HCI 커뮤니티는 continuous 타입과 proactive 타입의 human-AI interaction에 대해 아직 충분히 고려하고 있지 않습니다. 그러나 앞으로 사람들은 continuous 타입과 proactive 타입의 human-AI interaction에 대한 경험을 점점 더 많이 하게 될 것이므로, HCI 연구자들은 사람들이 새로운 경험에 걸맞은 mental model을 가질 수 있게끔 도울 필요가 있습니다. 사용자들의 mental model은 전통적인 turn-taking process에 맞춰져 있지만 이러한 모델은 continuous 타입과 proactive 타입의 human-AI interaction에는 적합하지 않기 때문입니다.
더보기 >> “Human-AI Interaction: Intermittent, Continuous, or Proactive” 해설
인포리언스와 AI프렌즈의 콜라보!!
딱딱한 기술 이야기를 넘어 우리 곁으로 성큼 다가온 인공지능을 재미있게 두드려 봅니다.
인포리언스의 기획, 그리고 훌륭한 AI프렌즈 멤버분들의 참여가 어우러져 즐겁게 인공지능 이야기를 풀어보았습니다.
일반적으로 문서들은 수많은 다른 문서들과 함께 존재합니다. 문서들로 구성된 공간이 만들어지는 것이죠. 따라서 하나의 문서는 문서들로 구성된 공간 상의 점이라고 할 수 있습니다. 문서 하나의 정보, 즉 점이 포함한 정보의 의미와 가치를 충분히 파악하려면 이 점이 위치한 좌표에 대해서도 알아야 합니다. 문서들로 구성된 공간에서의 위치와 맥락을 살펴봐야 한다는 의미지요.
…..
좌표 체계를 생성하고, 문서들로 구성된 공간을 위와 같이 그려 보니, 어떤 주제의 정보가 얼마나 들어있는지, 그리고 지식의 분포 패턴이 어떻게 나타나는지 대략적으로 파악할 수 있네요. 이런 정보는 검색 기능이 제공해 주지 않습니다.
더보기 >> 지식 추출 엔진의 현재와 미래가 궁금하다. (2)
기자회견장에 사람이 점점 없어지고, 각 채널의 터미널 로봇과 드론들만 늘어서 있는 모습을 본 이후로 벌써 몇년이 흘렀다. 그들은, 아니 그것들은 현장의 화면을 실시간으로 전송하고 기자회견이 끝나자마자 완벽한 기사까지 작성하여 배포했다. 무엇보다 놀라운 것은 채널 구독자들이 인공지능이 만들어 낸 기사를 더 선호한다는 점이었다.
더보기 >> The Shadow Reporter
문서 세트 안에 어떤 내용의 지식들이 얼마나 들어있는지 궁금할 때가 있습니다. 지식의 구조가 시간에 따라 어떤 흐름을 타고 변화해 가는지 알아보고 싶을 때도 있고요. 내가 필요로 하는 특정 정보가 지식 구조 내의 어느 위치에 있는지 알 수 있으면 더 좋을 것 같습니다. 문서의 양이 적다면 일일이 다 직접 확인해 볼 수도 있겠지만, 요즘 세상에 문서의 양이 그렇게 적을 리가 없지요. 설령 문서의 양이 적어 직접 다 읽어보는 것이 가능하다고 해도 일목요연하게 지식을 정리하는 게 쉬운 일은 아닙니다.
더보기 >> 지식 추출 엔진의 현재와 미래가 궁금하다. (1)
더보기 >> 인공지능을 잘 활용하려면 무조건 기술을 알아야 할까요? (shadowego.com)
더보기 >> 미디어를 생산하는 인공지능에 대해 생각해 봅시다. (shadowego.com)
꼭 기술개발을 해야만 인공지능과 관련된 일을 하는 것은 아닙니다. 누구나 인공지능에 대해 생각하고 고민해 볼 수 있습니다. 그리고 그래야만 합니다. 인공지능은 연구개발자들만의 전유물이 아니니까요.
이번 포스트는 연구개발특구진흥재단에서 발주하고 에이아이프렌즈학회 및 (주)에이프리카가 주관하는 2021년 AI 특성화기업 역량강화 지원사업의 일환으로 인포리언스가 수행한 (주)트레이더스의 파일럿 제작 지원 프로젝트의 결과를 바탕으로 구성하였습니다. 본 프로젝트에서는 복수의 해외 사이트들에서 수집한 공개 데이터를 활용하였음을 미리 말씀드립니다. 그리고 구체적인 데이터 처리 과정이나 구현 모델 등과 같은 자세한 사항들에 대해서는 이 글에서 모두 공개할 수 없다는 점도 미리 밝힙니다.
—
바쁜 출근 시간에 열차에 탑승하려고 하는데 열차가 제 시간보다 늦게 도착하여 짜증이 났던 경험을 하신 분들이 꽤 많으실 겁니다. 그래서인지 몰라도 열차 운행 데이터를 바탕으로 열차의 지연 정도를 정확히 예측하려는 시도를 하는 경우가 꽤 있더군요. 또한 열차의 운행 상태에 이상 패턴이 발생하면 최대한 빨리 탐지하는 것도 중요하지요. 안전을 위해서 빨리 조치를 취해야 하기 때문에 그렇고, 더 나아가 해당 열차를 타기 위해 기다리고 있을 승객들에게 상황을 빨리 전달하기 위해서도 그렇습니다. 생각해 보면, 열차, 플랫폼, 선로 또는 역 주변 상황에 이상이 생기면 열차의 운행 상태에 변화가 발생하게 되고 열차가 제 시간에 도착하지 못하게 될 가능성이 커지겠지요. 즉, 열차의 운행 상태와 지연 정도는 서로 뗄 수 없는 밀접한 관련이 있는 겁니다. 따라서 가장 먼저 열차의 운행 상태에 나타난 이상 패턴을 탐지하는 모델을 만들어 보고 이에 추가하여 열차의 지연 정도를 예측하는 모델을 구현해 본 결과를 살펴보겠습니다.
더 보기 >> 열차 운행 데이터에 인공지능을 끼얹으면?
“ShadowEgo는 기억을 저장할 때, 해당 기억과 관련된 느낌과 감정까지도 신호로 변환하여 저장하고, 그 기억을 다시 떠올릴 때마다 함께 검색, 재현되도록 설계되어 있습니다. 그러나, 아직 이 기술은 완벽하지 않지요.”
“석현님께서 느끼시는 부자연스러움은 ShadowEgo가 재현한 느낌과 뇌가 직접 기억해 낸 느낌 사이에 충돌이 발생하는 경우입니다. 사실, ShadowEgo에 대한 의존성이 높아지게 되어 감정과 느낌에 대한 직접 재생의 빈도가 많이 낮아진 사람들에게서는 발생하지 않는 현상인데요, 석현님은 뇌의 활용 정도가 매우 높은 듯 합니다.”
“서비스를 활용하기 시작할 때에는 그런 내용을 안내받은 적이 없는 것 같은데요.”
…
더보기 >> 또 다른 나와의 충돌
[…] https://inforience.net/2021/01/28/bias-ai/ […]