인공지능 기술이 바꾸는
지적 노동의 가치

요즘 어딜 가나 ‘인공지능(AI)’이 인기다. 이 흐름을 이끄는 것은 과학-산업분야 연구자들이다. 꼭 정보통신기술(ICT)을 연구하던 사람이 아니더라도 어떻게든 인공지능 기술을 접목해 기존 연구의 효율을 더 끌어올리려는 사람이 많아지고 있다는 걸 실감할 수 있다. 인공지능 기술을 도입하는 것만으로도 기존 연구의 한계를 뛰어넘을 길이 생기기 때문이다.

연구역량이 올라간다는 말은 국가의 기초과학력이 향상된다는 말. 한층 나아가 산업계에선 경제적 성장력이 올라간다는 말로도 통한다. 일부 소비자 중에서는 ‘스피커에게 음성으로 TV를 켜라’고 명령할 때나 쓰는 걸로 여겨지기도 하지만 과학, 산업계에선 인공지능은 기존 패러다임을 송두리째 바꿀 게임체임저로 통한다.

그러니 국가별로도 저마다 인공지능을 과학, 산업계에 적극적으로 도입하려는 노력이 두드러진다. 미국은 2016년 국가과학기술협의회(NSTC)를 통해 ‘국가 연구개발(R&D) 전략’을 발표했는데, 스마트시티 및 보건의료, 국방 관련 인공지능 기술 개발에 3억 달러를 투자할 계획을 수립해 추진하고 있다. 이 계획서에는 “인공지능을 인간의 생활 즉, 삶, 교육, 안전, 보안, 건강, 일 등을 획기적으로 변화시켜 엄청난 사회·경제적 혜택을 가져다 줄 ICT 기술로 인식하고, 인공지능 관련 R&D 사업을 국가적 정책사업으로 채택해 우선적으로 투자하고 수행할 것”이라고 권장하고 있다.

미국뿐 아니라 국내에서도 사실상 인공지능에 집중 투자하고 있다. 우리 정부는 2019년 1월 경제부총리 주관으로 관계부처와 합동으로 수립한 ‘데이터·인공지능 경제 활성화 계획’을 제1차 혁신성장전략회의에서 2019년부터 2023년까지 인공지능을 육성할 5개년 실행계획을 발표하고, 여기에 따라 해양수산부가 ‘스마트자동화 항만 상용화 기술개발’ 등에 55개 사업에 2102억 원을 투자키로 했다.

기업체는 기업체대로 인공지능을 회사 전 분야에 도입하는 분위기다. 인공지능을 도입하는 것만으로 사내 생산성을 큰 폭으로 높일 수 있다고 판단하고 있기 때문이다. 한국마이크로소프트는 지난 3월 자사의 AI기술력과 철학을 바탕으로 ▲디지털 트랜스포메이션 구현 ▲책임 혁신을 위한 공동체 구성 ▲기술 격차 해소 및 일자리 창출 ▲사회적 영향력 창출 등 총 4가지 집중 분야를 선정해 회사 전반에서 인공지능을 활용키로 했다. 이 회사 측은 “최근 통계를 보니 9% 정도 기업이 인공지능을 경영 및 개발과정에 도입하고 있는데, 급격하게 늘고 있지만 사실 현재의 기술흐름을 보면 실망스러운 수치”라고 까지 밝히기도 했다.

각국이 이렇듯 인공지능에 ‘다걸기(올인)’를 하는 모습을 보이는 까닭은 무엇일까. 인공지능 연구나 투자, 산업분야 도입 등은 과연 그만한 가치가 있는 일일까.

상황을 정확하게 이해하기 위해 우선 인공지능이 어떤 원리에 의해 움직이는지 짚고 넘어가 보자. 인공지능은 사실상 철저하게 통계학 원리에 의해 움직인다. 인공지능의 기준에 대해서는 학자마다 이야기가 다소 차이가 있지만, 최근 인기를 얻고 있는 차세대 인공지능 기법의 특징은 ‘기계학습’이 가능하다는 데 있다. 즉 인간이 주제를 정해주고 인공지능 프로그램에게 무언가 일을 시키면, 그 프로그램은 기존에 인간이 만들어 놓은 데이터를 분석하거나, 혹은 스스로 굉장한 횟수의 시행착오를 겪으며 가장 최적의 효과를 내는 방법을 찾아낸다.

기존에 사용하던 컴퓨터 소프트웨어는 인간이 변수를 모두 예측하고 그에 맞게 동작 수서를 지정해 주는 식이었다. 세탁기를 예로 들어보자. 빨래를 하기 전 세탁조를 한 번 흔들어보고 그때 진동의 크기가 일정수준 이상이면 ‘강력모드’를 선택하고, 그 이하면 ‘중’을 선택하라는 식으로 일일이 순서를 정해 놓는 방식이다. 세탁기나 청소기 같은 간단한 가전제품은 이런 초보적(?)인 방법으로도 상당히 쓸만한 자동화가 가능했다.

개발자의 노력에 따라 이 기술만으로도 대단히 복잡한 일도 할 수 있었다. 1989년 IBM이 개발한 체스 프로그램 ‘딥블루’(Deep Blue)’는 지금 유명한 바둑 인공지능 ‘알파고’, 의료용 인공지능 ‘왓슨’ 등과 달리 학습기능이 전혀 없었지만 러시아의 체스 세계챔피언 게리 카스파로프에게 승리해 화제가 됐다. 사실 이 시절에는 이정도 기술을 가지고도 ‘인공지능’이라고 부르고는 했다. 학자에 따라서는 이 방식도 1세대 인공지능이라고 구분하기도 한다.

최근에는 도저히 인간이 모든 변수를 예측해 거기에 대응하는 답을 알려주기 어려운 분야, 사람이 할 수밖에 없다고 생각되는 분야에도 인공지능이 쓰인다. 인간의 지능을 흉내 내도록 만든 프로그램을 가져다 놓고 생각할 수 있는 모든 변수에 일일이 대응하는 복잡한 프로그래밍 과정을 그 다시 인공지능에게 맡길 수 있게 된다.

그렇다면 인공지능은 어떻게 학습이 가능해지는 것일까. 흔히 이 과정에서 ‘인공신경망’이니 ‘딥러닝’이니 하는 복잡한 이야기가 나오는데, 그 과정을 들여다보면 수치화된 데이터를 기반으로 일종의 패턴을 찾아내는 것과 다르지 않다는 사실을 알 수 있다. 이 이야기는 인공지능 프로그램이 결국 철저하게 통계학 원리에서 움직이고 있다는 뜻이다.

기계에게 인공신경망을 얹어 놓고 학습을 시키는 기술을 흔히 ‘딥러닝’이라고 하는데, 여러 가지 인공지능 기법 중에서도 요즘 이 기술이 가장 주목받고 있으며, 이 기술의 실용화로 사실상 인공지능 혁명의 촉발이 당겨졌다고 해도 과언은 아니다. 딥러닝의 근간인 인공신경망은 입출력 값을 사람의 신경세포를 대신하는 ‘노드’라는 것의 연결을 통해 만들어진다. 그런데 노드가 하는 일은 결국 입력된 신호 중에서 가중치를 부여하고, 그 값을 함수에 적용해서 출력값을 조정한다. 여기서 이야기하는 함수란 결국 통계에서 흔히 이야기하는 ‘시그모이드(Sigmoid)’ 형태, 즉 전형적인 S자 곡선 형태다. 입력이 들어오면 이 함수에 비교해 버릴 것인지 취할 것인지를 결정하는 기준으로 삼는다. 그리고 출력값이 부정확하다고 생각되면 이것을 다시 비교해 가중치를 조정한다. 결국 인공지능이 학습을 통해 더 똑똑해졌다는 말은 보다 더 유의미한 통계를 내기 위해 그 기준값을 조정하는 과정과 다르지 않다.

결국 무수한 데이터를 바탕으로 통계학적 결과를 도출해내는 것이 인공지능이다. 이는 인간이 할 수 있는 지적 노동의 상당 부분을 차지한다. 결국 인공지능 시대가 되면 어떤 일을 하면서 기대할 수 있는 결과를 인공지능에게 알려주고 그 중간에 수없이 반복해야 했던 단순하고 반복적인 지적 작업의 상당 부분을 대체할 수 있게 된다.

이 기술이 연구계나 산업계 개발자 손에 들어오면 어떤 일이 벌어질까. 흔히 인공지능의 도입으로 얻을 수 있는 기대효과를 데이터 분석이나 엔터테인먼트 활용 등에만 쓰일 것으로 생각한다. 즉 인공지능을 이용하면 내비게이션의 길안내가 더 정확해질거야, 스마트폰의 음성 통역기술이 더 정확해 질거야, 라고 기대하는 식이다. 그러나 인공지능의 역량은 인간의 지적 활동 전반을 보조할 수 있다. 과학기술자 중에선 이런 식으로 연구효율을 큰 폭으로 올리는 경우도 많다. 과거에는 시간과 비용이 막대하게 소비돼 불가능할 것처럼 여겨지는 분야에서 성과를 낼 수 있기 때문이다. 예를 들어 서울대 김태현 교수팀은 인공지능 기술을 이용해 새로운 양자 알고리즘을 개발하고 있다. 인공지능이 미래 원천기술로 꼽히는 ‘양자컴퓨팅’ 경쟁력 제고에 기여하고 있는 셈이다. 인공지능은 이제 누구나 가져다 써야 하는 유용한 도구로 자리매김했다. 인공지능은 이제 ‘발명의 방법’에서도 혁신을 끌어내고 있다. 이 때문에 인공지능 전문가들은 물론 정부 당국자들도 인공지능 발전을 위해 꼭 필요한 기본 재료, 즉 ‘데이터’ 확보에 집중하고 있다. 우리 정부도 인공지능 육성책을 발표하면서 “데이터의 수집·유통·활용 전 단계를 활성화하고 세계적 수준의 인공지능 생태계 조성, 산업 전 분야와 인공지능 간 융복합을 촉진하겠다”고 나선 것도 이와 무관하지 않다.

과거에는 복잡한 데이터를 처리하고 원하는 답을 얻기 위해서는 복잡한 통계지식을 습득하는 것이 필수적이었다. 그러나 인공지능 기술이 발전하면서 이 양상이 다소 달라지기 시작했다. 처음부터 통계학의 원리에서 만들어진 인공지능이 스스로 학습을 하고 답을 낼 수 있으니 사실상 통계에 대해 잘 모르던 사람도 아이디어만 있으면 인공지능에게 분석을 시키고 복잡한 데이터를 분석하는 일이 어느 정도 가능해졌다. 기계학습은 시행착오, 혹은 기존 데이터를 참고해 스스로 소프트웨어를 강화하고 답을 낼 수 있다.

이 문제를 놓고 “통계학을 배울 필요가 없다”거나 “인공지능 시대에 통계학이 가치가 없다”라고 말하는 것도 의외로 자주 볼 수 있다. 그러나 통계는 인공지능이 근간이라는 점에서 이 둘을 비교하는 것 자체는 다소 어폐가 있다. 실용성 면에서도 통계는 여전히 두 분야에서 큰 가치를 갖는다. 첫째는 인공지능의 근간이 통계학인 만큼, 인공지능 그 자체의 개발과 성능을 높이는 과정에서 고도의 통계기법 도입은 필수적이다.

인공지능의 기본 프로그램이 다르다면, 같은 데이터를 두고도 서로 다른 학습결과를 내 놓을 수 있다. 이 중간과정은 인간이 (그 중간 과정을) 코딩하지 않으며 복잡한 바이너리 코드를 자체 생성하기 때문에 인간이 분석하란 사실상 거의 불가능하다. 이 과정에서 인공지능의 근간인 통계의 원리를 이해하고 있지 못하면 사실상 인공지능의 성능을 가다듬고 원하는 방향으로 성장시키는 등의 통제가 사실상 어렵게 된다. 통계를 모르고 인공지능을 고도의 지적작업에 투입하는 일은 그 사용법도 이해하지 못한 고성능 기계의 버튼을 무작위로 마구 눌러 대는 것과 다를 바 없다.

둘째는 인공지능이 관여하기 어려운 인간만의 영역에서 통계가 여전히 빛을 발한다는 사실이다. 예를 들어 통계의 기본과정인 기본적 지표를 만들고, 그 데이터를 수집하고 확보하는 일 등은 철저히 인간의 영역이다.

또 다른 한 가지는 지속적인 통계학 그 자체의 발전이 인류의 성장에 필수 불가결하다는 사실이다. 통계가 발전하면 그 응용기술로 볼 수 있는 인공지능의 성능 자체가 개선될 수 있다. 통계의 발전이 인공지능의 혁신을 이끌고, 인공지능은 통계의 편리한 사용을 돕는다. 어느 편이든 긍정적이다.

분석솔루션 전문업체 ‘SAS 인스터튜트(SAS Institute)’의 CEO 짐 굿나이트(통계학박사)는 최근 한 컨퍼런스 자리에서 “최근엔 모두가 빅데이터, 클라우드 컴퓨팅, 인공지능과 관련된 이야기만 한다”며 “그게 최신 유행이라 그렇겠지만, 유행은 몇 년이면 형태를 바꿀 것이다. SAS는 사실 15년도 전부터 인공지능 기법을 통계에 적용해 왔다”고 지적했다. 인공지능의 붐이 일고 있지만 그 핵심엔 여전히 통계가 있다는 사실을 강조하는 자부심에 찬 발언이다. 개인적으로 수긍 가는 이야기다. 변하지 않는 것은 기본이기 때문이다.