인공지능 기반 범죄예측 기술의 발전과 그에 따른 불심검문의 객관성 및 적법성 제고 방안 doc_id PCY_201609060507403851_2

일반적 순찰활동과 불심검문에 의한 범죄예방 활동은 범죄가 군집화되고, 도시의 일부지역에 불균형적으로 몰리는 집락화(集落化, clustering) 경향을 보임에 따라 비효율적이게 되면서, 자연스럽게 범죄예측에 의한 치안활동이 주목을 받게 되었다. 범죄예측에 의한 치안활동은 계량적 분석을 사용하여 범죄행위 발생 가능성이 있는 목표를 제공하는 통계적 예측기법을 통하여 범죄를 예방하거나 이미 행해진 범죄를 해결하는 것으로 정의된다. 기술의 발전에 따라 범죄 패턴을 이해하게 되면서, 경찰은 반작용적 대응보다는 예측적인 행보 쪽으로 옮겨가게 되었다. 범죄예측 시스템은 과거의 사건 데이터를 분석해서 향후 발생가능성이 있는 범죄, 범인 등을 예측한다는 것인데, 미국에서는 경찰이 통계적 기법에 의한 범죄예측과 특정범죄 묘사, 범죄의 특징을 보여주는 챠트 등의 디지털 맵에 의존하는 현상이 최근 두드러졌다. 뉴욕시 경찰청은 20년 전 컴프스타트(CompStat)란 데이터기반의 컴퓨터 범죄분석시스템을 도입하였다. 도입 초기에는 범죄가 발생한 장소를 종합한 지도를 만들어 지역별 경찰 고위간부의 책임을 묻는 수준이었다면, 현재는 범죄가 언제 발생할지 거의 실시간으로 예측하는 분석(analytics) 시스템으로 진화하고 있다. 전통적 범죄예측 모델의 단점은 인공지능을 이용하여 개선할 수 있다. 예측 모델의 기본은 과거로부터 배워서 미래를 본다는 것이다. 통계모델을 이용하여, 데이터를 행동패턴에 넣고 미래의 결과를 예견할 수 있다는 것이다. 범죄예측의 간단한 예를 보면, 절도의 빈도와 피해금액을 토대로 다음 절도 범행이 며칠 이내에 일어날 것이라고 예측하는 것이다. 단정적으로 언제 그러한 범행이 일어날 것이라고 이야기할 수 없지만, 어느 정도 범위는 한정할 수 있다. 범죄예측 시스템은 다양한 변인을 입력인자로 하여 통계적 기법처리를 통해 소망하는 결과를 도출하는 것이다. 그러나 범죄발생의 원인으로 볼 수 있는 인자는 워낙 다양하여, 그 인자와 범죄와의 상관관계는 통상적 인지범위를 넘는다. 따라서 각 시스템에서 다양한 변인을 대상으로 행하는 상관관계 분석은 한계가 있을 수밖에 없는데, 이러한 한계를 뛰어넘기 위해 인공지능 특히 머신러닝의 도움을 받을 수밖에 없다. 즉 범죄예측기법에 인공지능의 활용이 필요불가결한 시점이 도래했다. 이러한 머신러닝 기법을 범죄예측 시스템에 적용하는 것은 당연한 일인지 모른다. 범죄예측시스템에서 요구되는 통상의 인지범위를 넘는 변인과 상관관계의 분석은 머신러닝이라는 기법으로만 해결가능하기 때문이다. 머신러닝에 대한 자세한 설명은 본고의 범위를 넘는 일이지만, 그 핵심이라 할 인공신경망과 오류역전파이론에 대하여는 간단히 살펴볼 필요가 있다. 다중퍼셉트론 인공신경망(Artificial Neural Network)은 뉴런을 여러 개 결합해 신경망을 구성해서 더욱 고도화된 정보처리를 하는데, 입력층(Input layer)과 중간은닉층(Hidden layer), 출력층(Output layer)의 3층 계층구조를 가진다. 입력층에서 중간은닉층으로의 연결강도와 임계치는 난수로 정해지고, 중간은닉층에서 출력층으로의 연결강도와 임계치는 학습에 의해 변경된다. 학습데이터 세트에 포함되는 입력 데이터에 상응하는 출력 데이터와 네트워크의 출력오차를 작아지게 연결강도와 임계치를 조절하는데, 올바른 결과가 나오는 회로는 연결강도를 크게 하고, 잘못된 결과가 나오는 회로의 연결강도는 작게 해서 학습을 진행한다. 인공지능의 경우는 일반적 과학지식과는 다른 차원의 신뢰성(Reliability) 검토가 이루어져야 한다. 즉 이러한 범죄예측 시스템에 적용된 인공지능 기술이 그 과학사회에서 충분히 수용되는 기술이라고 하더라도 그러한 인공지능을 적용한 구체적 범죄예측 결과가 충분히 신뢰할 만한 것이냐는 별개의 문제다. 앞서 살핀 바와 같이 범죄예측 과정에서 여러 상관관계 도출에 사람이 개입하지 못하여, 왜 그런 상관관계를 도출하였는지에 대한 평가 작업이 어렵다. 현실적으로 범죄예측 시스템의 흡족한 성과를 보이는 것과는 별개로, 그러한 결과 도출과정이 인지 범위 밖에 있다는 것은 이러한 시스템의 도입을 주저하게 하는 요인이 될 수 있다. 또한 인공지능 범죄예측 결과를 현실적으로 받아들여야 하는 과정에서 그러한 시스템에 쓰인 인공신경망의 특성을 배제할 수는 없다. 인공신경망의 지식은 뉴런 간 시냅스 가중치로 저장되고, 이 지식은 학습단계에서 훈련 집합 데이터가 신경망에 들어올 때 습득된다. 원하던 출력이 아니면 오차를 계산해서 신경망으로 거꾸로 전파한다. 오차가 전파되면서 시냅스 가중치도 수정된다. 따라서 인공신경망에서 시냅스 가중치 하나를 독립된 지식의 단편으로 분리할 수 없고, 가중치가 하나라도 바뀌면 결과를 예측할 수 없다. Predpol 등 기존의 인공지능 기반 범죄예측 시스템의 실용화 모델의 공통점은 범인이 아닌 범죄발생 예상지점을 예측한다는 데 있다. 문제는 인공지능을 활용한 범죄예측 프로그램이 범인을 예측할 수는 없는가 하는 것이다. 범죄발생지점이 아닌 범행을 할 사람을 예측한다는 범죄예측의 현실적 모델은 없고, 범죄가능성이 높은 사람들을 리스트로 만들어 동향파악 등을 하는 정도에 그치고 있다. 실례로 시카고 경찰은 400명의 위험인물 리스트를 따로 만들어 관리하고 있다. 이러한 리스트에 전과가 없는 사람도 대상자에 올라있기도 하여 논란이 된 바 있지만, 이러한 원시적 프로그램조차 통계적 기법을 차용하면서 소셜네트워크 분석 등을 통하여 리스트를 만들기 때문에 일반 사람의 기준으로는 이해하지 못할 의외의 인물이 그 리스트에 포함될 수도 있다. 범죄예방을 위한 표준 모델은 공공장소에서의 범죄를 억지하려는 목적에서 경찰이 어느 곳에나 있다는 인식을 심어주기 위한 무작위적 순찰이다. 이 모델은 특정범죄를 저지하고 처벌하는 동시에 일반인의 범죄를 억제할 의도로 사후 반작용적 검거 전략(general reactive arrest policy)을 추구한다. 경찰관직무집행법에서 규정된 불심검문은 이러한 순찰활동의 핵심이다. 불심검문의 경우, 경찰관직무집행법의 명문 규정에도 불구하고 그 해석에 있어 여러 가지 난점이 있다. 우선 현행법상 불심검문은 수상한 행동이나 그 밖의 주위 사정을 합리적으로 판단하여 볼 때 어떠한 죄를 범하거나 범하려 하고 있다고 의심할 만한 상당한 이유가 있는 사람을 주된 대상으로 하고 있다(경찰관직무집행법 제3조 제1항 제1호). 수상한 행동이나 그 밖의 주위사정이라는 막연한 잣대에 의하여 불심검문이 이루어지는 것도 문제지만, 도대체 무엇을 근거로 어떠한 죄를 범하거나 범하려 하고 있다고 의심할 만한 상당한 이유가 있다고 보는 것인지가 문제된다. 미국 연방대법원은 불심검문에 있어 요구되는 합리적 의심의 판단에 있어 현장에서 관찰한 불심검문 대상자의 수상한 행동 외에 그 지역이 HCA 인지 여부인지도 함께 고려한다. 범죄는 결코 모든 지역으로 고루 분포되지 않는다. 어떤 곳에서는 빈발하고, 어떤 곳에서는 발생하지 않는다. 이런 현상은 사람들의 행태에 영향을 미칠 수밖에 없다. 특정지역에서 차문을 잠그고, 또 걸음을 빨리하여 지나가는 반면, 다른 지역에서는 그러지 않는다. 범죄가 집중되는 지역을 HCA라고 한다. 이러한 지역의 경우, 다른 지역에 비해 합리적 의심의 판단에서 있어 경찰관에게 폭넓은 재량권을 인정하고 있다. Illinois v. Wardlow 사건부터 미국 법원은 이러한 HCA를 정의하는데 애써왔다. Wardlow 사건에서 법원은 특정지역의 특징을 범죄 고위험지역으로 간주하여 불심검문의 합리적 의심 산정의 플러스 요인으로 삼도록 하였다. 다른 지역이면 아무런 문제가 없을 행위라도 HCA에서는 범죄행위의 가능성이 충분한 것으로 의심을 받으며, 경찰관은 정지시킬 수 있다는 것이다. 새로운 신기술에 의한 과학적 증거의 허용과 관련하여 가장 중요하게 거론되는 것이 미국 법원에서 확립된 Frye와 Daubert 기준이다. 각주마다 과학적 증거의 허용에 관한 연방기준과 Frye 기준 중 어느 것을 따를지 명확한 입장정리가 되어 있지 않다. Frye 기준은 과학적 증거는 그것에 사용된 원칙과 방법론이 그것이 속해 있는 분야의 보편적 승인(general acceptance)을 얻어야 허용된다는 것이다. 이러한 보편적 승인은 부가적 설명이나 그것을 지지하는 권위가 없는 것을 전제한다. 이러한 기준으로 인해 명백한 과학과 실험적 과학 사이의 경계가 그어졌으며, 비주류 과학이론을 배제하는 효과를 가져왔다. 그러나 이러한 Frye 기준은 지난 두 세기 동안 상당한 공격을 받았다. 심지어 Frye 기준은 Daubert 기준에 의하여 폐기되었다고 여겨지기도 하지만, 일각에서 여전히 Frye 기준이 적용된다고도 한다. Daubert 기준은 관련성과 신뢰성 측면에 중점을 두고, 문제된 이론이 검증된 바 있는지, 그것이 동료에 의하여 평가된 바 있는지, 잘 알려진 잠재적 오류율이 있는지 등에 따라 결정된다. 인공지능 범죄예측 결과의 증거로서의 허용 여부나 압수･수색의 근거가 아닌 불심검문에의 적용 가능성을 따질 때 앞서의 Frye/Daubert 기준은 지나치게 엄격한 것으로 보인다. 즉 불심검문에의 적용과 관련하여 과학적 증거방법으로서 허용 여부나 신뢰성 문제는 본질적인 문제는 아니기 때문이다. 이에 대하여는 불심검문의 근거로도 부적합하다는 견해가 없는 것은 아니지만, 불심검문과 관련한 논의의 중점이 적법한 경찰권의 행사인지 여부라는 점을 고려하면, 본시 예감(hunch)에 의존하던 불심검문 상의 정지를 보다 객관적인 데이터에 기초하여 행할 수 있다는 점에서 수용 가능하다고 할 것이다. 인공지능으로 인한 범죄예측 결과는 그 내재된 문제점에도 불구하고, 잠재적 범죄행위에 대한 억지 및 단속이라는 불심검문의 적법성 제고에는 도움이 될 수 있기 때문이다. 인공지능 범죄예측 결과는 앞서 살펴본 바와 같이 그 기법의 불투명성이나 블랙박스와 같은 성격 때문에 법적으로 용인하기 어려운 측면이 있는 것은 사실이다. 인공지능 예측결과를 불심검문의 근거로 삼고자 할 때는 다른 기준이 적용될 필요가 있다. 불심검문이 요구하는 비교적 낮은 정도의 혐의 요건은 이러한 인공지능 예측결과 단독으로도 충족이 가능할 수 있다고 보인다. 기존의 불심검문이 개시되는 양상을 보면 수상한 행동이라는 불명확한 기준과 경찰관의 직감에 의하여 불심검문이 행하여졌는데, 빅 데이터 지식처리 인공지능에 의한 범죄예측 결과는 이런 행태보다는 범죄혐의 충족에 있어 우월하다고 하여야 할 것이다. 나아가 범죄예측 결과를 단독으로 불심검문의 근거로 삼지 않고, 불심검문 시 수상한 행동 등과 함께 고려하여야 할 불심검문 당시 경찰관이 가지고 있는 사전정보 및 지식을 대체하는 용도로 사용한다면 적법성 차원의 문제는 불식시킬 수 있다고 본다. 이러한 빅 데이터 지식처리 인공지능 예측결과가 경찰관이 가지고 있는 사전정보 및 지식이나 막연한 직감보다는 불심검문 근거로서 모호성이나 문제점이 훨씬 적고 또 획일적인 HCA보다는 더 합리적 기준이며 아울러 HCA의 일률적 적용과 관련한 부당한 차별의 문제 등을 해결할 수도 있다.