[앞으로 당연하게 여길] IT 서비스의 진화, 인공지능

인공지능 (Artificial intelligence)

인공지능은 앞서 언급한 IOT와 웹 3.0 기술을 포함해, 모든 IT 서비스에 적용될 수 있을 정도로 광범위한 활용 범위를 갖습니다. 개발자로 일하고 있는 저 역시, 인공지능에 관해선 자세하게 알지 못할 정도로 그 분야도 넓습니다.

인공지능, 빅데이터, 머신러닝, 딥러닝

인공지능이란 무엇일까요? 이에 관해선 오라클 사이트에서 정의한 AI에 대한 설명으로 갈음하겠습니다.

AI, 즉 인공 지능이란 쉽게 말해 인간의 지능을 모방하여 작업을 수행하고 수집한 정보를 토대로 자체 성능을 반복적으로 개선할 수 있는 시스템입니다.

예를 들어, AI가 적용된 금융사 챗봇은 고객과의 대화(텍스트 정보를 주고 받는 과정)를 많이 거치면 거칠수록 고객의 문제를 더욱 빠르고 정확한 답변을 사용자에게 줄 수 있습니다.
혹은 알렉사나 시리 같은 지능형 어시스턴트들은 사용자와의 음성 데이터를 학습함으로써 더욱 정확하게 사용자의 요구에 대응할 수 있게 됩니다.
또 AI가 적용된 추천 엔진은 사용자의 시청 기록 데이터를 바탕으로 더욱 많은 데이터를 학습할수록 더욱 맞춤화된 시청 정보를 제공할 수 있습니다.

이처럼 AI는 특정 형식이나 기능보다는 지능적인 사고 및 데이터 분석을 위한 프로세스와 기능에 더 가깝습니다. 그렇다면 빅데이터란 무엇일까요? 말 그대로 수없이 많은 양의 데이터를 통칭하는 말입니다. 그렇다면 빅데이터와 AI 간의 관계는 무엇일까요? AI가 동작하려면, 빅데이터가 필수적으로 마련된 상황이어야 합니다. 그리고 머신러닝이란 무엇일까요? 또 AI와 무슨 관계가 있을까요? AI는 머신러닝을 포함하는 개념입니다. 그래서 모든 머신러닝은 머신러닝인 동시에 AI이지만, 모든 AI가 머신 러닝은 아닙니다. 머신러닝은 세부적으로 학습 방법을 포함하는 개념입니다. 따라서 머신러닝은 머신러닝이 동작하도록 만드는 머신러닝 알고리즘을 말하기도 합니다. 머신러닝 알고리즘은 AI를 동작하도록 지도하는 기법을 말합니다. 딥러닝은 머신러닝 알고리즘의 한 종류입니다. 인공신경망이라는 구조를 바탕으로 대량의 데이터를 학습하는 방법입니다. 대표적으로 페이스북은 사용자에 대한 정보를 더욱 많이 파악하기 위해, 업로드한 이미지를 분석합니다. 이를 통해, 사용자 타겟 광고를 개선하고 더 좋은 광고를 제안하기 위해 사용하죠.

인공지능의 발전 과정

위 설명만 들어선 이해가 어려우실 것 같아 인공지능이 어떻게 발전해왔는지 설명하며, 해당 기술의 중요한 컨셉을 말씀드리겠습니다.

1943년, 딥러닝의 기원

최초 인공지능의 태동은 1943년, 미국의 신경생리학자인 워렌 맥클록과 월터 피츠의 연구인 A Logical Calculus of Ideas Immanent in Nervous Activity란 제목의 논문입니다. 전기 스위치처럼 켜고 끄는 기초 기능의 인공 신경을 그물망 형태로 연결하면 사람 뇌에서 동작하는 아주 간단한 기능을 흉내 낼 수 있음을 증명했다고 합니다. 위 논문을 통해 뉴런의 작용을 0과 1로 이루어지는 2진법 논리 모델로 설명해냄으로써, 딥러닝의 기원이 되는 인공신경말 모델이 등장하는 데 큰 역할을 합니다.

1950년, 튜링의 사고기계 제안

1950년에는 인공지능 등장 가능성을 높였던 연구가 발표되었는데, 이미테이션 게임의 베네딕트 컴버배치가 연기한 앨런 튜링의 Computing Machinery and Intelligence라는 논문입니다. 참고로 앨런 튜링은 영국의 수학자로 제 2차 세계대전 당시, 독일군의 암호체계인 애니그마를 프로그래밍이 가능한 최초의 디지털 컴퓨터였던 콜로서스를 통해 해독한 것으로 유명해졌죠. 논문에는 컴퓨터가 사람의 사고방식을 모방한다는 의미로 튜링이 고안한 ‘튜링 테스트(이미테이션 게임)’가 소개됩니다. 튜링 테스트는 익명의 상대와 대화를 나눈 뒤 상대가 컴퓨터인지 인간인지 구분하는 인공지능 판정 시험을 말합니다. 만약 기계와 대화했을 때 인간과 구분하기 힘들다면, 기계도 인간처럼 생각할 수 있다고 보는 것입니다.

1956년, 인공지능의 등장

인공지능이 공식적으로 처음 언급된 것은 1956년입니다. 알렌 튜링이 고안한 튜링 머신을 최초의 인공지능이라고 보기도 하지만, 공식적으론 다트머스 컨퍼런스를 통해 컴퓨터 과학자였던 마빈 민스키 박사가 언급한 것이 최초였다고 합니다. 그는 뇌 신경망을 모방해 컴퓨터의 논리회로를 만들면 컴퓨터도 지능을 가질 수 있다고 믿었습니다. 그는 인간의 뇌를 이루는 수많은 신경세포인 뉴런(신호를 전달하고 정보를 받아들이며 처리하는 역할을 함)은 자극을 받았을 때 전기를 발생시켜 다른 세포로 정보를 전달할 뿐, 각각의 세포 자체가 지능을 갖고 있지는 않다고 봤기 때문에 논리회로를 어떻게 연결하느냐에 따라, 컴퓨터를 인간처럼 생각하는 기계로 만들 수 있다고 생각했죠.

1958년, 퍼셉트론의 등장

1958년 프랭크 로젠블렛(FrankRosenblatt)이 퍼셉트론(Perceptron)을 고안합니다. 퍼셉트론은 입력된 패턴을 한번에 하나씩 비교하면서 원하는 출력값이 나올 때까지 가중치를 조절하면서 학습하는 개념을 말합니다. 인간의 뇌에서 일어나는 학습 원리에 가중치(Weight)를 통한 논리적인 계산을 염두에 둔 인공신경망은, 이미지 인식과 만나면서 좀더 다양한 측면에서 인공지능을 활용할 수 있게 되었습니다. 이렇게 등장한 퍼셉트론은 사진으로부터 남자와 여자를 구별하기도 하며, 이로 인해 사람들은 인공지능의 발전에 관해 낙관적인 생각을 하게 됩니다.

1969년, XOR 문제와 AI의 1차 겨울

그러나 1960년대 후반, 민스키 박사가 시모어 패퍼트 박사와 함께 ‘퍼셉트론(perceptron)’의 한계를 밝힙니다. 퍼셉트론은 AND 또는 OR 같은 선형 분리가 가능한 문제는 가능하지만, 선형(linear) 방식으로 데이터를 구분할 수 없는 XOR 문제(exclusive or이라 부르며, 주어진 2개의 명제 가운데 1개만 참일 경우를 판단하는 논리 연산)에는 적용할 수 없다는 것이죠. 이전까지 학계는 퍼셉트론에 대해 낙관적으로 기대했지만 민스키 교수가 퍼셉트론이 학습할 수 있는 범위에 한계가 있음을 입증하면서 인공지능 새로운 국면을 맞이하게 됐습니다.

1986년, 다층 퍼셉트론 문제 해결과 AI의 부활

1986년 제프리 힌튼이 다층 퍼셉트론(Multi-LayerPerceptrons)과 역전파(Back-propagation) 알고리즘을 실험적으로 증명합니다. 이를 통해 AI의 겨울을 불러 온 XOR 문제를 해결해냈죠. 오랜 암흑기를 깨고 인공 신경망과 AI 연구가 다시 되살아 난 것입니다. 다층 퍼센트론은 히든 레이어라는 중간층을 추가함으로써 XOR 문제를 해결할 수 있었고, 역전파 알고리즘은 정방(Feed forward) 연산 이후 오차를 후방으로 다시 보내는 방법으로 가중치 값을 최적화하여 다층 신경망을 가능하게 만들었습니다.

1990년대, 기울기 소실 문제와 AI의 2차 겨울

다층 퍼셉트론과 역전파 방법으로 인공신경망은 다시 주목받았습니다. 다만 이것만으로는 신경망에 적용할 수 있는 범위가 한정적이었죠. 크고 복잡한 데이터를 다루려면 히든 레이어를 여러 개 연결해야 하는데, 다층 퍼센트론과 역전파 방법만 갖고는 제대로 학습되지 않았습니다. 다음으로 기울기 소실 문제(VanishingGradient Problem)가 발생했습니다. 이는 AI의 두 번째 겨울이 찾아오게 만든 결정적인 문제였죠. 인공신경망의 계층이 많아질수록 학습에 중요한 역할을 하는 입력층의 가중치 조정이 제대로 되지 않은 겁니다. 그래서 신경망을 적용할 수 있는 범위가 한정될 수밖에 없었습니다.

2000년대, 딥러닝의 등장

1990년대 인공신경망 연구는 기울기 소실 문제 등 한계에 부딪히며 어려운 시기를 보내야 했습니다. 10년 이상 이어진 유난히 춥고 긴 두번째 인공지능의 겨울이었죠. 또 다시 세상의 관심과 투자는 사라져갔고, 수 많은 연구자들이 떠나가야 했습니다. 하지만 2000년대 들어 부흥기가 찾아왔습니다. 힘든 시기를 견디며 연구를 지속한 소수의 선구자들 덕분이었죠. 또한 인터넷의 확산으로 빅데이터가 생겨나고, 컴퓨터의 성능이 좋아지고, 기존의 알고리즘이 가진 문제들이 해결되면서 재도약의 발판이 마련됐습니다.

2006년 제프린 힌튼이 ‘A fast learning algorithm for deep belief nets’라는 논문을 발표합니다. 심층 신뢰 신경망(Deep Belief Network, DBN)이라는 새로운 알고리즘을 통해 기존 신경망이 가진 난제를 해결해냈죠. 이를 계기로 오늘날까지 이어지는 딥러닝의 시대가 본격적으로 열리게 됩니다.

심층 신뢰 신경망은 입력층과 하나의 은닉층으로 구성되어 있는 제한 볼츠만 머신(Restricted Boltzmann Machine, RBM)을 빌딩 블럭(building block)과 같이 여러 층으로 쌓아 올린 형태입니다. 사전 학습(Pretraining)을 통해 기울기 소실 문제를 해결하고, 학습 도중에 고의로 데이터를 누락시키는 방법(dropout)을 사용하여 새로운 데이터를 잘 처리하지 못하는 문제까지 해결할 수 있었죠. 이런 방법을 통해 기존 인공신경망의 한계를 뛰어넘어 딥러닝이 탄생할 수 있었습니다.

2016년, 알파고 바둑에서 인간 최고수에 승리

알파고는 지도학습과 비지도 학습을 동시에 사용하는데, 비지도 학습의 한 종류인 강화 학습 기술로 혼자 대국을 두며 학습할 수 있었습니다. 또한 수많은 경우의 수가 펼쳐지는 바둑에 적합한 몬테카를로 트리 탐색 기법을 활용해 최적의 수를 결정했습니다. 이를 통해, 전세계 모든 사람들이 인간의 고유한 능력이라고 믿었던 직관과 추론도 AI가 인간을 넘어설 수 있다는 사실을 알 수 있게 되었죠.

더욱 가속화되는 발전 속도

그런데 최근 들어서 인공지능과 관련된 연구가 더욱 급증하고 있습니다. 그 이유는 발전을 저해하던 요소들이 사라졌기 때문입니다.

빅데이터

인공지능의 발전을 저해하던 원인 중 하나는 인공지능 학습에 필요한 방대한 양의 데이터가 없었기 때문이었습니다. 그러나 웹이 발전하면서 수많은 정보를 인터넷으로부터 얻을 수 있게 됨에 따라 더욱 빠르게 발전이 가능해졌습니다. 또 IDC(International Data Corporation)에서는 2017년 발표한 IDC의 백서 Data AGE 2025에서 2025년까지 전 세계를 합쳐 163 제타바이트의 데이터가 생성될 것이라고 발표하기도 했습니다. 참고로 이는 지난 20여년동안 출하된 하드디스크의 80억대를 합친 4ZB의 40배에 달합니다. 어마어마한 수치죠.

컴퓨팅 파워

또 GPU, 흔히 그래픽카드의 발전이 인공지능 발전에 큰 역할을 했습니다. GPU는 원래 이름 그대로 컴퓨터 그래픽 요소를 처리하기 위해 만든 개념입니다. 하지만 GPU가 일반적인 연산에도 유용하게 쓰인다는 것이 알려지면서, 범용 컴퓨팅 처리를 위한 GPGPU(General-Purpose computing on GPU) 기술이 개발됐습니다. 2010년 엔비디아가 GPGPU 기술이 공개하면서, 딥러닝 활용이 급격하게 늘어나게 됐습니다. 또 성능이 발전하는 속도도 가속화되고 있습니다. 2018년 출시된 GPU(병렬처리가 가능)는 2013년에 출시된 가장 빠른 버전보다 40~80배 빠르다고 합니다. 비단 알파고 뿐만 아니라 자율 주행 자동차까지, GPU는 인공지능 시스템의 핵심을 담당하며, 하드웨어의 발전으로 더욱 연구 속도가 빨라지고 있습니다.

더 많은 연구 (알고리즘, 논문)

실제 비즈니스에 적용된 사례 분석

이론적인 배경에 관하여 충분히 살펴봤으니, 실제 비즈니스에 적용된 사례를 살펴봅시다. AI는 대표적으로 비즈니스 프로세스 자동화(일반적으로 백오피스 행정 및 재무 활동), 데이터 분석을 통한 통찰력 확보, 고객 및 직원과의 소통이라는 세 가지 중요한 비즈니스 요구를 지원할 수 있습니다.

교육 : 학습자의 수준에 맞는 개인화된 맞춤 학습자료 제공

여러분은 토익 공부를 어떻게 하시나요? 교육 분야에서 AI를 접목해, 개인 맞춤형으로 토익 공부를 시켜주는 서비스가 있습니다. 바로 교육 스타트업 뤼이드(Riiid)가 2017년 발표한 산타토익입니다. 산타토익의 ‘인공지능(AI) 튜터’가 제공하는 예제 10개를 풀어보는 것만으로 사용자의 부족한 영역을 파악합니다. 학원에 갈 필요 없이 언제 어디서든 스마트폰으로 나만의 맞춤 강의를 본다. 출제 유형을 망라한 1만 개의 예제 중 AI가 선별해준 문제를 풀고 더 효율적으로 점수를 올릴 수 있습니다. 여기에도 인공지능 기술이 적용되는데, 현재까지 이용자가 푼 문제는 무엇이고 그 중 불필요한 문제는 무엇인지, 그리고 이용자에게 가장 부족한 유형은 무엇인지를 분석, 꼭 필요하다고 판단되는 문제만 제시해 풀게끔 유도합니다. 참고로 뤼이드는 2018년 본격적으로 매출이 발생했고, 2019년 6월엔 ‘시리즈 C’ 투자를 유치, 2021년에는 2000억원 규모의 '시리즈 D' 투자를 받아, 누적 투자금액이 2840억원에 달합니다.

음성인식(speech recognition) 기술은 1950년대 도입된 기술로서 처음에는 크게 언어와 소리의 두 가지 패턴을 코드화해 음성 신호로부터 문자 정보를 출력하는데 국한되어 있었으나, 현재는 인간과 기계의 완벽한 의미전달과 의사소통을 목표로 하루가 다르게 진화하고 있습니다. AI 스피커는 음성인식(Speech to Text; STT)과 합성(Text to Speech; TTS)을 종합적으로 구현하는 기술을 말하며, AI 스피커가 처음 등장하였을 당시에는 그저 ‘똑똑한 비서’ 또는 ‘말하는 리모컨’ 정도의 역할(Intelligent Personal Assistant, IPA)을 하는 기계라는 인식이 강했습니다. 하지만 현재의 AI 스피커는 머신러닝(machine learning)과 딥러닝(deep learning) 기반 음성인식 및 합성기술의 비약적인 발전과 함께 새로운 가능성을 열어가고 있습니다. AI 스피커는 사용자의 발화를 이해하고 사용자가 요청하는 작업을 정확하게 수행해야하므로 자연어 처리(Natural Language Processing; NLP) 등의 다양한 인공지능 관련 기술들이 접목됩니다.

금융

금융 분야는 그 특성상 폐쇄적일 수밖에 없는 고유의 특수성이 존재해 고객 편의성 측면에서는 성장이 다소 더디었던 것이 사실인데, AI 기술의 도입이 늘어남에 따라 사용자의 편의성이 대폭 증대되고 있습니다. 은행사들은 모바일 환경 중심으로 애플리케이션 및 서비스를 적극 개발하고 있는 가운데, 사용자는 영업점을 굳이 방문하지 않고도 많은 금융 업무들을 할 수 있게 됐습니다. 정부 차원에서도 이에 맞춰 관련 제도의 적극적인 도입을 통해 금융 분야의 AI 활성화를 추진하고 있죠.

기본적으로는 소비 패턴을 파악하고 분석한 뒤 이에 맞는 솔루션이나 투자 포트폴리오를 추천/제안해주는 기능을 비롯해 머신러닝으로 사용자의 얼굴을 인식해 결제되는 안면인식결제, 방문 예약이나 업무에 따른 필요 서류를 안내해주는 AI 은행원, 원하는 내용에 대해 간편하게 상담을 받을 수 있는 AI 챗봇 서비스 등이 선호되고 있습니다. 챗봇의 예시로는 SK(주) C&C의 ‘Aibril Chatbot’이 뛰어난 자연어 처리 능력과 유연하고 확장성 높은 On-Premise 엔진으로 안정적인 기능을 갖췄다는 평가를 받고 있죠. 자연 언어 분석으로 고급 정보를 추출해내는 솔루션인 ‘Aibril TA(Text Analistics)’의 경우 상담 업무의 자동화와 효율화를 이뤄내면서 Digital Contact Center의 AI 업무 혁신도 기대되고 있습니다.

제조

제조업 분야에는 스마트팩토리 구축을 위한 불량 검수 등등 딥러닝 로봇프로세스 자동화 RPA(Robotic Process Automation) 시스템이 적용 중입니다. 반복적인 업무를 자동으로 수행하는 건 기본이고, 더욱 심화된 작업이 가능한 시스템으로 점진적인 발전이 이뤄지고 있죠. 기계 설비의 이상 징후를 감지해 예상치 못한 사고를 방지하거나 불량품을 사전에 쉽게 걸러내는 등 돌발적인 상황을 대비할 수 있으면서도 보다 정교하고 고차원적인 작업이 가능한 자동화 공정입니다.

SK(주) C&C의 경우, 기존 머신 비전의 개념에 머신러닝과 딥러닝을 결합해, 셀프 트레이닝이 가능한 재주를 가진 ‘스마트 비전 드라이브(Smart Vision-DRIVE)’라는 자동화 공정 솔루션을 제시하고 있기도 합니다. 분석 알고리즘의 지속적 업그레이드가 가능하고, 공정 라인이 변동되는 상황에서도 능동적으로 대응할 수 있는 솔루션이죠. 이에 더해, 산업 현장에서 드론 카메라나 CCTV를 통해 돌발적인 위험 요소를 파악하고 방지할 수 있는 산업안전관리용 영상 플랫폼 ‘aiden’도 업계의 관심을 받고 있습니다.

헬스케어

헬스케어 분야도 AI 기술이 적극적으로 활용되고 있는 분야입니다. 시장의 규모가 2025년까지 무려 200억 달러에 가까운 성장을 보일 것으로 전망되고 있습니다. 이에 따라 세계 각국은 헬스케어에 AI 기술과 제도를 융합하기 위해 저마다의 강점을 극대화할 수 있는 발전 전략을 수립하고 있죠.

헬스케어 분야에서는 대량의 데이터를 처리하고 분석하는 기술로써 특히 머신러닝이 각광받으며 채택되고 있는데요. 의료기관, 연구소, 그리고 보험사를 비롯해 IBM이나 인텔, 구글, 엔비디아, 마이크로소프트 같은 IT 기업들이 환자의 건강 데이터를 수집하고 처리하기 위해 머신러닝 알고리즘 칩셋과 딥러닝 지원 솔루션 등을 적극 개발하고 있습니다.

우리나라 기업의 경우를 살펴보면 삼성 메디슨이 영상의학과용 초음파 진단기기에 딥러닝 기술을 접목해 한번의 클릭으로 유방 병변의 특성과 악성/양성 여부를 파악할 수 있는 시스템을 선보였고, 셀바스 AI는 건강보험을 보유한 51만명의 데이터를 기반으로 6대암 등이 발병할 확률을 파악할 수 있는 셀비체크업이라는 시스템 서비스를 선보인 바 있습니다. SK(주) C&C는 사망 원인 1위로 지목되는 뇌출혈을 전문의급 판독 정확도를 가진 AI가 영상을 통해 판독하는 뇌출혈 영상 판독 AI 모델이나, 신약의 개발에 있어 높아지는 개발비와 낮아지는 투자 회수율을 극복할 수 있도록 AI를 통해 타겟을 정밀하게 예측/발굴하고 검증할 수 있는 ‘iCLUE’ 등 다양한 의료 현장에서의 AI 도입 수요에 맞춰 여러 가지 형태의 서비스를 적극 개발하고 있습니다.

교통 : Maas(Mobility As a Service)

사실 도시 안의 모든 이동 수단을 하나의 서비스로 연결할 기술은 이미 존재합니다. 대부분의 사람이 스마트폰을 사용하고 있고, 최근에는 4G 네트워크 시대를 넘어 5G 시대가 열렸으니 말이죠. 하지만 기술만 있을 뿐 각기 다른 교통수단 업체들을 하나로 모으는 일은 쉽지 않습니다. 이해관계가 맞지 않는다는 이유로 단 하나의 교통수단이라도 배제하게 되면 ‘MaaS’는 완성될 수 없기 때문인데요. 따라서 사람들이 가장 많이 이용하는 버스, 지하철, 열차를 하나로 모으기 위해 정부가 나서는 것은 불가피할 것입니다.

두 번째는 전기차에 대한 이슈인데요. 사실 ‘MaaS’가 활성화되면 어느 정도 교통 체증은 해결되겠지만 기존에 사용하지 않았던 자동차까지 도로로 쏟아져 나오면서 괴리가 발생할 수도 있습니다. 여기서 친환경적인 전기차가 훌륭한 대안이 될 수 있겠죠. 하지만 전기차 시장의 성장은 ‘MaaS’의 확산 속도에 비하면 더딘 편입니다. 따라서 전기차 시장의 확대를 위해 정부의 적극적인 지원이 필요합니다.

마지막으로 다룰 주제는 자율주행 대한 것입니다. 자율주행 기술은 편리하다는 점에서 ‘MaaS’의 편의성을 극대화해 줍니다. 저희 쌍용자동차도 뷰:티풀 코란도의 ‘딥 컨트롤(Deep Control)’ 등의 기능으로 완전한 자율주행의 가능성을 선보이고 있고, 다른 회사들도 기술을 개발하기 위해 무던히 노력하고 있죠. 하지만 아직은 자율주행 기술이 완벽하지 않은 상황이기 때문에 우려의 목소리도 많이 들리는데요. 자율주행 기술이 지금보다 더 완전해진다면 복잡한 서울에서도 더욱 편리한 ‘MaaS’ 기능을 즐길 수 있을 것입니다.

[앞으로 당연하게 여길] 웹의 진화, WEB 3 (0)	2022.09.24
[이제는 너무나 당연한] 이커머스의 성공, 아마존 (0)	2022.09.13
[이제는 너무나 당연한] 스마트폰의 성공, Facebook (0)	2022.09.13
[이제는 너무나 당연한] 웹의 성공, 구글 (0)	2022.08.22

[앞으로 당연하게 여길] IT 서비스의 진화, 인공지능

인공지능 (Artificial intelligence)

인공지능, 빅데이터, 머신러닝, 딥러닝

인공지능의 발전 과정

더욱 가속화되는 발전 속도

실제 비즈니스에 적용된 사례 분석

참고한 사이트

'취ㆍ창업ㆍ투자ㆍ칼럼 > IT 칼럼' 카테고리의 다른 글

댓글

티스토리툴바