IT Insight

인간의 두뇌를 대신할 수 있을까? 인공지능의 트렌드와 향후 발전 방향

2017.10.24 09:30

바야흐로 인공지능 전성시대입니다. 인공지능이라는 단어는 1956년에 미국 다트머스 대학 존 매카시(John MaCarthy) 교수가 개최한 학회에서 처음 언급되었습니다. 인공지능은 전문가 시스템에서 시작하여 딥러닝으로 대변되는 기계학습(Machine Learning)까지 다양한 방법을 통해 수차례 부침을 겪으며 발전해 왔습니다. 그러나, 아직 일반인들에게는 인공지능이라는 개념이 잘 이해되지 않을 수 있습니다. 




 인공지능, 어디까지 왔을까?

인공지능은 공상과학 영화의 한 장면을 떠올리며, 그저 먼 미래에나 일어날 법한 이야기로 받아들여지기도 합니다. 그러나 미래학자 레이 커즈와일(Ray Kurzweil)은 2045년이 되면, 기계의 지능이 인간을 뛰어넘는 특이점(singularity)에 도달한다고 언급한 바 있습니다.

그의 저서 '특이점이 온다(The Singularity is Near)' 추천사를 통해 빌 게이츠는 "인공지능의 미래를 가장 정확하게 예측한 사람"이라고 말하며, 인공지능에 대한 우려를 나타내기도 했습니다. 그렇다면 현실 속의 인공지능은 어느 수준에서 진행되고 있을까요?

많은 사람들이 인공지능이라고 하면, 지난해 전 세계를 뜨겁게 달구었던 알파고와 이세돌 9단의 세기의 대결을 가장 먼저 떠올리실 것입니다. 인공지능 프로그램과 바둑의 최고 인간 실력자의 대결로 세간의 주목을 받았었죠.

결과적으로 본다면, 알파고가 인간 최고수 이세돌보다 바둑을 더 잘 두는 프로그램이니 확실히 대단한 인공지능인 것만은 틀림없습니다. 물론 이외에도 구글의 자율주행차나 아마존의 알렉사, IBM의 왓슨 등도 현시점을 대표하는 인공지능 시스템이라고 할 수 있습니다.

l 이세돌 9단과 알파고의 대국 장면


2017년 초 미국 라스베이거스에서 열린 CES에서 혼다는 인공지능 기술을 적용한 자율 주행 전기차 'NeuV'를 공개했습니다. 지난해 7월, 혼다는 일본 정보통신기업 소프트뱅크와 함께 탑승자의 생각과 감정을 분석하고 대화할 수 있는 인공지능 기술을 개발할 계획이라고 밝힌 바 있었는데요. ‘감정 엔진(Emotion Engine)’을 탑재한 콘셉트 카로 그 실체를 드러냈습니다. 


혼다의 ‘HANA(Honda Automated Network Assistant)’ 기술을 자동차에 적용한 것인데요. 인공지능이 센서와 카메라를 통해 운전자의 감정 상태를 파악하고 문맥에 따른 명령을 수행할 수 있게 된 것입니다.


국내에서는 네이버가 인공지능 전략의 전면에 나서 다양한 활동들을 진행하고 있습니다. 인공지능 음성비서 ‘클로바(Clova)’, 뉴스 추천 시스템 ‘에어스(AiRS)’, 인공신경망 기술 기반 통번역 서비스 ‘파파고(Papago)’ 등 인공지능과 관련한 다양한 서비스를 선보인 가운데, 최근에는 개인화 상품 추천 시스템인 '에이아이템즈(AiTEMS)’를 개발하여 이용자의 취향, 관심사에 따라 상품을 추천하는 서비스를 시범적으로 적용하고 있습니다. 


이는 네이버 서비스 도메인에서 활동한 이용자의 행동 데이터를 기반으로 관심사를 분석하여 상품을 추천하는 인공지능 추천 시스템으로서, 네이버에 등록된 수많은 상품 가운데 이용자 집합의 취향과 추천상품 후보들을 추려낸 후, 인공신경망 기반 추천 모델을 거쳐 개인별 맞춤 상품을 추천하는 방식으로 제공되고 있습니다.


l 생각하고 표현하는 자동차, 혼다 ‘NeuV’(좌), 개인화 상품 추천 시스템 구조, 네이버 ‘AiTEMS’(우)



 왜 다시 인공지능인가?

알파고의 등장과 그 승리로 인공지능에 열광하고 관심을 쏟게 되면서도 한편으로는 이런 생각이 듭니다. 이전에도 존재하던 인공지능이라는 분야가 왜 최근에서야 주목을 받는 것일까요? 물론 어떤 분야에서든 도입, 성장, 쇠퇴의 단계를 거쳐 새로운 도약을 통해 선순환하고 성장하는 과정이 수반된다는 사실을 생각한다면 이러한 상황이 그리 놀랍지는 않을 것입니다. 

인공지능 분야가 왜 하필 지금이냐고 하는 질문에는 아마도 최근에서야 인공지능 기술을 제대로 활용할 수 있는 기반 환경이 조성되었기 때문이라고 답변할 수 있을 것 같습니다. 좀 더 구체적으로 살펴볼까요?

첫째는 컴퓨팅 파워가 좋아졌다는 점입니다. 1970년대 컴퓨터는 1~2줄을 번역하려면 컴퓨터 전체 용량을 사용할 만큼 메모리가 작았지만, 현재는 IBM 왓슨이 3초당 약 2억 장 분량의 정보를 처리하는 수준으로 발전하면서 데이터 처리 능력이 향상되었습니다. 이처럼 빠르게 발전하는 컴퓨터 성능은 복잡하고 많은 양의 계산이 필요한 딥러닝이 자리 잡는데 많은 공헌을 했습니다. 

컴퓨터 그래픽 처리용으로 개발되었던 GPU 카드를 숫자 연산기로 탈바꿈시키는 GPGPU 기술이 나오면서 딥러닝의 여건은 더욱 나아졌습니다. GPU의 경우, 구조가 단순하여 패키지 하나에 최대 4천여 개의 코어로 구성되는데, 아무리 비싼 CPU(중앙처리장치)도 10~20개 코어 수준인 점에 비추어 볼 때 GPU의 병렬 처리 수준이 비교가 안 될 정도로 우수하다는 점을 알 수 있죠. 

이러한 병렬 처리 방식 때문에 GPU는 CPU에 비해 인공지능, 자연어, 아날로그 데이터 처리를 더 빠르고 효율적으로 할 수 있는 것입니다. 젠슨 황(Jensen Huang) 엔비디아 CEO(최고경영자)도 2025년 컴퓨팅 파워가 현재의 1,000배 수준으로 증가할 것이라고 말하며 이와 같은 혁신은 GPU를 통해 가능할 것이라고 언급한 바 있습니다. 

이처럼 인공지능 기술 고도화에 따라 주목받는 GPU로 인해 엔비디아는 미국 증시에서도 가장 핫한 기업 중 하나로 손꼽히고 있으며, 현재 다양한 기업들과 협업하며 인공지능이 선도하는 미래 신사업에 강력한 드라이브를 걸고 있습니다.

둘째는 데이터를 방대하게 축적할 수 있고 분석할 수 있다는 점입니다. 즉, 빅데이터(Big Data)를 활용하면서 인공지능 알고리즘(Algorithm)인 딥러닝의 자원이 풍부해졌다는 것인데요. 기존 머신러닝 방법들은 데이터가 아무리 증가한다고 해도 일정 수준 이상 성능이 향상되기 어려웠습니다. 

그러나 딥러닝 분야 3대 핵심 연구자인 앤드류 응(Andrew Ng, 美 스탠포드 교수)에 따르면, 딥러닝을 통해 구현되는 인공지능의 경우에는 데이터에 기반하여 성능이 결정된다고 하여 데이터 확보의 중요성을 강조하고 있습니다. 

양질의 데이터가 많을수록 딥러닝 결과물의 완성도가 높아진다고 이해할 수 있겠습니다. 이런 환경 변화에 따라 방대한 데이터를 확보한 기업들이 압도적인 성능을 기반으로 빠르게 인공지능을 구현하면서 산업 혁신을 주도하고 있습니다.

페이스북은 17억 명의 사용자를 통해 개별 사용자의 성향과 SNS 정보를 확보하고 있으며, 이를 이용하여 매일 약 2 trillion 단위의 데이터를 기계학습에 사용하면서 알고리즘을 정교화하는 자원으로 활용하고 있습니다. 구글은 자율주행에 필요한 수천 TB(테라바이트)를 저장할 수 있는 데이터 저장고를 확보하여 주행 중에 모든 데이터를 실시간으로 분석하고 상황 대처에 맞는 판단과 제어 작업을 진행하고 있습니다.

l 데이터 양과 인공지능 성능 간 상관관계(출처: 앤드류 응 교수)


마지막으로는 인공지능 알고리즘의 진화를 들 수 있습니다. 인공지능과 기존 컴퓨터 프로그램의 가장 큰 차이점이 바로 데이터 학습능력의 유무라고 할 수 있는데, 기계에 학습능력을 부여하여 인공지능을 구현하는 핵심기술이 바로 '머신러닝(Machine Learning, 기계학습)'입니다. 그런데 이러한 머신러닝으로는 정확하지 않은 판단을 내리는 경우가 많았습니다. 


많은 전문가가 컴퓨터 알고리즘 또는 통계학적 모델 등을 활용해 정확도를 향상시키기 위해 노력했지만, 아무리 노력해도 정확도가 70%를 넘기기 어려웠습니다. 그래서 머신러닝은 그 개념이 등장한 1960년 이래 반세기 동안 허황된 기술로 평가받으며 비주류로 남을 수밖에 없었던 것이죠. 이러한 와중에 1980년대에 들어 머신러닝의 패러다임을 바꿀 한 가지 방법론이 제시되었습니다. 


뇌 과학이 무르익으면서 사람이 학습 능력을 갖출 수 있는 이유가 뇌 속에 있는 '신경망(Neural Network)' 덕분이라는 사실에 착안하여 시작되었습니다. 신경망을 모방한 '인공신경망(Artificial Neural Network)'을 기계 속에 만든 후 이를 통해 머신러닝을 시도하면 기계의 정확도를 향상시킬 수 있지 않을까? 하는 의문으로 시작된 새로운 머신러닝 방법론이 바로 '딥러닝(Deep Learning)'입니다. 현재 딥러닝은 오픈소스를 기반으로 공유 생태계가 상대적으로 잘 갖춰져 있습니다. 


깃허브(GitHub)나 아카이브(arXiv) 등에서 소스 코드와 최신 논문을 손쉽게 구할 수 있을 뿐만 아니라 다양한 오픈소스 프레임워크가 존재합니다. 이를 통해 많은 개발자들이 이를 활용하여 보다 나은 알고리즘을 개발할 수 있게 되었습니다. 물론 딥러닝이 마치 모든 문제를 해결해준다거나 인공지능의 전부인 것처럼 이야기할 수는 없지만, 사람을 대신할 수 있는 인공지능의 시대가 열렸음을 알리는 상징적인 변화를 가져오게 된 것입니다.


l 딥러닝이 문제를 해결하는 방식(출처: LG 디스플레이 블로그)



 인공지능 기술이 바꿔놓은 산업 패러다임의 변화

인간의 지적 능력을 모방한 지각, 추론, 학습이 가능한 인공지능. 인공지능은 사람이 필요한 거의 모든 산업, 농업, 교육, 법률, 제조, 의료, 미디어, 금융, 자동차, 소매 등에 걸쳐 막강한 파급력을 미치고 있습니다. 

특히 이미지 인식, 언어 이해 등 기존에 일정 수준 이상의 인식률을 얻기 힘들었던 영역에서 기계 성과가 대폭 향상되면서, 차량 주변 환경을 시각적으로 인식하는 자율주행차, 사람의 음성을 이해하는 AI 스피커 등이 등장할 수 있게 되었습니다. 

인공지능이 가장 영향을 미친 산업 중 하나가 바로 자동차 산업입니다. 자율주행차는 인공지능이 카메라, 레이더 등 다양한 센서•통신 정보를 분석•판단하고 운전자 개입 없이 스스로 운행하는 차량입니다. 

사람 운전자와 달리 인공지능은 교통 법규를 정확히 지키기 때문에 더 안전하고, 운전 중 연료 소비 및 운행경로 설정이 더 효율적이며, 운전자의 피로를 줄여 더욱 편리하다는 가치를 제공합니다. 

이처럼 차량의 개념이 새롭게 확대•정의 되면서 구글, 아마존 등 다양한 IT 기업들이 인공지능 역량을 바탕으로 플랫폼•유통사업을 확장하기 위한 목적으로 자율주행차 사업에 뛰어들었습니다. 구글은 새로운 IT 플랫폼으로서, 아마존은 물류 혁신을 위한 수단으로서의 자율주행차 관련 사업을 추진하고 있습니다. 

한편 벤츠, BMW 등 기존 주요 자동차 기업과 자동차 부품 기업들도 변화하는 자동차 산업의 트렌드에서 살아남고자 인공지능 역량 확보를 위해 노력하고 있습니다. 

또, 차체뿐만 아니라 자유를 얻은 운전자가 이용할 수 있는 차량 내부의 엔터테인먼트 시스템, 차량이 필요할 때 스스로 배달될 수 있어 더 편리해지는 카쉐어링 서비스 등 주변 산업도 함께 성장할 것으로 기대됩니다. 글로벌 자동차 업체는 일찌감치 카쉐어링 업체를 자체 운영하거나 인수•투자하고 있죠. 

l 벤츠 자율주행 콘셉트카 F015 내부 인테리어(좌), 자율주행차를 시험 중인 우버(우)


인공지능의 성능 개선에 따라 급부상하게 된 가상비서 서비스는, 대형 IT 기업들의 차세대 비즈니스 플랫폼으로서 뜨겁게 주목받는 영역입니다. 음성•글 형태의 언어로 사용자와 소통하며 사용자가 필요한 작업을 도와주는 서비스로, 애플의 Siri, 구글 now, 마이크로소프트 Cortana, 페이스북 M 등이 있습니다.


가상비서는 사용자 접점 플랫폼으로서 높은 가치를 지니는데, 아마존의 ‘Echo’가 시장 파급력을 일으킨 이후 타 기업들도 유사한 스피커 형태의 하드웨어를 쏟아내며 물리적 접점을 만들고자 노력하고 있습니다. 기업들은 이러한 접점을 확보함으로써, 사용자 데이터를 수집하고, 다양한 서비스의 창구로 활용하려는 전략을 갖고 있습니다.


예를 들면 고객은 아마존 Echo를 통해, 검색, 음악, 쇼핑, 업무 등을 이용하기 때문에, 아마존은 해당 고객의 취향을 더욱 잘 이해하게 된 만큼 맞춤형 상품을 제공할 확률을 높이게 되며, 이후 광고•커머스 연결 수수료 등 다양한 수익 모델을 탑재할 기회도 얻게 되는 것이죠.


l 아마존의 인공지능 서비스 Echo(좌), 페이스북 메신저 가상비서 서비스 M(우)


방대한 데이터를 분석하거나, 규칙적이고 반복되는 업무를 인간 대신 수행해야 하는 영역에서도 인공지능이 유용합니다. 의료 산업에서 인공지능은, 환자가 보유한 영상•DNA 데이터, 치료 사례 등 방대한 데이터를 분석해 진단의 정확도를 올리는 데 주로 활용되고 있습니다.

대표적인 의료용 인공지능인 IBM의 왓슨 포 온콜로지(Watson for Oncology)의 경우, 인공지능을 통해 기존의 암 진단 정확도 56~80%를 96%까지 향상할 수 있다고 합니다('15.6 IBM 발표). 국내 주요 병원들은 왓슨(암), 루닛(유방암), 뷰노(폐질환) 등 인공지능 기반의 진단 솔루션을 의사의 보조적 업무 도구로 활용하며 발 빠르게 트렌드에 대응하고 있습니다.

금융에서는 맞춤형 자산관리•신용대출 서비스를 제공하고, 신종 금융사기에 대응하는 데에 인공지능을 활용하고 있습니다. 인공지능으로 자동화된 금융자문 서비스를 제공하는 로보어드바이저 서비스는 방대한 금융 데이터를 분석하고, 고객의 투자선호 성향을 파악하면서, 투자분석가의 인건비는 감축해 주목받고 있습니다.

글로벌 1위 업체인 Wealthfront 등을 포함한 미국 상위 11개 로보어드바이저의 관리자산은 2020년까지 연평균 68%의 성장률이 예상될 정도입니다. (MyPrivateBanking, ’15) 이러한 흐름에 따라 Wells Fargo, Bank of America와 같은 미국 대형은행들도 올 초부터 로보어드바이저 시장에 뛰어들고 있습니다. 

l Wealthfront의 맞춤형 자산관리 서비스



 인공지능 시대에 대응하는 기업들의 경쟁

이제 인공지능은 기존 산업 전반의 혁신, 나아가 드론, 로봇, AR•VR 등 미래유망기술에 까지 영향을 미칠 핵심 기반 기술이 되었습니다.

이러한 트렌드를 선도하고 있는 구글, 페이스북, 바이두 등 미국, 중국의 IT 공룡들은 인공지능 역량 확보를 위해, 전 세계 인공지능 분야 인재들을 공격적으로 유치하고, 가능성이 보이는 인공지능 스타트업을 대거 인수하고 있습니다. 

구글은 ‘알파고’의 딥마인드 창업자 데미스 하사비스(Demis Hassabis), AI 연구의 대가인 제프리 힌튼(Geoffrey Hinton) 토론토 대학교수 등을 영입했으며, 최근 데이터 과학자 커뮤니티인 Kaggle을 인수했습니다.

페이스북은 힌튼 교수의 제자로 머신러닝 전문가인 얀 레쿤(Yann LeCun) 뉴욕대 교수를 영입했으며, 중국의 바이두와 텐센트는 미국 실리콘밸리와 시애틀에 AI 연구 센터를 개설하며 인재를 영입 중입니다. 연구조사 기업 CB Insights에 따르면, 올해 1분기에만 34개의 인공지능 관련 스타트업이 인수되었으며 작년의 2배 규모로 성장하였습니다. 

이처럼 인공지능을 활용해 기존 산업을 혁신하고, 인공지능의 핵심 역량을 확보하고자 하는 주요 기업의 경쟁은 이미 치열하게 전개되고 있습니다. IT뿐만 아니라 산업 전반의 기업들은 급속하게 발전 중인 인공지능 기술의 역량을 확보하고 각자의 분야에 맞게 접목할 때, 해당 시장에서의 미래 경쟁력을 강화할 수 있을 것입니다. 

복잡한 인공지능 기술을 모든 기업이 자체 개발하기에는 한계가 있겠지만, 관련 기술 플랫폼을 기업 상황에 맞게 최적화하여 활용한다면 빠른 기술 대응이 가능합니다. LG CNS에서도 고객의 비즈니스 문제에 인공지능을 활용한 최적의 해결책, 즉 ‘답’을 제시하기 위해, 최근 클라우드 기반 인공지능(AI) 빅데이터 플랫폼 DAP(Data Analytics&AI Platform)을 개발해 선보이고 있습니다.

l 인공지능 빅데이터 플랫폼 DAP 구성도


다음에는 인공지능, IoT 환경을 가능하게 하는 기초인 센서기술의 현황과 발전 방향을 살펴보도록 하겠습니다. 


글 | LG CNS 엔트루컨설팅 컨버전스전략그룹


* 해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 LG CNS 블로그에 저작권이 있습니다.

* 해당 콘텐츠는 사전 동의없이 2차 가공 및 영리적인 이용을 금하고 있습니다.


저작자 표시 비영리 변경 금지
신고
Posted by IT로 만드는 새로운 미래를 열어갑니다 LG CNS
위로