TagsArticle Source
AI Research Trends
21세기가 시작되면서 AI가 다시 유망해지고 주목을 받기 시작한 것은 당연 딥러닝 (Deep Learning) 이라는 기계학습방법때문일 것입니다. 부족한 학습 데이터와 컴퓨팅 파워 때문에 헤메고 있던 신경망 기반 기계학습은 인터넷 발전으로 얻게 된 무수한 학습 데이터와 더 빠르고 복잡하게 연결된 컴퓨터 덕분에 새로운 활로를 찾게 됩니다. 딥러닝은 워낙 유명해져서 어디서나 듣게 됩니다만 저는 범인들을 수배할때 쓰는 몽타쥬가 적절한 예라고 생각합니다. 몽타쥬는 세세한 부분보다는 특징적인 것들만 모아서 만듭니다. 머리색깔은 어떤지 코는 높은지 입술은 도톰한지 개괄적인 특성들로 만들어집니다. 딥러닝은 신경망 알고리즘이 마치 몽타주를 그리는 것처럼 각 파트의 특성들을 잘 찾아내도록 고안된 것이라고 생각할 수 있습니다. 그래서 딥러닝이 먼저 쓰이고 여전히 활발하게 이용되는 분야가 영상처리 분야입니다.
아래에서 인공지능과 관련된 분야 또는 기술들을 나열합니다.
Large-scale machine learning
전통적으로 신경망 학습은 비교적 적은 학습 데이터를 여러번 반복 입력 받아 최적의 학습 상태를 찾아 가는 것입니다. 최근에는 무한에 가까운 대량의 학습 데이터가 존재하기 때문에, 우리가 구글을 통해 검색하는 행위나 애플 시리에 물어보는 것, 테슬라 자동차를 운전하는 것 모두가 기계학습의 데이터가 됩니다. 한번 데이터를 훑어 보고는 학습을 끝내는 방법을 연구하고 있습니다. 통상 학습은 반복을 함의하고 있는데 한번 보는 걸로 끝낸다고 하니 어떤 면에서는 기계학습이 부럽기도 합니다. 지구인들의 언어를 잠시 동안 들어 보고는 바로 지구인들과 대화가 가능한 영화속의 우주 지능체가 연상됩니다.
Deep learning
특징들을 잡아내면서 좀더 간소한 방법으로 표현해가는 것을 Convolution 이라고 하는데 이것이 바로 딥러닝의 기초가 됩니다. 딥러닝은 컴퓨터 비전, 사물 인식, 영상 레이블링, 행동인지 등의 분야에서 활발하게 쓰여지고 있고 최근에는 음성, 언어 처리에도 활용되고 있습니다.
Reinforcement learning
보통의 신경망들은 학습데이터에 유용한 패턴을 찾아내는 데 주력합니다. 새로 만나는 현상이 어떤 패턴에 속하는지 빨리 정확하게 판단하는 것이 음성인식, 영상인식 등과 같은 응용에서는 중요한 과제입니다. 하지만 이 방법은 의사결정에 역점을 두고 있습니다. 바둑과 같은 게임에서 다음에 어디에 둘 것인가 하는 것을 결정하는 것이 여기에 해당됩니다.
구글의 알파고가 바둑 고수들이 둔 기보들을 딥러닝으로 학습한 다음에 자기들끼리 알파고1과 알파고2가 서로 바둑을 두면서 계속 학습했다고 하는데 바로 이 방법을 응용한 것입니다. 세기의 대전이 있기 전만 해도 ‘과연 몇달 만에 알파고가 세계 최고 수준으로 올라 설 수 있겠냐’라는 의문이 많았습니다만, 어마어마한 속도로 24시간 기계들끼리 서로 경쟁하면서 학습한다는 것은 우리의 몇달이 기계에게는 몇년 또는 몇백년이 될 수도 있습니다.
하드웨어 속도가 점점 빨라지고 소프트웨어가 더 좋아진다면 어느 순간에는 특이점 Singularity, 인공지능이 온 우주를 덮을 만큼 커져서 결국 인간에게 해로울 것이다라는 걱정을 하는데에도 충분한 근거가 있어 보입니다.
Robotics
아마 일반인들에게 인공지능은 로보틱스로 다가올 것입니다. 미리 정해진 방식으로 작동하는 공장에 있는 로봇팔과는 달리 정해진 목표(Goal)를 달성하기 위해 스스로 게획을 짜고 실행하는 로봇들이 만들어지고 있습니다. 복잡한 컴퓨터 언어 대신, 사람에게 가르치는 것처럼 어떻게 하는지 보여주거나 또는 같이 움직여주기만 해도 알아서 로봇이 학습을 하기도 합니다. 사람과 일정한 공간에서 같이 작업할 때 어떻게 서로 통신하고 교감해야 하는지에 대한 연구도 활발하게 진행되고 있습니다.
Computer Vision
딥러닝의 출현으로 가장 괄목하게 성장한 분야입니다. 엄청나게 많은 학습데이터와 빠른 하드웨어 그리고 딥러닝으로 기계는 이미 어떤 분야에서는 인간보다 더 정확하게 현상을 인식할 수 있게 되었습니다. 이미지, 사진, 영상과 관련된 많은 작업들이 앞으로는 인공지능에 의해 수행될겁니다. 발전된 컴퓨터비전은 로봇의 발전에 결정적인 기여를 하게 될 것입니다. CCTV 에 찍힌 영상들을 컴퓨터가 추적해가면서 범인들을 찾아내는 영화 속의 장면들이 머지않아, 혹은 벌써 실현되고 있는지도 모르겠습니다.
Natural Language Processing
언어능력은 인간을 다른 동물과 구별시켜 주는 결정적인 기능이기에 감히 기계가 따라 할 수 있을 것이라고 기대하지 않았습니다. 하지만 ‘지능적’이라고 하면 사람과 대화할 수 있는 것을 먼저 떠올리는 것처럼 ‘언어능력’은 기계에게 많이 요구되는 기능이기도 합니다. 많은 문제들은 좀더 작은 문제로 나눠지고, 나눠진 문제를 해결하는 방법이 큰 문제에 변형 적용되는 경우가 많습니다. 그러나 언어는 단 한 문장을 이해하는 것이 곧 전체 언어를 이해하는 것과 같은 어려움이 있어 많은 노력에도 불구하고 좀처럼 좋은 결과가 나오지 않았습니다.
지난 20세기를 지배했던 구조적인 접근이 이 분야에서도 이루어졌지만 기계에게는 큰 도움이 되지 못했습니다. 구글이 통계적인 방법으로 언어를 번역하겠다는 계획을 발표했을 때만해도 학계에서는 받아들이기 어려웠습니다. 구글의 번역이 여전히 정확하지는 않지만 그 어떤 방법보다 실용적인 결과를 주고 있는 것을 보면 통계적인 그리고 연결주의적인 방법이 결국 옳은 길인가 하는 생각이 듭니다.
구글 모바일 검색의 20%가 음성으로 이루어지고 있고, 애플의 시리를 통해서 자연스럽게 정보를 획득하고, 대부분의 전화응대시스템이 자연스러운 언어를 이해하고 사용하고 있는 것을 보면 놀라지 않을 수 없습니다. 인공지능과 관련된 정책 부분에서 다시 논의가 되겠지만 기술로 인한 인간 소외가 문제가 될 수 있는 것처럼 장차 기계가 이해할 수 없는 언어는 지구에서 사라지게 될것입니다.
Collaborative systems / Algorithm game theory
앞으로 무수히 많은 인공지능 시스템과 로봇들이 인간과 더불어 같은 시공간에서 살게 될 것입니다. 이럴때 각 시스템들이 어떻게 다른 시스템 또는 인간과 협력할 것인가는 매우 중요한 과제입니다. 인간과 로봇이 공존하는 소위 Mixed Zone 에서 ‘로봇이 어떻게 행동해야 하는지’를 ‘어떻게’ 그리고 ‘누가’ 결정할 것인가는 단순히 과학 기술의 문제가 아니라 사회 윤리와 정책의 문제가 됩니다. 영화 iRobot 에 나오는 행동강령들, 그리고 그것이 지켜지지 않았을 때 일어날 수 있는 일들은 더 이상 영화속의 장면이 아닐 것입니다.
당분간은 이 분야는 팀웍이 필요한 로봇 축구와 같은 분야에서 많은 연구가 이루어 질겁니다. 단일한 목표를 위해 여러 개체들이 어떻게 움직이는 것이 좋은지에 대한 사회학, 경제학 등과 협력 연구가 필요해 보입니다.
Internet of Things (IoT)
인공지능 관점에서 IOT 는 실세계 Real World에 대한 감각기관, 센서로 이해될 수 있습니다. 따라서 사물인터넷이 발전할수록 더 많은 정보들을 더 빠르게 인공지능이 이용할 수 있게 되고 그 결과 인공지능은 우리가 살고 있는 이 세계에 대한 이해를 더 명확하게 할 수 있습니다. 이 대목에서 바벨탑을 쌓는 것이 될 수 있다는 언급을 보는 것은 매우 흥미롭습니다.
Neuromorphic Computing
아직까지 사용되는 컴퓨터는 폰노이만 (Von Neumann) 모델, 즉 입출력과 메모리 그리고 중앙처리장치가 분리되어 있는 형식입니다. 뉴로컴퓨팅 분야에서는 데이터와 처리기가 구별되지 않는 사람의 신경망을 닮은 컴퓨터 구조에 대한 연구가 활발하게 이루어지고 있으며 머지않아 등장할 것으로 예상됩니다. 새로운 구조의 컴퓨터가 기계학습, 인공지능에 더 적합할 것으로 기대됩니다. 인간의 뇌와 비슷하지만 수백배 수천배 빠르고 더 큰 새로운 컴퓨터를 기계가 갖게 된다면 영화 터미네이터의 스카이넷이 바로 그것이 아닐까 싶습니다.