인공지능 시대가 우리에게 주는 의미와 시사점
알파고와 이세돌 9단과의 바둑 대결을 계기로 대한민국 사회는 인공지능에 대한 관심이 높아지고 있는 상황에서, 하루가 다르게 머신러닝과 딥러닝에 대해 많은 기사들이 쏟아지고 있는 지금, 이것들을 접하는 대부분의 사람들은 처음에는 새로운 것에 대한 호기심을 보이기 시작하다가 이것에 대한 무지와 막연함으로 점차 두려움을 느끼고 있다.
게다가 미래학자들은 인공지능 시대가 되면 지금의 일자리 중에서 절반이 사라진다고 주장하며 사람들의 불안감을 증폭시키고 있다. 그런데 이런 주장은 근거 없는 공포심을 조장하는 게 아니고 상당한 근거와 타당성을 갖고 있기에 깊이 새겨 들어야 한다.
컴퓨터의 문서작성용 워드 프로세서가 개발되기 전에는 타자를 전문으로 하는 직업이 있었고, 회사 내에서 문서화가 필요한 경우에는 손으로 종이에 쓴 초안을 비서나 타자 직원에게 부탁하는 시절이 있었다. 월말이나 연말에 모든 직원들이 보고를 위한 문서작업이 몰리는 시기에는 타자 직원 앞에 줄을 서서 기다리기도 했다.
필자가 GE에 근무하던 25년 전, 발표 보고용 자료를 만들 때 당시에는 개인용 컴퓨터는 있었지만 파워포인트가 개발되기 전이라 보고용 자료를 작성하는 컴퓨터용 프로그램은 비서의 컴퓨터에만 설치되어 있었고, 그래서 직위에 따라 순서를 기다리곤 했던 기억이 있다. 그런데 지금은 누구나 파워포인트를 이용하여 스스로 발표용 자료를 만드는 시대가 되었고 타자 작업만 전문으로 하는 직업은 사라졌다.
인공지능이 되려면 컴퓨터(이후부터 기계를 의미하는 머신이라 부른다)가 인간처럼 스스로 생각하고 판단하는 능력을 가져야 한다. 그러면 어떻게 해야 머신이 인간처럼 스스로 생각하고 판단하게 만들 수 있을까? 사실 이것은 말이 쉽지 머신에서 구현하는 것은 결코 쉬운 일이 아니다.
인공지능을 가진 머신이란 인간의 지능과 같은 기능과 역할을 할 수 있는 소프트웨어가 들어 있어야 하는데, 이것은 현재 우리가 사용하는 워드, 엑셀, 파워포인트, 포토샵과 같은 응용 소프트웨어와는 전혀 다른 차원이다. 응용 소프트웨어는 사용자가 무언가를 입력하면 그것에 따라 머신 내부에서 일련의 계산이나 작업을 수행하여 결과물을 화면에 보여 주는 방식으로 사용되는데, 여기서 말하는 내부에서 수행되는 일련의 계산이나 작업은 정해진 알고리즘에 따라 개발자가 프로그램 언어로 코딩하여 머신이 어떻게 움직일 것인지에 대한 세부적이 고단 계적인 명령어를 입력한 상태이고, 이것에 따라 입력된 데이터를 가지고 순차적으로 수행하여 아웃풋(결과물)을 보여 준다.
머신러닝(Machine Learning)
인공지능을 이해하려면 머신러닝에 대해 먼저 이해하는 게 필요한데, 머신러닝은 머신이 스스로 학습하여 배워서 입력된 데이터를 정제하거나 계산하여 새로운 정보와 지식을 만드는 것이다.
머신러닝은 가설을 만들고 가설을 검증(시뮬레이션)하여 가설이 틀린 것으로 판명되면 버리고, 맞다면 가설이 하나의 사실로서 인정하고 새로운 정보나 인사이트를 만드는 게 핵심이다. 보통의 인간은 하나의 가설을 만드는 것도 매우 어렵다. 그래서 전문가라 해도 평생 동안 수 십이나 수 백 개의 가설을 만드는 것도 어렵지만, 머신러닝은 1초 이내에 한 개의 가설을 만들 수 있다. 인간과 비교할 수 없을 정도로 빠르고 효과적으로 가설을 만들고 검증하여 결론을 도출하는 탁월한 능력이 있다. 그래서 학습하는 속도는 인간에 비할 수 없을 정도로 상상을 초월한다.
뇌과학에서 학습은 신경세포들 간의 연결고리(시냅스)에서 일어난다. 학습을 한다는 것은 시냅스의 연결고리를 강하게 만드는 것이고, 연결고리가 많을수록 지능이 높아진다.
머신러닝은 수많은 데이터를 기반으로 새로운 정보를 찾고 이것을 또 다른 전문적인 정보로 변환하고, 과학자들이 생각하지 못하는 특성이나 연결점을 찾아내 새로운 발견을 만들어 낸다. 또한 머신러닝은 공유와 전파력이 강해서 한 분야에서 발명된 모형이 나 가설을 다른 분야로 쉽게 확산할 수 있다.
머신러닝의 출발은 빅데이터인데, 좋은 데이터가 있어야 좋은 머신러닝이 가능하다. 따라서 미래에는 데이터를 갖고 있거나 지배하는 사람이 머신러닝을 지배하는 세상이 될 것이다.
딥러닝(Deep Learning)
머신러닝이 더욱 발전하고 고도화된 것이 딥러닝이다. 머신러닝은 머신이 필요로 하거나 이해할 수 있도록 기본적인 데이터나 정보를 입력해주어야 스스로 학습할 수 있지만, 딥러닝은 더 이상 인간이 기계에게 데이터나 정보를 입력하여 세상에 대한 정보나 이치 등을 설명하지 않고, 세상에 대한 빅데이터를 그냥 집어넣어주면, 그다음에는 머신이 자체 인공신경망 구조를 통해 스스로 빅데이터에 포함된 통계학적 정보를 추출하거나 더 압축된 정보나 표현을 만드는 학습을 진행하여 더 높은 수준의 지능을 갖게 된다.
머신러닝과 딥러닝의 출발은 1957년 천재 과학자인 프랭크 로젠블라트가 발명한 단층 퍼셉트론(Perceptron)에서 시작되었는데, 이것이 인공신경세포의 개념이다. 머신러닝은 인공신경세포들을 적절히 연결시켜 주면 논리 연산 규칙을 마신이 스스로 인식하고 학습하는 원리다.
이후에 MIT의 민스키와 페퍼드 교수가 다층 퍼셉트론(Multi-LayerPerceptron : MLP)을 발표했고, 1970년대, 인지심리학자인 롬멜하트와 맥클리랜드가 MLP를 효율적으로 학습시킬 수 있는 ‘오차 역전파법(Back-Propagation)’을 제시했는데, 이것은 3층 구조의 인공신경망으로 학습하는 것이다. 인공신경망의 층수가 커질수록 더욱 고차원적인 학습이 가능한데, 3차원으로 제한되는 한계로 인해 고도의 학습능력을 가지지 못한 상태였다. 그래서 머신러닝은 더 이상 발전하지 못한 채 답보 상태였다.
인공신경망이 3층 이상이면 학습이 불가능해지는데, 오차값이 깊은 층수로 역전파 되면 점점 왜곡이 사라지는 경사도(Diminishing Gradient) 문제가 발생하여 학습효과가 사라지기 때문이다.
2012년, 토론토대학 의제 프리 힌튼 교수가 3층을 넘어서는 다층의 MLP를 트레이닝하는 방법을 개발했는데 이것이 딥러닝이다.
인간이 말이나 글로 표현하는 언어의 표현 능력(해상도)은 인식하는 해상도보다 훨씬 낮아서 인간이 알고 있는 것을 언어로 제대로 표현하지 못한다. 따라서 인간은 인간의 표현 방법을 통해서 머신에게 필요한 데이터나 정보를 제공하는데 한계가 있다. 이처럼 인간이 머신에게 설명하지도 표현하지도 못하므로 처음부터 비 정형화되거나 다듬어지지 않은 빅데이터를 입력하고 이후부터는 머신 스스로 학습시켜서 해결하는 것이 딥러닝이다.
직관이란 보여주거나 말로 표현하기 어려운 비 정형화된 정보를 통해 이뤄지는 행위를 말한다. 인간은 직관이라는 능력을 갖게 되는데, 이것이 만들어지는 방법은 수많은 경험과 오랜 시간의 학습, 그리고 다양한 노하우의 축적을 통해 가능해진다. 머신도 딥러닝을 통해 인간의 직관과 유사한 능력을 가질 수 있는데 그래서 인공지능이라 부른다.
알파고(Alpha Go)
이세돌과 바둑대결에서 승리한 알 파고는 이 대결을 위해 16만 개의 바둑 기보를 입력하여 스스로 학습했다. 알파고는 48층 구조의 인공신경망을 사용했는데, 보통의 인간은 10~20층의 신경망을 사용하는 것으로 알려져 있다. 신경망의 층이 클수록(깊을수록) 더욱 추상적이고 압축적인 정보 학습이 가능하고 지는의 수준이 높아진다. 2015년에는 딥러닝의 수준이 152층까지 발전했다.
결국 알파고는 딥러닝에 의해 학습된 인공지능인 셈이다.
사실 알파고 가 이세돌을 이길 수밖에 없는 이유가 있는데, 바둑의 규칙인 시간제한이다. 이것은 인간끼리의 대결에서는 다음 수를 계산하는 데 있어 동일한 조건이라 공정하고 아무런 문제가 없지만, 머신과 인간의 대결에서는 불공정한 규칙이었다. 왜냐하면 인간의 두뇌로 수 계산을 하는 경우, 뇌에 기억된 기보나 정보를 찾아야 하고 이것을 이용하여 다양한 시나리오를 검토하고 계산해야 하는데 여기에 상당한 시간이 소요된다. 그런데 시간제한 규칙으로 인해 충분한 수 계산을 하지 못한 채 정해진 시간 안에 돌을 놓아야 하기 때문이다. 하지만 알파고는 무한의 기억용량과 인간의 뇌로는 절대로 따라갈 수 없는 계산 능력이 있어, 수 천이나 수 만 가지의 시나리오를 순식간에 계산하고 최적의 결론을 얻을 수 있다. 따라서 인간이 받는 시간제한에 전혀 영향을 받지 않는다.
만약에 시간제한 규칙 없거나, 알파고가 다른 컴퓨터들과 네트워크로 연결되지 않고 단지 1대의 컴퓨터 만사 용하여 대결했다면 이세돌 9단이 다섯 판을 모두 이겼을 가능성도 있다.
알고리즘(Algorism)
알고리즘이란 컴퓨터가 수행할 작업을 논리적인 순서대로 컴퓨터에게 알려 주는 명령어의 집합이다. 이런 명령을 컴퓨터가 이해하도록 컴퓨터 언어로 개발하는 것이 코딩이다. 코딩은 컴퓨터를 구성하는 수많은 트랜지스터 중에서 동작할 것과 정지되어 있을 것을 알려 주는 논리적이고 순차적인 신호이고 명령어이다.
그런데 한 번 코딩을 했다고 해서 개발자가 원하는 대로 작동하지 않고 이상하거나 예상치 못한 결과가 나오는 경우가 다반사다. 이것은 코딩한 프로그램에 자신도 모르는 논리적 오류나 실수와 같은 에러(Error)가 있기 때문이다. 그래서 개발자가 원하는 대로 정상적으로 작동되는 코딩이 되려면 오류나 실수를 제거하는 과정이 필요한데, 이것을 디버깅(debugging)이라 부른다. 디버깅은 벌레를 뜻하는 버그를 제거하는 것인데, 1950년대 최초의 컴퓨터가 개발됐을 때의 모습은 큰 방을 가득 차지하는 거대한 기계 덩어리였고, 벌레들이 이 기계 속으로 날아 들어가 오작동이나 계산 상의 오류를 일으키는 문제가 발생하여 컴퓨터를 작동하거나 관리하는 사람들이 이것을 해결하고자 벌레들을 제거하는 것에서 유래된 용어다.
컴퓨터의 알고리즘은 항상 동일한 결과를 보여 주어야 하는데, 그렇지 못하다면 알고리즘에 오류가 있다는 말이고, 이것을 바로 잡아야 정상적으로 작동하게 된다. 따라서 제대로 된 알고리즘을 개발하는 것이 매우 중요하다.
인공지능의 두 가지 유형
인공지능은 크게 두 가지 유형으로 구분할 수 았는데, 하나는 낮은 수준의 인공지능인 ‘L Type(L-AI)’과 높은 수준인 ‘H Type(H-AI)’이다. H-AI는 L-AI에 비해서 스스로 의지를 갖고 판단하는 자유의지까지 가진 것을 말한다. 컴퓨터가 딥러닝을 통해 스스로 학습할 수 있다는 것이 스스로 결정할 수 있는 자유의지를 갖는다는 것은 아니다.
자유의지를 가진 인간이 임의의 상황에서 어떤 판단이나 결론을 내릴지 아무도 알 수 없고 단지 처분만 바라는 것과 같이 자유의지를 가진 H-AI는 인간에 대해 스스로 판단하고 결론을 내리고 행동할 수 있는 것이다. 마치 터미네이터의 AI 로봇과 같은 수준으로 이해하면 되는데, 이런 수준에 도달하려면 상당히 먼 미래가 될 것이다. 따라서 우리는 L-AI 시대를 대비하여 준비하면 된다.
과거 로봇이 육체적 노동을 대량 생산하여 육체 근로자를 밀어낸 것처럼, 미래에 다가올 인공지능은 지적인 노동을 대량 생산할 수 있게 만들어 지적 노동자를 몰아낼 것이고, 그러면 일자리의 절반이 사라지는 것이다.
산업혁명은 수공업(블루칼라)을 자동화했고, 정보혁명은 정신노동(화이트칼라)을 자동화했고, 머신러닝은 자동화된 업무 자체(수많은 직업)를 자동화한다
그렇다면 인공지능 시대를 대비하여 우리는 무엇을 어떻게 준비해야 할까?
사실 인간이 강력한 능력을 가진 인공지능을 상대로 이기려는 것은 불가능할 것이다. 대신에 인공지능과 협업을 하거나 잘 활용하는 것도 좋은 방법이 될 수 있다.
결국 미래는 인공지능을 활용할 수 있는 능력을 가진 사람과 그렇지 못한 사람과의 경쟁이 될 것이다. 따라서 인공지능을 이기려 하지 말고, 인공지능을 활용할 수 없는 사람을 이기는 것도 차선의 전략이 될 것이다.
그러려면 인공지능이 무엇이고 인공지능과 협업할 수 있는 방법과 도구가 무엇인지 학습하여 자신의 능력으로 개발해야 한다.
컴퓨터적 사고능력을 갖는 것은 반드시 필요하고, 코딩을 할 수 있다면 더 좋을 것이다. 만약에 코딩에 대해 관심도 없고 재능도 없다면 그리 염려하지 않아도 되는데, 미래에는 코딩이 필요할 경우, 오픈소스 기반의 모듈화 된 프로그램들이 일반화되어 누구라도 필요에 따라 레고 블록으로 조립하듯이 적절한 모듈을 선택하여 원하는 코딩 결과물을 만들 수 있을 것이다.
이것 외에도 최고 성능의 알고리즘(가장 빨리 배우고, 가장 어려운 과제를 가장 빨리 처리하는)을 개발하는 능력과 최대의 빅데이터를 보유한 기업이나 인간이 치열한 경쟁에서 승리할 것이다.
산업시대에는 되도록 많은 석유를 확보하고 가장 저렴하고 효과적인 방법과 기술로 석유를 정제하는 기술이 있어야 살아남는 것처럼, 미래에는 빅데이터가 산업시대의 석유와 같은 역할을 하므로 빅데이터를 수집하고 모아서 이것을 가공하고 정제하는 기술을 가져야 한다. 왜냐하면 아무리 빅데이터가 많아도 이것을 정제하여 지식으로 바꾸지 못하면 무용지물이기 때문이다.
경쟁자나 경쟁사는 없고 우리만 보유한 강력한 알고리즘과 빅데이터가 있으면 미래 비즈
