머신러닝은 우리가 기술에 참여하는 방식을 근본적으로 변화시켰다. 오늘날에는 소셜 미디어 피드를 큐레이팅하고, 복잡한 이미지를 인식하고, 자동차를 운전하고, 심지어 의료 상태를 진단하는 등 몇 가지 작업을 수행할 수 있다.

그러나 머신러닝 기술은 일부 작업을 자동으로 수행할 수 있지만 이를 설정하고 올바른 방향을 지정하려면 여전히 인간 엔지니어의 많은 입력이 필요하다. 필연적으로 이는 인간의 편견과 한계가 기술에 녹아들어 있음을 의미한다.

그렇다면 과학자들이 자체 머신러닝 알고리즘을 생성하는 시스템을 만들어 프로세스에 미치는 영향을 최소화할 수 있다면 어떨까? 인간이 생각하지 못한 새로운 솔루션을 발견할 수 있을까?

이러한 질문에 답하기 위해 Google의 컴퓨터 과학자 팀은 arXiv에 게시된 인쇄 전 논문에 설명된 AutoML-Zero라는 프로젝트를 개발했다.

"인간이 설계한 구성 요소는 인간이 설계한 알고리즘에 유리하게 검색 결과를 편향시켜 AutoML의 혁신 잠재력을 감소시킬 수 있다."라고 논문은 말한다. "또한 혁신은 옵션이 적기 때문에 제한된다. 검색할 수 없는 것을 발견할 수 없다."

AutoML(자동 머신 러닝)은 빠르게 성장하는 딥 러닝 분야이다. 간단히 말해서 AutoML은 머신러닝을 실제 문제에 적용하는 종단 간 프로세스를 자동화하려고 한다. 다른 머신러닝 기술과 달리 AutoML은 상대적으로 사람의 노력이 거의 필요하지 않으므로 곧 회사에서 데이터 과학자 팀을 고용하지 않고도 AutoML을 활용할 수 있다.

AutoML-Zero는 논문에서 언급한 것처럼 단순한 수학적 개념을 사용하여 "처음부터" 알고리즘을 생성한다는 점에서 독특하다. 그런 다음 가장 좋은 것을 선택하고 다윈의 진화와 유사한 과정을 통해 변형시킨다.

AutoML-Zero는 먼저 무작위로 100개의 후보 알고리즘을 생성한 다음 각각 이미지 인식과 같은 작업을 수행한다. 이러한 알고리즘의 성능은 수작업으로 설계된 알고리즘과 비교된다. 그런 다음 AutoML-Zero는 최고 성능의 알고리즘을 "부모"로 선택한다.

“이 부모는 복제되고 변형되어 모집단에 추가되는 자식 알고리즘을 생성하는 반면 모집단에서 가장 오래된 알고리즘은 제거된다.”라고 논문은 말한다.

이 시스템은 한 번에 수천 개의 인구를 생성할 수 있으며 무작위 절차를 통해 돌연변이가 발생한다. 충분한 주기를 거치면 이러한 자체 생성 알고리즘이 작업을 더 잘 수행한다.

"이런 종류의 AI에 대한 좋은 점은 미리 정의된 매개변수 없이 자체 장치에 맡길 수 있고 새로운 알고리즘 개발 작업을 연중무휴 24시간 연결할 수 있다는 것이다."라고 컴퓨터 전문가 및 디지털 ProPrivacy의 연구원은 Newsweek에 말했다.

컴퓨터 과학자가 이러한 종류의 자동화된 머신러닝을 확장하여 더 복잡한 작업을 완료할 수 있다면 시스템이 사람이 아닌 기계에 의해 설계되는 머신러닝의 새로운 시대를 열 수 있다. 이렇게 하면 딥 러닝의 이점을 훨씬 저렴하게 얻을 수 있을 뿐만 아니라 실제 문제에 대한 새로운 솔루션으로 이어질 수 있다.

그러나 최근 논문은 소규모 개념 증명이었고 연구원들은 훨씬 더 많은 연구가 필요하다고 지적한다.

“빈 구성 요소 함수에서 시작하여 기본 수학 연산만 사용하여 선형 회귀 분석기, 신경망, 경사 하강법… 곱셈 상호 작용을 발전시켰다. 이러한 결과는 유망하지만 아직 해야 할 일이 많다.”