brunch

You can make anything
by writing

- C.S.Lewis -

by 한규동 Jul 04. 2019

인공지능 개념(AI)

[인공지능 이야기] 인공지능 정의, 유형. 분야, 역사

인공지능은 간간이 이슈가 되곤 했다. IBM의 딥블루(Deep Blue)가 체스를 이긴 것이나 왓슨(Watson)이 제퍼디쇼(Jeopardy show)에서 사람을 이긴 것이 대표적이며, 터미네이터 등 여러 영화에도 다양한 인공지능이 등장했다. 2016년 알파고 가 이세돌 9단을 이긴 사건이 특별했던 것은, 한국에서 한국의 대표 바둑선수를 이긴 사건이 바로 한국에서 일어났기 때문이다. 

http://www.hankookilbo.com/News/Read/201603121722964715

그때 즈음, 다보스 포럼에서 4차 산업혁명에 대한 이야기가 나왔고, 한국에서는 곧 인공지능 및 4차 산업혁명에 대한 논의가 활발히 이루어졌다.    

하지만, 일상생활 속에서는 인공지능 청소기, 인공지능 냉장고/음식물 처리기, 인공지능 스피커 등등 인공지능 같지도 않은 '인공지능(이라고 이름 붙은) 기계들'을 많이 볼 수 있다. 인공지능 알파고와 인공지능 냉장고는 느낌이 확연히 다른데, 이쯤 되면 도대체 인공지능이 무엇인지 궁금해진다.  

  

생활 속에서 등장하는 인공지능 기기들(신문 편집)



인공지능의 정의
What is Artificial Intelligence?

'인공지능'이라는 용어를 만든 존 매카시(John McCarthy)는 ‘인텔리전트한 기계를 만드는 과학과 공학(the science and engineering of making intelligent machines)’이라고 정의했다. 하지만 인텔리전트한 기계(intelligent machines)의 개념은 여전히 모호하다.    

https://www.artificial-solutions.com/blog/homage-to-john-mccarthy-the-father-of-artificial-intellige


인공지능의 정의는 여러 가지가 있다. 전 세계 110여 개 나라의 1300여 개 대학교에서 교재로 사용하고 있다는 '인공지능 - 현대적 접근'(Artificial Intelligence - A Modern Approach)에는 네 가지 관점에서 여러 가지 정의가 나온다.    

인간처럼 생각하고 행동하는 관점, 이성적으로 생각하고 행동하는 관점 등 4가지 관점에서 다양한 정의가 존재한다. 그러나 모두가 동의하는 하나의 정의는 없는 것 같다. 즉, 인공지능이 무엇인지는 명확하지 않다.    

“Artificial Intelligence A Modern Approach” 3rd Edition, Stuart Russell, Peter Norvig, Prentice Hall


인공지능 효과(AI effect)

인공지능은 정의하기 어려울 뿐 아니라, 세월에 따라 그 개념도 변한다. 예전에는 인공지능 영역으로 여겨졌던 문자 식별, 검색엔진, 장기, 체스, 기계번역 등이 더 이상 지능적(?)으로 느껴지지 않는다. 이를 인공지능 효과(AI effect)라 한다. "예전에 인공지능이라고 불렀지만 실용화되어 하나의 분야를 구성하면서 이제 더 이상 인공지능이라고 불리지 않게 되었다. 이것은 'AI 효과'라고 불리는 흥미 깊은 현상이다. 많은 사람들이 그 원리를 알아버리면 '이것은 지능이 아니다'라고 생각하는 것이다."

( “인공지능과 딥러닝” 마쓰오 유타카, 박기원 옮김, 동아 엠엔비)


위키피디아에서는 AI효과(AI effect)를 언급하면서 '인공지능은 아직까지 실현되지 않은 모든 것'

(AI is anything that has not been done yet)이라 정의한다.

(https://en.wikipedia.org/wiki/AI_effect)  



인공지능의 4가지 유형

이처럼 실체를 알기 힘든 인공지능의 개념을 파악하기 위한 좋은 방법이 없을까?

"인공지능과 딥러닝"이라는 책에 인공지능의 4가지 유형이 나온다.

먼저 레벨 1은 단순한 제어 프로그램을 탑재한 전자제품을 마케팅적으로 '인공지능 탑재'라 부르는 경우이다. 레벨 2는 입력과 출력이 다양한 경우로서 추론/탐색 또는 지식베이스를 활용하는 등 고전적인 인공지능 방법론이 이에 해당한다. 레벨 3은 기계학습(머신러닝)을 활용하는 인공지능이며, 레벨 4는 딥러닝을 이용하는 경우이다. 인공지능의 정의는 명확하지 않지만 이러한 4가지 유형으로 인공지능을 구분하면, 앞에서 언급했던 인공지능 세탁기부터 알파고까지 다양한 인공지능을 구분할 수 있다.

“인공지능과 딥러닝” 마쓰오 유타카, 박기원 옮김, 동아 엠엔비, 54p


인공지능 발전 역사

인공지능(AI, Artificial Intelligence)이라는 용어는 1956년 다트머스 회의에서 처음 등장했다. 당시 다트머스 대학에 근무하던 존 매카시(John McCarthy)가 주도하여 10여 명이 2달 동안 인공지능에 대해서 논의하였다.(인공지능 현대적 접근)

이러한 인공지능 회의가 생긴 배경에는 초기 컴퓨터의 발전과 밀접한 관련이 있다. 세계 최초의 범용 전자식 컴퓨터로 알려진 에니악ENIAC이 탄생한 1946년으로부터 10년, 그 압도적인 계산력을 본 사람들은 컴퓨터가 인간보다 똑똑해져서 인간의 능력을 능가하는 것이 당연하다고 생각했다.(인공지능과 딥러닝)

인공지능이 발전해온 역사를 보면 세 번의 봄(spring)과 두 번의 겨울(winter)이 있었다. 지금이 제3차 인공지능 봄에 해당한다. 여기서 봄은 인공지능이 붐을 이루었던 시기이며, 겨울은 인공지능 연구의 저조기를 말한다.    

“인공지능과 딥러닝”, 마쓰오 유타카, 박기원 옮김, 동아 엠엔비, 64p


인공지능은 사람의 지능을 기계로 구현하고자 하는 것이며, 인간의 지능이 어떻게 구현되고 발현되는가에 대한 생각의 차이에 따라 규칙기반/연결주의 /통계기반 인공지능 등 세 가지 계열로 발전되었다.

 (이하 규칙기반/연결주의/통계기반 인공지능 내용은 정상근, 머니투데이, 2015.3.9 기사 참고,

http://news.mt.co.kr/mtview.php?no=2015022514490867206&type=1)


먼저 규칙기반 인공지능. 1950년대 연구자들은 지능을 기계적 계산 과정으로 설명할 수 있다는 '계산주의'를 근간으로 연구를 진행했다. 계산을 수행하려면 계산 과정을 정의하는 기호(Symbol)와 기호 간 연산에 대한 규칙(Rule)을 정의해야 하기 때문에 초창기 인공지능은 규칙기반 인공지능(Rule Based AI)으로 발전한다. (기호주의, 계산주의, 심볼릭(Symbolic) AI 등도 같은 맥락에서 나온 개념이다.) 규칙기반의 인공지능은 '실세계의 사물과 사상을 어떻게 기호화할 것인가'에 대한 물음과 이렇게 표현된 '기호들과 규칙을 활용해 어떻게 지능적 추론을 할 수 있을 것인가'에 대한 물음에 답하려고 노력했으며, 이에 대한 답이 온톨로지 같은 지식표현 체계와 추론 기법이다. 규칙기반 인공지능은 1970년대 전문가 시스템(Expert System)으로 발전하여 산업적으로도 이용되었으나, 1980년대에 이르러 쇠락한다. 성능 부족과 범용성 부족이 원인이었으나, 근본적으로 실세계의 형상을 모두 '기호화' 할 수 있는가에 대해 의문이 제기되었다.


연결주의 인공지능(Connectionism)은 기호화나 기호 조작만으로는 지능을 충분히 설명할 수 없다고 본다. 사람의 지능이 두뇌를 이루고 있는 신경들 사이의 연결에서부터 출발한다고 가정하고, 뇌 구조를 낮은 수준에서 모델링한 후 외부의 자극(학습데이터)을 통해 인공두뇌의 구조와 가중치 값을 변형시키는 방식으로 학습을 시도한다. 기호주의와 연결주의의 결정적 차이는 사물의 표현방식에 있다. '고양이'를 기술할 때 기호주의 방식은 고양이를 기호 사전 중 하나로 매핑해서 생각한다. 연결주의에서는 고양이라는 개체를 기호 하나로 생각할 수 없고 다른 모든 정보화 연결되어 있다고 생각한다. 즉, 고양이를 떠올렸을 때 사람의 머릿속에서는 오늘 아침에 본 고양이, 내가 키우던 고양이 등 고양이와 연관된 모든 정보가 활성화되며, 이는 여러 가지 값의 조합으로 표현된다. 연결주의에 기반한 인공지능 구현을 '신경망 기반 AI'라 부른다. 1957년 퍼셉트론(Perceptron)이 최초로 개발된 이후 다층 퍼셉트론(MLP, Multi-Layered Perceptron)으로 발전했으나, 계산이 복잡하고 데이터가 부족했으며 결정적으로 컴퓨팅 파워가 뒷받침되지 않아 성공하지 못했다. 신경망 기반 인공지능은 후에 딥러닝(Deep Learning)으로 부활한다.


통계기반 인공지능은 인간의 지능과 두뇌 구조에 대한 고찰보다 인공지능이 풀려고 하는 '문제 자체'를 통계적으로 어떻게 풀어내는가에 더 관심을 가진다. 연결주의에서의 실패 경험으로, 복잡한 방식으로 사람의 지능을 낮은 수준에서 모사하는 것보다, 실제 세계의 지능이 필요한 문제 자체를 잘 해결하는 것이 더 중요하고 실용적이라는 생각이 확산된 영향이다. 통계기반 방식은 '오늘 주식을 팔아야 하나?'라는 문제에 대해서 과거의 모든 주식 데이터들을 수치화해 통계적으로 주식의 흐름을 파악하고, 팔면 얼마의 이득과 손해가 될지를 결정하는 수학 문제로 바꿔 해결한다. 통계 기반의 인공지능은 실제 사물을 표현하는 특징 설계(Feature Design), 통계적 모델에 기반해 문제를 푼 후 정답과 비교해 보는 평가 과정(Evaluation), 정답과의 차이를 반영해 통계 모델을 계속 갱신해 나가는 최적화 과정(Optimization/Parameter Update)의 세 가지로 구성된다. 2000년대 초반부터 현재까지 음성인식, 영상처리, 자연어 처리 등 인공지능의 전 분야에 걸쳐 개발되어 왔다.



현재의 인공지능 연구

현재 인공지능 연구에는 기호주의, 연결주의, 통계기반을 포함한 다양한 분야의 기법들이 융합되어 이용되고 있다.    

https://www.ibm.com/blogs/business-analytics/why-finance-professionals-need-artificial-intelligence/


인공지능의 연구 분야는 자연어 처리(NLP), 음성인식(Speech recognition), 전문가 시스템(Expert system), 로봇, 컴퓨터 비전(vision) 등 다양한 분야가 있으며, 모두 기계가 지능적으로 움직이기 위해 필요한 기술들을 연구한다.(What’s required for a machine to be intelligent?)    

http://futurearchitectureplatform.org/news/28/ai-architecture-intelligence


인공지능(AI) vs 지능강화(IA)

오늘날 '인공지능'이라는 단어는 인간의 두뇌를 모방한다는 개념보다는 인간의 일을 도와준다는 개념이 더 많이 포함되어 있다. 역사적으로는 이 두 가지 개념이 대립되어 왔다. 인공지능(AI, Artificial Intelligence) 계열은 인간의 두뇌를 모방하거나 인간의 생각을 알고리즘으로 표현하려는 노력해 왔으나, 지능강화(IA, Intelligence Augmentation) 계열은 인간의 지능을 컴퓨터가 모방하는 것은 불가능하며, 인간지능을 강화하는 데 도움을 주는 기술에 집중해야 한다고 주장했다. 지능강화 입장은 1960년대 중반에 등장했으며, 현재의 인공지능 기술은 인공지능과 지능강화의 개념을 모두 포함하고 있다.( “인공지능 시대의 정부 인공지능이 어떻게 정부를 변화시킬 것인가?”, IT & Future Strategy 제3호(2017.6.26), 한국정보화진흥원, 4쪽) IBM은 인공지능이라는 용어보다는 인지 컴퓨팅(Cognitive Computing)이라는 용어를 사용하는데, 이 또는 지능강화 계열이라고 한다.(IA is what IBM calls Cognitive Computing, http://www.dure.net/ebiz1704.pdf)


2010년 이후 인공지능에 대한 열기가 뜨겁다. 인공지능 관련 논문, 스타트업, 학생, 벤처캐피털 투자 등이 엄청나게 증가하고 있다. 이러한 인공지능에 대한 열기에 대해서 한쪽에서는 또 다른 ‘겨울’을 부르는 계기가 될까 걱정하는 목소리도 있다.    

https://www.theverge.com/2017/12/1/16723238/ai-artificial-intelligence-progress-index


진정한 기술발전보다는 마케팅 수단으로 인공지능, 머신러닝, 딥러닝을 사용하는 경우도 있다. 인공지능은 사용한 지 오래된 용어라 식상하기 때문에 머신러닝 또는 딥러닝이라는 용어를 대신 사용하면 좀 더 있어 보이기도 한다.    

What Is The Difference Between Artificial Intelligence And Machine Learning?, Forbes, Dec 6, 2016
What Is The Difference Between Deep Learning, Machine Learning and AI?, Forbes, Dec 8, 2016



인공지능 개념 간 관계


인공지능 ⊃ 머신러닝 ⊃ 인공신경망 ⊃ 딥러닝

인공지능이 가장 넓은 개념이고, 인공지능의 중요한 구현 방법 중 하나가 기계학습 또는 머신러닝(Machine Learning)이며, 머신러닝 중 하나의 방법론이 딥러닝(Deep Learning)이다. 딥러닝은 또한 인공신경망(Artificial Neural Network)의 한 종류이다. 즉, 인공지능 ⊃ 머신러닝 ⊃ 인공신경망 ⊃ 딥러닝.    

http://blogs.nvidia.co.kr/2016/08/03/difference_ai_learning_machinelearning/ 일부 편집

지금까지 인공지능의 개념과 역사에 대해서 살펴보았다. 다음번에는 머신러닝, 딥러닝 등 인공지능의 주요 방법론을 살펴보겠다.



[인공지능 이야기 시리즈]

인공지능 개념(AI) | 인공지능 정의, 유형. 분야, 역사

머신러닝 개념(Machine Learning) | 머신러닝 정의, 종류, 예시, 통계와 비교

머신러닝, 기계가 학습한다는 의미 | 머신러닝 과정에 구체적으로 무슨 일이 일어나는가?

인공신경망 개념(Artificial Neural Network) | 생물학적 신경망, 인공신경망, 퍼셉트론, MLP

딥러닝 개념(Deep Learning) | 딥러닝 등장 3대 사건, 기본 개념, CNN, RNN, 장단점

매거진 선택

키워드 선택 0 / 3 0

댓글여부

afliean
브런치는 최신 브라우저에 최적화 되어있습니다. IE chrome safari