인공지능이 제공할 사용자 경험의 진화 단계
Level of AIX (AI and Human Experience)
'광의의 인공지능'은 이미 우리의 생활과 업무 속에 상당히 깊숙이 들어와 있다고 해도 과언이 아닐 것입니다. 우리가 매일 사용하는 스마트폰, 스마트 TV 등의 전자 제품, 이메일, 검색엔진 등의 서비스에는 알게 모르게 다양한 인공지능 기술이 적용되어 있습니다.
그렇지만, 각 사업자는 자사의 기술개발 방향, 확보된 기술 및 로드맵 등에 맞추어 제품과 서비스를 출시할 뿐, 전체 생태계의 관점에서 '최종 소비자'가 사용하게 될 인공지능 제품과 서비스가 어떤 모습으로 발전, 진화해야 하는지에 대한 논의의 틀은 없는 상황입니다.
Element AI와 LG전자는 작년부터 가정, 회사, 차량, 도시 일반 등 다양한 공간에서 소비자와 인공지능 제품/서비스의 상호 작용이 어떤 단계로 진화해야 하는지에 대한 공통의 Framework을 제시하고자 공동 프로젝트를 진행해 왔고, 이를 CES 2020에서 함께 발표한 바 있습니다 (참고: https://www.verdict.co.uk/lg-electronics-element-ai/).
이 Framework - Level of AIX: The Future of AI and the Human Experience - 은 Element AI와 LG전자가 수행한 Home Space에서의 AI 기반 제품, 서비스의 미래에 대한 전망 연구, 그리고 최신의 AI 기술 연구방향 및 AI 기술이 내포하는 사회적 의미에 대한 면밀한 검토, 다양한 전문가 인터뷰 등을 통해 작성된 결과물입니다. 여기서 소비자와 상호작용할 인공지능의 발전 단계를 4단계 (Efficiency - Personalization - Reasoning - Exploration)로 정의하였고, 각 단계는 소비자 및 사회에 새로운 효익을 제공할 수 있는, 이전 단계의 기능을 포함하면서 진화하는, 인공지능의 차별적 Value Proposition을 제시합니다. 그리고 서로 다른 단계가 실제 생활 및 인공지능이 사용되는 맥락에서 어떤 의미를 가지는지 설명하기 위하여 4개의 차원 개념 - Environmental Awareness, Collaboration, User Understanding, Autonomy - 을 도입하였습니다.
이러한 준거 틀의 궁극적인 목표는, 최종 소비자 대상의 각종 인공지능 제품 및 서비스를 제공하는 생태계(Ecosystem)를 구성하는 다양한 참여자들 - 제조사, 플랫폼 사업자, 서비스 제공자 등 - 로 하여금 사용자에게 제공할 기능과 효익을 단계별로 유기적으로 구성할 수 있도록 하고 이를 위한 효과적인 협업 또는 경쟁의 틀을 제시하는 데 있다고 봅니다. 또, 소비자 입장에서는 내가 구매하고 사용하는 제품, 서비스들이 어떤 기능을 제공하는지에 대해 '단계'라는 개념을 통해 직관적으로 이해할 수 있도록 하는 것도 큰 의미가 있습니다. ('자율주행차량의 발전 단계' 개념이 소비자의 자율주행차량 구매 시 쉽게 그 기능을 이해하도록 도와주는 것과 유사합니다)
이 'Level of AIX'는 다양한 공간에서 다종의 제품과 서비스가 소비자와 어떤 방식으로 상호 작용하는가에 대한 상위 수준의 Framework이니만큼, 앞으로 개별 공간과 제품, 서비스의 맥락에 기초한 구체화가 필요합니다. Element AI가 LG전자와 시작한 이 작업이 앞으로 다양한 사업자들과의 논의, 협업 등을 통해 보다 풍부한 내용과 관점을 담을 수 있기를 기대합니다.
아래는, 'Level of AIX'에 대해서 한국정보통신기술협회의 TTA Journal 187호 (2020년 3월)에 LG전자 연구원분들과 공동으로 '인공지능 학습 알고리즘의 동향'이라는 제목으로 기고한 내용 (https://www.tta.or.kr/ebook/ecatalog.jsp?catimage=1&Dir=70&start=54)입니다. 기술적인 내용은 최소화되어 있으니 한 번 읽어보시면 좋을 것 같습니다.
인공지능 학습 알고리즘의 동향
전혜정 LG전자, 미래기술센터 인공지능연구소 연구위원
한종우 LG전자, 미래기술센터 인공지능연구소 책임연구원
음병찬 Element AI, 동북아 총괄
1. 머리말
인공지능은 우리가 살고 있는 세계에 영향을 미치고 있으며, 우리는 매일 사용하는 시스템, 서비스, 장치들을 통해서 발견할 수 있다. 인공지능이 특정 응용에서 흥미로운 발전을 보였지만, 향후 도로, 가정, 직장, 공공장소 등 다양한 영역에서의 인공지능 발전 방향에 대한 연구는 많지 않다.
이러한 이유로 LG전자와 Element AI는 인공 지능의 발전에 대해 공유할 수 있는 정의를 제안하고자 인공지능 발전 단계를 연구 개발하여, 이번 2020년 CES[1]의 LG전자 프레스 컨퍼런스 (Press Conference)에서 발표했다. 인공지능 발전 단계는 기술 자체의 발전에만 초점을 맞추지 않고 기술과 함께 인간의 경험이 어떻게 달라지는가에 대한 방향성을 제시한다. 즉, 단계가 올라갈수록 고객의 더 나은 삶을 지향한다.
인공지능 발전 단계는 인공지능 과학과 공학의 최첨단 기술에 대한 예지와 연구의 상상력을 바탕으로 하고 있으며, 4개의 명확한 단계로 구성되어 있다. 각 단계는 인공지능으로 구동되는 제품과 서비스가 사용자와 사회에 새로운 혜택을 제공할 수 있는 기능의 단계적 변화를 나타낸다. 인공지능의 미래가 인간 중심의 디자인에 초점을 맞춰야 한다는 관점에서 인공지능의 발전 단계를 인공지능 경험(AIX, AI Experience)의 단계라고 명명하였으며, 이 관점에서 학습 알고리즘의 동향을 살펴보고자 한다.
2. 인공지능 발전단계
공장들은 수십 년 동안 인간의 신체적 능력을 증가시키거나 대체하기 위한 기계를 통합해 왔고, 기계적인 힘의 변화는 공장의 물리적 배치를 지속적으로 재구성해 왔다. 예를 들어, 중앙집중식 모터가 연결된 많은 기계들을 돌리는 방식의 그룹 구동 시스템에서 개별 전기 모터가 개별 도구를 작동시키는 방식의 장치 구동 시스템으로 전환되면서 1920년 대부터 생산은 선형 조립 라인으로 세분화되었다.
점점 더 복잡한 기계를 만드는 데 수십 년이 걸렸음에도 불구하고, 낮은 수준의 자율성을 가진 공장은 여전히 조립 라인을 따라 움직일 수 있도록 최적화되어 있으며, 고정된 위치의 작업자들은 기계의 제한된 특수성을 다루도록 훈련되었다. 그러나 인식과 이동 능력을 갖춘 자율형 로봇이 많아질수록 유연성이 높아지고, 이를 통해 공간과 공정을 단순한 선형 흐름보다는 인간-기계 협업에 최적화시킬 수 있다. 가정에서는 사용자가 가전에 맞춰서 고정된 위치에서 작업하지는 않지만, 가전의 기능이 가지는 시간·공간적 한계에 맞춰야 한다. 요리를 하기 위해서 오븐이 예열될 때까지 기다려야 하고, 외출을 하려면 진행 중이던 세탁기나 로봇 청소기는 과정이 끝날 때까지 기다려야 한다. 그러나 인공지능으로 사용자의 요리 과정에 맞춰서 미리 오븐을 예열하거나, 일정에 맞춰서 자율적으로 세탁기와 로봇 청소기를 동작시킬 수 있다면, 또는 인공지능의 도움으로 내가 원하는 요리를 전문 요리사처럼 완성하거나 세탁과 청소 중에 발생할 수 있는 코스 오류, 장애물로 인한 청소 중지 등의 문제점까지 해결할 수 있다면, 삶이 더 여유롭고 가치 있을 것이다.
그림 1. 인공지능의 발전 단계2.1 단계 1 : 효율화 (Efficiency)
인공지능이 미리 정의된 명령이나 조건을 기반으로 시스템과 제품을 동작시켜 사용자의 편의를 높여주는 단계다. 일반적인 기계 학습(Machine learning) 알고리즘을 적용해서 사용자가 음성으로 명령을 내리거나 특정 환경 조건이 충족될 때 동작하게 된다. 현존하는 대부분의 인공지능 제품들은 1단계 기술을 탑재하고 있다.
1단계의 인공지능 에어컨은 스마트 감지 센서를 이용해 실내에 사람이 있는지 파악하고 자동으로 사람이 있는 곳으로 냉기를 보내 미리 설정된 온도로 냉방할 수 있다. 사용자는 음성으로 에어컨의 동작을 제어할 수 있다.
일정한 주기로 작동하는 스프링클러에 1단계 인공지능을 적용하면 스프링클러 센서는 최근 비가 왔다는 사실을 감지하고 예정된 작동을 건너뛰며 물을 아낄 수 있다.
그림 2. 인공지능의 발전 예시 시나리오 (1단계_효율화)2.2 단계 2 : 개인화 (Personalization)
2단계 인공지능은 '개인화'가 가능해 사용자와의 누적된 상호작용을 통해 패턴 학습(Pattern learning)을 할 수 있다. 2단계 인공지능은 사용자의 과거 행동을 분석해 패턴을 찾고 미래의 행동을 예측한다. 하나의 제품이나 서비스를 여러 사람이 동시에 사용하더라도 각자의 목소리, 얼굴, 사용 방식 등을 분석해 고유의 패턴을 찾는다. 이를 통해 사용자가 로그인하지 않아도 인공지능은 사용자가 누구인지 알아차린다.
2단계에 속하는 인공지능 냉장고는 사용자가 과거에 어떤 음식을 즐겼는지 이해하고 상황에 맞는 레시피를 추천할 수 있다. 반면, 1단계에 속하는 인공지능 냉장고는 사용자가 "매운 음식 레시피 추천해줘"라는 명령을 받으면 기존 경험을 고려하지 않고 일반적인 레시피를 추천해 준다.
스마트 미러는 2단계 인공지능을 이용해 사용자의 웨어러블 기기나 각종 센서로부터 입력된 바이오 정보(Biometric Data)를 보여준다. 또 사용자가 약을 복용하는 상태라면 잊지 않고 챙겨 먹을 수 있도록 상기시켜 주기도 한다.
그림 3. 인공지능의 발전 예시 시나리오 (2단계_개인화)2.3 단계 3 : 추론 (Reasoning)
'추론' 단계의 인공지능은 인과 학습(Causality learning)을 통해 각종 제품과 서비스를 사용하며 발견되는 특정 패턴과 행동의 원인 등을 파악한다. 이를 토대로 새로운 상황에서도 사용자가 필요로 하는 결과를 예측해 동작한다.
사용자에게 맞춤형 서비스를 제공하기 위해서는 다양한 접점을 통한 정보 수집이 필수적이다. 인공지능 2단계는 사용자와 제품, 사용자와 서비스 등에 대한 개별적인 상관관계를 파악했다면, 3단계는 각기 다른 제품과 서비스에서 수집된 정보들을 통합해 종합적인 인과관계를 파악하게 된다.
사용자가 보일러를 켜고 센서가 달린 옷장에서 두꺼운 옷을 꺼내 입으며 뜨거운 원두커피를 내려 마시면 '추론' 단계의 인공지능은 사용자의 행동이 온도나 체온을 높이기 위한 것임을 파악한다. 나중에 기온이 많이 떨어지고 있다는 일기예보가 나오면 인공 지능은 가동 중인 에어컨을 중단하거나 난방을 준비하고 사용자에게 두꺼운 옷을 입도록 제안하며 "뜨거운 원두커피를 만들까요?"라고 물어볼 수 있다.
그림 4. 인공지능의 발전 예시 시나리오 (3단계_추론)2.4 단계 4 : 탐구 (Exploration)
'탐구' 단계는 실험 학습(Experimental learning)을 통해 사용자의 삶을 더욱 윤택하게 만드는 단계다. 실험 학습이란 인공지능이 스스로 논리적으로 추론하고 가설을 세워 검증하며 더 나은 솔루션을 발견해 내는 작업이다. 인공지능은 지속적으로 새로운 아이디어를 발견하고 지식을 습득하면서 새로운 정보가 사용자의 삶에 가치를 부여할 수 있도록 유의미한 실험을 반복한다.
예를 들어, 취침할 때 주변 온도가 17도(℃) 정도면 편안하게 수면을 취한다는 새로운 정보를 입수한 인공지능은 사용자에게 "천장 냉각팬을 돌리면 시원한 공기를 순환시킬 수 있고 수면에 적합한 체온을 유지하는 데 도움이 됩니다. 주무실 때 냉각팬을 돌리는 게 어떨까요?"라고 먼저 제안할 수 있다.
또 4단계 인공지능을 기반으로 한 스마트시티는 차량과 트래픽 센서 등을 통해 들어오는 정보를 수집해 교통시스템을 최적화한다. 스마트시티는 스스로 최적화 과정을 거치며 사람들이 효율적이고 안전하게 생활할 수 있도록 돕는다.
그림 5. 인공지능의 발전 예시 시나리오 (4단계_탐구)3. 인공지능 단계를 위한 4가지 차원
이 단계들의 차이점들이 실제로 무엇을 의미하는지를 명확하게 하기 위해서, 각 단계의 차이점을 표현할 수 있는 기본적인 차원을 도출하였으며, 모든 단계에서 인공지능이 안전하고 신뢰할 수 있는 방법을 고려했다. 이러한 각 차원에 따른 발전은 제품 및 서비스와 점점 더 높은 단계의 인공지능을 구현하기 위해 필요하다.
각 단계에 대한 차원의 특징은 [그림 6]과 같다.
그림 6. 인공지능 발전 단계의 4가지 차원3.1 자율성 (Autonomy)
사용자나 작업자는 직접적이거나 간접적인 방법으로 기기를 제어할 수 있다. 예를 들어, 비행기 조종사가 원하는 고도를 직접 설정하면 자동 파일럿 시스템은 센서와 제어 알고리즘을 사용해서 지정된 매개변수인 설정된 고도값을 만족시킬 수 있고, 스마트 워셔(Smart washer)는 사용자가 지정한 청소 수준에 따라서 적당한 물의 양을 선택할 수 있다.
이와는 대조적으로 자율주행 차량에서는 승객이 최종 목적지만을 설정하면, 차량이 전체 임무를 속력과 방향과 같은 직접적인 매개변수로 변환하는 하위 목표와 차선 유지와 같은 작업으로 분해할 것이다. 마찬가지로, 첨단 스마트 그리드는 다양한 에너지 절약과 분배 전략을 통해 전체 및 부분 정전을 최소화할 수 있는 방법을 제안할 수 있다.
사용자가 직접 제어할 필요성을 제거하고 사용자가 인공지능에게 더 많은 자율권을 위임함으로써 보다 복잡한 작업을 효율적으로 수행할 수 있기 때문에 더 효율적일 수 있다. 더 많은 자율성을 얻기 위해서 인공지능은 추상적이거나 높은 수준의 명령어들의 문맥상 모호성을 명확히 이해하고, 어려운 절충을 하고자 문맥으로 변환해 이해할 수 있어야 한다. 동일한 임무도 서로 다른 비용과 위험을 가지는 다양한 계획으로 해결될 수 있으므로, 고도로 진화한 인공지능은 사용자 자신이 가진 단기적 목표와 장기적 목표의 충돌과 같은 모순을 탐색하여 좀 더 광범위한 목적을 달성할 수 있도록 도와야 할 것이다.
사람들의 흥미와 영향력은 몇 달, 몇 년 또는 더 오래 지속될 수 있기 때문에, 진정한 개인화된 평생 학습 프로그램의 구현과 같은 임무를 수행하기 위해서는 사람들의 어린 시절 기억과 같은 과거나 직업 전망과 같은 미래를 고려해야 할 수도 있다.
3.2 환경인식 (Environmental Awareness)
가장 간단한 작업은 고정된 환경에서 일어나는 반복적인 작업이다. 이 단계에서는 작업에 대한 절차적 지식과 환경의 기본 매핑을 갖춘 인공지능 시스템만 요구한다. 예를 들어, 스마트 인프라는 눈이 온 것을 감지하고 도로 상태를 개선하기 위해 열이나 소금을 자동으로 적용할 수 있다.
하지만 인공지능 시스템의 장점 중 하나는 배우고 적응하는 능력이다. 인공지능 구동 시스템은 도로가 젖었을 때 더 미끄러워진다는 사실에 적응하면 훨씬 더 도움이 될 수 있다. 예를 들어서 눈이 와서 도로가 젖었다면 자동차가 빨리 멈추기 어려워졌다는 것을 예상하고 노란색 신호등의 점등 시간을 증가시킬 수 있을 것이다.
시스템이 진화함에 따라, 인공지능은 사회적 또는 생물학적 과정에 성공적으로 관여할 수 있을 정도로 사용자 환경에 대해 충분히 배울 수 있다. 예를 들어, 스마트 주방 시스템이 발효와 부패와 같은 과정을 이해한다면, 적절한 시기에 음식을 해동시키기 시작하고, 식품을 보존하기 위해 소금을 자동으로 넣거나, 심지어 고기와 야채를 적당한 시간에 미리 만들어진 양념장에 버무림으로써 식사 준비에 도움이 될 수 있다.
이러한 유형의 적응성을 가능하게 하려면 시스템이 일상적인 물리 현상 또는 인과 관계의 내부 모델과 관련된 다양한 종류의 센서와 이해 능력을 가져야 한다. 사회 및 생물적 시스템에서의 패턴이 복잡하기 때문에, 인공지능은 사물의 극히 적은 예를 보고 나서 일반화하거나 추론하고 그 지식을 새로운 영역에 적용할 수 있는 어린이들과 비슷하게 진화해야 한다.
가장 높은 단계의 진화에서 이 이해는 더 많은 탐구와 성장을 위한 발판에 불과하다. 훌륭한 학생이나 탐험가처럼, 고도로 진화한 인공지능은 이해한 것과 가정을 시험하기 위해 새로운 통찰력을 찾을 것이다.
3.3 사용자 이해 (User Understanding)
오늘날 인공지능으로 구동되는 제품과 서비스는 대부분 과거에 좋아했던 것 또는 다음에 클릭할 것 같은 사람들의 행동 패턴에 따라 개인화된다. 사람들은 성공적인 상호작용을 통해서 더 좋은 선택을 할 수 있다. 왜냐하면 그들은 행동뿐만 아니라 다른 사람들이 생각하고 있거나 느끼는 것과 같은 내부 상태도 추론하기 때문이다.
예를 들어, 운전자는 다른 운전자가 부주의한 것을 추론하고 교차로에서 멈추지 않을 것이라고 예상할 수 있다. 유사하게 인공지능도 개인의 행동에만 반응하는 것에서 정신 상태와 기분을 고려해서 반응하는 것으로 진화할 수 있다. 예를 들어, 부엌의 조리 제어 시스템은 사용자가 주의 산만하고 조리 표면이 뜨겁다는 것을 인식하지 못한다는 것을 추론하고, 경고를 주거나 예방적으로 조리 표면의 온도를 낮출 수 있다.
사회관계를 해석하고 추론할 수 있는 진정한 동반자가 되기 위해서 인공지능은 외부적으로 드러나지 않는 가르침을 배우고 이해할 수 있어야 한다. 예를 들어, 일부 국가의 비즈니스 예절은 새로 교환한 명함을 회의 중에 테이블 위에 계속 볼 수 있도록 요구하는 반면, 다른 국가에서는 그것을 치우는 것이 보통이다. 사람들은 자신의 행동에 대해 밖으로 드러나는 점수나 보상을 거의 받지 못하고, 다른 사람을 관찰함으로써 ‘게임’의 목표가 무엇인지를 유추해야 하며, 좀 더 진화된 인공지능도 유사한 능력을 가질 필요가 있다.
진보된 인공지능 응용 예제는 치매 환자나 시각 장애인과 같은 소수 인구에게 제공되는 복약 알림 또는 도시 길 찾기와 같은 서비스를 포함하는데, 인공지능이 이를 위해 어떻게 인지하고 다르게 생각할지를 고려할 수 있다. 그러나 인공지능이 이렇게 더 민감한 작업을 수행하려면, 사용자들은 인공지능의 제안이나 결정이 사용자의 최선의 이익에 있다고 믿고 더 광범위한 목적을 지원해야 하는 이유가 있어야 한다.
예를 들어, 사용자는 음식 메뉴를 고르기 위해서 식품 알레르기에 대한 데이터를 편안하게 공유할 수 있지만, 다른 이유로 종교적 또는 문화적 관행을 기반으로 하는 식품 제한에 대한 데이터는 그렇지 않다. 따라서, 고도로 진화한 인공지능은 감정적으로 더 직관적일 뿐만 아니라 사용자들에게 그들의 생각과 감정을 어떻게 이해하고 해석하는지에 대한 증거를 제시하고 설명할 수 있는 방법도 찾아야 할 것이다.
3.4 협업 형태 (Collaboration)
기계는 스스로 점점 더 능력 있고 기능적이 될 수 있지만, 전문화에 대한 논리와 이점은 대부분의 가정, 직장 및 다른 공간에는 여러 종류의 스마트 장치가 포함될 것이라는 것을 의미한다. 동시에, 많은 작업들은 여러 물체나 시스템에 걸친 조정이 필요할 것이다. 예를 들어, 가정이나 사무실을 안전하게 만드는 것은 많은 물리적, 디지털 자산과 진입점을 보호하는 것과 관련된 가상-실제의 도전이다.
독립적인 작업에서 기계들 그룹과의 성공적인 작업으로 가기 위해, 인공지능은 그 일을 성취하기 위한 자신의 행동뿐만 아니라 그 행동이 다른 기계들의 행동에 어떻게 영향을 미칠 수 있는지도 고려해 야 한다. 엄격한 프로토콜을 사용하지 않고도 작업과 관련된 개념과 지시를 전달하는 정보 흐름 측면에서 다른 기기나 애플리케이션과 효과적으로 통신할 수 있는 유연한 방법이 필요한 시스템 수준의 이해가 요구되는 단계이다.
어떤 경우에는 사람들과 협력하는 것이 작업을 더 쉽게 만들 것이다. 예를 들어, 비용을 절감하기 위해서 인간 운전자를 따라가는 방식의 자율주행 트럭 소대 방식은 완전 자율 트럭보다 상대적으로 덜 정교한 차량으로도 달성할 수 있다. 그러나 일반적으로 사람과 기계의 팀과 협력하는 것은 더 진화된 인공지능 시스템을 필요로 할 것이다. 팀원들의 상태, 의도, 목표를 관찰하고 해석하며, 팀 내에서 관심과 조정 비용을 관리하고, 학습 목표를 공유하는 것과 같은 일들을 할 수 있어야 하기 때문이다. 가장 발전된 인공지능 시스템은 이러한 공유 능력들 간의 차이를 인식하고 그룹을 좀 더 효과적으로 만들 수 있는 방법을 적극적으로 모색할 것이다.
4. 인공지능 논문과의 연관성
이러한 인공지능 발전 단계와 관련된 주요 논문의 동향을 살펴보면 다음과 같다.
단계 1의 효율화를 위한 기존 딥러닝 학습 방법은 주로 더 높은 인식 성능이나 더 빠른 계산을 위한 학습 설정값 최적화(Hyper-parameter optimization)에 대한 연구이다. 예전에는 이러한 문제를 해결하기 위해 사람이 일일이 여러 경우들을 실험하여 최적의 학습 설정값을 찾아냈지만, 최근에는 데이터 중심으로 동작하는 자동 학습 (AutoML) 분야의 개발이 활발히 이루어지고 있다. 특히, 그중에 강화 학습을 적용한 네트워크 구조 탐색(Network architecture search) 계열의 기법[2][3]을 사용하면 효율적이면서도 높은 인식 성능을 갖는 모델을 학습할 수 있다.
단계 2의 개인화(Personalization)를 달성하기 위해서는 전체 데이터를 중심으로 학습한 모델의 전이 학습(Transfer learning)이 필요하다. 특히, 실제 환경에서는 학습 데이터에 포함되지 않은 상황이 빈번하게 발생하기 때문에 사용자 개인의 사용 환경에서 발생한 데이터를 활용한 재학습 과정이 중요하다. 이처럼 다른 두 도메인 간 학습은 도메인 적응 학습(Domain adaptation)[4]이라고 부른다. 또한, 사용자 환경은 학습 환경처럼 다양한 데이터를 확보할 수 없기 때문에, 메타러닝 (Meta-learning)[5] 등 소수의 데이터를 이용한 학습 기술에 대한 개발이 중요하다.
단계 3의 추론(Reasoning)은 어떤 결과에 미친 원인을 찾는 원인 추론(Causal inference)으로서 데이터 과학(Data science) 분야에서 활발히 연구되던 문제이다. 어떤 인과 관계를 확실히 알 수 있다면, 해당 인과 관계를 통해 학습 도메인이 아닌 다른 도메인에서 벌어지는 일도 쉽게 예측할 수 있다. 따라서, 원인 추론은 최근 기계 학습 분야에서 활발히 접목되고 있으며 [6]~[9], 이를 바탕으로 도메인 적응 학습이나 강화학습의 성능이 개선되고 있다.
단계 4의 탐구(Exploration)와 관련된 학습 기법은 아직 활발하게 연구되고 있지는 않다. 기존의 능동적 학습(Active learning)은 현재 학습 상태에서 도움이 될 데이터를 선별한다는 측면에서는 유사하지만, 확보한 학습 데이터만 재활용할 뿐 없는 새로 필요한 데이터를 생성하지는 않는다. 모델 기반 강화 학습[10]에서도 모델이 완벽하다는 가정에서 임의로 혹은 불확실성이 높은 데이터에 대해 학습을 추가로 진행할 수 있으나 이는 베이지 안 (Bayesian) 기법 등 통계를 바탕으로 진행되어 [11], 단계 4에서 제안하는 원인(Causality)에 기반한 탐구(Exploration)와 개념이 완벽하게 일치하지는 않는다. 오히려, 적대적 공격(Adversarial attack)에 강인한 모델을 학습하는 이론[12]이 어떠한 원인이 오류를 크게 만드는지 분석하고 실제로 데이터를 생성하여 학습하는 측면에서 유사한 면이 있다. 기존 통계 기반 탐구 방법에 원인 분석을 통해 '이렇게 하면 어떨까?(What if?)'라는 가정을 세울 수 있다면, 이는 학습 성능을 크게 개선할 수 있는 열쇠가 될 것이기 때문에 앞으로 더 활발하게 연구될 것이라 기대된다.
5. 맺음말
기계와 통합하기 위해서 인간의 공간과 작업흐름을 재구성한 이전의 자동화 물결과 달리, 인공지능의 진정한 변화 잠재력은 인간의 역할을 줄이는 것이 아니라 오히려 관심을 갖고 활동에 더 많은 시간을 할애할 수 있게 하는 것이다. 예를 들어, 우리는 가정에서 인공지능으로 구동되는 미래의 제품과 서비스가 사람들의 집안일을 줄이는 것뿐만 아니라 새로운 방식으로 그들의 건강, 교육, 그리고 엔터테인먼트에도 도움을 줄 것이라고 믿는다.
이처럼 사람과 사람의 요구에 적응하는 장치, 시스템, 공간, 인프라를 만들어냄으로써 점점 더 정교한 인공지능 은 생산성과 복지의 새로운 물결을 이룰 것이다. 인공지능 학습 알고리즘도 이러한 관점에서 향후 연구의 방향을 검토한다면, 제품과 서비스에 적용될 수 있는 기회가 더 많아질 것으로 예상된다.
대표적인 국제 인공지능 학회에서 이전 알고리즘의 성능을 개선하거나 새로운 학습 알고리즘을 제안하는 논문들이 많이 출시되고 있다. 산업계에서는 제품과 서비스에 적용 가능한 수준인지, 풀고자 하는 난제를 해결할 수 있는 솔루션이 포함되어 있는지에 대한 관점에서 학습 알고리즘의 동향과 수준을 분석하게 된다. 앞으로는 인공지능 발전 단계 관점에서 고객에게 새로운 가치를 제공하는 경험의 변화를 일으킬 수 있는 더 높은 단계의 학습 알고리즘인지에 대해서 관심 있게 지켜보고자 한다.
참고문헌
[1] http://www.lgnewsroom.com/2020/01/lg-unveils-new-framework-for-advancing-ai-technology-at-ces-2020/
[2] Neural Architecture Search with Reinforcement Learning, ICLR2017
[3] EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks, ICML2019
[4] Domain-Adversarial Training of Neural Networks, Journal of Machine Learning Research 2016
[5] Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks, ICML2017
[6] Causal Inference and Stable Learning, ICML2019 Tutorial
[7] NeurIPS 2018 Workshop on Causal Learning
[8] NeurIPS 2019 Workshop on ‘Do the right thing’: machine learning and causal inference for improved decision making
[9] A Meta-Transfer Objective for Learning to Disentangle Causal Mechanisms, arxiv2019
[10] Exploration in Model-based Reinforcement Learning by Empirically Estimating Learning Progress, NIPS2012
[11] Efficient Exploration through Bayesian Deep Q-Networks, arxiv2019
[12] Explaining and Harnessing Adversarial Examples, ICLR2015
