인공지능기법을 이용한
윷놀이 게임 시뮬레이터 개발에 관한 연구

A Study on Development of Simulator for Yut-no-ri
by using method of Artificial Intellegence.
(1차 연구 계획서)

조 현상 (Cho, Hyun-sang), 해모수 Lab.



---





I. 개 요.



인공지능의 초기 부터 인공지능의 분야는 게임 이론과 대단히 밀접한 관계를 유지해 왔다.
게임은 여러 가지 조건을 단순화하며, 실생활에 적용 가능한 인공지능의 기법을 시뮬레이션 할 수 있는 공간을 만들어준다.
예를 들어 지금까지 인공지능을 적용한 일종의 전문가 시스템(expert system) 으로서 바둑이나 체스 등의 게임을 수행하는 프로그램은 나름대로 상당한 성과를 거두고 있다.
게임을 수행하기 위한 인공지능 적인 접근은 인공지능의 두 가지 큰 분야와 동일하게 볼 수 있다.
말하자면, 적합해를 구하기 위하여 상태 공간(state space)을 구성하여 탐색(search)의 기법을 동원할 수 있으며, 이를 위해 본 게임에 원래 도입하려 했던 탐색기법은 휴리스틱(heuristic)을 이용한 기법이었다.
또 하나의 방법은 신경망(neural network)을 이용한 것이다. 신경망의 입력층에 현재의 말의 상태와 가능한 여러 가지 변수를 입력하여 출력으로 이동할 말의 위치를 지정하게 하는 방법을 구상할 수 있다.
위 두 가지 방법에 공통적으로 고려할 수 있는 방식은 퍼지(Fuzzy)이론인데, 사실상 퍼지 이론은 기호처리 인공지능기법(Symbolic Artificial Intelligence, symbolic substitution)에서의 인간의 관점에 접근한 데이터 처리를 위해 도입된 것이나, 이는 동일한 이유에서 신경망에도 도입이 가능하다 (Neuro-fuzzy).

윷놀이는 게임 자체에 여러 가지의 흥미 있는 특징을 가지고 있다.
윷놀이의 기원은 여러 경우로 보며, 그 분포가 이집트에서 아메리카 인디언에 이르기까지 아시아 중심의 동양권에 널리 분산되어 있다. 이는 곧 이 놀이가 농경 문화에 기인한다는 사실을 나타낸다고 생각되어지며, 실제로 윷놀이의 목적을 농경 생활에서의 일년의 길흉을 점쳐보는 세시 풍속이라는 견해가 있다.
이것은 놀이 규칙의 확률적인 면에 반영되어 있다. 즉, 윷놀이는 확률적인 면(stochastic)과 결정론적(deterministic)인 규칙이 얽혀 있는 것이라 볼 수 있다. 이러한 면은, 실제의 사회 생활과도 매우 흡사한 양상을 보이고 있다고 생각되어지는 바가 있다.
확률적인 면에서 윷놀이는 또 하나의 흥미 있는 특징을 가지고 있다.
즉, 윷가락 하나 하나는 무작위 적인 2치(two value-앞면/뒷면)의 직선상의 확률 분포(Probability density function)를 나타내고 있으나 윷가락의 조합된 상태가 순서에 무관하게 다섯 가지의 상태로 결정되므로 (참고로, 4개의 윷가락을 각각 하나의 표현 가능한 bit라고 볼 때, 이를 사용하여 24 = 16가지의 표현이 가능하나, 이를 통해 나타내어지는 상태는 그의 1/3 정도인 5가지에 불과하다.) 이들의 누적은 개(1100)에서 가장 많이 나타나며, 걸(1000)과 도(1110)에서 다음의 분포도, 그리고 윷(0000)과 모(1111)에서 가장 낮은 분포를 보이는, 전반적으로 정상 분포 곡선(Gaussian distribution)에 접근한 입력요소를 구성한다.
또한, 확률적이라는 면에서 또한, 전혀 의외의 변수로서 (실제로 놀이의 진행시 가장 큰 영향을 미치는) 다른 사람의 말에 의해 잡힐 가능성도 있다.
따라서, 신경망이 만일, 놀이의 규칙을 완전히 학습을 했다 하더라도 항상 이기는 결과를 만들어 낸다고는 볼 수 없으며, 신경망의 학습은 계속 진행되어 질 것으로 판단된다.
신경망에 대해서 또 하나의 특징은 윷놀이의 입력 공간의 자유도가 대단히 크고, 따라서 입력될 패턴의 수가 대단히 방대하다는 것이다. 따라서, 본 게임에 대한 신경망의 학습 성공 여부는 다른 특정한 실생활 문제에의 응용에 중요한 참고 자료가 되어 줄 수 있을 것이다.

본 연구는 이러한 목적에서 윷놀이와 인공 지능의 결합을 시도하는 방향으로 구상되었다.




II. 윷놀이 게임 프로그램. (VGA graphic card, mouse 필요.)




2.1. 메뉴 구성 (pop-up)


2.1.1. Main menu


1) About. : 프로그램 소개
2) Setting. : 게임 상태 set.
3) Start. : setting 된 상태에서 게임 시작.
4) Sound. : 효과음 On/Off (toggle 식 동작).
5) Quit. : 게임 종료.


2.1.2. sub-menu (setting)


1) Each of player. : 게임 참가자 수 결정 (menu-bar 형식, 1-5 명)
2) Color. : 게임 참가자의 말의 색 결정. (red, blue, green, magenta, gray)
3) Each of mal. : 게임 참가자의 말의 수 결정. (menu-bar 형식 1-5 개)
4) System. : 게임에 이용되는 system 결정 (속도).


2.1.3. sub-menu (color) : Team state display color select. (현재 게임에 참가하는 team의 수만큼만 표시)

2.1.4. sub-menu (system) : 386 - pentium 90






그림 1. 윷놀이 메뉴 체계.

2.2. 게임 진행


2.2.1. Open : Open 프로그램 실행 opening 후 yut 실행 / Yut22 프로그램 실행 : opening 없이 직접 yut 실행.

2.2.2. Setting :
Player와 말의 수 결정, 각 player의 말의 색과 사용 system 결정.
ESC를 누르면 바로 전 메뉴로 돌아감. (main에서는 프로그램 종료)

2.2.3. Start :
Main menu에서 Start 선정. 아무 키나 치라는 메시지 출력 아무 키나 침.


2.2.4. 말의 이동 : (마우스 이용 마우스가 없으면 진행 하지 않음)
말의 이동 상황은 말판과 score board에 자동 모니터 / 해당 순서의 player 지시.


1) 처음 나갈 때 : 해당 player의 남은 말 (left) 부분 클릭 (왼쪽).
2) 두 번째 나갈 때 : 이동시키고자 하는 지점 클릭.
3) 이동 : 이동 하고자하는 지점 클릭.
4) 이동 완료전 취소 오른쪽 버튼 클릭.
5) 상대방 말의 위치를 지정할 경우, 자동으로 상대방 말 삭제후 이동. Score board 자동 조정, 한 번 더 말을 던질수 있음.
6) 윷이나 모가 나올 경우, 한 번 더 던질수 있음. 5), 6)은 반복 시마다 누적됨.
7) 끝내기 : score board의 out (나간 말의 개수를 나타내는 영문 부분)을 클릭.


2.2.5. 규칙에 어긋나는 말의 운용 :


1) 각 말의 가능 상태를 벗어날 때 (ex, 개의 상태에서 4칸을 나가는 경우)
2) 이동 가능 경로에서 이탈한 경우 (ex, 모서리에서 정지하지 않은 상태에서 코너를 돌 경우)
3) 경고음 출력, 이동 지정은 무시 됨.



2.2.6. 경기 종료 :


1) 한 사람의 말이 모두 나갔을 경우 : 효과음 출력, 이후의 놀이에서 해당인의 순서는 지나침. 이 규칙은 마지막 한 사람이 남을 때까지 반복됨.
2) 모든 사람의 말이 나갔을 경우 : 자동 종료됨.
3) 중간 종료 : 말을 던질 때 소문자 q를 누름 (현재까지 게임은 무시되며 main menu로)






III. Symbolic Artificial Intelligence (include fuzzy)의 적용



3.1. Artificial intelligence

기호처리 인공지능, 즉, 기존의 폰 노이만식 순차 처리 디지탈 컴퓨터(sequential processing digital computer)를 통한 인간의 지식 구조의 구성은 기본적으로 상태공간에서의 적합한 해를 찾는 탐색(Search)으로 그 특성을 규정할 수 있다. 지식 공학을 적용하기전 기존의 탐색과정으로는 깊이 우선 (가장 최근에 생성된 노드를 먼저 확장), 넓이 우선 방법 (노드가 생성된 순서에 따라 확장)등이 있다.
이것은 해집합(element set - tree)을 구성하고 해와 해 사이의 연산관계 (operand)로서 먼저 상태 공간을 구성하고 상태공간에서의 후계 노드(successor node)를 확장시켜 다음 노드를 선택하는 형식으로 최적 노드를 탐색하는 방식을 취한다.
그러나, 이러한 기존의 탐색 방법은 가장 중요한 단점을 가지고 있다. 즉, 기계적으로 하위노드를 탐색하는 방식은 존재하는 모든 노드를 탐색해야 하는 부담을 가지게 되는데, 해와 연산자의 종류가 늘어나는 것에 대하여 확장되어야 하는 노드의 개수는 폭발적으로 증가하게 된다. 이를 조합적 폭발이라고 한다.
이 문제를 해결하기 위하여 도입된 탐색 방법이 휴리스틱(heuristic) 탐색 방법이다. 휴리스틱을 이용한 해의 탐색은 경험적인 특징을 가지고 있다. 즉, 경험적 지식에 의해 불필요하다고 생각되어지는 후계노드의 확장을 막아 탐색에 걸리는 시간을 단축하는 것이다. 휴리스틱 탐색 방법의 이용을 위해서는 가장 바람직한 (해가 있을 법한) 노드를 먼저 확장해야 하며, 이러한 처리를 위하여 사용되는 것이 평가함수(evaluation function) 이다.
학습은 이러한 평가 함수를 경험적 방법 (trial and error - 시행착오)에 의한 학습에 의해 변형될수 있다면 학습은 평가함수의 변형에 의한 휴리스틱 탐색을 보다 적합한 형태로 변화시킬 수 있을 것이다.

3.2. 퍼지 연산 (fuzzy operation)

본 연구의 계획 초기에는 평가함수에 대해 퍼지 이론의 적용이 구상되었다.
퍼지 이론은 인간의 지식 구조가 가지고 있는 애매함을 기계처리에 도입하고자 이란계 미국인 자데 교수에 의해 제안되었다.
퍼지 이론은 다음의 순서를 통해 해를 구해낸다.


1) 퍼지화 : 대상물을 퍼지 집합(퍼지 라벨 집합(fuzzy label set) / 멤버쉽 함수 (membership function) )으로 구성.
2) 퍼지 연산 : 퍼지 집합 사이에 연산 수행.
3) 탈퍼지화 : 연산 결과로부터 실제 사용 가능한 형태의 해 도출.


퍼지 라벨 집합은 멤버쉽 함수로서 평가 될 각 상태의 명칭을 나타내며 멤버쉽 함수는 각 퍼지 라벨 집합의 공통 연속선상의 분포 가능값을 나타낸다.
여기서 멥버쉽 함수의 변화는 시행착오적 학습에 의해 수정될 수 있을 것이며, 멤버쉽 함수의 변화에 따라 퍼지 연산과 탈퍼지화를 통해 도출되어지는 결과는 상이한 수치를 나타낼 것이다.
위 과정을 통한 반복 학습은 평가 함수로서의 멤버쉽 함수를 윷놀이 중의 다음 말에 대해 최적 상태를 나타내는 분포로 변화시킬 수 있을 것이며, 윷놀이에 대한 지식과 판단 과정이 기억되어 완전한 형태의 전문가 시스템이 될 수 있을 것으로 생각된다.
위 방법을 통한 기호처리 인공지능기법의 적용이 가장 곤란한 문제로 지적될 수 있는 사항은 상태 공간의 선정이다. 즉, 적절한 상태의 평가 함수를 위한 입력 형태가 전적으로 시스템을 구성하는 사람에 의해 작성되어야 하며, 만일 상태공간의 구성이 잘못되었다면, 컴퓨터의 학습은 유효하게 이루어지지 않을 것이며, 따라서 적절한 결과를 도출해 내지 못할 것이다.
이 문제는 기호처리 인공지능의 제분야에 관한 문제이며, 상식적인 관점을 갖는 추론 기관의 가능성에 한계를 짓는 중요한 제한 요소중 하나이다.




IV. Neural Network에 의한 학습



신경망 시스템은 기호처리 인공지능에 대하여 주어진 패턴의 '분류' (classification) 라는 일반적인 특성을 지닌다. 신경망 모델은 여러 가지 종류가 제시되어 있으며, 크게 다음과 같이 분류될 수 있다.

4.1. 신경망의 분류



4.1.1. 목적 패턴의 유무에 따른 분류


1) 감독 학습 (supervised) .
2) 무감독 학습 (Non-supervised).


4.1.2. 입력값의 재 입력 여부


1) 회귀 신경망 (recurrent).
2) 비회귀 신경망(Non-recurrent).


4.1.3. Processing Element 간의 연결 상태


1) 완전결합 신경망 (completed connection).
2) 부분적 완전 결합 신경망 (불완전 결합 신경망-Non-completed connection).


4.1.4. 사용된 층의 개수


1) 단층 신경망 (single layer).
2) 다층 신경망 (multi layer).



신경망은 인간의 사고와 인지능력이 인간의 두뇌 구조에서 기인한다는 과정 하에 인간의 뇌신경 세포간의 연결 구조를 모방하여 학습시킴으로서 보다 인간적인 관점에서 자료를 처리할 수 있게 한다.
특히 초기 신경망의 주요 응용 과제였던 패턴인식(pattern recognition)의 경우 기존의 기호처리 인공지능에서 사용되었던 영상 처리(image processing)에 비해 보다 간단한 구조와 알고리즘으로 더욱 효율적인 처리가 가능한 장점을 보인다.
신경망 동작의 기본적인 특징은 병렬 분산 처리(Parallel Distributed Processing)라는 용어에서 찾아 볼 수 있다. 즉, 신경망은 간단한 컴퓨터의 기능을 수행하는 기본 소자가 병렬로 결합하여 처리됨으로서 인간적인 관점에서는 간단하나 순차처리 컴퓨터 시스템에서 처리 하기에는 복잡한 문제에 대해 강력한 기능을 보여줄 수 있는 것이다.

4.2. 윷놀이 학습용 신경망 구조


4.2.1. 학습 스케쥴(leaning schedule)과 신경망 구조

본 연구에 사용될 신경망 모델은 룸멜하트에 의해 제안된 다층 퍼셉트론이며, 이것은 역전파 학습 규칙(Back propagation learning rule)으로 학습될 것이다.
사용될 인공 지능 기법으로 신경망을 선택한 이유는 본 프로잭트가 학습에 의한 적응제어의 하나의 예가 되어 줄 수 있을 것이며, 이것은 기본적으로 환경에 대한 정보의 탐색 (senssing), 입수된 정보의 처리 (processing), 그리고 적절한 반응(actuation)이라는 로봇의 기본적인 메카니즘과 동일하다는 점에서 였다.
본 시스템에 적용하는 역전파 모델의 학습 방식에는 두가지 가능한 형태가 구성 가능하다.
첫 번째 구성은, 감독 학습 방법에 보다 근접한 형태로서, 학습 과정에 신경망의 순서가 되면 사람이 직접 신경망의 이동한 지점을 지적하여 목적 패턴을 구성함으로서 학습을 진행한다.
이 방법은 일반적인 목적 패턴을 통한 가장 간단한 형태의 학습 방법이라고 할 수 있으며, 결과로서 학습된 신경망은 매우 흥미 있는 행동 양식을 보일 것으로 생각된다. 즉, 패턴을 제시해 준 사람이 보이는 개성적인 행동 양식을 그대로 닮게 될 것이다. 이는 마치 공부하는 분위기에서 공부하는 학생이 그렇지 못한 곳에서 공부하는 학생에 비해 일반적으로 상대적 우세를 보이는 경향과 일맥상통한다고 생각할 수 있다.
여기에 비해 두 번째 가능한 구성 방식은 입력 패턴을 신경망이 스스로 판단하게 하는 것으로서 이 경우 첫 번째 경우와 달리, 사고체로서의 신경망의 행동 양식은 보다 인간에게 접근할 것이며, 학습이 완료된 신경망의 행동 양식은 신경망 스스로의 개성을 가지게 될 것이다. 따라서, 본 연구에서는 두 번째 방법에 대한 고찰을 진행할 것이며, 이 방법에 의한 학습 스케쥴은 다음과 같다.




Layer	신경세포숫자	신경세포의 의미
Input	29+5 ea	모든 말의 현재 위치
Hidden	About 30 ea	.
Output	5+29 ea	움직일 말 + 말의 위치


표 1. 신경망 구조





표 2. 학습 schedule




* 비교 연산후 Yes로 결정될 경우, 새롭게 결정될 말과 위치에서 먼저 설정되었던 출력값은 비교 대상에서 제외.


위 학습 스케쥴에 의해 학습될 신경망의 구조는 다음과 같다.








그림 2. 신경망 구조



신경망의 각 층이 가지는 의미는 다음과 같다.


1) 입력층 : 입력층의 각 세포는 현재의 전체 player의 말이 가지고 있는 말의 위치를 나타낸다. 각 입력 패턴은 0-28까지의 값을 가질 수 있다. (신경망의 말 포함)
2) 은닉층 : 은닉층의 개수에 대한 정확한 판별 기준은 아직 까지 정확하게 확립되어 있지 않다.
3) 출력층 : 출력층의 결과를 통해 신경망은 자신의 다음 말에 대한 행동 양식을 나타낸다.
따라서, 출력층의 세포들은 신경망이 취할수 있는 모든 경우를 포함하고 있어야 한다. 입력층에 반하여 출력층의 결과는 최대값을 취하며, 활성함수로서 sigmoid 함수를 사용하는 관계로, 출력 세포의 값은 0-1사이의 값으로 정규화 된다.



전체적으로 신경망은 34차원의 입력 공간을 30차원의 은닉 공간을 통해 34차원의 출력 공간으로 사상(mapping)하는 구조를 가지게 된다.
여기서 주목할 점은 위의 과정이 가지고 있는 특성이다. 위의 과정에는 회상(recall)의 과정이 따로이 구성되어 있지 않다 (회상 과정은 입력의 변화 상태에 의해 자연적으로 선택된다).
따라서, 신경망은 초기화와 함께 학습을 시작하여 게임의 진행과 더불어 영원히 학습과정을 반복하게 되며, 회상과 학습 과정이 통합되어 있다. 이는 시행 착오에 의한 특정 동작의 학습과 숙달이라는 신경망의 기본적인 특성과 맥이 통한다고 볼 수 있다.
위의 과정을 수행하기 위하여 신경망의 각 값이 저장되어 있는 구조체는 놀이의 종료와 더불어 읽어 들여져야 하며 놀이의 종료와 함께 저장되어져야 한다. 만일, 지역극소(local minima)에 빠지거나 그 외의 다른 이유로 다시 처음부터 학습을 진행할 경우를 대비하여 신경망 구조체의 전체의 필요한 값에 대한 재초기화가 미리 설계되어 있어야 할 것이다.

각 층을 구성하는 신경세포들을 통하여 결정되는 각 입력에 대한 출력 완전한 적합해에 대한 패턴은 대단히 제한되어 있음을 (거의 하나) 알 수 있다. 따라서 이러한 과정을 거쳐 학습이 완료된 신경망은 거의 완벽한 최적 출력을 낼 것으로 생각된다.
이러한 점은 인간의 관점에서는 물론, 놀이라는 관점에서 너무 지나친 완벽함으로 흥미를 반감시킬 것으로 생각된다. 따라서, 5), 6) 번 단계에 역시 확률적인 요소를 도입하여 검토되지 않는 위치가 발생할 수 있는 여지를 만들어 놓는 배려가 필요할 것이다. 이것은, 실제의 인간에게서도 발생하는 일이며, 이럴 경우 신경망이 보일 다음 행동에 대해서도 흥미 있는 연구가 가능할 것이다.


4.2.2. Neuro-fuzzy

윷놀이를 위한 신경망에 고려되지는 않았지만, 신경망을 이용한 퍼지연산이 가능하다.
현재 가장 빠른 형태의 방법은 2차원의 입력 벡터 공간을 구성하여 두 개의 수치에서 공통부분의 값을 탈퍼지화된 추출값으로 사용하는 방식인데, 이 방식을 사용할 경우, 3차원 이상의 입력 요소가 존재할 경우, 그 사이의 퍼지 연산을 수행하기란 쉽지 않은 일일 것이다. 만일, 이 과정을 기존의 컴퓨터로 수행할 경우, 퍼지 연산과 탈 퍼지화를 통한 필요값의 출력은 복잡하고 시간이 많이 걸릴 것으로 생각된다.
신경망의 경우, 입력 세포 하나 하나가 입력 요소로서의 역할을 수행하고 있으며, 따라서 입력 세포 하나 하나가 퍼지 라벨 집합의 역할을 하며, 아무리 복잡한 멤버쉽함수가 입력 공간에 입력된다고 할지라도, 학습된 연결가중치의 병렬 연산에 의해 적합한 출력값을 낼 수 있음을 알 수 있다.





V. 결 론



기호처리 인공지능과 신경망을 통한 윷놀이에의 적용을 통해 두가지 방식이 가지고 있는 일반적인 특징과 적용시의 특징을 고찰했다.
일반적으로 지금까지 기호처리 인공지능은 신경망의 처리에 비해 보다 많은 단계의 연산과 보다 인간에 의존적인 (상태 공간의 구성등) 양상을 보여 왔다.
탐색이라는 과정은 기존의 데이터 베이스와 유사한 형태로서 지식 공학적 접근을 도모하고 있는 것이며, 여기에서는 신경망적 접근에 주안점을 둔 관계로 휴리스틱을 논할 때 추론 기관에 대한 고려는 하지 않았다.
그러나, 전문가 시스템은 곧 추론기관에 의해 구성되어 진다고 해도 과언이 아니며, 진정한 인공지능 적인 처리를 위해서는 반드시 고려되어야 할 사항일 것이다.

일반적인 전문가 시스탬이 일상적으로 발생하는 사건에 대한 확률적 대응이 고려되어 있는것에 비해, 기본적으로 지금까지 전문가 시스템을 구성하기 위하여 사용되어지는 체스나 바둑 등의 게임에는 확률적인 요소가 고려되어 있지 않았다.
윷놀이가 가지고 있는 특성과 함께 학습에 의한 적응제어가 가능한 인공지능의 기법을 이용한 일종의 전문가 시스템에 대한 고찰을 진행하였는데, 이와 같이 프로그램 상에서 공간의 탐색과 판단, 그리고 반응을 보이는 것은 하드웨어적으로 구현된 로봇과 비슷한 형태라고 할 수 있으며, 실제로 이러한 형태의 로봇을 소프트웨어 로봇이라고 부르기도 한다.
전술한 바와 같이 위의 전 과정은 게임에서뿐만 아니라 하드웨어적으로 구성된 다자유도 로봇의 제어에도 적용이 가능할 것이며, 바로 이러한 의미에서 본 연구의 확장 가능성을 논할 수 있을 것이다.
만일 하드웨어적으로 구성된 로봇이 있다고 가정한다면, 로봇은 돌발적으로 변화하는 외계의 상황에 따라 적절한 반응을 보일 것을 요구받을 것이다. 이것은 윷놀이에서 발생하는 말의 상태가 어떤 것일지 전혀 예측이 불가능하다는 점과 유사하다.
여기에서 신경망을 통한 새로운 학습방법에 대한 힌트를 얻을 수 있다. 즉, 본 연구에서 고려된 다층 퍼셉트론은 특정한 positive 패턴을 만들어 여기에 대해 학습을 진행하였다. 그러나, 이러한 양식은 기호 처리 신경망과 마찬가지로 위 4-2-1의 flow-chart에서 처럼 패턴을 만들기 위해 다소 복잡한 전처리 과정을 거쳐야 했다.
그러나, 신경망을 만일 다음과 같은 방법으로 학습시킬 수 있다면 이러한 과정은 생략될 수 있을 것이며, 또한 보다 넓은 범용성과 함께 보다 인간에 접근한 처리 양식을 보일 것이다.


1) 신경망의 출력을 적용한다.
2) 신경망의 출력이 맞을 경우, 맞는 경우로, 틀릴 경우, 틀린 경우로 신경망에게 알려준다.
3) 위 두 가지 상황에 대해 학습을 진행한다.


따라서, 위의 과정을 통해 학습된 신경망은 '칭찬'과 '벌'을 통해 교육되는 인간의 시행착오적 학습과 대단히 유사한 형태를 띌 것이며, 매니퓰레이터의 운용 등에 대해 응용할 경우 입력과 출력의 조건만 정확하게 구성하여 준다면 특정한 학습 스케쥴의 준비는 필요하지 않을 것으로 생각된다.
이것을 통해 주위 환경에 대한 경험의 축적을 통한 일종의 '개성'을 창조해 낼 수 있을 것이다.
궁극적인 인공지능으로 지향되는 형태는 인간의 창의적인 업무 처리 능력과 컴퓨터의 빠른 산술 / 논리 연산과 방대한 데이터 베이스와의 전향적인 결합일 것이다. 바로 이러한 의미에서 신경망과 기호처리 인공지능의 결합의 고려는 필수적인 것이라고 생각된다.
예를 들어 윷놀이의 경우, 다음 번의 출력을 통해 그리 많은 '기억'을 요구하지는 않는다. 그러나, 다른 인공지능의 중요한 분야인 '시각처리'나 '자연언어처리' 그리고, '로보틱스'의 적용 등에 대해서는 '기억'과 '경험'은 방대한 형태로 결합되어야 한다.

과연 우리가 창의력을 가진 인공두뇌를 만들어 낼 수 있을지는 아무도 알 수 없다. 사실상, 기호처리나 신경망을 통한 기계적인 접근이 인간과 같은 피조물을 만들 수 있을지도 알 수 없다.
다만, 본 고에서 고찰한 바와 같은 접근과정에 의한 많은 실험과정과 그 결과를 통해 우리는 그러한 가능성을 모색하여 나갈 수 있을 것이다.





참고 문헌



Artificial Intelligence part

1) 김 재희, "인공 지능의 기법과 응용", 교학사.
2) 이 상원, "학습하는 기계 신경망", Ohm 사.
3) 조 현상, "A.I.에 관하여", 폐학회 '한' 제 2회 학술발표회지 (95. 9).
4) 최 형진,정 영준, 양 해술, "뉴로 컴퓨팅", 홍릉 과학 출판사.
5) 무카이노도 마사오 (전자 신문사 출판국), "알기 쉬운 퍼지 이론", 전자 신문사.
6) 스티븐 프레이타 (이 충기 역), "Artificial life", 김영사.
7) 合原一辛 (정 호선, 여 진경), "뉴로, 퍼지, 카오스", 대광 서림.


Programming part

8) 황 희융, "Turbo C 2.0 라이브러리 매뉴얼", 교학사.
9) 신 정환, "C가 미는 로보트", 대창사.
10) 김 석주, "C로 하드웨어 주무르기", 가메 출판사.


Etc.

11) Athanasios Papoulis, "Probabiity, Random Variable, and Stochastic Process - 3th Edition", McGRAW-HILL international editions.