[글=노규남 | 위블 CTO]
bardroh@weable.ai

AI 전성시대

2016년 알파고가 이세돌 9단과의 바둑시합에서 4승 1패로 최종 승리하면서 사람들에게 충격을 준 이후 AI(인공지능)에 대한 관심은 계속 가라앉지 않고 있다.

아직 비즈니스 모델이 명확하지도 않은 AI 스타트업들이 대단한 규모의 금액을 투자받기도 하고, 향후 AI가 발전하여 강인공지능(Strong AI) 또는 일반 인공지능(Artificial General Intelligence, AGI)이 출현하게 되면 인간이 할 일은 없어질 거라 예측하는 사람들도 있다.

사실 이쪽 분야를 연구하는 사람들에게 AI가 인간을 능가할 수도 있다는 충격을 준 사건은 알파고 보다는 2012년의 ILSVRC(ImageNet Large Scale Visual Recognition Challenge) 대회가 먼저일 것이다.

이 대회는 ImageNet이라는 백만 개가 넘는 이미지셋을 AI 모델을 이용해 1000개로 분류하는 경연으로, 2011년 그 유명한 AlexNet이 출품되었고, 전년도 우승 모델보다 무려 10%의 성능을 향상시켜서 에러율 16%로 우승했던 건 잘 알려진 사건이다.

더욱이 마지막 대회였던 2017년 우승 모델인 SENet의 에러율은 2.3%로 인간의 5%를 가볍게 능가한다. 이때 이미 GPU를 활용한 행렬 연산, DropOut, ReLU 등 현재 사용되고 있는 다양한 성능 향상 및 최적화 기법들이 제안되었다.

또 이 시기를 기점으로 여러 분야에서 AlexNet이 채택했던 CNN(Convolutional Neural Network)이 많이 쓰이기 시작했는데, 알파고의 첫 번째 버전에서도 Policy Network와 Value Network에 CNN이 사용되었다. AlexNet은 의도하지 않게 알파고의 탄생에도 일부 기여한 셈이다.

그 후 최근에 이르러서는 주로 자연어처리(Natural Language Processing, NLP) 분야에 GPT-3 등의 초대형 모델들이 테스트되고 있는데 이런 모델들이 만들어지면서 번역, 텍스트 요약, 문서 작성 등 다양한 분야에서 사람들이 하던 일들을 AI가 급속히 대체해 나가고 있다. 그럼에도 불구하고 AI에 대한 오해는 여전히 적지 않은 것으로 보인다.

AI는 모든 것을 해결해주는 마법상자가 아니다

근래 필자는 한 기업이 AI를 도입하기 위한 컨설팅을 진행한 적이 있는데, 일단 모델링을 위해 충분하고 정제된 데이터를 확보하는 것이 우선이라는 점을 설명했다.

그런데 해당 기업의 담당자는 그런 데이터가 없어도 원하는 작업을 수행해주는 것이 AI가 아닌가, 최근 기술이 매우 발달해서 비지도학습(Unsupervised Learning)이나 AutoML을 사용하면 되는 것이 아니냐는 식으로 물었다.

물론 DQN(Deep Q-Network) 등 비지도학습이 성과를 낼 수 있는 영역이 있기는 하지만 이 분야에 그런 학습 방법을 적용하기는 어렵다.

AutoML은 데이터가 없어도 학습할 수 있는 방법론이 아니라 ML을 사용하기 위한 파이프라인을 자동화하고 성능을 올리기 위한 hyper parameter를 찾아주는 작업을 해줄 뿐 머신러닝의 모든 작업을 대신해 줄 수 없다고 설명하며 납득시키고 넘어 갔는데, 모델 선택에 와서 또 다시 설명이 필요했다.

필자는 해당 데이터세트에 딥러닝을 사용할 때 얻어지는 이익이 명확하지 않으니 클래식 머신러닝 모델의 GBM(Gradient Boosted Model)을 쓰면 좋겠다고 얘기했으나 담당자는 다시 딥러닝이 모든 머신러닝 모델 중 가장 우월한 것이 아니냐, 왜 딥러닝을 사용하지 않느냐고 물었다.