[학회 후기]

진행 중인 연구 proceeding 발표를 위해 런던에서 이틀간 진행된 Intelligent Systems Conference (IntelliSys) 2019에 참석하였다. 기계학습과 인공지능 기술의 이론을 건드리기보단 산업 전반에 걸쳐 그 기술이 어떻게 다양하게 응용되고 있는지 보고 들을 수 있는 자리였다. 여태 참석한 다른 학회들에 비해 네트워킹에 상당히 공을 들인 느낌을 받았고, 모든 키노트 발표들이 상당히 인상적이었다. 신기하게도 우리를 포함한 동아시아인이 10명 남짓 밖에 없었는데, 진정한(?) 영어권 국가에서의 영어 발표를 경험할 수 있는 좋은 기회였다고 생각한다.

[청취 후기] Development of Real-Time ADAS Object Detector for Deployment on CPU

객체탐지(Object Detection) 모델의 배포 단계에선 객체의 정확한 탐지뿐만 아니라 빠른 추론 속도까지 확보해야 한다. 인텔의 연구진이 발표한 본 연구에선 SSD와 같은 one-stage object detector 모델들을 대상으로 CPU에서 빠른 추론이 가능한 네트워크 구조와 학습 방식을 제안하였다. 개인적으로 이 발표가 인공지능 기술을 실제 산업에 적용하는 과정에서 필연적으로 등장하는 문제점을 다루면서 본 학회의 특색을 가장 잘 보여주지 않았나 생각한다. 또한 최근 구글, 페이스북, 엔비디아 등에서 공개하는 고성능 모델들은 모두 엄청난 양의 컴퓨팅 자원을 요구하는데, 막강한 기업의 자본이 뒷받침해주지 않는 이상 일반 사용자들은 그 모델들을 테스트해보는 것조차 쉽지 않다. 이와 같은 필요성에 따라 최근에는 일반 PC에서도 손쉽게 실행할 수 있는 경량화된 모델을 개발하는 연구가 활발히 진행되고 있으며 크게 Knowledge Distillation, Network Pruning, Model Quantization으로 나뉜다. 연구의 측면으로 봤을 때 Knowledge Distillation 쪽이 우리 연구실에서 시도해볼만한 분야가 아닐까 싶다.

[발표 후기] Opponent Modeling Under Partial Observability in StarCraft with Deep Convolutional Encoder Decoders

현실세계의 축소판으로 불리는 스타크래프트는 자원 채취, 건물 건설, 병력 생산 및 전투 수행에 대한 전략적 의사결정을 요구하는 대표적인 실시간 전략 게임이며, 높은 수준의 인공지능 에이전트 개발을 위한 환경으로 많은 각광을 받고 있다. 스타크래프트 인공지능 에이전트 개발이 어려운 이유 중 하나는 상대방의 전략에 대한 정보가 게임의 안개에 가려져 제한적으로 주어지기 때문이다. 이처럼 아군 유닛의 시야가 닿지 않는 지역에 대한 정보를 확인할 수 없는 ‘전장의 안개’ (fog-of-war) 상황은 게임의 불확실성을 높이는 가장 큰 요소로 작용한다. 본 연구에서는 정찰을 통해 수집된 제한된 정보만을 이용하여 안개에 가려진 상대방 유닛들의 위치와 개수를 추정하는 합성곱 오토인코더 (convolutional autoencoder) 모델 구조를 제안하였다. 나아가 제안하는 모델의 성능 및 실효성을 검증하기 위해 (1) 미확인 정보 추정 결과를 시각화하고, (2) 합성곱 오토인코더를 활용하여 경기 내 주요 시점의 전투 가치 판단 모델 학습 및 평가하는 실험을 진행하였다. 준비한 것을 모두 보여주진 못했지만 만족스러운 발표를 했다고 생각한다. 발표에 대한 부담을 덜 느끼고 즐기는 편이지만 주어진 시간 안에 중요한 내용을 빠짐 없이 전달하기 위해 이례적으로 대본까지 적어가며 준비하였다. 다행히 발표 중에 확인한 청중들의 표정을 보며 ‘내가 잘 전달하고 있구나’라는 느낌을 받으며 무사히 마무리할 수 있었다. 발표가 끝난 이후 예상했던 범위 내에서 질문이 나와서 큰 어려움 없이 답변할 수 있었다. 한국에선 아무래도 영어로 대화할 기회가 많지 않아 따로 노력하지 않으면 점점 영어 실력이 퇴보할 것 같다. 강제로라도 시간을 내어 영어공부를 따로 해야 할 필요성을 크게 느낀다.