알파고와 소피아의 ‘허상’을 벗겨라!

인간처럼 사고하는 강인공지능(Strong A.I.) 구현은 먼 미래 이야기

핵심은 데이터를 활용한 의사결정 프로세스 개선

 

글. 송상화 인천대학교 동북아물류대학원 교수

 

 

지난 1월 30일 사람처럼 생각하고 대화한다고 하는 로봇 소피아가 한국을 방문하여, 정부 후원 행사에 참여했습니다. 소피아가 사우디아라비아에서 시민권을 받았다는 소식도 있고, 사람 얼굴과 유사한 생김새를 가진 로봇이 다양한 주제로 실시간으로 인간과 대화를 한다는 뉴스가 나오기도 했습니다. 언뜻 소피아의 한국 데뷔행사는 이렇게 화려하게 끝나는 것처럼 보였습니다.

 

▲ 인공지능 로봇 소피아. 소피아는 지난 1월 30일 박영선 더불어민주당 의원이 주최한 ‘4차 산업혁명, 로봇 소피아에게 묻다’ 행사에 한복을 입고 방문했다.

 

‘사기극’ 아닌가요?

 

그런데 한 편에서는 소피아를 ‘허상’이라 말하는 목소리가 있습니다. 인공지능 분야의 세계적 석학 얀 르쿤 뉴욕대학교 교수는 트위터를 통해 “로봇 소피아를 인공지능의 ‘오즈의 마법사’로 불러야 할 것”이라며 회의적인 시각을 밝혔습니다. 로봇 소피아와 인터뷰 기사를 크게 보도했던 테크인사이더(Tech Insider)는 “기술(Technology) 분야에서 명성을 가지고 있는 언론이라면 로봇 소피아의 ‘인공지능 사기극’에 책임이 있다”는 내용의 글을 올렸습니다. 석학과 언론은 로봇 소피아와 같은 ‘인공지능 마케팅’이 가져올 문제를 지적하는 것과 동시에, 소피아의 기술 수준 역시 ‘사기’라고 규정한 것입니다.

 

소피아뿐일까요. IBM의 대표 인공지능 왓슨(Watson)을 살펴봅시다. IBM은 2011년 제퍼디(Jeopardy!) 퀴즈쇼 우승으로 왓슨을 데뷔시키고, 인공지능의 핵심 기술이자 브랜드로 집중 육성하고 있습니다. 특히 의료 분야에서 공격적인 투자와 테스트를 진행 중이며 미국 최고의 의료기관 MD앤더슨(MD Anderson) 등과의 협력을 통해 의사를 대신하여 진단을 내리고 처방을 제시하는 모습까지 보여주고 있습니다.

 

그런데 로봇 소피아와 마찬가지로 왓슨에 대한 연구자들의 반응 역시 상당히 복잡 미묘한 것이 현실입니다. MD앤더슨은 2017년 중반 IBM과 계약을 해지하였는데, 그 이유가 재무적 이유인지, 기술적 문제인지, 중장기 전략적 측면인지 알려지지는 않았습니다. 그러나 왓슨이 미국 내에서 의료 서비스 분야 인공지능 서비스를 제공하는데 어려움을 겪고 있음은 분명해 보입니다.

 

물론 IBM은 현실적 어려움에 불구하고 왓슨이 수천편의 논문을 읽고 현장에서 학습을 통해 의사 수준의 진단 및 처방이 가능하다는 ‘광고’를 내보내고 있습니다. 이를 본 일반 소비자들은 어떤 생각을 할까요. 그 옛날 영화 <터미네이터>에 나왔던 인공지능 컴퓨터와 같은 수준의 기술이 곧 우리 앞에 도래할 것이라 인식하게 만들고 있습니다.

 

아마존 에코(Echo)의 폭발적 성공 이후 국내 통신사와 IT업체를 중심으로 연이어 출시되고 있는 ‘인공지능 스피커’는 또 어떤가요. 광고에서 나오는 ‘인공지능 스피커’는 사람을 대신하는 인공지능 비서의 모습으로 묘사됩니다. 단순히 음악을 틀어주고 조명을 끄고키는 것에 그치는 것이 아니라, 과거 영상을 분석하여 그 중에 필요한 영상을 보여주는 등 ‘전문 비서’ 서비스를 제공할 수 있다고 마케팅되고 있지요.

 

2014년 유튜브를 통해 가정용 인공지능 로봇의 미래를 보여줬던 ‘지보(Jibo)’ 역시 사람의 말을 알아듣고, 사진을 찍어주며, 대화를 하는 등 인공지능이 단순한 패턴 인식 수준을 넘어 사람과 교감하고 사람을 대체하는 수준으로 성장할 것 같은 모습을 보여줬습니다. 하지만 장밋빛 전망에도 불구하고 실제 시장에 상용화된 제품을 내놓는데 3년의 시간이 더 걸렸으며, 정작 2017년 가을 제품이 출시된 이후 지보에 대한 관심은 그리 높지 못한 상황입니다.

 

▲ 2014년 미국 MIT 미디어랩이 공개한 세계 최초의 소셜로봇 ‘지보’

 

애플의 시리(Siri) 이후 음성인식 비서 서비스에 대한 관심이 크게 높아졌지만, 현실은 어떤가요. 스마트폰의 음성인식 비서 서비스들이 할 수 있는 일은 타이머 및 알람을 설정하고 시간을 말해주는 것 이외에 특별한 서비스가 없다는 점을 우리는 익히 알고 있습니다. 우리가 기대하는 서비스와 실제 제공 가능한 서비스 사이에는 분명 괴리가 존재합니다.

 

기술보다 빠른 마케팅

 

구글의 알파고에서 시작된 인공지능에 대한 관심은 이제 기업 마케팅에 널리 사용될 정도로 전성기를 맞이하고 있습니다. 모 전자업체의 TV 광고에서 가전제품들은 인공지능 플랫폼을 통해 서로 대화하고 고객에게 다음 할 일을 추천하기도 합니다. 세탁이 끝난 세탁기가 건조기에게 메시지를 보내고, 건조기는 세탁물의 특성에 따라 적합한 건조 옵션을 스스로 선택합니다. 냉장고와 오븐이 서로 최적의 조리 방법에 대해 얘기합니다. 이러한 미래가 바로 눈앞에 와 있는 것처럼 느껴집니다. 

 

그러나 최근 인공지능 분야에 있어 실질적 기술 발전 속도보다 광고 및 마케팅에서 인공지능을 과대 포장하는 속도가 더 빠를지도 모르겠습니다. 빅데이터와 네트워크 연결, 그리고 딥러닝에서 출발한 기술적 발전이 인공지능 기술을 크게 진보시키고 있습니다만, 인공지능에 대한 막연한 이해와 과도한 기대, 그리고 이러한 문제를 증폭시키는 과대광고 및 마케팅이 인공지능의 발전에 오히려 장애가 될 가능성도 있어 보입니다. 이제 인공지능에 대한 명확한 이해가 필요합니다.

 

아직 ‘강’하지 못한 인공지능

 

인공지능 기술을 분류하는 방법은 다양하지만, 인식의 측면에서 바라보면 강인공지능과 약인공지능으로 분류할 수 있습니다. 약인공지능(Weak AI)은 우리가 흔히 접해온 기계학습(머신러닝), 패턴 인식, 음성 인식, 이미지 인식 등의 기술을 의미합니다. 대부분 패턴을 학습하여 답을 찾는 방식입니다. 반면, 인간의 사고방식을 그대로 적용하여 학습하지 않은 상황에서도 인간처럼 사고하고 답을 찾아내는 방식을 강인공지능(Strong AI)이라고 합니다.

 

앞서 설명한 로봇 소피아와 IBM의 왓슨, 인공지능 스피커와 비서 서비스는 모두 강인공지능의 모습으로 마케팅된 사례입니다. 그러나 이들에 실제 적용된 기술은 대부분 약인공지능 수준입니다. 현재까지 개발된 인공지능 기술은 기본적으로 패턴 인식에 기반을 두고 있으며, 이는 곧 강인공지능과 같이 예측하기 어려운 상황에서 사람처럼 답을 찾는 것은 불가능하다는 것을 의미합니다. 구글의 알파고 역시 인공지능이라기보다는 과거 기보를 이미지 인식으로 학습하여 최적해를 좀더 효율적으로 찾아가는 기술로 이해할 수 있습니다.

 

많은 사람들이 우려하는 사람을 대체하는 인공지능을 구현하는 기술은 아직 개발되지 못했고, 강인공지능을 구현하기 위해 필요한 기술에 대한 힌트도 아직 거의 전무한 것이 현실입니다. 때문에 광고에 나오는 인공지능 기술을 그대로 믿을 경우 실망은 더 커질 수밖에 없습니다.

 

약인공지능 측면에서 인공지능 기술은 패턴인식 방식과 “If-Then” 기반의 사례기반추론(Case-based Reasoning)* 방식으로 분류해 볼 수 있습니다. 번역 관련 인공지능 기술을 예로 들자면, 과거에는 각 언어별 문법과 언어 구성 방식을 이해하고 있는 전문가가 미리 규칙(Rule)을 입력하는 식으로 번역 서비스가 개발됐습니다. 즉, 전문가가 미리 정해놓은 규칙에 의거하여 문장을 번역하는 것입니다. 사용자가 단어를 입력하면 해당 단어의 앞뒤 단어를 참조하여 미리 정해진 규칙에 따라 번역하는 방식입니다. 

 

하지만 빅데이터 기반 패턴인식을 적용한 번역 서비스는 언어별 특성이나 문법, 전문가를 필요로 하지 않습니다. 필요한 것은 번역된 결과물입니다. 한국어-영어 번역의 경우 한국어와 영어가 상호 번역되어 있는 결과물을 인공지능 기술에 입력하면 이것이 한국어인지 영어인지 판단할 필요 없이 문장 단위의 비교를 통해 번역 서비스에 필요한 기본 패턴 인식을 진행하게 됩니다. UN과 같은 국제기구에는 동일한 문서를 여러 언어로 번역해놓고 있기에 번역 결과물을 대규모로 확보하게 될 경우 빅데이터 활용 패턴 인식에 기반하여 번역 서비스의 품질이 크게 올라가게 됩니다.

 

어찌됐든 인공지능은 진화한다

 

최근 인공지능이 크게 활약하는 영역은 대부분 패턴 인식 기술에 대규모 데이터를 접목한 방식입니다. 네트워크로 연결된 시대가 열리면서 데이터를 충분히 확보할 수 있게 되었고, 패턴인식에 활용 가능한 데이터가 충분해진 것이 딥러닝 등 기계학습의 기술적 발전과 연계되어 인공지능 기술 수준이 올라가게 된 것입니다. 구글 번역 서비스의 품질이 언어별로 차이가 나는 이유는 문법에 대한 이해도의 차이나 전문가 역량의 차이가 아니라, 번역된 결과물을 얼마나 확보할 수 있는가에 달려있는 것입니다. 데이터가 늘어날수록 패턴 인식의 정확도가 올라가는 것입니다. 이에 따라 이제 음성인식이나 이미지인식에서는 사람보다 더 정확한 기술이 개발되고 있습니다.

 

자율주행차 같은 경우에도 이미지 인식 기술의 발전이 기술 발전의 가장 큰 전환점이 되고 있습니다. 자율주행차의 주행 알고리즘에는 카메라와 센서로 파악한 주위 상황을 정확히 이해하는 것이 필요합니다. 이를 사람이 하나하나 분류하고 알고리즘화 하는 것이 아니라, 주위 상황을 패턴으로 인식하고 이에 따른 대응 역시 하나의 패턴으로 인식함으로써 자율주행차를 학습시키는 것입니다. 이에 따라 도로 주행 전문가에 대한 의존도를 크게 낮출 수 있게 되었습니다.

 

하지만, 인공지능 기술의 발전에도 불구하고 강인공지능 수준의 유연하고 창의적인 인공지능 서비스 개발은 아직 요원한 상황입니다. 인공지능을 활용한다는 것은 패턴 인식, 기계학습에 초점을 맞추는 것이 현실적인 상황입니다. 현재 기술적으로 필요한 부분은 강인공지능 수준의 인공지능 기술을 개발하는 것이 아니라 오히려 패턴 인식 관련 기술을 현실에 접목 가능한 수준으로 발전시키는데 있습니다.

 

고양이를 넘어서기 위하여

 

현재 수준의 인공지능 기술에서 가장 문제가 되는 것은 주요 기술이 블랙박스처럼 구성되어 내부를 정확히 이해하기 어렵다는 것입니다. 예를 들어 고양이 사진을 다양하게 학습하여 사진에 고양이가 있는지 파악하는 패턴 인식 인공지능 기술이 있다고 합시다. 이 인공지능에게 새로운 사진을 보여주게 되면 해당 사진을 보고 고양이가 있는지 없는지 여부를 판단할 수는 있겠습니다. 그러나 인공지능이 왜 그렇게 판단했는지 스스로 이유를 아는 것은 불가능합니다.

 

만약 고양이가 아니라 ‘의료 서비스’라면요? 의료 서비스 분야에서 진단과 처방을 내리는 인공지능 기술이 있을 때, 해당 기술이 특정 조건의 환자에게 처방을 내렸을 때 왜 그러한 처방을 내렸는지 이해할 수 없다면 이것은 기술 적용에 큰 어려움이 됩니다. 문제는 딥러닝과 같은 패턴 인식 알고리즘은 내부 구조가 복잡해짐에 따라 주어진 입력에 대한 답을 찾아가는 과정을 명확히 설명하는 것이 어렵다는 것입니다.

 

미국 DARPA*에서는 인공지능이 주어진 입력에 대한 답을 제시했을 때 그 이유를 명확히 설명할 수 있는 인공지능 기술 개발에 노력하고 있습니다. DARPA는 이를 XAI(Explainable AI)라고 정의합니다. 국방, 의료와 같이 의사결정의 영향이 매우 큰 분야에서 인공지능 기술 적용을 위해 핵심요소로 ‘판단의 기준’을 제시하는 것이 필요하다는 것을 의미합니다.

 

인공지능 기술을 현실에 접목하는데 중요한 것은 인공지능 기술이 전체 의사결정 프로세스를 대체할 수 없다는 것을 이해하는 것입니다. 때문에 가장 필요한 부분에 기술을 적용하고 나머지 프로세스와 이를 효과적으로 연계하는 것이 필수적입니다.

 

또한, 데이터를 충분히 확보하지 못하면 인공지능 기술 접목 효과가 낮아질 수밖에 없음을 이해해야 합니다. 따라서 단기적인 측면에서 인공지능 기술을 접목하는 가장 좋은 방법은 인공지능 기술을 개발하는 것이 아니라 프로세스를 명확하게 분류, 정의하고, 각 단계별 데이터를 충분히 수집하는 프로세스를 갖추는 것입니다.

 

결국 데이터

 

데이터를 활용한 의사결정 프로세스 개선 사례 중 최근 관심을 받고 있는 사례로 미국 로스앤젤레스(LA)가 있습니다. LA시는 도로 청소를 위한 프로세스를 개선하는 과정에서 전체 도로의 청소상태를 모니터링하기 위한 프로세스를 재정립하였습니다. 기존에는 현장 담당자의 감에 의존하여 청소 스케줄을 결정하고 청소 업무를 관리해왔지만, 이러한 프로세스는 청소 효율성을 높이는데 한계가 있었습니다.

 

LA는 프로세스 개선을 위해 먼저 각 도로별 청소상태를 주기적으로 모니터링하고 이를 지도위에 표시하는 것부터 프로세스 개선을 시작하였습니다. 도로별 청소상태가 지도 위에 초록색, 주황색, 빨간색으로 표시됨에 따라 어떤 곳에 문제가 있는지 쉽게 파악할 수 있게 되었습니다. 청소 차량 및 인력 역시 전체 청소 상태를 고려하여 배치됨에 따라 청소 효율성이 크게 늘어나게 되었습니다. LA 도시 청소 시스템의 혁신은 ‘현실 데이터를 확보’하는데 있었음을 의미합니다.

 

향후 LA시는 도로 청소 상태를 실시간으로 모니터링하기 위한 기술 개발을 위해 노력할 것으로 예측됩니다. 인공지능 기술은 데이터를 충분히 확보하고 프로세스를 명확히 정의한 후에야 접목 가능할 것입니다. 인공지능이 사람을 대체하여 모든 것을 대신해 줄 것처럼 마케팅되고 있지만, 아직 우리의 현실은 LA처럼 데이터를 모으는 단계에 머물러 있습니다.

 

물론 인공지능에 대한 준비는 당연히 하고 있어야 되겠습니다. 그러나 인공지능 기술에 대한 막연한 이해와 과도한 기대보다는 현실적 수준에서 인공지능의 시대에 대비하기 위한 기반을 구축하는 것이 더 중요할 것이라 생각됩니다.

 

역시나 데이터를 어떻게 손쉽게 확보할 수 있을 것인가가 미래 혁신의 출발점이 될 것입니다. 대규모 투자를 통해 물류 프로세스 전체에 센서를 설치하고 데이터를 수집하는 것도 필요하겠지만, 기업간 정보 공유 및 프로세스 재설계, 비즈니스 모델 변화를 통해 데이터를 저렴하고 빠르게 확보하는 전략을 마련해야 할 것입니다.