1. 설명력 – 이미 활발한 연구 주제
2. 시간이 걸리지만 됨. 시간에 따라 변화하는 패턴은 굳이 딥러닝 아니더라도 머신러닝에서 많이 나오는 문제
3. 연속적인 데이터를 처리하는 방법론은 이미 잘 정립되어 있는 듯…?
현실적인 문제는, Bn님이 설명해주신대로, 이론이 아닌 실제 적용에서 잘 안되고, 이게 왜 되고, 왜 안되는지 잘 모름. 그리고 데이터 준비하는거가 매우 현실적인 문제로 다가옴. 그리고 딥러닝은 일반적으로 아직 현실의 문제를 제대로 해결하지 못하는데, -_- 딥러닝 엔지니어의 몸값이 너무 비싸기 때문.
biomedical research에서 PI들이 가장 궁금해 하는 것이 어떤 variables이 outcome measure 의 예측에 가장 중요한지, 혹은 outcome measure를 잘 설명하는 지를 궁금해 하는데 딥러닝으로는 대답을 해 줄 수가 없습니다.
이것이 가장 큰 맹점이 아닐까 생각합니다.
– Difficult to integrate with human expertise: 딥러닝 모델이 완전히 블랙박스라서 문제를 완벽하게 맡겨버리지 않는 이상, 그 분야 전문가 (유저)의 피드백이나 검증이 필요로 할 때 난감해짐. 모델에 적용은 가능하더라도 뭐가 얼마나 바뀌었는지 유저 입장에서 확인이 안되기 때문에 장시간 쓸수록 점점 꼬임.
– Impossible to predict capability on unseen data: 사용자 입장에서 모델이 얼마나 넓은 범주의 문제를 어느 정도 잘 해결할 지 이해불가능함..
– 인간에게도 어려운 문제: 앤드류 응이 말했듯이 사람이 3초 이내로 판단 못 내리는 문제는 딥러닝도 못 할 가능성이 높음. 데이터가 장시간 생각한 결과를 내포하는 경우는 전혀 다른 문제라고 봐야함.
– 기타 등등등등 너무 많지만 그래도 아직 써먹을 데는 무궁무진