문맥 (context)
한편 법률이 우리 주변의 사물과 공간에 내재되어 실행될 수 있다는 개념이 포괄법(Ambient Law)이다(Dormehl, 2014: 275-278). 사물인터넷 환경은 우리를 대신해 많은 의사결정을 수행할 것인데, 사물인터넷의 구동 알고리즘에 포괄법을 내장시킬 수 있다. 더 나아가 O'Reilly(2013)는 데이터와 알고리즘을 통해 통치와 정치를 최소화하는 스마트 세상의 목표를 제시하며, 관료와 정치인 등이 수행하던 많은 역할을 장차 ‘알고리즘에 기초한 규제 시스템’으로 이양해야 한다고 주장한다. 정부 규제의 공정성에 대한 신뢰가 낮은 경우에 사물법 개념의 구현에 대해 반발이 제기될 수 있고, 프로그램 코드의 오픈소스 개방 주장도 등장하고 있다. 그런데, 연역적 프로그램에 서는 소스 코드의 개방이 의미가 있지만, 기계학습 모형에서는 계수 값의 공개가 별 도움이 되지 않으며 예측력이 저하될 소지가 있다.
알고리즘 및 데이터에 대한 특허로 연구개발이 제약될 수 있는데, 알고리즘 특허의 리스크는 점증하는 반면 데이터 특허의 불확실성은 해소되는 추세이다. 과거에는 기계학습 알고리즘 대부분이 자유롭게 활용될 수 있었는데, 최근 들어 구글, MS, IBM, 인텔, 페이스북 등 기업과 주요 대학들이 기계학습, 딥러닝 등 알고리즘에 대한 특허를 활발히 출원하기 시작했다. 이들 중 일부라도 특허가 최종 승인되면 경쟁기업 및 후발기업들의 인지컴퓨팅 기술 활용이 제약될 수 있다. 한편 데이터 자체에 대해 특허권을 인정하는 것도 기술 발전의 장애가 될 수 있는데, 미국 대법원이 DNA 정보의 특허권을 취하함으로써 이 문제는 해소되었다(최윤섭, 2014). 데이터 수집에 대한 제약 및 정부의 품질 승인의 불확실성도 존재한다. 개인정보 보호법 등이나 의료, 금융, 교육 등 개별 부문의 규제가 데이터 취득을 과도하게 제한하는 경우, 기술 발전이 원활히 이루어지기 힘들다. 데이터 취득이 허용되더라 도 방대한 데이터를 취득하고 이를 분석하는 데는 오랜 시간과 대규모 투자가 수반된다.
향후 5년 내에 럭셔리카가 아닌 일반 자동차와 관련한 소비자의 3D 프린팅 활용 시나리오를 묻는 질문에 대해 “소비자는 자동차 제조에 3D 프린터를 사용하지 않음”(56.0%)을 응답한 비율이 스마트폰의 경우(“소비자는 스마트폰 제조에 3D 프린터를 사용하지 않음”(28.0%))보다 2배 높았다. 스마트폰의 경우 소비자들이 케이스나 일부 악세사리를 직접 만들 가능성이 있지만 자동차와 관련해서는 대부분의 소비자가 3D 프린터를 전혀 사용하지 않을 가능성이 클 것으로 전망했다. 제조사가 자동차 제조에 3D 프린터를 어느 정도 활용할 것인지에 대해서는 “현재와 같이 시제품(rapid prototyping)을 만드는 용도로만 3D 프린터를 사용”(64.0%) 을 응답한 비율이 “최종 제품(부품, 전체 제품)을 만드는 데 3D 프린터를 사용”(36.0%)보다 매우 높았다. 제조사 관점에서도 자동차 분야가 부품 제조 등에 3D 프린팅이 활용될 가능성이 스마트폰 분야보다 낮다고 전망한 것이다.
보다 정확한 진단을 위해서, 그리고 소비자에게 보다 나은 서비스(개인 맞춤 의료 서비스 등)를 제공하기 위해서는 되도록 양질의 데이터를 많이 수집하는 것이 중요하다. 의료 빅데이터의 중요성이 점점 커지고 있는 이유가 여기에 있다. 특히 아직 질병에 걸리지 않은 사람의 건강 정보를 분석하여 특정 질병의 발병 가능성을 예측하기 위해서는 기존에 없던 새로운 형태의 데이터를 수집해야 한다. 많은 IT 기업들이 이러한 정보를 수집하기 위해 노력하고 있다. 그 대표적인 예가 Apple과 Google이다. 이러한 기업들은 보다 많은 정보를 수집하고 그를 활용하기 위해 IoT 헬스케어 제품을 시장에 출시하는 것 이외에도 헬스케어 관련 platform을 구축하고 있다. 만약 IoT 기기를 통해 모아진 개인들의 인체 정보를 여러 가지 목적을 위해 합법적으로 사용할 수 있게 된다면 개인들의 의료정보를 둘러싼 2-sided market이 형성될 수 있다.
본 연구는 3D 프린팅에 대한 일반적인 기대 수준과 기술의 현실적인 한계라는 상반된 상황에서 3D 프린팅 분야의 전문가들은 3D 프린팅의 활용 가능성을 어떻게 전망하는지 전반적인 내용을 조사하였다. 본 조사는 통계적인 가설 검증 목적은 아니며 3D 프린팅의 미래에 대한 전반적인 견해를 청취하여 본 연구의 가설의 방향성을 점검하고자 하는 것이 그 목적이다. 향후 5년 내 일반 가정에서 3D 프린팅을 활용하는 시나리오를 묻는 질문에 대해 각 가정마다 3D 프린터가 보급되어 소비자들이 식기, 소형가구 등의 생활용품을 직접 만들어 사용하는 시나리오를 전망한 전문가는 10% 미만이었다. 대부분 현재와 같이 얼리어답터들만 3D 프린터를 이용할 것으로 전망했다. 일반 가정에서의 3D 프린팅 이용 시나리오를 결정하는 요인으로 ‘제품의 품 질’(25.0%), ‘소재의 다양성’(22.2%), ‘3D 프린터 및 소재의 가격’(19.4%) 등의 요인에 대한 답변이 많았다.
먼저, 기술개발을 추진할 기술의 선택은 철저하게 ‘수요지향적’이어야 한다. 의료, 항공 등과 같이 고객맞춤형 소량생산이 필요한 산업에서는 현재에도 3D 프린팅의 활용이 활발하다. 하지만, 이들 산업이 국가 경제에 미치는 파급효과가 제한적이다. 국가 경제에 대한 영향력을 고려하고 우리나라의 강점을 살리기 위해서는 전자, 자동차 등 주력산업에 대한 정책적 비중을 높여야 한다. 예를 들어, 스마트폰 등 전자 제품 외관을 3D 프린팅 한다면 소비자가 만족할만큼 표면 품질, 강도, 소재 다양성을 높일 수 있을 것인가, 전자 제품의 소형화 및 경량화 추세에 맞게 3D 프린팅하려면 어떤 내부 부품이나 구조물이 적절할 것인가, 자동차의 연비 개선을 위해 부품이나 구조물을 3D 프린팅할 경우 품질기준을 만족하는 강도를 확보할 수 있는 가 등이 현실적으로 의미있는 이슈일 것이다.
다음으로 기술개발의 방식은 ‘패키지형’이어야 한다. 일반적인 산업을 염두에 두고 장비, 소재, 공정, SW 등을 독립적으로 개발하는 것이 아니라 특정 산업, 그 중에서도 킬러 애플리케이션을 정하고 3D 프린팅 기술, 소재, SW, 장비 등을 연계하여 개발을 추진해야 한다. 따라서 ‘3D프린팅 전략기술 로드맵’의 경우 예를 들어, 장비 분야의 ‘공정혼합용 다중복합 선택적 레이저 소결 기술(SLS)프린터’ 기술과 ‘맞춤형 금속분말 소재 및 공정기술’ 기술은 각각 독립적인 방식이 아니라 하나의 연구개발 과제로 추진되어야 효율적일 것이다. 패키지형 기술개발이 성과를 거두기 위해서는 연구자에게 과정에 대한 선택권이 최대한 보장되어야 한다. 목표로 하는 용도와 스펙을 사전에 명확히 정의하되, 이를 구현하기 위한 기술방식, 소재, SW, 장비 등의 선택은 기술개발을 진행해 나가면서 변경할 수 있어야 한다. 한 단계 더 나아가, 예를 들어 3D 프린팅을 ‘자동차’라는 분야에서 ‘구조 개선을 통한 경량화’라는 목표를 정했다면 자동차의 어떤 부품군의 구조를 변경할지에 대해서도 기술개발 과정에서 변경할 수 있도록 해야 한다.
지시문 (instruction)
다음 문맥을 읽고 질문에 답하시오.
질문 (question)
기계학습 모형에서 소스 코드의 개방이 연역적 프로그램과 비교했을 때 가지는 한계점은 무엇인가?
추론 과정 (compact_reasoning)
-
1과제 해석
task_interpretation연역적 프로그램과 기계학습 모형의 소스 코드 및 정보 공개에 따른 차이점과 기계학습 모형의 한계를 파악해야 한다.
-
2정보 추출
information_extraction연역적 프로그램에서의 소스 코드 개방의 의미와 기계학습 모형에서의 상황을 추출한다.
- 연역적 프로그램에 서는 소스 코드의 개방이 의미가 있지만
- 기계학습 모형에서는 계수 값의 공개가 별 도움이 되지 않으며 예측력이 저하될 소지가 있다.
-
3근거 선택
evidence_selection기계학습 모형의 한계를 직접적으로 언급한 문장을 선택한다.
- 기계학습 모형에서는 계수 값의 공개가 별 도움이 되지 않으며 예측력이 저하될 소지가 있다.
-
4논리 통합
logical_integration연역적 프로그램은 소스 코드 개방이 의미를 갖는 반면, 기계학습 모형은 계수 값을 공개하더라도 실질적인 도움이 되지 않고 오히려 예측력이 떨어질 수 있다는 점을 결합한다.
-
5결론 도출
conclusion_formulation기계학습 모형은 계수 값 공개가 큰 도움이 되지 않을 뿐만 아니라 예측력을 저하시킬 위험이 있다는 결론을 도출한다.
-
6답변 생성
answer_generation도출된 결론을 바탕으로 최종 답변을 작성한다.
근거 (evidence)
- 연역적 프로그램에 서는 소스 코드의 개방이 의미가 있지만
- 기계학습 모형에서는 계수 값의 공개가 별 도움이 되지 않으며 예측력이 저하될 소지가 있다.
최종 답변 (final_answer)
기계학습 모형에서는 계수 값의 공개가 별로 도움이 되지 않으며, 오히려 예측력이 저하될 소지가 있다는 한계가 있다.