인공지능 기술의 역사적 발전 과정과 인지컴퓨팅 및 딥러닝 기술의 원리 및 응용 분야 doc_id PCY_201610210218207881_3

그러나 이러한 미래 유망 기술에 대한 전망 작업에는 두 가지 한계가 있다. 첫째, 이런 보고서들은 보통 신기술의 가능성을 언급하는 선에서 그칠 뿐, 이 기술들이 구체적으로 기존 산업에 어떻게 침투해서 산업 지형에 어떤 영향을 미치게 될지에 대해서는 자세한 분석을 하지 않는다. 신기술은 그 자체로 이전에 없던 새로운 산업을 탄생시킬 수도 있고(예: 인터넷으로 인한 검색 포털과 SNS 서비스의 등장), 기존 산업의 구조나 가치사슬에 커다란 변화를 가져올 수도 있으며(예: 스마트폰으로 인한 휴대폰 선도기업의 변화, MP3 기술로 인한 음악 산업의 가치사슬 변화), 한 산업을 통째로 소멸시킬 수도 있다(예: PC의 등장으로 인한 타자기 및 워드프로세서 산업의 소멸, 냉장고로 인한 얼음채취 산업의 소멸). 신기술은 이렇게 다양한 폭과 깊이의 충격을 가져올 수 있으므로, 신기술이 열어 주는 새로운 기회를 포착하려는 기업이나 정부는 이러한 변화의 가능성을 가능한 구체적으로 먼저 예상해보는 것이 필요할 것이다. 컴퓨팅이란 하드웨어, 소프트웨어, 데이터 등 세 가지 축의 결합인데, 클라우드컴퓨팅 상에서 빅데이터를 분석하기 위해서는 유연한 소프트웨어 알고리즘이 중요하다. 한국에서 클라우드 컴퓨팅과 빅데이터는 주목하지만, 인지컴퓨팅에 대한 이해는 정부와 기업 모두 부족한 실정이다. 전산학(Computer Science)과 인지과학(Cognitive Science)의 융합을 통해 등장한 ‘인지컴퓨팅(Cognitive Computing)’은 과거에는 컴퓨터가 해결하기 어려웠던 복잡하고 모호하며 불확실하고 동적이며 종종 모순된 문제를 해결하고자 한다. 인지컴퓨팅이란 사람의 개입 없이도 자율적으로 주어진 임무를 해결할 수 있는 역량을 갖춘 컴퓨팅 서비스이며, 기존 프로그램(1세대 인공지능 포함) 방법론과 근본적 차이는 학습능력과 변화에 대한 적응력이다(임백준, 2014.11.4.). ‘인공지능(Artificial Intelligence)’이라는 용어는 1956년 처음 등장하였다. 초기 인공지능은 숫자를 계산 및 기호를 조작하는 알고리즘을 통해 논리적 추론을 수행했는데, 의미와 괴리된 기호 연산은 지능을 구현하는데 곧 한계에 직면하였다(유신, 2014: 29-30). 1960년대 일반적인 인공지능 시도가 실패한 후, 1980년대에는 협소하고 특정한 범위에 한정해서 인간 전문가들의 지식을 논리 체계를 이용해 규칙으로 나타내려는 전문가 시스템(Expert System)이 등장하였다. 그런데, 규칙 기반 추론은 문법을 토대로 언어를 처리할 수 있다고 믿는 것과 유사한데, 현실 언어의 수많은 예외와 모호함으로 인해 규칙의 적용에 한계가 있었다. 이후 다양한 개체 간의 관계를 포괄적으로 표현하려는 온톨로지 연구가 시도되었으나, 개념적으로만 과도하게 복잡한 계층 구조를 생성하고, 막상 실제 데이터를 제대로 설명하지 못해 이 역시 한계에 직면하였다(이상구 외, 2010). 지능을 추상적인 기호 간의 논리 체계로 본 초기 접근과 달리 현재는 지능이 간단한 기능의 작은 단위들이 복잡하게 연결되며 발생하는 현상으로 이해하고 있다(유신, 2014: 134-135). 인간의 대뇌 신피질은 출생 시에는 아무 지식도 존재하지 않지만, 살면서 다양한 경험을 쌓아가며 세계에 존재하는 패턴과 규칙을 학습하는 유기체이다. 대뇌 신피질에서는 뉴런 사이의 연관이 활성화되는 경험이 반복될수록 연결하는 시냅스가 강화되는데, ‘인공신경망(artificial neural network)’ 방법론은 뉴런과 시냅스에 해당되는 노드와 연결을 소프트웨어적으로 구현한다. 입력과 출력 신호 사이에 중간 단계인 다수의 은닉층이 존재하고, 학습을 통해 각 노드간 연결의 가중치를 조정함으로써 예측 정확도를 개선해 나가는 것이다. 기존 프로그래밍이 연역적 추론에 기반했다면, 기계학습은 귀납적 추론에 기반한다. 하둡(Hadoop) 등 병렬분산처리 기술의 발전으로 클라우드 컴퓨팅 시대가 도래했고, 인터넷ㆍSNS의 성장과 모바일 센서의 보급으로 빅데이터 시대가 부상했다. 기계학습은 “명시적으로 프로그램(explicitly programmed) 되지 않아도 컴퓨터가 스스로 학습할 수 있도록 능력을 부여하는 연구 분야”인데, 지도학습(supervised learning), 비지도학습(unsupervised learning), 강화학습(reinforcement learning)으로 구성된다. 인간이 상세한 세부규칙들을 포함하는 프로그램을 작성하지 않아도 다양한 입력 데이터와 결과물의 정보를 제공하면 컴퓨터가 스스로 입력 데이터와 결과물을 연결하는 패턴 및 전략을 학습하는 것이다. 2012년 이후부터는 인공신경망 기술을 심화 발전시켜 계층적으로 추상화한 개념을 쌓아 올려가며 객체를 분별하는 ‘딥러닝(Deep Learning)’ 방법론이 가장 각광받고 있다. 딥러닝은 각 층(layer)마다 주성분 분석(principal component analysis) 기법과 유사하게 ‘특징표현’을 추출해 내는데, 이를 다계층에 걸쳐 수행함으로써 일반 주성분 분석보다 훨씬 높은 차원의 추상화가 가능하다(마쓰오 유타카, 2015 : 161-162). 2014년 구글이 선보인 딥러닝 알고리즘은 무려 22개 계층의 모형을 구축했다(Szegedy, 2015). 인공신경망 기술을 발전시킨 딥러닝 기술의 등장으로 인지컴퓨팅은 고도로 추상화된 개념의 학습이 가능해지며 급격히 발전하게 된 것이다. 그런데, 딥러닝 기술은 학습을 위해 많은 데이터가 필요하므로 데이터가 풍부한 분야에서 우선적으로 적용되며, 거대한 연산자원을 요구한다. 먼저 이미지 인식 분야가 딥러닝 기술의 발전을 견인하고 있다. 140만 장의 이미지 DB를 구축한 국제 이미지 인식 기술 대회(ILSVRC)는 거대 데이터를 분석할 수 있는 인지컴퓨팅 기술이 발전하는 계기를 마련했다. 특히, 2012년 국제 이미지 인식 기술 대회에서 딥러닝 기술이 우승한 이후부터 이미지 정보 처리 분야는 딥러닝 기술이 평정하였다. 이미지에서 단일 대상을 인식하는 능력은 이미 인간을 능가했고, 현재는 다수의 대상을 동시에 개별적으로 인식하는 능력을 집중적으로 개발 중이다. 향후에는 3차원 영상 및 동영상 인식이 연구개발의 중심이 될 전망이다. 자연어 처리는 문법 기반에서 통계 기반 방법론으로, 형태소 분석, 구문 분석, 의미 분석 순으로 발전하고 있다. 영어는 구문 분석까지 진도가 완료된 반면, 한국어는 아직도 형태소 분석 과정에서 고전 중이다. 한국어의 언어적 복잡성 뿐 아니라, 디지털 언어자원 구축이 미흡하다는 점도 한국어 처리 기술 발전의 걸림돌로 작용한다.