[알기쉬운 AI - 02] '제 3차 AI붐' 이란?

인공 지능은 지금까지 뜨거운 붐(Boom)과 추운 겨울의 시대를 거듭해 왔습니다. "이번에야말로 다양한 작업을 인공지능이 해결해 줄 수 있을지도 모른다"라고 열광하다가도 "역시 인공지능 따위 별거 없어"라는 실망을 2회 반복하였습니다. 그리고 지금이 '제3차 AI붐'이라고 일컬어지며 그 도화선이 된 것이 딥러닝에 의한 AI 실용화 시대의 도래입니다. 여기서는 지금까지 일어난 AI붐에 대하여 그 개요를 역사에 따라 소개합니다.

 

1차 AI붐 (1950년대 ~ 1960년대 )

1차 붐은 1960년대에 일어난「추론과 탐험」을 행하는 프로그램에 대한 붐(Boom)입니다.

 

놀랍게도 AI는 이 시점에 이미 퍼즐과 미로를 풀고 간단한 수학의 정리를 증명하거나 체스를 두는 등 지적 활동을 배울 수 있는 단계였습니다. 그러나 매우 제한적인 조건에서만 적용 가능하였고, (일반적으로) 실용화에는 이르지 못했습니다.

 

미로를 푸는 예를 살펴봅시다.

 

처음 미로를 풀 때, 기계는 그렇게 현명하지 못하기 때문에, 모든 길을 샅샅이 조사해 가능한 길의 패턴을 시도하고 있습니다. 이렇게 어떤 선택지가 있는지 전부 알아가는 과정을 '탐색'이라고 합니다.

 

그러나 그것만으로 ‘인공지능' 이라고는 도저히 부를 수 없습니다. 당시의 AI는 이것에 더하여 목적지에 도착하는 경로를 예측하는 것도 있어서 이를 "추론"이라고 했습니다.

 

당시의 AI는 이 '추론과 탐색'의 조합으로 미로를 풀 때 가능한 모든 선택지를 탐색하여 목표에 도달하는 방법을 찾아내거나, 체스에서 가급적 자신이 유리해지도록 말의 배치를 선택하는 등의 일을 했습니다.

 

그러나 그 적용 범위는 규칙과 목표가 명확하게 정해져 있는 문제에 한정됩니다. 규칙과 목표가 복잡하고 모호한 현실 세계에서는 거의 쓸모가 없었습니다. 즉, 체스와 오델로에서 말을 두는 패턴은 한정되어 있고, 상대방의 수를 가르치는 정도 밖에는 안됩니다.  운전을 예로 들면, 그 길은 미로의 몇수십 배의 길이 존재하고 핸들을 꺾는 방향도 천차만별이기에 목적지에 도착하는 방법은 무수히 존재합니다. 즉 이것을 기계에게 시키면 모든 패턴을 계산할 때 계산량이 폭발적으로 증가해 버립니다.

 

이렇게 1차 AI붐은 계산을 효율화하는 이론의 부족과 컴퓨터의 처리능력 부족으로 종말을 맞이합니다.

 

하지만 지금으로부터 50년 전의 일이라고 생각하면 감탄스럽기도 합니다. 물론 당시의 사람들에게도 놀라움이었고, 그 시점에 벌써 현재 진행 중인 ‘물체인식’과 ‘언어의 이해’ 등을 시도하는 연구가 이뤄지고 있었습니다.

 

2차 AI붐 (1980 년대 ~ 1990년대)

그리고 20년 정도의 시간을 거쳐 2차 AI붐이 도래합니다. 이것은 처음의 WEB 페이지가 등장한 1990년 이전의 이야기입니다.

 

2차 AI붐은  ‘지식’을 기억시키고 보존하여 룰이 존재하지 않는 현실의 문제에  대처하는 'Expert 시스템'이라는 장치가 고안되었습니다.

 

이것은 이름 그대로 어느 분야의 전문가의 지식을 컴퓨터에 저장하고 이를 토대로 추론을 하는 것입니다. 즉, 2차 AI붐의 특징은 지식표현이라고 할 수 있습니다.

 

그러나 이 시스템은 스스로 학습이 불가하며, 지금까지의 패턴을 그대로 재현하는 것에 지나지 않는다고 할 수 있습니다. 게다가 전문가의 지식을 정리해서 컴퓨터에 한없이 입력하는 작업을 인간이 직접 수행해야만 했습니다.

 

또한, 일례로 생산공장 현장 등에서는 지식보다 오랜 경험과 직감이 더 중요한 경우가 많으며, 그것을 컴퓨터가 기억하도록 규칙화하는 것은 쉽지가 않았습니다. 그렇게 만들어진 시스템은 과연 노력 대비 가치가 있는 것인지 의문이었으며, 전문가 시스템의 실용화는 일부 있었지만, 혁신을 일으키지는 못했습니다.

 

당시 전문가 시스템의 실용화로는 기차 경로 탐색이나 엘리베이터의 제어 프로그램이 있었습니다.

 

3차 AI붐 (2006 년 ~ 현재)

2차 AI 붐으로부터 약 30년 정도 경과한 2000년대, 제3차 AI붐에 이르러서야 딥러닝이 등장합니다. 

 

딥러닝은 2006년 컴퓨터 과학과 지식 심리학의 연구자인 제프리 힌튼(Geoffrey Everest Hinton, 1947년 12월 6일 ~ ) 팀에 의해 발명되었습니다. 입력 데이터에서 스스로 특징을 판별하고 특정 지식이나 패턴을 기억시키지 않아도 학습이 가능한 딥러닝 은 지금까지의 AI라는 계산시스템과 차별화된 것이었습니다.

 

딥러닝의 구조는 향후 단계별로 소개하겠지만, 이름 그대로 매우 심도 깊은 계산을 수행함으로 기계가 스스로 "어떤 행동을 할 것인가"를 학습할 수 있습니다.

 

예를 들어 '이미지 인식’의 경우, 개는 무엇인가를 반복적으로 대답하면서 정답과 맞춰보는 비교 복습을 통하여 어떤 특징을 가진 이미지가 개인지를 스스로 학습한 후, 그다음에 본 이미지는 개의 특징을 갖고 있는지 판별할 수 있습니다.

 

보충학습 : 어떻게 사진을 "계산" 하는 거지?
이미지와 음성은 모두 수치 데이터로 변환할 수 있습니다. 따라서, 컴퓨터의 계산능력과 이론적 효율성이 잘 갖춰지면 이미지를 수치 데이터로 변환하고 특징을 분석한 후 다시 이미지로 되돌리는 것은 어렵지 않습니다. 또한 현대의 컴퓨터는 그런 식으로 계산을 수행하고 있습니다.

 

유명한 Google의 이미지 인식과 바둑 프로젝트, IBM의 Watson 등, 딥러닝을 활용한 사례가 단번에 화제가 되었고, 사회혁신의 붐을 불러일으키고 있습니다.

 

앞으로도 이 딥러닝을 기초로 해서 다양한 형태의 자동화 기술 및 실용적인 기술이 연구 개발될 것입니다.

 

[알기쉬운 AI - 03] 빅데이터 × AI의 의미는?