최근 Autonomy 2.0의 철학에 깊이 공감하고 휴리스틱이라는 단어와 그것이 함의하는 바를 이해하기 되면서, 휴리스틱은 되도록이면 안 좋은 것이라는 생각이 커져 간다. 특히, Tesla와 Wayve를 볼 때면 나만 이런 휴리스틱한 알고리즘을 고민하고 있는 것 같고, 이렇게 휴리스틱을 붙이는 방식으로 개발을 해서는 영원히 자율주행 문제를 풀 수 없겠다는 생각과 회의감이 왕왕 든다.

다행히 고수들의 푸념을 엿듣고 있자면 휴리스틱을 적용해 나가는 현상이 엔지니어링 판에서 늘상 일어나는 일이라는 위안을 얻을 수 있었다(참고1). 실세계 문제 극복을 위해 휴리스틱의 완전 대척점에 있는 방법인 딥러닝 기반의 시스템을 사용하려고 하더라도 데이터 부족 문제를 보고 다시 고개를 돌린 사람은 한둘이 아니겠다. Autonomy 2.0 철학을 적용하고 싶어도 데이터가 없다는 1차적인 문제로 시도조차 하기 어려운 것이다.

나 스스로를 비롯하여 주위 엔지니어들이 '휴리스틱'이라고 불리는 방법들을 사용할 수밖에 없다고 하더라도 회의적인 시선으로 바라보지만은 않아야 하지 않을까? 인간의 직관에 기반한 알고리즘들은 생각보다 굉장히 강력하다. 풀고자 하는 문제에 이러한 알고리즘들을 적절히 섞으면 생각보다 많은 문제들을 풀 수 있다. 선대의 엔지니어들과 학자들은 실제로도 그런 식으로 문제를 해결해 왔다.

2021.11.24 작성, 2026.01.19 템플릿에 맞춰 수정

parse me : 언젠가 이 메모에 쓰이면 좋을 것 같은 재료들입니다.

1. ‣
   • 과거에 E2E 비전 자율주행 라이브러리를 만들어보고 싶었다.
2. ‣
   • 실세계에서도 굉장히 잘 작동한다고 알려진 특징 추출(SLAM 파이프라인의 feature extraction) 알고리즘들에서도 많은 휴리스틱을 발견할 수 있었다.
3. ‣
   • 앞의 글에서는 결국 통찰을 만들기 위해서는 휴리스틱의 조합 시도가 필요하다고 이야기한다.

from : 이 메모에 쓰인 생각을 만든 과거의 생각들과 연관관계를 설명합니다.

1. deer.a7.1_1_4. title: 이미지의 가장자리 추론이 불안정한 이유는 Receptive field 문제가 아니라 도메인 차이(Domain Gap)와 맥락(Semantic) 손실 문제이다.
   • 2D detection, segmentation 문제로 자율주행 문제에 접근했을 때도 의미적 맥락 손실 문제를 마주할 수 있었다.
2. aa2. title: 자율주행 소프트웨어는 일부분만 표준화했을 땐 불편하더라도, 불편해 보이는 시스템에 전체가 표준화되면 효율이 올라갈 수 있다.
   • 아무리 이렇게 마음을 먹어도 풀리지 않는 의문이 여전히 남아 있다. 가령 실외 자율주행 문제는 아직 해결이 요원하다.
   • 프로젝트의 흥망(뭐라도 해야 하고, 뭐라도 동작하는 것을 보여야 성공)과 같은 시야에서 벗어나, 21세기 인간이 풀어야 하는 문제의 관점에서 생각해 보자. 아무리 휴리스틱이 좋고 훌륭해도 수천 년간의 문제해결 방식이었던 휴리스틱을 자율주행같은 문제에 계속 시도하는 것이 궁극적으로 실외 자율주행을 성공시킬 수 있는 것인가에 대한 의문을 지울 수는 없는 것 같다. 휴리스틱이 일부 남아있는 시스템은 최고의 성능을 발휘하지 못할지도 모른다.

supplementary : 이 메모에 작성된 생각을 뒷받침하는 새로운 메모입니다.

1. None

opposite : 이 메모에 작성된 생각과 대조되는 새로운 메모입니다.

1. None