달고나 11. 인텔리전트 시스템
Paper. Outline for a Theory of Intellige
딥러닝, AI, 빅데이터, IoT, 오토파일럿 (자율주행) 등과 같은 개념이나 기술이 일반화되면서 이들이 종합적으로 적용된 인텔리전트 시스템 (Intelligent System)도 최근에 등장한 개념으로 생각할 수 있다. 하지만 인텔리전트 시스템에 관한 연구는 꽤 오래전부터 진행됐고 개념이 — 물론 새로운 아디이어가 나오면서 꾸준히 진화하고 있지만 — 정립된지도 꽤 오래됐다. 나중에 산업경영공학과로 개명했지만 학부 전공은 산업공학이었고, 자연스레 대학원은 생산공학 연구실로 진학했다. 이후 인터넷 환경이 일반화되고 데이터 마이닝 관련 커리큘럼이 학과에 보강되면서 인터넷과 머신러닝이 주 연구 주제가 됐다. 정확한 교과목 명은 기억나지 않지만 2000년도에 대학원에 들어갔을 때 지도교수님은 인텔리전트 시스템에 관한 교과목을 개설했었다. 지도 교수님의 전공이 생산공학이었기에 강의는 공장을 비롯한 생산공정에서의 인텔리전스에 집중했다. 당시 배웠던/들었던 대부분을 까먹었지만 이후에 연구하거나 업무 하는데 생각의 틀을 잡아둔 두 가지 개념은 여전히 기억하고 있다. 하나는 다음 글로 미뤄두고, 다른 하나는 인텔리전트 시스템의 구성에 관한 거다.
아래에 간단하게 그렸지만 인텔리전트 시스템은 크게 1) 모니터링/센싱, 2) 디시전 메이커, 그리고 3) 실행으로 구성된다. 이런 개념이 최근에 정립된 것처럼 보일 수도 있지만 실은 1980년대, 어쩌면 그전에 정립된 개념으로 요즘도 여전히 유효하다. 오늘날에는 특히 디시전 메이커, AI에 많은 관심이 집중되고 있지만, 시스템이 진정 지능을 갖기 위해서는 디시전을 위해 데이터를 수집하는 부분과 디시전 이후에 실행하고 제어하는 부분이 모두 갖춰져야 한다. 자율주행 Auto Pilot을 예로 들면, Ridar나 카메라로 도로의 다양한 상황을 계속 모니터링하고, 딥러닝 기반으로 객체를 인식해서 다음으로 어떤 액션을 할지를 결정하고, 전기 신호를 보내서 브레이커를 밟거나 핸들을 틀어주는 제어가 모두 갖춰져야 자율주행이 가능하다.
이런 인텔리전트 시스템과 구성에 관해 잘 정리된 논문이 1991년에 나왔다는 것이 여전히 놀랍다. 20년 전에 공부할 때도 요즘의 모습을 제대로 상상하지 못했는데, 요즘 실생활에서 접하는 많은 기기들의 프레임워크는 30년 전에 정리됐고, 어쩌면 4~50년 전부터 이런 연구가 진행됐다는 것은 여전히 경이롭다. 때론 당장 불필요해 보이지만 먼 미래의 언젠가 우리 삶에 필요한 것을 제공할 기초 연구의 필요성과 중요성을 새삼 깨닫게 된다. 논문은 NIST의 James Albus가 1991년에 낸 'Outline for a Theory of Intelligence’이다. 논문은 37페이지로 상당히 긴 편에 속한다. 끝까지 읽었는지 아니면 중간에 포기했는지 기억은 가물가물하지만 2000년도 이후로 생각날 때마다 여러 번 읽기를 시도했었다. 어제 문득 이 논문이 다시 생각났다. 이외에도 인텔리전스 시스템을 소개한 많은 논문/연구가 있는데 용어/표현이 조금 다를 걸 제외하면 인텔리전스 시스템을 구성하는 요소는 모두 같다.
https://pdfs.semanticscholar.org/6248/8c4182c3908e0085b53449d93b812003f125.pdf
최근 주목받은 많은 개념이나 기기의 발전을 인텔리전트 시스템 측면에서 본다면 그 중요성과 의미를 쉽게 알 수 있다. 센싱과 모니터링은 각종 IoT 기기들과 (빅)데이터 처리 기술이, 디시전 메이킹은 딥러닝과 AI 알고리즘들이, 그리고 실행은 로봇과 정밀 제어 기술이 담당한다. 인터넷 서비스에서는 실행이 디시전 메이킹과 다소 모호하고 겹치는 부분이 있다. … 기계가 생각할 수 있을까? 는 오래된 질문이다. 만약 그런 기계가 등장한다면 저 구조에서 크게 벗어나지 않을 거다.
데이터 사이언티스트가 굳이 이런 논문도 읽어야 하나?라고 반문할 수 있다. 나의 답변은 더 넓게 보라는 거다. 시스템의 전체를 봐야 한다. 데이터 분석과 기계학습은 우리가 만들어갈 시스템, 서비스의 일부에 불과하다. 더 큰 시스템 또는 생태계 내에서의 데이터 사이언스를 고민해야 한다. 데이터가 수집되는 과정과 실제 제어가 이뤄지는 것을 고려하지 않고 그냥 조금 더 정확한 모델만 구축한다고 해서 모든 문제가 해결되지 않는다. 이 전 글에서도 밝혔지만 예측 모델은 추론 inference를 위한 것이고, 이 추론도 결국 제어 Control를 위한 거다. 대학원에서 기업체 프로젝트를 진행하며 Model Predictive Contrl이란 개념을 자연스레 익힌 것은 운이 좋았다. 그때는 뚜렷하고 명시적이지 않았지만 여러 잡다한 것들을 보고 듣고 익힌 후에 데이터 분석과 기계학습을 익힌 것을 다행이라 생각한다. 산업공학을 전공하면서 산업통계, OR, 회귀분석 등을 조금 더 일찍 접한 것도 다행이었다. 처음부터 딥러닝 또는 데이터 사이언스에 꽂혀서 달리는 이들에 비해서 기술적으론 부족해도 더 넓은 시야로 문제를 종합적으로 볼 수 있게 된 것은 아무런 연관성이 없어 보이는 다양한 주제를 의도했든 안 했든 익혔기 때문이라 생각한다. 몰론 스스로 정리하고 종합하는 능력도 함양해야 한다. 개별의 잡다한 것들을 익힌다고 저절로 다 연결되는 것은 아니다.
잡설이 좀 길었다. 오늘은 인텔리전트 시스템을 다룬 저 논문을 소개하고 싶었다. 혹시 더 잘 정리된 자료가 있으면 알려주시면 감사하겠습니다.
