Emergence and Homogenization in Machine Learning
토플 꼴 학술 지문 모음 · 다윈 · 패러데이 · 공개 연구 논문과 보고서(발췌)
자연과학 · 의학 · 마음과 뇌 · 인공지능 · 교육 정책의 학술 글에서 200~750 낱말을 골라 모았습니다. 토플 꼴 문제가 붙어 있습니다.
출처 Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. arXiv (Stanford Center for Research on Foundation Models), 2108.07258. — Introduction · 라이선스 CC BY 4.0 · 원문
문장을 누르면 해석과 끊어 읽기가 아래에 열립니다. 밑줄 친 문장은 글의 뜻을 정하는 핵심 문장입니다.
The significance of foundation models can be summarized by two words: emergence and homogenization. Emergence means that the behavior of a system is implicitly induced rather than explicitly constructed; it is both the source of scientific excitement and anxiety about unanticipated consequences. Homogenization indicates the consolidation of methodologies for building machine learning systems across a wide range of applications; it provides strong leverage toward many tasks but also creates single points of failure. To better appreciate emergence and homogenization, let us reflect on their rise in AI research over the last 30 years.
Most AI systems today are powered by machine learning, where predictive models are trained on historical data and used to make future predictions. The rise of machine learning within AI started in the 1990s, representing a marked shift from the way AI systems were built previously: rather than specifying how to solve a task, a learning algorithm would induce it based on data — i.e., the how emerges from the dynamics of learning. Machine learning also represented a step toward homogenization: a wide range of applications could now be powered by a single generic learning algorithm such as logistic regression.
Despite the ubiquity of machine learning within AI, semantically complex tasks in natural language processing (NLP) and computer vision such as question answering or object recognition, where the inputs are sentences or images, still required domain experts to perform “feature engineering” — that is, writing domain-specific logic to convert raw data into higher-level features (e.g., SIFT (Lowe, 1999) in computer vision) that were more suitable for popular machine learning methods.
이 장의 낱말
- algorithm 알고리즘, 계산 절차 컴퓨터가 따르는 풀이 순서.
- emergence 출현, 저절로 생겨남 emerge(떠오르다)의 명사. 여기서는 설계하지 않은 행동이 생기는 것.
- homogenization 동질화, 하나로 모임 homo(같은) + gen(종류). 방법이 한 가지로 모이는 것.
- leverage 지렛대 힘, 영향력 lever(지렛대)에서 나온 말. 적은 힘으로 큰 효과를 내는 힘.
- significance 의의, 중요성 significant(중요한)의 명사.
- answering 답하기 question answering 은 질문에 답하는 과제.
- anxiety 불안 anxious 는 불안한.
- consolidation 통합, 하나로 굳어짐 consolidate(합쳐 굳히다)의 명사.
- construct 만들다, 구성하다 construction 은 건설.
- data 자료, 데이터 datum 의 복수. 격식 글에서는 복수로 취급한다.
- domain 분야, 영역 domain expert 는 분야 전문가.
- dynamics 역학, 움직임의 원리 dynamic(움직이는)에서 나온 말. 여기서는 학습이 진행되는 과정.
- explicitly 명시적으로, 또렷이 implicitly 의 반대.
- generic 범용의, 일반적인 general 과 뿌리가 같다. 특정 용도가 아닌.
- implicitly 암묵적으로, 드러내지 않고 explicitly(명시적으로)의 반대.
- indicate 가리키다, 나타내다 indicator 는 지표.
- induce 끌어내다, 유도하다 안으로(in) 이끌다(duce). induction 은 귀납.
- logistic 로지스틱의 logistic regression 은 통계의 한 방법 이름.
- methodology 방법론 method(방법)의 체계.
- predictive 예측하는 predict(예측하다)의 형용사. predictive model 은 예측 모델.
- processing 처리 natural language processing 은 자연어 처리.
- recognition 인식, 알아보기 recognize 의 명사. object recognition 은 물체 인식.
- regression 회귀 통계에서 변수 사이의 관계를 구하는 방법. 뒤로 돌아감이라는 뜻도 있다.
- required 필요로 했다 require 의 과거. require 사람 to [] = 사람이 ~하도록 요구하다.
- semantically 의미상으로 semantic(의미의)에서 나온 말.
- specify 지정하다, 명시하다 specific(구체적인)의 동사.
- ubiquity 어디에나 있음 ubiquitous(어디에나 있는)의 명사.
- unanticipated 예상하지 못한 anticipate(예상하다)의 pp 에 un- 을 붙인 말.
이해 확인 7문항. 읽은 글로 푸는 문제입니다. 결과는 프라이빗 코치의 독해 실력에 기록됩니다.
이해 확인 풀기이 글은 위 출처의 글에서 문단을 골라 그 라이선스에 따라 옮겼습니다. 영국식 철자 등 표기는 지금의 미국식 표준으로 바꾸었고, 문장은 원문 그대로입니다. 해석 · 끊어 읽기 · 낱말 풀이와 이해 확인 문항은 따로 덧붙인 것입니다.