쉽게 이해하는 인공지능
인공지능부터 머신러닝과 딥러닝까지
동영상으로도 보러오세요 ^0^
1. 쉽게 이해하는 인공지능
현재 우리는 삶의 다양한 부분에서 인공지능을 쉽게 발견할 수 있다. 물론 아직까지 인공지능에 대해서는 찬반이 갈리지만, 이제는 인공지능을 두려워할 대상이 아닌 인간과 함께 살아갈 존재로 받아들여야 한다는 게 대세가 되었다. 우리는 앞으로 점점 더 인공지능에 의존하게 될 것이다. 역사를 돌이켜보면 기계가 도입되었을 때 그리고 컴퓨터가 도입되었을 때 우리 사회는 급격하게 변화했다. 그리고 그 당시 기계와 컴퓨터를 능숙하게 다룰 줄 알았던 몇몇 사람들은 현재 산업을 주도하고 있다. 그렇다면 인공지능 시대로 넘어가는 현시점에, 적어도 인공지능이 무엇인지는 대략적으로 알아야 하지 않을까? 오늘은 인공지능에 대해 최대한 쉽게 이야기해보고자 한다.
- 한 줄 요약 : 이제는 우리 삶의 가까운 곳에 있는 인공지능에 대해 알아보자.
2. 인공지능이란 무엇인가
가장 먼저 인공지능이 무엇인지에 대해 알아보자. 인공지능이란 무엇일까? 인공지능은 컴퓨터와는 다르게 모든 분야에서 학습하는 기계다. 여기서 학습이란 여러 경험을 통해 패턴을 얻어내고, 이 패턴이 다음 행동에 영향을 주는 것을 뜻한다. 예를 들어 '지각하면 혼나니까 다음부터 지각하지 말아야겠다'와 같은 생각이 바로 학습이다. 이렇게 학습하는 기계가 바로 인공지능이라고 볼 수 있다.
하지만 어떤 게 인공지능인지에 대한 명확한 규정은 아직까지 학자들 사이에서도 의견이 분분하다. 원래 인공지능이란 인간과 똑같은 지능을 기계로 재현하는 것이기 때문에, 인간이 보았을 때 지능이 있다고 느끼면 그게 인공지능이 되는 것이다. 그러나 이렇게 인공지능을 규정하게 된다면, 모든 인간이 느끼는 인공지능이 각각 다르기 때문에 그 기준이 애매해지게 된다.
정리하자면 인공지능이란 기본적으로 인간과 같은 지능을 가지고 있는 기계라고도 볼 수 있다. 즉 학습능력을 가지고 있는 기계를 인공지능이라고 부를 수 있는데, 이 기준이 사람마다 다르기에 현재까지는 무엇을 인공지능이라고 부르는지에 대한 명확한 규정은 존재하지 않는다.
- 한 줄 요약 : 인공지능은 기본적으로 인간과 같은 지능을 가지고 있는 기계를 뜻한다.
3. 인공지능은 어떻게 생겨났는가
이전부터 인간은 인간처럼 똑똑한 기계를 만드려고 했지만, 처음에는 아무 이론도 방법도 없었기에 인공지능 산업에 큰 진전이 없었다. 하지만 컴퓨터의 등장으로 인해 상황은 완전히 바뀌게 되었다.
컴퓨터는 스위치를 0(Off)과 1(On)로 표현하고 이 둘을 조합해 다양한 역할을 만들어낸 기계다. 예를 들어, A 스위치를 누르면 알람이 울린다, A 스위치를 다시 누르면 알람이 꺼진다 등, 0과 1만으로도 다양한 행동을 이끌어낼 수 있게 된 것이다. 심지어 이 둘을 조합해 덧셈과 뺄셈에 곱셈과 나눗셈, 그리고 방정식과 함수까지 다루게 되며 서서히 복잡한 작업도 가능해지게 되었다.
이후 과학자들이 밝혀낸 놀라운 사실은 뇌의 신경세포 구조도 컴퓨터와 같다는 것이었다. 신경세포도 컴퓨터와 같이 0과 1만으로 복잡한 일들을 처리하고 있던 것이었다. 이런 사실을 바탕으로 결국 컴퓨터를 통해 뇌의 신경세포를 재현한 인공뉴런이 탄생하게 되었고, 이것이 인공지능 연구의 첫걸음이 되었다. 이후 크게 두 가지 갈래로 나뉘어 인공지능 연구가 시작되었다.
뇌의 신경세포 구조도 컴퓨터와 비슷하다는 사실을 알게 된 후 인공지능이 본격적으로 연구되었다.
(1) 기호주의
첫 번째 방식은 기호주의 방식이다. 기호주의는 미리 마련된 매뉴얼에 따라 기계를 작동시키는 접근법이다. A가 입력되면 B의 값을 도출해내고, C의 상황에서는 F라는 행동을 하는 것처럼, 미리 마련된 매뉴얼에 따라 작동하는 방식이다. 예를 들어, 로봇 청소기에게 이런 매뉴얼을 입력할 수 있다. '물건에 부딪히면 조금 아래로 방향을 전환한다.' '물건이 있는 곳을 기억하고 다음에는 가지 않는다.' '전방 레이더에 반응이 있으면 멈춘다.'
기호주의의 대표적인 예시가 체스를 두는 인공지능이나 퍼즐을 푸는 인공지능이다. 체스의 모든 경우의 수와 퍼즐의 모든 정답을 미리 입력해두면 인공지능이 이를 바탕으로 작동하는 것이다. 하지만 기호주의의 가장 큰 단점이 하나 있는데, 바로 현실 세계의 모든 일에 대응하는 매뉴얼을 만드는 것이 어렵다는 점이다.
기호주의는 미리 마련된 매뉴얼에 따라 기계를 작동시키는 접근법이다.
(2) 연결주의
두 번째 방식은 연결주의 방식이다. 연결주의는 인간의 뇌를 그대로 컴퓨터로 재현하는 접근법이다. 즉 인공 신경망을 만들어내는 과정을 통해 연결주의 인공지능이 만들어진다. 연결주의 인공지능은 매뉴얼이 없기 때문에 초기에는 아무것도 할 수 없다. 하지만 지속적으로 문제를 풀며 학습해 조금씩 똑똑해진다. 인공 신경망은 학습교재에 따라 다르게 성장한다. 정보의 질이 나쁘면 아무리 훌륭한 신경망을 만들어도 의미가 없다.
인공 신경망의 경우에는 수학과 같이 논리로 생각하는 문제를 배우려면 엄청난 시간이 걸린다. 하지만 반대로 경험 값을 늘리며 요령을 찾아내야 하는 문제에 대해서는 큰 장점이 발휘된다. 이러한 점에서 볼 때 연결주의는 기호주의와는 정반대의 접근법이라고도 볼 수 있다.
연결주의는 인간의 뇌를 그대로 컴퓨터로 재현하는 접근법이다.
(3) 초기 인공지능의 한계
초기 인공지능은 체스에서 인간을 이기거나 난해한 퍼즐 등을 푸는 성과를 보여주었지만, 사람들은 그것만으로 지능이 있다고 할 수 있는지에 대해 의문을 품게 되었다. 인간과 인공지능의 명확한 차이는 계산능력에서 발견할 수 있다. 인공지능은 컴퓨터이기에 인간이 따라잡을 수 없을 정도로 계산을 잘한다. 그러나 사람의 얼굴을 구분하거나, 말을 알아듣거나, 언어를 번역하는 것과 같은 감각적인 문제는 인공지능에게는 어려운 문제였다.
그에 반해 인간은 처음 만난 사람도 '이 사람은 얼굴이 갸름하고 눈이 크다'라는 특징을 찾아서 인식할 수 있다. 인간이 간단하다고 생각하는 것이 인공지능에게는 어려운 일이라는 사실이 명백해진 것이다. 이렇게 인간에게 쉬운 것은 컴퓨터에게 어렵고, 반대로 인간에게 어려운 것은 컴퓨터에게 쉽다는 역설을 모라벡의 역설이라고 부른다.
더 나아가 기호주의 인공지능은 이치를 따져 이해하기 때문에 유연성이 부족하다는 결점이 있다. 예를 들어, 'A라면 B를 한다'는 매뉴얼이 있다고 해보자. 이 경우 기호주의 인공지능은 A라는 문제에는 완벽하게 대응할 수 있지만, C라는 문제에는 전혀 대응을 할 수 없다. ~라면이라는 프레임 속에서만 사물을 생각한다는 한계가 존재하는 것이다. 이것은 프레임 문제라고 한다.
반대로 연결주의 인공지능의 경우에는 초기 성과가 굉장히 미비했다. 딱히 이렇다 할 성과가 없었다. 또한 어느 정도 성과를 올리던 기호주의 인공지능은 프레임 문제에 부딪히게 되었다. 결과적으로 사람들은 어느 시점부터 인공지능의 한계를 실감했다.
기호주의는 유연성이 부족했고, 연결주의는 성과를 내지 못했다.
- 한 줄 요약 : 인공지능은 기호주의 방식과 연결주의 방식으로 시작되었다.
4. 어떻게 인공지능이 성장했는가
(1) 전문가 시스템
인공지능을 성장시키기 위해 가장 먼저 시도했던 방법은 전문가의 지식을 인공지능에게 입력하는 방법이었다. 예를 들어 의사가 가지고 있는 전문지식을 인공지능에게 입력했다고 가정해보자. 그럼 몸이 안 좋은 환자는 인공지능을 통해 병명을 진단할 수 있는데, "열이 나십니까?"라는 질문에 "네"를 선택하면, 관련된 다음 질문으로 넘어가서 "콧물이 나십니까?" 이런 식으로 정보를 도합해서 최종적으로 도출된 병명을 진단할 수 있는 것이다.
이는 의료 시스템뿐만 아니라 전문지식이 요구되는 다양한 산업군에서 충분히 사용될 수 있는 기술이었다. 즉 실제 사회에 도움이 되는 인공지능이 탄생한 것이다. 하지만 이 방법에는 치명적인 단점이 존재했다. 우선 인간이 인공지능에게 모든 지식을 하나하나 알려주는 데는 시간이 걸렸고, 간혹가다 입력 실수로 인해 잘못된 지식이 들어가는 경우도 있었다. 무엇보다 계속 늘어나는 새로운 지식을 매번 인간이 전부 가르치는 것은 무리였다.
처음에는 전문가의 지식을 인공지능에게 입력했지만, 지식의 양이 늘어나며 한계에 봉착했다.
(2) 머신러닝
따라서 많은 학자들은 인공지능이 스스로 학습하고 지식을 얻을 수 있도록 하는 방법은 연구하기 시작했는데, 그렇게 나온 기술이 바로 머신러닝이다. 머신러닝이란 스스로 학습해 자신의 성능을 향상시킬 수 있는 알고리즘이다. 쉽게 말해 인간의 학습 능력을 컴퓨터에서 실현하는 기술이다.
즉 인간이 컴퓨터에게 데이터(지식)를 주입하면 기계는 이 데이터를 분석하고 해석하는 과정을 거치며 일정 패턴을 인식할 수 있는 능력을 갖추게 되는데, 이는 인간의 학습 패턴과 비슷하다. 예를 들어 '과음하면 다음날 컨디션이 안 좋아진다'는 데이터가 점점 쌓여 패턴을 알아차린다면, 다음부터는 해당 사실을 인지해 술을 적당히 마시는 것과 같은 원리다. 이 머신러닝은 크게 세 가지 학습 방법으로 나누어진다.
머신러닝은 인간의 학습 능력을 컴퓨터에서 실현하는 기술이다.
(2-1) 머신러닝 - 지도학습
첫 번째는 지도학습이다. 지도학습이란 인공지능에게 문제와 해답을 동시에 줌으로써 인공지능을 학습시키는 방법이다. 학습 과정은 다음과 같다. (1) 주어진 문제를 푼다. (2) 정답인지 오답인지 판정을 받는다. (3) 정답이 나올 때의 방법을 분석해 이해도를 높인다. 예를 들어, 동물의 종류를 분류하는 인공지능이 있다고 가정해보자. 이때 지도학습 방식을 대입해서 해당 인공지능을 학습시키면 다음과 같다. (1) 강아지 사진을 보고 고양이라고 답한다. (2) 오답인 것을 알게 된다. (3) 인공지능은 아까 그 얼굴이 강아지가 아니라 고양이라는 사실을 학습한다.
지도학습은 인공지능에게 문제와 해답을 동시에 줌으로써 학습시킨다.
(2-2) 머신러닝 - 비지도학습
두 번째는 비지도학습이다. 비지도학습은 지도학습과는 다르게 답이 아닌 문제만 제공해 학습시키는 방법이다. 학습 과정은 다음과 같다. (1) 주어진 문제를 푼다. (2) 정보끼리의 관련성을 찾는다. (3) 관련성을 파악해 정보를 간단하게 분류한다. 예를 들어, 이전과 같이 동물의 종류를 분류하는 인공지능이 있다고 가정해보자. 이때 비지도학습 방식을 대입해서 해당 인공지능을 학습시키면 다음과 같다. (1) 동물 사진들을 쭉 확인해본다. (2) 사진들에서 비슷한 특징을 찾아낸다. (3) 해당 특징을 바탕으로 동물들을 간단하게 분류한다.
비지도학습은 지도학습과는 다르게 답이 아닌 문제만 제공해 학습시킨다.
(2-3) 머신러닝 - 강화학습
마지막으로 강화학습이 있다. 강화학습은 문제를 푸는 학습 방향성만 제시하고 여기서 보상을 통해 인공지능을 강화시키는 학습 방법이다. 이렇게 되면 인공지능은 선택 가능한 행동들 가운데, 학습을 통해 결국 보상을 최대로 받을 수 있는 행동을 선택하게 될 것이다. 예를 들어, 10분 내에 문제를 풀게끔 개발된 인공지능이 있다고 가정해보자. 여기서 인공지능은 빠른 시간 내에 문제를 풀수록 더 많은 보상을 받게 된다.
(1) 문제를 클리어하지 못하면 0점 : 다음부터 이때 취한 행동을 하지 않도록 학습한다.
(2) 20분 내에 클리어하면 5점 : 다음부터 이때 취한 행동을 적당히 강화하도록 학습한다.
(3) 10분 내에 클리어하면 10점 : 다음부터 이때 취한 행동을 반복하도록 학습한다.
이런 식으로 스스로 여러 가지 행동을 취해 보상을 더 많이 받는 행동을 강화시켜 점점 더 학습해나가는 방법이 바로 강화학습이다.
강화학습은 인공지능에게 방향성만 제시하고 보상을 통해 인공지능을 강화시켜 학습시킨다.
(3) 딥러닝
이후 새로 나온 기술이 바로 딥러닝인데, 이 딥러닝 또한 머신러닝의 기법 중 하나다. 딥러닝은 인간의 뇌신경 네트워크를 흉내 낸 인공뉴런들로 이루어진 신경망에 의한 학습 시스템이다. 쉽게 말하자면, 인간의 뇌와 같은 구조를 기계에 구현하는 기술이 바로 딥러닝이다.
지금까지의 인공지능 기술과 딥러닝이 다른 점은 특징을 보고 구별할 수 있다는 것이다. 원래 인공지능은 영상을 구분하고 소리를 듣고 그것을 이해하는 감각적인 업무를 힘들어했다. 이를 위해서는 모든 영상과 소리를 통째로 암기해야 하는데 이건 거의 불가능하기 때문이다. 이 어려움을 극복한 기술이 바로 딥러닝이다.
딥러닝은 이전 기술들과는 다르게 특징을 구별할 수 있다.
딥러닝은 동영상을 구분하기 위해 인간의 얼굴이나 물체의 형태를 통째로 암기하지 않는다. 대신 인간의 얼굴이나 물체의 특징만을 파악하는 학습을 한다. 여기서 특징을 파악하기 위해서는 평균값을 아는 게 중요하다. 예를 들어, 모든 사람의 이목구비가 달라도 우리는 이걸 보면 단번에 그게 무엇인지 알 수 있다. 왜냐하면 우리는 눈, 코, 입 등이 어떻게 생겼는지 대략적인 평균값을 알고 있기 때문이다.
인간은 평소 경험으로 무의식 중에 평균값이라는 감각을 쌓았기에 얼굴의 특징과 물체가 가지는 일반적인 형태를 구별할 수 있다. 특별한 의식 없이 순간적으로 이루어지지만 실제로 이는 굉장히 어려운 기술이다. 이처럼 딥러닝 또한 물체의 특징, 즉 평균값을 파악해 학습한다. 예를 들어 여러 사람의 눈을 보고 특징을 파악해 평균값을 내면, 얼굴에 어느 부위가 눈인지 결국 알아차릴 수 있게 되는 것이다.
딥러닝 기술을 통해 인공지능은 인간과 같이 평균값을 파악해 특징을 구별할 수 있게 되었다.
이렇게 특징을 파악할 수 있는 딥러닝은 영상인식, 음성인식과 같은 분야로 퍼져나갔다. 특히 영상인식과 음식인식 기술은 단시간에 인간 수준까지 가능해졌다. 스마트폰이 사용자의 얼굴을 구분하고 음성을 인식해 문자를 보내는 것은 딥러닝으로 학습한 인공지능이 탑재되었기 때문이다.
이후 딥러닝과 강화학습을 조합한 심층강화학습도 등장하게 되었다. 강화학습은 뛰어난 행동을 하면 보상을 주어 그 행동을 강화시킨다. 이 강화학습에 딥러닝을 조합해 뛰어난 행동의 특징을 파악하는 능력을 만들어낸 것이다. 이로 인해 인공지능의 학습능력은 크게 높아졌고, 이후 바둑에서 인간을 이긴 알파고가 등장했다.
인공지능은 딥러닝 덕분에 창조적인 예술 분야에서도 성과를 내기 시작했다. 인간의 작품을 보고 듣고 배워 특정 화풍을 따라 그리고 특정 장르의 곡도 작곡할 수 있다. 어디까지나 비슷하게 흉내 내는 것이긴 해도 그림에서도 음악에서도 창조적인 활동을 해내고 있다.
아직 인간에 비해 한참 못 미치지만 인공지능은 소설 쓰기에도 도전하고 있다. 특정 작가의 작품이나 문장을 배워 비슷한 문장을 만드는 것이다. 인간도 누군가를 흉내 내면서 창작 활동을 시작한다. 처음에 잘 되지 않고 성과도 나오지 않지만, 그러한 과정을 거쳐야 자기만의 창작품을 만들어낼 수 있다. 인공지능도 똑같다고 보면 창조적인 분야에서 인공지능이 성공하는 것도 결코 불가능한 일이 아니다. 언젠가 인공지능이 만든 영상과 음악, 소설이 인간을 감동시키는 미래가 올지도 모른다.
이런 딥러닝 기술을 통해 인공지능은 예술활동도 할 수 있게 되었다.
- 한 줄 요약 : 딥러닝을 통해 인공지능은 특징을 구분할 수 있게 되었고, 이로 인해 재능의 폭이 넓어졌다.
5. 인공지능은 사회를 어떻게 바꿀까
그렇다면 앞으로 인공지능은 우리 사회를 어떻게 바꿀까? 인공지능을 가장 효율적으로 사용할 분야는 아마도 비즈니스 세계일 것이다. 예를 들어 매일 몇백 혹은 몇천 개의 물건을 만드는 제조업에서는 한 개당 제조시간을 5초 단축하기만 해도 큰 이익을 얻을 수 있다. 실제로 공장의 제조로봇에 카메라가 달린 인공지능을 탑재해 제조공정이 더 빨라지고 명확해졌다.
또한 금융업계에서도 금융과 IT를 융합한 핀테크 기술이 주목을 받았다. 돈은 수치로 표현할 수 있기 때문에 인공지능이 학습하기 쉬운 영역이다. 이미 인공지능은 개인 투자가의 조언자로 활용되고 있고, 통계 데이터를 분석해 주가 변동을 예측하기도 한다. 뿐만 아니라 농업에서는 인공지능을 탑재한 드론으로 농약을 뿌리거나 농지를 둘러본다. 정확한 수확시기도 예측한다. 어업에서는 과거 통계자료와 기후 관련 데이터를 기초로 인공지능을 통해 어획량을 예측한다.
인공지능은 이제 아주 가까운 주변에까지 영향을 미치기 시작했다. 의사 부족도 인공지능으로 해소할 수 있다. 미국 거대 물류기업 아마존은 창고 작업 가운데 절반 이상을 자동화했고, 미래에는 대부분의 작업을 자동화할 예정이라고 한다. 자율주행 자동차로 창고나 점포에서 물건을 나른 뒤, 고객에게는 드론으로 배달하는 방식을 도입할 예정이다. 꿈같은 이야기이지만 이미 각각의 과정에서 테스트에 성공했고 남은 것은 실용화를 기다리는 일뿐이다.
그 외에도 영상인식 기술을 활용해 인공지능을 탑재한 감시카메라로 수상한 사람을 찾아낼 수도 있다. 상당한 실적을 올리고 있는 범죄 예측 기술은 이미 일본에서 시험적으로 운용되고 있다고 한다. 뿐만 아니라 정찰용 드론도 흔해졌다. 아직은 인공지능 활용으로 큰 이익을 얻고 있지는 않지만, 머지않아 모든 산업에서 인공지능을 사용할 날이 올 것이다.
인공지능은 이미 수많은 분야에서 우리 삶 속에 서서히 들어오고 있다.
앞으로는 아이들이 어린 시절부터 인공지능을 접하고 함께 성장해나가는 것이 자연스러워질지도 모른다. 인공지능은 친구 또는 가족이 될 수도 있다. 이미 인생 상담을 해주는 인공지능이 등장한 것처럼, 연애의 괴로움이나 일에 대한 불평을 인공지능에게 이야기하는 날도 그리 멀지 않았다.
인터넷은 1990년대 초반 세상에 보급되었다. 지금 20대에게 컴퓨터와 인터넷은 당연한 존재다. 이들은 어린 시절부터 인터넷을 익숙하게 다뤘고, 어른이 되어서도 능숙하게 사용한다. 그중에는 이를 통해 혁신적인 비즈니스를 개발해낸 사람도 나타났다. 이들을 디지털 네이티브 세대라고 부르는데, 똑같은 일이 앞으로 인공지능 세대에도 일어날 수 있다. AI 네이티브 세대가 태어나는 것이다. 우리도 이제 인공지능 시대를 준비해야 한다.
- 한 줄 요약 : 인공지능은 우리 사회를 서서히 변화시켜가고 있다.
* 참고자료
(1) 가장 쉬운 AI 입문서 - 오니시 가나코
(2) 만화로 배우는 인공지능 - 미야케 요이치로
* 유튜브 : https://youtube.com/c/마크의지식서재
* 이메일 : marksknowledge@gmail.com
