3. 탐색(Search) 기반 방법
• 경로의 수. 9! = 362,880
• 결국 모든 경로를 대상으로 하여
가장 최선의 것을 찾는 것.
• 문제를 ‘탐색'가능한 형태로 변환한 후에 탐색!
• 탐색 공간(경우의 수)을 줄이기 위하여
• 경험적 지식(heuristic) 사용.
• Pruning 기법 사용.
• 그래도 여전히
• 탐색공간이 ‘무진장‘ 크기 때문에,
• 정해진 시간 안에 더 많은 공간을 탐색하기 위해
슈퍼 컴퓨터 사용. (여전히 문제)
• 그리고 효율적인 Heuristic 필요 (이것이 문제)
4. 탐색(Search) 기반 방법- 유전자 알고리즘 사용
https://youtu.be/Gl3EjiVlz_4
https://youtu.be/8vzTCC-jbwM https://youtu.be/QE3SSKBdI00
5. 그리고 크게 두 가지 approach
• 지식 기반 방식
• 전문가의 지식을 뽑아서 자동반복 모델로 변환 (ex. 전문가 시스템)
• 추론 및 지식표현 모델 사용
• 지식획득의 문제!
• 데이터 기반 방식
• 경험 데이터로부터 패턴과 지식을 스스로 적응적으로 추출 (학습)
• 분류, 군집, 연관 모델.
• 기계학습, 딥러닝 등 고차원의 ‘학습’ 및 ‘인식‘ 알고리즘 발전
• 최근 10년간 급성장.
• 충분한 고품질의 데이터 확보.
• 알파고는 16만개의 기보를 5주만에 학습했다.
• (3000만 가지 바둑판 상태 추출하여 데이터로 사용)
• 다양한 학습 모델과, 학습을 위한 고성능 컴퓨팅 등장.
• 알파고: CPU 1202개, GPU 176개.
• 학습된 모델을 실전 투입