AI가 평범한 알고리즘과 다른 점
AI가 평범한 알고리즘과 다른 점
최근 엄청난 발전 속도를 보이고 있는 AI는 굉장히 고도화된 알고리즘으로 이루어져 있습니다. 지금 이 순간에도 더 정확한 AI를 만들기 위해 많은 연구자들은 새로운 AI 알고리즘을 개발하고 있습니다. 하지만 AI 역시 알고리즘을 기반으로 작동하는데도 AI는 알고리즘이라고 부르지 않고 AI라는 이름을 따로 붙여주었습니다. AI 즉, 인공지능이 일반적인 알고리즘과는 명확한 차이점을 보이고 있기 때문입니다. 바로 이 명확한 차이점이 사람들이 놀라움을 금치 못하면서도 두려워하고 있는 현재의 인공지능을 만든 원동력이기도 합니다. 일반적으로 부르는 알고리즘과 인공지능이 어떤 차이점을 지니고 있는지 안다면 인공지능의 기본 작동 원리를 명확하게 이해할 수 있습니다. 이번 시간에는 AI가 일반적인 알고리즘과는 어떤 차이점을 가지고 있는지 알아보도록 하겠습니다.
AI vs 알고리즘
규칙에 기반해 방아쇠를 당기는 알고리즘
기본적으로 알고리즘은 특정한 문제를 풀기 위해 거쳐야 하는 일련의 과정들을 묶어 놓은 절차나 방법이라는 사전적 의미를 지니고 있습니다. 특정한 문제를 푸는 방법을 알고리즘이라는 형태로 구조화하고 이와 똑같은 혹은 유사한 문제를 다음에 또다시 풀어야 할 때, 해당 알고리즘을 그대로 이용할 수 있도록 활용합니다. 예를 들어 ‘3의 배수이면서 100보다 작은 숫자의 합은 무엇일까?’라는 문제가 있다고 할 때, 수학적 규칙들을 몇 개 나열해 컴퓨터가 스스로 이 문제를 풀게 할 수 있습니다. 이 일련의 과정을 컴퓨터에 저장하여 추후 ‘3의 배수이면서 200보다 작은 숫자의 합은 무엇일까?’라는 문제가 새롭게 나온다면 100이라는 숫자만 200으로 수정하고 알고리즘을 작동시키면 빠른 시간 내에 새로운 문제를 풀 수 있습니다.
이러한 알고리즘의 구체적인 작동 방식은 사람이 설정합니다. 그렇기에 알고리즘이 어떤 문제를 풀기 위해선 명확한 규칙이 존재해야 합니다. 예를 들어 어떤 한 지역에서 다른 지역으로 이동을 할 때, 최적의 경로를 찾기 위해서는 그래프 개념으로 문제를 해결할 수 있습니다. 목적지로 갈 수 있는 방법을 그래프 위에 표시하여 정보를 종합한 뒤 거리가 가장 짧은 경로를 선택하면 됩니다. 가장 짧은 거리를 보여주는 경로가 탐색될 때 이를 정답이라 표현해주면 문제가 해결됩니다. 이렇듯 알고리즘은 명확한 규칙에 의거한 결과를 종합하여 최종적으로 트리거(Trigger)를 발동합니다. 트리거는 원래 방아쇠를 당긴다는 뜻의 영어 단어이지만, IT 분야에서는 어떤 신호가 주어졌을 때 그 즉시 그에 맞는 행동을 진행한다는 의미로 많이 사용합니다. 결국 알고리즘은 명확한 정보를 제공받고 그 결과를 종합하여 우리가 원하는 답을 내놓도록 방아쇠를 당기는 방식을 취합니다.
스스로 학습하여 결과를 도출하는 인공지능
인공지능 역시 특정한 문제를 해결하기 위해 컴퓨터에게 무언가 명령을 내린다는 점은 알고리즘과 같습니다. 하지만 컴퓨터가 문제를 해결하는 방법을 찾는 과정에서 인공지능은 일반적인 알고리즘과 큰 차이를 보입니다. 인공지능은 몇몇 개의 명확한 규칙으로만 정답을 찾으려 하지 않습니다. 인공지능은 입력받은 정보가 ‘규칙에 맞다’ 혹은 ‘규칙에 어긋난다’를 알아내려 하지 않고 ‘제공받은 데이터 A와 풀고자 하는 문제의 정답 B’의 관계를 스스로 학습하려 합니다. 그렇기 때문에 일반적인 알고리즘에 대비해서 인공지능을 구현하기 위해서는 훨씬 고사양의 컴퓨터가 필요하기도 합니다. 하지만 같은 이유로 몇몇 개의 단순한 규칙으로만 풀 수 없는 복잡한 현실 세계의 문제를 인공지능은 너무나 높은 정확도로 풀어낼 수 있습니다.
물론 인공지능은 너무나 광범위한 의미를 내포한 단어이기에 모든 인공지능이 학습을 진행함으로써 작동하지는 않습니다. 예를 들어, 1980년대에 불었던 인공지능 붐 당시에는 인공지능에게 전문가의 지식을 집어넣어 엄청나게 많은 규칙을 생성하려 했습니다. 이때 당시 인공지능의 작동 방식은 앞서 설명한 일반적인 알고리즘의 작동 방식과 크게 다르지 않습니다. 하지만 2000년대에 들어와서 인공지능의 패러다임을 바꾼 개념이 하나 애용되기 시작했는데 그게 바로 컴퓨터에게 직접 학습을 진행하는 머신러닝이라고 일컬어지는 방식입니다. 원래 인공지능이라는 단어 자체는 학습의 의미를 내포하고 있지 않지만, 그 방법론 중 하나인 머신러닝이 워낙 인공지능 생태계에서 대세로 자리 잡고 있어 인공지능 자체가 학습의 의미를 내포하는 것처럼 보이고 있다고 이해할 수 있습니다.
인공지능과 머신러닝, 딥러닝
이처럼 인공지능과 머신러닝이라는 단어는 혼용되어 많이 이용되고 있는 추세입니다. 여기에 머신러닝과 단어 생김새가 비슷한 딥러닝까지 곁들여져 인공지능, 머신러닝, 딥러닝이 거의 동의어처럼 사용되고 있습니다. 하지만 본래 인공지능과 머신러닝, 딥러닝은 분명히 다른 개념입니다. 더 정확히 말하자면 인공지능이라는 거대한 개념 안에 머신러닝이 포함되어 있으며 또다시 머신러닝이라는 상위 개념 안에 딥러닝이 포함되어 있습니다. 최근 너무나 발전된 성능을 보여주고 있는 인공지능 대부분이 딥러닝 방식을 차용하고 있기 때문에 ‘인공지능=딥러닝’이라는 잘못된 인식을 만들고 있기도 합니다.
그리고 인공지능과 마찬가지로 머신러닝, 딥러닝 역시도 알고리즘이라는 단어가 뒤에 붙어 머신러닝 알고리즘, 딥러닝 알고리즘이라는 용어로 사용되곤 합니다. 하지만 머신러닝과 딥러닝 역시 인공지능 사례와 같이 평범한 알고리즘의 일종이라고 받아들이기보다는 머신러닝과 딥러닝을 그 자체의 개념으로 받아들이는 추세입니다. 머신러닝과 딥러닝 또한 학습이라는 가장 중요한 특징을 지니고 있기 때문입니다. 머신러닝 안에서도 수많은 알고리즘이 존재하고 딥러닝 안에서도 수많은 알고리즘이 존재하지만 이는 모두 컴퓨터에게 학습을 실행시키는 방식의 차이라고 이해하면 됩니다. 지금부터는 인공지능과 머신러닝, 딥러닝 각각의 구체적 의미에 대해서 한 번 알아보도록 하겠습니다.
1. 인간 지능의 모방을 총칭하는 인공지능
AI(Artificial Intelligence) 즉, 인공지능은 원래 인간의 지능을 모방하려는 방식을 모두 총칭하는 용어입니다. 결과적으로 인공지능은 컴퓨터에게 특정한 명령을 수행시키는 ‘방식’이라기 보다는 컴퓨터가 인간처럼 작동되고 있는 ‘상태’라고 이해하는 것이 더 정확합니다. 생각해보면 인공지능이 인간처럼 행동하는 컴퓨터 그 자체를 의미하다 보니 역사적으로 인공지능 구현을 위한 다양한 시도가 존재했을 겁니다. 그리고 다시 한번 짚고 넘어가자면, 모든 인공지능이 일반적인 알고리즘과 차별되는 학습의 특성을 내포하지는 않습니다. 오히려 2000년대 이전으로 한정한다면 인공지능과 알고리즘은 크게 다를 점이 없습니다.
2. 컴퓨터에게 스스로 학습을 시켜 인공지능을 구현하는 머신러닝
인공지능이 일반적인 알고리즘과 다르게 분류되기 시작한 것은 머신러닝이라는 새로운 방법을 채택한 이후입니다. 머신러닝은 컴퓨터가 스스로 학습할 수 있도록 알고리즘과 기술을 개발하는 분야입니다. 머신러닝에서는 규칙을 기반으로 컴퓨터에게 문제를 풀도록 하는 것이 아니라 빅데이터를 기반으로 데이터와 정답 간의 관계에 대한 학습만 진행하도록 합니다.
개와 고양이 분류는 머신러닝의 가장 대표적인 사례입니다. 개 혹은 고양이의 사진을 한 장 제공해주고 이것이 개 이미지인지 고양이 이미지인지 컴퓨터가 맞추는 작업을 상상하면, 규칙을 기반으로 하는 알고리즘 방식으로는 작업을 수행하기 쉽지 않습니다. 다리의 개수, 꼬리와 털의 존재 등 개와 고양이를 특정한 규칙으로 구분하기란 사실상 불가능합니다. 이를 해결하기 위해 머신러닝에서는 ‘개’라는 정답과 함께 개의 이미지를 제공해주고 ‘고양이’라는 정답과 함께 고양이의 이미지를 대량으로 제공해줍니다. 이 이미지들이 빅데이터 역할을 하며 컴퓨터가 알아서 이미지 속에서 개와 고양이의 특징을 학습하도록 하는 방식입니다.
3. 뉴런의 작동 방식을 기계학습에 이용한 딥러닝
딥러닝은 머신러닝 방법론 중 하나로 인간 뉴런의 작동 방식을 그대로 알고리즘화 하여 학습을 진행하는 방식입니다. 딥러닝(Deep Learning)의 이름을 풀어쓰면 ‘Deep Neural Network Machine Learning’으로 여기서 Neural Network는 인간 뉴런의 신호 전달 시스템을 뜻합니다. 결국 딥러닝이라는 단어 자체는 ‘깊은 신경망 방식을 이용한 머신러닝’이라고 이해할 수 있습니다. 이름만 보더라도 딥러닝이 뉴런 시스템을 차용했으며, 머신러닝의 일종이라는 것을 쉽게 파악할 수 있습니다. 수많은 머신러닝 알고리즘 중에서 굳이 딥러닝이라는 이름을 붙여 이 알고리즘만을 따로 통칭하는 것은 딥러닝이 다른 알고리즘과는 비교가 되지 않을 정도로 너무나 높은 정확도를 보여주고 있기 때문입니다. 결국 ‘인간 지능을 흉내내기 위해 만든 인공지능 분야에서, 인간의 신호 전달 시스템인 뉴런을 모방한 방식이 가장 효과적이었다’라는 신기한 결론에 도달합니다.
AI 최고의 장점은 높은 정확도와 확장 가능성입니다.
이번 시간에는 평범한 알고리즘과 비교했을 때, 인공지능이 어떤 특성을 지니고 있는지를 알아보았습니다. 요약하자면, 명확한 규칙에 의해 문제를 풀어나가는 것이 아닌 학습을 기반으로 문제를 풀어나가도록 설정했다는 것이 가장 큰 차이점이었습니다. 그리고 인공지능 분야에 ‘학습’이라는 새로운 패러다임을 불어넣은 머신러닝과 딥러닝의 개념에 대해서도 간단히 알아보았습니다. 최근까지도 많은 연구자들이 평범한 알고리즘을 이용하지 않고, 머신러닝과 딥러닝을 이용해 인공지능을 구현하는 이유는 간단합니다. 바로 빅데이터 기반 학습 방식이 사람이 직접 규칙을 몇 개 설정하는 알고리즘 방식보다 훨씬 정확하기 때문입니다. 그리고 기계가 스스로 학습을 하기 때문에 번역, 예술 작품 창작 등 우리가 상상하지 못하는 다양한 영역에 인공지능을 적용하는 것이 가능하게 되었습니다. 결국 학습에서 시작해서 학습으로 끝나는 것이 인공지능의 가장 큰 작동 원리라고 할 수 있습니다.
