AI 과장에서 실질적인 성공 지표로의 전환

Seoul미국 에너지부의 프린스턴 플라스마 물리 연구소와 프린스턴 대학교의 과학자들은 기계 학습이 특정 유체 기반 수학 문제인 편미분방정식을 해결하는 데 얼마나 효과적인지를 연구했습니다. 연구 결과, 기계 학습이 자주 칭찬받기는 하나, 그 성능이 과장되는 경우가 많다는 것을 발견했습니다. 많은 경우 전통적인 방법이 여전히 더 우수하다는 것을 확인했으며, 연구원들은 기계 학습의 일관적인 오류를 지적하며, 그 성공을 측정할 수 있는 명확한 기준이 필요하다고 주장했습니다.

연구의 주요 관찰 결과는 다음과 같습니다:

• 편향된 비교가 종종 전통적인 방법보다 기계 학습 방법을 선호하는 경향이 있습니다.
• 부정적인 결과는 잘 보고되지 않아 과도하게 낙관적인 그림을 그립니다.
• 기계 학습이 때로는 약한 수치적 기준과 비교되어 성능 향상이 왜곡될 수 있습니다.

AI에 대한 기대가 종종 높지만, 이는 항상 현실적이지는 않습니다. 머신러닝은 때때로 더 빠를 수 있지만, 전통적인 수치해석 방법이 대개 더 정확하고 속도와 정확성의 균형을 잘 맞춥니다. 이러한 상충 관계를 이해하는 것이 방법의 효율성을 평가하는 데 중요합니다. 하지만 많은 학술 논문들이 이러한 상충 관계를 명확히 보여주지 않습니다. 머신러닝 기법을 덜 효율적인 수치해석 방법과 비교하며, 더 발전된 접근법의 잠재력을 가리는 경향이 있습니다.

더 읽기:

어제 · 오전 10:27

미국, AI 혁신 선도하며 중국 앞질러 - 스탠퍼드 보고서

긍정적인 결과만을 게시하는 것은 보고의 편향성을 초래할 수 있습니다. 과학 저널들은 종종 부정적인 결과를 무시하는 경향이 있습니다. 연구자들은 주목할 만한 발견을 출판하고자 하는 동기가 있어, 이를 위해 모델을 개선하는 데 집중하며 기존 최고의 방법과 철저히 비교하는 것은 소홀히 할 수 있습니다.

과학 연구를 강화하기 위해 머신러닝을 활용하려면 방법을 공정하게 비교하는 것이 중요합니다. 이는 ML 방법을 강력한 수치적 기준에 따라 테스트하고 결과를 정직하게 공유하는 것을 의미합니다. 연구 자금 제공 기관과 학술 행사들은 개방성을 촉진하기 위한 규정을 마련해야 하며, 이는 기준 선택에 대한 명확한 설명과 선택 이유를 요구하는 것을 포함합니다.

이 연구는 과학과 공학에서 인공지능의 활용을 진정으로 발전시키기 위해 더 강력하고 신중한 과학적 방법의 필요성을 강조합니다. 보다 세밀하고 철저한 평가를 통해 과장된 주장을 피하고 실제로 진보를 이룰 수 있습니다.