인공지능 시대, 어떻게 준비해야 할까? 알아봐요­

1.의 과거 현재 미래 ​ 손정의 일본 소프트 뱅크 그룹 회장은 문재인 대통령을 예방한 자리에서 “향후 한국이 집중해야 할 것은 하나도 인공 지능, 둘째도 인공 지능, 셋째도 인공 지능”이라며 교육 정책 투자 예산 등 각 분야에서 전폭적인 육성책을 마련해야 한다고 조언했다. 또”가 인류 역사상 최대의 혁명을 불러일으킬 것”이라고 전망했다(한국 경제, 2019.07.04).손정의 회장이 인공 지능을 3차례 강조한 이유는 무엇인가. 인공지능은 과거에도 주목받은 적이 있지만 그다지 성공하지 못했다. 그러나 최근 일어나고 있는 인공지능의 발전은 과거와는 확실히 다르다. 인공지능의 과거·현재·미래에 대해 정리해 본다. 의 과거 인공 지능(, Artificial Intelligence)라는 용어는 1955년 컴퓨터 과학자 죠은・맛카시ー(John McCarthy)를 처음 사용했다. 뉴럴 네트워크(Neural Network), 처치-튜링 명제(Church-Turing Thesis)등 관련 이론은 그에 앞선 1940년대부터 등장하기 시작했다.​ 인공 지능의 아버지로 불리는 앨런 튜링(Alan Turing)은 1950년’Computing Machinery and Intelligence’라는 논문에서 의 개념을 소개하기도 했다. 앨런 튜링은 현대 컴퓨터의 원형을 제시한 인물로 알려져 있다. 그는 최초의 컴퓨터로 평가되는 ENIAC가 등장하기 전(1936년)에 ‘튜링 머신’이라는 가상의 컴퓨터를 제시했다. 이 튜링머신은 현대 컴퓨터의 원형이다. 최초의 전자식 컴퓨터가 나오기 전에 가상 컴퓨터라는 기계를 상상한 시점부터 앨런 튜링은 인공지능을 생각하고 있었던 것이다.

>

[그림 1]AI의 역사/출처:AWS, Saltlux​ 1950년대 이후 AI에 관한 연구가 본격화되면서 많은 관심을 받았지만 별다른 성과를 보이지 않았다. 1969년 마빈 민스키(Marvin Minsky)박사가 인공 신경망(Artificial Neural Network)의 한계를 수학적으로 증명하고 AI연구에 대한 투자와 관심이 급격히 감소했다. 이후 1980년대 폴 웨어 보스(Paul Werbos), 제프리 힝토우은(Geoffrey Hinton)교수가 욕쵸은파(Backpropagation)을 이용하고 MLP문제를 해결하고 인공 신경망에 대한 연구가 다시 활발하게 진행되다가 욕쵸은파이 소수의 신경망에서만 작동 가능하다는 한계를 맞아 다시 겨울을 맞았다.​ 2000년 중반에 제프리 힝토우은, 여호수아 벤지오 등 세계적 석학이 디플러 닌(Deep Learning)방법론을 제시하고 AI는 새로운 국면을 맞아 2010년대 들어 컴퓨팅 성능 향상과 데이터의 양적 증가, 알고리즘 개선 등으로 머신 러닝, 디플러 말리닌이 구현되어 다시 AI가 주목된다. 과거의 시도에도 불구하고 지속적으로 발전하지 않은 이유는 하드웨어, 소프트웨어, 데이터의 3박자를 만족하지 않았기 때문이다. 하지만 하드웨어 성능 향상, 분산 처리, 클라우드 환경, 머신 러닝(Machine Learning), 딥러닝(Deep Learning), 역전파(Back Propagation) 등의 알고리즘이 발전하면서 인공지능 성능이 높아졌다. 또 빅데이터 시대를 맞아 데이터의 절대적인 양과 다양성이 확대돼 현재의 AI로 이행한다. AI의 현재 AI하드웨어 부문의 발전은 반도체를 중심으로 전개되지만, 반도체는 데이터 보존을 허브로 만들기 위한 메모리 반도체와 논리적 연산을 실시하는 비메모리 반도체(시스템 반도체, Logic Chip)로 나뉜다. AI 하드웨어 부문에서 언급하는 반도체는 비메모리 반도체를 뜻한다.AI 반도체는 시장 초기에는 데이터센터 서버에서 주로 사용됐지만 점차 엣지 디바이스용(edge device)으로 학습용에서 추론용으로 비중 변화를 진행 중이다. 엣지 디바이스용으로 전환하는 의미는 엣지라고도 할 수 있는 디바이스 자체에서 AI가 실행되는 환경으로 바뀐다는 의미이다.

>

[그림 2]AI반도체 사용 환경·출처:KISTEP​ 예를 들어 자율 주행 차의 경우 브레이크/가속에 대한 의사 결정이 최대한 빠른 시간에 이뤄져야 하며 이를 위해서는 데이터가 클라우드를 통하지 않고 에지 디바이스로 분석되어야 한다. 즉, 학습과정 이후의 추론과정에서는 상대적으로 적은 데이터를 처리하되 보다 신속하게 응답을 수행해야 한다. 이 때문에 신속한 추론(신속성, 응답성)을 위한 최선의 환경을 위해 엣지 컴퓨팅이 선호된다. 소프트웨어의 경우 2006년 인간의 두뇌 신경망을 모방한 디플러 닌(Deep Learning)이 등장하고 AI의 성능과 정확도가 급격히 향상되고 인간의 개입도 감소했다. 이미지 인식, 언어 인식 부문에서는 이미 딥러닝을 이용한 AI가 인간보다 뛰어난 수준으로 발전하고 있다.

>

[그림 3]의 주요 디플러 닌 오픈 소스 라이브러리 ​, 구글, 마이크로 소프트 등 글로벌 기업은 디플러 닌 솔루션을 구축할 수 있는 프레임워크를 오픈 소스로 공개하고, 누구나 그들의 툴을 이용하고 AI모델을 만들 수 있다. 이를 넘어 구글, 아마존, 마이크로소프트, IBM은 오픈소스 라이브러리를 넘어 자동으로 머신러닝 모델을 만드는 서비스를 제공한다. 예를 들어 구글 클라우드의 AI 솔루션 오토머신 러닝(AutoML)은 AI가 머신러닝 모델을 만드는 데 필요한 조건을 자동으로 조정한다. ‘데이터 수집-분석-학습-모델링-검증’ 단계에서 가장 많이 걸리는 모델링 영역을 생성해 주는데 전문지식과 전문인력이 부족한 기업에서 활용할 수 있는 단계에 와 있는 것이다. 데이터의 폭발적인 증가도 AI 학습에 기여했다. 통신 의료 미디어 제조 등 모든 산업에서 이 2년간 생성된 데이터의 양이 인류 역사에서 만들어진 데이터량보다 크다. 이는 AI 알고리즘의 학습을 쉽게 하고 딥러닝 등 혁신적 기술의 상용화를 가능케 했다. 데이터 분야는 수집/저장, 분석/활용, 중개/처분 등에 대한 규제와 진입장벽의 영향이 큰 편이며 특히 한국은 이 부분에 대한 해결이 반드시 선행되어야 한다. AI의 미래

>

[그림 4]AI의 진화 단계/출처:Wakefly​ AI의 진화하고 훈련된 ANI(약 인공 지능, Artificial Narrow Intelligence)는 특정 문제만 잘 수행하는 수준이라면 AGI(강 인공 지능, Artificial General Intelligence)는 인간이 수행 가능한 많은 지적인 업무를 인간보다 훨씬 빠른 속도로 이해하고 학습한다. AI가 인간의 지적 능력을 초월하기 시작하는 시점을 특이점(Singularity)이라고 부르지만 일단 특이점에 이르면 AI는 인간 이성의 한계를 빨리 넘어 스스로 발전하고 창조하는 지능 폭발(Intelligence Explosion) 단계에 이른다. 이러한 AI단계를 ASI(초인공지능, Artificial Super Intelligence)라고 한다.현재 대부분의 AI 관련 연구와 기술은 특정 문제 해결을 위한 약인공지능에 해당한다. 인공지능이 다음 수준으로 발전하면 경제 사회 문화 전반에 큰 변화를 가져올 것이다. 또 인공지능을 사회의 한 구성요소로 받아들이기 위한 법과 제도의 준비도 뒷받침돼야 한다. 분명한 것은 인공지능의 발전은 이미 시위를 떠난 화살이 됐고 변화에 대한 준비는 지금 시작해야 한다는 점이다.​ ​ ​ 2.AI에서 발생하는 사회 변화와 기업의 대응 전략 ​ AI는 좋나?AI 면접이 국내에서도 새로운 채용 트렌드로 떠오르고 있다. U+, SK브로드 밴드 등 100여개 기업과 한국 자산 관리 공사(캠코)등 공공 기관이 AI면접에서 인적성 검사를 대체하거나 최종 면접 전에 활용하고 있다. 현재 국내에서 널리 쓰이는 AI면접 시스템은 마이다스 아이티의 ‘잉에오(inAIR)’에서 지난해 3월에 발매하고 AI면접 시장을 독점하고 있다. SK C&;C도 에이브릴이라는 이름의 AI 면접 시스템을 도입했지만 아직 SK하이닉스 등 계열사 중심으로 활용하고 있다.그러나 세계 최대 전자상거래 업체인 아마존이 AI 채용시스템의 여성 차별 문제로 이를 폐기한 사례가 있어 국내에서도 이에 대한 우려가 나오고 있다. 아마존이 2014년에 개발한 취업 희망자 이력서 평가 알고리즘은 ‘여성 체스 클럽 캡틴’라는 이력과 여자 대학 졸업 등’여성’이 들어가면 경력을 과소 평가하는 것이 밝혀지면서 지난해 10월에 폐기됐다. 이런 결과를 초래했던 것은 해당 프로그램이 기술 산업에서 남성이 지배적이었던 지난 10년간의 이력서 패턴을 학습했기 때문으로 분석됐다(출처:여성 신문, 2019.03.02). AI 기술 진보에 대한 사회적 명분이 뒷받침되지 않으면 각종 규제와 갈등 속에서 사회적 수용성이 저해돼 자연스럽게 AI 기술개발 투자와 활용이 늦어지게 된다. 신기술의 저변을 넓히기 위해서는, 정치·사회적으로 신기술에 대한 사회적 수용성의 확보가 우선된다. 디스토피아의 관점에서의 우려 AI를 바라보는 관점은 유토피아의 관점 디스토피아의 관점이 있다.유토피아의 관점은 AI를 인간의 도구로 보는 입장이다. 여기서 AI는 기업경영과 생활편의 수단일 뿐 AI라는 용어 자체에 매몰되는 것을 경계한다. AI가 비용 절감과 효율성 증대를 통해서 노동 생산성을 11~37%향상된다는 분석과(Accenture), AI왓슨이 암 진단 정도를 획기적으로 높인다는 분석 결과 등이 이에 해당된다.디스토피아의 관점은 AI를 인간과 기계의 대결로 보는 부정적인 입장이다. 그로 인해 일자리 감소나 범죄 악용, 통제 불능 같은 부작용을 경계하게 된다. 디스토피아의 관점을 정리해 보면 다음과 같다. 양극화 우려:AI 도입에 소극적인 기업이 도태되는 승자독점에 대한 우려, 고용대체:AI와 인간의 협업구조 속에서 인간의 역할이 새롭게 만들어지지 않을 경우 과거와 같은 일자리 증가를 장담할 수 없다. 특히, 단순 반복 업무는 RPA(Robotic Process Automation)로 대체되고 있다. 문제가 잘 정의되어 데이터가 충분한 업무도 AI에 의한 대체가 진행 중이다. 무인 점포인 아마존고(Amazon Go)에서는 AI가 인간 점원을 대체하고 있다. 데이터 편향에 따른 우려 : 앞서 기술한 기사처럼 데이터 수집 경로와 처리과정의 한계로 인해 편향된 데이터(왜곡된 성비, 인종비, 지역차이 등)에서 학습된 알고리즘은 편향된 결과를 제시하게 된다. 음성 인식의 경우 스마트 기기 사용이 많은 20~30대 남성의 음성 데이터가 상대적으로 넉넉하니까 젊은 남성을 제외한 어린이나 노인 등의 음성은 잘 알지 못한 AI에 대한 편향이 발생한다. 범죄 활용 우려: 음성과 영상을 모방해 합성하는 기술을 이용해 사기 범죄, 안보 위협, 여론 조작 등 악용 소지에 대한 우려다. 또 AI 알고리즘의 오작동을 일으키는 AI 해킹도 AI에 대한 신뢰를 떨어뜨려 사회적 수용성을 저해한다. 구글·리서치 그룹이 논문을 통해서 발표한 ‘적대적 스티커(Adversarial Patch,’17.12)’은 원형의 추상적인 이미지를 담은 스티커로 단순히 인쇄하고 사물의 곁에만 붙어 두면 이미지를 인식하는 인공 지능 알고리즘이 오작동을 일으킨다. AI유토피아를 만들기 위한 노력 AI는 사람이 만드는 것이지만 AI가 사람에게 좋은 발명이 되도록 하려면 대응책이 필요하다. AI의 의사결정과 행동을 사람이 확인하고 이해하고 필요한 조치를 할 수 없다면 AI는 통제 불가능한 영역에 접어들 것이다. ▶ 인간-AI협업 시스템 구축:AI의 활용 성과의 극대화를 향한 인간-AI협업 시스템 구축을 위해서 P.H. Daugherty and HJ Wilson(2018)은 ① 비즈니스 프로세스 재해석, ② 실험 및 직원의 참여 받아 들이는 것, ③ 적극적으로 AI전략 수립, ④ 책임감을 갖고 데이터 수집하고 ⑤ AI플랫폼을 통합하고 이와 관련된 기술에 직원을 육성하기 위한 작업 다시 설계하는 것의 5가지 원칙을 제시했다.이와 연결해 설명 가능한 인공지능(eXplainable AI, XAI) 기술도 사람-AI 협업 시스템 구축을 위한 기술적 노력의 일환이다. 인간은 AI의 의사결정 과정을 논리적으로 이해할 수 있을 때 AI의 결과물을 인간의 의사결정에 활용할 수 있고 거꾸로 과정을 이해하지 못하는 블랙박스의 결과는 의사결정에 활용하는 데 한계가 있기 때문이다. 딥페이크 탐지기술 개발:AI 기반 음성모방 및 영상합성기술을 활용한 범죄, 안보위협, 여론조작 우려를 해소하기 위한 제도적 기술적 노력도 대두되고 있다. 제도적 접근방식으로는 조직 내 AI 활용의 취약점과 AI의 적대적 공격에 대한 취약성을 발견하고 공격하는 역할을 부여받은 레드팀(Red Team)을 운영하는 방안이 있다. 기술적인 접근방식으로는 구글, 페이스북, 마이크로소프트 등이 연구기관이나 대학 등과 협력해 딥페이크 편집에 사용된 AI를 탐지하는 기술 등의 개발을 추진하고 있다. 데이터 편향 방지 노력: AI의 편향을 탐지하는 기술을 개발하거나 학습에 매몰되지 않고 어느 정도 응용이 가능한 전이 학습(transferlearning)을 통해 데이터 부족의 한계를 극복하는 AI 기술 등도 개발되고 있다. 전이 학습 기술은 종래, 대량 데이터를 기초로 학습된 알고리즘을 반입해 활용하는 방법으로, 한층 더 나아가, 한 번의 학습(원샷러닝) 또는 학습 없음(제로 쇼트러닝)이 종래의 범주에 포함되지 않은 새로운 입력값을 인식하는 기술이 연구되고 있다. AI 대중화 대책: 또한 자율주행차에 의한 보행자 사고나 AI 의료사고 처리를 위한 법제도 정비의 필요성이 제기되고 있어 AI 기술의 활용 교육이나 간편 기술의 개발 등 AI 대중화를 통한 AI 양극화 완화를 위한 대처도 계속되고 있다. AI는 빠르게 확산되고 있다 AI 투자는 급성장할 것으로 내다봤다.​의 가트너는 89개국 주요 산업 군 CIO3천명 이상을 대상으로 조사하고’2019 CIO설문 조사 결과’를 발표했다. 이 발표에 따르면 AI도입 기업 수는 4년간 270%증가했다. 도입 기업의 비율은 2018년 25%에서 2019년 37%로 증가했다. 투자 규모도 1년간 3배 늘었다. 가트너는 “AI기술이 크게 성숙하고 기업이 AI기술의 실현에 더 큰 의지를 보이고 이런 대대적인 성장이 이뤄진 것으로 보인다”이라고 분석했다(bloter, 2019.01). McKinsey Global Institute(MGI)은 최소한 하나 이상의 AI을 도입한 기업이 2030년경에는 70%에 이르는 것으로 보고 있다. 또 IDC는 2020년 AI솔루션 시장 규모는 470억달러(연평균 성장률 55.1%)을 넘을 것으로 예상하고 있다.증기기관의 발명은 동력의 기계화라는 점에서 산업 전반에 큰 파급효과를 줬다. 인공지능은 “지능의 기계화”를 통해서 기존 산업의 방식과 가치의 사슬을 바꾸는 기반 기술(generic technology)이 될 것으로 예상되고 있다. 기업은 AI를 어떻게 준비할 것인가? AI 기술의 구성 요소는 데이터, 알고리즘(소프트웨어), 인프라스트럭처(하드웨어) 등이다. 알고리즘은 오픈 소스 형태로 공개되어 있으며 인프라스트럭처는 클라우드를 이용하는 추세다. AI 기술 활용 기업에 있어서 중요한 요소는 데이터이다. 데이터는 일반 기업이 인공지능을 학습시킬 만큼 충분한 규모를 확보하기 어렵다. 또, 데이터는 기업 마다 필요한 데이터의 유형이 다르기 때문에, 외부로부터 조달을 받는 것도 용이하지 않다.AI를 활용하는 기업은 알고 리듬이나 인프라스트럭처는 외부에서 조달하면 어느 정도 해결된다. 데이터를 확보하는 것이 가장 중요한데, 추가로 검토해야 할 부분이 있다. 이는 AI 역량, AI 거버넌스, AI 적용 비즈니스 등이다. 데이터: 데이터를 충분히 확보하고 있는 기업은 많지 않다. 외부 데이터의 확보가 중요한 이유다. 공공 데이터나 대체 데이터 등 외부에서 조달 가능한 데이터 소스를 찾아 확보하는 방안을 추진해야 한다. 근본적으로는 내부 데이터가 정비되어 있지 않으면 외부 데이터도 활용할 수 없다. 비구조적 데이터를 포함한 내부 데이터의 원천을 점검하고 인공지능에 데이터를 원활하게 공급할 수 있는 환경을 구축해야 한다. AI 역량:AI 전문가의 수요는 폭발적으로 증가할 것으로 전망되고 있다. 그러나 AI 경험 인력은 아직 충분하지 않다. 기업은 내부 인재육성과 함께 외부 전문기업과 협업체계를 확보하는 것이 바람직하다. AI 적용 특성상 경쟁사와 외부 전문기업을 공유하는 것은 차별화된 경쟁력을 얻을 수 없다. 내부 전문가 육성에는 시간이 걸리기 때문에 외부 전문기업을 찾아 보다 타이트한 협업체계를 구성해야 한다. AI구조:실제 업무에 AI도입 과정에서 2가지 문제점이 발생한다. 제1은 AI가 각각 업무별로 도입되기 시작하면 서로 충돌이 발생할 수 있다. 두 번째로 AI의 도입에 의해 조직의 KPI 또는 프로세스의 수행규칙 등의 변경이 필요한 경우가 있다. 보다 큰 범위로서는, 종래의 비즈니스 모델의 변화를 가져올 수도 있다. AI 도입 정책을 책정해, 전사 레벨로 최적화를 달성할 수 있는 통치 체제를 정돈할 필요가 있다. AI 적용 비즈니스:AI 전략에서 첫 번째 고민은 우선 어떤 업무에 적용하느냐 하는 점이다. 그러기 위해서는, 현재의 비즈니스 모델과 비즈니스 프로세스를 상위 레벨로 정의하는 것이 선행되어야 한다. AI 적용을 위한 기술의 타당성과 효과 분석을 바탕으로 어떤 업무부터 어떻게 적용하고 확산해 나갈지에 대한 계획이 수립되어야 한다. 이를 통해 전사적 관점에서 바람직한 AI 포트폴리오를 기획하고 유지할 수 있다. ​ Source:2e컨설팅