▲ 이공학적 설계를 위한 인공지능 최적화.(이인호 지음 | 출판사 북스힐 | 2023년 4월 출판)

가장 먼저 저자는 인공지능/최적화 기법이 이공학적 설계에 왜 필요한지 설명한다. 2012년 이후 인공지능 기술이 각광받는 이유를 자세히 설명한다. 뿐만 아니라, 저자는 인공지능 기술 발전의 과학적 의미를 따진다. 우리는, 왜, 지금, 인공지능에 몰두하는지 설명한다. 그 다음, 저자는 ‘아나콘다’ 설치(즉, 파이썬 개발 환경)와 더불어 ‘주피터 노트북’을 활용하는 방법을 소개한다. 저자는 다양한 실습을 통해서 인공지능 기술의 유용성을 독자 스스로가 깨우치기를 희망한다. 아래 URL에서 책에 나오는 실습 프로그램들을 볼 수 있다.
https://github.com/inholeegithub/summer2022/blob/main/ML/20210107/20230422_ai_optimization_design_wo.ipynb

딥러닝 필수 항목, 2012년 AlexNet에서 사용되었던, relu 함수, dropout, CNN, Cuda, data augmentation, multi layers 등 주요 항목을 각각 살핀다. 과거, 인공신경망에서 학습이 어려웠던 문제점을 예제를 통하여 직접적으로 지적한다. 또한, 과적합(overfitting) 문제를 해결할 수 있음을 보여준다. 즉, 학습하지 않은 데이터에 대해서도 개발된 모델이 좋은 추론을 할 수 있음을 보여준다.

세 번째, 책에서는 기본적인 regression, classification 방법들(discriminant models)에 대해서 실습을 진행한다. ‘X,y’를 동시에 필요로 하는 데이터에 대해서 실습한다. ‘X→y’ 사이의 인과관계에 집중한다. 특히, 트리 기반 알고리즘들의 우수성에 대해서 토의한다. 다시 말해서, 특성 중요도(feature importance)를 쉽게 뽑아 볼 수 있고, 해당 알고리즘이 ‘화이트 박스(white box)’에 해당함을 설명한다. 저자는 인공신경망 구조가 ‘블랙박스(black box)’라는 것과 잘 대조가 됨을 명시적으로 지적한다.

네 번째, 연속적으로 변화하는 물리량들(음악, 이미지)에 대한 딥러닝(deep learning, 심층학습)의 유용성에 대해서 토의한다. 특히, 딥러닝을 활용한 생성모델(generative models)의 유용성에 대해서 토의한다. ‘X,y’를 동시에 필요로 하는 discriminant models과 달리, ‘X’만 필요로 하는 생성모델에 대해서 학습한다. 저자는 생성모델이 이공계 문제 풀이에 어떻게 적용될 수 있는지에 대해서 토의한다. 저자는 ‘차원의 저주(curse of dimensionality)’를 예를 들어 자세하게 설명한다. 아울러, 데이터의 압축이 가지는 의미를 자세히 설명한다. Monte Carlo dropout을 활용한 베이즈 추론(Bayesian inference)에 대해서 논의한다. 저자는 데이터가 추가됨에 따라서 더 합리적인 추론(축차합리성)이 수행할 수 있음을 보여준다. 딥러닝 방법이 어떻게 이미지 처리에 활용되는지 자세히 토의한다. 저자는 노이즈 제거, 초고해상도 화질을 어떻게 얻어내는지를 실습을 통해서 설명한다.

다섯 번째, 이공학적 설계 문제풀이에 도전한다. 이를 위해서, simulated annealing, particle swarm optimization, genetic algorithms, replica-exchange algorithm (super simulated annealing)등 매우 다양한 최적화 방법들을 소개한다. 저자는 기존의 전통적인 방법으로 풀지 못한 이공학적 문제를 풀 수 있는 하나의 방법으로 인공지능/최적화 기술을 지목한다. 저자는 자신의 논문, 특허, 기술 이전 사례를 간략하게 소개한다.

[이인호(한국표준과학연구원 책임연구원)]