이제 며칠 뒤면 구글의 인공지능 프로그램 알파고(AlphaGo)는 컴퓨터 프로그램에서 가장 어려운 보드게임으로 인식돼 왔던 바둑 대국을 바둑 세계 1위 한국의 이세돌 9단과 펼치게 되며 이 대국은 5일간 생중계될 예정이다.
특히 게임 관련 연구에 매진해온 연구원으로서 우리는 컴퓨터 바둑 프로그램의 진보를 지켜볼 수 있다는 사실이 기쁘, 알파고뿐만 아니라 알파고를 개발한 과학자들에게 응원을 보낼 것이다.
인공지능 연구가 시작된 이래 연구원들은 체커나 체스 등 게임의 ‘가장 좋은 수’를 계산하기 위한 엄청난 복잡성에 매료돼 왔다. 이런 보드게임들의 또 다른 매력은 ‘정돈성(clean)’이다.
게임의 진행 상태, 규칙 그리고 궁극의 결과의 도출 등 컴퓨터가 수행해야 할 과제에 대한 구체적이고 명료한 지시를 가능케 하기 때문이다.
인공지능 프로그램이 보드게임을 완전히 익히도록 훈련시키는 과정에서 많은 연구원들은 검색 알고리즘과 평가 기능 기술 등 이 분야에서 괄목할 만한 진보를 이끌어왔다. 이런 기술들은 1990년대에 IBM의 딥블루팀(저자 중 한 명인 머레이 캠벨 포함)이 검색과 평가 기능을 대규모 병렬 컴퓨팅과 결합함으로써 더욱 강력하게 변모했고 이는 1997년에 당시 세계 체스 챔피언인 게리 카라포브를 상대로 승리를 이끄는데 일조했다.
머신러닝 분야의 주요한 혁신들 또한 1950년대 아서 사무엘의 체커 게임, 1990년 이번 발표의 저자 중 한 명인 제럴드 테사우로의 주사위놀이 백게먼 프로그램과 같은 IBM 연구원들의 자가 학습(Self-teaching) 프로그램에서 개발됐다.
하지만 정돈된(clean) 게임 영역에 대한 연구는 현실에서 마주치는 대부분의 ‘혼돈된(messy)’ 과제들을 해결할 수 없다. 여기서 혼돈된이란 보드게임과 달리 어떤 행동을 취했을 때 그 결과를 정확히 정의하기 어렵다거나 과제의 목적 자체가 명확하지 않은 것을 말한다.
우리가 현실 생활에서 마주치는 과제들은 일반적으로 추가적인 도전을 동반한다. 예를 들면 애매모호하거나 숨겨졌거나 분실된 데이터, 그리고 비정상(non-stationarity), 즉, 시간이 흐름에 따라 예측 불가피하게 변할 수 있는 상황들이 있을 수 있다.
이런 과제들은 유창한 자연어, 상식을 통한 논리적 사고와 지식의 이해, 그리고 다른 인간의 의도와 생각의 전개에 대한 이론을 개발하는 능력 등 인간 수준의 코그너티브 능력을 요구한다.
연구원들은 현실에서 마주치는 과제들의 혼돈성을 해결하기 위해 다시한번 게임에 주목했다. IBM 왓슨은 제퍼디 퀴즈쇼에 출전하기 위해 AI, 머신러닝, 심층적인 질의응답(Deep QA) 및 자연어 처리 기술을 모두 통합했고 최고의 선수들을 상대로 승리할 수 있었다.
하지만 60년 이상의 연구에도 불구하고 인공지능 과학자들이 인간 수준의 코그너티브 능력을 지닌 완전히 자율적인 시스템을 개발하기까지는 아직도 수십년이 더 걸릴 것으로 보인다.
하지만 우리는 지금이 인공지능이 현실의 혼돈된 과제들에 도전하기 가장 적합한 시기라고 믿는다. 기계가 아직 인간 수준의 코그니션(cognition) 능력을 갖기에는 부족하다 하더라도 컴퓨터는 이미 웹사이트에 뿌려져 있는 방대한 양의 데이터를 클라우드 환경의 강력한 컴퓨팅 파워를 통해 처리할 수 있으므로 머신러닝을 위한 엄청나게 정교한 알고리즘을 활용해 통찰력을 도출해 낼 수 있게 됐다.
우리는 스타트렉(Star Trek)의 데이터 소령(Commander Data) 같이 인간의 지능을 그대로 복제하는 공상과학적 환상 대신 인간과 협력할 수 있는 기계를 연구하는 데 집중해 인간과 기계가 서로 가지고 있는 각자의 독보적인 강점을 최대한 이용하는 데에 발전을 위한 열쇠가 있다고 믿는다.
IBM은 다양한 형태의 대규모 데이터를 학습하고 논리적으로 추론하며 정보 및 사람간의 소통으로부터 배우고 사람과 자연스럽게 교류할 수 있는 코그너티브 컴퓨팅 시스템과 왓슨을 통해 이러한 방향의 연구에 전적으로 집중하고 있다.
기계의 직감이나 자주성에 대한 연구 대신 인간의 이해 능력과 우리 사회의 복잡한 구조에 맞게 행동할 수 있는 능력을 향상시키기 위한 연구가 집중적으로 이뤄지고 있다.
IBM의 연구원과 엔지니어들은 왓슨(Watson)이 제퍼디 퀴즈쇼에서 우승한 이래 조직과 개인이 직면하는 복잡한 문제들을 다룰 수 있도록 능력을 향상시켜 왔다. 그 첫번째 목표는 암이었다.
우리 동료들은 메모리얼 슬론 케터링 암센터(Memorial Sloan Kettering Cancer Center)와 협력해 코그너티브 컴퓨팅을 통해 의사들이 증거에 기반한 의료결정을 할 수 있도록 도와주고 있다. 다른 의사들과 마찬가지로 종양학자들 또한 매일 쏟아지는 질병 관련 연구결과, 의료기록, 임상시험 결과 등의 방대한 자료를 따라잡으려 한다.
왓슨 포 온콜로지(Watson for Oncology) 프로그램은 코그너티브 컴퓨팅이 인간의 판단력과 어떻게 협력할 수 있는지에 대한 새로운 시각을 제공한다. IBM왓슨 헬스 부문의 동료들에게 종양학을 위한 왓슨이 어떻게 활용되는지에 대해 문의한 결과, 다음과 같은 답변을 얻을 수 있었다.
먼저 왓슨은 환자의 의료 기록을 분석한다. 왓슨 포 온콜로지 프로그램은 정형, 비정형 데이터로 기록된 진료 노트와 보고서의 의미와 맥락을 분석할 수 있는 발달된 능력을 통해 환자 정보를 치료 방식을 결정하는데 중요한 역할을 하는 일상영어로 쓰여진 환자의 주요 정보를 완전히 이해할 수 있다.
다음으로 왓슨은 증거에 기반하여 치료 옵션들을 식별한다. 환자 파일에 드러난 속성들을 전문 진료 지식, 외부 연구, 데이터 등과 결합함으로써 왓슨 포 온콜로지는 특정 환자를 위해 의사가 고려할만한 가능한 치료 계획들을 식별한다.
그 후 왓슨은 다양한 출처로부터 입증 자료를 검색하고 제공한다. 왓슨은 식별된 치료 옵션에 우선 순위를 매기고 각각의 옵션에 대한 증빙자료를 제공함으로써 종양학자들이 환자의 치료 계획을 수립하는데 도움을 준다.
왓슨 포 온콜로지는 메모리얼 슬론 케터링 암센터가 보유한 문헌과 문서, 290개 이상의 의학 학술지, 200개 이상의 교과서, 그리고 1200만장에 달하는 문서를 포함하는 방대한 자료 속에서 필요한 결과를 도출한다.
암과 같은 커다란 문제에 코그너티브 컴퓨팅 기술을 적용하는 일은 진정한 혁신의 가능성을 내재하고 있다. 우리가 왓슨의 코그너티브 능력을 개발 나감에 따라 인간과 기계를 융합함으로써 지식을 향상시키는 혜택은 의료, 교육, 은행, 보험, 법률, 법제, 정부, 유통, 제조 등을 포함한 다양한 산업군에 걸쳐 점점 더 긍정적인 영향을 가져올 것으로 보인다.
우리는 코그너티브 컴퓨팅 기술이 더 정확하고 고도화된 정보를 바탕으로 한 의사결정이 가능하도록 다양한 산업군과 직업군을 혁신시키고 생산성을 향상시킬 것이라는 엄청난 잠재력을 보고 있다.
가까운 미래에는 복잡한 세상의 문제들을 해결함에 있어 사람과 기계의 협력이 필요하며 서로의 강점을 끌어냄으로써 더 생산적이고 나은 세상을 만들어 나갈 것으로 보인다.
