패스트캠퍼스

2016년 전 세계를 떠들썩하게 만든 대결이 있다. 구글 딥마인드의 인공지능 '알파고'와 프로 바둑기사 이세돌 9단의 대국이다. 이미 AI와 인간의 빅매치는 여러 번 성사된 적 있었으나, 대부분 인간의 승리로 끝나며 AI의 한계를 입증해왔다. 이세돌 9단 역시 대국 전 인터뷰에서 "한 판을 패배하는 정도가 될 것 같다."며 자신감을 드러냈다.

결과는 충격적이었다. 5번에 걸쳐 이뤄진 대국에서 알파고가 4승을 거둔 것이다. 이 대국은 기술의 발전을 증명하며, AI에 대한 세계인의 관심을 증폭시키는 계기가 된다. 실제로 현재 각종 분야에서도 인공지능을 활용하는 사례가 늘어나는 추세다. 그러나 이러한 인기에도 불구하고, 사실 인공지능에 대해 자세히 아는 이는 드물다. 대체 인공지능이 어떤 존재이길래 세계가 이리도 열광하고 있는 걸까? 자세히 한 번 알아보도록 하자.

1. 인공지능

'인공지능(Al:Artificial Intelligence)'은 1995년 스탠퍼드 대학의 존 매카시가 처음으로 사용한 단어다. 그는 자신의 논문에서 인공지능에 대해 '인간의 지성을 지닌 프로그램'이라고 정의했다. 물론 오랜 시간이 흐르면서, 학자마다 인공지능의 의미는 매우 다양하게 형성되어왔다. 이러한 학자들의 의견을 종합해보면 인공지능은 '인지, 학습, 문제 해결 등의 인간의 사고 능력을 기계적으로 구현한 지능'을 의미한다고 할 수 있다.

영화 '아이언맨' 속 자비스를 떠올리면 인공지능을 쉽게 이해할 수 있다. 자비스는 주인공의 명령이 없어도 스스로 문제를 인지하고, 해결한다. 이를 '강한 인공지능'이라 하는데, 현재까지 발전된 기술은 아직 특정 작업을 인간 이상으로 해내는 '약한 인공지능'의 수준이다. 사고방식에 한계가 있다는 단점이 존재하지만, 오히려 이 점이 진정한 '인공'지능이라는 평가를 받기도 한다.

2. 머신러닝

머신러닝은 인공지능의 일종으로, 1998년 톰 미첼의 정의가 널리 쓰이고 있다. 톰 미첼은 머신러닝을 '어떤 작업에서 특정 기준으로 측정한 성능이 경험을 통해 향상되었다면, 그 작업은 경험으로부터 무언갈 학습한 것이다'고 표현했다. 즉, 데이터와 알고리즘을 통해 학습한 컴퓨터가 이를 기반으로 판단, 해결하는 단계까지 나아가는 것이다. 여기서 학습이란 시스템이 그저 프로그래밍 되는 것이 아닌, 일종의 훈련이라고 할 수 있다. 

3. 딥러닝

딥러닝은 인공신경망에서 발전한 형태로, 수많은 데이터 층을 이용해 정보를 체계화하고 스스로 문제에 대한 해결책까지 찾아내는 기술이다. 어떤 액체에서 불순물을 걸러낼 때 망이 촘촘할수록 순수한 액체를 얻기 수월해진다. 딥러닝 역시 마찬가지다. 여러 단계의 데이터 층을 거칠수록 정보의 정확도는 더욱 높아진다. 이처럼 딥러닝은 엄청난 양의 연산 작업이 필요하기 때문에, 컴퓨터 환경이 발전하면서 그 활용도가 주목받기 시작했다. 

머신러닝과 딥러닝은 모두 컴퓨터의 학습을 통해 데이터를 분류하는 기술이지만, 인간의 개입 정도에 따라 차이가 확연히 나타난다. 예컨대 개와 고양이를 구분하는 작업이 있다고 가정해보자. 머신러닝의 경우 이 작업을 위해 인간이 개와 고양이의 특징, 이미지 등에 대한 데이터를 시스템에 입력하는 작업이 필요하다. 이후 컴퓨터는 축적된 데이터를 바탕으로 과제를 인지하고, 이를 학습함으로써 작업을 수행해낸다.

반면 딥러닝은 주어진 작업을 인간이 먼저 처리하는 과정이 생략된다. 방대한 데이터 속에서 개와 고양이를 구분할 수 있는 특징을 직접 찾아내는 것이다. 머신러닝에서 한 발 더 다가가 사람처럼 스스로 학습하는 모습에 더 가까워졌다고 볼 수 있다. 딥러닝의 등장 덕에, 머신러닝의 실용성이 증가한 것은 물론 인공지능이 영역도 넓어지게 된다.

하지만 딥러닝은 데이터의 양이 확연히 많은 만큼, 이를 처리하는 하드웨어의 성능이 뛰어나야 한다는 조건이 붙는다. 만약 데이터가 충분하지 않다면, 딥러닝의 성능은 무용지물이 되고 만다. 게다가 컴퓨터가 학습한 것을 토대로 내부 알고리즘이 생성되기 때문에, 오류가 생겼을 때 인간이 직접 수정하기도 쉽지 않다.

반면 머신러닝은 딥러닝보다 정확도는 떨어지더라도, 처리 시간이 짧고 저사양의 하드웨어에서도 활용이 가능하다. 더구나 처리 과정에 인간이 개입할 수 있어 자신의 연구 성과를 드러내기도 좋다. 이처럼 머신러닝과 딥러닝은 저마다 장단점이 뚜렷하기에, 하드웨어의 성능과 데이터의 양, 그리고 연구 목적 등에 따라 알맞은 방식을 선택하는 것이 중요하다.

인공지능이 미래를 선도하는 기술로 떠오르면서, 세계 곳곳에서 인공지능 전문가를 향한 러브콜이 이어지고 있다. 가트너 탤런트 뉴런 데이터에 따르면, 지난 2015년~2019년 IT 부서에서 AI 전문가 수요가 3배나 증가했다. 이는 IT 분야에만 국한되지 않는다. 마케팅·재무·연구 관리 등의 사업부에서도 AI 인재들을 대규모로 채용하는 것으로 나타났다. 

안타깝게도 넘치는 수요에 비해 공급이 턱없이 부족해 기업들 사이에선 AI 인재를 '모시기' 위한 노력이 한창이다. 최고 수준의 임금을 받는 이들이지만, 이런 상황이 계속된다면 기술자들의 가치는 더욱 높아질 수밖에 없다.

숙련된 인재를 확보하기가 더욱 어려워지자, 구글과 같은 기업들은 직접 AI 인재 양성에 나서고 있다. 무료 머신러닝/딥러닝 과정을 제공하거나, AI 학교를 설립하는 등 기업의 긍정적인 역할을 톡톡히 해내는 중이다.

인공지능을 활용한 기술들은 우리 생활 전반에 깊숙이 스며들어 있다. 그리고 앞으로도 인공지능은 발전을 꾀하며 세계와 상호작용을 거듭할 것이다. 숱한 기업들이 AI 인재를 향해 구애하고 있는 지금, 인공지능에 더 깊은 관심을 가져보는 건 어떨까. 미래 산업의 주역이 되는 길은 이미 당신의 눈앞에 펼쳐져 있을 것이다.