“인공지능, 수학문제를 이해하다.”라는 꿈을 이루려는 DeepMath 팀의 프로젝트에 대해 알아보겠습니다.

현재 대한민국은 세계 최고 수준의 수학 학업성취도를 자랑하지만, 소득에 따른 심각한 교육 격차가 존재하고 있는 양면의 모습을 보여주고 있습니다. 

DeepMath는 전국 어디서나 저렴한 비용으로 학생들에게 상향평준화된 맞춤형 수학교육을 경험할 수 있게 해주는 프로젝트입니다.

DeepMath는 수학문제를 컴퓨터 즉 인공지능이 이해하여 학생들, 사용자들에게 맞춤형으로 추천해주는 방식입니다. 

그렇기 때문에 인공지능이 어떻게 수학문제를 이해하게 만들지가 가장 중요한 핵심 요소입니다. 

그 부분을 “자연어 처리를 위한 기술인 Word2Vec의 한글 모델 구현 경험을 바탕으로 다양한 전처리 기법과 

신경망 설계 과정을 통해 수학 문제를 벡터화 시킨다면 해결할 수 있겠다”라는 생각에서 시작하여 이 팀만의 독자적인 기술인 Math2Vec을 만들게 됩니다.

이 기술은 많은 양의 수학문제 데이터를 컴퓨터가 이해할 수 있게 하는 것입니다. 많은 양의 데이터를 이해한 컴퓨터가 학생의 부족한 점을 세부적으로 분석하여 맞춤형 문제를 제시할 수 있게 됩니다.

여기서 잠깐! Math2Vec 기술에 대해 좀 더 알아보고 넘어갈까요?

그전에 Math2Vec의 아버지인 Word2Vec을 간략하게 설명드리면 단어 자체가 가지는 의미를 다차원 공간에서 ‘벡터화’하는 방식입니다. 

단어들을 벡터화하는 이론은 언어학의 'Distributional Hypothesis'라는 가정에 입각하여 이루어집니다.

이것은 단어들이 같은 문맥에서 등장하면 유사한 의미를 가지는 단어라고 판단하자라는 가정입니다. 

여기서 단어의 의미 자체를 벡터화할 수 있게 되면, 각 단어들 사이의 유사도를 측정할 수 있고 벡터 자체가 수치화되어 있기 때문에 벡터 연산을 통한 추론이 가능하게 됩니다.

예를 들면 ‘한국’에 대한 벡터에서 ‘서울’에 대한 벡터를 빼고, ‘도쿄’에 대한 벡터를 넣으면 이 새로운 벡터의 연산 결과 가장 근접한 단어는 ‘일본’이라는 결과가 나옵니다.

이와 마찬가지로 단어에서 수학 용어로 벡터화 시키는 매체가 변하면 바로 Math2Vec이 탄생하게 됩니다.