머신러닝은 장기 시계열 데이터를 처리하지 못한다.

보다 정확하게는 오늘날의 ML시스템은 시계열 데이터에서 프랙탈 구조를 유추 할 수 없다.
자율주행차, AlphaStar(스타2 AI), RNN 같은게 시계열데이터를 처리하는게 아니라고? => 그렇다
* 자율주행차
자율주행은 ML과 절차적 프로그래밍의 하이브리드를 사용.
ML은 보행자 인식과 같은 저수준 항목들을 처리하며, 절차적(통계적이지 않은) 프로그래밍이 네비게이션 같은 항목을 처리. Uber 의 Self-Crashing car 관련 리포트로 설명
* AlphaStar
우버보다 조금 더 복잡한 수준으로 두개의 신경망을 사용. 하나는 승률을 예측하고, 하나는 어떤 움직임을 수행할지 파악. 이 둘이 시계열 문제를 두개의 별도 Stateless 문제로 바꾼다.
APM 핸디캡이 없다면 당연히 AlphaStar가 이기겠지만, 핸디캡이 있어도 전술적으로는 AlphaStar 가 이기지만, 고레벨 플레이어들이 전략적인 이해에서 앞서기 때문에 사람이 이길 수 있다. 무한의 컴퓨팅 파워가 있지 않는 이상, 복잡한 전략 계산에서 벽에 부딛힌다. 인간의 두뇌는 이런 방식으로 제한되지 않는다.

글 저자의 인공지능 첫번째 법칙
"프랙탈로 구성되지 않은 알고리즘은 결국 계산 벽에 부딪치며 그 반대도 마찬가지이다"

결론에서 프랙탈 방식으로 신경망을 구성하기 위해 Feed Forward Neural Network (FFNN) 과 Connectome-Specific Harmonic Waves (CSHW) 를 얘기합니다.