SW산업 동향 인공지능의 역사와 성공요인[소프트웨어정책연구소]

SW산업 동향 인공지능의 역사와 성공요인[소프트웨어정책연구소]

 

 https://spri.kr/post/21643

    ■ 지난 50년 간 인공지능은 부침의 역사를 겪으며 발전했으며, 딥러닝으로 촉발된 세 번째 황금기는 제4차 산업혁명을 견인
■ 최근 인공지능의 성공요인은 막대한 컴퓨팅 파워, 공개 SW의 확산, 빅데이터의 보급

 

□ 인공지능의 역사

● 인공지능(Artificial Intelligence, AI)는 인간의 지능적 행동을 모사하여 자동화하는 컴퓨터 과학의 한 분야

● 인공지능은 두 번의 황금기와 암흑기를 거쳐, 세 번째 황금기를 맞이함

– 1956년 : 인공지능의 대부 존 매카시가 개최한 다트머스 회의에서 인공지능에 대한 정의와 개념을 정립하면서 인간의 지능을 대체할 학문분야로 인정
– 1970년(첫 번째 황금기) : 특정 분야에 전문적인 지식을 탑재한 전문가 시스템(Expert System)에 막대한 연구자금이 투입

• ~1980년대 중반(첫 번째 암흑기) : 그러나 전문가 시스템이 목표문제를 해결하지 못함에 따라 인공지능에 대한 뜨거운 관심이 약화

– 1985년(두 번째 황금기) : 인공신경망의 한 종류인 다층 퍼셉트론(Multi-Layer Perceptron)의 학습방법인 오류역전파법(Error Back-propagation Method)이 지능적 문제를 해결할 수 있는 가능성 제시

• ~2000년대 중반(두 번째 암흑기) : 세간의 조명을 받았던 오류역전파법 역시 제한적인 데이터, 컴퓨팅파워 부족 등 물리적인 한계로 인해 빛을 발하지 못함

– 2006년(세 번째 황금기) : 인공지능의 부침의 역사에도 불구하고 지속적으로 연구를 수행한 토론토 대학의 제프리 힌튼 교수는 인공신경망의 혁신적인 학습 기법인 자율 학습(unsupervised learning)을 발표

• 기존 인공신경망의 학습 방법은 초기 값에 대한 의존성이 매우 크기 때문에 새로 학습할 때마다 일정하지 않은 결과가 나타나고, 인공신경망이 깊어(deep)질수록 더 큰 폭의 차이가 발생
• 이러한 한계를 극복한 것이 자율 학습으로, 데이터에 해당하는 정보(label)가 없어도 학습할 수 있고 나아가 자율 학습 결과를 초기 값으로 활용하여 일관성 있는 학습 결과 도출
• 구글의 인공지능 프로젝트인 구글 브레인(Google Brain)에서 사용된 기법이 자율 학습으로, 유튜브 영상에서 고양이라는 정보 없이 고양이를 인식하고 분류하는데 성공

● 현재의 인공지능은 이미지 인식, 필기 인식, 음성 인식, 영어의 자연어 처리가 가장 성공적인 분야로 꼽힘

– 이미지에서의 객체 인식률은 이미 사람의 수준에 버금가고, 중국어와 영어를 동시에 인식하는 기술이 소개됐으며, 필기체 인식은 99%에 육박하여 우편물 자동화 처리에 이미 적용 중

● 글로벌 IT기업의 행보 – 인공지능에 대한 공격적인 투자와 연구개발

– 구글은 이미 검색 알고리즘에 인공지능을 접목시켰고, 페이스북은 97%의 정확도로 사진에서 사람의 얼굴을 인식하며, 아마존에서는 로봇을 활용하여 물류시스템을 제어

 

□ 인공지능의 성공 요인

● 컴퓨팅 환경의 고도화

– 그간 컴퓨터 연산처리장치는 지수적인 성능 향상을 달성하며 발전했으며, 실리콘칩의 대량생산 기조에 따라 고성능 저비용 연산처리장치 보급이 확산

• 현재 스마트폰에 탑재된 AP(Application Processor)의 GPU(그래픽연산처리장치, Graphical Processing Unit)는 약 265 Giga FLOP/s(1)의 이론 성능을 보유
• 1996년 6월 발표된 세계 1위 슈퍼컴퓨터 SR2201/1024의 실측성능은 약 220 Giga FLOP/s로 스마트폰의 GPU의 이론 성능에 육박

– 20년 전 약 500억 원에 달하는 슈퍼컴퓨터가 손안에 들어온 시대 도래했음에도 불구하고 학습기반의 인공지능 연구에는 여전히 막대한 계산량이 필요

• 예를 들어 딥러닝 기술은 신경망 구성에 대한 이론이나 원칙이 경험적으로 짐작(Rule of Thumb)되기 때문에 많이 시도해보는 것이 중요
• 바둑 인공지능 프로그램 AlphaGo의 기보학습에는 약 3주간의 시간동안 50장의 그래픽카드를 활용 하여 계산했는데, 이 결과를 얻기까지 수 천, 수 만 번의 반복 계산이 필요

● 빅데이터의 대중화

– 제4차 산업혁명에서의 데이터의 중요성은 언급을 하지 않아도 될 정도로 공감대가 형성

• 인터넷을 통한 데이터의 보급은 새로운 먹거리를 창조할 뿐만 아니라 지능적 의사결정을 위한 인공지능 연구에도 활용
• 빅데이터 여론 분석을 통해 기업의 이미지와 상품의 피드백을 추측할 수 있으며, 타겟형 소비자 매칭으로 영업 이익을 극대화하는 것이 현실적으로 가능

– 학습기반의 인공지능 분야에서는 자율 학습이 등장함에 따라 데이터를 재가공하기 위한 비용이 절감

• 기존의 감독학습(supervised learning)은 데이터와 대응 값이 1:1로 쌍을 이뤄야 했기 때문에 학습에 필요한 데이터 셋을 풍부하게 확보하는 것이 중요
• 그러나 자율학습에서는 대응 값이 필요하지 않기 때문에, 인공지능 분야에서 빅데이터의 대중화는 로켓엔진의 연료 역할을 하여 기술적 진화를 가속화

● 공개SW를 통한 공유의 확산

– 인공지능 및 기계학습 관련 공개SW는 글로벌 IT 기업과 유수의 대학 연구진이 주도적으로 개발하여 현재까지 약 42종에 달함
– 공개SW의 힘으로 인공지능 연구의 진입장벽이 현저히 낮아짐

• 최신 연구결과가 집단지성을 통해 공유되어 연구자들은 데이터를 확보하여 모델링하는 업무에 집중 가능
• GPU와 같은 고성능 계산자원 역시 병렬화 과정이 모두 구현되어 컴퓨팅 인프라를 십분 활용할 수 있는 환경이 조성됨

(1) FLOP(부동소수점연산수, Floating point Operation)은 연산수를 나타내는 단위로 연산처리장치의 성능을 측정하는 지표로 사용됨.
FLOP/s(초당 부동소수점연산수)는 1초에 얼마나 많은 연산을 처리 할 수 있는지를 나타내는 것으로 슈퍼컴퓨터의 성능비교 등에 적용