김진철의 How-to-Big Data | 빅데이터의 미래 (12)

지난 6월 13일 자 “이코노미스트(The Economist)”지의 “계간 기술(Technology Quarterly)”은 아직도 그 열기가 가시지 않고 있는 인공지능 기술에 대한 특집 기사로 채워졌다. 권위 있는 경제 매체인 “이코노미스트(The Economist)”지는 매 분기별로 글로벌 경제에 영향을 미치는 기술 이슈들을 주제별로 선정해 심도 있게 조사, 분석하여 소개하는 “계간 기술(Technology Quarterly)” 특집 기사를 정기적으로 싣고 있다.

“이코노미스트(The Economist)”지는 “네이처(Nature)”나 “사이언스(Science)”와 같은 전문 과학기술 학술 저널, “MIT 기술 리뷰(MIT Technology Review)”나 “와이어드(Wired)”와 같은 전문 기술 매체가 아닌 경제 전문 매체임에도 불구하고, 정확하고 균형 있는 조사와 분석을 통해 최근 기술의 발전 동향이 경제에 미치는 영향과 효과를 현실적이고 정확하게 소개해왔다. 이번 6월 13일 자의 “계간 기술(Technology Quarterly)” 특집 기사는 지난 5년간 전 지구를 뜨겁게 달구어 왔던 인공지능 기술을 주제로 하였다.

이번 6월 13일 자 “계간 기술(Technology Quarterly)” 특집 기사의 핵심 주제는 “인공지능 기술의 가을이 오고 있다(AI’s autumn is coming)”라는 한 문장으로 요약될 수 있다. 지금까지 주목받고 많은 이슈를 몰고 온 인공지능 기술의 현재 위치가 어디인지, 현재 인공지능 기술의 발전 양상과 문제점은 무엇인지, 앞으로 경제 발전에 인공지능 기술이 어떻게 영향을 미칠 것인지에 관한 전문가들과 인터뷰와 여러 분석 자료들에 기초한 기술 분석이 소개됐다. 이 “이코노미스트(The Economist)”지의 인공지능 기술 특집 기사를 바탕으로 인공지능 기술의 미래를 같이 살펴보려고 한다.

“이코노미스트(The Economist)”지의 인공지능 특집 기사에서 현재 인공지능 기술은 한창 주목을 받고 시장이 크게 성장하던 시기를 지나, 가트너(Gartner)의 “과장 선전 주기(hype-cycle)”에서 기술에 대한 시장의 기대치가 급격하게 낮아지는 지점인 “환멸의 계곡(trough of disillusionment)”을 지나고 있으며, 곧 인공지능 기술의 가을이 올 것으로 전망하였다.

그 원인으로 든 다섯 가지를 이번 글에서 살펴보면서 앞으로 사이버 물리 시스템을 위한 인공지능이 어떤 양상으로 발전해갈지 같이 생각해보도록 하자.

인공지능 기술의 한계에 대한 시장의 각성
첫째로, 시장이 인공지능 기술의 한계에 대해서 점차 각성하고 있다는 것이다. 이런 인공지능 기술의 한계에 대한 각성은, “알파고(AlphaGo)”와 이세돌 9단의 대국 이후 인공지능 회사들과 전문가들이 인공지능 기술로 할 수 있는 것들에 대해 내어놓은 “큰 전망(grand claim)”의 상당수가 현재 실현되지 않고 있거나 철회되고 있는 현실에서 비롯된다.

일반 대중과 회사들이 인공지능 기술에 대해서 가지게 되는 관심은 인공지능 기술을 잘 알아서라기보다는 인공지능 기술을 활용하여 만든, 또는 그렇게 주장하는 상품이나 서비스가 시장에서 크게 성공하거나 실제 생활 속에서 자리 잡으면서 생활의 편리함을 더하고 우리의 생활을 조금씩 바꿀 수 있으리라는 기대와 함께 커져가게 된다. 

이렇게 된 계기가 “알파고(AlphaGo)”와 이세돌 9단의 대국, 그리고 엔비디아(Nvidia)와 같은 딥러닝 하드웨어 업체들과 주요 자율주행 회사들이 보여준 자율주행 시연, 그리고 구글과 마이크로소프트, 페이스북과 같은 인터넷 서비스 및 소프트웨어 회사들이 내어놓은 챗봇, 가상 비서와 같은 지능형 서비스와 인공지능 관련 상품들이다.

이렇게 최근 딥러닝 기술의 발전과 함께, 자연어 처리, 음성 인식, 영상 인식 기술과 같은 인공지능 기술을 활용한 상품이 “알파고(AlphaGo)” 사건 이후 쏟아져 나오고 언론의 주목을 받으면서 시장의 기대감도 크게 높아졌다. 이렇게 높아지는 기대감이 다시 인공지능이 할 수 있는 영역에 대한 막연한 기대감으로 번져가면서 많은 인공지능 관련 회사들과 스타트업들이 인공지능 기술에 대한 다양한 전망과 약속을 내어놓게 되었다.

대표적인 것 중 하나가 대표적인 자동차 제조사인 GM이 주목받던 자율주행 스타트업이었던 “크루즈(Cruise)”를 인수하고, 2019년 말까지 Level 4 자율주행차를 개발하여 로봇 택시 서비스를 대대적으로 시작하겠다고 발표한 2017년도다. 2016년도 당시 GM은 구글의 “웨이모(Waymo)”와 함께 자율주행 분야를 선도하고 있던 회사였던 “크루즈(Cruise)”를 10억 달러, 한화 약 1조 2천억 원에 인수하여 자율주행 기술을 이용한 로봇 택시 서비스를 2019년까지 상용화하겠다고 발표한 바 있다.

하지만, 2019년도부터 GM의 로봇 택시 서비스 상용화가 예정보다 지연될 것 같다는 발표가 나오기 시작했으며, 현재는 로봇 택시 서비스가 당분간 시작되기 어려울 것이라는 전망이 나오고 있다.

자율주행 분야뿐만 아니라, 의료 인공지능이나 공장 자동화와 같은 다른 분야도 이런 상황은 마찬가지이다. 이코노미스트지의 이번 기사에 따르면, 딥러닝 기술 발전에 가장 큰 기여를 한 컴퓨터 과학자 중 한 사람인 제프리 힌튼(Geoffrey Hinton) 교수가 2016년 “우리는 조만간 영상의학 전문의를 길러내는 것을 그만둬야 할지도 모른다(it’s quite obvious that we should stop training radiologists)”고 전망한 적이 있다.

실제로 인공지능 기술을 활용하는 의료 분야, 특히 딥러닝을 이용한 의료 영상 진단 분야와 같은 분야에서는 인공지능이 의사를 대체할 수 있다는 다소 과격한 전망이 알파고 붐이 인 2016년대 초반에 많이 소개된 바 있다. 

현재 상황을 살펴보면, 영상 진단 분야 전문의의 수요는 여전히 모자라다. 현장의 의사들은 인공지능 기술을 활용한 의료 영상 진단 기술들은 의사를 대체하기보다는 당분간 의사의 진단을 보조하거나 정확성을 높이는 보조 도구로써 활용될 가능성이 높고, 이렇게 활용될 수준으로 의료 영상 진단 기술이 상용화되기까지도 꽤 시간이 걸릴 것으로 전망하고 있다[2, 5].

자율주행 및 의료 영상뿐만 아니라, 일반 생활에 쓰이는 인공지능 기술들도 마찬가지다. 인공지능 챗봇, 대화 인터페이스 기술 수준 향상의 한계는 분명하게 드러나고 있다. 최근 언어 모델로 크게 주목받고 있는 구글의 BERT, OpenAI의 GPT-3와 같은 대형 언어 모델들은 사람과의 대화가 많이 자연스러워졌다고는 하나, 여전히 대화한다는 느낌을 충분하게 주지는 않는다. 내놓는 답변도 특정한 목적을 위한 짧은 대화에는 꽤 정확해졌으나, 다양한 맥락을 고려해 대답해야 하는 대화에서는 여전히 엉뚱한 답변을 하기 마련이다.

언어 모델의 발전에도 이런 한계가 드러나는 것은, 필자가 지난 요슈아 벤지오 교수의 NeurIPS’19 기조 강연을 소개하면서 언급한 것처럼, 우리가 아직 우리의 인지 과정에 대해 완전하게 이해하지 못하고 있고, 이런 인간의 인지 과정에 대한 모든 지식이 BERT, GPT-3와 같은 언어 모델을 포함한 인공지능 모델에 완전하게 반영되어 있지 않기 때문이다. 

이와 같이 우리가 가진 인간의 인지 과정에 대한 이해의 부족 때문에 생기는 필연적인 인공지능 기술의 근본적인 한계가 적나라하게 드러나기 시작하면서 현재 우리가 가진 인공지능 기술의 한계에 대해서 시장에서도 인지하기 시작하게 된 것이다.

이와 같이 알파고 대국으로 시작된 딥러닝 붐이 시작된 2016년 이후로 알려졌던 많은 전망이 지금까지 실현되거나, 이와 비슷하게 기술 발전이 이루어진 사례가 많지 않은 것을 시장에서 점점 인지해가면서 인공지능 기술에 대한 기대가 점점 사라져가고 있다. 이런 이유로 최근 인공지능 기술에 대한 열기가 조금씩 식어가고 있다는 것이다. 실제로 인공지능 기술 스타트업 투자와 관련해 최근 벤처 투자자들이 조금씩 보수적인 입장으로 돌아서고 있는 것으로 보인다[2-3].

투자에 비해 더딘 성과, 인공지능 활용 성공 사례의 부족
둘째로, 인공지능 기술에 대한 기대가 식어가는 첫 번째 이유인 인공지능 기술의 한계를 시장에서 점차 인식하고 있는 현실과 맞물려서, 일반 기업들이 인공지능 기술을 실제 비즈니스에 적용해서 활용하기가 쉽지 않고, 그 효과를 본 사례가 매우 적다는 것이다.

구글과 애플, 페이스북, 아마존과 같은 소위 GAFA로 불리는 인터넷 서비스 선두 기업들은 인공지능 기술을 활용할 수 있는 인공지능 분야 소프트웨어 엔지니어와 연구자들을 많이 보유하고 있다. 이렇게 인공지능 분야 전문가들을 쓸어 가다시피 한 이들 기업도 인공지능 기술을 이용한 서비스나 상품 중에서 눈에 띄는 수익을 내는 것은 그렇게 많지 않다. 

구글 같은 기업은 자사의 연구 성과를 구글 브레인 블로그(Google Brain Blog)와 같은 곳에 많이 홍보하고 공개하기도 하지만, 연구 성과를 공개하는 것과 실질적인 재무 성과를 내는 상품을 개발하고 시장에 선보이는 것은 또 다른 문제이다.

구글 같은 기업들도 위와 같은 상황인데, 이들 회사들과 같이 인공지능 전문가들과 소프트웨어 엔지니어를 많이 보유하지 못한 일반 회사들이 인공지능 기술로 눈에 띄는 성과를 낸다는 것은 더 어려운 일이다. 

“가상 비서(virtual assistant)”와 같은 인공지능 기술 자체를 상품화하는 것은 구글과 같이 자신들의 정체성을 인공지능 회사라고 정의하는 회사들의 몫이라고 생각하더라도, 일반 회사의 업에 맞는 프로세스 자동화와 응용 분야를 찾아서 이를 사업화할 수 있는 인공지능 전문가들과 데이터 과학자들을 찾아 회사에 영입하고, 또 이들이 실질적인 성과를 낼 때까지 뒷받침하고 지원하는 것이 어떻게 보면 인공지능 기술을 직접 상용화하는 구글과 같은 회사보다 더 어려운 일이 될 수 있다.

인공지능 기술을 회사의 업에 맞는 자동화와 응용 분야에 적용하여 실질적인 성과를 내기 위해서는, 이를 위해서 채용된 인공지능 전문가들이나 데이터 과학자들이 인공지능 기술에 대해서도 잘 알아야 하지만, 해당 기업의 업과 비즈니스 체계에 대해서도 잘 알아야 한다. 

이와 함께 인공지능 기술을 어떻게 활용해서 실질적인 수익으로 연결할 수 있을지 해결책을 찾기 위해 시행착오를 겪으면서 비즈니스 모델과 기술을 다듬어가는 과정을 거치게 된다. 이 과정을 인내하면서 견딜 수 있을 정도로 재무적으로 여유 있고 인공지능 기술의 활용이 절실한 기업은 필자의 경험으로는 실제로 많지 않다.

인공지능 기술이, 빅데이터 붐을 일으켰던 하둡(Hadoop)이나 스파크(Spark)와 같이 단일 소프트웨어나 솔루션 같은 기술이 아닌 것도 일반 기업이 인공지능 기술을 활용하는 것을 어렵게 하고 있다. 

텐서플로우(TensorFlow)나 파이토치(PyTorch)같은 소프트웨어들이 있지 않느냐, 또 최근 학술회의를 통해서 공개된 딥러닝 모델에 대한 소스코드들이 많지 않느냐고 반문하는 분들이 계실 수 있는데, 하둡(Hadoop)이나 스파크(Spark)와 같은 소프트웨어와, 텐서플로우(TensorFlow), 파이토치(PyTorch)와 같은 소프트웨어와 딥러닝 모델 소스 코드들은, 서로 그 성격이 완전히 다른 소프트웨어라는 것을 염두에 둘 필요가 있다.

하둡(Hadoop)이나 스파크(Spark) 같은 빅데이터 소프트웨어들은 작업 병렬화 및 분산화, 확장성 있는 데이터 조작에 초점을 맞춘 분산 컴퓨팅 소프트웨어이고, API의 용도와 기능이 분명한 편이다. 반면, 텐서플로우(TensorFlow)와 파이토치(PyTorch)와 같은 딥러닝 프레임워크의 API를 이용해 딥러닝 모델을 만든다 해도, 딥러닝 모델을 어떤 문제와 응용 분야에 어떤 방식으로 활용하냐에 따라 다양한 시행착오와 별도의 모델 튜닝 과정을 겪을 수 있다. 

딥러닝과 같은 기계 학습 모델은 실제 업무에 적용할 때 학습에 활용한 데이터에 따라 정확도, 추론 성능이 달라질 수 있기 때문에 기계 학습 모델이 프로그램한 대로 동작하리라고 완전하게 기대할 수도 없다.

실제 인공지능 기술을 활용하려는 목적인 기계에 자율성과 지능을 부여하는 측면에서도, 텐서플로우(TensorFlow)와 파이토치(PyTorch)로 API에 따라 프로그래밍만 하면 되는 것도 아니다. 기계 학습 모델이 실제 컴퓨터와 기계에 자율성과 지능을 부여할 수 있도록 하려면 단순하게 소프트웨어적인 측면만 고려해서는 안 되는 경우도 많기 때문이다.

이는 인공지능 기술이 목표로 하는 기계에 자율성과 지능을 부여하여 업무의 자동화를 이루려는 목적을 이루기 위해, 인공지능 기술을 탑재한 (하드웨어적인 또는 소프트웨어적인) 자율 에이전트들이 센서나 소프트웨어 에이전트와 같은 것들을 통해서 주변 환경에 대한 정보를 얻고 상호작용해야 하는 것을 전제로 해야 하는 경우가 많기 때문이다.

기계에 자율성을 부여하는 이런 자율 에이전트들이 하게 되는 주변 환경 및 다른 자율 에이전트들과 상호 작용을 지능형 시스템으로 실현하기 위해서는 단순한 API를 이용한 프로그래밍 이상의 전문 지식과 경험이 필요하며, 이에 더해 경우에 따라서는 과학적, 공학적으로 어려운 난제를 인공지능 기술을 사용하는 연구자나 개발자가 자신만의 가정과 아이디어로 시험해 가면서 해결해야 할 수도 있다.

이런 이유로 일반 회사가 인공지능 기술을 사용해 인공지능 기술의 효과를 가시적으로 볼 수 있을 정도로 활용하기에는 불확실성도 크고, 기업의 일반 사무 업무처럼 표준화된 업무로 규격화하여 프로세스화 하기도 쉽지 않아, 일반 기업이 인공지능 기술을 이용해 만든 가시적인 성과를 아직까지 보기 어렵고, 인공지능 기술을 도입하기 어려운 것이다.

아무리 그 소스코드가 공개되어 있고, 텐서플로우(TensorFlow)와 파이토치(PyTorch)와 같은 딥러닝 소프트웨어 프레임워크들이 발전한다고 해도, 딥러닝을 비롯한 기계 학습 모델과 이를 기반으로 하는 인지 컴퓨팅 소프트웨어 모듈을 프로그래밍하고 실제 업무 현장에 적용하는 것은 하둡(Hadoop)이나 스파크(Spark), 몽고DB(MongoDB)와 같은 빅데이터 기술을 사용하는 것과는 완전히 다른 난이도의 업무이다. 

하둡(Hadoop)이나 스파크(Spark), 몽고DB(MongoDB)와 같은 빅데이터 소프트웨어를 이용한 빅데이터 정보 시스템을 기업이 구축해 놨다고 해서 데이터 과학을 자동으로 하고 있다고 말할 수 없는 것과 비슷한 이유이다.

이 때문에 기계 학습 기술을 이용한 업무 자동화, 응용 소프트웨어 개발을 돕는 MLOps(Machine Learning DevOps)와 같은 기술과 트렌드가 주목받고 있지만, 기계 학습을 적용하는 과정 자체가 워낙 다양성이 많고 어려워 아직까지 일반 기업이 기계 학습과 같은 인공지능 기술을 통해 주요 비즈니스 문제를 해결한 눈에 띄는 사례는 찾아보기 어려운 상황이다.

이렇게 인공지능 기술, 특히 많이 사용되는 기계 학습 기술이 근본적으로 가지는 불확실성과 모호성, 그리고 인공지능 기술 자체의 미성숙성 때문에, 많은 수의 소프트웨어 엔지니어와 인공지능 전문가를 보유한 회사가 아닌 일반 회사가 인공지능 기술을 활용해서 상품이나 서비스를 기획하고 비즈니스로 만드는 것이 어려워 인공지능 기술을 도입했다고 주장하는 많은 회사들이 실질적인 성과를 낸 사례를 찾아보기 어려운 것이다.

인공지능 기술을 이용해 실질적인 비즈니스 성과를 내기 위해서는 회사의 조직 구성과 구성원들의 역량이 크게 변화되어야 하는데, 이런 경향은 요즘 “디지털 전환(Digital Transformation)”이라는 말로 상징되어 화두가 되고 있다.

빅데이터와 “디지털 전환(Digital Transformation)”, “디지털 전환(Digital Transformation)”의 맥락에서 사이버 물리 시스템과 인공지능 기술의 활용 문제는 앞으로 필자가 기고하게 될 빅데이터의 미래와 “디지털 전환(Digital Transformation)”에 관한 글에서 좀 더 자세하게 다루도록 한다.

양은 많지만 활용하기 어려워 인공지능에 사용하기에는 적은 빅데이터
셋째로, 현재 인공지능 붐을 일으킨 장본인인 딥러닝 기술을 기준으로 했을 때, 딥러닝 모델을 학습시키기 위해서는 막대한 데이터가 필요하지만, 자신의 비즈니스를 통해 축적하고 활용할 수 있는 구글, 페이스북과 같은 일부 회사들을 제외하고는 일반 회사들이 이런 데이터를 얻기 어렵다는 것이다. 현재 쌓여 있는 빅데이터들도 딥러닝 기반의 인공지능 기술의 학습에 활용하기에는 실제로 쓸 수 있는 데이터가 많지 않다.

이번 “이코노미스트(The Economist)”지의 특집 기사에서 진단한 인공지능 기술의 현황에 대한 의견 중에, 필자의 생각에, 예리한 지적으로 보이는 의견이 바로 이 데이터에 관한 의견이다. 소위 빅데이터 시대에 접어들어 딥러닝 기술을 비롯한 기계 학습에 쓸 수 있는 빅데이터가 넘쳐날 것 같지만, 실상 그 이면을 살펴보면 실제로 기계를 학습시킬 때 쓸 수 있는 데이터가 그렇게 많지 않다는 것이다. 

필자가 예전에도 여러 차례 언급한 바가 있듯이, 많은 기업이 빅데이터만 쌓아 놓으면 그게 바로 수익으로 연결될 것이라고 막연한 기대를 하고 있는 경우가 많은데, 사실 빅데이터 그 자체는 데이터 과학 입장에서는 골칫거리이자 해결해야 할 문제이다. 

데이터 활용의 목적에 맞게 수집되고 정제, 가공되지 않은 빅데이터는 불필요한 정보를 지나치게 많이 담고 있어 대부분의 경우 분석하려고 하는 문제의 본질을 보는 것을 방해하는 “소음(noise)”이 되는 경우가 많다.

이 특집 기사에서 든 사례는 영국의 안과 전문의인 피어스 키언(Pierce Keane)의 사례[5]와 미국의 “시나이산 병원(Mt. Sinai Hospital)”의 폐렴(pneumonia) 진단 인공지능 활용의 사례[4]다.

먼저 영국 런던에서 안과 병원을 운영하는 피어스 키언 박사는 구글의 딥마인드(DeepMind)와 함께 안과 질환을 진단할 수 있는 인공지능 기술 개발을 진행하고 있다. 안과는 영상 데이터가 풍부하여 인공지능 기술을 이용해 영상 진단 데이터 오류를 줄일 수 있을 것으로 기대되는 분야로, 최근 의료용 인공지능 기술 분야의 스타트업들이 많이 생겨나는 분야 중 하나다.

피어스 키언 박사는 현재 딥마인드(DeepMind)와 함께 개발하는 안과용 의료 영상 인공지능 기술의 상용화에 대해서는 아직 시간이 필요하다고 얘기한다. 기술적으로 진단의 정확도를 높이기 위해 좀 더 다양하고 많은 임상 데이터를 통해 딥러닝 모델을 개선하고 임상에서 활용할 수 있는 안전한 기술로 만들기 위해서도 시간이 필요하지만, 의료 분야의 많은 법률적, 제도적 규정과 절차에 따라 법적으로도 문제가 없는 의료 영상 진단 인공지능 기술로 상용화하는 데 많은 시간이 필요하기 때문이다.

피어스 키언 박사가 의료 인공지능 기술의 상용화에서 걸림돌이 되는 또 하나의 이유로 든 것은 의료 인공지능 기술에 사용할 수 있는 “일관적이고 활용가능한 데이터 형식(consistent, usable data format)”이 없는 것이다. 

피어스 키언 박사가 구글 딥마인드(DeepMind)와 함께 협력하면서, 의료 인공지능 기술 개발에 활용할 수 있다는 큰 데이터 셋을 보유하고 있다고 하는 의학자들의 연락을 자주 받지만, 이 의학자들에게 보유한 데이터가 어떤 데이터 형식으로 가공, 보관되어 있는지 물어보면 정작 연락이 되지 않고 데이터를 제공받을 수 없는 경우가 많다는 것이다.

필자의 경험으로는 이 데이터 형식의 문제는 매우 중요한 문제이지만, 종종 빅데이터 및 인공지능 기술을 활용하는 기업들이 자주 간과하는 문제이다. 이 데이터 형식의 문제는 최근 우리나라 정부에서 4차산업혁명 관련 사업으로 적극적으로 추진하고 있는 “데이터 댐” 사업에서도 데이터를 축적하기 전에 반드시 검토되어야 할 중요한 문제라고 필자는 생각하지만, 사업 추진 자체에 속도를 내는 형국이 되면서 진지하게 논의되고 있지 못한 것 같아 다소 걱정되는 이슈이다.

데이터 형식이 중요한 이유는 딥러닝 기술을 비롯한 기계 학습 기술의 성숙도와 큰 연관이 있다. 딥러닝 기술을 비롯한 기계 학습 기반의 인공지능 기술들은 사람과 같은 독립적인 자율성을 가진 기술로서 아직 충분히 성숙되지 않았고, 특정한 작업만 잘하는 모델로서 개발되는 경우가 많다. 

이 작업들에 대해서 국내의 다양한 이해 관계자들, 그리고 국제적으로도 다양한 이해 관계자들 사이의 이해 관계와 인공지능 기술을 사용하는 과정에서의 효과성을 고려한 데이터 형식에 대한 합의가 이루어지지 않은 분야가 많다.

그나마 영상 의학 의료 분야는 전 세계적으로 의료 장비의 표준화나 의사, 의료 기관 간 데이터 교환을 위해 국제 표준, 산업 표준이 많이 합의에 이르고 있는 분야 중의 하나지만, 대부분 병원에서 실제 적용되는 진료 프로세스의 변화 속도가 첨단 기술 발전 속도에는 크게 못 미치기 때문에 아직도 데이터 형식에 대한 합의가 이루어지지 않은 경우가 많은 것으로 보인다. 대부분 미국과 같은 의학 선진국에서 만든 표준 형식들이 많이 사용되기 때문에 우선적으로 이런 형식들을 사용할 수는 있을 것이다. 

그렇지만, 의료 분야는 국가별로 정부의 법률적 규제와 진료 과정 규정의 차이가 많은 분야이다 보니 의료 영상 진단용 인공지능 기술 개발에 필요한 주요 영상 데이터 형식에 대해서 인공지능 기술 연구자들과 의학자, 의료계 종사자들 사이에 합의되어 실제 인공지능 기술 개발에 잘 활용되기까지는 아직도 많은 시간이 필요할 것으로 생각된다.

영상 의학 분야와 같이 사회적으로 기반이 되는 산업 분야에 대한 인공지능 기술과 산업의 발전을 촉진하기 위해 정부와 산업별 협의체를 통해서 인공지능 기술 도입을 위한 표준 협의 단체를 만들어 사회적으로 표준에 대한 합의에 이른다면 가장 좋을 것이다. 

실제로, 영상 의학 분야에서 가장 많이 쓰이고 있는 데이터 형식 중 하나인 “DICOM(Digital Imaging and Communications in Medicine)” 형식은, 미국에서 영상 의학 기기를 만드는 의료기기 산업 분야에 종사하는 엔지니어들의 협의체인 “미국전기공업회(NEMA)”와 영상 의학자 및 의사들의 협의체인 “미국방사선의학회(ACR)”에서 공동으로 협의하여 매년 5번의 개정판을 발표하고 있다.

영상 의학처럼 인공지능 기술의 발전이 의료 진단 오류와 진단 오류로 인한 의료 사고의 감소로 이어지는 것과 같이 사람의 생명에 직접적으로 관련되거나 사회적인 영향력이 큰 산업 분야에서는 이렇게 인공지능 기술용 표준 데이터 형식에 대한 논의와 합의를 상대적으로 쉽게 시작할 수 있을 것이다.

그렇지만 반대로, 사람의 생명에 직결되거나 사회적인 영향력이 큰 이유로 인공지능 기술의 도입이 현 산업 구조에 미치는 영향이 크기 때문에, 현재의 산업 구조에서 사업을 영위하고 있는 다양한 이해관계자와 기업들이 인공지능 기술의 도입으로 인해 자신들의 이해 관계에 미치는 영향이 부정적이라면 오히려 데이터 형식에 대한 합의에 응하지 않거나 부정적인 영향을 미칠 가능성도 높다.

의료 분야처럼 산업과 국가 경제에 미치는 영향이 큰 분야를 중심으로 인공지능 기술 개발에 필요한 데이터 형식과 메타데이터 표준에 대한 논의를 시작하면 인공지능 기술 개발, 사업화에 필요한 다양한 데이터 형식에 대한 수요와 논의도 점차 확산시켜갈 수 있을 것이다. 

다만 데이터 형식에 담기는 정보와 관련해서 다양한 이해관계자들의, 특히 인공지능 기술로 새로운 사업을 시도하는 스타트업들과 기존 의료 기기 사업에서 비즈니스를 영위하고 있는 기업들, 의료 현장에서 일하는 의사들과 의료 전문가 간 이해 관계 조율과 합의 과정 때문에 시간이 오래 걸릴 수 있고, 이런 상황이 인공지능 기술 발전에 부정적인 영향을 미칠 수 있다는 것은 미리 염두에 두어야 할 것이다.

이런 측면에서, 국가적으로 인공지능 기술의 확산이 중심이 된 4차산업혁명을 통해서 국가 경제 중흥을 시도하는 정부는 “데이터 댐” 사업과 같은 사업을 시작하고 성과를 내는 것과 함께, “데이터 댐” 사업의 성과물과 산출물로 만들어진 인공지능 기술 개발용 학습, 테스트, 검증용 데이터들이 사장되지 않고 지속적으로 활용될 수 있는 쓸모 있는 데이터가 될 수 있도록, 사회 내 다양한 이해관계자들 간의 이해 관계 조율과 데이터 형식 합의에 이르는 과정을 중재할 수 있어야 할 것이다.

위 피어스 키언 박사의 안과 질환 진단용 인공지능 기술 개발 사례에서 언급된 의료 인공지능 개발용 데이터의 이슈와 함께, 인공지능 관련 데이터 문제로 또 하나 언급된 것은 인공지능 모델을 학습할 때 썼던 데이터를 수집한 기관이 아닌, 다른 기관이나 조직에서 수집한 데이터를 사용했을 때 인공지능 모델의 성능과 정확도가 차이가 날 수 있다는 점이다.

실제로 뉴욕의 유명한 병원인 “시나이산 병원(Mt. Sinai Hospital)”의 의료진들이 사용한 가슴 X-ray 영상을 판독하여 폐렴 진단을 돕는 인공지능 시스템이, 인공지능이 학습했던 가슴 X-ray 영상을 제공한 기관이 아닌 다른 의료 기관의 영상 데이터에 해당 인공지능 시스템을 이용해 진단했을 경우 진단의 정확도가 크게 떨어지는 것으로 나타났다[4].

이렇게 인공지능의 학습 과정에 필요한 데이터에 어떤 데이터를 포함시키고 포함시키지 않을지 결정하는 것도 매우 중요한 문제일 수 있다. 폐렴 같은 질병 진단을 위한 학습용 데이터 셋을 구축하는 경우, 해당 인공지능 진단 시스템을 사용하는 병원과 의료 기관에서 수집한 데이터들을 가능하면 모두 사용해서 위와 같은 문제점이 생기는 것을 막으려 시도할 수도 있을 것이다. 

하지만 기계 학습을 이용한 인공지능 시스템은 학습시킬 때 사용하는 데이터의 양이나 다양성이 너무 많으면 인공지능 모델의 일반화(generalization) 능력이 오히려 떨어지는 “과잉 적응(overfitting)” 문제가 나타난다. 학습 데이터의 양이 많다고 해서 꼭 좋은 것은 아니다.

이와 같이 인공지능 모델의 학습에 사용하는 데이터 셋에 어느 기관, 조직의 데이터 셋을 사용했느냐 하는 문제도 중요할 수 있지만, 영상 데이터를 다루는 관행이나 방식, 정책에서 오는 차이, 진단 기준의 차이 때문에도 기관별 데이터의 품질과 수준이 천차만별이기 때문에 인공지능 모델의 학습과 일반화 능력에 큰 차이를 가져오게 된다.

예를 들면, 앞서 설명한 폐렴 진단을 위한 가슴 X-ray 사진에서 촬영 위치를 식별하기 위해 놓는 작은 금속 토큰의 위치나 놓는 방식이 병원마다 다른 것에서, 이 토큰의 위치나 놓인 방식으로 해당 X-ray 영상이 어느 병원에서 왔는지 판단할 수 있을 정도이다. 

이렇게 병원마다 진단 기준에 사용하는 암묵적인 지식과 영상 데이터를 다루는 다양한 방식과 정책이 영상 진단을 위한 인공지능 모델의 성능에도 큰 영향을 미칠 수 있다는 점이 영상 진단 인공지능 모델을 개발할 때 고려가 되어야 한다.

이렇게 인공지능 모델을 학습할 때 사용하는 데이터의 품질과 다양성이 인공지능 모델의 학습과 성능에 크게 영향을 미치기 때문에, 이런 학습 데이터 자체의 특성을 고려해 인공지능 모델을 보정할 수 있는 방법도 인공지능 모델 학습을 위한 데이터 형식에 반영되어야 한다. 

대개의 경우, 데이터를 수집, 가공하는 과정에서 해당 데이터를 수집하고 가공한 조직은 적지 않은 비용과 인력을 투입했을 것이고, 해당 조직만의 암묵적인 노하우나 숨겨진 지식이 적용되었을 가능성이 높다. 이런 데이터 수집, 가공 과정에서의 차이와 관행이, 인공지능 산업의 성장을 위해 사회적으로 합의하고 사용하는 데이터 형식과 메타데이터, 표준 데이터 셋의 합의 과정에서 민감한 이해관계 요소로 작용할 수 있다.

위와 같이 현재 인공지능 모델과 기술의 근본적인 한계, 그리고, 학습에 활용할 수 있는 데이터를 생산하고 만들어내는 각 조직만의 이해 관계와 데이터 생산, 가공에 들인 적지 않은 자원 때문에, 인공지능 기술의 발전을 위해 필요한 일관성 있고 사용 가능한 데이터 형식에 대해 사회적인 합의를 이루는 과정이 생각보다 쉽지 않을 수 있다. 

이런 미묘한 이슈가 있을 수 있음을 “데이터 댐” 사업을 비롯한 인공지능 기술 관련 사업, 정책을 기획하고 실행하는 우리 정부의 정부 부처와 관계자들도 꼭 기억해 주셨으면 한다.

마지막으로, 인공지능 기술 개발, 발전에 필요한 데이터를 확보하는 과정을 일회성 문제로 생각할 것이 아니라, 인공지능을 갖춘 기계가, 그 자신을 향상하고 개선하는 과정에서도 자율성을 가질 정도로 기술이 고도로 발전하기 전까지는, 끊임없이 변화, 진화하는 지속적인 과정으로서 학습 데이터 형식과 학습 데이터를 가공하는 과정을 이해해야 한다는 것이다.

딥러닝 기술 붐이 일으킨 정보기술 분야에서 또 하나의 독특한 양상은, 기계에게 사람이 하는 일을 가르치기 위해 필요한 데이터 수집, 가공 작업을 수작업으로 대신해 주거나, 기계 학습용 데이터를 수집, 가공, 생성하는 작업을 보조하거나 도와줄 수 있는 인공지능 기술을 개발하고 이를 서비스나 솔루션 형태의 상품으로 제공하는 회사들이 점점 많아지고 있다는 사실이다.

인공지능에 관한 컨설팅을 제공하는 회사인 “코그닐리티카(Cognilytica)”의 최근 보고서에 따르면, “제 3자 데이터 제공(the third-party data preparation)” 사업의 경우 2019년엔 15억 달러, 한화로 약 1조 8,750억 원 규모였으나, 2024년까지 약 35억 달러, 한화로 약 4조 3,750억 원 규모로 성장할 것으로 예상된다. 

최근 딥러닝 기술 개발 붐과 함께 많이 등장하고 있는 데이터 레이블링 사업의 경우, 2019년에는 17억 달러, 한화로 2조 1,250억 원 규모였으나, 2024년까지 41억 달러, 5조 1,250억 원 규모로 성장할 것으로 예상된다[4].

사람이 할 수 있는 일을 인공지능 모델에 가르치기 위해 필요한 일은 극히 일부분을 제외하고는 아직까지 사람이 직접 가공해서 만들어야 하는 경우가 대부분이라, 대부분 매우 노동집약적이고 수작업이 많이 필요한 경우가 많다. 

이 때문에 최근 아마존의 대리 작업 의뢰 서비스인 “아마존 체스 기계(Mechanical Turk)” 서비스를 이용해 데이터 레이블링 작업을 의뢰받아 수입을 올리는 사람들이 전 세계적으로 늘어나고, 이를 이용해 극빈국의 국민들이 이를 통해 돈을 벌 수 있는 사례가 만들어진 것도 독특한 양상 중 하나이다.

“아마존 체스 기계(Mechanical Turk)” 서비스뿐만 아니라, 독일의 자동차용 인공지능 데이터 가공 서비스와 솔루션을 제공하는 “언더스탠드 닷 에이아이(Understand.AI)”와 같은 스타트업들이 자신들만의 데이터 레이블링 자동화 솔루션과 노하우를 가지고 기업의 인공지능 학습 데이터를 대신 가공, 준비해주는 제3자 데이터 가공 서비스 시장에 진출하는 사례가 늘어나고 있다.

우리나라의 “데이터 댐” 사업의 하나로 진행되고 있는 AI 학습용 데이터 구축 사업과 AI 데이터 가공 바우처 사업도 인공지능 학습 및 평가를 위한 데이터 레이블링과 제3자 데이터 가공, 준비 사업 시장이 커지는 전 세계적인 추세를 고려해서 진행되었으면 한다. 

“데이터 댐” 사업이 일시적이고 불안정한 일자리를 잠깐 양산해내는 실효성 없는 사업으로 전락하지 않도록, 앞으로 우리나라 기업의 “디지털 전환(Digital Transformation)”과 인공지능 도입 과정에 필요한 데이터 가공 서비스를 제공하는 스타트업들이 지속가능한 비즈니스 모델을 조기에 탐색, 확보하도록 지원하는 마중물로서 역할을 할 수 있었으면 바람이다.

이 것뿐만 아니라, 데이터 레이블링 및 가공 기술과 인공지능 기술은, 데이터 레이블링 및 가공 과정이 자동화율이 높아지고 지능화되면 될수록 인공지능 기술의 발전이 더 가속되게 되며, 인공지능 기술의 발전은 다시 데이터 레이블링 및 가공 과정의 자동화, 지능화 수준을 높여 인공지능에 필요한 데이터 생산과 가공을 가속하기 때문에 다시 인공지능 기술의 발전을 가속화하는 식으로 서로 선순환 관계에 있다.

데이터 레이블링 및 가공 과정에 활용되는 인공지능 기술의 수준이 실제 사이버 물리 시스템과 다른 응용 분야에서 사용되는 인공지능 기술에 비해 수준이 전혀 낮지 않고, 오히려 서로 같이 사용할 수 있다. 데이터 레이블링 및 가공 과정 자체가 일종의 빅데이터 처리, 분석 과정이기 때문에, 이를 위한 기술 개발로 얻은 인공지능 기술들은 빅데이터 처리, 분석을 이용한 빅데이터 비즈니스에도 긍정적인 영향을 끼칠 수 있다. 

AI 학습용 데이터 구축 사업과 AI 데이터 가공 바우처 사업을 일시적으로 좋지 않은 조건의 단순 노동 일자리만 양산하는 실적 위주의 사업으로 만들기보다는, 이를 계기로 인공지능 및 빅데이터 기술 분야의 첨단 스타트업을 양성해내는 계기로 만들 수 있어야 앞으로 우리나라 기업들의 인공지능 기술 도입과 “디지털 전환(Digital Transformation)”이 지속가능한 선순환을 이루게 되고 정부에서 기대했던 실질적인 4차산업혁명 관련 산업의 융성으로 열매 맺게 될 것이다.

인공지능 모델 학습과 개발 비용의 급증
넷째로, 최근 딥러닝 모델의 복잡도와 크기가 커지면서 딥러닝 기반 인공지능 모델을 학습시키기 위해 필요한 비용이 급격하게 증가하고 있다는 것이다. 이런 경향은 최근 BERT와 GPT-3로 대표되는 언어 모델의 대형화 경쟁 과정에서 적나라하게 드러나고 있다.

일단 딥러닝 기반 인공지능 소프트웨어 모듈의 개발 과정에서 GPU 사용은 거의 기본이 되어가고 있는데, 이 GPU가 벌써 일반 CPU에 비해 크게 비싼 것이 인공지능 기술 도입 과정의 비용 증가를 부추기는 한 원인이 되었다.

GPU가 장착된 고성능 컴퓨팅 서버를 직접 구매하지 않고 클라우드 컴퓨팅 자원을 사용하더라도, 일반 가상 머신에 비해 GPU 가상 머신은 단가가 많이 비싸기 때문에 여전히 딥러닝 기반 인공지능을 활용하는 기업에 큰 비용 부담을 안겨주고 있다.

그림 2를 보면, 2012년도 AlexNet를 비롯한 딥러닝 모델의 발전이 가속화되면서, 딥러닝 모델을 학습시키는데 필요한 연산량이 3개월에서 4개월마다 두 배씩 증가하는 추세로 바뀐 것이 분명하게 드러난다. 이렇게 딥러닝에 필요한 연산량이 급격하게 증가하면서, 이를 위한 비용도 급격하게 증가하게 되어 일반 기업이 인공지능 기술을 활용하는 것에 큰 장애가 되고 있다.

이뿐만이 아니다. 계산에 필요한 연산량이 많다는 것은 이에 따르는 전기 에너지 소비량도 늘어난다는 의미이다. 아직까지 딥러닝을 비롯한 기계 학습을 위한 연산에 어느 정도 비용이 드는지 정확하게 추정한 문헌은 많지 않지만, 일부는 알려져 있다. 

예를 들어, 인공지능 기술을 가장 많이 사용하는 인터넷 서비스 기업 중의 하나인 페이스북 AI 센터의 센터장인 제롬 페젠티(Jerome Pesenti)의 말에 따르면, BERT나 GPT-3 정도 되는 가장 큰 딥러닝 모델을 한 번 학습시키는데 최소한 수백만 달러, 즉 한화로 수십 억 원에 달하는 전기료가 들어간다고 한다[6].

최근 딥러닝을 위한 심층 신경망 모델을 최적화하고 새로운 심층 신경망 모델을 찾아내는데 많이 쓰이는 AutoML와 같은 도구로 “신경망 아키텍처 탐색(Neural Architecture Search)”을 통해 대형 언어 모델을 학습시킬 경우, 심층 신경망 기반의 언어 모델 학습에 어마어마한 비용과 에너지가 필요하다는 것이 최근 발표된 바 있다[13-14]. 

BERT와 GPT-3를 잇는 새로운 대형 언어 모델 중 하나인 “변환기(Transformer)” 모델의 경우, “신경망 아키텍처 탐색(Neural Architecture Search)”을 이용해 심층 신경망 구조의 최적화를 학습(training)과 같이 진행하면 한 번의 학습(training)을 수행하는데 약 3백만 달러, 한화로 약 36억 원 정도가 필요하다고 추정되었다[13-14].

이와 같이 최근 딥러닝 기술의 대표적인 응용 분야로 주목받고 있는 챗봇, 자연어 이해, 대화 인터페이스에 쓰이는 BERT, GPT-3, “변환기(Transformer)” 모델을 한번 학습시키는데 수십 억 원의 비용이 들어간다면 일반 기업 입장에서 이런 기술을 직접 학습 시켜 활용하는 것은 엄두도 내기 힘든 일임은 분명하다. 이렇게 가장 각광받는 인공지능 기술인 딥러닝을 쓸 때 이렇게 많은 비용이 든다면, 대부분의 기업은 인공지능을 활용하는 것이 큰 부담이 될 수밖에 없다.

결국 이런 비용을 부담할 수 있거나, 이런 비용을 상쇄할 만큼 이미 데이터센터와 인공지능 기술 개발 및 서비스용 고성능 컴퓨팅 인프라를 잘 갖추고 인공지능 소프트웨어 전문가들을 다수 보유한 구글, 페이스북과 같은 회사가 아니면 인공지능을 활용한 서비스나 제품을 개발하기는 쉽지 않을 것이다.

이렇게 인공지능 기술을 사업화하는데 들어가는 비용과 에너지 문제는 인공지능 기술의 사유화(privatization) 문제를 심화시키고 있다. 결국 인공지능 기술을 서비스로 제공할 수 있는 구글, 페이스북, 아마존, 애플과 같은 소수의 기업에 의해 인공지능 기술이 독점되고, 다른 대부분의 기업은 이들 기업의 서비스를 이용할 수밖에 없어 이들 기업에 대한 의존성과 인공지능 기반 서비스 및 상품의 비용이 증가할 수밖에 없게 된다.

이런 인공지능 모델의 학습과 활용에 들어가는 하드웨어 및 연산 비용을 줄이기 위해 새로운 아키텍처의 하드웨어 기술이 등장하고 있다. 구글의 TPU는 이미 2016년도 “알파고(AlphaGo)”에 사용되면서 유명해졌고, 지난 마흔 네 번째 글에서 소개한 그래프코어(Graphcore)사의 IPU(Intelligence Processing Unit) 프로세서, 세리브라즈 시스템즈(Cerebras Systems, Inc.)의 웨이퍼 스케일 엔진(Wafer-Scale Engine)과 같은 새로운 인공지능 전용 프로세서 기술이 등장하기도 했다[15].

딥러닝 기반 인공지능 기술의 발전에 따라 나타나는 비용 증가와 에너지 소모의 문제를 이들 새로운 아키텍처의 인공지능 전용 프로세서 반도체 기술이 어느 정도 해결할 수 있을 것으로 보인다. 

한편으로는, 오히려 딥러닝 기반 인공지능 기술의 활용이 늘어나면서 생기는 계산 비용 증가와 에너지 소모 문제의 등장이 IPU와 웨이퍼 스케일 엔진(Wafer-Scale Engine), 양자 컴퓨터(quantum computer), 신경모방 프로세서(Neuromorphic processor)와 같은 새로운 하드웨어 기술의 발전을 촉진시키고 있다. 이들 제품은 아직 GPU에 비해서는 극히 소수의 기업과 연구기관이 활용하고 있어 스타트업과 일반 기업이 활용할 만한 정도로 확산되기까지는 다소 시간이 걸릴 것으로 보인다.

지금까지 살펴본 것과 같이, 인공지능 기술을 활용하는데 필요한 컴퓨팅 자원 비용, 에너지 비용, 인건비 등의 비용 증가가 일반 기업들이 인공지능 기술을 활용하는 것을 부담스럽게 하여 인공지능 기술에 대한 관심이 점점 식어가고 있다는 분석이다. 

그렇지만, 인공지능 기술 활용에 따른 컴퓨팅 자원, 에너지 비용을 획기적으로 줄이고 기업의 인공지능 기술 활용을 돕는 새로운 기술이 출현하고 있고, 이를 이용한 새로운 사업 기회도 등장하고 있기도 하다.

비록 인공지능 기술의 컴퓨팅 비용, 에너지 비용의 부담 때문에 당분간 기업들이 인공지능 기술을 적극적으로 활용하는 것을 꺼리겠지만, 이런 문제가 새로운 스타트업 비즈니스의 기회가 되어 새로운 인공지능 하드웨어와 클라우드 컴퓨팅 기술로 이어지는 것이 또 현실이기도 하다. 이런 새로운 기술들이 일반 기업들의 인공지능 기술 활용의 불씨를 다시 피울 수 있을지는 좀 더 두고 봐야 할 것 같다.

해석가능성, 윤리적, 사회적 문제 해결을 위한 기술적 해결책의 부족
다섯째로, 의료 및 법률 AI와 같이, 인공지능의 판단이 줄 수 있는 윤리적, 사회적인 문제를 해결하기 위해 필요한 기술적인 뒷받침이 아직 많이 부족하다는 것이다. 이런 문제가 일어나는 것은 현재 우리가 가지고 있는 인공지능 기술이 완성된 기술이 아닌 인간 수준의 지능을 가진 기계를 만들려는 꿈으로 나아가는 과정에 있는 과도기적인 인공지능 기술이기 때문이다.

현재 인공지능 전문가들이 가장 걱정하고 있는 문제들은 지난 마흔 세 번째 글에서 소개한 것과 같이 인공지능이 인간과 같은 수준의 지능을 조만간 가지게 될 상황에서 생기는 문제들이 아니다. 오히려, 우리 두뇌와 지능, 인지 과정에 대한 불완전한 지식을 바탕으로 만들어진 불완전하고 미성숙한 인공지능 기술이 인류에게 끼칠 수 있는 해악이다. 

이런 해악의 대표적인 것으로 꼽히는 것이, 인간과 같은 도덕 관념과 인간에 대한 이해가 부족한 “살인 기계(killing machine)”가 벌일 수 있는 무차별적인 인명 살상과 인공지능 기술의 근본적인 미성숙성 때문에 인공지능에 판단을 일임한 사회 인프라나 서비스에서 일부 사람들이 적절하지 못하게 소외되고 차별받을 수 있는 상황이다.

위에서 언급한 두 가지 문제 모두 우리 인간의 두뇌, 인지 과정, 도덕 관념, 그리고 우리 인간 자신의 마음에 대한 부족한 이해와 지식으로 생기는 문제와 함께, 이렇게 우리 자신에 대해 잘 모르는 상태에서 만들어진 인공지능 기술의 불완전성이 일으키는 문제들이다. 

이렇게 인공지능 기술이 가지는 근본적인 불완전성과 한계를 극복하기 위해서는 우리가 우리 인간의 마음과 인지 능력에 대한 이해와 지식도 넓혀가야 하지만, 우리가 만드는 인공지능 기술을 우리가 온전하게 이해하고 활용할 수 있도록 만드는 것도 중요하다.

위와 같이 인공지능이 왜 특정한 판단과 결론에 이르게 되는지 해석하고 도와줄 수 있는 기술이 바로 “해석가능한 인공지능(Explainable AI; 이하 XAI)” 기술이라고 지난 스무 번째 글에서 자세히 소개한 바 있다. 

이 XAI 기술은 최근 유럽의 GDPR 법안이 실제 효력을 가지게 되면서 구글, 페이스북, 아마존, 알리바바와 같이 유럽을 포함한 전 세계 지역에 데이터 센터와 데이터를 보유하고, 이를 바탕으로 인공지능 기술을 이용해 전자상거래와 서비스를 자동화, 개인화하는 기업들을 중심으로 초유의 이슈로 떠오르게 되었다.

XAI 기술과 관련해서 가장 큰 문제는, 현재 가장 많이 쓰이는 딥러닝, 즉 심층 신경망 모델의 경우 XAI 기술과 방법론을 개발하기 가장 어렵고 힘든 기술이라는 것이다. 기계 학습 모델 중에서 가장 분명하고 논리적으로 투명한 베이지안 모델(Bayesian model)이 XAI 기술을 개발하기가 가장 쉽고 용이한 모델이며, 그다음으로 생성 모델(Generative model)이 XAI 방법론을 개발하고 적용하기가 상대적으로 용이한 것으로 알려져 있다. 

하지만, 현재 대부분의 딥러닝의 경우, 특히 요즘 대형화되면서 극도로 복잡해지고 있는 BERT와 GPT-3와 같은 심층신경망 모델의 경우, 파라미터의 수가 매우 많고 각 신경망 층별로 배우는 것이 뭔지 해석하는 것이 신경망 층이 깊어질수록 거의 불가능해지기 때문에 XAI 기술을 만들고 적용하기가 쉽지 않다.

이런 이유 때문에 심층 신경망의 학습 과정에서 “해석가능성(Interpretability)”을 높일 수 있도록 하기 위해 최근 “심층 베이지안 신경망 모델(Deep Bayesian Network Model)”, “심층 생성 모델(Deep Generative Model)”과 같은 기존의 심층 신경망 모델을 베이지안 모델(Bayesian model)이나 생성 모델(Generative model)의 관점에서 새롭게 해석하려는 시도가 있었으나, 이들 시도가 심층 신경망 모델의 직접적인 해석가능성으로 연결되는 근본적인 방법론과 이론은 아직까지 개발되지 못한 상황이다.

이렇게 우리가 사용하는 딥러닝 모델이 흉내 내려고 하는 우리 두뇌와 인지 과정에 대한 이해가 부족한 것은 말할 것도 없고, 우리 두뇌를 흉내 내려고 만든 딥러닝을 비롯한 기계 학습 모델이 무엇을 배우고 왜 특정한 결론을 내는지 모든 측면에서 완전하게 이해하지 못하는 상황이기 때문에, 이들 인공지능 기술을 사용해 법률적, 사회적, 윤리적인 문제를 일으키지 않는 지능형 서비스를 상용화하는 것이 현재로서는 쉽지 않아 보인다.

이런 이유로, 앞서 소개했던 의료 인공지능 기술에서의 활용가능한 데이터 문제를 제기한 안과의사 피어스 키언 박사가 의료 인공지능이 빠른 시간내에 상용화되기 어려운 이유 중의 하나로 이 인공지능 기술의 해석가능성 문제를 꼽았다. 

법률적인 책임과 윤리적인 문제에서 복잡한 이슈를 가진 또 하나의 대표적인 인공지능 응용 분야인 자율주행 자동차의 경우에도, 사고의 책임 소재를 가리는 법률적인 문제와, 자율주행 차의 사고 보상에 관한 민감한 이슈를 다룰 수밖에 없는 보험회사와 자율주행 자동차 제조사의 이해 관계가 맞물려 있어, 인공지능 기술의 해석가능성 문제는 앞으로 이런 법률적, 사회적, 윤리적인 문제 해결을 위한 중요한 기술적인 기반으로 더욱더 중요해질 전망이다.

현재 상황에서는 우리가 가진 인공지능 기술이 왜 특정한 판단과 결론을 내리는지 엄밀하게 이해할 기술과 방법론이 부족하여, 이런 기술적인 바탕이 견고하게 갖추어지지 않은 상태에서 만들어진 자율주행 자동차나 의료 영상 진단 기술과 같은 인공지능 기술들이 기업에 심각한 손실을 줄 수 있는 잠재적인 위험을 가지고 있다. 

이런 잠재적인 기술적 위험과 이런 위험을 감수하면서 인공지능 기술에 투자하도록 할 만한 근본적인 기술 혁신이 아직 부족하다는 생각이 확산되면서 인공지능 기술에 대한 매력과 관심이 주춤하고 있다.

성큼 다가선 인공지능 기술의 가을 – 인공지능 기술의 봄은 언제 오게 될까?
앞서 소개한 다섯 가지 이유 때문에 인공지능 기술에 대한 기대가 다소 수그러드는 인공지능 기술의 가을이 다시 오고 있다는 것이 지난 6월 13일 자 “이코노미스트(The Economist)”지의 “계간 기술(Technology Quarterly)” 특집 기사의 요점이다. 

다행히, 현재 딥러닝을 비롯한 인공지능 기술들은 실용적인 수준으로 많이 발전하여 사회 곳곳에 파고들면서 확산되고 있어, 지난 1970년대 중반부터 1980년대 초반, 1980년대 후반부터 1990년대 중반 두 차례 겪었던 혹독한 “인공지능의 겨울(AI’s Winter)”은 다시 오지 않을 것으로 전망하였다. 그렇기는 하지만, 현재 시장의 지나친 기대감과 인공지능 기술에 대한 무지로 온 시장의 거품은 조만간 꺼지면서 재조정 과정이 일어날 것으로 예상된다.

우리가 이번 “이코노미스트(The Economist)”지의 특집 기사에서 인공지능과 사이버 물리 시스템, 빅데이터의 미래에 관해 얻을 수 있는 교훈은 무엇일까? 필자는 다음과 같이 정리해보고자 한다.

첫 번째로, 필자가 지난 네 편의 글에서 반복하면서 강조하고 있는 것이지만, 인공지능을 가진 기계에게 우리가 기대하고 있는 인간 수준의 자율성과 고급 인지 기능, 고등 정신 과정을 갖춘 기계와 지능형 서비스가 나오기까지는 아직도 많은 기술의 발전이 이루어져야 한다. 현재 우리가 가지고 있는 인공지능 기술은 특정한 작업에 전문화되어 사람의 저수준 인지 기능을 흉내 내어 작업을 자동화하는 수준의 인공지능 기술이다.

위와 같은 현실에서, 인공지능이 일부 단순 노동에 대해서는 사람들의 일자리를 대체할 수 있지만, 인공지능 기술을 산업별, 사업별로 적용하면서 기존 기업의 사업들을 자동화, 효율화하는 일에 많은 수의 인공지능 엔지니어와 인력들이 필요할 것으로 예상된다. 

이 때문에, 또 다른 종류의 일자리 창출과 경제 성장의 기회가 올 수 있을 것으로 예상된다. 다만, 이 인공지능 기술의 확산에 따른 경제 성장의 기회에서 소외되는 사람들이 분명히 생겨날 수 있기 때문에, 이렇게 소외되는 사람들이 없도록 교육제도와 경제 정책을 선제적으로 고민하고 대응할 필요가 있다.

두 번째로, 인공지능 기술이 어떤 양상으로 발전할지 예측하기는 어렵지만, 앞서 설명했듯이 현재 인공지능 기술이 가지고 있는 문제를 해결하기 위한 기술이 중심이 되어 새로운 비즈니스 기회가 창출되리라는 것은 분명하다. 

이런 문제의 첫 번째로, 인공지능 기술을 활용할 때 필요한 컴퓨팅 자원을 더 효과적으로 공급할 수 있으면서 에너지 소모를 줄일 수 있는 새로운 아키텍처의 전용 반도체 프로세서, 컴퓨팅 하드웨어, 컴퓨터가 인공지능을 이용한 지능형 서비스와 상품을 위해 등장하여 사업 기회를 넓히리라는 것이다. 

여기에 해당되는 기술의 예로 그래프코어(Graphcore)사의 IPU(Intelligence Processing Unit) 프로세서, 세리브라즈 시스템즈(Cerebras Systems, Inc.)의 웨이퍼 스케일 엔진(Wafer-Scale Engine)을 지난 마흔 다섯째 글에서 소개하였으며, 앞으로 양자 컴퓨터와 신경모방 프로세서(Neuromorphic processor)에 대해서 기대감이 커지고 있다. 

두 번째로, 최근 더 적은 양의 데이터를 이용해 기존 모델의 성능을 낼 수 있는 딥러닝 모델에 대한 연구가 많은 관심을 받고 있다. 딥러닝이 다른 통계적 기계 학습 모델보다 더 많은 데이터와 계산량이 필요한 단점을 보완하기 위한 기술들을 중심으로 새로운 딥러닝 기반의 지능형 서비스와 상품이 나타날 것이고, 이런 기술들이 다시 딥러닝 기반 인공지능 기술의 발전을 점진적으로 견인할 것으로 예상된다.

세 번째로, 점차 발전될 딥러닝과 기계 학습 기법을 사용해, 기계 학습 모델의 훈련에 필요한 데이터의 준비와 가공 과정을 자동화하는 기술이 발전하면서 인공지능 기술 그 자체의 발전과 함께 인공지능 모델의 학습과 개발을 위한 데이터 수집, 가공 자동화를 위한 서비스와 제품 시장이 또 하나의 중요한 시장으로 성장할 것으로 기대된다. 

이렇게 인공지능 모델의 학습과 개발을 위한 데이터 가공 자동화 기술과 이에 관련된 서비스, 솔루션 시장은 빅데이터 기술의 발전도 자극하여, 인공지능 기술과 빅데이터 기술이 서로 선순환을 이루면서 발전하게 하는 중요한 계기가 될 것으로 보인다.

네 번째로, 딥러닝의 아키텍처를 정하는 데 쓸 수 있는 디자인 원리가 많지 않아 아직까지는 시행착오를 통해 최적화할 수밖에 없는 문제를 해결할 수 있는 신경망 아키텍처 탐색(neural architecture search) 방법, 인과성(causality)와 인지 기능의 합성성(compositionality), 고차원 표상(higher-level representation)을 배울 수 있도록 하는 표상 학습(representational learning)과 같은 뇌과학과 인지 과학의 성과를 이용한 새로운 인공지능 기술의 출현이 인공지능 기술 시장의 또 다른 성장 계기를 마련해줄 것으로 예상된다.

위와 같은 네 가지 인공지능 기술 발전 양상이 예전과 같은 혹독한 인공지능 기술의 겨울이 오도록 하지 않고 인공지능 기술과 시장이 점진적으로 발전하면서 기업과 사회의 디지털 전환(Digital Transformation)을 가속하게 될 것으로 전망된다.

마지막 다섯 번째 교훈은, 새로운 기계 학습 모델과 방법론에 대한 해석가능한 인공지능 기술(Explainable AI; XAI)이 발전하면서, 인공지능의 오판이나, 인간적인 측면이 고려되지 않은 획일적인 판단에 따른 피해를 예방하고, 인공지능의 판단에 대한 이해 관계 충돌이나 법적인 분쟁을 해결해주는 전문적인 기술과 서비스가 새로운 비즈니스로 등장하고 발전하게 되리라는 것이다.

앞서 스무 번째 글에서 소개한 바와 같이, 최근 유럽의 GDPR 법안의 효력이 발생하면서 구글이나 페이스북과 같은 다국적 인터넷 서비스 기업들에게 해석가능한 인공지능 기술이 점점 더 중요해지고 있다. 

이뿐 아니라, 고객의 개인 정보와 함께 인공지능 기술을 통해 자동화된 프로세스를 운영하는 기업이나, 인공지능을 통해 자동화된 프로세스가 법률적인 분쟁으로 이어질 수 있는 B2B 거래에서 해석가능한 인공지능 기술을 개발하고 인공지능의 판단 근거를 해석해주는 서비스도 그 법률적, 사회적인 민감성 때문에 중요한 비즈니스 영역으로 부상할 것으로 예상된다.

앞서 마흔 세 번째 글에서 언급한 것과 같이, 인공지능 기술의 미래를 구체적으로 그려 보기는 어렵다. 그렇지만 현재 일어나고 있는 인공지능 기술의 발전 양상과 현재 인공지능 기술이 가지고 있는 문제들을 생각해볼 때, 앞서 소개한 세 가지의 방향으로 인공지능 기술과 관련 시장이 발전하리라고 어렴풋하게 예상해볼 수 있다.

이번 6월 13일 자 “이코노미스트(The Economist)”지의 “계간 기술(Technology Quarterly)” 특집 기사에서 결론을 내린 것처럼 “인공지능 기술의 가을이 오고 있다(AI’s autumn is coming)”. 그렇지만, 지금 다가오고 있는 인공지능 기술의 가을은 우리가 인공지능 기술에 대해 가지고 있던 무지와 오해 때문에 생긴 과도한 기대로 생긴 것이다. 

인공지능 기술 그 자체는 분명히 진보하였고, 과거 인공지능 기술의 두 차례 겨울이 왔던 때보다 훨씬 더 실용적인 기술이 되어 우리 삶의 곳곳에서 편리함과 새로운 사업의 기회를 제공하고 있다. 인공지능 기술의 가을이 오고 곧 겨울이 오겠지만, 예전과 같이 혹독하게 추운 겨울이 아니라 예전보다 온화하고 봄을 기대하게 하는 성장의 겨울이 될 것 같다. 

이 성장의 겨울 시간 동안 많은 스타트업 창업자들이 새로운 도전과 시도를 통해서 인공지능 기술의 실용화 가능성을 더 높일 것이다. 앞서 얘기한 네 가지 새로운 인공지능 기술이 이를 이용한 빅데이터, 사이버 물리 시스템 기반 지능형 서비스 시장에 활력을 불어넣는 인공지능의 봄이 다시 올 것이다. 

다시 올 인공지능의 봄은 자율 에이전트와 사이버 물리 시스템의 발전으로 예전보다 훨씬 더 풍성하고 다양한 사업의 기회가 넘칠 것으로 예상된다. 인공지능 기술의 겨울을 두려워할 것이 아니라, 현재 가진 인공지능 기술의 한계를 잘 알고 사용하면서 앞으로 올 인공지능 기술의 봄을 잘 준비하고 역량을 쌓아간다면 새로 오는 인공지능 기술의 봄에서는 큰 성장의 결실을 맛볼 수 있을 것이다.

[참고문헌]
[1] 김진철, “LHC에서 배우는 빅데이터와 machine learning 활용 방안”, 2016년 9월 28일, A CIO Conversation for Technology Leadership – Breakfast Roundtable 발표 자료
[2] “Reality Check – An understanding of AI’s limitations is starting to sink in”, The Economist, The Economist Group Limited, Jun 11, 2020. (https://www.economist.com/technology-quarterly/2020/06/11/an-understanding-of-ais-limitations-is-starting-to-sink-in)
[3] “Algorithms and armies – Businesses are finding AI hard to adopt”, The Economist, The Economist Group Limited, Jun 11, 2020. (https://www.economist.com/technology-quarterly/2020/06/11/businesses-are-finding-ai-hard-to-adopt)
[4] “Not so big – For AI, data are harder to come by than you think”, The Economist, The Economist Group Limited, Jun 11, 2020. (https://www.economist.com/technology-quarterly/2020/06/11/for-ai-data-are-harder-to-come-by-than-you-think) 
[5] “An AI for an eye – The potential and the pitfalls of medical AI”, The Economist, The Economist Group Limited, Jun 11, 2020. (https://www.economist.com/technology-quarterly/2020/06/11/the-potential-and-the-pitfalls-of-medical-ai) 
[6] “Machine, learning – The cost of training machines is becoming a problem”, The Economist, The Economist Group Limited, Jun 11, 2020. (https://www.economist.com/technology-quarterly/2020/06/11/the-cost-of-training-machines-is-becoming-a-problem) 
[7] “Road block – Driverless cars show the limits of today’s AI”, The Economist, The Economist Group Limited, Jun 11, 2020. (https://www.economist.com/technology-quarterly/2020/06/11/driverless-cars-show-the-limits-of-todays-ai) 
[8] “Autumn is coming – Humans will add to AI’s limitations”, The Economist, The Economist Group Limited, Jun 11, 2020. (https://www.economist.com/technology-quarterly/2020/06/11/humans-will-add-to-ais-limitations) 
[9] 정지훈, “[정지훈 해제] “굿모닝 AI”…곧 가을이 온다는데 딥러닝은 잘되고 있겠죠?”, 피렌체의 식탁, 2020년 7월 9일. (https://firenzedt.com/?p=8005)
[10] Andrew J. Hawkins, “Cruise postpones plan to launch driverless taxi service in 2019 – The GM subsidiary had planned to debut a self-driving ride-hailing service in San Francisco by the end of 2019”, The Verge, July 24, 2019. (https://www.theverge.com/2019/7/24/20707242/cruise-gm-self-driving-taxi-launch-delay-2019) 
[11] Dario Amodei, Danny Hernandez, “AI and Compute”, OpenAI Blog, May 16, 2018. (https://openai.com/blog/ai-and-compute/)
[12] Girish Sastry, Jack Clark, Greg Brockman, Ilya Sutskever, “Addendum to ‘AI and Compute’: Compute used in older headline results”, OpenAI Blog, November 7, 2019. (https://openai.com/blog/ai-and-compute/)
[13] Karen Hao, “Training a single AI model can emit as much carbon as five cars in their lifetimes – Deep learning has a terrible carbon footprint”, MIT Technology Review, June 6, 2019. (https://www.technologyreview.com/2019/06/06/239031/training-a-single-ai-model-can-emit-as-much-carbon-as-five-cars-in-their-lifetimes/)
[14] Emma Strubell, Ananya Ganesh, Andrew McCallum, “Energy and Policy Considerations for Deep Learning in NLP”, arXiv:1906.02243 [cs.CL], 2019. (https://arxiv.org/abs/1906.02243)
[15] 김진철, “[김진철의 How-to-Big Data] 빅데이터의 미래 (10)”, CIO Korea, 2020년 8월 26일. (http://www.ciokorea.com/column/162080)
[16] 김진철, “[김진철의 How-to-Big Data] 빅데이터와 인공지능 (3)”, CIO Korea, 2018년 8월 27일. (http://www.ciokorea.com/column/39367)
[17] 김진철, “[김진철의 How-to-Big Data] 빅데이터의 미래 (9)”, CIO Korea, 2020년 7월 27일. (http://www.ciokorea.com/column/158812)

* 김진철 박사는 1997년 한국과학기술원에서 물리학 학사, 1999년 포항공과대학교에서 인공신경망에 대한 연구로 석사 학위를, 2005년 레이저-플라즈마 가속기에 대한 연구로 박사 학위를 받았다. 2005년부터 유럽입자물리학연구소(CERN)의 LHC 데이터 그리드 구축, 개발에 참여, LHC 빅데이터 인프라를 위한 미들웨어 및 데이터 분석 기술을 연구하였다. 이후 한국과학기술정보연구원(KISTI), 포항공과대학교, 삼성SDS를 거쳐 2013년부터 SK텔레콤에서 클라우드 컴퓨팅과 인공지능 기술을 연구하고 있다. 빅데이터와 인공지능 기술의 기업 활용 방안에 대해 최근 다수의 초청 강연 및 컨설팅을 수행하였다. dl-ciokorea@foundryco.com