Curiologist K

전 세계 공항에서 매일 수백만 명의 승객이 여권을 꺼내지 않고도 게이트를 통과한다. 얼굴 하나만으로. 얼굴 인식 기술은 이미 우리 일상 깊숙이 들어와 있지만, 정작 그 안에서 무슨 일이 벌어지는지 아는 사람은 많지 않다. 카메라가 얼굴을 '읽는' 방식은 우리가 상상하는 것보다 훨씬 정교하고, 동시에 훨씬 취약하다. Photo by MChe Lee on Unsplash 얼굴 인식 기술이란 무엇인가 — 단순한 사진 비교가 아니다 픽셀이 아니라 '구조'를 읽는다 얼굴 인식은 두 장의 사진을 나란히 놓고 '비슷해 보이냐'를 판단하는 게 아니다. 시스템은 얼굴의 기하학적 구조를 수치 데이터로 변환한다. 눈 사이의 거리, 코의 길이, 턱선의 각도, 광대뼈의 돌출 정도 같은 수십 가지 측정값이 하나의 숫자 벡터로 압축된다. 이 벡터를 '얼굴 임베딩(face embedding)'이라고 부른다. 두 얼굴이 같은 사람인지 판단할 때, 시스템은 두 임베딩 벡터 사이의 수학적 거리를 계산한다. 거리가 특정 임계값 이하면 '동일 인물'로 판정한다. 이 방식 덕분에 조명이 바뀌거나 나이가 들어도 어느 정도 인식이 가능하다. 놀라운 사실 하나: 현대 얼굴 인식 시스템 중 일부는 얼굴의 어느 부분을 보는지 스스로도 설명하지 못한다. 딥러닝 모델이 훈련 과정에서 인간이 예상하지 못한 패턴을 학습하기 때문이다. 귀 뒤쪽 피부 질감이 식별에 영향을 준다는 연구 결과도 있다. 1:1 인증 vs 1:N 식별 — 목적이 다르다 얼굴 인식에는 크게 두 가지 용도가 있다. 스마트폰 잠금 해제처럼 '이 사람이 등록된 그 사람인가'를 확인하는 1:1 인증(verification)과, 군중 속에서 특정 인물을 찾아내는 1:N 식별(identification)이다. 전자는 상대적으로 정확도가 높고 오류가 적다. 후자는 데이터베이스 규모가 커질...

자율주행차가 '미래 기술'처럼 느껴진다면, 이미 늦었다. 웨이모의 로보택시는 샌프란시스코와 피닉스 도심을 운전기사 없이 수백만 킬로미터째 달리고 있다. 문제는 '언제 가능해지냐'가 아니라, '어떻게 작동하는가'다. Photo by Sulav Jung Hamal on Unsplash 자율주행차란 정확히 무엇인가 — 레벨 0부터 레벨 5까지 자동화 단계를 나누는 국제 기준 자율주행을 이야기할 때 가장 먼저 알아야 할 건 'SAE 레벨'이라는 분류 체계다. 미국자동차공학회(SAE)가 정의한 이 기준은 레벨 0(완전 수동)부터 레벨 5(완전 자율)까지 6단계로 나뉜다. 현재 시중에 판매되는 대부분의 '자율주행' 기능은 레벨 2에 해당한다. 레벨 2는 차선 유지와 속도 조절을 동시에 처리하지만, 운전자는 항상 핸들에 손을 올려야 한다. 테슬라의 오토파일럿이 대표적인 예다. 반면 레벨 4는 특정 구역 내에서 운전자 개입 없이 완전히 스스로 움직인다. 웨이모가 여기에 해당한다. 레벨 5는 어떤 도로, 어떤 날씨, 어떤 상황에서도 인간 없이 작동하는 단계다. 아직 어떤 회사도 상용 레벨 5 차량을 출시하지 못했다. 그리고 솔직히 말하면, 업계 전문가들 사이에서도 레벨 5가 언제 가능할지에 대한 의견은 크게 엇갈린다. AI Generated · Google Imagen 자율주행차가 세상을 보는 방법 — 센서와 인식 시스템 라이다, 레이더, 카메라의 역할 분담 자율주행차의 눈은 세 가지 기술의 조합으로 이루어진다. 라이다(LiDAR)는 레이저 펄스를 사방으로 쏘아 주변 환경의 3D 지도를 실시간으로 만든다. 초당 수백만 개의 점을 찍어내는 방식이다. 레이더는 전파를 이용해 물체의 속도와 거리를 측정한다. 안개나 폭설 속에서도 작동한다는 게 핵심 장점이다. 카메라는 차선, 신호등, 표지판처럼 색상과 형태 정보가 필요한 ...

갓 태어난 아이가 걷는 법을 배우는 과정을 생각해보자. 아무도 '왼발을 35도 각도로 들어올려라'고 가르치지 않는다. 그냥 넘어지고, 다시 일어서고, 조금씩 균형을 잡으면서 결국 뛰어다니게 된다. 강화학습은 정확히 이 원리를 컴퓨터에 이식한 것이다. 그리고 이 단순한 아이디어가 지금 로봇공학과 인공지능의 판도를 바꾸고 있다. AI Generated · Google Imagen 강화학습이란 정확히 무엇인가? 보상 신호로 움직이는 학습 방식 강화학습(Reinforcement Learning, RL)은 '에이전트'라고 불리는 학습 주체가 환경과 상호작용하면서 보상을 최대화하는 방향으로 행동을 개선해나가는 기계학습 방법이다. 지도학습처럼 '정답 데이터'가 필요하지 않다. 그냥 행동하고, 결과를 보고, 더 나은 행동을 찾아가는 것이다. 핵심 구성 요소는 세 가지다. 첫째, 에이전트(학습하는 주체). 둘째, 환경(에이전트가 행동하는 공간). 셋째, 보상(행동의 결과로 받는 피드백). 에이전트는 현재 상태를 관찰하고, 행동을 선택하고, 그 결과로 보상을 받는다. 이 사이클이 수천, 수만 번 반복되면서 학습이 이루어진다. 여기서 반직관적인 사실 하나. 강화학습에서 보상은 즉각적일 필요가 없다. 체스를 예로 들면, 게임 중반의 특정 수가 좋은 수였는지는 게임이 끝나야 알 수 있다. 이 '지연된 보상' 문제를 어떻게 다루느냐가 강화학습 알고리즘 설계의 핵심 난제 중 하나다. AI Generated · Google Imagen 강화학습은 어떻게 작동하는가? 핵심 메커니즘 해설 탐험과 활용의 균형 강화학습 에이전트가 풀어야 할 가장 근본적인 딜레마는 '탐험(exploration)'과 '활용(exploitation)'의 균형이다. 탐험은 아직 시도해보지 않은 행동을 해보는 것이고, 활용은 지금까지 가...