이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Ben Recht가 이번 학기의 대학원 세미나를 예측 기술의 습득과 예측 문화의 비판적 회고를 결합하는 구조로 설계했습니다. 수업은 날씨·지진학·역학·경제·여론·LLMs·Prediction Markets를 거치며, 단기 예측이 행동을 결정하고 장기 예측이 위험 관리와 대비를 지원하는 차이를 짚습니다. 방법론 영역에서는 Scoring Rules, Calibration, Maximum Likelihood, Utility Maximization, Simulation Models, Uncertainty Quantification, offline·online optimization을 다루되 합리적 예측가가 되는 처방보다 모델과 비용 함수가 판단을 어떻게 제한하는지에 초점을 둡니다. 학생들은 각자 예측 대상을 정해 매주 도구를 적용하고 학기 말에 결과의 정확도를 평가합니다.
섹션별 상세
이번 대학원 세미나는 예측을 더 잘하는 기술만 가르치는 대신, 예측이 사회와 정책에서 어떤 역할을 맡아왔는지 비판적으로 되짚는 구조입니다. 매주 특정 응용 영역을 정한 뒤 한 회차에서는 그 영역에서 예측이 필요한 이유와 쓰임을, 다른 회차에서는 실제 방법론을 다루는 주간 분할을 사용합니다. 학생들은 날씨에서 지진학·역학·종말론적 사고로 이동하는 주제의 흐름을 따라가며 자연을 예측하는 능력이 시간 범위에 따라 어떻게 달라지는지 비교하게 됩니다.
예측의 시간 범위가 길어질수록 정밀한 행동 지침보다 위험 관리와 대비 정책의 역할이 커진다는 구분이 세미나의 중심축입니다. 열흘 단위의 날씨는 비교적 정확한 행동 결정을 지원하지만, 대규모 기후 변화나 대지진의 시점은 확률과 정성적 판단에 머뭅니다. 따라서 단기 예측은 즉각적인 조치를 이끌고 장기 예측은 준비·신속 대응·위험 관리의 기준을 제공한다는 차이가 수업의 문제의식으로 이어집니다.
정책 영역에서는 Cost-Benefit Analysis와 경제 예측이 정부 의사결정의 기반이 된 과정을 추적합니다. 비용과 편익을 본질적으로 알기 어려운 대상까지 특정 숫자로 환산하는 방식이 미국의 법안과 정책 절차에 필수화된 배경을 짚고, 경제학이 예측 가능한 대상인 ‘the economy’를 구성한 과정도 연결합니다. 예측 방법이 단순한 계산 도구를 넘어 정부가 현실을 분류하고 정책 우선순위를 정하는 틀이 된다는 점이 핵심 쟁점입니다.
여론 예측에서는 선거 여론조사가 사람들의 의견을 읽기 위한 수단에서 결과를 예측하는 장치로 바뀐 경로를 인간 집단 Simulation의 역사와 함께 다룹니다. 정책 시나리오에서 인간 행동을 모사한 여러 시도가 빗나간 사례를 돌아본 뒤, LLMs로 사람들이 무엇을 할지 예측하려는 현재의 관심을 같은 계보에 놓습니다. 사람에게 직접 묻지 않고 Simulation으로 대체하려는 발상이 어떤 한계를 반복하는지 검증하는 구성이 마련됩니다.
방법론 수업은 저자가 보는 Machine Learning을 최적화 중심의 알고리즘적 패턴 인식으로 출발점 삼아 Scoring Rules·Calibration·Maximum Likelihood·Utility Maximization을 연결합니다. Probabilistic Recurrence Models·Dynamical System Models·Differential Equations 같은 모델과 Simulation 도구가 입력된 가정과 Cost Functions를 거쳐 예측을 산출하고, Uncertainty Quantification이 그 결과의 Error Bars를 표현하는 흐름을 학습합니다. 비용 함수와 모델이 알고리즘의 선택지를 제한하므로 창의성의 상당 부분은 예측을 만드는 순간보다 평가 기준을 정하는 과정에 집중된다는 문제 제기가 남습니다.
용어 해설
- 비용·편익 분석(Cost-Benefit Analysis)
- — 정책이나 법안의 비용과 편익을 금액처럼 특정 수치로 환산해 비교하는 방법입니다. 글에서는 본질적으로 알기 어려운 가치를 수치화하고, 미국 거버넌스에서 법안과 정책을 평가하는 필수 절차로 자리 잡은 과정을 비판적으로 다룰 핵심 개념입니다.
- 점수화 규칙(Scoring Rules)
- — 확률 예측의 품질을 사후 결과와 비교해 평가하는 규칙입니다. 예측값이 실제 결과에 얼마나 부합했는지 수치로 측정하며, 글에서는 Calibration·Maximum Likelihood·Brier Score와 함께 예측 시스템의 성과를 판단하는 방법으로 연결됩니다.
- 확률 보정(Calibration)
- — 예측 확률과 실제 발생 빈도가 얼마나 일치하는지 평가하는 개념입니다. 예를 들어 70%라고 예측한 사건들이 장기적으로 약 70% 발생하는지를 확인하며, 글에서는 좋은 예측 방법을 평가하는 주요 기준으로 제시됩니다.
- 불확실성 정량화(Uncertainty Quantification)
- — 모델의 예측에 포함된 불확실성을 수치와 오차 범위로 표현하는 방법입니다. 예측값 주변의 error bars를 산출해 결과가 얼마나 흔들릴 수 있는지 나타내며, 글에서는 장기 예측과 위험 관리에 필요한 방법론으로 다뤄집니다.
- 예측 시장(Prediction Markets)
- — 미래 사건의 결과에 확률이나 배당률을 부여하고 참여자들의 판단을 거래 형태로 집계하는 정보 처리 시스템입니다. 글에서는 Superforecasting·Punditry·Gambling과 함께 사람들이 불확실한 미래를 수치화하려는 문화적 이유를 묻는 주제로 등장합니다.
기술
- LLMs
- Claude
- Machine Learning
- Scoring Rules
- Calibration
- Maximum Likelihood
- Utility Maximization
- Probabilistic Recurrence Models
- Dynamical System Models
- Differential Equations
- Uncertainty Quantification
- offline optimization
- online optimization
활용 사례
- 날씨와 기후 예측
- 지진 영향 예측과 대비 정책
- 역학적 위험 관리
- 정부 정책과 법안 평가
- 경제 예측
- 선거 결과 예측
- LLMs를 활용한 인간 행동 예측
- Prediction Markets
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 27.수집 2026. 08. 28.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
