라이트브레인의 아홉 번째 Seed Class

두 번째 리뷰, 인공지능기술의 원리 알아보기

앞선 리뷰에서 인공지능이 적용된 사례들을 보며 인공지능에 대한 관심이 높아졌으리라 예상합니다. 이번 리뷰에서는 인공지능기술의 원리에 대해 설명하겠습니다.

인공지능이 인간과 유사하게 사고하고 행동하기 위해서는 인식/발견(Discovery), 표현(Representation), 학습(Learning), 추론(Reasoning), 소통/활용(Communication)의 5단계 과정을 거칩니다.

인식(Discovery)은 인공지능이 정보를 받아들이는 것입니다. 기계는 음성, 영상, 문자를 인식하거나 센서를 통해 위치, 시간, 온도 등의 정보를 얻기도 합니다. 데이터마이닝을 통해 데이터 속에서 유용한 정보를 발견해 인식하기도 합니다.

최광선 대표는 인공지능이 이미지에서 표정을 읽어내는 것을 예로 들어 데이터 마이닝을 설명했는데 인공지능은 지정된 제어점을 통해 표정을 추론해 판단합니다. 논리적 추론은 제어점 간의 거리나 각도를 측정하는 것이고, 확률적 추론은 어떠한 패턴을 가지는 데이터가 “행복”이라는 표정일 것이라고 판단하는 것입니다.
이러한 복합적 추론을 통해 대규모로 저장된 이미지 안에서 자동으로 표정을 구분해 내는 것이 가능합니다.

<출처> youtube, InSight Tech Demo – Individual Face Analysis (Sightcorp B.V.)

표현(Representation)은 자연 언어로 소통하는 인간과 달리 기계는 규칙 언어로 소통하기 때문에 인공지능이 사고하려면 인식된 정보를 규칙언어로 표현해야 합니다. 기본적으로 지식표현을 위해서는 사람이 개념(concept)을 정의하고 객체(instance)를 생성하는 과정을 반복해야 합니다. 최근에는 데이터마이닝 기술을 활용하여 이러한 체계를 자동화하고 있습니다.

학습(Learning)은 기계가 과제수행을 통해 직접 관찰하지 않은 지식을 만들어내는 과정으로 흔히 “머신러닝”이라고 불립니다. 머신러닝에 사용되는 학습은 크게 지도학습, 자율학습, 강화학습으로 세 가지가 있습니다.
첫 번째로, 데이터에 대한 판단 결과를 인간이 직접 입력해주는 지도학습이 있습니다. 꽃의 색상 분류에 대한 기준을 입력해주고 꽃들을 색깔별로 분류하는 과제를 주면, 기준에 따라 분류하는 과정이 이에 속합니다.
두 번째로, 판단 결과를 주지 않은 상황에서 스스로 학습하는 자율학습이 있습니다. 예를 들면 사진의 사람들을 2개의 부류로 나누라는 과제를 줬을 때, 사람들 간의 차이를 스스로 학습해 다르다고 판단, 두 가지 군집을 만드는 것입니다.

마지막으로 명확한 판단 결과는 없지만, 결과에 따라 보상을 제공하고, 보상을 최대화하는 방향으로 진행하는 강화학습이 있습니다. 알파고가 바둑을 두기 위해 2천9백만 기보를 학습한 후, 승리할 가능성을 최대화하는 방향으로 학습한 것이 바로 강화학습에 해당합니다.

<출처> Source: DeepMind homepage (Research, Alpha Go)

추론(Reasoning)은 학습된 정보에서 답을 도출하는 과정인데, 단순 질의와는 달리 규칙에 따라 다른 답을 제공하는 것입니다. 대표적인 추론 방법으로는 논리추론, 확률추론, 시간추론, 공간추론이 있습니다. 추론이 가능한 기계에 “지금 A는 어디에 있을까?”라는 질문을 던진다면, 질문 시점을 기준으로 지금은 “평일 낮 2시”, A는 “고등학생”이라는 조건에 맞는 규칙을 찾아 “아마도 학교에 있을 것입니다.”라는 결과를 도출해냅니다.

소통(Communication)은 기계가 특정 행동(Action)을 하거나, 기계 간 통신(M2M)을 하거나 사람과 기계가 상호작용(M2H)을 하는 것을 말합니다. 일반적으로 사람과 사람이 대화하는 것을 소통이라 불러왔는데, 인공지능 덕분에 이제는 기계와도 소통하게 되었습니다.

인공지능기술의 활용

인공지능기술이 발달하고 메신저 앱이 미래의 플랫폼으로 예상되는 가운데, 챗봇이 주목받고 있습니다. 챗봇은 지능형 에이전트(Intelligent Agent)의 한 종류로 대화형 인터페이스상에서 규칙 또는 인공지능으로 사용자와 인터랙션을 하는 서비스입니다. 정의된 규칙에 기반을 둔 챗봇은 검색을 지원하거나 메뉴를 알려주는 등 대화의 한계가 있는 데 비해, 인공지능 기반의 챗봇은 스스로 학습을 거듭하기 때문에 더 다양하고 복잡한 업무를 수행할 수 있습니다. 이러한 챗봇기술은 개인비서 서비스뿐만 아니라 대화형 커머스, 기업용 메신저에 활용되고 있습니다.

아직 챗봇은 일반 대중에게는 생소한데, 비교적 우리에게 친숙한 에이전트 서비스도 있습니다. 바로 애플의 iOS에 탑재된 시리(Siri)입니다. 최광선 대표는 시리를 예로 들어 인공지능기술이 어떻게 활용되고 있는지 설명했습니다.

<출처> Apple homepage (Research, Alpha Go)

Interface Intelligence
시리는 음성기반인터페이스(VUI)로 자연어를 듣고 인식합니다. 사용자의 의도를 추론해 자동완성을 제공하기도 합니다.

Domain & Task Models
시리는 학습을 통해 도메인별 태스크 모델을 갖추고 있습니다. 초기의 시리는 “캘린더 앱에 일정 등록하기”와 같은 간단한 업무를 수행할 정도의 태스크 모델을 가지고 있었지만, 지속적인 학습을 통해 점점 복잡한 업무를 수행할 수 있게 되었습니다.

Service Orchestration
시리는 다른 서비스와의 소통을 통해 사용자가 해당 서비스에 접속하지 않아도, 서비스를 이용하게 해줍니다. 이제 사용자들은 시리에게 “우버 불러줘”라는 말 한마디만으로 우버를 부를 수 있게 되었습니다.

이러한 에이전트 기반 시스템을 위해서는 다양한 UX 관점의 고민들이 수반된다는 화두를 끝으로 라이트브레인의 9번째 Seed Classs는 마무리 되었습니다.

마치며

은미
이번 강연을 통해 인공지능의 원리와 적용된 기술에 대해 배울 수 있었습니다.
강연 이후에 만약 인공지능 서비스를 기획한다면 어떤 점들을 고민할지 생각하게 되었습니다.
Microsoft의 Tay는 트위터를 통해 대화 경험을 수집해 빠르게 대화를 배울 수 있었지만, 욕설이나 인종차별적인 발언을 배워 비난을 받기도 하였습니다. 풍부한 대화경험을 수집하되 어떤 방식으로 수집할지에 대한 고민이 필요합니다. 챗봇에서는 아직 GUI 상에서 선택하는 것에 익숙한 사용자를 배려하기 위해 몇몇 답변에는 팝업 버튼을 제공하기도 합니다.
사용자가 대화형 인터페이스에 어떻게 적응할 수 있도록 도울지 생각해보았습니다.
이 강연을 통해 인공지능기술을 보는 시야를 넓힐 수 있었습니다. 좋은 강연 들려주신 최광선 대표님, 유익한 강연을 들을 수 있게 해준 라이트브레인에도 감사를 표합니다.

빛나
지식이란 우리로 하여금 하늘을 날 수 있게 하는 날개와 같다고 합니다.
인공지식기술에 대한 지식은 제게 미래를 상상하며 꿈꿀 수 있게 했습니다. 미래를 향한 날개라고 할 수 있겠죠.
사람들은 혹 이렇게 걱정합니다. ‘로봇이 인간을 대체하면 어쩌지?’, ‘내 직업을 대체하면 어쩌지?’ 라고요. 그렇기에 앞으로 없어질 직업 리스트가 온라인상을 떠다니며 사람들의 마음을 휘젓는 게 아닌가 싶습니다.
하지만 저는 인공지능이 비효율적인 일을 효율적으로, 불편한 일을 편리하게 만든다고 생각합니다. 또 불가능한 것을 가능하게도 합니다. 앞서 말씀드린 영상 언어 변환 기술(Video to Language)은 신체적 한계를 갖고 계신 분들도 ‘영상 소비 경험’을 가능하게 합니다. 따라서 우리는 더 나은 삶과 경험에 대한 기대감으로 기술과 사람을 공부해야 할 것입니다.
만약 자신의 직업이 몇 년 후 사라질 리스트에 있다면, 오히려 그것은 기회일 수 있습니다. 비효율적인 일에 당신의 소중한 인생을 낭비하고 있으니까요. 영화 [찰리와 초콜릿 공장]에서 로봇에게 뚜껑 닫는 일을 빼앗겼던 찰리의 아버지가 로봇 수리공이 되어 더욱 보람찬 일을 했던 것처럼 말입니다.
다가오는 미래는 인공지능과 함께 알차게 살아가는 저와 당신 이 되었으면 좋겠습니다. 감사합니다.

*1부 내용 다시보기

– 가치UX그룹 성빛나, 윤은미