[테크M =한상기 테크프론티어 대표]

         키포인트

• 딥러닝으로 할 수 있는 것들과 할 수 없는 것들이 분명하게 드러날 것이다.
• 오토ML(AutoML), GAN, 딥 강화학습, 캡슐 네트워크 등 현재 인공지능 기술의 한계를 극복할 수 있는 연구 개발에 탄력이 붙을 것이다.
• 인간과 인공지능의 상호작용을 위한 인터페이스의 전략적 가치가 부상할 것이다.

2017년 가장 뜨거운 분야가 인공지능이었다는 것은 많은 사람들이 동의할 것이다. 많은 스타트업이 등장하고 마이크로소프트, 구글, IBM, 페이스북 등 거대 기업들은 인공지능 관련 연구개발에만 150억 달러가 넘는 돈을 투입했다.

80%의 기업이 하나 이상의 인공지능 기술을 활용하고 있으며, 30%의 기업이 향후 3년 동안 투자를 확대할 것이라는 전망도 나오고 있다.

2012년부터 2017년 2분기까지 250개가 넘는 인공지능 관련 기업이 인수되었고, 2017년 1분기에만 37건, 2분기에는 23건의 인수합병이 있었다.

각국은 2016년부터 인공지능 국가 전략이나 추진 방향을 제시하고, 정부 차원의 산업 육성과 경쟁력을 고민하기 시작했다.

국내서도 지능정보산업 추진 전략이 나온 이후 정부 프로젝트가 가시화되었고, 국내 대기업들도 조직 개편을 통해 인공지능에 대한 새로운 이니셔티브를 구체화하고 있다.

2018년 인공지능 시장이 어떤 흐름으로 펼쳐질지 살펴보는 것은 이제 우리가 약간의 흥분 상태를 벗어나 다시 한번 이 시장과 기술에 대해 냉정한 판단을 할 때가 됐기 때문에 매우 의미있다고 생각한다.

우선 인공지능 기술의 가치와 적용 가능성에 대한 인식이 환상에서 현실로 돌아올 것이다.

인공지능이 비약적으로 발달하고 기업의 여러 과제를 풀고, 사람 수준의 인식 기능을 보이면서 인공지능에 대한 기대가 크게 부풀려진 것이 사실이다. 늘 그렇듯이 기술 변혁 초기에는 지나친 기대가 사회 전체에 퍼진다.

인공지능에 대한 기대는 80년대에도 지금 못지 않게 컸지만 결국 아주 좁은 영역에서 작은 문제에만 적용될 가능성을 보이면서 순식간에 열기가 식었었다.

지금 주목받는 딥러닝과 인공지능 기술 역시 아직 좁은 영역에서의 성과이다. 다만 그 전에 어려웠던 음성, 이미지, 영상, 번역, 대화의 수준을 크게 향상시킨 것은 사실이고, 이런 분야가 인간의 지각과 연관되면서 우리의 기대가 올라간 것이다.

딥러닝 기술은 의료, 보안, 법률, 금융 등에서 많은 데이터를 효과적으로 분석할 수 있기 때문에 그 잠재성을 크게 인정받았다.

그러나 이제는 실질적으로 얼마나 효과적이며, 못 풀던 문제를 정확하게 풀어내는가에 대한 평가가 이루어질 것이다.

동시에 딥러닝으로 푸는 것이 더 좋은 문제와 그렇지 않은 경우, 또는 아직 풀기에는 데이터나 학습 방식이 부족한 부분들이 드러날 것이다.

인공지능이 사용자 인터페이스나 경험을 크게 변화시키는 것은 사실이지만, 더 효과가 있는 것인가에 대한 검토도 나타날 것이고, 자율주행차처럼 보다 시간이 필요한 분야도 현실을 인정하게 될 것이다.

아직 스마트 토이 수준에 머무는 소셜 로봇의 도입이나 국내의 경우 생태계 구성이 안되고 있는 인공지능 스피커에 대해서는 그 가치가 무엇인지 되묻게 될 것이다.

인공지능에 의한 일자리 소멸의 문제 역시 여러 보고서에서 나왔듯이 앞으로 10~20년 뒤의 문제임을 알게될 것이고, 문제 해결을 위한 시간이 더 있다는 점에 안도할 것이다.

인간의 관여 또는 비용을 최소화하려는 기술 발전이 활발해질 것이다

뛰어난 인공지능 기술을 위해서는 잘 준비된 데이터와 이를 기반으로 효과적인 모델을 어떻게 적용할 것인가를 판단하는 전문가의 통찰이 필요하다.

그러나 이는 비용이 많이 드는 문제이고, 뛰어난 인공지능 과학자를 확보하는 것은 쉽지 않다.

이에 따라, 이런 문제를 극복하려는 기술 개발이 여러 측면에서 이루어지고 있는데 2018년은 이런 기술들이 경쟁적으로 발전하고 확대될 것이다.

뉴럴 네트워크 구조를 자동으로 구성 제안하는 오토ML(AutoML)이나 비지도 학습을 위한 데이터를 생성하는 GAN과 같은 기술, 알파고 제로와 같은 딥 강화학습으로 데이터를 최소화하는 기술, 그리고 제프리 힌튼이 제시한 캡슐 네트워크와 같은 새로운 기술이 인간의 관여를 최소화하면서 학습 비용을 절감하는 기술의 사용을 가능케 할 것이다.

한 분야에서 학습한 스킬이나 지식을 공통성을 공유하는 다른 분야에 적용하고자 하는 전이학습(트랜스퍼 러닝) 분야 연구도 더욱 활발해 질 것이다. 이 방식 역시 훈련 데이터를 새로 준비하거나 모델을 다시 만드는 비용을 절감할 수 있기 때문이다.

이런 움직임은 딥러닝 분야를 한 단계 더 업그레이드 할 것이고, 적용 영역을 넓히거나 시간을 절감할 가능성을 높게 만들 것이다.

다음 단계 인공지능 기술에 대한 본격적인 연구도 시작된다. 지난 10년간 발전한 딥러닝 기반, 데이터 학습 기반의 인공지능 시스템이 갖고 있던 한계를 극복하기 위한 도전이 시작될 것이다.

미국 방위고등연구계획국 (DARPA)의 연구 과제를 보더라도 설명할 수 있는 인공지능(XAI), 생애학습 인공지능(L2M) 등에 대한 연구지원이 가시화 되고 있다.

딥러닝에 의한 판단과 의사 결정 결과에 대해 인간이 이해할 수 있는 방법으로 설명을 할 수 있는 기능은 그동안 딥러닝 방식의 인공지능에 대해 가장 강하게 제기되던 비판 중 하나였다.

과거 규칙과 지식 기반이 그 결정과정을 나름대로 제시할 수 있는 것에 비해 블랙박스 아니냐는 비판을 넘어서기 위해, 단계별 과정의 추상화나 설명을 위한 기술 개발이 한국에서도 시도되고 있고, 영국 정부 정책의 리뷰 리포트에서도 강조되고 있다.

생애학습 인공지능은 지금까지 학습된 결과를 활용하다 새로운 데이터와 환경이 나오면 이를 그대로 다시 학습하는 과정을 반복하는 데에서 벗어나 사용하는 시스템이 점진적으로 전체 구조에 영향을 최소화하면서 학습이 이루어지게 하자는 연구 계획이다.

또 하나의 영역은 인간 의도에 대한 명확한 이해 분야이다. 사람이 지시한 것의 진짜 의미가 무엇이고, 명령과 의도가 다를 수 있음을 어떻게 확인할 것인가 하는 소위 ‘마이다스 왕’ 문제이다.

이는 버클리 대학의 스튜어트 러셀 교수팀이 지속적으로 도전하고 있다.

이와 함께 인간과 인공지능의 상호작용을 위한 인터페이스의 중요함을 인식하게 된다. XAI와 같이 사람과의 접점에서 인공지능이 어떻게 사람과 상호작용을 원활히 할 수 있는가는 또 다른 문제이다.

>>>인공지능과 인간의 상호작용이 어떻게 되는 것이 더 효율적이거나 편리할 수 있는가에 대한 논의가 늘어나고 있다.  가정용 소셜 로봇의 경우도 어떤 디자인이 인간에게 편안함이나 안정감을 주는가에 대한 연구, 인간이 이해하는 방식의 감정표현을 위한 다양한 인터페이스 연구가 필요하다.

 

최근 자동차업체 포드는 버지니아공대와 협력해 자율주행차를 위장한 차량 실험을 했다. 이를 통해 도로의 사람들이 어떤 반응을 보이고, 어떻게 차와 사람이 상호 작용을 할 수 있는가에 대한 연구를 수행하고 있다.

이와 같이 인공지능 기술이 인간 사회와 생활에서 활용되는 경우가 늘어나면서 인공지능과 인간의 상호작용이 어떻게 되는 것이 더 효율적이거나 편리할 수 있는가에 대한 논의가 늘어나고 있다.

가정용 소셜 로봇의 경우도 어떤 디자인이 인간에게 편안함이나 안정감을 주는가에 대한 연구, 인간이 이해하는 방식의 감정 표현을 위한 다양한 인터페이스 연구가 필요하다.

인공지능 스피커 역시, 다양한 가상 에이전트가 어떤 성격을 가질 것이며, 어떤 표현이 사람들에게 더 친밀감을 가질 수 있는가에 대한 인문사회학적 연구가 필요하고, 사용자가 여럿일 경우, 또는 에이전트의 이름이 여럿일 경우 이들의 성격을 어떻게 표현할 것인가가 중요한 이슈가 된다.

인공지능이 가진 사회적 의미 또는 영향력에 대한 논의도 지속될 것이다.

각 나라 정부나 주요 연구 기관들이 인공지능이 가져올 사회적 영향력이나 규범, 제도에 미치는 영향에 대해 관심을 갖기 시작한 것은 2016년부터이다.

그러나 이 문제는 2018년에도 논의가 지속될 것이고, 어떻게 인공지능 기술이 우리가 그동안 지켜온 가치를 무너뜨리지 않고, 사회에 긍정적인 역할을 할 것인가에 대해 과학자, 인문사회학자, 법률가, 정책 입안자들의 논의가 계속될 것이다.

2017년 NIPS에서 뉴욕 대학 교수이며 ‘AI Now’의 공동 설립자인 케이트 크로포드가 ‘편향의 문제’를 주제로 진행한 기조연설이 큰 관심을 불러 일으킨 것은 학자들도 이런 문제를 인식하고 있다는 증거이다.

머신러닝과 인공지능에서 활용하는 대규모 데이터에 담길 수 있는 편견, 배제, 차별의 문제를 어떻게 최소화할 것인가 하는 것은 이제 정부와 사회 단체들의 큰 관심이 되고 있다. 생명의 미래 연구소는 이를 위해 다양한 분야 전문가들이 모여서 매년 ‘이로운 인공지능’을 위한 논의를 하고 있다.

이 주제는 짧은 기간에 해결될 것이 아니고 우리가 기술과 정책에서 어떤 합의를 이끌어낼 것인가 하는 지속적인 주제이며, 잘못 적용될 경우 그 피해 규모나 기술적 해결이 매우 많은 사회적 비용을 초래할 것이기 때문에 인공지능의 가장 큰 위험 요소라고 할 수 있다.

결론적으로 2018년 우리는 현재 확보한 기술이 할 수 있는 역량이 무엇이고 어떤 분야에서 가장 효과를 얻을 수 있는지 조금씩 알아나갈 것이고, 안개가 걷히면서 시야가 분명해질 것이다.

기술적 한계나 사업적 제약을 넘어서기 위한 기술 개발은 다양한 방면에서 지속될 것이며, 지금까지 미처 생각하지 못한 인간과의 상호작용을 위한 사용자 경험, 인터페이스의 중요성에 눈을 뜰 것이고, 안전하고 유익한 인공지능 기술을 위한 사회적 논의는 계속될 것이다.

<본 기사는 테크M 제57호(2018년 1월) 기사입니다>