-인공지능의 다양한 알고리즘을 내재화 하라!

바둑은 인간이 고안한 놀이 가운데 가장 복잡하다. 19×19 바둑판을 기준으로 바둑을 둘 때 등장하는 경우의 수는 무려 10의 171승에 이르는데, 이는 거의 무한에 가까운 수라고 할 수 있다. 때문에 바둑 특유의 복잡성은 오랫동안 인공지능의 도전 과제였다. 

이세돌이 알파고와의 대국장에 들어가기 전까지 사람들은 바둑에서 만큼은 컴퓨터가 인간을 이길 수 있는 날이 영원히 오지 않을 줄 알았다. 

먼훗날 인류사적 사건으로 기록될 인공지능과의 승부, 그리고 인간의 패배는 인공지능의 미래에 대해 새로운 인식을 가져다주었다. 

지금의 AI는 그 때보다 더 진보했다. ‘직감적으로’ 판단하고 ‘편견’까지 학습했다. 마치 인간처럼 말이다. 인간화 된 AI를 인간은 절대 이길 수 없다. 

- 이 기사는 <나침반 36.5도> 매거진 4월호 p.68에 4p 분량으로 수록된 내용입니다.
- <나침반 36.5도> 매거진을 읽고 학교생활기록부 독서활동에 기록해 봅시다!

경쟁력 있는 나만의 학생부 만드는 비법이 매달 손안에 들어온다면? 학종 인재로 가는 길잡이 나침반 36.5도와 함께라면 가능합니다. 매달 선명해지는 대입로드를 직접 확인하세요!

▼ <나침반 36.5도> 정기구독 신청

대학 길잡이 '나침반 36.5도' 정기구독 신청 클릭!
대학 길잡이 '나침반 36.5도' 정기구독 신청 클릭!

‘분석’ 잘 못하는 AI 대신할 인간의 역할 아직 남아 있다!
AI가 생활화 되면서 가장 없어지기 쉬운 직업 가운데 하나는 기자라는 직업이다. <LA타임스>에 있는 ‘퀘이크봇’이라는 로봇기자는 2012년 지진이 일어나는 것을 감지해 자동으로 기사를 작성했다. 

지진이 일어나자마자 5분 만에 과거 지진 기록·그래픽 자료까지 첨부해 기사를 작성·전달했다. 데이터를 바탕으로 일련의 알고리즘을 거쳐 신속한 기사를 내는 것이다. 

이렇게 빠르게 기사를 작성하는 것은 인간이 할 수 없다. 게다가 하나의 기사도 아니고 관련된 수건의 기사를 작성한다. 로봇 기자만의 특징이다. 

<LA타임스> 외에도 <포브스>, <AP통신>, <가디언> 등이 로봇기자를 활용하고 있다. 

그런데 여기 문제가 하나 있다. 컴퓨터는 누가, 언제, 어디서, 무엇을 했는지 ‘전할’ 수는 있지만 왜, 어떻게 했는지 ‘분석’하지는 못한다. 

물론 언젠가는 분석이 가능해져도 현재까지 AI가 근접할 수 있는 영역은 아니다. 즉, AI가 도입돼도 인간과 함께 공존해야 할 필요성이 있으며, AI로 많은 분야가 완전히 대체되기 전 인간이 할 수 있는 역할이 아직 많이 남아있다는 말이다. 

▲ 소니의 로봇 강아지 '아이보' [출처=estufs.com]

인공 지능: 인간의 지능을 기계로 구현하다
1956년 당시 인공 지능의 선구자들이 꿈꾼 것은 최종적으로 인간의 지능과 유사한 특성을 가진 복잡한 컴퓨터를 제작하는 것이었다. 

인간의 감각, 사고력을 지닌 채 인간처럼 생각하는 인공 지능을 ‘일반 AI(General AI)’라고 하지만 현재의 기술 발전 수준에서 만들 수 있는 인공지능은 ‘좁은 AI(Narrow AI)’의 개념에 포함된다. 

좁은 AI는 소셜 미디어의 이미지 분류 서비스나 얼굴 인식 기능 등과 같이 특정 작업을 인간 이상의 능력으로 해낼 수 있는 것이 특징이다. 

머신 러닝: 인공 지능을 구현하는 구체적 접근 방식
머신 러닝은 메일함의 스팸을 자동으로 걸러주는 역할을 한다. 머신 러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 한다. 

궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 ‘학습’시켜 작업 수행 방법을 익히는 것을 목표로 한다. 

머신 러닝은 초기 인공 지능 연구자들이 직접 제창한 개념에서 나온 것이며, 알고리즘 방식에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이지안(Bayesian) 네트워크 등이 포함된다. 

그러나 이 중 어느 것도 최종 목표라 할 수 있는 일반 AI를 달성하진 못했으며, 초기의 머신 러닝 접근 방식으로는 좁은 AI조차 완성하기 어려운 경우도 많았다. 

현재 머신 러닝은 컴퓨터 비전 등의 분야에서 큰 성과를 이뤄내고 있으나, 구체적인 지침이 아니더라도 인공 지능을 구현하는 과정 전반에 일정량의 코딩 작업이 수반된다는 한계점에 노출됐다. 

머신 러닝의 이미지 인식률은 상용화하기에 충분한 성능을 구현하지만, 안개가 끼거나 나무에 가려서 표지판이 잘 보이지 않는 특정 상황에서는 이미지 인식률이 떨어지기도 한다. 

최근까지 컴퓨터 비전과 이미지 인식이 인간의 수준으로 올라오지 못한 이유는 이 같은 인식률 문제와 잦은 오류 때문이다. 

딥 러닝: 완전한 머신 러닝을 실현하는 기술
초기 머신 러닝 연구자들이 만들어 낸 또 다른 알고리즘인 인공 신경망(artificial neural network)에 영감을 준 것은 인간의 뇌가 지닌 생물학적 특성, 특히 뉴런의 연결 구조였다. 

그러나 물리적으로 근접한 어떤 뉴런이든 상호 연결이 가능한 뇌와는 달리, 인공 신경망은 레이어 연결 및 데이터 전파 방향이 일정하다. 

딥 러닝은 인공신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습한다. 그러나 기본적인 신경망조차 굉장한 양의 연산을 필요로 하는 탓에 딥 러닝의 상용화는 초기부터 난관에 부딪혔다. 

그럼에도 토론토대의 제프리 힌튼(Geoffrey Hinton) 교수 연구팀과 같은 일부 기관에서는 연구를 지속했고, 슈퍼컴퓨터를 기반으로 딥 러닝 개념을 증명하는 알고리즘을 병렬화 하는데 성공했다. 

그리고 병렬 연산에 최적화된 GPU의 등장은 신경망의 연산 속도를 획기적으로 가속하며 진정한 딥 러닝 기반 인공 지능의 등장을 불러왔다. 

2012년, 구글과 스탠퍼드대 앤드류 응(Andrew NG) 교수는 1만 6,000개의 컴퓨터로 약 10억 개 이상의 신경망으로 이뤄진 ‘심층신경망(Deep Neural Network)’을 구현했다. 

이를 통해 유튜브에서 이미지 1,000만 개를 뽑아 분석한 뒤, 컴퓨터가 사람과 고양이 사진을 분류하도록 하는데 성공했다. 컴퓨터가 영상에 나온 고양이의 형태와 생김새를 인식하고 판단하는 과정을 스스로 학습하게 한 것이다. 

딥 러닝으로 훈련된 시스템의 이미지 인식 능력은 이미 인간을 앞서고 있다. 이 밖에도 딥 러닝의 영역에는 혈액의 암세포, MRI 스캔에서의 종양 식별 능력 등이 포함된다. 

구글의 알파고는 바둑의 기초를 배우고, 자신과 같은 AI를 상대로 반복적으로 대국을 벌이는 과정에서 그 신경망을 더욱 강화해 나갔다. 

딥 러닝으로 밝은 미래 꿈꾸는 인공 지능
딥 러닝의 등장으로 인해 머신 러닝의 실용성은 강화됐고, 인공 지능의 영역은 확장됐다. 딥 러닝은 컴퓨터 시스템을 통해 지원 가능한 모든 방식으로 작업을 세분화한다. 

운전자 없는 자동차, 더 나은 예방 의학, 더 정확한 영화 추천 등 딥 러닝 기반의 기술들은 우리 일상에서 이미 사용되고 있거나, 실용화를 앞두고 있다. 

딥 러닝은 공상과학에서 등장했던 일반 AI를 실현할 수 있는 잠재력을 지닌 인공 지능의 현재이자, 미래다. 

우리가 어떻게 성장해야 미래 인재로 거듭날 수 있는가는 우리 교육계의 숙제이자 우리 자신들의 숙제로 남아있다. 확실한 것은 인공지능 알고리즘과 산업 지식을 함께 갖춘 인재가 각광받게 된다는 것이다. 

인공지능을 마냥 어렵고 머나먼 미래의 얘기라고 치부해 관심 갖지 않는다면 인공지능 지배 아래에 있는 일자리밖에 얻을 수 없을지 모른다.  
 
■ <나침반> 4월호 해당 페이지 안내

*에듀진 기사 원문: http://www.edujin.co.kr/news/articleView.html?idxno=31283

저작권자 © 에듀진 인터넷 교육신문 무단전재 및 재배포 금지