본 논문은 딥러닝의 발전과 함께 AGI(인공 일반 지능) 구현에 한 걸음 더 다가서고 있지만, 기존의 확률적 모델링이 고차원 매개변수 공간, 이기종 데이터 소스, 진화하는 실세계 요구사항 등으로 인해 한계에 직면하고 있음을 지적합니다. 이에 따라 기존에 학습된 확률 분포를 엔지니어링 아티팩트로 취급하여 적극적으로 수정하고 강화하는 새로운 개념인 '확률 엔지니어링(Probability Engineering)'을 제안합니다. 확률 엔지니어링은 기존 확률 분포를 개선하여 강건성, 효율성, 적응성, 신뢰성을 향상시키는 새로운 기법과 제약 조건을 도입합니다. 베이지안 딥러닝, 에지 AI(연합 학습 및 지식 증류 포함), 생성 AI(확산 모델을 이용한 텍스트-이미지 생성 및 대규모 언어 모델을 이용한 고품질 텍스트 생성 포함) 등 다양한 응용 분야에서 이 패러다임을 보여주는 사례 연구를 통해, 정적 객체로 취급되던 확률 분포를 대규모, 데이터 집약적이고 신뢰할 수 있는 AI 시스템의 다양하고 진화하는 요구사항을 충족하도록 엔지니어링할 수 있음을 보여줍니다. 결론적으로 확률적 모델링의 역할을 체계적으로 확장하고 강화함으로써, 오늘날 빠르게 성장하는 AI 시대에 더욱 강력하고, 적응력이 뛰어나며, 효율적이고, 신뢰할 수 있는 딥러닝 솔루션을 위한 길을 열어줍니다.
