자율주행차, 커넥티드 기기, 디지털 트랜스포메이션, 사물인터넷(IoT), 머신러닝, 인공지능(AI), 자동화 등 2017년 한 해를 주도해온 기술 트렌드는 2018년은 물론 그 미래에까지도 계속될 것입니다. 실질적인 차이는 이 기술들의 결합에서 찾을 수 있는데요.
한 예로, 인공지능과 사물인터넷은 그 자체로 트랜스포메이션의 성격(transformative)을 지닙니다. 사물인공지능(artificial intelligence of things)으로 구현될 연결되고 자동화된 세상의 디지털 트랜스포메이션을 상상해보세요. 2018년에는 지능(intelligence)과 자동화(Automation)라는 두 가지 파괴적인 혁신 기술의 역할이 중요해질 것입니다.
지능(Intelligence)
스마트한 공장, 도시, 자동차, 가정을 구현하려면 운영 시스템 또한 스마트해야 합니다. 그 기반에는 공통의 규칙 집합을 일반화하고 최적화할 수 있는 능동적인 실시간 학습 시스템이 있으며, 이들 시스템은 항상 켜져 있고 개인화될 수 있습니다.
지난 10년 동안 알고리즘 학습을 최적화시키는 데 상당한 노력이 기울여졌습니다. 결과적으로 인공지능은 DNN(Deep Neural Networks)이 제한적인 단일 도메인의 작업을 수행할 수 있도록 학습시키는 지도(supervised) 딥러닝(deep learning)의 지원 속에 놀라운 발전을 이루었습니다. 지도 학습은 다양한 사례(빅데이터)에 노출된 상태에서 알고리즘에게 정답을 알려주는 방식이지만, 사람의 한계를 뛰어넘는 기능을 갖춘 시스템을 구축할 수 있습니다.
스탠포드대학교(Stanford University)의 과학자들은 신경망이 피부과 전문의만큼 정확하게 피부암을 진단 하도록 학습시켰습니다. 무려 약 13만개의 의료 이미지가 필요했죠. 사람들은 각자 다르게 학습하며, 많은 양의 데이터가 필요하지는 않으나 기계보다 빨리 학습할 수는 없습니다. 따라서 종종 전문인을 양성하는 것보다 알고리즘을 학습시키는 것이 더 빠르죠.
그러나 여전히 인공지능은 지능적이지 않습니다. 하나의 놀라운 알고리즘 기술일 뿐이죠. 정확히, 알고리즘은 사람과 학습하는 방식이 다르기 때문에 사물을 다르게 봅니다. 사람의 수준을 뛰어넘는 관계와 패턴을 볼 수 있죠. 톰 그루버(Trout Gruber) 가 TED 강연에서 말했듯이 이제는 어떻게 하면 우리가 기계를 더 스마트하게 만들 수 있는지가 아니라 기계와 알고리즘이 어떻게 우리를 더 스마트하게 만들 수 있는지에 대해 논의해야 할 때입니다. 아마 알고리즘이 자율적으로 공급망을 운영하도록 두지는 않겠지만, 시스템의 현재 구성이나 상태를 기반으로 어떤 최적화 방안을 제시할지 지켜보게 될 것입니다. 인공지능의 의사결정이 우리를 놀라게 할지도 모릅니다.
초점은 비지도(unsupervised) 방법을 세상의 패턴과 연관시키고, 복잡한 환경에서 최상의 조치를 취할 수 있도록 최적화하는 것으로 이동하고 있으며, 이미 놀라운 성과를 달성하고 있습니다. 구글 딥마인드(DeepMind)의 알파고 제로(AlphaGo Zero) 는 전문가의 기술과 수백만 건의 게임을 훈련한 신경망으로 구성되어 있습니다. 알파고 제로 시스템은 게임의 규칙만을 입력한 상태에서 전적으로 스스로 학습한 후 알파고 100을 이겼습니다. 또 체스 버전인 알파 제로(Alpha Zero)는 24시간 동안의 학습만으로 현존 최고의 체스 프로그램을 꺾었죠.
2018년부터는 감독이 거의 필요 없는 강화 학습(reinforcement learning)을 기반으로 한 시스템이 게임을 주도하게 될 것입니다. 공급망 최적화, 고객 여정, 예측 유지보수, 데이터센터 운영, 빌딩 자동화는 모두 규칙 기반의 시스템을 이용하는 분야인데요. 이제는 이러한 시스템이 인간이 만드는 논리 대신 규칙을 더욱 최적의 상태로 적용하도록 신속하게 학습시킬 수 있습니다.
자동화(Automation)
오늘날 빅데이터 시대에 데이터의 양은 사람과 사물 사이의 연결이 늘어남에 따라 계속해서 증가할 것입니다. 그리고 자동화는 필수가 됐죠.
데이터 과학자들은 전체 분석 시간의 80%를 데이터를 랭들링(wrangling), 정리(cleaning), 결합(joining)하는 데 씁니다. 21세기 최고의 직업인 데이터 과학자가 데이터로부터 가치를 끌어내는 데 주력할 수 있도록 데이터 관리를 자동화 할 수 있다면 어떨까요?
분석은 데이터 홍수로부터 인사이트와 가치를 이끌어내는 핵심적인 역할을 합니다. 또 범람하는 데이터 중심의 문제를 해결하는 데 분석의 자동화는 필수가 되었습니다. 자동화를 통해 우리는 고부가 가치 업무에 집중하는 것은 물론 운영 효율성과 반복성을 확보할 수 있죠.
머신러닝과 인공지능은 자동화를 실현시켜줄 기술입니다. 그렇지만 아직 머신러닝과 인공지능 시스템이 어떻게 작동하는지, 어떻게 의사결정을 내리는지 설명할 수 없기 때문에 신뢰에도 한계가 있습니다.
우리는 사람 관계를 수학과 논리로 대체할 준비가 되어있지 않습니다. 사람들은 논리를 갖고 이해하고 체계화하기를 좋아하죠. 소프트웨어는 사람들이 작성한 코드, 즉 알려진 방법으로 컴퓨터 시스템에 의해 처리되는 정보입니다. 작업이 잘못되면 논리를 디버그하고 수정할 수 있습니다.
사람들은 종종 자율성과 자동화를 혼동합니다. 자동화된 작업은 사람을 대신해 의사결정을 내릴 필요가 없으며, 사람의 제어 하에 작동합니다. 이러한 혼동은 자동화를 인공지능의 문맥에서 논의하기 때문에 발생하며, 우리는 지나친 지능과 역량을 부여하는 경향이 있죠.
딥러닝을 기반으로 한 인공지능 시스템은 그저 소프트웨어의 한 종류일 뿐입니다. 학습의 과정을 통해 자신만의 로직을 만드는 알고리즘이죠. 의료 이미지를 통해 피부암을 진단하는 DNN(deep neural network)은 사람의 눈이 자신의 눈을 학습시킵니다. 이러한 인공지능 시스템의 예측, 분류, 이동은 직관적일 뿐 아니라 그 논리를 이해할 수 없기 때문에 놀라운 결과를 내기도 합니다. 인공지능 시스템은 직관적인 것이 아니라 이해할 수 없는 것입니다. 자신의 비밀을 드러내지 않죠. 공정하고, 설명가능하며, 투명한 인공지능에 대해 다양한 연구들이 진행되고 있는 이유입니다.
눈 앞에 다가온 미래
자동화와 인공지능은 사람의 역량을 끌어올려줄 잠재성을 가집니다. 모든 기술과 마찬가지로 인공지능은 보조 기술입니다. 어쩌면 2018년 우리는 AI를 인공지능(artificial intelligence)이 아닌 ‘보조 정보(assistive information)’ 기술이라고 여기게 될 것입니다.
