바야흐로 인공지능 전성시대입니다. 인공지능이라는 단어는 1956년에 미국 다트머스 대학 존 매카시(John MaCarthy) 교수가 개최한 학회에서 처음 언급되었습니다. 인공지능은 전문가 시스템에서 시작하여 딥러닝으로 대변되는 기계학습(Machine Learning)까지 다양한 방법을 통해 수차례 부침을 겪으며 발전해 왔습니다. 그러나, 아직 일반인들에게는 인공지능이라는 개념이 잘 이해되지 않을 수 있습니다.
l 이세돌 9단과 알파고의 대국 장면
2017년 초 미국 라스베이거스에서 열린 CES에서 혼다는 인공지능 기술을 적용한 자율 주행 전기차 'NeuV'를 공개했습니다. 지난해 7월, 혼다는 일본 정보통신기업 소프트뱅크와 함께 탑승자의 생각과 감정을 분석하고 대화할 수 있는 인공지능 기술을 개발할 계획이라고 밝힌 바 있었는데요. ‘감정 엔진(Emotion Engine)’을 탑재한 콘셉트 카로 그 실체를 드러냈습니다.
혼다의 ‘HANA(Honda Automated Network Assistant)’ 기술을 자동차에 적용한 것인데요. 인공지능이 센서와 카메라를 통해 운전자의 감정 상태를 파악하고 문맥에 따른 명령을 수행할 수 있게 된 것입니다.
국내에서는 네이버가 인공지능 전략의 전면에 나서 다양한 활동들을 진행하고 있습니다. 인공지능 음성비서 ‘클로바(Clova)’, 뉴스 추천 시스템 ‘에어스(AiRS)’, 인공신경망 기술 기반 통번역 서비스 ‘파파고(Papago)’ 등 인공지능과 관련한 다양한 서비스를 선보인 가운데, 최근에는 개인화 상품 추천 시스템인 '에이아이템즈(AiTEMS)’를 개발하여 이용자의 취향, 관심사에 따라 상품을 추천하는 서비스를 시범적으로 적용하고 있습니다.
이는 네이버 서비스 도메인에서 활동한 이용자의 행동 데이터를 기반으로 관심사를 분석하여 상품을 추천하는 인공지능 추천 시스템으로서, 네이버에 등록된 수많은 상품 가운데 이용자 집합의 취향과 추천상품 후보들을 추려낸 후, 인공신경망 기반 추천 모델을 거쳐 개인별 맞춤 상품을 추천하는 방식으로 제공되고 있습니다.
l 생각하고 표현하는 자동차, 혼다 ‘NeuV’(좌), 개인화 상품 추천 시스템 구조, 네이버 ‘AiTEMS’(우)
l 데이터 양과 인공지능 성능 간 상관관계(출처: 앤드류 응 교수)
마지막으로는 인공지능 알고리즘의 진화를 들 수 있습니다. 인공지능과 기존 컴퓨터 프로그램의 가장 큰 차이점이 바로 데이터 학습능력의 유무라고 할 수 있는데, 기계에 학습능력을 부여하여 인공지능을 구현하는 핵심기술이 바로 '머신러닝(Machine Learning, 기계학습)'입니다. 그런데 이러한 머신러닝으로는 정확하지 않은 판단을 내리는 경우가 많았습니다.
많은 전문가가 컴퓨터 알고리즘 또는 통계학적 모델 등을 활용해 정확도를 향상시키기 위해 노력했지만, 아무리 노력해도 정확도가 70%를 넘기기 어려웠습니다. 그래서 머신러닝은 그 개념이 등장한 1960년 이래 반세기 동안 허황된 기술로 평가받으며 비주류로 남을 수밖에 없었던 것이죠. 이러한 와중에 1980년대에 들어 머신러닝의 패러다임을 바꿀 한 가지 방법론이 제시되었습니다.
뇌 과학이 무르익으면서 사람이 학습 능력을 갖출 수 있는 이유가 뇌 속에 있는 '신경망(Neural Network)' 덕분이라는 사실에 착안하여 시작되었습니다. 신경망을 모방한 '인공신경망(Artificial Neural Network)'을 기계 속에 만든 후 이를 통해 머신러닝을 시도하면 기계의 정확도를 향상시킬 수 있지 않을까? 하는 의문으로 시작된 새로운 머신러닝 방법론이 바로 '딥러닝(Deep Learning)'입니다. 현재 딥러닝은 오픈소스를 기반으로 공유 생태계가 상대적으로 잘 갖춰져 있습니다.
깃허브(GitHub)나 아카이브(arXiv) 등에서 소스 코드와 최신 논문을 손쉽게 구할 수 있을 뿐만 아니라 다양한 오픈소스 프레임워크가 존재합니다. 이를 통해 많은 개발자들이 이를 활용하여 보다 나은 알고리즘을 개발할 수 있게 되었습니다. 물론 딥러닝이 마치 모든 문제를 해결해준다거나 인공지능의 전부인 것처럼 이야기할 수는 없지만, 사람을 대신할 수 있는 인공지능의 시대가 열렸음을 알리는 상징적인 변화를 가져오게 된 것입니다.
l 딥러닝이 문제를 해결하는 방식(출처: LG 디스플레이 블로그)
l 벤츠 자율주행 콘셉트카 F015 내부 인테리어(좌), 자율주행차를 시험 중인 우버(우)
인공지능의 성능 개선에 따라 급부상하게 된 가상비서 서비스는, 대형 IT 기업들의 차세대 비즈니스 플랫폼으로서 뜨겁게 주목받는 영역입니다. 음성•글 형태의 언어로 사용자와 소통하며 사용자가 필요한 작업을 도와주는 서비스로, 애플의 Siri, 구글 now, 마이크로소프트 Cortana, 페이스북 M 등이 있습니다.
가상비서는 사용자 접점 플랫폼으로서 높은 가치를 지니는데, 아마존의 ‘Echo’가 시장 파급력을 일으킨 이후 타 기업들도 유사한 스피커 형태의 하드웨어를 쏟아내며 물리적 접점을 만들고자 노력하고 있습니다. 기업들은 이러한 접점을 확보함으로써, 사용자 데이터를 수집하고, 다양한 서비스의 창구로 활용하려는 전략을 갖고 있습니다.
예를 들면 고객은 아마존 Echo를 통해, 검색, 음악, 쇼핑, 업무 등을 이용하기 때문에, 아마존은 해당 고객의 취향을 더욱 잘 이해하게 된 만큼 맞춤형 상품을 제공할 확률을 높이게 되며, 이후 광고•커머스 연결 수수료 등 다양한 수익 모델을 탑재할 기회도 얻게 되는 것이죠.
l 아마존의 인공지능 서비스 Echo(좌), 페이스북 메신저 가상비서 서비스 M(우)
l Wealthfront의 맞춤형 자산관리 서비스
l 인공지능 빅데이터 플랫폼 DAP 구성도
다음에는 인공지능, IoT 환경을 가능하게 하는 기초인 센서기술의 현황과 발전 방향을 살펴보도록 하겠습니다.
글 | LG CNS 엔트루컨설팅 컨버전스전략그룹
* 해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 LG CNS 블로그에 저작권이 있습니다.
* 해당 콘텐츠는 사전 동의없이 2차 가공 및 영리적인 이용을 금하고 있습니다.