Cover Story
현대자동차가 로봇 AI 연구소를 설립하는 이유
현대자동차는 2021년 6월 보스턴 다이내믹스를 인수했습니다. 보스턴 다이내믹스는 로봇개와 전투용 로봇을 만들어 세간의 화제가 된 적이 있는 유명한 로봇 회사입니다.
현대자동차는 로보틱스와 자율주행을 미래를 이끌 분야로 보고 투자를 아끼지 않고 있습니다. 보스턴 다이내믹스를 인수한 이유도 바로 그런 목적 때문입니다.
그리고 지난 12일, 현대자동차는 미국에 로봇 AI 연구소를 설립하겠다고 발표하였습니다. 여기에 출자한 비용은 무려 4억 2400만 달러, 한화로 약 5500억원입니다.
로봇 AI 연구소의 이름은 보스턴 다이내믹스 AI 연구소(Boston Dynamics AI Institute)로 예정되어 있습니다. 보스턴 다이내믹스의 CEO 마크 레이버트가 연구소장으로 겸임하고요.
로봇 AI 연구소는 보스턴과 가까운 미국 메사추세츠 주 케임브리지에 설립됩니다. 이 지역에는 MIT, 하버드 대학 등이 위치하고 있어 산학 협력과 인재 확보에 유리합니다.
로봇 AI 연구는 기존 AI 연구보다 한 걸음 더 나아갑니다. 기존 AI 연구는 모델을 개발하는 데 집중하는 반면 로봇 AI 연구는 모델뿐만 아니라 모델로 로봇의 움직임을 제어하는 것까지 고려해야 합니다.
로봇 AI 연구소의 목적은 크게 4가지입니다. 인지 AI(Cognitive AI), 운동 AI(Athletic AI), 유기적인 하드웨어 디자인(Organic Hardware Design) 그리고 로봇 윤리와 정책(Ethics and Policy)입니다.
현대자동차는 로봇 AI 연구소를 설립하면서 AI 기술력을 확보하여 로봇의 수준을 한 단계 뛰어넘을 수 있기를 기대하고 있습니다. 과연 현대자동차의 꿈은 이루어질 수 있을까요?
인공지능은 삶에 도움이 될 때 비로소 의미가 완성된다고 생각합니다. 인간의 한계를 뛰어넘고, 인간의 부족한 부분을 채워줄 수 있는 인공지능 로봇이 계속 개발되기를 기대합니다.
deep daiv. 새로운 글
소셜 네트워크와 데이터 마이닝 기법을 활용한 학문 분야 중심 및 융합 키워드 추천 서비스
우리 생활 곳곳에 추천 시스템 및 서비스가 스며 들어있다는 것은 앞선 글에서 살펴보았죠. 추천 시스템의 기본적인 방법인 콘텐츠 기반 필터링, 그리고 협업 필터링에 대해서도 알아보았습니다. 오늘은 조금 다른 방식으로 추천 서비스에 접근해보려고 합니다.
바로 데이터 마이닝 기법을 활용하여 추천 서비스를 구현하는 것입니다. 논문 검색과 같은, 조금은 생소한 분야에 대해서 적용하였습니다. 데이터 마이닝 기법으로 소셜 네트워크의 형태를 띄는 키워드를 제시하고, 사용자에게 적절한 키워드를 추천하는 것인데요. 키워드를 기준으로 연간 관계를 분석하는 것이 키 포인트 입니다. 논문에서는 지지도 및 신뢰도를 계산하는 방법과 이들을 기준으로 동시출현 빈도가 높은 키워드 쌍을 추출하는 방법에 대해서 구체적으로 다루고 있으니, 꼭 살펴보시길 바랍니다
파이썬을 활용한 데이터 사이언스 - 정치 성향 분석하기
진보 언론사 JTBC, 보수 언론에 채널 A의 ‘대통령 취임식 라이브 영상' 댓글을 비교했습니다. 영상은 댓글 허용 여부, 유튜브 채널 구독자 수 및 영상 조회수를 기준으로 선정하였습니다.
1.
영상 댓글 크롤링
2.
불용어 설정 및 형태소 분석(형태소 단위, 명사 단위 분석) → 아티클 내에 구체적인 형태소 분석 라이브러리 및 방법이 나와 있으니 살펴보세요!
3.
데이터 시각화 (워드 클라우드) → 워드클라우드는 텍스트 내에서 단어가 언급된 빈도 순으로 크기를 다르게 하여 단어의 중요도를 시각화는 방법입니다.
분석 결과, 실시간 라이브 영상은 진보 혹은 보수 진영의 충성도를 반영하지는 않았습니다. 두 채널 모두 공통적으로 “김건희" 단어가 두드러지게 나타난 것을 확인하였습니다. 이를 통해 댓글 데이터들의 전반적인 맥락은 비슷하지만, 특정 키워드의 언급량에서 세부적인 차이가 존재한다는 결론을 내리게 되었습니다.
이번 아티클을 한 번 읽어보시고, 흥미가 있는 다른 주제를 이용해 실습해 보면 더욱 유의미한 시간이 될 것 같습니다
Weekly AI ArXiv
여기서 소개된 논문은 아래의 깃허브에서 소개된 논문을 일부 정리한 것입니다.
Semi-Supervised Vision Transformers at Scale
데이터에 레이블을 부여하고 그 레이블을 예측하는 지도 학습(Supervised Learning) 방식은 오랫동안 다양한 분야에서 활용되어 왔습니다.
딥러닝이 고도화될수록 더욱 많은 데이터가 필요한데, 이때 데이터를 구축하는 데에도 많은 비용이 들어갑니다. 특히 레이블이 달린 데이터는 더욱이요.
그래서 레이블이 있는 데이터로 학습한 모델로 레이블이 없는 데이터에 레이블을 부여하여(Pseudo-Labelling) 학습데이터를 늘린 뒤, 증강된 데이터를 포함하여 학습에 활용하는 Semi-Supervised Learning 방법이 최근 빈번하게 활용되고 있습니다. 그리고 이번에 ViT에도 Semi-Supervised 방식이 적용되었습니다.
문의사항 manager@deepdaiv.com
