[아이티데일리] 인공지능 기술 및 제품이 하루가 다르게 개발 공급되고 있다. 또한 관련 시장 및 산업도 빠르게 확산되고 있다. 인공지능 기술은 이미 일상생활 속으로 알게 모르게 빠른 속도로 파고들고 있는 것이다. 그러나 일반인들은 개념적으로는 이해하고 있지만, 인공지능이 어떤 분야에 어떻게 적용되고 있고, 어떻게 발전해 나갈지 등에 대해서는 잘 모르고 있는 게 현실이다. 또한 이와 관련된 믿을 만한 자료는 물론 청사진도 없다고 할 수 있다. 정보통신기술평가원(IITP)이 이에 대한 가이드를 최근 ‘인공지능 기술 청사진 2030’이라는 제목으로 발간해 주목을 받고 있다. 이 가이드는 1년여에 걸쳐 100명 이상의 인공지능 전문가들을 통해 연구 개발했다고 한다. 이 자료는 인공지능 기술 발전의 이정표 역할을 하기에 크게 부족함이 없다는 평가를 받고 있다.

‘인공지능 기술 청사진 2030’은 크게 다섯 가지 방향을 중심으로 추진했다고 한다. 즉 첫째, 사람의 지능과 유사한 기술 분류체계 수립에 심혈을 기울였다는 것이다. 다시 말해 IQ(지능지수), EQ(감성지수) 같은 사람의 지능을 반영할 수 있는 분류체계를 수립해 인간과 가까운 지능체계를 수립했다는 것이다. 두 번째는 미국 중심의 동향에서 중국, EU, 일본 등으로 조사범위를 확대해 각국의 프로젝트 파악에 주력했고, 세 번째는 새로운 기술 분류체계를 기반으로 100여명이 넘는 인공지능 전문가들을 통한 심층 기술수준을 조사했으며, 네 번째는 일반인들도 쉽게 이해할 수 있는 기술 개요부터 전문가들이 원하는 국내외 동향과 주요 R&D 이슈를 폭넓게 조사 정리했다고 한다. 마지막으로는 실제 산업분야에 적용 가능한 인공지능 기술을 제시했다고 한다.

본지는 이에 따라 ‘인공지능 기술 청사진 2030’을 5회에 걸쳐 주요 이슈별로 요약 정리해 게재한다. 즉 ▲깊이 성장 AI ▲범위 성장 AI ▲지속성장 AI ▲신뢰성 있는 AI ▲공감하는 AI 등이다. <편집자>

 개념 ‧ 범위

개념

깊이 성장 AI(인공지능)는 스스로 복잡한 문제에 대한 학습 능력을 갖고 확장 가능한 범용 지식을 습득하고, 지속적으로 성장하는 인공지능 기술을 의미한다. 즉 양질의 대규모 데이터를 기반으로 특정 태스크를 사전 지식이나 경험을 고려하지 않고 처음부터 학습하는 현재의 딥 러닝 기술 구조의 한계를 극복하는 측면에서 범용 인공지능 기법으로 인식되고 있다.

데이터를 분석해 패턴을 찾아내며 학습하는 딥 러닝 기술은 자연어와 이미지 처리 등의 분야에서 높은 성과를 보이는 반면, 학습 데이터가 부족하거나 환경 변화에 의해 데이터 특성이 달라지는 경우 성능 저하가 발생할 수 있다.

양질의 대규모 데이터를 필요로 하는 기존 딥 러닝 기술 구조의 한계를 극복해 스스로 학습하는 범용 인공지능 기술 유형의 자기지도학습, 메타학습, 강화학습 등의 최신 기법을 포함하고 있다.

학습 데이터에서 알려지지 않은 규칙과 정의를 스스로 발견하고 분류와 정책을 지정하는 방식을 수행하고, 문제 해결 방법에 있어서 새로운 문제와 방향을 스스로 인지하여 가설과 검증의 생성 등 문제의 해결 방법을 스스로 주도하는 인공지능 기술로 확장된다.

범위

기계가 사람의 지능이나 지식으로 학습하는 대신, 기계 스스로 대상을 인지하고 의미를 부여하는 학습 기술로, 데이터에서 알려지지 않은 규칙과 정의를 스스로 발견하고 분류를 지정하는 방식을 수행한다.

특징 추출, 모델, 알고리즘 모두 데이터로부터 학습하는 것으로, 학습 과정에서 사용자의 개입을 최소화하는 AutoML, 하이퍼 파라미터 최적화, 신경망 자동 구조 탐색 등을 응용 연구 분야에 포함한다.

환경과의 상호작용을 통해 인공지능 에이전트가 지속적으로 의사결정 정책을 배우는 방식 등을 포함해 범용 인공지능 기법의 하나로서 자율주행, 로봇 등 다양한 지능형 시스템 분야에서 활용도가 높다.

주요 기술동향

자기지도 학습: 기계가 스스로 학습하고 의미를 부여하는 AI

■자기지도 학습: 기계가 스스로 학습하고 의미를 부여하는 AI다. 사람의 도움 없이 기계 스스로 지식을 발견하고 확장하는 기술로 새로운 학습데이터의 정제, 자연어 학습, 이미지 복원 분야에서 많이 사용된다.

■언어지능 자기지도 학습: 기존의 구문분석 대신 End-to-End 학습 방법으로 BERT가 기술을 주도하고 있으며, 기존의 목적에 따른 학습 대신 언어 데이터를 대규모로 모아서 특징을 스스로 학습한 이후에 목적에 맞게 재학습하는 방식이 제시된다.

구글 BERT 기술(2018년 공개)은 자연어 처리의 일부 성능 평가에서 인간보다 더 높은 정확도를 보였으며, 자연어 처리와 이를 응용하는 분야에 기존 학습(Pre-training)을 활용하여 적용된다. RNN 중심의 기존 기술이 가지고 있던 구조적 한계에서 벗어나 거대한 모델의 사전학습, 재학습이 가능하다. 한국어와 관련해서는 ETRI에서 개발한 ‘한국어 BERT’ 모델과 SKT에서 개발한 ‘KoBERT’가 주로 사용되고 있다.

■시각지능 자기지도학습: 사물 검출, 사물 분류 등의 전통적인 컴퓨터 비전 문제 해결에 활용되고 있다. 이미지의 Jigsaw 퍼즐 찾는 분야에서 연구가 진행되었으며, 자기지도 기반으로 가장 적합한 이미지를 찾는 분야에 레이블 없는 데이터로 학습된 모델을 사용한다. 컴퓨터 비전 분야의 다양한 문제에 자기지도 기술을 융합하고 있으며 자가 집중(Self Attention) 및 전이학습 기술과 융합연구가 진행 중이다.

메타 학습: 학습 방법을 배우는 ‘Learning to Learn’ AI

■그래디언트 기반 방법: 메타 학습은 '학습 알고리즘'을 학습하는 방법으로, 입력된 데이터를 받아 하나의 모델을 출력하는 함수로 학습 알고리즘을 적절히 인코딩 하는 메타모델을 구축하거나, MAML(Model-Agnostic Meta-Learning)과 같이 그래디언트 알고리즘의 초기 값을 메타 학습하는 방법들이 연구되고 있다.

모델 그래디언트 업데이트는 일반적으로 랜덤한 초기 값으로부터 시작하는 Learning from Scratch를 수행하는데, 이와 달리 MAML은 관련된 많은 태스크들이 있다면, 적절한 초기 값을 그래디언트 알고리즘만으로 메타 학습하는 것이 가능하다는 것을 보여준다.

■온라인 메타학습: 기존의 머신러닝이 하나의 태스크를 학습하는 모델을 만드는데 비하여 메타 학습은 관련된 많은 수의 태스크를 학습하며 공통적인 특징 또는 경험을 얻어서 새로운 태스크 학습이 효율적으로 이루어질 수 있게 하는 것이 주 목표다. 기존의 연구들이 관련된 많은 태스크들이 이미 한 번에 다 주어진 상태에서 메타 학습을 했다면, 실세계 문제에서는 관련된 태스크들이 하나씩 주어지고, 연속적으로 학습이 이루어지는 온라인 메타 학습이 관심을 받고 있다.

강화 학습: 인간의 반복 학습 과정을 모방하여 스스로 배우는 AI

■심층 강화학습, Deep Reinforcement Learning (DRL): 심층 강화 학습은 환경의 상태, 에이전트의 액션, 환경의 보상 등으로 설계되는 마르코프 결정 프로세스(MDP, Markov Decision Process) 모델링을 바탕으로, 순차적 의사결정의 최적화 문제로 연구되어 왔다. 구글(딥마인드)이 심층 신경망(Deep Neural Network) 구조와 Q-Learning 기반 강화학습 알고리즘을 결합한 DQN(Deep Q-Network)을 발표(2013년)한 후, 게임, 주식거래, 추천, 자율주행, 로봇, 드론 등 실시간 제어와 의사결정이 필요한 서비스와 시스템에 상용수준 적용이 가능한 심화 강화 학습 기법이 급속히 발전했다.

DQN 이후, Q-Learning 기반 심층 강화 학습 모델(Rainbow 등)이 지속적으로 발표됐다. 최근 들어 연속적인 행동 공간을 정의할 수 있어, 로봇 등 제어 문제에 적합한 TRPO(Trust Region Policy Optimization), PPO(Proximal Policy Optimization) 등 정책경사 기반 강화 학습(Policy Gradient RL) 알고리즘이 많은 관심을 받고 있다.

■게임 AI 구글(딥마인드): 구글은 심화 강화 학습(Deep Reinforcement Learning, DRL)의 적용 분야를 확대해 나가고 있다. 특히, 이 과정에서 게임을 강화학습 수준 평가의 테스트 베드(Test bed)로 사용하며, 대상 게임의 복잡도를 획기적으로 높이고 있다.

구글은 Atari 게임(2013), 알파고 바둑(2016), 알파제로 바둑(2017), 스타크 래프트2 게임(2019) 등을 통해 심층 강화 학습 기술을 테스트 하고 있다. 특히, 알파제로는 기존 기보 데이터를 기반으로 학습 없이, 강화 학습과 자체 대국을 통해 바둑, 체스, 쇼기 등을 짧은 시간 내 마스터 해, 강화 학습의 확장성을 보여주고 있다.

심층 신경망을 통해 데이터를 통한 함수 근사(Function Approximation) 학습이 가능해지면서, 강화 학습의 최적 행동 양식 도출의 기술역량에 대한 장점이 복잡한 문제에 적용할 수 있게 됐다.