인공지능 - 불확실성

불확실성

• 100% 확실한 정보나 지식을 얻는 것은 힘듦 -> 정보나 지식은 항상 어느 정도 불확실함
• 예) 헬스장에서 가서 운동할 때의 문제
  • 내가 원하는 기구가 없을 수도 있다.
  • 헬스장이 닫을 수도 있다.
  • 헬스장 회원권이 끝났을 수도 있다.
  • 나의 운동 자세가 틀린 자세일 수도 있다.

불확실성의 발생 이유

• 데이터의 불확실성 - 센서로부터 얻는 데이터는 장치의 측정 오류나 오차 때문에 완전하지 못함(인바디)
• 지식의 불완전성 - 전문가로부터 얻는 지식은 완전하지 않을 수 있음(운동 자세)
• 전문가들의 관점이 다른 경우 - 전문가들마다 의견이 다를 수 있음(데드리프트 라운드백 논란)
• 정보 획득의 불완전성 - 정보 자체를 모두 수집하거나 처리할 수 없기 때문에 불확실성이 발생(운동 자세에 대한 정보는 너무 많다)
• 부정확한 언어 - 인간이 사용하는 자연어에는 모호한 단어가 많음

베이지안

• 가설에 대한 주장에 대한 신뢰도 관점. 주관적인 추론을 바탕으로 만들어진 사전확률을 추가적인 관찰을 통한 사후확률로 업데이트 하는 방법으로 불확실성을 제거함
• 어떤 가설의 확률을 평가하기 위해 사전지식을 갖추고 관측결과를 기반으로 하는 가능도를 계산하여 앞서 설정한 사전지식을 보정하는 과정을 수행

인공지는 시스템에서의 불확실성 처리

• 믿음의 정도를 다루는 수학적인 도구는 확률 이론이다
• 베이지 추론
• 확신도

사전과 사후 확률

• 사전 확률
  • P(A),P(B) 등
  • 현재 가지고 있는 정보를 기초로하여 정한 초기 확률
  • 일찍 죽은 사람 중에 운동한 사람의 확률은?
• 사후 확률
  • P(A|B) = P(A^B)P(B)
  • 사건 발생 후에 어떤 원인으로부터 일어날 것이라고 생각되어지는 확률
  • 운동하면 일찍 죽는다. -> 운동하면 일찍 죽는 확률은?
  • 사후 확률P(A|B)  = 가능도P(B|A) * p(A)/p(B)

베이지 정리

• P(H) - 가설 H가 참일 확률
• P(-H) - 가설 H가 거짓일 확률
• P(E|H) - 가설 H가 참일 때 E일 확률
• P(E|-H) - 가설 H가 거짓일 때 E일 확률

베이지 정리의 단점

• 베이지 추론이 정확한 결과를 도출하려면 사전 확률과 같은 확률값이 존재해야 함
• 어떤 분야에서는 믿을만한 정보가 없어서 사전 확률을 산정할 수 없는 경우도 있음

확신도

• 베이지 추론의 대안으로 가장 잘 알려져 있는 것
• 전문가들의 신뢰도를 나타내는 수치
• -1.0~+1.0 수치 부여
• 확신도는 MYCIN이라는 전문가 시스템에서 사용
• MYCIN은 박테리아 감염을 진단하고 치료하는 전문가 시스템
• cf(H,E) = MB(H,E) - MD(H,E)
  • MB(H,E) = 긍정을 지지하는 정도
  • MD(H,E) = 부정을 지지하는 정도