인공지능은 어떻게 발달해왔는가, 인공지능(AI)의 역사

인공지능의 역사

인간처럼 생각하는 기계, 인공지능의 탄생과 첫번째 암흑기

1950년 영국수학자 앨런 튜링은 ‘계산 기계와 지능(Computing Machinery and Intelligence)’라는 논문에서 기계가 생각할 수 있는지 테스트하는 방법, 지능적 기계의 개발 가능성, 학습하는 기계 등에 대해 기술하였습니다. 이 기술을 현실화한 튜링머신은 존 폰 노이만 교수에게 직/간접적인 영향을 주어 현대 컴퓨터 구조의 표준이 되었으며. 세간에서는 이것을 인공지능 역사의 시작으로 보고 있습니다.

앨런튜링 앨런튜링

한편 미국의 신경외과의 워렌 맥컬록(Warren Mc Cullonch)과 논리학자 월터피츠(Walter Pitts)가 전기 스위치처럼 온, 오프 하는 기초기능의 인공신경을 그물망 형태로 연결하면 사람의 뇌에서 동작하는 아주 간단한 기능을 흉내 낼 수 있다는 것을 이론적으로 증명하였습니다. 또한 헵은 생물학적 신경망 내에서 반복적인 시그널이 발생할 때 신경세포들은 그 시그널을 기억하는 일종의 학습효과가 있음을 증명하였습니다.
이러한 연구들은1958년 코넬대 심리학자 프랭크 로센블래트의 연구에 결정적 영향을 주게 되었고, 이 연구에서 퍼셉트론(Perceptron: 뇌 신경을 모사한 인공 신경 뉴런) 탄생하게 됩니다. 이로써 신경망 기반 인공지능 연구의 부흥기에 접어 들게 되었습니다.
하지만1969년 마빈 민스키와 세이무어 페퍼트는 저서를 통해 퍼셉트론은 AND 또는 OR 같은 선형 분리가 가능한 문제는 가능하지만, XOR문제에는 적용할 수 없다는 것을 수학적 증명으로 발표했습니다. 이에 따라 미국방부 DARPA는 AI 연구자금을 2천만달러를 전격 중단하기에 이르렀습니다.
또한 영국의 라이트힐 경의 영국의회에 “폭발적인 조합증가(Combinational explosion)를 인공지능이 다룰(Intractability)수 없다” 라고 보고함으로써, 사실상 인공지능에 대한 대규모 연구는 중단되어 다시 한번 암흑기에 접어들게 됩니다.

인공지능의 두번째 암흑기

피셔/피어슨

1970년대 이후 대부분 기업은 R&D의 방향을 실용적인 통계기술에 집중하게 됩니다. 현대통계학은 1900년대 피셔/피어슨을 선두로 시작하여, 영국의 조지 박스, 일본의 다꾸치 같은 학자들의 노력으로 발전하게 됩니다. 이들은 실험계획법 및 통계 분석기술로 제조 품질/생산효율 향상에 영향을 줄 수 있음을 보였습니다.
이 개념은 데이터마이닝이라는 이름으로 산업에 비효율성을 해결하는 도구로 현재까지 사용되어왔고 빅데이터 기술의 근간이 되어 자리 잡게 되었습니다.

한동안 잠잠했던 인공지능 연구는 1980년대 산업계에 전문가 시스템이 도입되며 본격적으로 확산하게 됩니다. 전문가 시스템은 1)지식과 경험의 데이터베이스화 2) 의사결정 추론엔진 3) 사용자 인터페이스로 구성되어있는데, 이 당시 추론엔진 기술은 베이즈(Bayes)기반 확률적 방법과, 또 다른 접근법으로 0과 1 사이에도 여러 가지 값을 가질 수 있는 퍼지(Fuzzy)이론을 통해 다중 값 논리방법을 이용하는 방법이 주로 활용되었습니다.
퍼지전문가 시스템은 1975년에 영국의 런던대학 에브라힘 맘다니 교수가 증기기관 제어 적용에 성공하여, 이때 적용된 맘다니 기법을 위시하여 퍼지 전문가 시스템이 한동안 인공지능을 대표하는 기술로 자리 잡게 되었습니다.
당시 미국의 500대 기업 절반이상이 전문가시스템을 사용했고 지속적인 투자를 한동안 받았습니다. 하지만 방대한 관리방안과 투자대비 효용성의 한계가 노출되어 인공지능의 연구는 약해지고, 1993년 미국부터 대부분 연구방향은 슈퍼컴퓨터와 시뮬레이션 분야로 연구방향을 전환하게 됩니다.
하지만 이런 인공지능의 암흑기에서도 리처드 밸벨만 등이 주창한 기계제어를 위한 강화학습(Reinforcement Learning), 조지 박스와 일본의 품질 연구가들이 주창한 실험계획법 및 통계적 공정(품질) 기법들이 산업 분야에 활용되어왔습니다. 반면 딥러닝의 기초모델인 역전파 등의 획기적인 AI 연구들이 발표는 되었지만, 컴퓨터 성능 및 제한적인 활용, 머신러닝 알고리즘으로 대체되는 등 여러 제한으로 인하여 세상에 주목 받지 못하고 사장되어 갔습니다. (역전파 관련 연구는 훨씬 전에도 발표됨이 나중에 확인되었습니다.)

심층신경망 기술 인간의 뇌(인지능력)를 모방하다, 딥러닝

하지만 이런 암흑기에도 기존에 수학적으로만 증명된 심층신경망을 실질적으로 구현할 수 있는 컴퓨터 성능과 알고리즘 개선은 여러 연구자들에 의해서 계속적으로 이루어져왔습니다. 2000년대에 이르러 힌튼교수의 Deep Belief Network를 기반으로 심층신경망(딥러닝) 기술이 실용화 가능성이 보이기 시작했습니다. (로센블래트가 옳았고 민스키가 틀렸다는 게 증명되는데 50년이 걸렸습니다.)
힌튼교수 힌튼교수, geoffrey hinton

특히 Deep-CNN(Convolution Neural Network: 합성곱신경망, 이미지 인식/분류 특화모델)은 이미지 인식 성능 평가에서 2011년에는 26%인식 오류율을 보였으나, 2015년4년만에 3.5%로 개선하는 괄목할 성과를 보였습니다. 이를 기점으로 전문가들 사이에서 신경망 기반 인공지능(딥러닝) 기술이 재조명되게 됩니다.
일례로 이렇게 딥러닝의 가능성이 증명되자 2014년 구글은 딥마인드 테크놀로지 사(DeepMind Technologies: 영국 런던에서 설립되었으며 강화학습 특화된 회사)를 4억달러에 인수했습니다.
그 이후 ‘16년 알파고1.0 (16만 기보 지도학습기반 심층강화학습과 확률적 샘플링기반 의사결정)이 이세돌을 이기고. ‘17년 2.0(비지도학습 소량데이터 기반 자가학습)으로 커제 및 탑클라스 바둑기사들에게 승리하면서, 인공지능(AI)기술이 일반인들에게도 확실히 인식되고, 완전히 재조명되는 계기가 되었습니다.
현재까지 실증화된 인공지능(AI)기술은 CNN, RNN(Recurrent Neural Network : 음성과 문자분야에 강한 신경망)입니다. 최근에는 ‘17년 이안 굿펠로우의 GAN(Generative Adversarial Nets: Image를 만들어내는 모델과 다양한 모델간에 서로 대립(Adversarial)하며 성능 개선하는 학습개념(낮은 수준의 사람처럼 글쓰기,노래하기 등이 가능)이 현재 인공지능(AI)를 이끌고 있습니다. 또한 실용성이 없어 보이던 추론(Reasoning) 연구 또한 조금씩 성과를 보이고 있으며, 이형의 정보학습을 새로운 문제를 효율적으로 해결하는 전이학습(transfer learning) 연구 역시 급속히 진행되고 있습니다. 이처럼 딥러닝의 등장 이후 인공지능은(AI) 빠른 발전을 보이고 있습니다만 2018년 어떤 기술이 화두가 될지 전혀 예측할 수가 없을 정도로 급격하게 변화하고 있습니다.

현 인공지능의 강자들, 결국 데이터 싸움

알파고 대 사람 바둑 게임

B2C산업의 인공지능 적용 사례를 살펴보도록 하겠습니다.
우선 구글과 페이스북은 딥러닝을 활용한 얼굴 인식 기술에서 99.96%와 97.25%의 정확도를 확보 하였고, 아마존은 2014년 인공지능을 활용하여 로그인 시 물류창고에서 배송절차를 시작하는 결제예측배송 특허를 등록했습니다.
또한 영국 유니버시티 칼리지런던(UCL), 셰필드대, 미국 펜실베니아주립대의 공동 연구의 결과물로 만들어진 인공지능 판사는 79% 정확도로 재판의 결과를 예측 하였으며, IBM AI 로스는 파산관리변호사로 공식선임 되기도 하였습니다.
그리고 미국종양학회의 IBM왓슨의 대장암/직장암 진단 정확도는 이미 90%가 넘는 수준이며, 테슬라의 AutoPilot은 인간 개입을 배제한 자율주행이 가능한 수준에 이르렀습니다.

한편으로 B2B산업에서 인공지능 적용을 살펴 보면, GE사의 Brilliant Factory의 Predix는 다양한 기계학습, 딥러닝 기반 데이터분석기술로 가동중지를 예방하는 의사결정을 내리고, 최적의 생산을 유지하고 있습니다. 또한 지멘스(Siemens)의 스마트팩토리는 매일 5,000만건으로 제조공정의 75%를 자동으로 작업을 지시하며, 인력의 개입을 최소화 시키고 있습니다.
여기서 주목할 만한 점은 현재 인공지능 강자들은 각자 도메인특성과 빅데이터 기반을 중심으로 인공지능(AI) 분야의 우위를 선점하고 있다는 점을 주목해야 합니다. 이런 관점에서 바라본다면 삼성은 전자(가전, 반도체, 무선), 중공업, 증권, 호텔, 바이오로직스 등이 대규모의 데이터를 보유하고 있으며, 특히 전자중심의 제조데이터는 거의 독보적인 수준입니다. 독보적인 제조 데이터에 인공지능이 접목된다면 혁신적인 생산성 향상을 가져 올 수 있을 것이라 생각되며, 현재도 요구되고 있습니다.
이러한 점을 인지한 글로벌 선진국가에서는 국가 단위의 리쇼어링 정책을 발표하고 제조업의 중흥을 위한Industry 4.0, 4차 산업혁명 등을 내세우고 있습니다. 또한 제조가 주력 사업 분야가 아닌 IBM 왓슨도 스마트팩토리에 분야에 뛰어들고 있는 점을 잘 살펴볼 필요가 있습니다.
결국 데이터 싸움인 인공지능(AI)시대에서 제조업이 강한 대한민국의 유리한 전쟁터는 “AI Technology in Smart Factory” 라고 생각해보는 것도 어떨까 합니다.
그럼 다음 호에서는 스마트팩토리에 적용된 인공지능(AI)활용에 대해 살펴보고 실제 인공지능(AI) 기술적용의 현실적인 어려움에 대해 공유 드리도록 하겠습니다.



▶   해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
▶   해당 콘텐츠는 사전 동의없이 2차 가공 및 영리적인 이용을 금하고 있습니다.

주민식 프로
주민식 프로 애널리틱스 전문가
삼성SDS연구소

주민식 프로는 대학원에서 기계공학&컴퓨터사이언스를 전공하였고 주요 연구분야는 Applied mathematics(응용수학)기반 Manufacturing 데이터분석 및 최적화를 했습니다.
현재 전자 및 관계사 데이터기반 무인설계기술과 공정최적제어 관련 컨설팅을 수행중이며,삼성SDS Brightics AI 알고리즘 중 Optimization 기술리더입니다. 관심분야는 능동학습(Active Learning)과 전이학습(Transfer Learning) 이용한 전통적인 AI기술 (강화학습을 비롯한 머신러닝)의 비효율성 해결과 자율학습 기술 연구중입니다.

구독하기

인사이트 리포트 소식을 메일로 받아보세요