1. 레이더(Radar, RAdio Detection And Ranging) 레이더는 2차 세계대전 전후에 영국에서 개발한, 상대방의 전투기를 탐지하는 군사용 장비입니다. 당시 전쟁에서 독일의 움직임을 사전에 포착하는 큰 활약을 하죠. 영화에서처럼 눈에 보이지도 않을 정도로 멀리 있는 상대방 전투기의 위치가 레이더에는 보이죠. 레이더는 전자파를 쏘아올려 물체에 반사된 반사파를 측정합니다. 덕분에 보이지 않을 만큼 원거리에 있는 적도 감지할 수 있죠. 적을 조기에 발견하는 데 무척 유용해서 현대전에는 필수로 쓰입니다. 그리고 레이더는 이제 자율주행차에도 필수입니다. 자율주행차에서 레이더는 반사된 전자파를 분석해 많은 정보를 알아낼 수 있죠. 전자파는 빛의 속도로 나아가 순식간에 물체를 인식할 수 있고 야간..
1. 움직이는 컴퓨터가 되어버린 자동차 자율주행차는 하지 말아야 할 행동을 절대로 하지 않습니다. 언제나 운전에만 집중하죠. 2020년 1월 공공도로에서 구글의 자율주행차 웨이모는 약 3200만 km 이상을 달렸습니다. 지구둘레를 800바퀴 돈 거리죠. 2019년부터 21개월 동안 공공도로에서 600대의 자율주행 차량이 테스트 운행을 했지만 접촉사고는 18건밖에 일어나지 않았습니다. 사고는 대부분 다른 운전자나 보행자의 실수였고, 생명을 위협하는 심각한 부상으로 이어지는 사고는 단 1건도 없었습니다. 아직 상용화 단계가 아닌 개발 중인 시험차의 결과가 이 정도입니다. 그렇다면 자율주행차는 어떤 방식으로 운전대를 조작할까요? 1994년 우리나라 최초의 자율주행차 논문을 고려대 연구실에서 발표했습니다. 이때..
1. 자율주행의 시작 2004년 3월 캘리포니아 남동부 모하비사막에 수십대의 자동차가 늘어섰습니다. 240km를 질주하는 다르파 그랜드 챌린지에 참가하기 위해서였습니다. 그런데 출발부터 심상치가 않았습니다. 차량 2대는 출발선에 서보지도 못하고 철수해야했고, 1대는 출발과 동시에 거꾸로 뒤집혔습니다. 희한하게 생긴 자동차도 많았습니다. 게임에서나 볼 법한 버기카, 방금 화성에서 돌아온 듯한 큐리오시티를 닮은 탐사차도 있었습니다. 마치 영화 에 등장하는 차량들이 모여있는 것 같았습니다. 심지어 오프로드용 오토바이도 있었습니다. 그런데 이 오토바이는 상단에 AMD 서버를 장착하고, 내부에는 자이로스코프를 장착해 운전자 도움 없이도 오토바이가 스스로 균형을 잡을 수 있도록 설계되어 있었습니다. 이 오토바이는 ..
1. 알파고 제로, 더욱 바둑 실력을 갈고 닦다 알파고와의 대국은 2016년 당시 TV에서 생중계할 정도로 유명한 이벤트였고 알파고는 우리에게 깊은 인상을 남겼다 알파고는 이세돌을 꺾고 최고의 자리를 차지하였지만, 구글 딥마인드는 계속해서 알파고를 개선해나갔고 알파고 제로(AlphaGo Zero)가 등장하였다 기존 알파고는 학습을 수행할 인간 바둑기사의 기보가 필요하며 이를 습득해 실력을 키웠다 그러나 알파고 제로는 처음부터 자신과의 대국을 통해 실력을 쌓아나갔다. 완전히 무에서 시작한다고 하여 알파고 제로라는 이름을 부여했다. 알파고 제로는 매일 100만 대국을 휴식 없이 치를 수 있었다. 인간이라면 8살부터 80살까지 72년간 매일 다섯 차례씩 평생 대국을 해야 비로소 13만 대국을 둘 수 있는데, ..
1. 몬테카를로 트리 탐색, 알파고가 생각하는 방법 이제 알파고가 학습한 것을 바탕으로 어떤 과정을 거쳐 착수를 하는지 알아보자. 이때는 앞서 설명했던 몬테카를로 트리 탐색을 활용한다. 몬테카를로 방법은 무작위로 샘플링하여 정답을 찾는 방식이다. 5000만 국민의 선거 결과를 알기 위해 전수조사하는 대신 무작위로 5만 명 정도만 조사해도 비슷한 결과를 낼 수 있는 것과 마찬가지다. 바둑의 경우로 다시 한번 생각해보자. 1) 바둑은 탐색해야하는 게임 트리가 엄청나게 크다. 2) 게임 트리를 전부 탐색하는 것은 불가능하다. 3) 일부만 무작위로 샘플링하여 탐색해도 비슷한 결과를 낼 수 있다. 이런 방식으로 몬테카를로 방법을 바둑 인공지능에 도입하자 실력이 급상승하기 시작했다. 그러나 몬테카를로 방법에도 엄연..
1. 정책망(policy network), 어디에 돌을 놓아야하는가? 정책망은 사람이 만든 기보를 이용하여 학습한다. 학습에 사용한 데이터는 KGS라는 바둑 사이트에서 가져왔으며 6단 이상의 고수의 기보만 사용했다고 한다. 얼핏 생각하면 9단 기사의 데이터를 사용하면 가장 바람직하겠지만, 그러기에는 데이터의 수가 부족했다. 알파고 개발자는 데이터의 수가 충분하면서도 좋은 기보 수준을 6단으로 정했던 것이다. 각 데이터는 바둑판의 상태와 해당 상태에서 실제로 다음번 바둑알을 둔 곳의 위치를 함께 쌍으로 구성되었고 (그러니까 (바둑판의 상태,다음번에 바둑알을 둔 위치)로 데이터가 주어진다는 말인듯) 정책망은 약 16만회의 게임에서 총 3000만 수를 가져와 학습했다. 학습을 마친 정책망은 바둑판의 현재 상태..
딥러닝/머신러닝, 통계학, IT프로그래밍, 알고리즘을 좋아하는 사람 https://github.com/yundaehyuck
