람인 전문가처럼 반응하는 프로그램이다. 최초의 전문가시스템 중의 하나는 의사가 병을 진단하는 것을 돕기 위하여 스탠포드에서 개발된 MYCIN 이었다.
1970 연대에 발생한 가장 중요한 AI 사건 중의 하나가 1980 연대까지 사실상 미국에서는 간과되었다. 이 사건은 1972 년 프랑스 마르세이유의 Alain Colmerauer 에 의해 Prolog 가 만들어 졌다는 사실이다. LISP 처럼 Prolog 는 AI 관련 문제를 해결하는 것을 돕기 위하여 설계된 언어였다 : 리스프와는 달리, 내장된 (built-in) 데이터베이스와 같은 여러 가지 특징이 있고, 문법이 간단하다. 기본적으로, 1980 연대까지 리스프는 미국에서 선택된 AI 언어였고, 반면에 프롤로그는 유럽에서 같은 상황이었다. 그러나 1981 년에, 많이 선전된 "5 세대" 컴퓨터의 기초로 프롤로그를 사용할 것이라는 일본의 발표로 이 상황은 변하였다. 미국인 프로그래머들은 방심하였던 것이다!
AI 의 역사에서 프롤로그를 그렇게 중요하게 만든 것은 리스프보다 사고 과정을 더 깊이 이해했다는 것이다. 예를들어, 프롤로그는 내장 데이터베이스 기능과 백트래킹 루틴을 포함하는데, 이것은 많은 문제 해결 상황에서 둘 다 필요하다. (사실상, 앞으로 보겠지만, 백트래킹 지원은 많은 AI 기법을 구현하기 위하여 C 로 구현되어야 한다.) 비록 프롤로그가 1981 년 이후로 미국에서 인기를 얻고 있었지만, 미국에서 제 1 의 AI 연구 언어가 될지 아닌지는 불명확하다.
현재 AI 분야는 연구에서 구현으로 이동하고 있다. 이 이동은 연구 언어를 사용하여 실험실에서 개발된 AI 기법이 실세계 응용을 해결하기 위하여 여러 가지 범용 언어를 사용하여 구현되어야 할 것이라는 것을 의미한다. 이 책에서 보여줄 것처럼, 이 일은 생각하는 것만큼 만만한 것이 아니다.
C 를 통해 AI 의 분야를 연구하기 전에, 컴퓨터가 생각한다는 것이 무엇을 의미하는지 알아야 한다. 생각하는 컴퓨터라는 개념은 컴퓨터가, 생각하는 프로그램을 수행하고 있다는 것을 의미한다. 이 설명을 위하여 그리고 전통적인 용어와 호환이 있기 위해서 이 책에서는, 생각하는 프로그램을 지능적인 프로그램 (intelligent program) 이라 일컫는다. 그러나, 지능적인 프로그램 - 그러므로, 생각하는 컴퓨터 - 가 도대체 존재하는지 아닌지에 대한 많은 논쟁이 있다! 이 논쟁은 지능에 대한 정의가 해석되는 방법에 의해 부분적으로 결정되기 때문에 해결하기가 쉽지 않다. 각 결론의 근거가 되는 강력한 (그리고 때로는 감정적인) 논쟁들이 있다. 이 논쟁에서 생겨나는 문제는 지능적인 프로그램이 "지능적이지 못한" 프로그램과 어떻게 다른가 하는 것이다. 이 절에서는 이 논쟁들 중 몇가지를 연구한다 - 그러나, 스스로 그 결과를 결정해야 할 것이다.
지능적인 프로그램이 무엇인지 결정하는 것은 지능이 무엇을 의미하는지 안다는 것을 의미한다. 한 사전은 지능 (intelligence) 을 "사실과 명제와 그것들의 관계를 이해하고 그것들에 대하여 추론하는 능력" 이라 정의한다. 이러한 정의는 "추론 (reason) 이란 무엇을 의미하는가? " 란 질문을 하게 한다. 이렇게 보면, 생각 (think) 하는 것을 의미한다 - 여기에 문제가 있다! 오래전에, 사람들은 그들이 어떻게 (how) 생각하는지 설명할 수 없지만 그들이 무엇 (what) 을 생각하는지는 말할 수 있다는 말이 있었다! 사실은, 사람들은 그들이 어떻게 생각하는지 정말로 이해 못한다는 것이다. (만약 이해한다면, 컴퓨터에게 그것을 하도록 하는 일이 그렇게 큰 일은 아니다.)
지능의 정의에 대한 해석을 엄밀하게만 한다면, 모든 (all) 프로그램이 지능적이라고 주장할 수 있다. 다음을 생각해보자 : 지능의 정의의 첫 부분은 사실, 명제, 관계를 이해하는 능력이다. 컴퓨터는 놀랍게도 이런 유형의 일을 수행하는 데에 적당하다. 예를들어, 관계 데이터베이스는 정보를 저장 (이해) 하고, 질문 (명제) 을 받아들이고, 그리고 이름이 의미하듯이 관계를 표현할 수 있다. 확실히, 시각적 이미지와 같은 어떤 유형의 정보는 컴퓨터가 이해하기에 다른 것들보다 훨씬 더 어렵다. 하지만 지능의 정의는 이해가 특정한 형태를 취할 것을 요구하지 않는다 - 이해하는 것만을 요구한다. 그러므로, 컴퓨터가 보통 하는 것 - 정보를 모으고, 저장하고, 액세스 하는 것 - 은 지능에 대한 첫 번째 요구를 만족시킨다.
그러나 데이터베이스는 이러한 사실들을 가지고 추론 (reason) - 지능에 대한 두 번째 요구사항 - 할 수 있는가? 아마도 할 수 있다. 대답은 추론 (reason) 의 정의로서 받아들일 것에 의존한다. 데이터베이스의 정보 조작 - 탐색, 정렬, 질문 (query) 처리, 파일 처리 (filing) 등 - 이 만약 추론이라고 불릴 수 있다면, 데이터베이스가 지능적인 프로그램이라고 말해야 한다. 이것은 대부분의 컴퓨터 프로그램이 지능적이라는 것을 의미한다. 대부분의 컴퓨터 프로그램은 정보를 합리적이고 논리적인 방법으로 조작한다는 것을 기억해야 한다. 그러므로, 이런 형태의 추론은 지능의 자격이 주어져야 한다.
많은 사람들에게 이 결론은 받아들이기 어렵다. 사실상 모든 프로그램들이 인공지능의 분야에 속한다는 것을 의미한다 - 매우 사실이 아닌 의미. AI 위주의 프로그램의 특정 예에 대한 직관과 경험은 차이가 있다는 것을 알려줄 것이다. 그러나 그것은 무엇인가? 관계 데이터베이스가 생각하는 프로그램이라는 것을 받아들일 능력이 없음을 정당화하려고 한다면, 데이터베이스 프로그램이 하는 것이 사람이 생각하는 방식으로 생각하는 것과 비슷하지 않다고 믿기 때문에 그것은 생각하는 프로그램일 수 없다고 말할수 있다. 그러나, 그리고 나서 문서 정리원 (file clerk) 에 의해 행해질 때 정확히 같은 일 (exact same task) 은 분명히 그 정리원 쪽에 지능을 요구한다는 사실에 부딪친다. 그러므로, 모순이다 : 데이터베이스 프로그램이 일을 수행하면 그것은 생각하는 것이 아니다 : 그러나 만약 사람이 같은 일을 하면 그 사람은 생각하고 있다. 이 문제는 부분적으로는 자존심으로부터 생겨난다. 인간으로서, 아마도 특별하게 만든 것이 뇌이며 사람들은 인지적 사고에 대하여 독점하고 있다고 생각하고 싶을 것이다. 더 고등인 동물은 간단한 사고를 할 수 있고 원시적인 수준에서 추론도 할 수 있지만, 인간은 그것을 훨씬 뛰어넘는다는 것을 허용할지도 모른다. 그러나, 어떤 수준에서든 단순한 기계가 생각할 수 있다는 것은 불쾌한 생각이다. 그러므로, 어떤 영리한 프로그래머가 똑똑한 프로그램을 만들 때마다 다음과 같이 말하려는 경향이 있다. "글쎄, 정말 (really) 영리하지는 않아. 단지 영리하게 행동해." 이렇게 말하는 것은 사고에 대한 인간의 독점이 사라졌다는 것을 인정하는 것이 될 것이다!
이 문제를 보는 또 다른 방법이 여기 있다. 잘 훈련받은 개가 현관에서 주인의 신문을 찾아가지고 오면, 그 개는 영리하다고 말할 수 있다. 한 살짜리 어린아이가 같은 일을 하면 매우 영리하다고 말하기조차 한다. 그럼에도 불구하고, 정확히 같은 일을 수행할 수 있는 컴퓨터의 제어를 받는 로봇을 구성하는 것은 어려운 문제이다. 그러나, 대부분의 사람들은 로봇이 단순히 아침 신문을 가져올 수 있다고 해서 지능적이라고 말할 마음이 생기지 않을 것이다! 이 이유는 대부분의 사람들이, 신문을 가져오는 로봇은 단순히 프로그래머에 의해 만들어진 프로그램을 수행하는 기계이고, 로봇은 그 일에 대하여 생각하는 (thinking) 것이 아니라 단순히 그 일을 하는 (doing) 것이라고 말할 것이기 때문이다. (어떤 사람들은 실제로 로봇 프로그래머 - 시간과 공간의 거리를 두고 - 생각하는 일을 하고 있다고 말할 것이다.)
로봇과 신문의 예는 또한 사람들은, 그들이 어떻게 생각하는지 모른다는 사실로 돌아가는 어려운 문제를 일으킨다. 현관문에서 신문을 가져오는 프로그램은 알기 쉽기 때문에 (because), 프로그램이 이해할수 있는 것이기 때문에 지능적일 리가 없다고 말하려는 경향이 있다! 이것은 때때로 마술 원리 (magic principle) 라고 불린다 : 감정적인 수준에서, 대부분의 사람들은 생각하는 과정이 마술과 비슷하다고 생각한다. 그들은 사고 과정을 이해하지 못하기 때문에 그들은 인간에 의해 만들어지고 이해된 어떠한 장치도 인간이 그것을 이해하기 (do understand) 때문에 지능적일 수 없다고 잘못 가정한다. 본질적으로, 그들은 창조란 항상 창조자보다 못하다고 믿는다.
또한 자유의지 라는 골치아픈 문제가 있다. 역사를 통해서, 사고는 항상 자유의지 라는 개념과 관련되어 왔다 : 단지 생각할 의지 (will to think) 를 가진 실체만이 생각할 수 있다. 17 세기의 유명한 철학자 데카르트는 유명한 철학적인 말 "나는 생각한다. 그러므로 나는 존재한다." 를 썼을 때 생각이 그의 참된 존재를 증명한다고 주장했다. 이 개념을 어렵게 만드는 것은 로봇과 신문의 예에서, 아기와 개가 자발적으로 (다른 어떤 것을 하는 것과 반대되는 것으로서) 신문을 가져오는 것 같다는 것이다 : 그러나 로봇은 이를 하도록 프로그램 되었기 때문에 - 실제로 프로그램 때문에 신문을 가져와야 한다 - 다른 것을 할 수 없다. 그러나, 외관상 결정적인 장치인 컴퓨터는 어떤 것을 자발적으로 할 수 있는가? 이 질문은 21 세기의 철학적이고 논리적인 쟁점 중의 하나라는 것은 의심할 여지가 없다. 이 질문은 많은 사람들을 빨리 양극화 할 수 있다. "기계는 기계이다." 라고 확고하게 믿는 많은 프로그래머들이 있다 : 컴퓨터는 정신 - 단지 회로뿐 - 을 가지지 않기 때문에 자유의지를 가질 수 없다. 그러므로, 컴퓨터가 자발적으로 어떤 일을 하는 것, 특히 생각한다는 것은 불가능하다. 이것은 확실히 강력한 주장이다.
그러나, 반대 견해를 공유하는 다른 프로그래머들은 좀 더 설득력이 있다. 트럭에 있는 짐의 무게가 어떤 점에 도달할 때, 컴퓨터는 벽돌 싣는 컨베이어에서 꺼낸다. 컴퓨터는 규모를 줄이기로 결정했는가? 그렇다! 컴퓨터는 분명히 상황을 제어했고 무게가 어떤 수준에 도달했을 때 컨베이어를 멈추었다. 컴퓨터가 이 선택을 하지 않았다면, 누가 했겠는가? 이 논쟁의 옹호자들은 조건적 분기를 수행하는 컴퓨터의 능력이 결정을 할 능력을 구성한다고 진술한다.
컴퓨터는 생각할 수 있는가? 방금 주어진 예가 설명해 주듯이, 쟁점의 각 부분에 강한 견해가 있다. 이 점에서 논쟁이 아직도 계속되고 있다고 말하는 것이 가장 안전하다. 그러나, 이미 자신의 견해를 형성했을지도 모른다.
이점에서, 많은 사람들은 컴퓨터가 생각할 수 있는지 아닌지 그리고 프로그램이 지능적일 수 있는지 결정하는 것은 불가능하다는 것을 확신하다! 그러나, 어떤 예에서는 컴퓨터로 하여금 사람의 행동과 비슷한 행동을 나타나게 할 수 있다는 것을 명백히 보여준다. 주요 요점은 어떤 프로그램들은 정확히 지능적인 것 같다 (appear) 는 것이다. (그리고 실제로, AI 의 주제이다.) 앞 절에서 설명한 어려운 점은 실제로 지능 (intelligence) 을 정의하지 못하는 것과 관계있다. 사전적 정의에서 빠진 것은 지능 (intelligence) 이라는 용어는 인간의 지능을 의미한다는 것이다. 이러한 함축된 연관성은 기계가 생각할 수 있다든지 컴퓨터에서 수행하는 프로그램은 대부분의 프로그램이 사람이 하는 것과 같은 식으로 같은 일을 수행할 수 없기 때문에 지능적일 수 있다는 가능성을 인정하기 어렵게 만든다. 한편, 이 함축성을 배제하면, 지능적인 프로그램은 존재할 수 있다고 말하는 것은 쉽다. 만약 이 차이를 이해한다면, 지능적인 프로그램의 정의는 쉬워진다. 프로그램이 지능적인 것은 지능적으로 행동할 (act) 것을 요구한다 - 즉, 사람처럼 행동해야 한다. 사고 과정은 사람의 사고과정과 정확히 또는 항상 같을 필요는 없다. 그러므로, 지능적인 프로그램에 대한 정의를 여기에 제시한다 :
지능적인 프로그램은 유사한 문제에 부딪쳤을 때, 사람의 행동과 유사한 행동을 하는 것이다. 프로그램이 실제로 사람이 하는 것과 같은 방식으로 문제를 해결하거나 해결하려고 시도하는 것은 필요하지 않다.
프로그램은 사람처럼 생각하는 것처럼 보이는 한, 실제로 사람처럼 생각할 필요는 없다. (결국, 사람조차도 항상 같은 방식으로 생각하지는 않는다!) 그러므로, 지능적인 프로그램은 어떤 방식으로 사람같은 지능적인 행동을 나타내는 반면, 지능적이지 못한 프로그램은 그렇지 않다고 결론지을 수 있다.
인공지능의 분야는 여러 연구 분야로 구성된다. 이 중, 가장 흔하고 가장 중요한 분야는 다음과 같다.
전문가시스템 과 같은 몇몇 분야는 최종적인 응용 측면이다 : 자연언어처리와 해의 탐색과 같은 다른 분야는 다른 프로그램의 성능을 향상시키기 위해서 그 프로그램에 첨가되는 기초 (AI building block) 이다. 각 분야는 뒤에 오는 장들의 주제이다 : 그러나, 이 절에서는 각각을 간단히 설명한다.
AI 에서의, 탐색이라는 용어는 문제에 대한 해의 탐색 (searching) 을 말한다. (데이터베이스에서 특정한 정보를 찾는 것을 의미하지 않는다.) 예를들어, 두 도시 사이에 가장 짧은 경로를 찾으려고 시도하거나 또는 수학적 정리를 증명하는 프로그램에서 AI 위주의 (AI-based) 탐색을 사용할 수 있다.
전문가시스템은 AI 가 상업적으로 가치있게 생산한 최초의 산물이다. 전문가시스템은 두가지 주요 특성을 갖는다. 첫째, 주제에 대한 정보를 컴퓨터에 넣을 수 있게 한다. 이 정보는 때때로 지식베이스라고 불린다. 둘째, 이 지식베이스에게 질문할 수 있고, 그 주제에 대한 전문가인 것처럼 행동한다 - 이 때문에 이런 이름이 붙었다.
많은 AI 연구가들에게, 자연언어처리 (때때로 NLP 라고 일컬어짐) 는 컴퓨터로 하여금 인간의 언어를 직접 이해할 수 있게 하기 때문에 AI 가 이루려는 가장 중요한 목표이다. 이 목표를 이루는 데에 대한 가장 나쁜 장애물은 인간 언어의 크기와 복잡성이다. 더욱이, 컴퓨터로 하여금 가장 간단한 상황을 제외한 모든 상황에서 나타나는 문맥 정보를 알게 하는 문제가 있다.
패턴매칭과 패턴인식은 로보틱스와 이미지 처리를 포함하는 여러 실제 응용에 중요하다. 예를들어, 디지털화된 텔레비전 영상이 주어졌을 때, 컴퓨터는 한 물체가 끝나고 다른 물체가 시작하는 위치 또는 한 물체가 다른 물체의 위에 놓여 있는지를 어떻게 결정할 수 있는가? 자연언어처리 처럼, 패턴매칭과 패턴인식은 컴퓨터로 하여금 인간 세계와 직접 인터페이스하게 하는데 필요한 기능이다.
로보틱스에 응용될 때 AI 는 컴퓨터로 하여금 공간 추론 (Spatial Reasoning) 을 사용하여 움직임을 제어하게 한다. 자동차를 조립하는 것과 같은 산업 로봇에 대하여 AI 문제는 일단의 서로 다른 위치에서 주로 부드럽고 자연스런 움직임에 관계한다. 자율적인 로봇에 대하여, 기대 못한 사건, 변화하는 환경과 같은 장애물과 함께 인간의 세계와 인터페이스하는 더 어려운 문제들이 있다. 이 책에서는 주로 이런 유형의 로봇에 초점을 둔다.
AI 의 좀 더 재미있는 분야 중의 하나는 기계학습이다. 이 분야는 프로그램으로 하여금 자신의 실수, 관찰로부터 또는 요구에 의해 배우게 하는 것을 다룬다. 기계학습은 단순히 컴퓨터로 하여금 경험으로부터 뭔가를 얻을수 있게 하는 것을 의미한다.
현재 실제로 중요한 몇몇 AI 생산물 중의 하나는 논리의 표준 규칙을 적용함으로써 논쟁 (argument, 추론) 의 논리적 정당성을 연구하기 위하여 사용할 수 있는 프로그램들이다. 이 문맥에서 논쟁이라는 단어는 목표 (goal) 을 산출하는 논리적으로 연결된 문장을 말한다. 수학적 증명, 형식 논리, 그리고 연역적 논리, 철학적 논리를 포함한다.
대부분의 결정은 완전하지 못한 지식에 기초한다. 예를들어, 집을 살 때, 모든 배관이 견고한지, 지붕이 새지 않는지 등등을 알지 못한다. 사려고 결정한 것은, 사실일 어떤 확률 (probability) 또는 가능성을 갖는 여러 가지 가정에 기초한다. 컴퓨터가 같은 방법으로 생각할 수 있다는 것은 퍼지 로직 (fuzzy logic) - 즉, 불완전하거나 확률적 정보에 기초한 결정 - 사용을 포함한다.
C 는 사용중인 가장 인기있는 프로그래밍 언어 중의 하나이다. 프로그래머의 창조성을 제한하지 않고 구조화된 골격을 제공하고, 반면에 C 컴파일러는 매우 빠르고 효율적인 실행 프로그램을 일관성 있게 산출한다. 이런 이유와 다른 장점 때문에 많은 소프트웨어 패키지들이 C 로 쓰여졌다.
AI 연구에서 흔히 사용되는 언어들 중 하나를 아는 프로그래머들 보다 C 를 아는 프로그래머가 더 많기 때문에 AI 기법이 실세계에서 사용될 것이라면, C 로 코드화 되어야 한다는 것은 분명한 것 같다. AI 연구를 위하여 사용되는 언어가 연구에는 적절한 반면에 일반적인 프로그래밍을 위해서는 부적절하다. 예를들어, 프롤로그는 절차적인 프로그래밍 기능이 부족하다 - 필요로하는 것보다 더 어려운, 리스트에 숫자를 첨가하는 것과 같은 불편. 더욱이, 실제 응용에 프롤로그의 백트래킹이나 데이터베이스 기능이 필요하지 않으면, 그 기능들은 단순히 응용 프로그램이 계속 가지고 있어야 하는 "여분의 짐" 이다.
AI 의 모든 진보에도 불구하고, 중요한 기법들 중 컴퓨터 프로그래밍의 주류에 도달한 것은 거의 없다. 여기에는 두 가지 이유가 있다. 첫째, 대부분의 프로그래머들은 인공지능에 대한 형식적 배경을 거의 갖고 있지 않다. 둘째, 대부분의 AI 연구가 lisp 이나 prolog 같은 AI 특정 언어에서 행해지는 반면에, 회계 패키지나 워드 프로세서와 같은 실세계 응용의 대부분은 C 와 같은 범용 언어로 작성되었다. 더 복잡하게 하는 것은 대부분의 AI 언어들은 선언적인 (declarative) 인 반면, 범용 언어는 절차적 (procedural) 이라는 사실이다. 선언적 언어에서, 프로그래머는 컴퓨터에게 할 것을 알려준다 ; 절차적 언어에서, 프로그래머는 컴퓨터에게 그것을 하는 방법을 알려준다. 그러므로, AI 언어와 범용 언어는 프로그래밍 언어 스펙트럼의 반대편에 있으려는 경향이 있다.
C 와 같은 절차적 언어를 사용하여 구현될수 없는 AI 기법은 없다. 사실상, 어떤 루틴의 구현은 실제로 AI 언어에서 보다 C 에서 더 명백하다. 특별한 AI 언어가 처음에 만들어진 모호한 역사적 이유가 있을 뿐이다.
C 를 통해 AI 의 여러 가지 요소들을 구현하는 것을 배우면, 이 요소들이 필요로 하는 실제 응용의 큰 기초로 적용될 수 있기 때문에 중요하다. 많은 응용 프로그램들이 C 로 작성되어 왔고 앞으로 계속 작성될 것이다. 이 응용 프로그램들 중 대부분은 여러 가지 AI 위주의 기법을 추가함으로써 크게 향상 시킬 수 있다. 예를들어, 데이터베이스 경영자나 운영 체제는 더 나은 명령어 처리기를 만들기 위하여 자연언어처리기 "front-end" 를 사용할 수 있는 반면에, 회계 패키지나 세무 회계나 재고 관리에 사용자를 도울 수 있는 전문가시스템 모듈을 포함할 수 있다.
C 로 작성된 모듈을 AI 언어 (Turbo Prolog 같은) 로 작성된 것에 연결할 수도 있지만, 가장 바람직한 해결일 수는 없다. 첫째, 두 개의 다른 언어를 사용하는 것은 기본적으로 두 개의 다른 프로젝트를 유지해야 하기 때문에 더 많은 관리와 조절이 필요하다. 둘째, 별개의 AI 언어를 사용하는 것은 시스템의 원래 프로그래머가 그 언어를 배워야 하거나 다른 프로그래머를 고용해야 할 것이라는 것을 의미한다. 가장 좋은 방법은 AI 기본 기법을 응용 패키지의 원래 언어에서 요구되는 것이면 무엇이든 구현하는 것이다.
대부분의 AI 위주의 알고리즘은 기본적으로 하나 이상의 데이터베이스, 백트래킹 방법, 그리고 리스크 처리 방법을 필요로 한다. AI 에 대한 또는 많은 AI 위주의 루틴들이 구현되는 방법에 대한 배경이 거의 없다면, 이 세가지 특징들을 가져야 하는 중요성을 모를지도 모른다. 그러나, 이 기능들은 예를들어, 루프 제어문이 전통적인 루틴에서 중요한 것처럼 대부분의 AI 알고리즘에서 중요하다.
AI 위주의 프로시저는, 받아들이거나 발견하는 여러 정보를 저장하기 위해서 데이터베이스를 사용한다. 백트래킹은 개념적으로 더 복잡하다 : 루틴에게 어떤 문제에 대한 해를 발견하는 수단을 제공한다. 초기의 AI 연구자들은 리스트 처리 기능에 가치를 부여했고 지능을 만드는 데에 기초가 된다고 믿었다. Prolog 가 보여주었듯이, 리스트는 - 중요하지만 - 많은 응용 프로그램에서 동적 데이터베이스로 대체되었다. 그러나, 리스트는 여러 가지 유형의 루틴들에서 아직도 중요하다.
AI 언어들은 일반적으로 이 세가지 기능들에 대한 내장 지원 (built-in support) 을 제공했다. 그러나, 그것들을 C 로 확실히 구현할 필요가 있을 것이다. C 는 이 책에 있는 대부분의 AI 기법에서 요구되는 데이터베이스 기능, 백트래킹 기능, 리스트 처리 기능들을 직접 지원하지 않기 때문에 그것들을 지원함으로써 생성되는 것을 이해해야 한다.
이 책에 있는 대부분의 예는 배열 구조를 사용하여 데이터베이스를 구현한다. 그러나, 텍스트는 데이터베이스와 그것의 지원 루틴들을 "블랙 박스" 로 보기 때문에 실제로 어떠한 저장과 회복 기법도 적용할 수 있다. 책 전체를 통해서, 데이터베이스와의 모든 상호작용은 이후의 여러 장에서 개발될, 다음 기능을 통해서 구현한다.
|
기능 |
목 적 |
|
assert retract clear find match |
데이터베이스에 한 엔트리를 더한다. 데이터베이스로부터 한 엔트리를 제거한다. 데이터베이스로부터 모든 엔트리를 제거한다. 키를 사용하여 엔트리를 찾는다. 한 요소가 데이터베이스 안에 있으면 참이고, 아니면 거짓이다. |
기법들에 대한 대부분의 실세계 구현들은 동적 할당에 기초한 데이터베이스를 필요로 한다 : 그러나, 이 부가적인 오버헤드는 여기에서 요구하지 않고 알고리즘의 기본 연산만 설명한다. (이 기법들을 완전히 다룬 것은 Advanced C, by Herbert Schildt, Osborne/McGraw-Hill, 1986, 에서 찾을 수 있다.) 데이터베이스와의 모든 통신은 방금 나열된 함수들을 통해 이루어지기 때문에, 지원 프로시저를 변화시키기만 하면 된다. 또다른 데이터베이스 저장 기법을 사용하면 인터페이스를 같게 할 수 있다.
백트래킹 기능은 알고리즘으로 하여금 여러 경로 (추론 라인) 을 따라 문제에 대한 해를 찾을 수 있게 하기 때문에 많은 AI 루틴들에서 사용한다. 만약 루틴이 막다른 골목 (dead end) 에 이르면, 단순히 그 과정의 초기 위치로 백트랙하고 또다른 방식을 시도한다. 제 2 장에서는 해를 발견하기 위한 많은 백트래킹 예를 제시한다. 백트래킹은 기본적으로 스택중심의 연산이다. 이것은 자기호출 (recursive) 루틴을 사용하여 백트래킹을 구현할수 있다는 것을 의미한다.
이 책에서는 리스트가 문자 스트링이라고 가정한다. 각 스트링은 하나나 그 이상의 토큰 (tokens) 으로 구성된다. 여기서 토큰은 리스트의 어떤 나눌 수 없는 부분이다. 대부분, 토큰이 스트링에 나타나는 순서대로만 제거할 수 있다. 그러므로, 주요한 연산은 다음 토큰을 얻는 일이다. 이것은 토큰이 리스트로부터 제거된다는 것을 의미한다. 이 기법은 AI 의 전통적인 헤드와 테일 (head and tail) 개념을 지원한다. 여기서 리스트의 헤드는 다음 토큰이고 테일은 리스트에 남아 있는 것이다. C 의 표준 스트링 조작 함수 이외에, 리스트 연산에 대하여 다음 루틴을 필요로 한다. (필요할 때 수시로 개발함)
|
함수 |
목 적 |
|
get_token put_token |
리스트의 헤드로부터 다음 토큰을 리턴한다. 토큰을 리스트의 헤드에 리턴한다. |
이 장에서 제공하는 기초를 가지고, 이제 AI 의 매혹적인 세계를 탐구할 준비가 되었다.