인공지능을 활용하면 무엇이든 할 수 있을까요?
<아이언맨>의 자비스처럼 몇 초만에 어떤 정보도 알아내어 필요한 결정을 할 수 있고, <그녀 Her>의 사만다처럼 사랑하는 마음을 키워가는 것도 가능할까요? 그리하여 어느 순간, 초지능이 등장해 인간을 지배하게 될까요? 이런 질문에 답을 하려면 인공지능이 뭔지 알아야 합니다.
인공지능은 머신러닝이라고 불리기도 하고 딥러닝이라 불리기도 합니다. 얼핏 들으면 각기 다른 이름으로 불리지만 마치 삼위일체처럼 결국은 같은 것 아닌가 하는 생각도 들고 가장 최근에 등장한 딥러닝이 가장 좋은 것 같기도 합니다.
간단하게 정의하기는 쉽지 않지만, ‘인공지능 > 머신러닝 > 딥러닝’이라고 할 수 있습니다. 인공지능이 규칙을 통해 기계가 계산하고 판단할 수 있는 시스템이라면 머신러닝과 딥러닝은 그의 하위 분야인 셈입니다. 차이가 있다면 머신러닝은 정해진 특정 부분을 스스로 학습하는 알고리즘을 포괄적으로 이르는 말이고, 그중 딥러닝은 고차원 데이터를 통째로 학습하는 여러 층의 인공신경망 모델이라는 점입니다.
머신러닝과 딥러닝
뜨거운 물에 손을 담가본 아이는 다시는 뜨거운 것을 만지려고 하지 않습니다. 뜨거운 것을 만지면 고통스럽다는 규칙을 경험을 통해 배운 것이지요. 조금 더 자라면 뜨거운 물에 찬 물을 섞으면 괜찮다는 문제 해결법을 알게 됩니다.
통계적인 경험을 통해 문제의 해법을 찾아가는 인간의 특징을 기계에 적용한 것이 머신러닝(machine learning)이라고 할 수 있습니다. 어떤 문제를 해결하고 평가하는 경험을 지속적으로 수행함으로써 특정 문제에 대한 판단을 내리게 하는 것입니다. 수술 가능 여부를 판단하는 비앤빛의 인공지능도 이런 방식으로 학습했습니다. 2만여 건의 검사 데이터마다 수술 가능, 불가능 라벨을 달아 학습시킨 후 특정 검사 결과를 제시하면 수술 가능 여부를 알 수 있게 만든 것이지요. 구글 번역이나 파파고, 페이스북의 얼굴 자동인식 등 이제는 일상화된 거의 대부분의 인공지능이 머신러닝의 결과물입니다.
머신러닝이 가능하려면 사람이 데이터의 특징을 분류하고 분석해 패턴을 입력해야 합니다. 여기에서 인간의 실수까지 기계가 그대로 학습한다는 머신러닝의 단점이 대두됩니다. 의료 인공지능처럼 전문적인 영역의 인공지능은 전문가의 편향된 지식이나 부정확한 판단을 학습할 가능성이 있고, 챗봇 테이(Tay)처럼 인종에 대한 편견과 차별을 학습할 수도 있게 되는 것이죠.
최근 대두된 딥러닝(deep learning)은 더욱 고도화된 머신러닝 방법으로 사진과 같은 고차원 데이터에서 기계 스스로 패턴을 알아낼 수 있다는 장점이 있습니다. 예를 들면, 개와 고양이를 분류할 때 기존 머신러닝은 일반적으로 귀, 코, 입, 발 모양 등 개와 고양이를 구별할 수 있는 큰 특징을 뽑아 적은 수의 변수로 만들어 학습시키고, 딥러닝은 많은 픽셀로 구성된 개와 고양이 사진 자체를 학습시켜서 진행합니다.
다양한 개와 고양이 이미지를 보고 배운 아이는 실제 개 또는 고양이와 마주쳤을 때 ‘개다’ ‘고양이다’ 즉각적으로 판단할 수 있습니다. 딥러닝의 기본이 되는 인공신경망(artificial neural network)은 오감으로 습득한 정보를 즉각적으로 판단하는 인간 뇌의 정보처리 방식을 흉내 낸 것입니다. 사람의 뇌는 수많은 뉴런이 연결되어 시냅스를 통해 신호를 주고받으며 정보를 전달하는데요, 딥러닝도 신경망 구조와 유사한 인공신경망을 여러 층으로 깊이(deep) 있게 구성해 학습을 진행합니다. 신경망의 깊이가 깊을수록 정확도가 높아지는데, 최근에는 발전된 하드웨어를 기반으로 그 층이 152층까지 깊어졌다는 연구 결과(ResNet)도 있습니다.
딥러닝은 데이터 사전처리 과정에서 인간 전문가의 지식이나 선호도에 따른 편향에서 자유로우므로 예측 정확도와 신뢰도를 높일 수 있는 장점이 있습니다. 또한 사람에게는 난해한 문제도 엄청난 양의 데이터와 컴퓨터 파워를 통해 해결할 수 있습니다.
인공지능으로 해결할 수 있는 문제들
사람이 하는 일을 더 잘하게 만드는 것, 그것이 인공지능을 연구하고 개발하는 목적입니다. 그렇다면 인공지능은 어떤 문제들을 해결할 수 있을까요?
인공지능으로 해결할 수 있는 문제는 굉장히 다양한데요, 크게 세 가지로 나눌 수 있습니다. 정답이 있는 문제(지도 학습)와 정답은 없지만 데이터로부터 스스로 변수를 학습하는 문제(비지도 학습), 그리고 행동을 통해서 의사 결정을 학습하는 문제(강화 학습)입니다.
먼저 정답이 있는 문제는 주변에서 쉽게 접할 수 있습니다. 개와 고양이를 분류하거나, 미래의 주식값이나 수술 가능 여부를 예측하는 문제 등입니다.
정답이 없는 문제는 알고리즘이 스스로 특징과 패턴을 찾아내야 합니다. 데이터를 그룹으로 묶거나 특이한 패턴을 발견하거나 연상하는 방법으로 문제를 해결합니다. 예를 들어, 여러 동물 사진 모음을 보고 동물을 종류별로 구분하거나, 온라인 쇼핑몰에서 기저귀와 물티슈를 자주 구매하는 고객에게 분유를 추천해주는 경우가 있습니다.
마지막으로 강화 학습은 실제 행동이나 시뮬레이터를 이용한 행동을 하고 그 행동에 따른 보상을 최대화하도록 의사 결정을 하는 방법입니다. 알파고는 문제와 답이 정해진 데이터에서 찾아낸 가중치를 임의로 수정하고 반복하는 강화학습을 통해 승률을 높였다고 알려져 있습니다.
현재 수준에서 인공지능이 할 수 있는 영역은 사실 굉장히 한정되어 있습니다. 엄청나게 빠르고 사람이 보지 못하는 걸 찾아내기도 하는 신통함이 있는 반면 문제를 정확하게 가능한 작은 단위로 제시해야 답을 잘 찾아낼 수 있거든요. 하지만 특정 서비스의 사용자 수요나 질병에 걸릴 확률을 예측하거나 의료처럼 정보와 숙련도 차이가 큰 의료와 같은 분야에서는 효과적으로 활용할 수 있는 부분이 명백하게 존재합니다.
인공지능이 더 잘하게 하려면
그렇다면 인공지능을 더 잘 활용하려면 어떻게 할 수 있을까요?
크게 두 가지 측면에서 살펴볼 수 있습니다.
우선 하던 일을 더 잘하게, 즉 빠르고 정확하게 수행하도록 할 수 있습니다. 반복되는 업무를 빠르고 정확하게 처리해서 사람이 하는 일을 덜어줄 수 있고, 이미지나 자연어 처리처럼 인간이 하기 어려웠던 일을 문제들을 쉽게 풀 수 있습니다. 의료 영역에서는 의사가 진단을 더 효율적으로 할 수 있게 도와주는 CDSS(Clinical Decision Support System, 의사결정 지원 시스템)로 활용할 수 있어서 이미지와 영상 분석에 뛰어난 딥러닝의 강점을 활용한 CDSS가 많이 개발되고 있습니다.
두 번째는 인간이 볼 수 없는 것을 볼 수 있게 해 준다는 점입니다. 바로 이 부분이 인공지능의 가능성을 엿볼 수 있는 지점인데요, 인간의 눈으로는 볼 수 없었던 것들을 볼 수 있게 해 줍니다.
2017년 구글의 릴리 펭(Lily Peng) 연구팀은 안구 뒤쪽의 사진으로 성별, 나이, 흡연, BMI, 혈압, 당화혈색소(HbA1c) 등을 높은 정확도로 맞추며 충격을 주었습니다. 눈 사진만으로 전신질환을 예측할 수 있는 가능성을 연 것입니다. 지금까지는 특정 질환을 진단하려면 혈액검사를 하거나 그에 맞는 검사를 수행해야 했는데 이를 극복할 방법을 눈을 통해 제시한 것이지요. 이 연구는 2017년 논문이 먼저 공개된 후 2018년 에 게재되었습니다.
구글 뿐 아니라 국내에서도 인공지능 스타트업 메디웨일이 안저사진으로 전신질환 위험성을 예측하는 연구를 수행 중입니다.
인공지능에 대한 근거 없는 두려움도 문제이지만, 무엇이든 할 수 있다는 식의 인공지능에 대한 막연한 기대로 준비 없이 인공지능을 도입하려 한다면 수많은 한계와 엄청난 투자비에 부딪혀 좌절하게 될 것입니다. 인공지능이 우리 삶에 실제 어떤 도움이 될 수 있고 어떻게 존재할 수 있는지에 대한 비판적인 고민이 필요합니다.