인공지능이 현재 기술에 미치는 영향

인공지능이란?

컴퓨터가 인간의 지능적인 행동을 따라 하며, 학습하고 생각하여 스스로 판단할 수 있도록 만드는 기술

 

인공지능의 발달

인공지능은 1930년대부터 꾸준히 관심의 대상으로 떠올랐습니다. 기계가 인간을 대신한다는 사실은 예나 지금이나 호기심을 자극하는 것이었죠 그러던 1956년, 미국 다트머스의 한 학회에서 존 매카시에 의해 인공지능(AI)이라는 용어가 처음으로 등장했습니다.

 

수학 문제를 해결하는 능력이나 게임의 발달 등으로 인간만이 가능하다고 느꼈던 영역이 하나둘 무너지며, 영국과 미국 등 선진국에서는 인공지능의 발달을 위해 지원을 아끼지 않았습니다. 이에 다양한 이론들이 등장하였으나 방대한 정보를 처리하고 관리하기에는 당시의 상황에서 한계에 봉착할 수밖에 없었습니다.

 

그러던 1990년대, 드디어 인터넷의 탄생으로 컴퓨터의 성능이 크게 높아지게 되었습니다. 이를 통해 방대한 데이터 축적과 교류가 가능해지며, 컴퓨터의 '기계학습'이 발달하게 되었습니다. 이러한 기능은 패턴 인식 문제 해결 능력 등의 데이터를 사용하여 적합한 결과를 나타낼 수 있게 되었습니다.

 

---

그러나 AI는 신화가 아니며 마법의 기계도 아닙니다. 수십 년의 연구 끝에 생산성의 새로운 정점에 도달 한 다른 기술과 같은 기술입니다. 저렴한 처리 능력과 풍부한 데이터 덕분에 이를 가능하게 했으며 AI와 머신 러닝은 이제 천문학, 의료, 교통, 음악을 비롯한 다양한 분야에서 유용한 도구입니다.

 

 

인공지능 AI의 기술 사례

이미지 분류

인간이 이미지를 분류하는 성능은 약 95% 정도로 알려져 있습니다. 이런 인간의 능력을 따라잡기 위해 2010년부터 인공지능 모델을 구축해 이미지를 분류하는 대회가 열렸습니다. 2010년에 우승했던 모델의 분류 성능은 약 72%입니다. 많은 연구자가 어떻게 하면 인간 또는 그 이상으로 이미지를 분류하는 성능을 낼 수 있을까 고민했습니다. 많은 연구 끝에 2015년에 ‘ResNet’이라는 모델이 약 96%의 성능을 기록하면서 인간의 능력을 뛰어넘기 시작했습니다. 딥러닝 모델은 그 이후에도 계속 발전하고 있습니다. 이제는 단순히 이미지를 분류하는 것을 넘어 다양한 분야와 방식으로 발전하고 있습니다. 이미지를 분류할 때 많은 데이터가 필요한 딥러닝 모델의 단점을 극복하고자 어떻게 적은 데이터로 높은 성능의 모델을 만들 수 있을지, 어떻게 하면 더욱 강건한(Robust) 모델을 만들 수 있을지, 어떻게 하면 학습 데이터 내에 있는 Noise 데이터를 걸러낼 수 있을지 등에 대한 다양한 연

 

연도별 ImageNet 데이터 분류 모델 성능

 

 

객체 탐지

객체 탐지(Object Detection)는 어떤 이미지 및 비디오 속에 포함돼 있는 물체에 대해 해당 물체가 어떤 물체인지를 분류하는 문제와 물체의 위치를 찾아내는 문제입니다. 딥러닝 모델이 다량의 이미지 및 비디오 데이터를 활용해 이미지 및 비디오 내 특정 물체의 위치 정보를 X, Y 좌푯값과 해당 물체의 크기인 Width, Height 값을 레이블 정보로 이용해 학습합니다. 연구자들은 (X, Y, W, H) 정보를 보통 ‘Bounding Box’라고 표현합니다. 객체 탐지 기술은 최근 들어 자율 주행 자동차, CCTV 등과 같은 카메라 기술을 바탕으로 개발되고 있는 제품 및 서비스에 도입되고 있으며 현재 다양한 연구가 진행되고 있습니다.

 

 

 

object detection이 적용된 이미지 출처: https://sigmoidal.io/dl-computer-vision-beyond-classification

 

텍스트

텍스트(Text) 분야에서의 딥러닝 적용 또한 꾸준히 연구되고 있습니다. 텍스트 분야는 세부 Task로 나뉘어 연구가 진행됐는데, 대표적인 예로는 다음과 같은 것을 들 수 있습니다.

§ 기계 번역(Machine Translation)
§ 문장(또는 문서) 분류(Sentence Classification)
§ 질의 응답 시스템(Question & Answer System, Q/A)
§ 개체명 인식(Named Entity Recognition, NER)

이미지 영역에서는 딥러닝 모델이 인간보다 좋은 성능을 보이는 모습을 보인 반면, 텍스트 분야에서는 인간의 성능을 따라잡기 어려웠습니다. 텍스트 Task는 이미지에 비해 배경 지식이 요구된다는 것이 어려운 점이었고 주로 사용한 순환 신경망(Recurrent Neural Network, RNN) 계열의 모델 한계 역시 해결해야 할 문제 중 하나였습니다. 하지만 2017년 구글이 발표한 <Attention Is All You Need>라는 논문의 ‘Transformer Module’ 연구를 시작으로 이와 관련된 모델이 활발히 연구되기 시작했고 인간의 성능을 넘어서는 ‘Language Model’이 개발되기 시작했습니다. 그리고 최근의 학계에서는 다양한 분야의 추가 연구, 산업계에서는 이와 관련된 서비스나 제품 연구가 활발히 이뤄지고 있습니다.

 

알파고

딥러닝 또는 강화학습(Reinforcement Learning)이라는 말은 들어보지 못했더라도 알파고라는 말은 들어봤을 것입니다. ‘알파고(Alphago)’는 구글(Google)의 딥마인드(DeepMind) 사가 개발한 인공지능 바둑기사로, 2016년 한국의 이세돌 기사와 대국해 4승 1패로 승리하면서 세상을 놀라게 했습니다. 이 알파고의 기본 원리는 강화학습으로, 현재 상태(바둑판)에서 어떤 행동(수)을 취해야 먼 미래에 보상이 최대(승리)가 될 것인지를 학습하는 알고리즘입니다. 이는 수많은 시뮬레이션이 필요합니다. 하지만 바둑의 경우의 수는 무한대에 가깝기 때문에 인공지능이 바둑을 두기는 어렵다는 게 많은 전문가의 의견이었습니다. 그러나 딥마인드는 이 강화학습 알고리즘과 딥러닝을 통해 문제를 해결하기에 이르렀습니다. 처음에는 학습해야 할 경우의 수를 줄이기 위해 바둑의 기보를 학습했지만, 2018년에는 알파고 제로 버전을 발표하면서 기보 없이 스스로 학습하는 인공지능 바둑기사를 개발했습니다. 알파고의 등장을 계기로 강화학습과 딥러닝을 결합한 심층 강화학습(Deep Reinforcement Learning)의 연구가 활발히 진행되기 시작했습니다.

알파고와 이세돌이 대국을 두는 장면 출처: https://platum.kr/archives/56307