인지컴퓨팅 기술의 개념 및 발전 전망
■ 인지컴퓨팅의 도래: 변화에 대한 유연한 적응력 획득
지식은 경험을 통해서 개인에게 체화된 지식인 암 묵지와 잘 정의된 단계들로 정리되는 지식인 형식지 로 구성되는데, 기존의 컴퓨팅은 형식지를 알고리즘 으로 변환해 처리하였다. 반면 인지컴퓨팅은 형식지 는 물론 암묵지까지 처리할 수 있는 알고리즘 개발 을 추구한다.
초기 인공지능은 숫자 계산 및 기호 조작 등 논리 적 추론을 수행했는데, 감각 및 의미와 괴리된 기호 연산은 지능을 구현하는데 곧 한계에 직면하였다(유 신, 2014: 29-30). 추상적인 기호의 논리 체계로 본 초기 접근과 달리 현재는 지능이 작고 간단한 기능 단위들이 복잡하게 연결되며 발생하는 현상으로 이 해하고 있다. 인간의 대뇌 신피질은 출생 시에는 아 무 사전지식을 갖고 있지 않지만, 다양한 경험을 쌓
아가며 세계에 존재하는 패턴을 학습한다. 대뇌 신 피질에서는 뉴런 사이의 연관이 활성화되는 경험이 반복될수록 연결하는 시냅스가 강화되는데, ‘인공신 경망’ 방법론은 뉴런과 시냅스에 해당되는 노드와 연결을 소프트웨어적으로 구현한다. 입력과 출력 신 호 사이에 다수의 은닉층이 존재하고, 학습을 통해 각 노드 간 연결의 가중치를 조정함으로써 예측 정 확도를 개선해 나간다.
즉, 기존 프로그래밍이 연역적 추론에 기반했다면, 기계학습은 귀납적 추론에 기반한다. 기계학습은 인 간이 상세한 세부규칙들을 포함하는 프로그램을 작성 하지 않아도 [그림 1]처럼 다양한 입력 데이터와 결과 물의 정보를 제공하면 컴퓨터가 스스로 입력 데이터 와 결과물을 연결하는 패턴 및 전략을 학습할 수 있도 록 능력을 부여하는 연구 분야이다. 기계학습은 지도 학습(supervised learning), 비지도학습(unsupervised learning), 강화학습(reinforcement learning)으로 구성된다.1)
신기술과 산업 지형의 변화 ① 인지컴퓨팅
글 : 이성호 ([email protected]) 과학기술정책연구원 연구위원
1) 위키피디어 Machine Learning 정의, http://en.wikipedia.org/wiki/Machine_learning, 2015.12.13
■ 컴퓨팅 기술 발전: 인간의 인지 체계에 유사한 학습 기술 발전
2012년부터 인공신경망 기술을 심화 발전시켜 객 체를 분별하는 ‘딥러닝(Deep Learning)’ 방법론이 각광받고 있다. 딥러닝은 각 층마다 ‘특징표현’을 추 출해 내는데, 이를 다수의 계층에 걸쳐 수행함으로 써 기존의 통계분석보다 고도로 추상화된 개념의 학 습이 가능하다(마쓰오 유타카, 2015 : 161-162). 그 런데, 딥러닝 기술은 학습을 위해 방대한 데이터와 거대한 연산자원을 요구하는데, 병렬컴퓨팅 인프라 와 빅데이터의 구축은 딥러닝 기술이 급격히 발전할 수 있는 환경을 제공한다.
먼저 이미지 인식 분야가 딥러닝 기술의 발전을
견인하고 있다. 140만 장의 이미지 DB를 구축한 국 제 이미지 인식기술 대회(ILSVRC)는 거대 데이터를 분석할 수 있는 인지컴퓨팅 기술이 발전하는 계기를 마련했다. 특히, 2012년 대회에서 딥러닝 기술이 우 승한 이후부터 이미지 정보 처리는 딥러닝 기술이 평정하였다. 이미지에서 단일 대상을 인식하는 능력 은 이미 인간을 넘어섰고, 현재는 다수의 대상을 동 시에 개별적으로 인식하는 능력을 집중적으로 개발 중이다.2) 향후에는 3차원 영상 및 동영상 인식이 연 구개발의 중심이 될 전망이다.
자연어 처리에서는 IBM의 Watson이 대표적 성공 사례이며, 위키피디아의 정보를 시맨틱 웹으로 구조 화해 저장한 DBpedia를 주로 활용하여 자연어 기반
2) 이미지넷 대규모 영상인식 대회(ILSVRC: ImageNet Large Scale Visual Recognition Challenge) 홈페이지, http://image-net.org/
(2015.10.19.)
자료 : Barnes(2015), pp.14. 참조해 재구성
추론을 수행한다. 왓슨의 'Deep Q&A' 아키텍처는 문제를 풀기 위해 가능한 후보 답안 수집 -> 증거 수집 -> 각각의 후보에 대한 정답 확률을 추정 ->
가장 가능성이 높은 후보를 선정하는 과정을 수행한 다(Sigel, 2014 : 317). IBM은 왓슨 컴퓨터를 의료진 단에 적용하는 연구를 미국의 주요 암센터들과 수행 하고 있는데, 방대한 논문과 환자 의료기록을 학습 해 진단 정확도가 의사에 근접하고 있다.
■ 향후 연구개발 전 분야와 결합 확대 전망
인지컴퓨팅은 4세대 R&D 패러다임의 도래를 견 인하고 있다. 실험 중심의 1세대 R&D, 이론 중심의 2세대 R&D, 계산 중심의 3세대 R&D에 이어 데이 터 중심의 4세대 R&D가 부상하고 있는 것이다 (Hey, Tansley, and Tolle, 2009; 성원경 외, 2013). 데이터 획득비용이 높은 과거에는 미리 가설 을 세우고 그에 적합한 데이터를 생성해 가설을 검 증했으나, 방대한 데이터가 생산되는 현재는 데이터 로부터 직접 가설을 도출하고 검증하는 역량이 중요 해지고 있다. 또한 텍스트마이닝 기술을 이용해 방 대한 문헌에서 새로운 가설을 발견하는 ‘문헌기반탐 색’ 기술도 부상하고 있다.인지컴퓨팅의 노동 대체 전망
두개골 크기에 한정된 인간 뇌와 달리 컴퓨터는 무한히 많은 수의 프로세서를 병렬로 연결해 사용할 수가 있어 향후 인간 뇌를 능가할 전망이다. 또한 각 자 새로 학습해야 하는 인간과 달리 인공지능 알고 리즘은 한번 암묵지를 학습하면 학습된 내용을 다른 컴퓨터에 무한히 복제가 가능하다. 또한 인공지능은 장시간 쉬지 않고 업무를 수행할 수 있고, 감정이 부
재해 대인 스트레스 없이 고객 응대가 가능하다. 금 융 분야의 알고리즘 트레이딩과 같이 향후 다양한 전문가 업무를 인지컴퓨팅이 대체해 나갈 전망이다.
Frey & Osborne(2013)은 미국, 영국의 모든 직업 에 대해 향후 10~20년간 인공지능에 의한 대체 가 능성을 평가하였다. 인지컴퓨팅은 전통적인 컴퓨팅 이 처리하기 어려웠던 비정형·비반복적인 업무마 저 자동화할 수 있지만, 상황인식 및 손놀림, 창의 성, 사회적 지능 등 세 가지 요소가 인간을 따라 잡 는데 가장 시간이 오래 소요될 병목요인으로 판단했 다. 미국 노동부의 O*NET 조사통계(2010년)와 연 구진의 정성적 평가를 결합한 후, 지도학습 방법론 을 적용해 702개 직업의 자동화 가능성을 도출하였 다. 그 결과, 10~20년 내에 인공지능에 의해 대체될 확률이 90% 이상인 직업들이 텔레마케터, 사서, 경 리업무, 세무사, 하역업무, 보험심사업무 등 170개 이상인 것으로 나타났다. 미국의 경우 총 고용의 47%가 대체될 확률이 70% 이상인 것으로 평가되었 다. 또한 주로 중산층 직업을 대체했던 과거의 전산 화와 달리 인지컴퓨팅은 임금과 교육수준이 낮은 직 업일수록 대체 가능성이 높게 나타났다.
Frey & Osborne(2013)의 직업별 대체가능성을 한국 고용통계(한국고용정보원, 2014)에 대입해 보 기 위해 미국의 직업분류체계(702개)를 한국의 표준 직업분류체계(424개)로 변환하였다. [그림 2]에서 보는 바와 같이 2013년 총 취업자 2,459만 명 중 대 체확률 70% 이상인 직업군의 고용은 1,064만 명(전 체 고용의 43.3%)이고, 대체확률 60% 이상은 1,515 만 명(61.6%)으로 한국의 전체 고용 중 43~62%가 20년 내 대체 가능한 것으로 나타났다.
물론 인지컴퓨팅 기반의 다양한 제품과 서비스를
개발하기 위해 많은 고용이 신규 창출될 수 있다. 그 런데, 인지컴퓨팅 기술 개발은 소프트웨어 기술과 유사하게 소수의 글로벌 기업이 세계시장을 장악할 가능성이 커 한국이 글로벌 경쟁에서 밀릴 경우, 신 규직업 창출을 기대하기 어렵다. 더욱이 인지컴퓨팅 기술은 소프트웨어 개발 및 빅데이터 분석에도 적용 되어 반복적인 업무들을 대거 자동화할 전망이다.
핵심 원천기술을 직접 개발하는 것이 아니라, 단순 히 해외에서 개발된 알고리즘을 국내 데이터에 적용 하려고만 한다면 고용 창출효과가 그다지 크지 않게 되는 것이다.
한편, 인공지능은 인간 중심적인 적응형 자동화를
모색할 수도 있다(Carr, 2014: 243-247). 인간은 과제의 난이도가 너무 높거나 낮지 않고 적정할 때 몰입수준이 가장 높은데, 적응형 자동화는 사용자 행동을 모니터하다가 과부하 발생 시에만 개입하여 지원한다.
인지컴퓨팅의 산업적 파급효과
■ 비즈니스 모델 혁신
공급자부터 고객까지 이어지는 가치사슬에서 인 지컴퓨팅은 비대면, 개인맞춤, 공유 서비스를 통해 비즈니스모델을 혁신할 수 있다.
주: 누적 고용 대체 인원은 대체 가능성이 높은 직업군의 종사자 수부터 누적해 더한 값 자료: 이성호 외(2015), pp. 63.
우선 감성 대응이 가능한 휴머노이드 로봇 및 가 상 아바타가 고객 응대를 대신하며 서비스의 비대면 화가 가능해 진다. 온라인 거래에 능숙한 디지털 네 이티브 세대 뿐 아니라, 오프라인 거래에 익숙한 장 년층 이상 소비자들도 인간 대신 휴머노이드 로봇과 상호작용하게 될 것이다. 소프트뱅크의 로봇 페퍼는 자연어로 고객을 응대하며 사람의 감정을 인식하고 적절히 대응한다.
둘째, 인지컴퓨팅은 프라이빗뱅킹, 건강상담 등
현재 전문가가 제공하는 고가의 개인맞춤 서비스를 저렴하게 제공할 수 있다. 사용자에게 본인의 선호 를 명확히 정의해 주기를 요구하지 않고도 사용자 행태를 지속적으로 관찰하면서 실제 선호를 파악할 수 있다. 네스트(Nest)사의 지능형 온도조절 시스템 은 가족 구성원들이 각각의 방에서 다양한 상황에 따라 어떻게 온도를 조절하는지를 학습하여 구성원 각각의 생활 패턴과 선호에 가장 부합하게 자동으로 온도를 조절해 준다. 의료 및 제약 분야는 인지컴퓨 팅을 활용한 개인 맞춤 서비스의 성장이 가장 기대 된다.
셋째, 차량, 숙박 등을 공유하는 주문대응(On- Demand) 서비스의 성장을 가속화할 것이다. Uber, Zipcar, Airbnb 등의 공유경제 모델은 금융위기 이 후 수요가 급증하였는데, 현재 스마트폰이 공유경제 의 일등공신이라면 향후는 인지컴퓨팅이 2차 기폭 제 역할을 할 것으로 기대된다. 공유되는 자동차 1대 는 10~32대의 신차 구매 절감 효과가 있는 것으로 추정된다(AlixPartners, 2014.2.5.). 이용자 1인당 자본재 수요 감소율이 이용자 수 증가율보다 크면 결국 자본재 판매가 감소하게 될 것이다.
■ 산업구조 재편 초래
첫째, 인지컴퓨팅이 다양한 산업에 두루 활용되는 플랫폼 서비스로 발전할 전망이다. 전통적인 정보화 시스템 및 임베디드 소프트웨어 개발은 해당산업 전 문가를 두루 갖춘 기존 기업들이 유리한 위치를 점 유하지만, 인지컴퓨팅은 신규 진입업체도 대량의 데 이터를 확보한다면 더 똑똑한 제품·서비스를 개발 할 수 있다. 또한 지능형 서비스가 발전할수록 특정 분야에 대한 전문지식 뿐 아니라, 일상생활에서 빈 번히 접하는 상황에 대한 상식 수준의 추론 능력이
중요해진다. 이에 따라 IBM, MS, 구글, 페이스북 등 고도의 분석 알고리즘을 확보한 글로벌 IT기업의 영향력이 확대되며 실물경제에 대한 지배력을 확대 해 나갈 수 있을 것이다. 인지컴퓨팅 서비스가 클라 우드 컴퓨팅 방식으로 제공되며 인지컴퓨팅 기업이 다양한 고객 기업의 데이터를 학습함으로써 다양한 산업에서 시장 지배력이 강화되는 현상이 발생할 수 도 있다.
둘째, 제품의 지능화 진전에 따라 제조업과 서비 스업의 경계가 파괴되는 현상이 진전될 것이다. 사 물인터넷과 인지컴퓨팅이 결합하면서 제품이 스스 로 알아서 서비스를 제공할 수 있게 되면 제조업의 서비스업 진출이 가속화될 것이고, 제품 제어 알고 리즘을 서비스 기업이 개발한다면 제조업을 지배할 수도 있다. 휴대용 심전도 측정기 ‘얼라이브코
(AliveCor)’는 초기에는 의사의 판독에 의존했으나, 탑재된 인공지능 진단 알고리즘이 FDA 승인을 통과 한 후에는 직접 의료서비스를 제공할 수 있게 되었 다(김치원, 2015).
셋째, 노동집약적 서비스 기업을 자본 및 기술 집 약적인 기업들이 대체하면서 산업의 성격도 변화할 것이다. 노동집약적 산업은 인력 및 조직 관리의 어 려움 때문에 규모의 경제 구현이 어려웠으나, 인지 컴퓨팅이 노동을 대체하면 규모의 경제를 구현할 수 있게 되기 때문이다. 택시 운수업의 경우 대부분 지 역 단위의 중소기업이 영업을 수행해 왔으나, 우버 의 등장에서 이미 가능성을 보듯이 무인택시 기업은 전 세계를 상대로 영업을 전개할 수 있다. 더욱이 정 보산업의 특성 상 글로벌 규모의 승자독식 구조로 전환될 수 있다. 예를 들어 우버의 시장가치는 2등
기업(리프트)의 20배를 넘는다.
넷째, 공유경제 효과로 인해 제품 수요가 감소하 는 경우, 고정비용 비중이 큰 자본집약적 산업도 위 기에 직면할 수 있다. 산업 전반으로는 유형의 자본 재의 비중 감소와 무형의 자본재의 비중 증가가 가 속화될 것이다.
제도적 고려 요인
■ 특허 위협 및 기술 관련 규제 걸림돌
과거에는 기계학습 알고리즘 대부분이 자유롭게 활용될 수 있었는데, 최근 들어 구글, MS, IBM, 인 텔, 페이스북 등 기업과 주요 대학들이 딥러닝 등 기 계학습 알고리즘에 대한 특허를 활발히 출원하기 시 작했다. 이들 중 일부라도 특허가 승인되면 후발기 업들의 인지컴퓨팅 기술 활용 및 개발이 제약될 수 있다.
한편 정보시스템 공통의 문제를 인지컴퓨팅만의
문제로 편향적 해석은 지양되어야 한다. 예를 들어 해킹에 대한 우려가 제기되고 있으나, 이는 비단 인 지컴퓨팅만의 문제가 아니라, 모든 정보시스템에 공 통된 리스크이다.
■ 면허제도에 의한 진입규제
면허제도는 인지컴퓨팅의 독자적 서비스를 제한 한다. 현재도 우버 택시 서비스는 택시 운행면허 취 득 없이 영업하기 때문에 일반 택시들이 강력히 반 발하고 있다. 자율운전 자동차는 아예 운전자가 필 요 없어 현행 운전면허 제도에 대한 중대한 도전이 다. 그런데, 현행 규제대로 운전면허를 소지한 운전 자 탑승을 반드시 요구하게 되면 무인택시 서비스의 제공은 불가능하다.
변호사, 법무사, 회계사 등의 면허도 진입장벽으 로 작용한다. 블루스타, 얼라이브코 등 미국에서 성 공한 인공지능 건강관리 서비스가 한국에서는 의사 만이 가능한 의료행위로 간주되어 불법이 될 소지가
크다. 면허 제도가 계속 현재와 같은 방식으로 유지된다면 지능 형 서비스는 독자적으로 서비스 를 제공할 수 없고, 전문가 지원 시스템으로만 서비스 기능하다.
그렇게 되면 자본력을 갖춘 전문 법인만이 인지컴퓨팅을 선제적으 로 도입해 노동 생산성을 급격히 제고하게 될 것이며, 전문가들 간 에 부익부 빈익빈이 심화될 것이 다.
■ 윤리적·법적 책임
2012년 구글의 검색 질의어 자
훼손하였다고 벌어진 소송에서 법원은 인공지능의 판단을 객관적 사실로 간주하자는 ‘알고리즘적 중립 성’을 인정하지 않고 유죄를 선언하였다(Dormehl, 2014: 275-278). 인공지능이 수행한 결과에 대한 책임이 인공지능을 개발한 인간에게 있다는 점을 명 확히 한 판결로서 인공지능 개발 기업은 발생 가능 한 각종 문제를 사전 예상하고 선제적인 조처를 취 하는 노력이 필요하다. 기계학습 알고리즘이 주어진 데이터를 학습하여 작동한다는 원리를 역이용하여 시스템을 교란시키려는 악의적인 사용자들도 등장 가능하다.
한편 법률이 우리 주변의 사물과 공간에 내재되어 실행될 수 있다는 개념이 포괄법(Ambient Law)이다 (Dormehl, 2014: 275-278). 사물인터넷은 우리를 대신해 많은 의사결정을 수행할 것인데, 사물인터넷 의 구동 알고리즘에 포괄법을 내장시킬 수 있다. 더 나아가 O'Reilly(2013)는 관료와 정치인 등이 수행하 던 많은 역할을 장차 ‘알고리즘에 기초한 규제 시스 템’으로 이양해야 한다고 주장한다. 그런데, 포괄법 의 적용을 위해서는 객관성 대 융통성의 딜레마에 대 한 선제적 대응이 요구된다(Dormehl, 2014 : 174- 176). 지금까지의 정보기술은 법의 문구만을 충실히 따랐던 반면, 인지컴퓨팅은 법의 취지에 입각한 판단 이 가능하다는 점에서 알고리즘 기반 규제의 새로운 가능성을 제시한다 하겠다. 그런데 인공지능의 행동 범위에 대해 윤리적·법적 판단에 따른 강제적 구속 을 사전에 입력시키는 포괄법의 내재화에 대한 반발 도 존재한다. 예를 들어 자율주행 자동차의 경우, 응 급환자 이송 등을 위해 사용자가 요구하면 제한속도 보다 빨리 달릴 수 있게 허용할지 여부와 이 경우 사 고가 발생하면 책임이 누구에게 귀속될지 등이 풀어
중 누가 결정하고, 그에 따른 책임을 어떻게 배분해 야 할지에 대한 논의가 필요하다.
AlixPartners(2014.2.5.), “AlixPartners Study Indicates Greater Negative Effect of Car Sharing on Vehicle Purchases”.
Barnes, J. (2015), Azure Machine Learning, Microsoft Azure Essentials, Microsoft Press : Redmond, Washington.
Carr, Nicholas, 『유리감옥 : 생각을 통제하는 거대한 힘』, 이진원 역 (2014), 한국경제신문사.
Dormehl, L., 『만물의 공식』, 노승영 역(2014). 반니.
Frey, C.B. & Osborne, M.A.(2013.9.17.), The Future of Employment: How susceptible are jobs to computerisation?, Oxford Martin Programme on the Impacts of Future Technology.
Hey, T., S. Tansley, and K. Tolle(2009), The Fourth Paradigm: Data-Intensive Scientific Discovery, Microsoft Research.
O'Reilly, T.(2013), Open Data and Algorithmic Regulation, In:
Goldstein, B. & Dson, L. (eds), Beyond Transparency:
Open Data and the Future of Civic Innovation, Code for America Press. pp. 289-300.
Sigel, Eric, 『빅데이터의 다음 단계는 예측분석이다』, 고한석 역 (2014). 이지스퍼블리싱.
김치원(2015), 「의료, 미래를 만나다 (디지털 헬스케어의 모든 것)」, 클라 우드나인.
마쓰오 유타카, 「인공지능과 딥러닝」, 박기원 역(2015), 동아엠앤비.
성원경 외(2013), 「과학기술 빅데이터 공유·융합체제 구축」, 한국과학기 술정보연구원.
유신(2014), 「인공 지능은 뇌를 닮아 가는가.」 컬처룩.
이성호 외(2015), 「신기술 발전에 따른 산업 지형의 변화 전망과 대응 전 략: 제2권 인지컴퓨팅」, 정책연구 2015-12-02, 과학기술정책연구원.
한국고용정보원(2014), 「중장기인력수급전망 2013~2023」.
참고문헌
