4차 산업혁명 해외 정책 자료집

AI는 단기적으로 기존에는 자동화가 불가능했던 영역에 있어 업무 자동화를 통해 경제에 영향을 미칠 것이다. 이를 통해 생산성이 증가하고 부가 창출될 것이지만 여러 방식으로 특정 형태의 직군에도 영향을 미치게 되어 자동화가 가능한 해당 기술에 대한 수요를 감소시킴과 동시에 AI에 상호보완적인 기타 기술에 대한 수요를 증가시킬 것이다. 백악관 경제수석실(CEA)의 분석 결과 자동화가 초래하는 부정적 영향으로는 저임금 직업의 증가와 AI 주도의 자동화로 인해 교육 수준이 낮은 노동자와 높은 노동자 사이의 임금 격차 심화가 있으며, 잠재적으로는 경제적 불평등을 악화시킬 것이라 시사한다. 공공 정책을 통해 이러한 위험을 해결할 수 있는데, 노동자들을 재교육하고 자동화와 경쟁하는 게 아닌 상호보완할 수 있는 직업을 구할 수 있도록 하는 것이다. 공공 정책은 또한 AI를 통한 경제적 이익을 폭 넓게 공유하고 AI가 전세계 경제에 새로운 시대를 책임 있게 촉진할 것이라 확신할 수 있다. 그러나 일부 기관은, 빈곤을 줄이고 경제적 및 사회적 모빌러티를 높이는 일을 하는 기관의 경우는 특히, 보다 일반적인 수준의 관련 역량, 리소스, 전문 기술을 가지고 있다. 예를 들어, 국립보건원(NIH)의 R&D 예산은 300억만 달러 이상인 반면, 노동부의 R&D 예산은 1400만 달러에 불과하다. 이 때문에 비-대학 교육 노동자의 수입과 능력을 향상시키기 위해 AI-기반 “디지털 투터” 기술을 적용하는 것과 같이 AI의 적용을 탐구하는 노동부의 능력이 제한되고 있다. DARPA의 “에듀케이션 도미넌스(Education Dominance)” 프로그램은 AI가 기관의 우선순위 사항을 이행하고 가속화할 수 있는 잠재력의 예가 된다. DARPA는 해군 신병이 기술적 능력의 전문가가 되는데 필요한 시간을 몇 년에서 몇 개월로 단축시키기 위한 것으로, 현재 AI를 사용하여 전문가와 초보자의 상호작용을 모델링하는 디지털 투터를 개발하도록 후원하고 있다. 기계 학습이 갖는 장점은 문제 해결을 위해 명시적인 규칙을 기재할 수 없거나 어려운 상황에서도 사용할 수 있다는 것이다. 예를 들어, 온라인 서비스를 운영하는 기업은 기계 학습을 사용하여 불법 로그인 시도를 탐지할 수 있다. 기업은 과거의 대용량 로그인 자료를 사용하여, 각각의 로그인을 잘못된 로그인으로 처리하거나 로그인 이후를 처리할 수 있다. 이러한 데이터 집합을 기반으로 기업은 기계 학습을 사용하여 어떤 로그인이 잘못된 로그인인지 확인하고 추가적인 보안 조치를 취해야 하는가에 대한 예측을 함으로써 향후 로그인에 적용할 규칙을 유도할 수 있다. 이런 식으로, 기계 학습은 특정 문제를 해결하기 위한 알고리즘이 아니라 데이터가 주어진 경우 다수의 여러 문제를 해결하기 위한 답안을 찾는 보다 일반적인 접근방식이다. 모델 트레이닝은 객관적 기능을 극대화하기 위해 파라미터를 조절하는 과정이다. 트레이닝은 기계 학습에서 어려운 단계이다. 수백 만 개의 파라미터가 있는 모델은 다른 알고리즘에 비해 천문학적으로 많은 가능성을 보유하고 있기 때문에 성공적인 트레이닝 알고리즘은 타당한 수준의 전산화와 함께 상당히 좋은 설정값을 찾을 수 있도록 파라미터의 공간을 현명하게 이동할 수 있어야 한다. 모델을 훈련한 후, 실무진은 테스트 집합을 사용하여 모델의 정확도와 효율성을 평가할 수 있다. 기계 학습의 목표는 일반화를 위해 훈련된 모델을 만드는 것으로 트레이닝 집합에서만 정확도를 보이는 것이 아니라 앞서 확인되지 않은 미래의 사례에서도 정확도를 보여야 한다. 이러한 모델 중 다수가 이미지 라벨링과 같은 특화된 분야에서는 인간보다 뛰어난 성능을 보일 수 있는 반면 최상의 모델조차도 예상치 못한 방식으로 실패할 수 있다. 최근, 기계 학습에서 나타난 가장 인상적인 결과로는 딥 네트워크 러닝이라는 딥 러닝이 있다. 딥 러닝은 인간의 두뇌에서 영감을 받은 구조를 사용하며 유닛 집합으로 이뤄져 있다 (또는 "뉴런"). 각 유닛은 출력값 생성을 위한 입력값 집합을 결합하며 그 후 다른 뉴런으로 전달한다. 예를 들어, 이미지 인식 분야의 경우, 첫 번째 유닛 레이어는 이미지의 원시 데이터를 결합하여 이미지 내 단순한 패턴을 확인할 수 있다; 두 번째 레이어는 첫 번째 레이어의 결과를 종합하여 패턴 내 패턴을 인식할 수 있다; 세 번째 레이어는 두 번째 레이어의 결과를 결합하는 방식 등으로 처리할 수 있다. 딥 러닝(deep learning) 네트워크는 일반적으로 여러 레이어(때때로 100개 이상)를 사용하며, 각 레이어에서 많은 수의 유닛을 사용하여 극도로 복잡하고 정밀한 패턴 데이터를 인식할 수 있다. 기술, 안전 및 통제 워크숍의 공통 주제는 열린 세계 AI 방법을 보다 광범위한 안전 공학 분야와 연결시킬 필요성이었다. 항공기, 발전소, 교량 및 차량 등 안전과 직결되는 다른 시스템 구축 경험은 AI 종사자들에게 검증 확인, 특정 기술에 대한 안전 케이스 구축, 위험 관리 방법, 그리고 이해당사자들과의 위험 관련 소통 방법에 대하여 가르쳐 줄 것이 많이 있다. 현재 특히 급변하는 머신 러닝 분야에서 AI는 과학뿐 아니라 예술까지 망라한다. 하지만 탄탄하게 개발된 이론이 실제의 일부 측면을 뒷받침하지 못하고 현업 종사자들의 직관적 판단과 실험에 의존하는 실정이다. 새로 등장하는 기술 분야에서는 흔한 현상이지만, 실제 기술 응용을 제한한다. 일부 관계자들은 AI를 보다 성숙한 공학 분야로 성장시킬 필요성을 제기했다. 오늘날의 Narrow AI는 사이버 보안 분야에 중요한 응용 분야가 있으며, 방어적(수동적) 조치와 공격적(능동적) 조치를 위한 역할을 확대할 것으로 기대된다. 현재 보안 시스템을 설계 운영하려면 상당한 시간과 전문가들의 관심이 소요된다. 이러한 전문적 작업을 완전히 또는 부분적으로 자동화시키면 훨씬 적은 비용으로 훨씬 광범위한 시스템 및 애플리케이션에 걸쳐 보안을 강화시키는 한편, 사이버 방위의 민첩성도 높일 수 있을 것이다. AI를 활용하면 진화하는 사이버 위협을 탐지하고 대처하는 데 필요한 신속 대응을 유지하는 데 도움이 될 수 있다. AI 및 구체적으로 머신 러닝 시스템을 활용하여 사이버 공간의 복잡성에 대처하고 사이버 공격 대응 과정에서 인간의 의사결정을 효과적으로 뒷받침할 기회가 많이 있다.