메가스터디

안녕하세요. 8월 칼럼이었던 반도체 생태계 소개 칼럼에 이어서 이번에는 생기부 소재 추천을 겸해서 AI에 대해서 조금 더 깊게 다루는 칼럼을 써보고자 합니다. 가장 유명한 인공지능을 뽑으라고 한다면 2010년대의 사람들은 ‘알파고’를, 2020년대의 사람들은 ‘챗 GPT’를 뽑을 것 같은데요. 전자는 의사결정 분야의 AI, 후자는 초거대 언어모델에 해당하는 AI입니다. 사실 이렇게 인공지능 산업이 많이 발전하고, 사람들 입에 오르내리기 전에, 무려 1950년대에 인공지능의 핵심을 이루는 ‘인공신경망’ 개념이 등장했습니다. 오늘 칼럼에서는 AI의 다양한 종류와, 어떻게 AI 산업이 현재에 이를 수 있었는지를 집중적으로 조명해보겠습니다.

AI를 이해하기 위해서는 ‘규칙 기반 프로그래밍’과 ‘인공지능’의 차이점을 분명하게 짚고 넘어가야 합니다. 먼저 ‘규칙 기반 프로그래밍’을 살펴보자면, 컴퓨터는 인간이 사용하는 언어를 이해하지 못하므로, 인간이 원하는 일을 컴퓨터에게 시키기 위해서는 항상 숫자와 컴퓨터에게 시킬 일의 단위를 서로 매칭시켜 주는 작업이 필요합니다. 이 작업을 우리는 ‘규칙 기반 프로그래밍’이라고 부르며, 컴퓨터와 소통할 수 있는 프로그래밍 언어에는 자바, 파이썬, C언어 등이 존재합니다. 이 규칙 기반 프로그래밍은 컴퓨터에게 연산을 시키거나, 데이터를 저장하는 등의 단순 업무 처리에는 활용될 수 있지만, 컴퓨터가 인간처럼 사고하여 일을 처리하는 복잡한 과정 대신 단순한 입력-계산-추출 과정으로 구성되어 있습니다. 때문에 복잡한 의사결정 과정부터 개와 고양이 사진을 구분하는 단순한 일까지 인간이 만든 규칙이 없으면 작동이 불가능하다는 큰 단점을 가지고 있는데, 이를 해결하기 위해서 등장한 것이 인간 두뇌가 데이터를 처리하는 방식을 흉내 낸 ‘인공지능’ 개념입니다.

이 과정을 조금 쉽게 설명하자면, 인간이 어린아이들에게 사진에 있는 동물이 호랑이인지 사자인지 가르칠 때, 그 동물이 호랑이인지 사자인지만 알려주지, 코와 눈과의 거리는 얼마이고, 픽셀 단위로 밝기를 분석하는 방식을 직접 가르쳐주지 않는 것을 떠올리시면 됩니다. '규칙 기반 프로그래밍'으로는 하지 못하는 일들을 '인간의 두뇌'로는 할 수 있으므로, '인간 두뇌'를 모방한 프로그램을 만들었고, 그러한 방식을 우리는 '엔드 투 엔드', 조금 더 포괄적인 개념으로는 '인공지능'이라고 부릅니다. 1950년대에는 인공지능에 대한 다양한 이론들이 있었고, 인간 두뇌를 모방하여 인공지능이 스스로 학습하게끔 개발한 '엔드 투 엔드' 방식 외에도, 인공지능에게 인위적으로 지식을 학습시키는 등의 방식도 존재했습니다. 인공지능에 대해서 다양한 이론들이 제시되고, 연구들이 진행될 무렵 코넬대학교의 ‘프랭크 로젠블랫’ 박사가 퍼셉트론이라는 인공신경망 개념을 제안하였고, 1958년, 퍼셉트론이 기계 형태로 세상에 등장합니다. 초기의 인공지능 개발자들은 체스 같은 게임 프로그램, 영어 문장 해석 프로그램 등에 퍼셉트론을 적용하였고, 곧 약간의 성공을 거두게 됩니다. 하지만, 당시 컴퓨터의 연산 능력과 메모리는 인공지능의 개발 속도를 따라갈 수 없었고, 1개의 퍼셉트론만 사용하던 당시의 인공지능으로는 해결할 수 없었던 난제인 XOR 문제(이 부분은 짧게 요약하기가 힘들어서 관심 있으신 분들은 ‘마빈 민스키’와 ‘시모어 페퍼트’를 찾아보시면 궁금증을 해결하실 수 있습니다.)가 나타나면서 인공지능 연구에는 혹독한 겨울이 찾아왔습니다.

이 XOR 문제에 대한 돌파구를 마련하기 위해서 인공지능 연구원들이 고심한 결과, 인공지능 연구의 방향은 1개의 퍼셉트론이 아닌 다층 퍼셉트론으로 개선되었고, 이렇게 등장한 다층 퍼셉트론은 이론적으로 인간이 하는 복잡한 일도 상당수 따라할 수 있을 정도로 획기적인 이론이었습니다. 문제는 이 다층 퍼셉트론을 ‘어떻게’, ‘실제로’ 학습시키는 것에 있었는데, 다층 퍼셉트론은 1개의 퍼셉트론만 사용했던 예전과 달리 수백만 개에 달하는 인공 뉴런으로 구성되어 있으므로, 이를 학습시키기 위해서는 기하급수적으로 늘어나는 연산량을 감당할 수 있는 도구가 필요했습니다. (이 밖에도, 심층인공신경망 학습 시 발생하는 기울기 소실 문제의 해결 방안, RBM 방법을 통한 인공신경망 초기값의 세팅, ReLU 등의 새로운 활성함수 발견 등, 다층 퍼셉트론을 학습시키기 위해서는 넘어야 할 장벽들이 많았고, 이 과정은 다소 복잡해서 관심 있으신 분들은 한 번 찾아보시는 것을 추천드립니다.)

인공지능 연구원들은 이 도구를 전혀 예상치 못하게 고성능 그래픽 처리 카드를 판매하던 기업을 통해서 얻게 됩니다. 주로 게임이나 그래픽 작업에만 쓰이던 엔비디아의 GPU가 마침내 대규모 병렬 연산에 사용되게 되면서, GPU를 기반으로 하는 인공신경망을 필두로 인공지능 산업은 급속도로 발전하게 됩니다. 저번 반도체 생태계 소개 칼럼에서도 언급했듯이, GPU는 CPU와 달리 단순한 대규모 연산에 적합한 반도체였으므로, 다층 퍼셉트론 학습에 반드시 필요한 막대한 연산량을 빠르게 수행하기에 가장 적합한 도구였습니다. 엔비디아의 GPU를 연구팀이 사용한 결과, 인공신경망은 최대 15배에 달하는 학습 성능 향상을 이루어냈고, 반도체와 인공신경망의 혁신이 결합하여 ‘엔드 투 엔드’ 인공신경망은 전보다 더 강력해지고, 본격적인 상용화 단계에 진입하게 됩니다.

여기서 핵심적인 부분은 인공 뉴런입니다. 즉 인간의 두뇌를 모방하여 만든 ‘엔드 투 엔드’ 인공신경망 구조는 높은 산술연산 요구치 때문에 당시에 가장 많이 쓰이던 연산 반도체인 CPU로는 도저히 이 요구치를 만족시킬 수 없었고, 때문에 상업적으로 전혀 증명되지 않은 구조였습니다. 때문에 많은 인공지능 연구원들은 스스로 배우는 ‘엔드 투 엔드’ 인공신경망 대신 인위적으로 인공지능을 ‘가르치려 했던’ IBM 사의 왓슨(미국의 퀴즈 쇼 <제퍼디>에 나오는 인공지능) 등 다른 방식으로 당장 가능한 ‘현실적인 길’을 모색했습니다. 하지만 인공지능 개발의 선두 주자였던 Google를 필두로 ‘엔드 투 엔드’ 방식의 가능성을 본 연구원들과 기업들, 투자가들은 자신들이 가진 자본, 연구 능력과 인공지능 학습 시 필요한 막대한 데이터들을 제공하면서 끝내 ‘엔드 투 엔드’ 인공신경망을 성공으로 이끌었습니다.

‘엔드 투 엔드’ 인공신경망의 핵심은 바로 ‘접근성’에 있습니다. 수천 명의 소프트웨어 개발자를 필요로 했던 다른 인공지능들과 달리 엔드 투 엔드 인공신경망의 경우엔 수백 줄의 인공신경망 코드를 구현한 뒤에 자신이 가지고 있는 데이터들을 학습시켜서 자신만의 인공지능을 만들 수 있고, 거창한 실리콘밸리 기업 외에도 중소기업, 작은 가게에서도 혼자서 개발할 수 있는 것이 ‘엔드 투 엔드’ 인공신경망의 압도적인 장점입니다.

그렇다면 앞으로 다가올 인공지능 혁명 시대에서 가장 유망한 산업은 무엇일까요? 대부분 인공지능 산업, 반도체 산업(특히 GPU)이라고 말씀하시겠지만, 인공지능에 있어서 중요한 또 하나의 축은 바로 ‘데이터’입니다. 아무리 ‘엔드 투 엔드’ 인공신경망으로 인해서 인공지능에 대한 접근성이 낮아지고, 엔비디아의 GPU로 인해서 인공지능의 학습 능력이 대폭 향상되었다고 해도 양질의 데이터와 데이터 분류 능력이 없다면, 인공지능을 학습시킬 수조차 없기 때문입니다.

예를 들어서, 안면 인식을 통한 보안 프로그램을 만든다고 가정했을 때 동양인인 한국인의 얼굴 사진 10,000장만을 인공지능에게 학습시킨다면, 백인이나 흑인이 방문했을 때 인공지능은 이를 제대로 구별할 수 없거나 오류를 일으킬 가능성이 높습니다. 또 지나치게 적은 양의 데이터만을 가지고 있거나, 제대로 데이터를 분류하지 못해서 인공지능 학습에 장애가 일어나는 등, 제대로 된 데이터 셋이 없다면 인공지능 학습을 진행하기 힘듭니다. 이러한 이유 때문에 인공지능 산업이 발전하고, 상용화가 이루어질수록, 데이터를 많이 보유하고 있는 기업들과 전문가들 중심으로 산업 체계가 개편될 가능성이 높습니다. 따라서 혹시 인공지능학과, 반도체학과를 지망하시는 수험생분들이라면 자신이 가진 데이터(학교 실험에서 측정한 데이터, 프로젝트 등에서 사용한 데이터)를 어떻게 하면 잘 활용할 수 있을지, 그리고 실제로 머신러닝을 통해서 데이터를 분석해보시는 것도 추천드립니다.(kaggle 플랫폼을 사용하면 더욱 수월하게 분석이 가능합니다.)