[KEXIM] 인공지능과 기계학습 개요 및 산업응용
Summary
<인공지능과 기계학습 개요>
(개요) 인공지능은 기계에게 사람과 같은 지성을 부여하고자 하는 과학 및 공학을 뜻함
- 인공지능으로 구현하는 지성은 크게 인지능력(시각, 청각 등)과 추론능력(예측, 의사결정 등)
- 이에 대응되는 인공지능 기술로는 대표적으로 이미지식별, 음성인식, 자연어 처리, 전문가 시스템, 수치예측, 로봇제어 등이 있음
(의의) 인공지능은 21세기 경제·사회의 핵심 동력원으로 주목받고 있으며, 인류의 지적 노동 대체를 통하여 산업구조의 혁신을 가져올 것으로 전망
- 기존 산업혁명을 이끌었던 증기기관, 내연기관, 인터넷과 마찬가지로 인공지능의 발전과 보급을 통한 4차 산업혁명은 삶의 형태를 변화시킬 것으로 기대
- 기계를 통한 물리적 노동 대체(1·2차 산업혁명) vs. 인공지능을 통한 지적 노동 대체(4차 산업혁명)
- ‘30년까지 전 세계 일자리의 약 15%(한국은 약 25%)가 자동화로 대체 예상, 약 760만 개의 기존 일자리 감소, 최대 730만 개의 신규일자리 창출
(역사) 핵심 개념이 제시된 후, 두 번의 부흥기와 침체기를 거쳐 현재 3차 부흥기를 맞음
- 1950년대 인공지능의 탄생 이후 컴퓨터의 성능부족 등의 문제로 침체기를 맞은 뒤 1980년대에 전문가 시스템이 실제 기업에서 수익을 창출하며 다시 주목
- 1990년대 인공지능의 한계점이 드러나면서 2차 침체기를 맞았으나 최근 극복하고 알파고 등 각 분야에서 주목할만한 성과를 보이며 3차 부흥기가 시작
(구현) 인공지능은 구현 방법에 따라 전문가 시스템과 최근에는 데이터를 활용할 수 있는 기계학습이 주목을 받음
- 인공지능은 크게 전문가가 직접 지식을 입력하여 지성을 부여하는 방식(전문가 시스템)과 기계가 데이터를 통해 스스로 학습하여 지성을 구축하게 하는 방식(기계학습)으로 나눠짐
- 기계학습(Machine Learning): 데이터를 활용하여기계가스스로판단기준을만드는방법으로 빅데이터 시대에 적합한 방법론
(기계학습 분류) 기계학습은 학습데이터의 특성에 따라 크게 지도학습 (supervised learning), 비지도학습 (unsupervised learning), 강화학습 (reinforcement learning)으로 구분
- 지도학습: 학습을 위한 입력데이터(input)와 각 데이터에 대응되는 정답(label)을 주고 학습을 시켜 새로운 입력데이터를 주었을 때 올바른 답을 내도록 설계
- 비지도학습: 입력데이터만을 가지고 데이터의 특성에 따라 데이터를 유사한 그룹으로 구분하여 묶도록 설계, 그룹의 특성을 파악하여 유용한 정보를 추출
- 강화학습: 데이터가 처음부터 주어지지 않고 기계의 행동에 따라 데이터와 보상을 획득하며 이를 기반으로 더 나은 보상을 얻기 위해 적절한 행동을 학습하도록 설계
(주요기법) 기계학습은 여러 모형이 있으며 모형의 장단점에 따른 적절한 응용분야가 존재
- 선형회귀는 대표적인 지도학습 모형으로 데이터 요소들의 선형결합으로 정답 값을 예측하며 주로 수치예측에 사용
- 인공신경망은 신경세포가 작동하는 원리와 유사하게 신호를 처리하여 0 또는 1로 출력 신호를 생성하는 모형으로 대표적인 분류기(classifier) 모형
‑ 한 개 이상의 계층을 가진 인공신경망을 심층신경망이라고 하며 딥러닝 기법은 이러한 심층신경망을 활용한 기법들(합성곱신경망, 순환신경망 등)을 지칭
- 합성곱신경망은 입력데이터의 요소로부터 특성을 추출하여 학습하는 기법으로 이미지 인식 등 고차원 데이터에 대한 처리능력이 뛰어남
- 순환신경망은 이전 시점의 입력값에 따라 출력값이 영향을 받을 수 있도록 설계하여 입력값 간의 연결성이 강한 분야(자연어, 음성 등)에서 사용
- 생성적 적대 신경망은 두 개의 신경망이 서로 경쟁하며 실제와 유사한 데이터를 생성하도록 학습하는 비지도학습 모형으로 이미지 등 데이터의 생성, 합성, 복원에 사용
- Q-학습은 강화학습기법의 한 종류로, 행동에 따른 보상 값(Q-function)을 학습하여 특정 상태에 대한 최적 행동을 탐색하는 기법
‑ 심층강화학습은 강화학습기법의 성능을 개선함으로써 바둑, 로봇제어 등 복잡한 문제를 해결
<인공지능 시장과 산업응용>
(시장 및 정책) 인공지능 시장은 가파른 성장률을 보이며 팽창 중, 전 세계 모든 국가가 심혈을 기울여 인공지능 기술과 시장을 육성 중
- ‘21년 인공지능 시장의 전 세계 매출은 3,275억 달러(약 368조원)로 예상, ’24년까지 연평균 성장률(CAGR)이 17.5%를 유지하여 총 매출은 5,543억 달러(약 622조원)로 예상
- 전 세계 주요 국가에서 인공지능 기술의 잠재력과 파급효과에 대해 높은 평가를 하고 있으며 각 정부에서 인공지능에 대한 정책과 비전을 발표하고 실질적인 투자가 이루어지고 있음
‑ [미국] AI 이니셔티브 (‘19.12); [중국] 고등교육 AI 혁신행동계획(‘18.4); [독일] 연방 내각회의 AI 전략의결(’18.11); [유럽] AI·데이터 전략(‘20.2); [일본] AI 활용전략(‘19.2) 등
(국내 기술력) 한국은 인공지능 발명 규모는 전 세계 4위이나 질적인 측면은 다소 열세
(산업응용) 인공지능은 다양한 산업에 걸쳐 응용되고 있으며 특히 제조, 금융, 헬스케어, 모빌리티 분야에 특화된 인공지능 기업들이 강세를 보임
- 제조: 스마트팩토리와 스마트제품 등에 다양하게 응용되고 있으며 신제품 설계에도 활용
- 금융: 유망기업(주식) 발굴, 투자 어드바이저, 은행서비스 자동화 등에 응용
- 헬스케어: 병리학, 영상의학, 개인건강관리, 의약품개발 분야에 걸쳐 주로 응용
- 모빌리티: 자율주행차 외에도 주행 이상탐지 등 다양한 자동차 관련 인공지능 기술이 개발 중
- 환경문제나 범죄예방 등 사회문제 해결에도 인공지능을 적용
<인공지능 산업 전망 및 향후 과제>
(산업 전망-1) 인공지능 기술은 소매, 물류, 여행, 자동차, 의료, 공공분야에 큰 영향력을 보일 것으로 전망되며 딥러닝과 강화학습 관련 기술이 가치창출을 주도할 것으로 예상
- 인공지능은 소매 부문에서 가장 높은 가치(연간 최대 8,000억 달러)를 창출할 것으로 전망되며 그밖에 물류, 여행, 소비재, 공공, 자동차 부문 등이 두각(맥킨지 보고서, 2019)
- 딥러닝, 강화학습 관련 기술이 인공지능 가치창출을 주도할 것으로예상되며해당기술의 한계점을 개선하는 연구가 지속적으로 이루어질 것으로 전망
(산업 전망-2) 인공지능의 산업적용은 인공지능의 오류 및 고장에 대해 민감하지않은 분야부터 순차적으로 적용될 것으로 전망
- 인공지능으로 인한 업무의 자동화는 인류의 지적노동(의사결정)의 대체를 의미하며 의사결정의 중요도와 오류·실패 발생 시 리스크의 정도에 따라 인공지능 기술에 대한 요구치가 다름
- 오류 및 고장에 대해 민감하지 않은 분야(교육, 서비스, 가전 등)에 우선적으로 적용될 것으로 전망되며 책임·윤리 문제의 해결이 어려운 분야(의료, 모빌리티, 국방 등)는 법·제도의 지원이 필요
(향후 과제-1) 인공지능의 성패는 기술의 우수성만큼이나 양질의 데이터 확보가 중요
- 딥러닝을 비롯한 모든 기계학습 모형들은 데이터를 기반으로 학습하기 때문에 좋은성능을 위해서는 많은 양의 정제된 데이터가 필요
- (데이터 댐)우리 정부는 광범위한 영역에 흩어진 데이터를 체계적으로 수집·가공·관리하는 장치를 만들어 현재까지 4억 8000만 건에 이르는 데이터를 구축
- 데이터를 확보하는 동시에 데이터 플랫폼기술, 암호화기술, 보안기술, 평가감독체계를 지원하여 자생·자정 능력이 있는 데이터 생태계를 만드는 것이 장기적으로 필요
(향후 과제-2) 인공지능은 오염데이터와 같은 외부 위험으로부터 안정적이고(Robust), 편향되지 않으며(Unbiased), 효율적인 계산(Efficient)이 가능한 구조로의 발전이 필요
- 산업 전반으로의 범용적인 인공지능 적용까지는 데이터 확보 및 안전성 문제, 윤리 및 의사결정 책임문제, 계산효율화 등 중요한 과제가 남아있음
- 외부 공격(악의적 데이터 학습, 해킹 등)으로부터 안전성을 확보하여 신뢰도를 높이고 공정하고 윤리적인 판단을 내릴 수 있는 형태로의 발전이 필요
Ref.
KEXIM, 인공지능과 기계학습 개요 및 산업응용