알아가는 즐거움

얼굴 인식 기술을 다양한 분야에 활용한 사례가 보여서 소개한다.

Face Recognition Technology Comes to Malls and Nightclubs

얼굴 인식 기술을 활용한 광고 기법 하나. 라스베가스의 어느 카지노에는 그 앞에 가면 자동으로 고객에게 맞는 레스토랑을 추천해주는 서비스가 있다고 한다. 인텔의 Anonymous Video Analytics 기술을 사용한 것인데, 그 사람의 얼굴을 보고 성별과 나이대를 추정해서 그에 어울리는 곳을 추천해주는 것이다. 젊은 여성과 중년 남성의 취향이 같지는 않을 테니. 하나 더 재미있는 것은 센서를 써서 그 사람이 광고를 보고있는지를 판단하는 기능인데, 여러 사람이 있더라도 광고 디스플레이를 보고 있는 사람에게 타겟팅할 수 있겠구나. [계속 읽기]

기계적으로 말을 알아듣는 것에 만족하지 않고, 목소리에 담긴 감정까지 분석해서 활용하려는 다양한 연구들이 뉴욕타임스에 소개되었다. 스피드 미팅¹에서 각 사람의 목소리를 분석해서 그가 호의적인지 아니면 시시껄렁한 사람인지(friendliness and flirtatiousness) 분석하려는 연구가 있고, 또 목소리만 가지고 그 사람이 취했는지를 판별하려는 연구가 있다. 화난 목소리인지를 판단하는 것은 조금 쉬울 것 같기도 한데, 이 사람이 지금 개그를 날리고 있는지 알기는 어렵다고 한다 :) [계속 읽기]

1. 4-minute speed-dating session, CSI에서도 본 것 같은데, 남녀 여러 명이 짧은 시간 돌아가면서 얘기하고 최종 파트너를 정하는 그런 미팅인 모양 [↩]

테크놀러지리뷰 사이트에서 인공지능 관련 기사를 몇 개 발견했다. 나로서는 도저히 안 읽을 수 없게 만드는 제목들이다.

Google and Microsoft Talk Artificial Intelligence

구글의 피터 노빅(Peter Norvig)과 마이크로소프트의 에릭 호비츠(Eric Horvitz)에게 인공지능 관련 질문을 던지고 두 사람이 대답한 내용을 기사에 간단히 정리해놓았다. 두 명이 함께 인터뷰를 하다보니 일부러 다른 사람이 말한 내용과 중복되지 않게 얘기한 것 같기는 한데, 암튼 학습에 사용할 레이블링된 데이터가 없는 경우에 기계학습이 어렵지 않냐는 질문에, 한 사람은 Active Learning을, 다른 한 사람은 Reinforcement Learning을 해결책으로 제시한다. 최근에 본 인공지능 데모 중에 인상깊었던 것을 물으니, 한 사람은 Unsupervised Learning을 (구체적으로는 말하지 않았다. 근데 이것도 학습 데이터 부족에 대한 대안이 될 수 있겠다.), 다른 사람은 Apprentice Learning (learning by example)을 언급하면서, 조종사를 관찰함으로써 스스로 비행하는 법을 배우는 헬리콥터를 예로 든다. [계속 읽기]

우리는 별다른 수고 없이도 소리를 듣고 느끼지만 귀와 뇌가 없는 컴퓨터에게 공기의 진동으로부터 음악을 듣는 것은 특별한 노력이 필요한 일이다. 어렵긴 하지만 그래도 그럴 만한 가치가 있다. 기계가 음악을 들을 줄 알게 되면 무엇이 가능해지는지 이 동영상을 보자. 조유진(Yoo-jin Cho)이라는 분이 바이올린 협주곡을 연주하는 장면이다. 협주곡이라면 독주자(soloist)와 오케스트라가 함께 연주한다는 뜻인데, 오케스트라는 어디에 있을까? 바로 컴퓨터 속으로 들어갔다.

위의 링크는 Music Plus One이라는 프로젝트의 데모 영상이다. [계속 읽기]

기계학습, 통계적 추론(Statistical Inference)을 공부하다 보면 언젠가는 Bias-Variance Tradeoff라는 개념을 만나게 된다. 사실, 아무리 기를 써도 피할 수 없다 :) Bias의 사전적 의미는 “편이”, “선입견”, “편견”, “성향”, “치우침”, Variance는 “변화”, “편차”, “분산”이다. 기계학습의 문맥에서 이들의 의미는 ‘학습 모형이 입력 데이터에 얼마나 의존하는가’라고 이해하면 쉬울 것 같다. Bias가 높다 / 낮다는 말의 의미를 혼동하기 쉬운데, 내가 찾아낸 헷갈리지 않는 설명은 이렇다.

Bias, 즉 선입관이 크면, (좋게 말해서) 줏대가 있고 (나쁘게 말해서) 고집이 세기 때문에 새로운 경험을 해도 거기에 크게 휘둘리지 않는다. 평소 믿음과 다른 결과가 관찰되더라도 한두 번 갖고는 콧방귀도 안 뀌며 생각의 일관성을 중시한다. (High Bias, Low Variance) 반대로 선입관이 작으면, (좋게 말하면) 사고가 유연하고 (나쁘게 말하면) 귀가 얇기 때문에 개별 경험이나 관찰 결과에 크게 의존한다. 새로운 사실이 발견되면 최대한 그걸 받아들이려고 하는 것이다. 그래서 어떤 경험을 했느냐에 따라서 최종 형태가 왔다갔다한다. (High Variance, Low Bias) [계속 읽기]