안녕하세요 피터입니다.

오늘은 머신 러닝(Machine Learning)개념기본적인 원리에 대해서 설명드리겠습니다.


인공지능을 구현하기 위해서 빼놓을 수 없는 기술중에 하나가 바로 머신 러닝.

즉, 기계 학습입니다.



머신 러닝 이란?

머신 러닝은 기계가 데이터로부터 스스로 학습하여 실행할 수 있는 알고리즘을 개발하는 분야를 말합니다.


머신 러닝과 데이터 마이닝(Data Mining)은 얼핏 들어보면 같은 얘기를 하는 것처럼 들릴 때가 있습니다.


대부분의 내용은 비슷하지만 차이점이 있습니다.


데이터 마이닝은 데이터 안에서 알려지지 않은 속성을 찾는 것이 주 목적인 반면에

머신 러닝의 주 목적은 데이터의 알려진 속성들을 학습하여 예측 모델을 만드는 데 있습니다.


데이터 마이닝 뿐만 아니라 컴퓨터 과학(Computer Science)통계학(Statistics)에서도 비슷한 개념들을 다룹니다.

그도 그럴 것이 머신 러닝이라는 분야가 이 세 가지 학문 분야에 모두 걸쳐있기 때문입니다. 아래 그림처럼요.

따라서 머신러닝은 컴퓨터 과학(Computer Science), 통계학(Statistics), 데이터 마이닝(Data Mining) 세 분야의 학문 모두에 속해있다고 볼 수 있습니다.


머신러닝 종류

머신러닝은 학습 방법에 따라 크게 세가지로 분류할 수 있습니다.

아래 그림처럼 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)이 바로 그것입니다.



지도형 학습(Supervised Learning)

지도형 학습은 이미 정답을 알고 있는 데이터(Labled data)를 학습해서 새로운 데이터에 대해 결과를 예측하는 학습 방법을 말합니다.

아래 그림에서처럼 다양한 오리 이미지과 오리가 아닌 이미지들을 학습해서 모델을 만들고

이 모델을 활용해서 이전에 접해보지 못한 새로운 이미지가 오리인지 아닌지 예측하는 것이죠.


학습의 주 목적은 예측(Predict)이며 다양한 케이스의 데이터를 학습할 수록 적중률의 상승합니다. 

대부분의 경우 학습 데이터가 많을 수록 성능도 좋아지는 경향이 있습니다.

알파고(AlphaGo)가 수많은 인간의 기보를 학습하여 승리하는 방법을 배운 것 처럼요.


주요 알고리즘은 회귀(Regression)와 분류(Classification) 입니다.

  • Linear Regression

  • Logistic Regression (Binary Classification)

  • Multinomial Classification

  • Decision Tree

  • Random Forest

  • KNN (K-Nearest Neighbors)



비지도형 학습(Unsuperviesed Learning)

비지도형 학습은 정답이 존재하지 않는 데이터들을 학습해서 데이터를 분류하는데 주 목적이 있습니다.

주로 군집화(Clustering)에 활용이 되는데요, 기존에 알지 못했던 새로운 특징을 추출하거나 서로 관련이 높은 그룹끼리 자동으로 분류할 수 있습니다.

예측이 주 목적이 아니다 보니 주로 지도형 학습을 진행하기 전에 전처리 하는 과정에서 많이 사용되는 학습법입니다.


주요 알고리즘은 아래와 같습니다.

  • K-means

  • Apriori



강화 학습(Reinforcement Learning)

강화 학습은 미리 학습 데이터를 준비할 필요가 없는 학습 방법입니다.

학습을 수행할 주체인 에이전트(Agent)를 생성하고 에이전트가 활동하게 될 환경(Environment)를 구성한 다음

에이전트의 행동(Action)을 관찰하여 적절한 보상(Reward)를 주는 방식으로 에이전트의 행동을 더 나은 방향으로 개선시키는 학습 방법입니다.

인간이 학습을 하는 것과 매우 유사하다고 볼 수 있습니다.



에이전트의 행동에 대해 좋지 못한 결과가 나오면 패널티를, 좋은 결과에 대해서는 적절한 보상을 주면서 행동 패턴을 점점 더 좋은 방향으로 개선시키면 데이터 없이도 학습을 시킬 수 있습니다.

실제로 고전 오락실 게임(아타리)을 강화 학습 이용해 학습한 결과 50여개의 게임 중 3~5개를 제외하고는 모두 강화 학습으로 학습한 AI가 사람보다 우수한 성적을 거두었습니다.

정말 놀라운 일이죠!


이전 포스팅에서 소개드렸던 알파고 제로(AlphaGo Zero)가 인간의 기보 없이 강화 학습을 이용해 학습한 버전입니다.


주요 알고리즘은 아래와 같습니다.
  • Markov Decision Process




-Peter의 우아한 프로그래밍

여러분의 댓글은 저에게 크나큰 힘이 됩니다. 오류 및 의견 주시면 감사하겠습니다.

블로그 이미지

친절한 Peter Ahn

IT 정보 공유, 프로그래밍 지식 공유

댓글을 달아 주세요


안녕하세요 피터입니다.

오늘은 인공지능(Aritificial Intelligent)에 대해서 설명드리겠습니다.


요즘들어 4차 산업혁명이라는 말을 굉장히 많이 들어보셨을 텐데요. 4차 산업혁명을 이야기할 때 항상 빠지지 않는 것이 바로 인공지능입니다. 


인공지능 이란?

인공지능.

영어로는 Artificial Intelligent. 줄여서 AI 라고 부르죠.


그렇다면 인공지능의 정의는 무엇일까요?

인공지능이란 기계에 의해서 표현되는 지능을 말합니다.

이를테면 영화 아이언맨에서 등장한 쟈비스처럼 학습, 지각, 추론을 할 수 있는 기계를 인공지능이 있는 기계라고 말할 수 있겠죠.


영화 her 에서 스칼렛 요한슨(Scarlett Johansson)이 목소리 연기를 맡았던 OS도 인공지능이라고 볼 수 있습니다.


인공지능의 역사

인공 지능(AI)의 탄생

첨단기술을 논할 때 빠지지 않는 이 AI 라는 개념은 사실 그 역사가 굉장히 오래된 기술입니다.


처음 인공지능이란 개념을 논하기 시작한 시점은 1940~1950년대로 거슬러 올라갑니다.

이 당시에 수학, 철학, 공학, 경제 등의 분야에서 다양한 학자들로부터 인공적인 두뇌에 대한 가능성이 논의되고 있었습니다.


1950년에 영화 이미테이션 게임의 실제 모델인 앨런 튜링(Alan Turing)생각하는 기계의 구현 가능성에 대한 내용이 담긴 논문<Computing machinery and intelligence> 발표했습니다.

이 논문에서 현재 튜링 테스트라고 불리고 있는 인공지능 실험을 제안했죠.


텍스트로 주고받는 대화에서 기계가 사람인지 기계인지 구별할 수 없을 정도로 대화를 잘 이끌어 간다면, 이것은 기계가 "생각"하고 있다고 말할 충분한 근거가 된다는 것이었습니다.


그러다가 1956년에 다트머스 컨퍼런스(Dartmouth Conference)에서 뉴얼과 사이먼이 세계 최초의 AI 프로그램논리 연산가(Logic Theorist)를 발표했습니다.

if then rule 을 이용해서 논리적인 문제를 해결하는 프로그램이었는데 현재의 AI 연구에 영향을 주는 중요한 개념들이 제시되었습니다.

존 매카시는 컨퍼런스에 모인 여러 학자들에게 현재 진행되고 있는 연구들을 Artificial Intelligent로 호칭할 것을 설득했습니다.


비로소 인공지능(Artificial Intelligent)이란 개념이 처음 탄생한 것입니다.


그 후 1970년대 초반까지 인공지능 관련 연구는 황금기를 맞이하게 됩니다.

대수학 문제를 풀고 기하학의 정리를 증명하는 등 사람들을 놀라게 만드는 지능을 갖춘 프로그램들이 개발되었고,

관련 연구도 활발하게 진행되었으며 많은 연구가와 학자들이 인공지능 낙관론을 펼쳤습니다.

당연하게도 이 시기에 많은 정부 기관 등에서는 인공지능 연구에 많은 예산을 쏟아부었습니다.


첫번째 AI의 겨울 (First AI Winter: 1974 ~ 1980)

황금기를 뒤로하고 70년대에 들어서 인공지능은 여러 재정적 위기를 맞이하게 됩니다.


많은 연구가들이 주장했던 엄청난 낙관론들이 대중들로 하여금 인공지능 연구에 대한 기대치를 굉장히 높게 갖게 만들었는데,

막상 AI 연구가들이 기대만큼의 성과를 보여주지 못하자 AI에 대한 자금 투자가 대부분 사라지게 된 것이죠.


최초의 인공 신경망(Artificial Neural Network)퍼셉트론(Perceptron)에 대한 연구도 마빈 민스키(Marvin Minsky)의 신랄한 비판에 의해 막을 내리게 되었습니다.

1969년 민스키와 페퍼가 퍼셉트론이 비선형 문제를 다룰 수 없다는 한계와 관련 연구가 과장되었다는 내용의 책을 낸 이후 10년간 인공 신경망에 관련한 거의 모든 연구가 중단되었습니다.


전문가 시스템의 붐이 일다

1980년대 암흑기를 겪던 인공지능은 전문가 시스템(Expert System)이라는 프로그램이 등장하기 시작하면서 다시 호황기를 맞게 됩니다.


전문가 시스템이란 특정 지식의 범위에 대해 문제를 해결해주거나 질문에 대답해주는 프로그램으로 전문가의 지식을 기반으로 개발되었습니다.


이 시기에 꺼져가는 불씨와 같았던 인공 신경망 연구가 다시 되살아나는 계기가 있었습니다.

바로 오류 역전파 알고리즘(Backpropagation)으로 다층 퍼셉트론의 학습을 실질적으로 가능하게 되면서 비선형 문제를 해결할 수 있게 된 것이죠.


하지만 여전히 다층 퍼셉트론의 hidden layer를 깊게 구성할수록 폭발적으로 증가하는 연산량을 감당하기에는 당시 컴퓨팅 파워(Computing Power)에 한계가 있었고 이로 인해 인공 신경망 연구는 뚜렷한 성과를 내지 못하고 있었습니다.


두번째 AI의 겨울 (Second AI Winter: 1987 ~ 1993)

애플, IBM에서 생산하는 데스크탑 컴퓨터들의 하드웨어 성능이 비약적으로 발전하면서 고가의 하드웨어를 사용하는 전문가 시스템이 설 자리를 잃어갔습니다.


전문가 시스템을 유지하기 위해 부담하는 금액이 너무 비싸다는 것이 증명되었고 업데이트도 어려웠습니다.

게다가 일반적이지 않은 질문에는 황당한 행동을 하는 전문가 시스템에 사람들은 의구심을 갖기 시작했습니다.


결과적으로 전문가 시스템은 특별한 경우에서만 유용한 시스템이라는 낙인과 함께 몰락했습니다.

AI의 붐을 주도하던 전문가 시스템의 몰락으로 인공지능 관련 연구는 다시 침체기를 맞게 됩니다.


AI의 재도약

1990년대에 들어서 인터넷을 통해 기존에는 상상하기 힘들었던 수많은 데이터가 생성되기 시작했습니다.


그와 더불어 직접회로의 성능이 24개월마다 2배로 증가한다는 무어의 법칙(Moores' Law)에서 처럼 하드웨어 성능이 비약적으로 발전하면서 이전에 비해 비교가 되지 않는 컴퓨팅 파워를 인공지능 연구에 활용할 수 있게 됩니다.


그리고 병렬 컴퓨팅(Parallel Computing)GPGPU(General-Purpose on GPU)기술이 등장하면서 여러 겹의 hidden layer를 갖는 인공 신경망을 효과적으로 학습할 수 있게 되면서 이른바 딥러닝(Deep Learning)의 시대가 열리게 되었습니다.


딥러닝은 기존에 수십년간 진행해왔던 수많은 인공지능 연구들의 기록을 송두리째 갈아치우며 무섭게 성장하였고 이제는 딥러닝 = 인공지능이라고 할 수 있을 만큼 인공지능에서 빼놓을 수 없는 기술이 되었습니다.


알파고(AlphaGo) 바둑을 평정하다

인공지능 기술이 발전하면서 인공지능과 인간과의 대결로 연구 결과를 증명하려는 시도가 계속됐습니다.


1997년 IBM의 Deep Blue 가 체스 챔피언을 상대로 승리하였으며,

2011년에는 Jeopardy! quiz show에서 IBM의 Watson이 우승을 하게 됩니다.


그리고 우리는 2016년에 인공지능과의 세기의 대결을 목격하게 되죠.

바로 알파고(AlpahGo) vs 이세돌 9단과의 바둑 대결입니다.


이 대결에서 알파고가 압승을 거두게 되면서 100년은 걸릴거라 예상했던 바둑을 정복한 딥러닝이라는 기술에 많은 사람들이 관심을 갖게 되는 계기가 되었습니다.


아시는 분들은 아시겠지만 사실 알파고는 버전이 여러 개가 존재합니다.

판후이 2단과 대결했던 알파고 판(Ver 13: AlphaGo Pan)

이세돌 9단과 대결했던 알파고 리(Ver 18: AlphaGo Lee)

그 후에 여러 기사들을 포함헤 커제 9단과의 대결까지 압승한 알파고 마스터(AlphaGo Master)


알파고 여러 버전들과 인간 프로 기사와의 공식 대결 전적은 13전 12승 1패로 인간 중에 유일하게 이세돌만이 알파고에게 패배를 안겨주었습니다.


2017년에 발표된 알파고 제로(AlphaGo Zero)는 기존의 알파고 버전들이 인간의 기보를 바탕으로 학습을 했던 것과 달리 기본적인 바둑의 룰을 바탕으로 스스로 학습하는 강화 학습(Reinforcement learning)을 기반으로 만들어졌습니다.


이 알파고 제로는 이세돌 9단과 대결했던 알파고 리 버전과의 전적이 100승 무패, 알파고 마스터와의 대결에선 89승 11패를 기록했습니다.


사실상 이제 인간이 인공지능을 바둑으로 이길 수 있는 가능성은 없어진 셈입니다.

마치 달리기로 자동차를 이길 수 없듯이요.


인공지능과 딥러닝

딥러닝이 인공지능의 대명사처럼 쓰이고 있지만 인공지능이란 용어는 좀 더 포괄적으로 쓰이는 용어입니다.


인공지능은 수학, 과학, 철학 등의 분야에서 다뤄지는 개념이고 인공지능을 구현하는 기술 중에 머신러닝(Machine Learning)이라는 기술이 존재하는 것입니다.



딥러닝은 여러 가지 머신러닝 기법 중에 하나에 불과하죠.


그러나 그 어떤 머신러닝 기법도 딥러닝과 같은 성과를 내지 못하고 있기 때문에 현재 인공지능 분야에서는 딥러닝이 필수적으로 사용되고 있는 것입니다.





-Peter의 우아한 프로그래밍

여러분의 댓글은 저에게 크나큰 힘이 됩니다. 오류 및 의견 주시면 감사하겠습니다.

블로그 이미지

친절한 Peter Ahn

IT 정보 공유, 프로그래밍 지식 공유

댓글을 달아 주세요

AWS Summit seoul 2018

Cloud/AWS 2018. 4. 24. 15:20

https://aws.amazon.com/ko/summits/seoul/agenda/


AWS Summit seoul 2018 2일차(19일 목)에 다녀왔습니다.


이번 서밋은 18일부터 19일까지 양일간 진행되었지만 여건 상 하루밖에 참석할 수 없다보니 개인적으로 더 관심이 가는 분야인 인공지능 주제를 다루는 19일에 참석했습니다.

미리 사전 등록할 때 사진을 제출했더니 인공지능 등록대에서 바로 인식이 되어 몇 초만에 등록이 가능했습니다.

사진을 1장만 제출했을 뿐인데 생각보다 빠르게 인식이 잘 되서 놀랐지만, AWS Summit에 사전 등록한 사람들만 대상으로 하는 것이니 충분히 가능한 일이라는 생각이 들었습니다.

19일은 기조연설부터 아마존의 인공지능 총책임자가 진행했을만큼 메인 주제가 인공지능이었습니다. 메인 세션이 진행되는 B1홀에서 인공 지능 세션을 들을 수 있었는데요, 각 연설은 아래와 같습니다.



처음 세션은 아마존의 대표적인 인공지능 서비스라고 할 수 있는 Alexa(알렉사)에 관한 내용이었습니다.

아마존 에코로 대중화가 된 인공지능 스피커죠. Amazon Alexa로 인해 인공지능 스피커 시장이 열렸다고 해도 과언이 아닙니다.

인식율도 굉장히 뛰어나고 아마존 온라인몰 등 연계되는 서비스들이 늘어나면서 기존의 터치 스크린 기반의 사용자 UI를 음성 기반으로 빠르게 대체하고 있습니다.

개인적으로 집에서 카카오 미니 스피커와 라인 스피커(샐리)를 모두 사용중인데 아직까지 아마존 에코를 따라가기는 멀은 것 같습니다.


이어서 이미지 및 동영상을 분석할 수 있는 AWS Rekognition 서비스와 언어, 음성, 텍스트기반의 인공지능 서비스를 제공하는 AWS Transcribe, AWS Translate, AWS Comprehend 서비스에 대한 세션이 이어졌습니다. 

인공지능에 대한 전문적인 지식이 없더라도 AWS에서 제공하는 서비스들을 이용하면 인공지능 서비스를 개발할 수 있습니다.

관련 장비를 별도로 구매할 필요도 없습니다. Cloud에 다 있으니까요.

예전에는 기반기술과 요소기술 연구에 많은 비용과 시간을 투자해야 되었다면, 이제는 AWS같은 플랫폼을 이용하여 서비스를 쉽게 런칭할 수 있으니 좀 더 비즈니스 로직과 컨텐츠에 집중할 수 있게 된 것 같습니다.

이어진 세션은 AWS SageMaker에 대한 내용이었는데, 딥러닝 학습을 이용한 서비스를 효과적으로 관리할 수 있는 통합 관리툴의 성격이 강했습니다.

준비된 데이터를 학습하고, 학습된 데이터로 서비스를 하고, 서비스를 하면서 수집된 데이터를 다시 반영하는 전반적인 순환 구조를 좀 더 쉽게 관리할 수 있게 만들어줍니다.


Apache MXNet, Gluon 세션에서는 딥러닝 프레임워크에 대해 다뤘는데, 둘 다 제가 아직 다뤄보지 않은 프레임워크였습니다. (점유율로 봤을 때 아직 많은 사람들이 이용하는 것 같지는 않더군요)

성능과 편의성 측면에서 기존 Tensorflow나 Caffe2, Pytorch 등과 비교해서 개선되었다고 하니 한번 검토해봐야겠습니다.



AWS Expo 에서는 등급별로 스폰서 업체들의 부스들을 돌아 볼 수 있었습니다. 등급별 2개의 Stamp를 받으면 기념품도 챙겨주더군요. (AWS 티셔츠)

주로 AWS 에서 비즈니스를 할 수 있도록 컨설팅을 해주는 업체들이 많았던 것 같습니다.

대부분의 사람들이 증점품 사냥을 하기 바빠서 차분하게 서비스에 대해 설명을 들을 수 있는 분위기는 아니었습니다.

저도 LG 모니터나 다이슨 청소기 등을 응모해봤지만 역시나 예상대로 꽝이었습니다 (이런 거 당첨 되본 역사가 없어요ㅠㅠ)

우리 회사 부스도 있어서 잠깐 구경해봤습니다 ㅎㅎ (뭔가를 나눠줬던 것 같은데 이미 품절되었더군요)


전체적으로 세션도 만족스러웠고 관심있는 분야에 대한 인사이트를 키울 수 있는 기회가 되었던 것 같습니다. 부가적으로 여러가지 기념품들을 받을 수 있어서 내년 서밋도 기대가 되는군요!



이 장소를 Daum지도에서 확인해보세요.
서울특별시 강남구 삼성1동 | 코엑스
도움말 Daum 지도

'Cloud > AWS' 카테고리의 다른 글

AWS Summit seoul 2018  (0) 2018.04.24
블로그 이미지

친절한 Peter Ahn

IT 정보 공유, 프로그래밍 지식 공유

댓글을 달아 주세요


더 이상 마트에서 줄을 서서 계산을 기다릴 필요가 없어졌습니다.

아마존(Amazon)에서 시애틀에 선보인 오프라인 식료품 매장 "아마존 고(Amazon go)"에서 말입니다. 


아마존에서 4년전부터 연구해온 계산대 없는 매장은 컴퓨터 시각화와 머신 러닝의 발전으로 실현되었습니다. 



아마존 고 앱을 실행한 후에 바코드를 인식하면 매장에 입장할 수 있습니다. 

그 후 매장에서 필요한 물건을 자신의 가방에 담고 매장을 나가면 자동으로 결제가 됩니다. 정말 놀랍지 않습니까?



공상과학 영화에나 등장할만한 이런 일들이 어떻게 가능할까요?


이것을 가능케 한 것은 센서 기술인공지능 기술의 융합입니다. 

상점 곳곳에 내장된 시각 센서와 생체 인식 센서들을 통해 수집된 데이터를 기반으로 인공지능이 소비자의 쇼핑 리스트를 정확하게 판별해냅니다.  



기존에 널리 사용되던 RFID 센서나 바코드 등은 더 이상 필요하지 않습니다.  

그저 상품을 자신의 가방에 담는 행위만으로도 어떤 물건들을 구입했는지 정확하게 판별해낼 수 있습니다. 

물론 가방에 담았던 상품을 다시 매장 선반에 돌려놓는 행위. 즉, 구매 취소 행위도 정확하게 인식해 쇼핑 리스트에서 빠집니다. 

아마존에선 이 기술을 '저스트 워크아웃' 으로 명명하고 결제 과정 없이 그냥 매장을 나간다는 의미에서 서비스 이름도 '아마존 고'로 정했습니다.



아마존은 내년(2017) 초부터 2020년까지 약 2000개의 아마존 고 매장을 미국 전역에 오픈할 계획입니다.


아마존 고는 물건을 사려면 계산대를 지나야 한다는 통념을 깨면서 미래형 유통 매장의 모습을 단적으로 보여주었으며, 향후 유통시장에 지각변동이 불러올 것으로 예상됩니다.


한편으로 미국에서 계산원으로 종사하고 있는 4300만명의 일자리가 없어질 위기에 처했다는 우려도 있습니다. 대부분의 계산원은 이주노동자, 흑인, 히스패닉, 아시아 등의 마이너리티에 집중되어 있습니다.  


아마존은 이에 대해 기술의 발전이 사람을 대체하는데 목적이 있는 것이 아니라 사람의 일을 더 효율적으로 하는데 있다는 입장입니다. 그러니까 인공지능이 비교적 단순한 업무를 대체함으로써 사람은 더 생산적인 일이 몰두할 수 있게 만든다는 것입니다. 


이러한 논란에도 불구하고 아마존 고는 오프라인 매장 패러다임을 바꿀 정도로 매우 혁신적이며 우리의 삶을 보다 편리하게 만들어 줄 것입니다.


-Peter의 우아한 프로그래밍

블로그 이미지

친절한 Peter Ahn

IT 정보 공유, 프로그래밍 지식 공유

댓글을 달아 주세요

오늘은 조금 특별한 로봇을 소개해드리고자 합니다.

바로 Moley 사의 요리하는 로봇입니다.


이렇게 레시피를 선택하면...! ( 스파게티.. 저도 참 좋아하는데요 :P )

바로 로봇이 재료들을 셋팅하고 요리를 시작합니다.

면도 삶고 소스도 볶고... 난이도 있는 요리도 척척 하는 로봇


요리가 다 되면 들고 가서 생색을 내줍시다.


이 녀석에게 나만의 자신있는 요리를 가르쳐볼까요? 

요리하는 모습을 그대로 지켜보며 녹화하고 있습니다.


이렇게 가르쳐준 레시피를 업로드 하면... 


다른 사람과 공유가 가능합니다.

누군가에게 보내는 중...!


그 누군가는 바로 여자친구 였습니다.



남친이 보내준 레시피로 로봇이 요리하는걸 흐믓하게 바라보는 중...



그런데 초인종이 울리네요...?


남자친구가 요리하는 동안 꽃을 사 가지고 왔습니다.

(저처럼 로맨틱하군요...)

데코레이션까지 놓치지 않습니다.


로맨틱한 와인으로 마무리!


설거지까지 깔끔하게~



한국에 많이 알려지지는 않았지만 워낙 유명한 영상이라 이미 보신 분도 계실겁니다.

2018년 상용화를 목표로 하고 있다는 군요.

홈페이지도 굉장히 미래지향적입니다.


http://www.moley.com/



이 로봇으로 인해 일자리를 잃는 사람들이 나올까봐 부정적인 시각으로 바라보는 사람들도 있습니다만... 
개인적인 생각으로는 누구나 마스터 쉐프의 요리를 손쉽게 맛볼 수 있고, 요리를 하는데 드는 시간을 다른 생산적인 곳에 쓸 수 있다면 분명히 생활의 질을 높이는데 상당 부분 기여를 할 것 같습니다.


피터였습니다.


↓↓↓ 아래는 풀 영상입니다.
https://youtu.be/nY44tR5OeGA


블로그 이미지

친절한 Peter Ahn

IT 정보 공유, 프로그래밍 지식 공유

댓글을 달아 주세요