과학기술기반 미래연구사업 Ⅷ

핀란드 정부가 PVN 컨소시엄을 지원하는 이유는 핀란드 경제를 지탱해온 노키아의 몰락 이후 플랫폼 생태계에 대한 연구의 필요성을 절감했기 때문일 것으로 판단된다. 플랫폼 경제의 도래는 전 세계 모든 기업에게 기회임에 틀림이 없지만 실제 이를 활용하고 있는 것은 대부분 미국의 IT기업들이다. 미국의 한 싱크탱크의 조사에 따르면 전 세계 대표적인 플랫폼 기업 176개의 기업가치는 2015년 현재 4.3조 달러이며 이 중 미국 기업의 비중이 72%에 달한다(Evans and Gawer, 2016). 한국의 위기의식도 핀란드의 그것과 크게 다르지 않다. PC 시대에 윈텔(윈도우+인텔), 모바일 시대에 애플과 안드로이드의 위력을 절감한 우리나라 입장에서 사물인터넷, 4차 산업혁명 등 미래 이슈에 대응하기 위해서는 플랫폼 생태계에 대한 연구가 시급하다. 플랫폼은 그 구조나 작동원리가 일반적인 제품이나 서비스와는 매 우 다르다(최병삼·김창욱·조원영, 2014). 플랫폼을 토대로 경제적 특성이 다른 다양한 그룹의 참여자가 모이고 각 참여자가 느끼는 가치가 서로 연계되기 때문이다. Shaping Tomorrow는 데이터 마이닝(data mining), 자연어 처리(natural language processing), 패턴 인식, 그리고 머신러닝 기능을 탑재하고 있는 미래이슈탐색 및 분석 시스템이다. 다른 일부 시스템에서도 의미 분석 및 분류, 자연어 처리 등의 기능이 사용되고 있지만, Shaping Tomorrow는 미래이슈탐색과 미래전략 플랫폼을 실시간으로 분석 할 수 있다는 점에서 우위를 가지고 있다. 또한, 메타 데이터에서 유효한 데이터를 자동 추출할 수 있는 기능을 가지고 있어 사용자가 모든 데이터를 일일이 찾아볼 필요 없이 정제된 자료를 받아볼 수 있다. 특히, ‘Making Better Decisions Today’라는 부제에서 볼 수 있듯이, 단순 탐색에 그치지 않고 의사결정을 위한 검색결과의 시사점까지 제공하는 강점을 가지고 있다. 따라서 국내외 정부연구소 및 글로벌 기업들이 활발히 이를 활용하고 있다. 해외의 주요기관으로 OECD, 캐나다의 Policy Horizon과 같은 공공기관이 있으며, 미국의 Ford Motor Company, 오스트레일리아 Translink 등 주요 기업들이 대표적이다. 미래 이슈 탐색 측면에서 Shaping Tomorrow가 가진 강점은 주요 미래연구 사이트의 미래이슈 데이터베이스를 비교할 때 더욱 두드러진다. 오랜 역사를 가진 대표적인 사이트로 영국의 Foresight, 미국의 RAND를 들 수 있는데, 두 사이트 모두 미래 이슈에 대한 자료를 보유하고 있으며 개별적인 분석 방법을 통해 미래 예측 및 미래 시나리오 작성에 도움을 주고 있다는 공통점이 있다. 영국의 Foresight는 영국 정부에 의해 운영되며, 과학이 하나의 해결책으로 제시될 수 있는 중요한 공공정책 이슈 혹은 아직 실현되지 않은 잠재적 기술에 대한 과학적 주제를 다루고 있다. 미국의 RAND는 민간 리서치 기관인 RAND사에서 운영하고 있지만 전 세계적으로 지역 사회가 더 안전하고, 건강하게 번영할 수 있도록 한다는 목표 하에 공공정책에 의미있는 서비스를 제공하고 있다. 본 절에서는 이 두 사이트의 미래이슈 탐색 서비스 구조와 Shaping Tomorrow를 비교해보고자 한다. 컴퓨팅 기술의 발전과 더불어 기존의 집계적(aggregate)인 통계 분석을 넘어 미시적(micro)으로 개별 개체 단위에서 발생하는 동적인 변화 양상을 분석하려는 ‘사회물리학(Social Physics)’이 등장하였다. 사회물리학이란 사회를 구성하는 개개인의 상호작용을 분석함으로써 인간사회를 이해하려는 새로운 접근방법으로서 정보와 아이디어 사이의 수학적 연결과 사람들의 행동에 관한 신뢰할 만한 설명을 제시하고자 한다(Pentland, 2014). 또한, 빅데이터 예측모형이라고도 불리는 기계학습 방법론도 주목받고 있다. 기계학습 방법론 역시 다수의 개인에게서 수집한 데이터로부터 개별 개체의 속성과 행태를 예측하며, 특히 현재 상태의 추정 및 분류(예: 이미지의 개체를 판독, 스팸 메일 분류, 금융 거래 중 사기행위 판별 등)에 널리 활용되고 있다. 시계열 모형, CGE 모형, 시스템다이너믹스 등 기존에 활용되고 있는 예측(forecasting) 모형들이 주로 사회 집단의 거시적 행태를 예측했다면 대량의 미시 데이터를 대상으로 기계학습 방법을 적용할 경우 다양한 속성을 가진 각 개체의 행태를 예측할 수 있게 된다. 한편 시뮬레이션 방법론 부문에서는 동적이고 복잡계적 성격을 지닌 사회시스템에 대한 체계적인 이해를 추구하기 위해 소셜 시뮬레이션(Social Simulation)의 활용이 주목받고 있다. 소셜 시뮬레이션은 시스템 전체로부터 하향식(Top-down)으로 분석해 가는 시뮬레이션 방식(System-level Simulation)과 행위자 기반의 상향식(Bottom-up) 시뮬레이션(Agent-based Simulation) 방식으로 구분된다. 후자인 행위자 기반 모형은 전체 인구를 집합적으로 이해하는 대신에 개별적ㆍ독립적인 개체(agent)들의 자율적 행태와 상호작용으로부터 거시적인 패턴이 출현한다고 보며, 이들 개별 행태와 상호작용은 확률모형에 의해 결정된다. 귀납적 분석에 기반한 통계분석과 연역적 분석에 기반한 시뮬레이션 영역 모두에서 이처럼 연구 대상 집단 전체를 단위로 모형을 구축하던 과거의 방식을 탈피해 개별 구성원을 단위로 모형을 개발하는 새로운 트렌드가 등장하고 있다. 넷째, 마이크로시뮬레이션 모형(Microsimulation Models)은 1차 몬테 카를로(First-order Monte Carlo) 시뮬레이션이라고도 불리는데, 한 번에 한 명씩 상태 변화를 시뮬레이션한다. 전체 출생동기 집단이 아닌 각 개인을 시뮬레이션하므로 모형 개발이 훨씬 유연하고 개인의 과거사를 반영하더라도 상태 수가 폭증하지 않아 집합적 모형의 한계를 극복할 수 있다. 반면, 수백만 명의 개인에 대해 시뮬레이션을 수행하므로 균형상태에 도달하는 안정적인 예측값 도출에 많은 연산시간이 소요되고 집합적 모형보다 오류 발견 및 교정(Debugging)이 어렵다는 단점을 지닌다. 다섯째, 동적 모형(Dynamic Models)은 전염성 질병 모형, 지식 확산 등 개체 간 상호작용이 시간 경과에 따라 어떻게 진행되는지를 주로 미분방정식을 활용해 모의실험한다. 백신 접종, 집단 면역 등 공공보건 조치의 효과를 정량화할 수 있다는 장점이 있는 반면, 모형의 프로그래밍이 복잡하고 미분방정식의 수가 기하급수적으로 증가할 수 있다는 단점이 있다. 동적 모형 역시 개별 구성원을 단위로 예측을 수행한다는 점에서 마이크로시뮬레이션 모형의 확장된 형태로 볼 수 있다. 둘째, 마코프 모형(Markov Models)은 출생동기 집단(Cohort) 전체에 대해 생애 전체에 걸쳐 반복적으로 되풀이되는 사건 및 상태를 모형화한다. 마코프 모형은 상호 배제이면서 전체 포괄적(Mutually Exclusive and Collectively Exhaustive)으로 정의된 상태들의 집합으로 구성되며, 출생동기 집단이 생애주기 상 시간의 경과에 걸쳐 상태가 전이되고 분화되어 가는 과정을 시뮬레이션한다. 바로 앞 시기의 상태만을 고려하고 과거사를 반영하지 않는(Memoryless) 마코프 확률의 특성은 시간의 경과에 따른 상태 변화를 간결하게 모의실험할 수 있게 해주는 장점을 부여하지만, 예측능력에 있어서는 제약으로도 작용한다. 출생동기 집단 구성원의 다양한 과거 상태를 반영하도록 모형화할 수도 있지만, 그렇게 될 경우 경우의 수가 기하급수적으로 증가해 연산이 곤란해진다. 셋째, 이산사건 시뮬레이션 모형(Discrete Event Simulation Models)은 물류, 서비스 배치 등 주로 시스템을 평가하는 데 활용되며, 고정된 시간 간격 단위를 주로 사용하는 마코프 모형과 달리 사건 발생 간의 연속적인 시간 척도를 활용한다.