스카이넷 vs 자비스

 

본 게시물은 대학교 학부 수업 및 참고 교재인 '이제 시작이야! 컴퓨팅 사고력으로 인공지능까지 파이썬 - 전수진, 박주연, 김수환 공저 / 연두에디션' 을 토대로 필자가 이해한 내용을 정리했습니다.

 

 

 

 

영화 아이로봇 중 한 장면

 

 

컴퓨터도 우리처럼 생각을 하고, 추론을 한다면 어떨까? 단순히 우리가 명령만 수행하는 단세포적인 2차원 기계가 아닌 이제 우리가 원하는 것을 굳이 말하지 않아도 우리의 기분을 파악할 줄 알고, 하나하나 말하지 않아도 무엇을 원하는지 안다면? 

수많은 인공지능 영화를 통해 우리는 이미 인공지능에 친숙하다. 하지만 영화와 달리 아직 지금의 인공지능은 아기 수준. 하지만 누구보다 빠른 속도로 배우고 성장해가고 있다.  영화에서는 인공지능을 보통 긍정적인 소재로 사용하고 있지 않다. 디스토피아적인 세계관을 형성해 우리와 같은 인류가 그에 맞서는 스토리가 일반적이었다. 드물게 아이언맨의 자비스 처럼 우리와 한 편이 되어 더 큰 적을 무찌를 수 있는 조력자가 있기는 하지만 말이다. 늘 영화로만 접해왔던 인공지능이 이제 우리의 삶에서도 녹아들기 시작했다.

 

인공지능은 하루가 다르게 성장해나가면서 결국 전문가의 영역도 넘보고 있다. 논문도 쓰고, 그림도 그려낸다. 이제 이 친구와 함께라면 학창시절의 학교 숙제는 이제 두렵지 않다. 

어느 날 우리 앞에 등장한 ChatGPT를 시작으로 수많은 생성형 AI는 우리의 업무 방식을 점점 바꿔나가고 있다. 대체 이 친구는 어떻게 잉태되어 우리 앞에 이렇게 든든한 조력자가 될 수 있었을까?

 

 

 

인공지능이 있기 위해서는 컴퓨터가 먼저 존재했어야 할 것이다.

컴퓨터는 정확한 데이터를 통해서만 인식한다. 대문자 T라고 볼 수 있다. 팩트를 좋아한다.

인간에게는 지능이 존재한다. 이 지능은 사람에게 있어 컴퓨터와 대비되는 매우 중요한 특성이다.

 

지능 : 외부 현상을 보고 듣고 느끼는 등의 오감을 통해 인식한 것을 바탕으로 추론하여 행동할 수 있는 능력

 

즉, 우리는 만약 과일 나무를 발견했다면(인식) ' 이것이 과일이구나 ' 라고 생각하며 추론을 한다. 그리고 과일을 따고 싶다면 사다리와 가위를 가져올 것이다.(행동)

이러한 인간의 사고와 행동 과정을 이제는 사람 대신 소프트웨어와 하드웨어(로봇)를 통해 대신하도록 할 수 있다.

 

 

 

• 인공지능은 인간의 지능적인 행동을 컴퓨터로 모방할 수 있도록 연구하는 컴퓨터 과학 분야이다.
• 머신러닝은 컴퓨터가 데이터로부터 스스로 규칙을 만들어 내며 학습하는 방식이다.
• 딥러닝은 연속된 층을 통해 학습하는 방식으로써 초기 인공신경망을 기반으로 주어진 데이터로 스스로 학습한다.

 

인공지능의 수준

 

컴퓨터도 그러했듯이 인공지능도 올챙이 시절이 있었다.

그리고 그 올챙이는 자라 다양한 분야에 적용되고 있다. 대표적으로 지문인식과 안면인식이 있다. 이처럼 사람마다 다른 신체적 또는 행동적 특징을 추출하여 신원을 확인하도록 하는 다양한 생체인식에 적용되었다.

 

그리고는 최근 모션인식 기술이 개발되었다. 모션인식 기술은 화면을 터치하지 않고 손이나 몸동작을 이용하여 화면을 조작하는 기술이다. 최근 화제였던 애플 비전이 그러하다.

 

패턴 개념을 설명했을 때 언급하였듯 인터넷 검색 도구에서 볼 수 있는 '검색어 자동 채우기' , ' 검색어 매칭 '에 또한 인공지능 기술이 적용되고 있다.

 

 그 외에도 번역 기술, 스팸 분류, 음성 인식 등 인공지능은 수많은 분야에 적용되고 있음 보여주고 있다.

 

 

 

인공지능의 발전

 

1950년에 튜링은 튜링 테스트를 통해 컴퓨터와 대화를 나누어 컴퓨터의 반응을 인간의 반응과 구별할 수 없다면 해당 컴퓨터가 생각할 수 있는 것으로 간주하여야  한다고 주장했다.

 

인공지능의 발전 과정

 

인공지능이 항상 우상향을 하지는 않았다. 지금은 주식시장을 흔들고 있을 정도로 큰 영향력을 끼치고 있지만 옛날은 그러지 않았다.

3차 붐 시기에 IBM의 딥퍼블루 부터 최근의 우리나라의 저력을 보여주었던 이세돌 바둑기사와 알파고의 승부까지... 1990년 후반 부터 다시 인공지능은 엄청난 가속도가 붙어가는 것 같았다.

 

 

 

 

2012년 제프리 힌턴(Geoffrey Hinton)은 IMAGENET이라는 이미지 분류 대회에서 인공신경망 기반의 딥러닝을 이용한 알렉스넷(AlexNet)을 이용해 이미지 분류에서 84.7%의 정확도를 보였다.

2006년 제프리 힌턴(Geoffrey E.Hinton)은 가중치의 초기값을 제대로만 설정하면 깊은 신경망 학습도 가능하다는 것을 증명하였다. 즉, 신경망을 학습시키기 전에 적은 층으로 학습을 먼저해서 더 나은 초기값을 얻는 사전학습을 제시했다.

 

인공지능의 접근 방법

 

지식 기반 인공지능

인공지능, 말그대로 인공적으로 지능을 구현해 내기 위해서는 그 지능의 밑바탕으로 지식이 존재해야 할 것. 기호주의의 지식 기반 인공지능을 적용한 전문가 시스템이 제시되었다. 전문가의 지식을 논리적인 규칙으로 생성하여 특정 영역에 대해서 사람의 질문에 답할 수 있는 인공지능인 것이다.

 

전문가 시스템

 

입력된 지식이나 판단을 통해 새로운 지식을 구축하므로 인간에게서 지식을 추출하여 컴퓨터에 입력한다. 전문가의 지식이 정확하지 않거나 변경될 수 있고 조건문의 형태로 되어 있기 때문에 진정한 인공지능으로 보기 어렵다고 할 수도 있을 것이다.

 

전문가 시스템은 비교적 정확한 분류 및 예측이 가능하다는 장점이 있다. 하지만 전문가가 모든 상황의 규칙을 다 제시하기 어렵다는 점과 여러 상황에 의해 규칙이 바뀔 경우 새롭게 알고리즘을 수정해야하는 과정을 반복해야 한다는 단점이 있다.

 

 

데이터 기반 인공지능

데이터 기반 인공지능은 인간이 가진 두뇌와 최대한 비슷하게 모방하는 것에서 출발하자는 연결주의로부터 시작했다.

• 인간 뇌의 신경세포간의 연결인 신경망은 뉴런에 입력되는 신호가 일정한 기준 값을 넘으면 전기 신호를 보내는 방식으로 이루어진다.
• 이러한 신경망의 기본 구조와 작동원리를 모방했다. 
• 직접 규칙을 만든는 지식 기반인 인공지능과 달리 데이터를 기반으로 기계가 스스로 규칙을 생성한다.

이는 일상에서 새롭게 등장하는 스팸 메일의 다양한 어휘나 특징을 파악하기 매우 용이하다. 학습 기반의 인공지능은 계속적으로 업데이트 되는 데이터를 통한 학습으로 인해 규칙의 변화에 민감하게 반응할 수 있다.  즉, 별도의 추가 작업 없이 새로운 데이터의 변화에도 새로운 데이터를 인식한다. 단, 학습 결과의 정확도를 높이기 위해서는 충분한 데이터가 요구된다. 

 

 

---

 

 

나도 AI에게 질문해보았다. 우리가 만들어가는 AI는 우리를 넘어서 미래에 우리는 정복당할지에 대해서 말이다. 하지만 그는 그럴 가능성은 없다라고 답변을 했다. 너무도 확신있는 대답이 오히려 나는 왠지 더 무서웠다.