인공지능

간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로서, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 인공지능이라고 말하고 있다.또한 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있는데 그 예로는 아래와 같이 5가지 정도가 있다.
① 자연언어처리(natural language processing) 분야에서는 이미 자동번역과 같은 시스템을 실용화하며, 특히 연구가 더 진행되면 사람이 컴퓨터와 대화하며 정보를 교환할 수 있게 되므로 컴퓨터 사용에 혁신적인 변화가 오게 될 것이다.
② 전문가시스템(expert system) 분야에서는 컴퓨터가 현재 인간이 하고 있는 여러 가지 전문적인 작업들(의사의 진단, 광물의 매장량 평가, 화합물의 구조 추정, 손해 배상 보험료의 판정 등)을 대신할 수 있도록 하는 것이다. 여러 분야 가운데서도 가장 일찍 발전하였다.
③ 컴퓨터가 TV 카메라를 통해 잡은 영상을 분석하여 그것이 무엇인지를 알아내거나, 사람의 목소리를 듣고 그것을 문장으로 변환하는 것 등의 일은 매우 복잡하며, 인공지능적인 이론의 도입 없이는 불가능하다. 이러한 영상 및 음성 인식은 문자 인식, 로봇 공학 등에 핵심적인 기술이다.
④ 이론증명(theorem proving)은 수학적인 정리를 이미 알려진 사실로부터 논리적으로 추론하여 증명하는 과정으로서 인공지능의 여러 분야에서 사용되는 필수적인 기술이며, 그 자체로도 많은 가치를 지니고 있다.
⑤ 신경망(neural net)은 비교적 근래에 등장한 것으로서 수학적 논리학이 아닌, 인간의 두뇌를 모방하여 수많은 간단한 처리기들의 네트워크로 구성된 신경망 구조를 상정하는 것이다.

인공지능에 대해서 더 자세히 알아보자면 공학 분야에서 말하는 인공지능의 정의는 ‘문제를 푸는 기능’이다. 사람이 하는 대부분의 결정, 이를테면 어떤 옷을 입을지, 어떤 말을 할지 등은 일종의 문제 해결 과정이라고 할 수 있다. 그래서 사람을 따라 하는 로봇을 보고 인공지능이라고 부르는 것이다. 인공지능은 기술적 변화를 통해 단순 문제 풀이에서 지능의 실제적 구현을 목표로 발전되고 있다.

인공지능은 크게 둘로 나뉜다. ‘약한(Weak) AI’와 ‘강한(Strong) AI’다. 약한 AI는 특정 영역의 문제를 푸는 기술이다. ‘단어를 입력하면 검색 결과를 보여라’, ‘음성을 듣고 무슨 말인지 인식하라’ 같은 문제를 푸는 것이다. 강한 AI는 이와 달리 문제의 영역을 좁혀주지 않아도 어떤 문제든 해결할 수 있는 기술 수준을 말한다. 강한 AI는 ‘터미네이터’의 스카이넷이나, ‘어벤저스2’의 울트론처럼 흔히 영화 속에서 볼 수 있는 로봇들이다. 현재 단계에서는 약한 AI가 많이 쓰이고 있다. 알파고, 스팸메일 필터링, 이미지 분류, 기계번역 기술 등이 약한 AI의 대표적인 예이다. 강한 AI를 만들려면 아직 멀었다는 게 과학계 중론이다.

약한 AI을 구현할 때는 머신러닝(기계학습)을 사용한다. 딥러닝과 머신러닝이라는 용어가 혼용되고 있지만, 머신러닝이 좀 더 큰 개념이다. 머신러닝의 방법론 중 하나가 딥러닝이다. 딥러닝은 머신러닝 방법론 중 가장 많이 쓰이는 것이기도 하다.

딥러닝 방식은 이렇다. 과거엔 데이터들을 사전지식을 동원해 분류했다. ‘귀가 뾰족하고 네 발이 보이는 사진’이라는 사전지식을 입력해 고양이 사진을 찾아내는 식이다. 이때 고양이의 귀나 다리가 사진에서 잘 안 보이면 어떻게 될까? 기계는 바로 고양이 사진이 아니라고 분류했다. 사전지식의 내용과 다르기 때문이다. 하지만 딥러닝은 이러한 사전지식을 사용하지 않는다. 일단 데이터를 넣어놓고 기계가 스스로 특성을 분류한다. 이때 무작정 데이터가 많아선 안 되며, 실제로 고양이 사진을 무엇인지 알려주는 이른바 ‘정답’ 데이터도 많아야 한다.

머신러닝은 크게 알고리즘, 데이터, 하드웨어 인프라로 구성된다. 사실 머신러닝과 관련된 알고리즘은 수십 년 전에 나왔고, 관련된 기술들도 오픈소스로 많이 공개됐다. 머신러닝의 핵심은 데이터의 양이다. 데이터의 양이 많을수록 품질이 올라간다.

데이터가 많으면 수많은 데이터를 처리할 인프라를 구축해놔야 한다. 과거에는 머신러닝 방법을 알지만 인프라가 따라오지 못해 머신러닝 실험을 하지 못하곤 했다. 현재는 기술과 하드웨어 수준이 높아져 실험 기반은 마련됐고, 누가 더 빨리할 수 있느냐에 집중하고 있다. 머신러닝은 대규모 데이터와 인프라가 뒷받침돼야 하기 때문에 스타트업이 시도하기 어려운 분야이기도 하다. 이 때문에 머신러닝의 활용은 규모의 경제가 되고 있다. 거대 IT 기업 정도가 돼야 도전할 수 있다는 의미다.

현존하는 머신러닝 기술들의 수준은 꿀벌, 개미, 거머리 등의 뇌 수준에 버금가는 정도다. 다만 해당 문제풀이에 특화했기 때문에 특정 영역에서는 인간의 능력을 넘어설 수 있다. 흔히 사용하는 번역기나 음성인식도 머신러닝을 응용한 사례다.

이외에도 더 자세한 현실에서의 사례를 살펴보도록 하자.

최근 글로벌 IT 기업을 중심으로 인공지능에 관한 연구가 활발하다. 기계나 컴퓨터가 단순히 프로그래밍 된 작업만 반복하는 것이 아니라 학습을 바탕으로 사용자가 원하는 결과를 보여주는 것은 물론, 학습한 정보를 조합해 새로운 결과를 만들기도 한다. 특히 빅데이터 기술과 네트워크 연결 기능을 더하면 컴퓨터의 학습 능력은 무한대로 확장된다. 인공지능에 관해 활발히 연구하고 있는 기업은 IBM과 구글이 대표적이다. IBM은 자사의 인지 컴퓨팅 기술인 왓슨을 기업용 솔루션으로 내놓고 있으며, 구글은 자율주행 자동차나 구글 나우 등의 음성인식 서비스를 내놓았다.

◈인간의 언어를 인지하고 생각한다, IBM 왓슨

IBM 왓슨은 지난 2011년, 미국의 유명 퀴즈쇼에 출연하면서 주목받았다. 출연자가 서는 자리에는 왓슨 로고가 나온 디스플레이가 서있고, 출연자의 이름을 쓰는 곳에는 컴퓨터 폰트('인간' 출연자는 자필 서명을 사용한다)를 사용했다. 왓슨은 이 퀴즈쇼에서 무려 74연승을 거뒀다.

사실 수많은 데이터가 담긴 컴퓨터가 정해진 답을 맞히는 퀴즈쇼에서 우승한 것을 그리 대단하게 여기지 않을 수도 있다. 우리가 왓슨에서 주목해야할 점은 문제 제출자가 하는 말을 실시간으로 분석하고 질분 내용을 파악한 뒤, 거기에 대한 답을 저장장치에서 찾는 점이다. 또한, 정답을 맞힐 때는 '신뢰도'를 바탕으로 정답에 가장 근접한 답을 골라 내놓는다. 만약 왓슨이 인터넷에 연결돼 저장된 데이터 이외의 것까지 얻을 수 있다면 '지식'을 무한대로 확장하는 것도 가능하다.

실제 적용 사례를 보면, 미국의 요리 전문 잡지 본아뻬띠(Bon Appétit)와 IBM이 지난 2015년 협력해 만든 '쉐프 왓슨'은 사전에 학습한 1만 가지 레시피를 바탕으로 사용자에게 다양한 재료와 조리 방법을 추천해준다. 예를 들어 닭고기, 당근 등의 재료를 선택하면 쉐프 왓슨은 이와 함께 사용할 수 있는 다양한 재료를 선별해 보여준다. 특히 단순히 데이터베이스에 있는 재료를 보여주는 데 그치지 않고, 각 재료의 향이나 맛이 얼마나 조화로울지 예상 결과를 보여준다.

인간은 이 결과를 바탕으로 왓슨이 제안한 재료와 레시피를 선택하거나 여기에 다른 몇 가지 재료나 조리법을 추가해 새로운 요리를 만들 수 있다. 지식의 영역은 왓슨이, 최종 선택에 해당하는 지혜의 영역은 인간이 담당하는 셈이다. IBM 관계자는 셰프 왓슨에 대해 '인간의 창의성을 높여줄 수 있다'고 설명했다. 가령 특정 재료에 알레르기가 있는 사람은 음식을 선택하는 데 제한이 있지만, 셰프 왓슨에서 해당 재료를 배재하는 것만으로 새로운 재료나 조리법을 발견할 수 있다.

 

의료 같은 전문분야에서도 쓰인다. 미국의 메모리얼 슬론 케터링 암 센터는 '왓슨 헬스'를 도입했다. 왓슨은 여기서 전문의와 함께 암 환자를 치료를 돕는다. 방대한 데이터베이스를 기반으로 전문의에게 객관적인 의료 정보를 준다. 전문의는 이 정보를 바탕으로 환자 증상에 대한 정확한 치료법을 쉽고 빠르게 찾을 수 있으며, 이를 통해 개인 맞춤형 진료도 가능하다.

IBM 왓슨은 특정 전문직의 교육을 받아 그 사람의 직책을 대체하는 것도 가능하다고 설명했다. 예를 들어 애널리스트가 장기간에 걸쳐 왓슨을 학습시키면 왓슨은 관련 지식을 그대로 학습한다. 또한, 왓슨은 결과를 '정답'이 아닌 '신뢰도'를 바탕으로 보여주기 때문에 가능성 있는 여러 가지 결과를 모두 보여준다. 이를 토대로 정확한 판단을 하는 것은 인간의 몫이다.

◈구글, 딥러닝

구글은 머신러닝 기술의 일종인 딥러닝을 바탕으로 인공지능 연구에 박차를 가하고 있다. 머신러닝이란 말 그대로 기계가 학습을 한다는 의미다. 기계(컴퓨터, 알고리즘 등)가 현실 세계에 있는 수많은 정보를 학습하고, 이러한 정보를 종합해 결과를 예측하는 기술이다. 이 머신러닝 기술에 사람의 뇌와 구조가 유사한 프로그램, '인공신경망'을 적용한 것이 딥러닝이다. 구글의 딥러닝 연구는 간단한 *번역에서부터 자율주행 자동차까지 다양한 서비스에 적용 중이다. 특히 최근에는 인공지능 바둑 시스템 '알파고'를 내놓으며 주목받고 있다.

하지만 이렇게 유용하게 쓰이고 있는 인공지능도 우리에게 위협적이 될 수 있는데 그러한 위협들을 살펴보자면 아래와 같다.

2015년 7월28일 아르헨티나 부에노스아이레스에서 열린 ‘국제 인공지능 컨퍼런스’에서는 인공지능 무기 군비 경쟁을 경고하는 성명서가 발표됐다. 인공지능 무기는 스스로 표적을 설정하고 제거하는 무기를 말한다. 무장된 드론이 스스로 표적을 찾아 사살하는 식이다. 성명서는 “인공지능 기술이 몇 년 안에 실현 가능할 정도에 이르렀다”고 경고한다. 주요 군사국가가 인공지능 무기 개발을 시작하면 전 세계 인공지능 무기 군비 경쟁은 불가피하며, 인공지능 무기는 핵무기와 달리 비용이 비싸지도 않고 대량생산이 가능하기에 더 위험하다고 경고했다. 성명서는 인공지능 무기가 암시장에서 테러리스트들에게 거래될 수 있고, 독재자나 군부가 인종 학살에 이용할 수도 있다고 우려했다. 게다가 인공지능의 발전과 이로 인해 대체 되는 일자리, 그리고 줄어드는 일자리가 초래하는 사회, 경제적인 위협과 전문직 일자리까지 인공지능이 넘보고 있다는 것 또한 문제이다. 뉴스 작성 알고리즘으로 일부 기자들의 지위가 위태로워진 것처럼, 고숙련 전문직도 알고리즘의 공세로부터 벗어날 수 없는 상황이 전개되고 있다.

특히 의료 분야에서 이러한 흐름이 두드러지고 있다. 이미 환자의 의료 정보만 정확히 입력되면 자동으로 처방전까지 제시하는 알고리즘은 의료 산업 속으로 깊숙이 파고든 상태다. 아직 진단 의학 분야에 국한돼 있지만 웬만한 동네 의원 수준의 진료는 충분히 대체할 수 있는 수준까지 도달했다는 평가가 나온다. 의사의 청진기가 알고리즘으로 대체되는 시대가 도래할지 모른다.

<영국에서 일자리를 위협받는 직종 15개. <출처: BBC 보도, 정리 : 강정수, ‘인공지능과 공유경제로 보는 노동의 미래’, ‘ICT인문사회융합동향’ 2015년 3호>

 

 

마지막으로 대규모 저가노동이 증가할 우려도 있다. 데이터 기술을 바탕에는 인간의 단순하고 저렴한 노동이 존재한다. 데이터를 수집하고 정제하는 일의 적지 않은 부분은 인간이 담당하고 있다. 2014년 언론에 유출된 구글 (데이터) 품질 검사자 (Google Quality Raters)에 대한 문서는 알고리즘에 데이터를 공급하는 노동자의 처지가 별로 좋지 않음을 보여준다. 인간은 구글의 광고를 하나하나 클릭해서 선정성을 테스트한다. 무인 자율주행자동차의 기초 데이터 중 하나인 도로 데이터는 거리를 누비고 있는 저가 운전 노동자들이 수집하고 업데이트하고 있다. 데이터 품질 검사자와 도로 데이터 수집 노동자는 구글의 계약직 노동자다.

피터 라인하르트는 로봇과 인공지능에 의해 대체되는 일자리와 로봇과 인공지능을 살찌우는 일자리를 각각 ‘API 아래의 로봇(Below the API Robots)’과 ‘API 아래의 일자리(Below the API Jobs)’로 구별한 바 있다. 라인하르트는 로봇과 인공지능에 의한 일자리 대체보다 시간상으로 앞서 이들을 살찌우는 저가 노동시장이 확장될 것으로 예측한다.

<출처: 네이버캐스트-http://www.bloter.net, IT동아>

 

☞올해 열린 이세돌 9단과 알파고의 경기를 재밌게 봤던 기억이 떠올랐다. 사실 이세돌 9단과의 경기 전에 이미 판후이 2단과의 5번의 경기에서 모두 승리했다는 사실과 과거 체스 전용컴퓨터인 딥블루의 승리가 있었기 때문에 쉬운 경기는 아니라고 생각했지만 3국까지 끝났을 때는 이렇게 까지 일방적인 승리를 할 줄 몰랐는데 결과에 좀 놀랐었다. 3국까지의 경기를 보고 느낀 점은 일반적으로 공격당하면서 시간에 쫓기고 초조해지는 것이 당연한 인간에 비해 알파고는 그 어떤 공격에도 조급해하지 않고 오로지 확률만 가지고 냉철하게 경기를 이끌어나가는 모습이 좀 무섭게도 느껴졌다. 또한 인간으로써는 생각할 수 없는 수를 둔다는 것도 매우 놀라웠다. 위 조사한 내용을 보면 인공지능의 발전으로 인해 인간은 위협을 당할 수 있다는 것을 알 수 있는데 알파고 경기를 보면서 ‘인공지능이 인간을 위협할 수도 있겠다’라는 생각을 더욱 절실히 들었던 것 같다. 또한, 이번 조사를 통해서 번역기, 음성인식, 스팸 메일 필터링 등 실제 우리 생활 가까이 많은 인공지능이 이용되고 있다는 사실을 다시 한 번 알게 되었는데 앞으로는 또 인공지능이 미래에 우리 생활에 얼마나 영향을 끼칠 수 있을지 매우 궁금하다.