[기고] 실제 비즈니스에 쓰이는 혁신적인 AI 기술 세 가지

민선 최고 AI 과학자

오늘날 기업의 대표(CEO)들은 엄청난 속도로 진행되고 있는 기술 발전을 따라잡기 위해 고전하고 있다.

경쟁력을 유지하고, 새로운 기술들과의 연계성을 잃지 않으면서 다음 변화의 파도에 미리 대비할 수 있도록 조직을 지속 변혁해야 한다는 스트레스가 만만치 않다. 대표 이외의 경영진 또한 신기술과 새로운 리소스에 대한 정보를 입수해 각 부서에 가장 적합한 것은 무엇인지 판단하고, 동시에 사내 문화를 유지하면서 생산성을 개선해야 한다는 난제를 떠안고 있다.

인공지능(AI)은 분명히 경영진이 전략을 갖고 있어야 할 분야이지만, 관련 분야에서 벌어지는 일을 실시간으로 파악하고 실제 비즈니스 환경에서 어떻게 해당 기술을 적용할 수 있을지 이해하기는 쉽지 않다. 애초에 중역 회의실과 연구소는 그 역할이 다르고, 따라서 간극이 있을 수밖에 없기 때문이다.

하지만 이미 실제 비즈니스에 적용할 수 있는 수준으로 발전한 최신 AI 혁신 기술도 있다. 그 세 가지 사례,특히 AI 내에서도 최첨단 기술이라고 할 수 있는 딥러닝 분야에서의 획기적인 기술 혁신 사례와, 더불어 이런 기술을 비즈니스에 응용하는 방법도 간략하게 소개하고자 한다.

■ 첫 번째 혁신: 시각 인식 분야에서의 딥 러닝

2012년 전까지만 해도 AI는 얼굴 인식이나 자동차 측면 인식과 같은 몇몇 구체적인 시나리오에서만 뚜렷한 효과를 거뒀다. 당시에는 보편적으로 이용 가능한 시각적 데이터의 양이 많지 않았다. 레이블을 붙여 분류할 수 있는 이미지는 겨우 수천 개 수준에 불과했다.

2012년에 이미지넷(ImageNet)을 통해 시각 인식 분야에서 획기적인 전기를 맞았다. 이미지넷은 필자를 비롯한 과학자들이 주축이 돼 진행한 프로젝트다. 2007년부터 2010년까지 2만1천여 범주에 걸쳐 1천400만 개 이상의 이미지를 포함하는 강력한 데이터셋을 연구했다. 이미지넷을 통해 컴퓨터가 대량의 교육용 데이터를 활용해 인간의 시각 인식 능력에 버금가는 수준으로 그 성능을 향상할 수 있다는 사실이 입증됐다. 2015년 무렵에는 컴퓨터가 이미지넷에 존재하는 1천개의 사물 범주 인식에서 인간의 능력을 능가하는 성능을 보였다.

현재는 운송과 헬스케어 등의 산업 분야에서 이 기술을 활발히 이용하고 있다. 자율주행 차량 주변의 환경을 보다 잘 인식하고, 종양과 같은 이상 요소를 식별하여 이후의 치료 계획을 수립하는 등에 유용하게 쓰이고 있다.

특히 금융, 보험, 법률과 같이 ‘대량의 문서를 취급해야 하는’ 업종을 포함한 전통적인 비즈니스 분야에서는 딥러닝 기반 시각 인식을 통해 대량의 문서를 빠른 속도로 식별하고, 디지털화하고, 분류할 수 있게 됐다. 사람이 수동으로 입력해야 하는 정보에 대해서도, 컴퓨터는 시간당 수천 건 또는 그 이상의 문서를 검토하고 분류할 수 있으며, 왜곡됐을 가능성이 있거나 유달리 복잡한 문서에 대해 담당자에게 따로 알려 재확인하도록 지정할 수 있다. 따라서, 인력 자원을 더 중요하고 창의력이 요구되는 작업에 투입하고 시간을 벌 수 있다.

■ 두 번째 혁신: 강화 학습(Reinforcement Learning)

2016년은 바둑 세계챔피언인 이세돌 9단이 구글 딥마인드의 컴퓨터 프로그램인 알파고에 패했던 해로 기억된다. 전략 게임인 바둑은 바둑판의 적절한 위치에 돌을 놓아 상대방이 전진하지 못하도록 막는 것이 핵심인 게임이다. 프로그램에 불과한 알파고가 승리를 거둘 수 있었던 것은 수백만 번의 연습 게임에서 강화 학습을 통해 승률을 높이는 훈련을 했기 때문이다. 강화 학습에서는 소프트웨어가 주어진 환경 또는 상황에서 어떤 행동을 취해야 보상이나 긍정적인 결과(알파고의 경우, 시합에서 이기는 것)를 얻을 수 있을지 연구한다. 실제 비즈니스에서는 이 기술을 리소스 할당과 관련된 분야에 응용해 많은 효과를 얻을 수 있을 것이다.

예컨대 대형 데이터센터를 보유하고 있는 거대 기술 기업의 경우, 전력 소모량을 줄이면서도 일관된 서비스 품질을 유지하는 방안이 꼭 필요하다. 강화 학습을 이용하면 작업을 수행할 컴퓨터를 자동으로 할당하면서 동시에 적절한 냉각기 가동 설정도 변경할 수 있다. 바둑에서와 마찬가지로, 최선의 결과를 얻으려면 ‘돌을 어디에 둘 것인가’를 판단하는 것이 가장 중요하다.

또 강화 학습은 사업상 물류를 다뤄야 하는 기업이 가치 있게 활용할 만한 기술이기도 하다. 운송 업체, 차량공유서비스, 또는 식품 배달업체 등 물품이나 사람을 배송하거나 실어 나르는 경우, 대체로 과거의 패턴과 경험을 토대로 리소스 할당과 관련된 결정을 내리게 된다. 하지만 강화 학습을 이용하면 향후의 리소스 할당을 예측할 수 있게 돼 교통량이나 수요가 많을 때 운전자 또는 탑승자 할당량을 확대하는 것처럼 주어진 상황이 어떻든 그에 따른 최선의 조치를 취할 수 있다.

■ 세 번째 혁신: 언어 인식용 딥러닝 모델

시각 인식에서와 마찬가지로, AI가 다국어로 작성된 원시 텍스트(raw text)를 인식할 수 있게 된 것, 즉 비슷한 단어끼리 짝을 짓거나 같은 단어에 여러 가지 의미가 있을 때 이를 식별할 줄 알게 된 것은 비교적 최근의 일이다. 예를 들어 영어에서 ‘Go’의 경우, 일반적인 ‘가다’라는 동사의 의미 외에 ‘바둑’이라는 고유명사로도 쓰이는데, 이런 것들을 구분하게 된 것도 불과 얼마 전의 일이다. 이것이 가능해지면서 서면으로 존재하는 기업 관련 정보를 통해 고객, 직원 또는 여타 이해관계자가 어떤 식으로 상호작용하는지를 파악하고자 하는 경영진에게는 많은 새로운 가능성을 열어주는 결과가 됐다.

이와 같은 언어 인식에서의 혁신 기술이 특히 중요한 의의를 지니는 업무 분야에는 마케팅이 대표적이다. 마케터는 고객이 무엇을 검색하고 어디에서 웹서핑을 하며 쇼핑을 하는지 등, 소비자의 디지털 흔적에 관한 데이터를 수집하는 데 능숙한 사람들이다. 전통적으로 마케터는 고객이 여행, 패션, 또는 금융기관 웹사이트 등을 방문한 것을 보고 해당 고객의 관심사를 광범위하게 설정하는 식으로 작업했다.

언어 인식 기술이 향상되면서, 소비자가 웹페이지 상에서 어떤 텍스트를 읽는지를 확인함으로써 더 많은 인사이트를 얻을 수 있게 됐다. 이 기술은 구체적인 단어를 ‘읽을’ 수 있기 때문에 이를 토대로 ‘패션쇼’, ‘파리’, ‘항공사 마일리지 보상’과 같이 상관관계가 높은 용어를 추가로 끌어낼 수 있다. 마케터는 이런 심도 있는 인사이트를 통해 콘텐츠와 메시지를 한층 효과적으로 표적화할 수 있다.

■ 결론: 세 가지 획기적인 혁신의 시사점

위에서 언급한 기술들은 이미 비즈니스에 바로 도입할 수 있는 솔루션 형태로 존재한다. AI 관련 의사 경정을 내려야 하는 임원진이라면 현재 이용하고 있는 솔루션 제공업체가 최첨단 AI 기술을 적용하고 있는지 확인해봐야 한다.