인공지능의 미래를 밝힌 기술들
2017년 LG전자 블로그 기고 칼럼 보관용
가끔 누군가가 나를 위해 대신 일 해주면 좋겠다는 상상을 하곤 합니다. 잠들기 전 불을 끌 때, 멀리 있는 TV리모컨을 가져올 때 등 사소한 것부터 귀찮은 심부름까지 아주 다양합니다. 우리가 매일 사용하는 많은 가전제품들도 이런 필요 때문에 개발된 것입니다. 빨래를 대신하는 세탁기, 청소를 대신하는 청소기 등 원래 사람이 손으로 하던 것들을 기계가 대신하게 된 것이죠. 그렇다면 무언가 배우는 공부는 어떤가요? 경험을 통한 학습은 지금까지 인간 고유 영역으로 여겨졌습니다. 하지만 최근 인공지능 기술이 비약적으로 발전하면서 인간만이 하던 학습 분야가 기계로 확장되었고, 때로는 인간보다 더 뛰어난 학습능력과 결과를 보여주고 있습니다.
오늘은 바로 인공지능을 만들어가는 기술 중 인간의 학습 능력을 뛰어넘고 있는 가장 뜨거운 기술인 머신러닝(기계학습)과 딥러닝에 대해서 알아보도록 하겠습니다.
학습을 바탕으로 한 예측, ‘머신러닝(Machine Learning)’
현재의 인공지능 분야를 상업적으로 응용할 수 있게 만든 핵심 기술 중 하나가 바로 ‘머신러닝’입니다. 머신러닝을 한 마디로 정의하면, 데이터를 기반으로 기계를 학습시켜 무언가 예측하게 만드는 기법입니다. 추측 통계학의 한 분야이며, 기존 데이터 세트의 규칙이나 절차를 통계적 프로세스를 활용해 분석한 뒤 미래 데이터를 예측하고, 설명하는 것이 주목적입니다. 이는 프로그래머와 전문가를 통해 정해진 규칙과 표준을 배우고 추리하는 과거의 전문가 시스템과는 아주 대조적인 부분입니다. 전문가들의 로직을 모방한 전문가 시스템과는 달리 머신러닝은 통계적인 방법으로 정확한 판단을 내리는 것이며, 실행 불가능하거나 문제 해결을 위한 명확한 답이 없는 경우에 유용하게 사용하고 있습니다.
예를 들어, 온라인 게임 이용자들의 부정한 접속 시도를 파악하거나 이메일 서비스의 스팸 필터링, 편지 봉투의 우편번호 글자 인식, 쇼핑몰이나 케이블 TV의 고객 맞춤형 추천 콘텐츠 시스템, 자동차 자율 주행 분야 등이 머신러닝의 사례들입니다. 이들 사례는 정해진 규칙의 답이 없기 때문에 지속적으로 샘플 데이터를 수집하고, 정제한 뒤 학습해나감에 따라 최적의 알고리즘을 찾아가는 방법으로 머신러닝을 사용합니다. 머신러닝 기반의 쇼핑몰 추천 시스템은 사용자의 구매 패턴을 군집화해 유사한 패턴을 찾아냄으로써 적절한 상품을 추천합니다. 40대/남성/기혼/연 수입 6,000만 원인 사용자가 카메라, 배낭 등을 구매했을 때에는 여행 상품을 구매할 확률이 높다는 것을 학습하면 이러한 패턴을 가진 유사한 사용자에게도 여행 상품을 추천해 구매를 촉진하는 등의 서비스를 제공하는 것입니다.
l 머신러닝 기반 사용자가 그리는 그림을 예측해 주는 구글 ‘Auto Draw’ 서비스
하지만 머신러닝 또한 만능이 아닙니다. 머신러닝의 가장 큰 단점은 보통의 훈련된 특정 모델이 왜 효과적인지 설명을 도출할 수 없다는 데 있습니다. 훈련된 모델은 조정 가능한 매개변수가 매우 많기 때문에(종종 수십억 개가 넘을 수 있음) 교육을 통해 데이터와 일치하는 모델을 도출할 수는 있지만 가장 단순한 모델이 아닐 수 있습니다. 인간의 의사결정 과정처럼 불명확성은 특정한 결정이 왜 그렇게 내려져야 하는가에 대해 충분한 정보가 없기 때문이며, 자신의 결정이 왜 옳은 것이라 느끼는지 명확하게 설명할 수 없는 것과 유사한 형태를 머신러닝이 보여주고 있습니다.
인간의 뇌 구조와 유사한 ‘딥러닝’
지난 몇 년간 머신러닝 하위 주제의 하나인 딥러닝(딥 네트워크 러닝)은 엄청난 기술 발전을 보였습니다. 구글의 알파고가 바로 이 딥러닝 기술을 기반으로 만든 것입니다. 딥러닝은 보통 뉴런 세포로 구성된 인간의 뇌와 유사한 구조를 이루는 것으로 설명합니다. 다음 그림처럼 인공 지능망인 뉴럴 네트워크(ANN, Artificial Neural Network)라고 불립니다. 사람 뇌의 모양이 여러 개의 뉴런이 모여서 이루어진 것처럼 머신 러닝의 학습 모델을 두뇌의 모양과 같이 여러 개의 계산 노드를 여러 층으로 연결해서 만들어낸 모델을 의미합니다.
l 알파고에서 사용된 뉴럴네트워크 구조, 출처 : deepmind 웹페이지
(https://deepmind.com/research/alphago/)
예를 들어, 딥러닝을 이미지 인식에 응용할 때 첫 번째 유닛 레이어는 이미지의 간단한 패턴을 인식하기 위해 이미지의 기초 데이터를 조합하고, 두 번째 레이어는 패턴의 패턴을 인식하기 위해 첫 번째 레이어의 결과를 조합하고, 세 번째 레이어는 두 번째 레이어에서 생성된 결과를 다시 조합하는 식으로 같은 과정을 계속 반복하게 됩니다. 데이터의 복잡한 패턴을 정확하게 인식하기 위한 구조로 이러한 뉴럴 네트워크 구조를 사용하고 있는 것입니다.
이미지를 컴퓨터에 입력하고 머신러닝으로 이미지상의 물체를 인식하는 ‘이미지넷(IMAGENET) 챌린지’라는 대회가 있는데요. 2012년 알렉스(Alex)라는 박사과정생이 딥러닝 기반의 머신러닝 알고리즘으로 혁신적인 결과를 만들었고, 지금은 이 딥러닝이 머신러닝의 큰 주류 기술의 하나로 자리잡게 되었습니다. 또한, 최근 클라우드 컴퓨팅 기술의 비약적 발전에 힘입어 기존에는 이론적 접근에 머물던 딥러닝 알고리즘의 처리 또한 이제는 기술적으로도 충분히 구현할 수 있게 되면서 인공지능 기술 중 가장 뜨거운 기술의 분야로 자리 잡게 된 것입니다.
LG전자의 인공지능 기술 활용 사례
LG전자는 ‘CES 2017’에서 ‘딥씽큐(DeepThinQ)’라는 인공지능이 적용된 가전을 소개했습니다. 앞서 소개한 딥러닝 기술 등을 활용해 사람의 발을 인식하는 로봇청소기, 외부 기온에 따라서 최적의 세탁 코스로 세탁하는 세탁기를 선보였습니다. 냉장고 사용 패턴을 학습해 스스로 절전 모드로 동작한다거나, 카메라로 사람이 많이 모여 있는 공간으로 냉방을 집중시켜 쾌적함을 높이는 에어컨 등 가전제품 전반으로 인공지능 기술을 도입하고 있습니다. 바로 인공지능이 지금까지 사용해왔던 가전보다 더 사람을 이해하고, 편리한 사용을 가능하게 만들어 줄 것이라는 기대감으로 말이죠.
영화에서 보는 것과 같은 초지능을 가진 인공지능은 당분간 등장하지 않을 것입니다. 앞서 이야기한 것처럼 인간의 단순 작업을 대신해 주거나 훈련된 모델에 따라 인간의 판단에 도움을 주는 형태로 우리 삶 속으로 들어올 것으로 예상됩니다. 앞으로 인공지능이 만들어 갈 우리의 미래 모습, 과연 어떨지 기대되시나요?
- 본 글은 LG전자 블로그에 기고한 글입니다.
