The limitations of deep learning
The Keras blog by Francois Chollet

딥러닝의 가장 기본적인 원리를 설명하고 딥러닝을 사람처럼 생각했을 때 발생할 수 있는 문제점을 언급하는 글.

예전에는 단순한 경사하강법을 활용한 매개변수 모델이 이렇게 놀라운 결과를 가져올 것이라고 예측하지 못했음. 딥러닝에서 모든 것은 벡터, 즉 기하학적 공간의 한 점이 됨. 어떤 데이터를 벡터로 만든 후 한 공간을 다른 공간에 매핑하는 복잡한 기하학적 변환을 학습. 하지만 추론이 필요한 영역같은 경우 딥러닝에서 멀리 떨어져 있는 영역. 글에서는 간단한 트릭을 통해 딥러닝 모델이 오분류하게 만드는 사례가 나옴

결론적으로 단순하게 매핑하는 딥러닝과 복잡한 인간의 능력에는 큰 차이가 있다는 이야기.

기억해야 할 것은 다음과 같습니다. 지금까지 딥러닝의 성공은 많은 양의 인간 주석 데이터가 주어지면서 연속적인 기하학적 변형을 사용하여 공간 X를 공간 Y에 매핑하는 기능이었습니다. 이 작업을 수행하는 것은 본질적으로 모든 산업 분야의 게임을 바꾸어놓았지만 인간 수준의 인공 지능으로는 아직 먼 이야기입니다. eng

Here’s what you should remember: the only real success of deep learning so far has been the ability to map space X to space Y using a continuous geometric transform, given large amounts of human-annotated data. Doing this well is a game-changer for essentially every industry, but it is still a very long way from human-level AI.