היום אנחנו נדבר על admiral driven machine learning framework for the marine operations and resource allocation כי רציתי טייטל קצר וזה מה שיצא.

בוא נדבר תכלס על מה באמת ההרצאה היום.

אז ההרצאה היום זה שאנחנו רוצים לפתח פתרונות AI.

אני מתנצל על הטייטל, מיה, אני מבטיח לדבר תכלס שאנשי מקצוע אוהבים.

זה נקודה רגישה לעשות ML למשתמשים שהם לאפשנלס.

זה התמחות ויכולת וכאלה וכאלה.

היום אני רוצה להתרכז על machine learning ו-AI solutions למשתמשים.

זה פשוט state of mind שונה, ואנחנו נדבר היום על מה, למה ואיך.

אז ספציפית, אנחנו בסקנה. אני עובד בסקנה רובוטיקס.

אנחנו עושים כלים מעל ומתחת למים שהם אוטונומיים.

זה דורש הרבה הרבה הרבה אלגוריתמיקה ואחת הנקודות שאנחנו צריכים לשכנע זה שהדברים האלה עובדים.

את מי אנחנו צריכים לשכנע?

שאדמירלים זה כמו גנרלים, רק עם אגו ובים.

זה הפלוס מינוס של הסיטואציה. אנשים שאנחנו צריכים לשכנע, אנחנו פותרים באמת מגוון רחב של בעיות.

אחזור קצת אחורה. ממש מאיך קלינה.

במים זה ממש קשה. אני יכול לספר לכם דרך טלמטריקה וכל מיני קבלת החלטות לוקליות בזמן אמת וממש בבעיות תכנון הקצת משבים וכדומה.

מן הסתם אתם יכולים לפתור את הדברים האלה ואנחנו פותרים אותם בעזרת אלגוריתמיקה קלאסית ובחלק מהזמן בעזרת machine learning ו-deep learning אז בוא נדבר על הזר שלנו.

בוב הוא אדמירל. כשאתם חושבים על בוב, אתם חושבים על כל מיני implicit objectives כאלה ואחרים.

בוב מגיע לתפקיד שלו אחרי שהוא היה הרבה מאוד שנים בחיל הים, לא משנה דרך אגב איזה חיל ים.

והוא יש לו א דוקטרינות.

אם תחשבו על זה רגע, חיל ים מאוד מאוד ייחודי.

אני לא שירתתי בחיל הים, לא מכיר כל כך, אבל כשהגעתי גיליתי.

מאוד מאוד זקן. חיל ים זה בעצם החיל הכי הכי הייתי אומר well-established historically.

ואם תחשבו על זה, עד היום חיל ים מהווה כוח מאוד חזק.

עכשיו לאחרונה גילינו בזמן המלחמה, זוכרים שאמריקאים הביאו הרמדה של חיילים מלאים, ספינות, מטוסים.

זה גם אמירה פוליטית-כלכלית.

חיל הים זה משהו שהוא מאוד מאוד חזק.

לעומת זאת, יש לנו את בוב החדש שאת לא יודעת אם רואים טוב כי הוא עשה עבודה הוא רובוט.

עכשיו, בוב החדש שלנו פותר בעיות אופטימיזציה מתמטיות, כמו שאתם כולכם אוהבים ויודעים.

עכשיו, אנחנו צריכים לגשר בין שני הבובים.

אני מניח שרובכם לא תכננתם מבצע ימי.

זה בסדר. גם אני לא כל כך. אז יש לנו שתי אופציות.

האופציה מצד שמאל שלכם זה ה-AI driven solution ומצד ימין זה האדמירל D solution.

נתנו לאדמירל אמיתי אמיתי. אתם אפילו מכירים אותו מהטלוויזיה.

לפתור את הבעיה הטוויסטית הזו.

פה מה שאתם רואים מצד שמאל אתם רואים שיש לנו שתי ספינות הולכות מסביב לאי וספינה שלישית גם עושה הקפה ומחליטה לאן היא הולכת בצד של האדמירל הוא עשה מסלול קצת כזה משונה.

אני רוצה להפנות את תשומת ליבכם לכמה נקודות.

הראשונה זה האלגוריתם שלנו פתר בעיה שהיא fuel.

יש לכם או בטריה או לא יודע דלק או מה שזה לא יהיה.

אנחנו רוצים להגיע כמה שיותר זול למטרה וכמה שיותר מהר נשמע הגיוני כמה מכם רוצים להגיע הביתה, אתה קם שוטר מהר, כולכם, אז גם הספינות שלנו.

אבל אם תשימו לב, הדמירה לא עשה את המסלול הזה אפילו לא קרוב.

ששאלנו אותו בדיעבד מה זה המסלול הזה, התשובה הייתה: אה, שים לב, אני מאחורי ההיי, קשה לראות בי.

מגניב, לא נגד עוד משהו מעניין אחר.

האלגוריתם שלנו ניצל את הספינה באמצע, היה לו ריורס.

אנחנו אמרנו לו תהרוג את הספינות האדומות.

למה הוא מנצל אותו? כי מתמטית זה מעלה את הסיכוי לנצח.

זה פתרון הגיוני. לעומת זאת, אם תשימו לב, האדמירל שלנו לא נגע בכלי האמצעי.

כשנשאל למה התשובה הייתה לא, אבל אם יהיו בעיות אחר כך.

כשאמרתי לו, אבל לא יהיו בעיות אחר כך, זה הסימולציה.

הוא עושה תמיד שיש בעיות אחר כך.

עכשיו אתם יכולים לצחוק על זה שזה נשמע מוזר, אבל האמת היא שזה כאן, קבור הכלב.

בעצם, הנקודה היא שהאדמירלים לא יודעים להגיד לנו מה הבעיה באופטימיזציה שהם פותרים, אבל הם פותרים בעיה אופטימיזציה מאוד מורכבת.

יש להם 3500 שנות היסטוריה של ידע נצבר, כן, ובדרך כלל עוד 20 שנה של ניסיון אישי, אז אנחנו צריכים לקחת בחשבון את שתי הגישות הללו עכשיו אי אפשר לבוא ולבטל את הפתרון שלנו, כי הוא באמת מתמטי ולכל מיני צרכים אחרים הוא הכי טוב, אז צריכים למצוא איזה פתרון באמצע.

אז אדמירל צריך להיות א' מכל מיני סיבות, הוא אדפטיבי, הוא מקבל החלטות יותר מהר, בדרך כלל יותר שקולות, יודע לסמלץ, יודע לקחת נתונים שנעשו אף פעם בחיל הים, כמות הנתונים הם פשוט אסטרונומיים ולהפוך אותם ל תוכניות ברות ביצוע ותמיכה באינטואיציה וכדומה.

מהצד השני, היי שלנו צריך אדמירלים.

למה הוא צריך אדמירלים? כי האמת היא שאנחנו לא פותרים את הבעיה נכון.

אף אחד לא הסביר לנו איך לפתור אותה נכון ואנחנו איכשהו צריכים עדיין לפתור אותה נכון.

אז יש ביזה שנצטרך להתמודד איתו.

דרך אגב, הרבה פעמים אנחנו נשמח לוותר על נכונות, הן דרך אגב אופרטיבית, שזה באסה להגיד את זה ובתוך מתמטית בשביל התחושה הזאת שאנחנו עושים משהו שהוא מקובל על ידי הלקוח.

דרך אגב, כל מה שאני אומר פה על אדמירלים נכון גם לגבי עורכי דין, רופאים, כל פרשן זו אותה בעיה בדיוק ספציפית בדומיין שלנו שזה שונה מכל הדומיינים האחרים שלפחות אני נתקלתי בהם AI זה קשה, אבל AI זה ממש קשה אם אתם גם מוסיפים לו מחלת ים ויורים עליו במקביל, זה הופך אותו לממש ממש קשה.

עכשיו למה זה מורכב אצלנו?

כי יש לנו כמה תכונות מבעסות.

High uncertainty ים זה פלטפורמה שלא נוכל להיות בה, זה דומיין שקשה להיות בו.

ושחנו מדברים על קונטקסט של defense, אז מן הסתם אתם באיזו סיטואציה שהיא מאוד פחות uncertain.

הדאטה בדרך כלל די גרוע, והעולם משתנה.

אני מניח שרובכם, בוא נגיד את זה ככה, חבר'ה שעושים machine learning, אולי שמו אני אספר לשער על קונספט דריפט.

דריפט זה תכונה במכונת למידה ספציפית מתמטית שאומרת את הדבר הבא: כל פעם שהמודל לומד או באופן כללי או נתוני דרודס עשיתם הנחה נסתרת מאוד מאוד חשובה, הנחתם שמה שהיה זה מה שיהיה.

כל לא נכון, זה בדרך כלל לא קורה. עכשיו כשזה לא קורה, התכונה הזאת נקראת קונספט דריפט.

זה אומר שההתפלגות או התפלגות המשתנה מקור או ההתפלגות של הטרגט משתנה לאורך זמן או משתנה כתוצאה משימוש במודל עצמו.

דוגמה מהירה דווקא מדומיין אחר: תדמיינו שלקחתם מודל של פרדיקציה של כמה קניות יש לכם לחנות ואז נפתחה חנות ליד, מה קרה למודל שלכם?

נכון מאוד, לא שווה כלום.

למה? הדינמיקה שממנה ההתפלגות נולדה, שדגמתם אותה, היא לא אותה דינמיקה יותר.

ההתפלגות תשתנה. מודה, לא נכון. עד כאן.

במקרה שלנו הכל משתנה כל הזמן ולא מאוד ובקצב מאוד גבוה.

איך אנחנו מתמודדים עם הרצון הזה? אז בעצם הרצון שלנו זה לבנות מודל שהוא נגיש ללקוח שהלקוח מקבל אותו מצד אחד, מצד שני הוא יעבוד טוב.

אז אנחנו נעשה שש שלבים. אנחנו נדבר על capturing preferences בעצם איך בכלל אנחנו מבינים מה הלקוח רוצה.

בפני עצמו נפתור את זה עם ARL עוד שנדבר עליו איך אנחנו פותרים בעת אופטימיזציה כי אני חייב לכם קוד לתכנון המשוב עם CLV ו-DRL reinforcement בשביל שזה יהיה גנרי עם חלק מהמושגים לא ברורים.

עוד שניים אגיע אליהם. מה שאני כן רוצה להדגיש בסלייד הזה זה ואתם מוזמנים לצלם.

לא ששאלתם את רשותי עד עכשיו. אה, זה יש פה פידבק קלופי שהוא נורא תי קורא לזה קיצ'י בשלב הזה בקריירה שלנו, שזה learning optimization refinement, אבל האמת היא שזה כאילו כל התורה מאמנים עושים אופטימיזציה לבעיות ספציפיות מתוך האימון שלנו ואז עושים refinement ומשתפרים בוא נתחיל עם Admiral Preference Capturing.

יש לי תוכנית, פתרתי בעיית אופטימיזציה לבעיית תי שאלתי, קיבלתי תשובה.

יש לי תוכנית איך פוטרים.

כן, דרך אגב, זה לא משנה, זה יכול להיות בעיה כמו כמה כלים לשים בשביל לנצח קרב.

זה יכול להיות בעת אופטימיזציה, כמו שיש לי כלי ב-A, איך אני מביא אותו ל-B כך שהוא לא יתגלה, כך שהוא לא משהו.

תפטרו איזה באת אופטימיזציה שבא לכם.

זה לא קריטי לשיחה, בעצם יש לנו, אנחנו עושים שלושה סוגים שונים של דרכים לתפוס את הרצונות של האדמירל.

הדרך הראשונה והכי הכי טובה, אם כי הכי קשה, זה להגיד לו, תפתור.

יש לכם כלי, הנה סימולציה, זה נקודת התחלה, פה אויב, תגיד לי מה עשית, צייר לי על המפה.

מעולה. למה זה מעולה? כי אתם מקבלים תשובה ברורה.

ככה הייתי עושה. כן, לפעמים לא תמיד.

הבעיה עם הגישה הזו, הדת המאוד איכותית, מאוד יקרה.

לא תמיד אדמירלים מצליחים.

קוגניטיבית זה קשה. יש גם מגבלה קוגניטיבית.

Teddy Lazebnik: Admiral-Driven ML Framework for Marine Operations (HE) | PyData Tel Aviv 2025

PyData is an educational program of NumFOCUS, a 501(c)3 non-profit organization in the United States. PyData provides a forum for the international community of users and developers of data analysis tools to share ideas and learn from each other. The global PyData network promotes discussion of best practices, new approaches, and emerging technologies for data management, processing, analytics, and visualization. PyData communities approach data science using many languages, including (but not limited to) Python, Julia, and R.

We aim to be an accessible, community-driven conference, with novice to advanced level presentations. PyData tutorials and talks bring attendees the latest project features along with cutting-edge use cases.

PyData

해양 작전에서 AI/ML 솔루션은 제독의 지식과 수십 년의 경험이 축적된 복잡한 최적화 문제를 해결해야 하므로, 사용자 친화적이고 직관적인 접근 방식이 중요합니다.

AI 모델이 제독의 의사결정 방식과 일치하도록 하려면 제독의 선호도를 포착(직접 해결, 비교 선호도, 피드백)하고 이를 보상 함수로 공식화하여 강화 학습을 통해 모델을 훈련해야 합니다.

생산 환경에서 AI 솔루션은 데이터 희소성, 인간의 불일치, 전문가의 인지 부하, 실시간 의사 결정, 안전 문제, 그리고 블랙박스 모델에 대한 신뢰 부족을 해결해야 합니다.

해군 작전을 위한 AI 솔루션 소개

이번 강연은 해양 작전 및 자원 할당을 위한 Admiral 기반 머신러닝 프레임워크에 대한 내용으로, **전문가가 아닌 사용자를 위한 AI 솔루션 개발에 중점을 둡니다.** 발표자는 스카나 로보틱스에서 자율 수중 도구를 개발하며, 이 과정에서 알고리즘의 효과를 해군 제독들에게 설득해야 하는 과제를 안고 있습니다.

**해군 제독은 독트린과 수십 년의 경험을 가진 강력한 존재**로, 복잡한 최적화 문제를 해결합니다. 반면, AI는 수학적 최적화를 통해 문제를 해결하므로, 이 두 가지 접근 방식 사이의 간극을 연결하는 것이 중요합니다. 특히, 해군은 정치적, 경제적으로 매우 강력하며 역사적으로 잘 확립된 군대입니다.

AI와 제독의 의사결정 방식 비교

AI 기반 솔루션과 제독의 솔루션을 비교하는 시뮬레이션에서 흥미로운 차이가 드러났습니다. AI 알고리즘은 **연료 효율성을 최적화하고 중간 도구를 활용하여 승리 확률을 높이는 합리적인 경로**를 제시했습니다. 반면 제독은 비효율적인 경로를 선택하고 중간 도구 활용을 꺼렸는데, 이는 '나중에 문제가 생길 것'이라는 경험적 판단 때문이었습니다.

제독들은 3,500년의 축적된 지식과 개인적인 경험을 바탕으로 **매우 복잡한 최적화 문제를 해결하지만, 그 과정을 명확히 설명할 수는 없습니다.** 따라서 수학적으로 최적화된 AI 솔루션이 항상 제독들에게 받아들여지는 것은 아니며, 두 접근 방식 사이의 타협점을 찾는 것이 Admiral 프레임워크의 목표입니다.

AI 솔루션은 제독의 관점에서 종종 문제 해결에 실패하거나 설명이 부족하다고 여겨집니다. 이는 **고객의 수용 가능성을 위해 정확성을 포기하고 싶은 유혹**으로 이어지기도 합니다. 이러한 문제는 해군뿐만 아니라 변호사, 의사 등 다른 전문가 영역에서도 유사하게 발생하며, 특히 AI에 불확실성까지 더해지면 더욱 복잡해집니다.

해양 작전 AI의 복잡성 및 개념 드리프트

해양 작전에서 AI를 적용하는 것은 **높은 불확실성과 나쁜 데이터, 그리고 끊임없이 변화하는 환경** 때문에 복잡합니다. 특히 '개념 드리프트(Concept Drift)'는 모델이 과거 데이터에 기반한 가정을 하지만, 실제 세상은 계속 변하여 모델의 유효성이 떨어지는 현상을 의미합니다.

개념 드리프트는 **데이터 분포나 타겟의 분포가 시간이 지남에 따라 변하거나 모델 사용 자체로 인해 변하는 것**을 말합니다. 예를 들어, 상점 매출 예측 모델이 옆에 새 상점이 생기면 더 이상 유효하지 않게 되는 경우와 같습니다. 해양 환경에서는 모든 것이 빠르게 변하기 때문에 이러한 현상이 더욱 심각합니다.

고객 선호도 파악 및 보상 함수 정의

고객의 선호도를 파악하는 것은 결코 간단하지 않으며, Admiral 프레임워크는 이를 위해 세 가지 방법을 사용합니다. 첫째, **제독에게 직접 시뮬레이션을 통해 문제 해결 방식을 그리게 하는 '직접 해결' 방식**은 매우 질 좋은 데이터를 제공하지만, 인지적 부담이 크고 비용이 많이 듭니다.

둘째, **두 가지 솔루션(A/B)을 제시하고 선호하는 방식을 선택하게 하는 '비교 선호도' 방식**은 Chat GPT와 유사하며, 반복을 통해 통계적으로 유의미한 데이터를 얻을 수 있습니다. 셋째, **제공된 솔루션에 대한 '피드백'을 요청하는 방식**은 가장 얻기 쉽지만, 다루기 어렵고 수학적 함수로 표현하기 어렵습니다.

제독들의 비공식적인 선호도를 공식화하기 위해 **'보상 함수(Reward Function)'를 정의**합니다. 이는 강화 학습의 핵심 개념으로, 시행착오를 통해 가장 적합한 행동을 학습하는 방식입니다. 강화 학습 알고리즘은 주어진 해결책을 통해 어떤 보상 함수를 해결했는지 역으로 추론할 수 있도록 돕습니다.

설명 가능한 AI를 위한 메트릭 정의

학습된 보상 함수는 종종 블랙박스 모델이 되기 때문에, **제독에게 AI의 발견을 설명하기 어렵습니다.** 이를 해결하기 위해 '히포(Hippo)를 올리는' 즉, 제독과 함께 도메인 지식을 활용하여 '타겟까지의 거리, 배터리/연료, 안전 구역, 교전 규칙, 커버리지'와 같은 명시적인 메트릭을 정의합니다.

이러한 메트릭은 강화 학습 내에서 예측하고, 민감도 분석이나 선형 회귀를 통해 **각 메트릭이 의사결정에 얼마나 기여하는지 파악**하여 모델을 설명 가능하게 만듭니다. 이를 통해 제독들은 AI가 어떤 기준으로 결정을 내렸는지 이해할 수 있습니다.

Admiral 프레임워크는 **손실 함수(Loss Function)를 통해 제독의 선호도를 최적화 문제에 통합**합니다. 여기에는 '알파(맛 점수)', '베타(어려움 또는 제약 조건)', '소프트 선호도' 세 가지 가중치가 사용됩니다. 이러한 가중치들을 손실 함수에 넣어 최적화 공간을 정의하며, 이는 그래디언트 소프트 최적화에 큰 도움이 됩니다.

예상 시간이 15분에서 2시간 정도로 제한된 해상 작전 환경에서는 토치(Torch)와 같은 무거운 라이브러리를 필요할 때만 메모리에 올리는 **효율적인 리소스 관리**가 필수적입니다. 손실 함수는 매우 간단한 형태로 유지되지만, 본질적으로 선형 문제로 정의되어 다양한 선형 최적화 기법을 적용할 수 있습니다.

파레토 프론티어와 제독의 행동 패턴

순수 최적화 해답과 제독의 해답 사이의 간극을 연결하기 위해 **'파레토 프론티어' 개념을 사용**합니다. 흥미롭게도, 제독들은 문헌에서 예상하는 것보다 훨씬 더 수학적으로 효율적인 결정을 내리는 경향이 있습니다. 이는 제독들이 초기에는 수학적 최적화에 가깝게 행동한다는 것을 보여줍니다.

하지만 특정 지점을 넘어서면, **제독들은 작은 변화에도 매우 민감하게 반응하여 효율성이 급격히 감소**하는 경향을 보입니다. 그리고 더 큰 변화에는 무관심해지면서, 더 이상 솔루션에 관심을 보이지 않습니다. 이러한 패턴은 제독의 의사결정에 대한 중요한 통찰력을 제공합니다.

하이브리드 솔루션이 구축되면, 이제 **모델 검증 단계**가 필요합니다. 이 과정에서는 최적화된 답변을 더 작은 부분으로 나누어 시계열 또는 순차적 의사 결정 문제로 접근합니다. 문제 분해는 수동으로 하는 것이 가장 효과적이며, 이를 통해 작은 최적화 문제를 해결하고 각 부분에 대한 제독의 선호도를 다시 요청할 수 있습니다.

이러한 반복적인 피드백 루프는 더 나은 모델을 구축하는 데 도움이 되지만, **제독의 초기 역량에 따라 솔루션의 품질이 제한될 수 있다는 단점**이 있습니다. 따라서 이러한 통찰력을 일반적인 훈련 시나리오로 일반화하기 위해 **딥 강화 학습(Deep Reinforcement Learning)**을 활용합니다.

모델 훈련 프로세스는 세 가지로 나뉩니다: 'Good Bet Tax', 'Reference Based Policy Updates', 그리고 **'Off-Policy Learning'**입니다. 오프폴리시 러닝은 체스 선수 훈련처럼 시뮬레이션을 통해 모델을 훈련시키는 것으로, 초기에는 이상한 결과가 나올 수 있으므로 주의해야 합니다.

실제 구현에서는 모델의 예측과 제독의 피드백을 비교하여 손실을 계산합니다. **피드백이 긍정적이면 그 방향으로 학습하고, 부정적이면 반대 방향으로 학습**합니다. 하지만 제독의 선호도가 수학적 진실과 일치하지 않는 경우, 모델은 제자리에 갇힐 수 있으며, 이를 해결하기 위해서는 전문가의 통찰력이 필요합니다.

AI 솔루션의 운영 안전 및 신뢰성

AI를 실제 운영에 적용할 때는 **운영 안전이 최우선**입니다. 이를 위해 Admiral Driven Policy는 기계가 알 수 없는 상황에 대비하여 **하드코딩된 규칙 세트**를 사용합니다. 이 규칙은 입력 데이터 단계와 모델 출력 단계 모두에서 적용되어 안전 및 제약 조건을 규제합니다.

계획 생성 시에는 **IRL과 DRL을 모두 활용하여 설명 가능하고 적용 가능한 솔루션**을 만들어야 합니다. 과적합은 특히 해양 작전과 같은 분야에서 매우 위험한데, 훈련과 테스트 데이터가 유사하지 않아 합법적으로 보이지만 실제로는 대표성이 없는 공간에서 과적합이 발생할 수 있기 때문입니다.

**희소성 데이터는 능동 학습으로 해결**하고, 합성 시나리오에만 의존하지 말아야 합니다. 또한, 인간의 의견은 서로 다르고, 특히 두 명의 제독의 의견은 극도로 다를 수 있으므로, **합의를 얻고 인지적 부담이 적은 의사결정을 돕는 것이 중요**합니다. 전문가들을 존중하고 그들이 처리할 수 있는 임무를 주어야 합니다.

실시간 의사결정에서는 **안전이 통제 전, 중, 후 모든 단계에서 중요**합니다. 블랙박스 모델은 위험하며, 끊임없이 비판하고 신뢰하지 않아야 합니다. 가장 중요한 것은 **사용자가 AI가 무엇을 하는지 이해할 수 있도록 '신뢰'를 구축**하는 것입니다. 사용자가 이해하지 못한다면, 뭔가 잘못하고 있는 것입니다.

해군 제독과 같은 비전문가 사용자를 위한 AI 솔루션을 개발할 때 마주하는 주요 과제는 무엇이며, 이러한 과제를 극복하기 위한 발표자의 접근 방식은 무엇인가요?

Admiral 기반 머신러닝 프레임워크는 어떻게 해군 제독의 선호도와 전문 지식을 포착하고 이를 모델 학습에 활용하는가요? 특히 세 가지 데이터 수집 방식에 대해 설명해 주세요.

강화 학습(Reinforcement Learning)이 해상 작전 계획을 위한 AI 솔루션에 어떻게 적용될 수 있으며, 전통적인 지도 학습이나 비지도 학습과 비교했을 때 어떤 이점이 있나요?

수학적 최적화와 해군 제독의 직관적 판단 사이의 간극을 좁히기 위해 프레임워크는 어떤 하이브리드 솔루션을 제안하며, 파레토 프론티어 분석을 통해 얻은 통찰력은 무엇인가요?

발표자가 강조하는 AI 솔루션의 '신뢰'는 무엇을 의미하며, 이를 달성하기 위해 Admiral Driven Policy와 같은 안전 및 제약 조건은 어떻게 적용될 수 있나요?

오늘 우리는 해양 작전 및 자원 할당을 위한 Admiral 기반 머신러닝 프레임워크에 대해 이야기할 것입니다. 제목을 짧게 하고 싶었는데 이렇게 됐네요.

오늘 강연의 진짜 내용에 대해 이야기해 봅시다.

오늘 강연은 우리가 AI 솔루션을 개발하고 싶어한다는 것입니다.

제목에 대해 사과드립니다. 전문가들이 좋아하는 내용을 이야기하겠습니다.

이것은 전문가가 아닌 사용자를 위해 ML을 수행하는 데 민감한 부분입니다.

이것은 전문 지식과 능력 등입니다.

오늘 저는 사용자를 위한 머신러닝 및 AI 솔루션에 집중하고 싶습니다.

이것은 단순히 다른 사고방식이며, 오늘 우리는 무엇, 왜, 어떻게에 대해 이야기할 것입니다.

구체적으로 우리는 스카나에 있습니다. 저는 스카나 로보틱스에서 일합니다.

우리는 자율적인 수중 및 수중 도구를 만듭니다.

이것은 많은 알고리즘을 필요로 하고 우리가 확신시켜야 할 점 중 하나는 이러한 것들이 효과가 있다는 것입니다.

해군 제독은 장군과 같지만 자존심과 바다가 있을 뿐입니다.

이것이 상황의 장단점입니다. 우리가 설득해야 할 사람들은 정말 광범위한 문제를 해결합니다.

약간 되돌아 가겠습니다. 어떻게 청소하는지.

물속에서는 정말 어렵습니다. 원격 측정과 모든 종류의 실시간 로컬 의사 결정, 그리고 약간의 회상을 포함한 계획 문제 등을 통해 알려드릴 수 있습니다.

아마도 여러분은 이런 것들을 풀 수 있을 것이고, 우리는 고전적인 알고리즘과 머신 러닝 및 딥 러닝을 사용하여 풀고 있습니다. 이제 우리의 스트림에 대해 이야기해 보겠습니다.

밥은 해군 제독입니다. 밥에 대해 생각할 때 여러 가지 암묵적인 목표를 생각하게 됩니다.

밥은 해군에서 수년간 근무한 후 자신의 역할에 왔습니다. 어느 해군인지는 중요하지 않습니다.

그리고 그는 독트린을 가지고 있습니다.

잠시 생각해 보면 해군은 매우 독특합니다.

저는 해군에서 복무하지 않았고 잘 알지 못했지만 도착했을 때 알게 되었습니다.

매우 오래되었습니다. 해군은 역사적으로 가장 잘 확립된 군대라고 할 수 있습니다.

생각해 보면 해군은 오늘날에도 매우 강력한 힘입니다.

최근 전쟁 중에 미국인들이 군인, 배, 비행기로 가득 찬 함대를 데려왔다는 것을 알게 되었습니다.

이것은 정치, 경제적 발언이기도 합니다.

해군은 매우 강력한 존재입니다.

반면에 새로운 밥이 있는데, 그가 로봇 작업을 했기 때문에 잘 보이는지 모르겠습니다.

이제 우리의 새로운 밥은 여러분 모두가 좋아하고 알고 있듯이 수학적 최적화 문제를 해결합니다.

이제 두 밥 사이를 연결해야 합니다.

대부분 해상 작전을 계획하지 않았을 것이라고 생각합니다.

괜찮습니다. 저도 그다지 잘하지 못합니다. 그래서 우리에게는 두 가지 옵션이 있습니다.

왼쪽은 AI 기반 솔루션이고 오른쪽은 애드미럴 D 솔루션입니다.

진짜 제독에게 맡겼는데, 여러분도 TV에서 봤을 거예요.

이 복잡한 문제를 해결하도록 했습니다.

여기 왼쪽에서 보시다시피 두 척의 배가 섬 주위를 돌고 있고 세 번째 배도 한 바퀴 돌면서 어디로 갈지 결정합니다. 제독 쪽에서는 약간 이상한 경로를 택했습니다.

몇 가지 사항에 주목하고 싶습니다.

첫 번째는 우리 알고리즘이 연료 문제를 해결했다는 것입니다.

우리는 가능한 한 저렴하고 가능한 한 빨리 목표에 도달하고 싶어 합니다. 몇 분이나 집에 가고 싶어 하는지 들어보니 모두가 빨리 집에 가고 싶어 하더군요. 우리 배도 마찬가지입니다.

하지만 눈치채셨겠지만, 제독은 이 경로를 거의 가지 않았습니다.

나중에 그에게 이 경로가 무엇이냐고 물었을 때, 그의 대답은 '아, 잘 봐, 내가 저 뒤에 있어서 잘 안 보일 거야.'였습니다.

멋지네요. 또 다른 흥미로운 것을 반대하지 않습니다.

우리 알고리즘은 중간에 있는 배를 활용했고, 리버스가 있었습니다.

우리는 그에게 빨간 배를 파괴하라고 말했습니다.

그는 이 도구를 활용하고 있습니다.

왜 그가 그것을 활용할까요? 수학적으로 승리할 확률을 높이기 때문입니다.

이것은 합리적인 해결책입니다. 반면에, 주의하시면 우리 제독은 중간 도구를 건드리지 않았습니다.

왜냐고 묻자 그는 안 된다고 했지만 나중에 문제가 생길 거라고 했습니다.

제가 그에게 나중에 문제가 없을 거라고 하자 그는 시뮬레이션이라고 했습니다.

그는 항상 나중에 문제가 있다고 합니다.

이제 여러분은 이상하게 들린다고 웃을 수 있지만 사실은 여기에 문제가 있습니다.

사실 요점은 제독들이 해결하는 최적화의 문제가 무엇인지 우리에게 말할 수는 없지만 매우 복잡한 최적화 문제를 해결한다는 것입니다.

그들은 3,500년의 축적된 지식의 역사를 가지고 있고, 보통 20년의 개인적인 경험을 더 가지고 있습니다. 그래서 우리는 이 두 가지 접근 방식을 고려해야 합니다. 이제 우리의 해결책이 정말 수학적이고 다른 모든 종류의 요구에 가장 적합하기 때문에 와서 취소할 수 없습니다. 따라서 중간에 어떤 해결책을 찾아야 합니다.

그래서 Admiral은 여러 가지 이유로 적응력이 뛰어나고 결정을 더 빨리 내리며 일반적으로 더 신중하고 시뮬레이션할 수 있으며 해군에서 결코 이루어지지 않은 데이터를 가져올 수 있어야 합니다. 데이터의 양은 엄청나고 실행 가능한 계획과 직관 등의 지원으로 바꿀 수 있습니다.

반면에 저희 쪽에서는 제독이 필요합니다.

왜 제독이 필요할까요? 솔직히 저희가 문제를 제대로 해결하지 못하고 있기 때문입니다.

아무도 저희에게 제대로 해결하는 방법을 설명해주지 않았지만, 어쨌든 저희는 여전히 제대로 해결해야 합니다.

그래서 저희는 약탈에 대처해야 할 겁니다.

그런데 솔직히 말해서 고객에게 받아들여질 만한 일을 하고 있다는 느낌 때문에 정확성을 포기하고 싶을 때가 많습니다. 운영상으로는 정말 안타까운 일이죠.

덧붙여서, 제가 여기서 제독에 대해 말하는 모든 것은 변호사, 의사, 모든 해설자에게도 해당됩니다. AI는 어렵지만, 적어도 제가 접해본 다른 모든 영역과는 다른 우리 영역 특유의 문제입니다. AI에 멀미까지 더하고 동시에 총을 쏘면 정말 어려워집니다.

몇 가지 짜증나는 특징이 있기 때문입니다.

높은 불확실성. 바다는 우리가 있을 수 없는 플랫폼이고, 있기 힘든 영역입니다.

그리고 우리가 방어 상황에 대해 이야기할 때, 여러분은 매우 불확실한 상황에 처하게 됩니다.

데이터는 일반적으로 매우 나쁘고 세상은 변하고 있습니다.

저는 여러분 대부분이 머신 러닝을 하는 사람들이라고 생각합니다. 아마 콘셉트 드리프트에 대해 들어보셨을 겁니다.

드리프트는 머신 러닝의 특정 수학적 속성으로, 모델이 학습할 때마다 또는 일반적으로 데이터에 대해 매우 중요한 숨겨진 가정을 한다는 것입니다. 과거의 것이 미래에도 그러할 것이라고 가정하는 것이죠.

하지만 보통 그렇지 않습니다. 그리고 그렇지 않을 때, 이 속성을 콘셉트 드리프트라고 부릅니다.

이는 분포 또는 소스 변수의 분포 또는 타겟의 분포가 시간이 지남에 따라 변하거나 모델 자체의 사용으로 인해 변한다는 것을 의미합니다.

Teddy Lazebnik: Admiral-Driven ML Framework for Marine Operations (HE) | PyData Tel Aviv 2025

스크립트