인공지능이 걸어온 길, 기술

AI가 쉬쉬하는 '자기결정' 이야기

인공지능의 발전사

인공지능의 발전사는 중요한 기술적 발전이 있었던 시기를 기준해 세 단계로 나뉜다.

제1차 인공지능의 전성기는 1930년부터 1960년까지이다.

인공지능의 시초는 1936년 Alan Turing이 제시한 튜링머신으로 거슬러 올라간다. 이것을 배경으로 한 영화가 바로 <이미테이션 게임>이다. 신경네트워크 기계를 통해서 인간의 지적 능력을 모사하는 그의 최초의 증명이 인공지능의 시초로 알려진다. 1950년대의 인공지능은 컴퓨터로 추론 및 검색을 통해 주어진 과제를 해결하는 것이었다. 당시 인공지능은 퍼즐이나 게임 정도의 문제를 푸는 정도에 그쳤다. 이러한 부진함 탓에 1970년대까지도 인공지능은 싸늘한 ‘겨울’의 시기를 보냈다고 한다.

제2차 인공지능의 전성기는 1980년에 들어오고 나서이다. 지식을 중심으로 컴퓨터기술이 발전한 시기였다. 다양하고 풍요로운 정보데이터는 전문가시스템에 대한 기대를 가져왔지만 인간이 문제의 중심에 지식을 활용해 해결해나가는 것과 대조적으로 당시의 컴퓨터는 문제의 중심을 파악하지 못했다. 즉 모든 사항에 변수를 적용함으로써 주어진 시간 내에 목표를 달성하지 못하는 난관에 봉착한 것이다. 한마디로 센스가 없다고나 해야할까? 당시의 컴퓨터는 지금의 인공지능과는 달리 ‘멈춤’이 씌여진 도로표지판을 이해못했으며, 문자나 부호로부터 특정한 사물을 연상하지도 못했다. 이러한 기술적 한계들은 다시금 인공지능의 침체기를 가져오게 된다.

두 번의 침체기를 겪었지만 머신러닝과 딥러닝(deep learning)이 등장하면서 인공지능은 지금의 제3차 인공지능 붐에 도달하게 된다. 거기에는 1990년 이후 검색엔진의 활약이 크다. 폭발적인 인터넷의 보급과 2000년대에 보급된 웹의 존재로 대량의 데이터가 쏟아졌고, 빅데이터 기술은 기계학습의 원동력이 되었다. 이 시기의 인공지능은 문자나 도형을 식별할 수 있게 돼 기존의 한계를 뛰어넘는다. IBM의 왓슨 프로젝트, Google의 알파고와 이세돌이 펼친 바둑전은 인공지능의 상징적인 사건이 되었고, 이제 인공지능은 실생활에서 실현되는 기술이 됐다. 한마디로 이때부터 주목받기 시작했다.

인공지능의 주요기술

머신러닝

인공지능이 기계라는 도구를 통해 인간의 지능을 구현하는 것이라면, 단순히 기계라는 한계를 넘어야 했다. 즉 스스로 학습해 과제를 수행하는 능력이 필요하다. 머신러닝은 빅데이터를 분석해 문제의 결론에 정확도를 높여가며 성능을 향상시키는 기술이다.

머신러닝이 수많은 데이터에 대한 특징들을 추출해 데이터가 갖고 있는 패턴을 학습하며 학습표본에 기반한 결과 도출과 예측을 통해 최종적으로 의사결정에 필요한 판단을 하는 전 과정을 ‘패턴인식(pattern recognition)’이라고 한다. 머신러닝은 인공지능으로부터 실현하고자 하는 의사결정에 관한 판단기준을 인간의 지능에 대응할 수 있는 소프트웨어에 고정해서 입력해두는 것이 아니라, 대량의 데이터와 알고리즘을 통해 자체 학습을 가능하게 하여 수행하도록 고안된 기술이다.

이러한 의미에서 머신러닝은 “기계가 알고리즘을 통해 사람의 개입 없이 스스로 학습하려는 능력을 실행할 수 있도록 하는 연구 분야”이다. 드디어 인공지능은 인간의 코드 입력이 데이터를 분석하고 패턴을 학습해 결과예측 알고리즘을 구현할 수 있게 됐다. 그럼에도 머신러닝은 인간이 데이터와 규칙을 먼저 한 차례 입력한 이후에 입력되는 데이터를 가지고 작업을 수행하는 한계가 있으니, 영 미덥지 않다고나 해야할까.

딥러닝

머신러닝에서 한발 나아간 딥러닝은 한 마디로 ‘보다 지능화된 머신러닝’이라고 할 수 있다. 2006년 Geoffrey Hinton은 인공지능의 새로운 지평을 열었다. 그는 다계층으로 이루어진 신경망구조를 통해서 기계 스스로 데이터의 특징을 도출해내는 딥러닝 기술에 관한 연구를 발표하였다. 이어서 2012년에 스탠포드 대학의 앤드류 응(Andrew Ng)의 연구팀은 기계학습과 딥러닝을 이용해 수많은 유튜브(You Tube) 동영상 콘텐츠에서 고양이의 이미지를 식별해 냈다(74. 8%의 정확도). 딥러닝의 연구 성과는 인간의 사전 개입 없이 인간의 뇌를 모방한 인공신경망 기계를 통해 사물을 인식해냈으니, 인공지능의 실현을 가시화한 것이다.

딥러닝은 ‘인공신경망(artificial neuron network)’에 기반한 머신러닝 모델이다. 딥러닝은 기존에 머신러닝의 수많은 귀납과정을 거쳐야 알 수 있는 사물의 대상(둥글거나 뾰족함 등 단순한 특성)을 데이터로부터 표현할 수 있다. 오늘날 딥러닝으로 대변되는 인공신경망의 기본 단위는 뉴런이며, 단순한 계산소자의 연결을 통해서 좋은 성능을 나타낸다는 것을 기본 가정으로 한다. 인공신경망은 신경회로망(neural network), 연결성 모델(connectionist model), PDP(parallel distributed processing)라고도 한다.

학습의 개념은 인간 못지 않게 인공신경망에서도 매우 중요하다. 신경회로망에서의 학습은 단지 학습에서만 끝나는 것이 아니라 평가 결과가 피드백됨으로써 가중치를 조절한다. 딥러닝은 데이터가 갖는 다양한 특징들을 간단한 표현들로 정의하는데, 각각의 특징들을 판단하는 것이 퍼셉트론(perceptron)이며, 이것들이 모여서 다층 퍼셉트론(multi-layer perceptron)을 이룬다. 현재의 딥러닝은 인과관계를 이해할 수는 있어도 여전히 추상적인 개념들을 통한 상관관계를 구분하거나 이해하는 데에는 어려움이 있다고 한다.

참고문헌

장민선,「인공지능(AI)시대의 법적 쟁점에 관한 연구」연구보고 18-10 한국법제연구원(2018), 54-55.

윤영석,「인공지능로봇에 관한 형사법적 연구」서울대학교 법학박사 학위논문(2018), 21-23.

마쓰오 유타카(박기원 옮김),「인공지능과 딥러닝」, 동아엠엔비(2016), 63.

John McCarthy · Patrick J. Hayes, “SOME PHILOSOPHICAL PROBLEMS FROM THE STANDPOINT OF ARTIFICIAL INTELLIGENCE”, Conference Paper, Stanford University(1969), 30-31.

크리스토퍼 비숍(김형진옮김),「패턴인식과 머신러닝」, 제이펍(2019).

Geoffrey Hinton·Simon Osindero·Yee-Whye Teh,“A Fast Learning Algorithm for Deep Belief Nets”, Neural Computation, Vol.18/7(2006), 1527.

Gary Marcus,“Deep Learning: A Critical Appraisal”, arxiv.801.00631(2018), 23.