오답은 있지만 정답은 없다.

사람은 AI model에서 Black Box랑 비슷하다.

사람이 어떤 아웃풋(좋은 대학등)을 내야, 인사권자의 예측(채용)이 정확한지 아닌 지 알 수 있다.

인사권자는 이미 수많은 training data와 Y(true label)을 가지고 있다.

그래서 사람이 training data와 Y를 얼마나 잘 예측하는 지 "정확률"이 높을 수록 좋다. 여기서 training data는 수능, 대학 시험, 가령 자격증같은 것들이 있겠다.

이것들은 전부 Y라는 정답이 있다. 즉, in distribution 문제 or transductive 문제이다.
*In distribution문제란, Test data가 training data에 있는 것들.

하지만, 세상에는 정답이 없다. 가령, 내가 어떤 일을 해야하는 지 정답이 있을까? 없다. 그러니, Out of distribution or Inductive Problem이다.
*Out of distribution문제란, Test data가 training data에 없는 것들.

어쩌면, Transductive 문제에서, 정확도가 높으면, Inductive 문제에서도 정확도가 높다는 "편견"을 가질 수는 있다. 그리고 경험적으로, 사회적으로, 인정되는 "사실"이라고 판단되어 왔다.

하지만, 사람 개개인의 미시적 관점에서 본다면,
사회가 만들어 놓은 In distribution Framework에 따라 살아왔다.
그런데, 정답은 없는 그런 상황을 직면하였을 때, 정답을 찾을려고 하는 것이다.
즉, 머리의 사고가 "정답을 찾아야 하는" 접근법을 취하는 것이다.

아이러니가 아닐 수가 없다. 이때, 사람에게 혼란이 생긴다. Transductive Mindset에 몰입한 나머지, 대학 졸업장, 대학교 학점이 자신의 "무기"라고 판단하며, 이걸로 회사에 도움이 될거라고 생각한다.
급변한 변화의 세상속에서 위 Mindset은 하등 도움이 안된다.
이미 회사에서도 경력직을 찾고 있지 않은가.

좋은 예가 있다.

"야마구치입니다. 귀사(유명회사)의 취직하고 싶습니다."
"무슨 일을 하실 수 있습니까?"
"도쿄 대학 출신입니다."
"학벌을 묻는 것이 아니라 그동안 무슨 일을 해왔으며 앞으로 어떤 일을 하실 수 있는 지 묻는 겁니다."
"도쿄대학 법합부를 나왔습니다."
"그런 것은 중요하지 않습니다. 영어회화에 자신있습니까?"
"영어는 못하지만 도쿄대 법대를 나왔습니다."
"파생 상품에 대해서 잘 아십니까?"
"그런 것은 잘 모르지만, 도쿄대 법대를 나왔습니다."
"도쿄대 얘기는 뺴고 이야기합시다."
그 남자는 말이 없다가 전화를 끊었다고 하며, 신문이 실린 실화이다.

인사권자나 우리의 궁극적인 목표는 Inductive 문제인데,
효율성, 비용절감 측면에서 Transductive 문제에 과도하게 쏠리다보니, 이런 아이러니가 발생하는 것이다.

p.s. Transdutive 문제가 목표가 된다는 것이 뭘 의미할까? 이 세상에 이미 정답이 있는 것을 푼다는 게 뭘 의미하는 걸까?
-> 저임금, 단순반복, 대체되기 쉬움, 메뉴얼대로 일할 가능성이 높음.

사회로 나간다는 것은 Transdutive 에서 Inductive로 패러다임이 변하는 것을 추구해야 한다고 생각한다.

쉽게말하면, 우리는 현재 상황을 직시하고, 역사(esp. historical strategy)를 바탕으로 Inductive 한 미래에 좋은 수를 둬야 한다.

하지만, 역사를 계속 답습하는 것은, 좋은 수를 못 두는 것과 같다.

대학 과정이 나쁜 점만 있는 건 아니다.
Inductive 한 사회에 살아갈려면, "사회가 필요로 하는 가치"를 적절히 제공하면 된다.
사회 구성원 개개인들도 결국은 사람에 불과하다. 즉, 사람들이 모여 어떤 시장을 형성하는 것이다.
그런 관점에서 대학 과정은 개개인의 가치를 끌어올리는 곳이라고 생각한다.

개인의 가치를 올릴줄 알아야, 사회에 가치를 제공할 수 있다. 사회도 결국 사람들의 집합이니깐. 위 사실이 항상 참은 아니라고 생각한다.

아마, 여기까지 이해되었다면, 인공지능 시대에서 살아남는 법도 잘 알것이다.
인공지능은 Transductive는 잘하지만 Inductive에서는 떨어진다.
우리의 가치를 끌어 올리는 것에 인공지능을 쓰면 도움이 된다.
하지만 사회에 가치를 주는 관점에서는 다른 얘기이다.