AI 트랜스포머 알고리즘과 MBTI라는 색안경
AI 알고리즘에서 배우는 세상살이
AI 알고리즘은 인간을 모방하며 발전해 왔습니다. 인간의 오감에 의한 인식 및 종합적인 추론 과정 등을 관찰하여 이를 구현하고, 실험을 통해 검증하는 방식입니다. 필자는 AI 알고리즘을 공부할 때면 오히려 인간의 본성이나 행동을 그 속에서 바라보게 되는 경우가 많습니다. AI 알고리즘의 원리가 우리가 살아가는데 어떤 교훈을 줄 수 있는지 이야기해 보겠습니다.
MBTI라는 색안경의 시대
우리는 자신의 성향을 표현하거나 타인의 성향을 이해할 때, 과거 혈액형이 그랬던 것처럼 MBTI를 대중적으로 널리 사용하고 있습니다. 소셜 네트워크의 프로필에서도 MBTI를 심심치 않게 찾아볼 수 있고, 유명인들의 MBTI를 추정해 보고 그 정확함에 스스로 감탄하기도 합니다.
다양하고 복잡한 인간의 성향을 스테레오타입(Stereotype) 별로 분류하는 것은 편리한 도구이며, 새로운 만남에서 어색함을 깨고 빠르게 친해지기 위한 아이스 브레이킹 역할을 톡톡히 해내고 있습니다. 기업에서도 갤럽의 강점 분석 도구 같은 것을 이용해 직원들의 강점 측면을 분석하고, 강점에 맞는 역할 배분이나 인사 업무에 활용하기도 합니다.
이와 같이 기본적인 가정이나 기준을 설정하는 것은 효율적인 방법이지만, 때로는 이런 일반화 도구에 지나치게 의존하거나 선입견으로 자리 잡아 인간의 잠재력을 규정하고 제한해 버리는 것은 아닌지 우려가 됩니다.
데이터에 대한 색안경: 인덕티브 바이어스 (Inductive Bias)
이전 이야기 (AI와 디테일 이야기)에서는 생성형 AI의 핵심 요소인 트랜스포머 알고리즘의 강점을 디테일의 강조 관점에서 살펴보았습니다. 또 다른 측면에서의 트랜스포머의 강점은 인덕티브 바이어스(Inductive Bias)라는 개념을 생각해 볼 수 있습니다.
트랜스포머 이전의 컨볼루션 신경망(CNN, Convolution Neural Network)과 같은 알고리즘은 사물을 볼 때 마치 가로, 세로, 대각선 등의 단편만 볼 수 있는 편광 안경을 끼고 바라보는 것과 유사합니다. 이렇게 하면, 예를 들어, 세로 형태가 강한 기린과 가로 형태가 강한 하마 등의 특징을 빠르게 탐지하고 효율적으로 구별할 수 있습니다. 백지상태에서 사물의 특징을 하나하나 보면서 분석하는 것보다 이런 가정을 적용한 방식은 훨씬 효율적입니다.
인덕티브 바이어스란, AI가 학습할 때 미리 정해진 가정이나 기준을 의미합니다. 트랜스포머는 이러한 가정을 최대한 배제하고, 요소 하나하나와 그 관계를 더 깊이 분석하여 학습합니다.
그래 가끔은 색안경을 벗어보자
기존 대비 트랜스포머 알고리즘의 뛰어난 성능은 우리가 사람을 이해하는 방식에도 시사점을 던집니다. 색안경의 종류를 늘린다고 해서 모든 동물을 완벽히 구별할 수 없는 것처럼, 더 많은 기준을 추가한다고 해서 인간의 성향을 완벽히 이해할 수 있는 것은 아닙니다. 혈액형보다 MBTI의 기준이 다양해졌다고 해서 인간의 모든 성향을 이해했다고 말할 수 있을까요? 좋은 도구라고 해서 그 틀에 갇혀 선입견이 생긴다면, 지인이나 팀원의 세부적인 면모를 이해하려는 노력이나 깊이 있는 대화에 소홀해질 수 있습니다.
오늘은 주변 사람들에게서 MBTI와는 다른 면모를 발견해 보거나, “저 사람은 A니까 이런 일을 할 수 없을 거야”라는 색안경을 끼고 바라보지는 않았었는지 한번 돌아보면 좋을 것 같습니다.
