안녕하세요. 간단하게 제 이력을 설명 드리고자 합니다. 저의 학력은 아래와 같습니다. University of Pavia 물리학 박사 예정 (졸업논문 제출 완료) Blaise Pascal university 물리학 석사 KAIST 물리학 학사 사실 요새 머신러닝, AI가 논의되는 분야는 주로 IT 분야이기에 물리학 전공자가 이런 이야기를 꺼내는 것에 대해서 의아해하실 분들이 좀 계실 거라 생각이 듭니다. 그래서 물리학과가 머신러닝과 어떻게 연결되어 있는지를 제 경험을 통해서 최대한 쉽게 설명 드리고자 합니다. 요새 핫 한 이슈는 알파고 이후로 유명해진 소위 딥러닝이라 불리는 뉴럴 네트워크 기반의 회귀분석 방법론일 것입니다. 그런데 물리학자들은 뉴럴 네트워크 기반의 회귀분석 방법론을 매우 오래전부터 써왔다는 사실 알고 계셨나요? 이미 20세기 이전부터 고에너지 입자물리학 분야에서는 뉴럴 네트워크를 이용한 데이터 분석을 수행하고 있었습니다. "Neural Networks in High Energy Physics" 라는 고에너지 입자물리학에서의 뉴럴 네트워크 사용에 대한 리뷰 논문이 1992년에 나왔을 정도로 뉴럴 네트워크를 이용한 분석은 오랫동안 사용되어 왔습니다. 그 외에도 ROOT라고 명명된 데이터 분석 툴은 CERN의 René Brun 과 Fons Rademakers 1994년부터 개발하여 다양한 데이터 분석이 가능하게 하였으며 MINUIT라는 추가 통계 패키지까지 개발되어 사용되고 있습니다. 그리하여 Maximum likelihood, confidence interval, p-value 같은 통계적 파라미터를 쉽게 접근할 수 있게 하였습니다. 최근에 CERN은 Openlab이라 불리는 계산과학 기반의 연구팀을 조직하여 양자 컴퓨터, 머신러닝, 클라우드 컴퓨팅등의 연구를 하고 있습니다. 특히 Openlab을 지원하는 기업들에는 구글, IBM, 인텔 같은 머신러닝 기술을 개발하고자 하는 기업들이 포함되어 있습니다. 세간에 과학자들이 머신러닝을 잘 모른다고 알려진 것과는 다르게 머신러닝 방법론은 과학계에서는 오래전부터 사용되어 왔으며 그 과정에서 다양한 노하우를 쌓아왔습니다. 저 역시 CERN 에서 인턴을 하면서 ROOT 개발자인 René Brun 그리고 Openlab의 머신러닝 분야 총 책임자인 Federico Carminati와 같이 일을 하면서 머신러닝에 대한 이해를 쌓아왔습니다. 이러한 이해를 바탕으로 현 IT 기업들이 적용하는 머신러닝 방법론의 한계와 위험성에 대해서 꾸준한 우려를 표해 왔습니다. 실제로 제가 현재 연구하고 있는 의학물리 분야에서는 의료 영상을 이용한 자동 진단에 대한 이야기가 진지하게 논의되고 있습니다. 하지만 IBM의 Watson for Medicine의 실패, 그리고 수많은 radiomics 연구의 부적확성은 결국 위에서 언급한 방법론의 오용에서 비롯되고 있다는 것을 확인하였습니다. 그리하여 저는 이 강의에서 그간 제가 경험한 머신러닝 지식을 기반으로 IT 기업들이 놓치고 있는 부분을 전달하고, 정확한 머신러닝 방법론 적용법을 안내해 드리고 싶습니다.