[칼럼] 박정수의 일자리와 4차 산업혁명 이야기

4차 산업혁명과 미래성장동력 : 인공지능(AI) 구현을 위해 데이터를 학습(Data Training)시키자.

↑ 박정수 연세대 생명시스템 대학 겸임교수, 대보정보통신(NVIDIA VAD) AI 신사업TFT 장, ICT 융합 네트워크(사) 부회장

4차 산업혁명의 핵심기술인 사물인터넷(IoT), 모바일(Mobile), 클라우드(Cloud), 빅데이터(Big Data), 인공지능(AI, Artificial Intelligence)의 발전이 사람 중심의 제품과 서비스를 지속적으로 창조하고 있다. 특히, 음성인식과 이미지인식을 활용한 다양한 제품과 서비스가 새롭게 출시되고 있고 이러한 제품과 서비스는 편의성을 넘어 점점 일상생활의 필수적인 요소로 자리 잡아 가고 있다. 이와 같은 사람 중심의 제품과 서비스를 생산하기 위해서는 개개인의 데이터 수집과 이미 축적된 방대한 양의 빅데이터(Big Data)에서 가치 있는 데이터만을 수집하는 데이터 마이닝(Data Mining)이 필요하다. 그리고 인공지능 활용을 위한 데이터 학습이 필수적이다.
사물인터넷(IoT)과 모바일(Mobile)을 포함한 다양한 센싱 기술(Sensing Technology)을 통한 데이터 수집, 갈수록 폭발적으로 증가하는 다양한 형태의 빅데이터(Big Data), 방대한 데이터를 저장하고 활용할 수 있게 해주는 환경을 제공하는 클라우드(Cloud), 그리고 주변 환경 및 인간과 상호작용 할 수 있는 기계인 인공지능(AI)의 조화로 4차 산업혁명이라는 명칭 아래 전 세계의 선도기업들은 혁신 중이다. 더 나아가 지능화와 가상화를 통해 생산성을 획기적으로 향상시키고 있다.

↑ [사진출처 : 엔비디아 블로그]

인간의 지능을 갖춘 기계라는 인공지능(AI)의 개념은 1956년 미국 다트머스 회의를 시작으로 발전돼 왔지만, 인공지능(AI)이 크게 이슈화된 것은 2016년에 있었던 구글 딥마인드(Google DeepMind)의 알파고(AlphaGo)와 이세돌 9단의 바둑 대국이다. 이 대국에서 알파고(AlphaGo)의 승리로 일반 대중들은 이 기계가 어떻게 사람을 이겼는가에 주목하기 시작했고, 그 중심에는 인공지능(AI), 머신 러닝(Machine Learning), 딥 러닝(Deep learning)이 있다는 것을 알게 되었다. 전 세계는 현재 이 기술들을 주목하고 있다. 위 그림에서 볼 수 있듯이, 인공지능(AI)이 가장 큰 범주를 차지하고 있고, 머신러닝(Machine Learning)과 딥러닝(Deep Learning)이 그 아래 하위 개념인 것을 볼 수 있다.
인공지능(AI)은 인간의 지능을 기계로 구현한 것으로 인간 및 주변 환경과 직접적으로 상호작용하는 기술이다. 예를 들어, 아마존(Amazon)의 에코(Echo), SK텔레콤의 누구(NUGU), 구글(Google)의 구글홈(Google Home)은 인공지능(AI) 스피커를 통해 음성인식 서비스를 제공하고 있다. 사용자는 스피커를 통해 집 안 전자제품을 제어할 수 있고, 음식 주문이나 통신서비스를 사용할 수 있게 됐으며, 나아가 사용자 경험(UX, User Experience)의 패턴 분석으로 소비자가 원하는 것을 미리 예측하는 서비스를 제공하고 있다. 즉, 우리가 따로따로 해야 할 일들을 동시에 한 장소에서 처리할 수 있고, 기계가 사용자 개개인의 데이터를 수집하고 분석해 무엇이 필요한지 파악할 수 있다는 것이다.
그리고, 기업은 인공지능(AI) 제품을 통해 수집된 사용자 개개인의 데이터를 활용해 사용자에게 최적화된 제품과 서비스를 제공할 수 있게 될 것이다. 대표적인 사례는 중국의 알리바바가 2017년 11월 11일 하루 매출 28조를 기록한 핵심 기술에는 지능화 기술에 대한 투자가 있었기 때문에 가능했다. 알리바바는 인터넷 쇼핑몰의 개념을 혁신적으로 바꿔 지속적으로 진화시켜 나아가는 고객 맞춤형 쇼핑을 가능하게 하고 있다. 그 중심에 인공지능이 존재한다.
이러한 서비스를 구체적으로 구현하기 위해서는 머신러닝(Machine Learning)과 딥러닝(Deep Learning) 기술이 필요하다. 머신러닝(Machine Learning)은 인공지능(AI)의 한 부분으로써 인공지능(AI)을 구현하기 위한 주요기술이고, 딥러닝(Deep-Learning)은 머신러닝(Machine Learning)의 하위개념으로써 완전한 머신러닝을 구현할 수 있는 기술이다.

위 그림을 보면 알 수 있듯이, 머신 러닝(Machine Learning)과 딥 러닝(Deep Learning)은 입력(Input), 특징 추출(Feature Extraction)과 분류(Classification), 결과도출(Output)이라는 과정은 동일하지만, 머신 러닝(Machine Learning)은 기본적으로 사람이 입력한 알고리즘을 통해 데이터를 분석하고, 이를 통해 학습(Training)한 후, 그 기반으로 추론(Inferencing)을 진행한다. 즉, 사물의 형태, 면, 부분 등의 인공지능이 사물을 인식할 때 필요한 특징(Feature)을 분류할 수 있는 분류기(Classifier)를 사람이 직접 코딩(Coding)으로 제작해야 작동 하게 되는 것이다. 인간이 직접 복잡한 코딩(Coding)을 입력해야 하기 때문에, 명확하지 않은 이미지 인식에 있어서 한계점이 존재한다.

반면에 딥러닝(Deep Learning)은 인식할 이미지를 지정하고 무엇인지 라벨(Label)을 달아주면 인공신경망(Deep Neural Network)을 통해 그 분류된 데이터(Labeled Data)를 수많은 층(Layer) 상의 분류기로 반복적으로 학습(Training)한다. 이미지를 수많은 조각으로 잘라 첫 번째 층(Layer)에 입력하면, 그 뉴런들은 데이터를 다음 층(Layer)에 전달하는 과정을 최종 이미지 인식 출력(Output)이 될 때까지 반복한다. 입력(Input) 단계에서 결과도출(Output) 단계까지 앞으로 진행하는 전방향전파(Forward Propagation)으로 진행되며, 만약 이미지 인식의 오류가 발생할 경우 후방향전파(Backward Propagation)로 진행된다. 이 과정의 반복을 통해 오류를 바로잡고 정확한 이미지 인식을 할 수 있게 된다.
인공지능(AI)은 이처럼 우리의 일상생활에 빠른 속도로 다가오고 있다. 기술의 한계로써 발전이 더뎠던 인공지능(AI) 분야는 머신러닝(Machine Learning)과 딥러닝(Deep Learning)이라는 기술의 접목으로 빠른 속도로 발전 중이다. 우리가 인공지능(AI)을 도입해야 한다는 것은 필수불가결한 사실이다. 우리는 이제 어떤 데이터를 어떻게 훈련(Training)시킬 것인지, 어떠한 인공지능(AI) 제품과 서비스로 지속가능한 가치를 창출할 것인지 고민해야 할 시점이다. 더 나아가 사람의 일을 대신 해주는 로봇(Robot)시대에서 인공지능을 통해 인간과 함께 협업을 해 나아가는 코봇(Cobot)시대를 우리는 준비해야 한다. 왜냐하면 중국의 알리바바와 독일의 밀레(Miele)처럼 엄청난 개인화 생산과 물류(Personalized Manufacturing & Supply Chain Management)의 해결점이 지능화 역량에 놓여있기 때문이다.