brunch

매거진 AI

라이킷 12 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 카카오 정책산업 연구 May 19. 2017

[카카오AI리포트]산업 현장 속으로 들어간 AI

4차 산업혁명과 AI가 가져올 변화 - 최예림

저희는 왜 ‘카카오 AI 리포트'를 내고 있을까요. 이번 호는 이 같은 질문에 대해 또 다른 답을 찾아가는 과정 같습니다. 카카오는 인공지능(AI) 기술을 활용해 새로운 혁신에 도전하고자 하는 기업이지만, 저희 힘 만으로는 부족합니다. 저희는 세상을 바꾸는 AI 기술 동향과 흐름에 대해 국내에서도 더 많은 관심과 논의가 필요하다고 생각합니다. 훌륭한 인재들이 AI 연구에 더 적극적으로 뛰어들어 서로 지식을 교환하면서 새로운 가능성을 탐색할 수 있지 않을까요.

[카카오 AI 리포트] Vol. 3 는 다음 내용으로 구성되어 있습니다.

[1] Research - AI 연구 지금까지의 발자취

01. 정수헌, 김대원 : ICML과 NIPS 발표논문 6,163건 메타 분석

02. 김진화 : AI연구자들이 열광하는 ICML, NIPS

03. 엄태웅 : 딥러닝 연구의 현재와 미래 part 1.(1/2)

[2] Industry - AI, 혁명의 주역

04. 노명철, 이주영 : [AI in kakao] 사진에서 사람을 읽다

05. 최예림 : 산업 현장 속으로 들어간 AI (이번글)

[3] Information

06. AI 유튜브 강의 모음

[카카오 AI 리포트] Vol. 3 전체글 다운받기

Kakao_AI_Report_Vol03_201705.pdf

내용 중간의 [ ] 는 뒷부분에 설명 및 관련 문헌의 소개 내용이 있음을 알리는 부호입니다. 예를 들어, [1]에 대한 설명은 '설명 및 참고문헌'의 첫 번째에 해당합니다.

2016년, 과학기술분야의 가장 핫한 키워드가 알파고(AlphaGo)의 충격으로 인해 인공지능(artificial intelligence, AI)이었다면, 2017년에는 4차 산업혁명(The Fourth Industrial Revolution)이 주요 화두로 떠오르고 있다. 4차 산업혁명이라는 단어를 처음으로 사용한 세계경제포럼(World Economic Forum)의 창립자이자 회장인, 클라우스 슈밥(Klaus Schwab) 교수는 그의 저서 ‘The Fourth Industrial Revolution’에서 4차 산업혁명을 인간이라는 존재의 의미까지도 다시 생각해보게 할 변화라고 서술하며 중요성을 강조했다.[1] 본 글에서는 4차 산업혁명에서 인공지능의 역할을 살펴보고, 대표적인 사례로 스마트제조에 대해 소개한다. 그리고 인공지능이 이끄는 4차 산업혁명 대한 우려와 기대를 이야기하고자 한다.

4차 산업혁명과 인공지능

2016년 1월, 스위스 다보스(Davos)에서 열린 세계경제포럼에서 클라우스 슈밥 교수가 처음으로 4차 산업혁명을 언급했다. 4차 산업혁명은 3차 산업혁명을 기반으로 디지털과 바이오산업, 물리학 등을 융합하는 차세대 기술 혁명을 의미하며, 대표적인 구동요인(driven factor)으로 유비쿼터스(a.k.a. 연결성)와 AI를 꼽는다. 약 1만 년 전 인류는 농업혁명을 통해 수렵∙채집 활동을 마감하고 정착, 농경생활로 진입했다. 18세기 중반 증기기관의 발명으로 인한 1차 산업혁명과 19세기 말 전기의 발명으로 인한 2차 산업혁명은 기계를 이용한 생산, 대량 생산을 가능하게 했다. 20세기 중반 컴퓨터와 인터넷의 발명으로 디지털 혁명으로 불리는 3차 산업혁명이 일어나 자동화를 통한 생산성 향상에 기틀을 마련했으며, 21세기 초 연결성, AI와 머신러닝(machine learning)으로 대표되는 4차 산업혁명이 시작되고 있다.

3차 산업혁명과 4차 산업혁명의 핵심은 자동화∙연결성으로 둘의 구분이 모호해 4차 산업혁명은 3차 산업혁명의 연장선이며 버즈워드(buzzword)에 지나지 않는다는 의견도 존재한다. 4차 산업혁명을 3차 산업혁명으로부터 구분 짓는 특징은 오랜 기간산업을 구성하던 기존의 기준과 법칙들을 뒤집는 파괴적(disruptive) 변화라는 점이다. 저장∙운송∙복제에 비용이 없는 정보 재화(information goods)가 생산품에서 차지하는 비중이 높아지면서 기존 산업에서 당연하게 받아들여진 수확 체감의 법칙이 무너졌고, 한계비용이 사라져 과거의 생산성은 산업을 평가하는 지표로 더 이상 유효하지 않게 되었다. 예를 들어, 카카오택시와 같은 서비스는 지불 의사 금액과 실제 지불 금액의 차이를 의미하는 소비자 잉여를 발생시켜 소비자가 편리함을 느끼지만 직접적인 수익을 창출하지는 않아 생산성의 관점에서 평가될 수 없다. 또한, 단순 생산을 위한 노동의 가치가 하락하고 있다. IBM의 CEO 지니 로메티(Ginni Rometty)는 2016년 11월 미국의 대통령 당선자 도널드 트럼프(Donald Trump)에게 쓴 편지에서 블루컬러나 화이트컬러가 아닌 새로운 직업의 출현을 이야기했다. 앞으로의 노동자 계급은 대학과 같은 장기 직업교육이 아닌 단기 교육으로 업무역량을 획득하여 빠르게 변화하는 흐름을 따라갈 수 있어야 한다.

4차 산업혁명을 가능하게 하는 요인으로 언급되는 AI는 기계를 인간과 유사하거나 더 뛰어난 지능을 갖게 하기 위한 기술로 다양한 방식으로 구현되어 왔다. 최근에는 머신러닝, 특히 딥러닝(deep learning)의 발전과 함께 데이터 분석 방식에 기반한 AI가 가능성을 인정받고 있다. 예를 들어, 자율주행 또는 무인이동체 분야에서는 수집된 센서 데이터를 분석하여 상황을 판단하거나 행위를 예측하기 위한 AI 기법이 도입되고 있으며, 로봇공학 분야에서는 이미지 기반의 사람/사물 인식, 음성 인식을 위한 기법이 사용되고 있다. 특히, 오랜 기간 정체되어 있던 제조업에 AI 기술이 융합된 스마트제조(smart manufacturing) 분야가 주목받고 있다.

스마트제조 분야

수업시간에 학생들이 진행하고 있는 과제를 하나 소개할까 한다. 고객의 주문 취소로 인한 위험을 최소화하기 위해 MTO(make to order, 미리 생산하여 재고를 저장하지 않고 주문이 들어오면 생산하는 방식) 생산 방식을 취하고 있는 작은 규모의 공장이 있다. 그런데 매달 월말에 주문이 몰려 lead time(상품의 생산 시작부터 완성까지 걸리는 시간)이 지연되는 문제가 발생하고 있다. 학생들은 이 문제를 해결하고자 다양한 전통적인 방식을 떠올리며 고심하고 있다. 만약 AI의 발달로 월말 주문량을 미리 정확하게 예측할 수 있다면 MTO 방식 사용 시 초과되는 주문량에 대해 MTS(make to stock, 미리 생산하여 재고를 저장해 두는 방식) 방식을 도입하여 잉여시간(idle time)에 미리 생산함으로써 문제가 쉽게 해소될 수 있다. 이와 같은 제조업에서 발생하는 생산성을 저하시키는 다수의 문제는 고도화된 AI 기술로 손쉽게 해결할 수 있다.

4차 산업혁명과 종종 혼용되는 단어 중에 ‘인더스트리 4.0’이 있다. 2011년 독일 하노버박람회(Hannover Fair)에서 처음 등장한 용어로 4차 산업혁명이 다양한 산업을 아우르는 개념이라면 인더스트리 4.0은 제조업에 국한되어 스마트제조의 활성화를 목적으로 한다. 국내에서는 2020년까지 스마트공장 1만 개 구축을 목표로 하는 제조혁신 3.0이 진행되고 있으며, 해외에서는 독일 외에도 미국의 첨단제조시스템, 일본의 제조업 중흥 프로그램, 중국제조 2025 등이 진행되고 있다.

스마트제조는 밸류체인(value chain) 상의 모든 구성요소(원자재, 제품, 기계, 사람 등)들이 정보기술을 통해 실시간으로 연결되고 데이터 기반의 시스템 제어를 이용하여 고객 맞춤형 제품 및 서비스를 창출하는 플랫폼으로 스마트제조에 기반한 지능형 공장을 스마트 공장이라고 부른다. 고객 맞춤성(customization), 연결성(connectivity), 협업성(collaboration)을 의미하는 3C로 스마트제조의 속성을 나타낼 수 있다.[2] 이상적인 스마트 공장은 로봇에 의한 자동화와 데이터 기반 AI에 의한 지능화를 지향한다. 스마트제조를 가능하게 하는 8대 기술에는 빅데이터, CPS(cyber-physical system), 사물인터넷(internet of things), 스마트센싱, 클라우드, 3D 프린팅, 에너지절약, 홀로그램이 있다. 이 중 CPS는 가상의 공간에서 수행되는 작업들이 결국은 실제 물리적 공장 내에서 수행되도록 하는 개념을 의미하고, 빅데이터는 수집된 데이터로부터 유의미한 지식을 추출하는 기법으로 향후에 널리 적용될 수 있는 가능성이 있다.[3]

스마트제조 분야에서 가장 눈에 띄는 국내 스타트업은 딥러닝 기반의 스마트 공장 솔루션 업체인 수아랩(SUALAB)이다. 실제 제조업 현장에 딥러닝 기술을 적용하여 머신비전(machine vision) 기반의 표면 불량 검출 기능을 높은 정확도로 제공한다. 딥러닝 기술을 스마트제조 분야에 상용화한 점을 인정받아 세계 최대 자동화 컨퍼런스 Automate 2017의 Innovators Award에서 대상을 수상했다. 또한, 신성이앤지는 생산라인에서 기계들이 자동으로 제품을 만들어 포장∙적재까지 하는 수준의 스마트 공장으로 변화 후 생산량이 2배로 증가했다. 대기업들도 스마트공장 솔루션 사업에 뛰어들고 있다. SK는 산업용 빅데이터 분석 플랫폼을 개발 중에 있으며, 현대위아는 장비원격모니터링 및 진단시스템을 개발했고, 삼성SDS와 LG CNS는 각각 스마트공장 솔루션을 개발중이다.

스마트제조를 위한 8대 기술

우려점들

AI, 특히 딥러닝이 이끄는 4차 산업혁명에 대해 방법론적인 측면과 사회 규범적 측면에서 일부 우려들이 존재하고 있다.

딥러닝이 각광받기 이전 ‘shallow learning’ 방법론을 이용하는 연구를 수행하던 시절에는 주위 사람들의 머신러닝이 실제 세계에 적용 가능하다고 생각하냐는 물음에(우선 머신러닝이 러닝머신과는 다르다고 설명해야 했다) 확신을 갖고 불가능하다고 이야기하곤 했었다. 그 당시 실험을 통해 얻은 정확도는 실제 적용이 불가능한 수준이었고, 답이 있는 데이터를 수집하는 것은 매우 어려웠다. 사용하던 방법론은 데이터의 세밀한 특징까지 잡아내지 못하고 대략적인 특성만 반영했다. 이후 딥러닝이 빅데이터의 출현, 학습 기법의 개선, 컴퓨팅 파워의 증진으로 ANN(artificial neural network)이 갖고 있던 기존의 한계를 풀어나가며 다양한 문제들에 대해 획기적인 성능 향상을 이뤄내고, 관련 분야 연구자 모두가 딥러닝으로 수렴하는 분위기를 지켜보면서 머신러닝이 세상을 바꿀 수 있겠다는 생각을 갖게 됐다. 이처럼 강력한 딥러닝을 기반으로 한 인공지능을 통해 4차 산업혁명이 일어나고 있다.

하지만 딥러닝 또한 머신러닝이 갖는 약점을 그대로 갖고 있다. 머신러닝을 간단하게 설명하자면, 데이터의 관계를 설명할 수 있는 수학적 모델을 미리 구성해 두고 이 모델의 파라미터를 데이터로부터 추정(학습)하는 방식을 의미한다. 따라서 데이터의 양과 질이 머신러닝 방법의 성능을 좌우하고, 답이 있는 데이터를 이용하여 학습하는 것(지도 학습, supervised learning)이 답이 없는 데이터를 이용하여 학습하는 것(비지도 학습, unsupervised learning) 보다 좋은 성능을 제공한다.

지도 학습은 사용을 위해 답이 있는 데이터를 구해야 한다는 치명적인 한계를 갖고 있다. 예를 들어, 스마트 공장에서 머신비전 기술을 도입하여 생산품 표면의 오류를 높은 정확도로 검출하기 위해서는 오류의 여부와 위치가 정확하게 명시된 생산품 표면 이미지 데이터가 (그것도 매우 많이) 있어야 한다. 특히, 양이 많을수록 정확도가 향상될 뿐만 아니라, 복잡한 구조의 딥러닝 모델을 사용하기 위해서는 더욱 많은 데이터가 필요하다. 장기간 지속적인 수집을 통해 데이터를 확보한다고 해도 인간의 실수(human error)로 인해 데이터의 편향(bias)이 발생하면 그 데이터를 이용해 학습한 모델의 성능에도 문제가 발생한다. 따라서 머신러닝과 딥러닝 분야의 권위자 중 한 명인 앤드류 응(Andrew Ng) 교수는 이제는 비지도 학습 방식을 발전시켜나가야 한다고 주장한다. 실제로 강화 학습(reinforcement learning), one-shot learning, GAN(generative adversarial network) 등 새로운 학습 방식을 이용하는 기법들이 속속 출현하고 있다.

또한, 데이터 기반 인공지능 방법론의 성능의 불안정성, 낮은 설명력 때문에 연구나 위험이 비교적 적은 예제 문제가 아닌 실제 산업에의 적용 가능성은 떨어진다는 의견이 많다. 그만큼 실제 문제를 해결하기 위해 인공지능 기법을 도입하는 것은 까다롭다. 알파고 역시도 단순히 딥러닝 모델만을 사용한 것이 아니라, 기본적으로는 시뮬레이션 기반의 검색 기법인 몬테카를로 트리 탐색(monte carlo tree search)[5] 알고리즘을 사용했다. 앞서 언급한 수아랩에서도 제조 이미지 처리 전문가들의 지식을 불량검사 모델에 반영하여 실제 적용 가능 한 수준의 성능을 확보했다. 아직 모두가 상상하는 완전한 지능형 자동화까지는 지속적인 연구와 투자가 요구된다.

4차 산업혁명의 대표적인 키워드는 지능형 자동화이다. 즉, AI는 데이터 기반의 제어를 통해 고객-생산 간의 관계를 밀접하게 연결하고 다품종 소량 생산을 가능하게 하여 제조에서 인간의 개입을 감소시킨다. 예를 들어, 제조업에서 생산량 예측이나 오류 검토 등 기존에는 인간의 개입이 반드시 필요했던 작업에서 인간의 참여가 불필요하게 된다. 따라서 고용이 줄어들고 직업이 사라지게 된다.

자연스럽게 자동화로 인한 AI의 인력 대체를 걱정하는 목소리가 크다. 실제로 옥스퍼드대 마틴스쿨(Oxford Martin School)에서 진행한 ‘컴퓨터화에 민감한 직업 조사 연구’에서 10년에서 20년 사이에 2010년 미국에 존재했던 직업의 47%가 자동화될 것이라고 예측했다.[6] 반복적인 일들은 이미 더 이상 인간이 할 필요가 없어졌고 고급 숙련도를 요구하는 일들조차도 AI가 대체하게 될 것이다. 우리나라에서도 콜센터 및 은행의 창구는 시스템으로 대체되고 있으며, IBM이 개발한 AI 왓슨은 변호사나 의사의 업무도 대체하기 시작했다. 또한, 플랫폼 효과를 우려하는 목소리도 있다. 플랫폼 효과란 시장을 지배하는 강력한 소수의 플랫폼으로의 집중 현상을 의미한다. 예를 들어, 구글은 웹에서의 검색 플랫폼, 이메일 플랫폼, 스마트기기 OS의 플랫폼으로써 막대한 양의 데이터를 수집하고 있다. 결국 이 데이터는 더 나은 성능의 AI 개발 원동력이 되어 다른 소규모 기업과의 격차를 점차 늘린다.

수아랩의 머신비전 기반 표면 불량 검사 솔루션 (출처: 수아랩 제공)

앞서 언급한 우려들에 대해서는 긍정과 부정 의견이 모두 존재한다. 스스로를 실용적 긍정론자라고 이야기하는 슈밥 교수는 결과적으로는 소비자가 받는 혜택이 제일 크다고 주장한다. 하지만 자본이 노동자를 대체하여 막대한 양의 부를 축적함에 따라 노동자와 자본가 사이의 격차가 점점 커질 수밖에 없고 이를 보정할 수 있는 사회적 제도가 필요하다. 빌 게이츠(Bill Gates)는 로봇을 소유한 사람에게 세금을 부과하는 방식의 로봇세를 제안했고, 유럽연합에서는 이 세금을 기본소득의 재원으로 활용해야 한다는 주장도 나왔다. 이처럼 가치와 힘이 소수에게 집중되는 것을 막기 위해 제도를 정비하고 데이터의 개방성과 다양한 기회를 보장해야 한다

그리고 앞으로의 기대

클라우스 슈밥 교수는 4차 산업혁명이 이전의 산업혁명들과 다른 양상으로 사회를 탈바꿈시키고 있다고 설명한다. 같은 맥락에서 AI가 인류에 미치는 영향은 본질적으로 인간의 존재 가치에 대한 진보이며, 우리가 알고 있는 ‘산업혁명’ 수준을 넘어선다고 생각한다. 따라서 4차 산업혁명보다는 ‘AI 혁명’이라고 부르는 것이 적절해 보인다.

초기 인류의 목적은 모든 동물들이 그러하듯 생명유지에 있었다. 도구의 발명과 진보를 통해 인류는 다른 동물들과는 다른 한 차원 위의 존재가 될 수 있었다. 이후 지금까지의 인류의 목표는 노동을 통한 생산에 있어 왔다. 학습과 노동을 통해 사회를 위한 가치를 창출해야만 생존할 수 있었으며, 학생들도 이 목표를 달성하기 위한 교육을 받고 있다. 하지만 AI의 발달과 함께 앞으로의 인류는 노동∙학습∙생산이라는 개념에서 탈피하게 될 것이며, 지금보다 한 차원 더 높은 차원의 가치를 추구하게 될 것이다.

물론, 우리가 살고 있는 시대는 그 변화의 가장 초기로 직접적인 변화를 느끼게 되기까지는 긴 세월이 필요할 것이다. 하지만 이 엄청난 변화와 진보의 과정에서 인류가 길을 잃지 않기 위해서는 다가오는 변화를 받아들이고 이해하여 정책∙교육∙복지 측면에서 함께 준비하는 과정이 필요하다.

글 | 최예림 : yrchoi@kgu.ac.kr

서울대학교 산업공학과에서 학사, 박사를 받았다. 선견지명이 뛰어나신 지도교수님 덕분에 SVM만 돌려도 박수받던 시절부터 머신러닝과 인공지능을 공부했다. 네이버랩스에서 최초의 Data Scientist로 근무하였고, 현재는 경기대학교 산업경영공학과에서 학생들을 가르치며 Information Management 연구실을 운영하고 있다.

[1] 책 | Schwab, K. (2017). The Fourth Industrial Revolution. Crown Publishing Group.

[2] 책 | 신동민, 정봉주, 조현보. (2017). 스마트제조(제4차 산업혁명의 예술), 이프레스.

[3] 자료 | 정재윤, 장태우, 최예림, 이정철. (2017). 스마트공장을 고려한 제조혁신방법론(KPS) 발전방안, 한국전자거래학회 춘계학술대회.

[4] 참고 | http://www.sualab.com/

[5] 자료 | AlphaGo의 알고리즘과 모델, http://sanghyukchun.github.io/97/

[6] 논문 | Frey, C., & vOsborne, M. (2017) The future of employment: How susceptible are jobs to computerisation?, Technological Forecasting and Social Change, 114, 254-280.