딥러닝을 포함한 주류 머신러닝의 또 다른 문제는, 통계적 방법론을 갖다 쓴다고 말을 하고 있지만, 정작 에러텀을 붙이지 않고 그냥 대수적인 처리만으로 접근해서 쓴다는 데에 있다.

딥러닝을 포함한 주류 머신러닝의 또 다른 문제는, 통계적 방법론을 갖다 쓴다고 말을 하고 있지만, 정작 에러텀을 붙이지 않고 그냥 대수적인 처리만으로 접근해서 쓴다는 데에 있다.
물론 이게 필요 없는 분야도 분명 있고, 또 한편에서는 안그러는 연구자 분들도 많이 있고, 나도 그 부분을 쫒아다니고 있지만, 비교적 너무 수가 적고, 사람들도 어려워하며 잘 보질 않는다. 이 모형은 아무데나 갖다쓸 수 없다는 깐깐한 소리도 해대기 때문에 갑갑하다며 사람들이 좋아하지도 않는다. 이들에게 공감하며 똑같은 소리를 해대는 나도 연구실에서는 항상 외롭다. (사이가 나쁘단 얘기가 아니라, 그냥 연구를 혼자 해야할 때가 많고, 설명하기 위한 준비도 많이해야한단 뜻이다. ㅠ 덕분에 연구하거나 미팅할 때는 이걸로 많이 투닥거리고 다시 뒤돌아서면 같이 점심 뭐먹을까를 걱정한다.)
이런걸 잘 할 수 있는 분들은 통계학이나 계량경제학을 하는 분들일 것이라고 생각되지만, 사실 그냥 단순히 R, Fortran 같은거 좀 돌려볼 줄 아는 수준보다 훨씬 높은 수준의 컴퓨팅 능력을 요구하기 때문에 잘 하지 않는다. 한국에서는 최신 GPU를 활용한 컴퓨팅을 하는 그러한 분이 없다고 봐도 된다. (그리고 이건 내가 컴퓨터학과로 전공을 옮기게 된 큰 계기 중 하나이기도 하다.)
불확실성을 생각하지 않은 채 (원래 불확실성과 오차는 구분되는 말이지만, 그냥 여기서는 비슷한 의미로 쓸 것이다) 모형을 만들다가 나중에 보니 해석하기도 까다로워져, 뭐든 결과만 갖다놓고 보게 된다는 문제가 생긴다. 아무거나 딥러닝에 넣으면 뭔가 나오지 않을까 하는 착각도, 뭐든 해봐야겠으니 이것저것 필터 갖은걸 막 갖다 붙여보거나, 각종 통계량을 막 인풋에 때려넣는 현상도 이렇게 생겨난 것 같다. (얼마전에 경제학 분야에 계신 분들이 딥러닝을 적용하려다 실패한 사례도, 똑같은 실수를 했기 때문이라고 생각한다.)