brunch

매거진 은은한 일상 속 에세이

라이킷 7 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by pat atto broony Apr 27. 2022

신경 가소성과 자기 계발 그리고 학습 방법

신경 가소성과 인공지능

이 글은 전문가가 아닌, 약간의 대학교육과 논문 그리고 책을 참고해 가볍게 쓰인 글이라는 점을 알려드립니다. 내용 및 출처에 문제의 소지가 있다면 개별적으로 메일과 댓글로 알려주시면 감사하겠습니다.

인공지능의 열기가 뜨겁다. 2016년 3월, 대중에게 '알파고' 이후로 알려진 인공지능은 우후죽순 수많은 논문들이 쏟아져 나왔고, 컴퓨터 사이언스라는 큰 분류 아래 기존부터 연구되고 있었던 분야라는 것이 대중에게도 널리 알려지게 되었다. 인공지능이 활용되는 분야도 세부적으로 비전 컴퓨팅, 데이터 분석, 자연어 처리를 비롯해 다양한 분야와 산업에 사용되었다. 많은 사람들은 AI로 통틀어서 해당 산업을 부르고 있다. 그렇지만 사실 구체적으로 AI는 머신러닝(이하 ML), 딥러닝(DL)을 모두 아우르는 포괄적인 분야이다. 그래서 사실 구체적으로는 뭉뚱그려 하나의 기술이라고 하기에는 어려운 부분이 있다.

다양한 산업에의 활용이 기대되는 인공지능

사실 모든 추상적 개념이 그렇듯 (나는 언제나 원관념 없는 완전한 최초는 없다고 믿는다.) 인공지능은 완전히 새로운 개념은 아니다. 1956년 다트머스 학술회의에서 처음 '인공지능'이라는 용어의 개념을 정립한 후, 1958년 프랭크 로센블라트가 인간의 뇌신경을 모사한 수학적 모델인 "퍼셉트론"을 제시했다. 그러나, 1970년 마빈 민스키가 "퍼셉트론"의 한계를 증명하면서 기계학습의 한계에 따라 다른 방법을 사용한 유사 연구가 주를 이루었다. 그래서 이후 역전파 알고리즘을 활용해 다시금 기계학습이 재조명받기까지 이 시기를 '인공지능의 겨울'이라고 부른다. 이 역전파 알고리즘은 제프리 힌턴(Geoffrey Hinton)이 제시했고, 그는 지금도 몇몇 다른 대가들과 함께 인공지능의 대부로 불리고 있다.

제프리 힌턴 - 위키백과, 우리 모두의 백과사전

ko.wikipedia.org

실제로, 인공지능 기술들은 생각보다 많은 사람들에게 열려있다. 그것의 알고리즘 자체를 코딩해 인공지능을 구현 가능한 어떤 함수를 만드는 것은 어렵지만, 우리는 google이나 facebook(구)에서 제공하는 인공지능 툴들을 사용해 연구실에서가 아니라 pc나 노트북으로도 그것을 구현해볼 수 있다. 대표적으로 많이 사용하는 통계 툴인 R을 제외하더라도, 머신러닝 툴로는 sklearn, tenserflow 등을 많이 사용한다.

입문용으로 많이 보는 핸즈온 머신 러닝 (오렐리앙 제롱 著)

책에는 주로 라이브러리를 사용해, 머신러닝을 구현(비트맵 및 데이터를 가공해서 적절한 인사이트를 얻어내는 방법, 목표하고자 하는 방법으로 데이터를 가공하는 방법 등)하는 방법을 소개하고 있다. 예를 들어, 텍사스 주의 주택 가격을 적절하게 평가하는 시스템을 구현하는 방법 등에 관한 예제 등이다.

데이터를 통해 간략하게 구현해볼 수 있는 머신러닝은 여러 가지가 있다. 특히 회귀 모델에 있어서 MLP, k-NN, random forest, REPTree, traditional linear regression 등의 모델을 사용해볼 수 있다.

ref) 각각의 모델의 특징은 사이킷런 홈페이지의 라이브러리 정보에서 찾아볼 수 있다.

scikit-learn: machine learning in Python — scikit-learn 1.0.2 documentation

scikit-learn.org

출처 : KBS 생로병사의 비밀

최근에 흥미로운 주제를 읽었다. 그건 다름 아니라 '뇌 가소성'에 대한 글이다. '뇌 가소성'은 한 마디로 요약하자면, '외부 자극이나 환경 변화에 대응하기 위해 변화하려는 특성'이다. 기존의 통설은 유아기 청소년기에 주로 뇌가 성장하고 성인이 되어서는 성장하지 않는다는 것이었는데, 그렇지 않다는 것이 과학적으로 밝혀진 셈이다.

그 메커니즘에 관해서 보다 구체적으로 KAIST의 '무수히 많은 뉴런과 이들 사이의 시냅스 연결로 구성된 복잡한 신경 네트워크에서 기억을 인코딩하는 뉴런이 선택되는 근본 원리를 규명'에서 찾아볼 수 있다.

뇌의 기억은 여러 영역에 걸쳐 분산되어 있는데, 시냅스 장기 강화 (Long-term plasticity, LTP)와 시냅스 장기 약화 (Long-term depression, LTD)와 같은 시냅스 가소성 (synaptic plasticity) 과정은 뉴런과 뉴런 사이의 시냅스의 전달 강도를 장기적으로 변화시킴으로써 기억을 저장하는 중요한 생물학적 메커니즘으로 알려져 왔다. 하지만 시냅스 가소성과 기억 엔그램이 형성되는 과정의 관계에 대한 연구는 지금까지 기술적 한계로 인해 보고된 바가 없다.

특히, 시냅스 장기 강화와 시냅스 장기 약화를 통해 신경이 변화하고, 그 변화가 장기적으로 이어질 경우 그것이 신경가소성으로 인한 뇌의 변화라는 것이라는 것을 본문을 통해 유추해볼 수 있을 것 같다.

신경가소성 관련 픽토그램 (출처 하단 표기)

실생활에 적용해보건대, 이 신경가소성이라는 말은 꽤나 긍정적인 신호이다. 사실 성장기에 뇌의 기능이 더 빠르게 변화하고 적용할 수는 있겠지만 나이가 든다고 해서 뇌가 변화하지 않고, 정체된다는 뜻이 아니기 때문이다. 아마도 유년기에는 아는 것보다는 세상에 모르는 일이 더 많고 실제로 호기심도 왕성해서 받아들이는 정도가 다르지만, 성년이 되고 난 이후 어느 정도가 지난 후에는 이미 어느 정도 세상이 돌아가는 방식을 알기에, 그리고 안다고 생각하기에 그 변화가 적은 것은 아닐까. 또 어릴 때 본인과 세상이 빠르게 변화하는 만큼 그것에 맞춰 변화해야 하는 정도가 빠른 것과는 달리, 사회에서 자리를 잡고 지혜에서 오는 결정방법과는 다른 소위 '지식의 습득과 생각'이라는 것을 더 적게 하면서 스스로 뇌의 사용 방식과 한계를 규정짓는 것은 아닐까

머신러닝에서는 어떤 알고리즘을 사용하느냐에 따라 그것을 익히는 시간(시행 횟수)과 정확성이 달라진다. 학습방법과 그 성취도는 어쩌면 오랜 시간 축적한 공부하는 방식(개인의 학습 알고리즘)과 그 시행 횟수에 따라 결정되는 것은 아닐까. 그래서 소위 공부를 잘한다고 하는 사람들은 원래 가지고 있는 그들의 머리가 좋아서라기보다는, 그만큼 그들의 공부하는 알고리즘을 적용해오고 또 발전시켜온 사람들은 아닐까. 그래서 그 잦은 사용과 수행 그리고 자극은 결국 뇌라는 기관을 변화시켜 사람의 끊임없는 변화에 일조하는 것은 아닐까 생각해본다.

어디선가 들은 말이 있다.

열심히 한다고 해서 사람이 항상 성공할 수는 없는데, ‘실패에서 무엇을 배우느냐, 그리고 그 실패를 얼마나 빨리 딛고 일어서느냐’가 네 커리어의 성패를 좌우하게 될 거야.

이것은 단순히 삶의 지혜에서 나아가 과학적으로도 뇌 가소성과 연결되는 이야기일지 모른다. 일상적인 상태가 성공에 가까운, 긍정적이고 몰입해 최선을 다하는 상태에서 한 번의 실패나 어려움이라면 괜찮지만, 낙심하고 실패에 가까운 상태가 오래 지속되어서 그것이 디폴트가 되어버리면 정말 그런 사람이 되어버리는 것에 유의하라는 말은 아닐까 (충분한 근거는 아니지만, 실제로 google scholar에서 검색해, 네이쳐에 실린 논문(1026회 인용)에서 스트레스와 우울증, 그리고 신경가소성의 관계에 대해 설명하고 있다. Stress, Depression, and Neuroplasticity: A Convergence of Mechanisms (2008. Christopher Pittenger, Ronald S Duman.))

너무나 일반화한 생각일지 모르지만, 작은 습관도 결국 행동 패턴을 구성하고 장기적으로는 그것이 영향을 미칠 수 있다는 점에서 습관 또한 개인을 구성하는 중요한 요소가 아닐까 생각해본다.

사실 자기 계발은 습득하기보다 단 한 권이라도 실천하는 것이 어렵기에 모든 내용을 삶에 반영하기는 사실상 어렵다는 점에서 무의미할지 모른다. 그래서 그때그때 개인의 상황에 가장 최선의 행동을 하는 것이 가장 올바른 길일지 모르겠다. 그러나, 미시적 사건에는 유연하게 대처하더라도 거시적으로 인생을 바라볼 때, 스스로의 행동변화를 촉구해 삶에 반영하려는 노력을 게을리 하지 않는려는 점과 개인의 가치관에 영향을 줄 수 있다는 점에서 중요한 것이 아닐까.