PE Notes · AI

SNN, 메타휴리스틱스, 튜링 테스트, 라벨링

스파이크로 시간을 인코딩하는 SNN, 근사 탐색인 메타휴리스틱스, 행동으로 지능을 묻는 튜링 테스트, 정답을 붙이는 라벨링·어노테이션을 구분합니다.

2026-09-06

한 문항에 네 개념이 붙는 유형입니다. 각각 정보 표현, 탐색 전략, 지능 판별, 정답 부착이라 축이 다릅니다. 정의를 한 줄로 가른 뒤 비교표를 올립니다.

SNN (스파이킹 신경망)

은 연속 실수를 동기적으로 전달합니다. 은 생물 뉴런의 전기 펄스를 본떠, 시간 축의 0/1 스파이크 발화 시점으로 정보를 담습니다. 스파이크가 난 뉴런만 계산하므로 이벤트 기반입니다.

초저전력 엣지 추론, 이벤트 카메라, 뇌-컴퓨터 인터페이스가 맞는 자리입니다. 학습 알고리즘이 아직 ANN만큼 안정되지 않은 것이 한계입니다.

는 닫힌 해가 없는 대규모 최적화에서, 자연·물리 은유로 충분히 좋은 근사해를 시간 안에 찾는 탐색 가족입니다. 최적 보장은 하지 않습니다. 정확 알고리즘이 작은 문제에서 최적을 약속하는 것과 대비됩니다.

타부 탐색은 최근 이동을 금지 목록에 넣어 순환을 막고, 등산법은 이웃 중 나은 쪽으로만 갑니다. 스케줄링·경로처럼 NP-hard에 자주 붙습니다.

는 1950년 앨런 튜링의 사고 실험입니다. 심판이 글만으로 상대가 사람인지 기계인지 가리지 못하면, 그 기계를 지능 있다고 보자는 행동주의 기준입니다.

의의는 지능을 바깥에서 관찰되는 행동으로 정의한 점입니다. 한계는 언어만 보고, 추론·감정·자의식을 가리지 못한다는 점입니다. 중국어 방 논증이 대표 비판입니다. 근래 대화 모델이 글 수준에서는 구분이 어려워지면서, “통과 = 이해”인지는 여전히 논쟁입니다.

라벨링은 이미지·텍스트·음성에 정답 태그를 다는 일입니다. 은 그보다 넓어, 바운딩박스·세그멘테이션·개체명·감성처럼 구조화된 메타데이터를 붙입니다.

방법은 전문가 수동, 크라우드소싱, AI 초안 후 사람 검수, 규칙 기반 약한 지도로 나뉩니다. 정확도와 비용이 반대입니다.

품질은 가이드를 먼저 공유하고 를 재며, 경계 사례를 문서화하고, 여러 주석자 다수결이나 전문가 최종 검수를 겹칩니다. 상세 절차는 데이터 품질 노트와 이어집니다.