이번 인공지능 국제 심포지엄에는 구글 딥마인드의 알파고에 대한 관심 때문인지 많은 사람들이 모였다. 인공지능 분야의 여러 전문가가 관련 연구에 대해 발표를 하였는데 그 중 MIT 뇌·인지과학과 Tomaso A. Poggio 교수의 발표가 개인적으로 가장 유익했던것 같다. Poggio 교수는 현재 인공지능이 성능향상을 하면서 사람의 고유 영역으로 알려져 있는 분야까지 컴퓨터 알고리즘이 성과를 내기 시작하였지만, 여전히 한계점이 있고 그 한계점을 극복하는것이 앞으로 인공지능 연구가 나가야 할 방향이라고 제시하였다. Poggio 교수가 지적한 현재 인공지능이 가진 한계점은 모델이 학습을 하는데 있어 많은 데이터가 필요하는 것이다. 예를 들어, 자동차를 인식하는 과정을 사람과 인공지능을 비교하면 사람은 하나의 자동차 사진만 주어져도 추론을 통해 새로운 형태의 다른 자동차가 주어졌을 때 이것이 자동차인것을 인지할 수 있다. 하지만 인공지능 모델은 이러한 추론이 불가능하여 가능한 많은 자동차 사진을 입력하여 이것이 자동차라는 것을 학습시켜야 한다. 인공지능이 해결하려는 분야가 항상 데이터가 많으면 좋겠지만, 적은 수의 데이터만 가용한 경우도 많기 때문에 앞으로의 인공지능은 스몰데이터로 학습 가능한 모델을 지향점으로 삼아야 한다는 것이다. 

Poggio 교수의 경우에는 뇌과학을 통해 사람의 학습 과정을 모방하여 이러한 한계점을 극복하고자 노력하고 있다. 개인적으로 딥러닝을 연구하고 있어 많은 수의 학습 데이터가 필요하다는 점이 큰 제약이 되는 경우를 경험하여 Poggio 교수의 발표를 들으면서 어떻게 하면 이러한 한계점을 극복할 수 있을지 곰곰히 생각해 봤다. 어쩌면 generative 모델의 한 종류인 RBM을 이용하여 적은 샘플을 학습시키고, 이 RBM을 이용하여 인위적인 학습 sample을 생성하여 더 많은 학습데이터를 확보하고 이를 다시 지도학습하는 과정을 거치면 가능하지 않을까라는 가설이 떠 올랐다. 개인적인 연구가 어느정도 마무리 되면 시도를 해봐야 겠다. 

Poggio 교수의 발표 슬라이드 중에 이런 문구가 있었다. "Today's science, tomorrow's engineering". 과학과 공학을 학부와 대학원에서 공부한 경험을 토대로 상당히 일리가 있는 말로 다가왔다. 현재 공학분야에서 공부하고 있지만, 앞으로의 미래의 공학을 위해 어디에 무게중심을 두고 공부해야 하는지 알려주는 말 같았다. 시간을 투자해서 인공지능 국제 심포지엄에 오길 잘 했다는 생각이 들었다.