인공지능의 4단계

'어떤 제품이 지능이 있다'라고 할 때 가장 떠올리기 쉬운 것은 '그 제품이 뭔가 생각하고 있는 것처럼 보인다'일 것입니다. 청소 로봇 '룸바'는 방의 형태와 쓰레기의 상황에 따라 움직임이 변합니다. 인공지능 내장의 세탁기라면 세탁물의 양이나 온도, 습도 등에 의해 세탁의 방법을 달리하지요. 처해진 상황에 따르고 어떻게 동작하면 좋을지를 생각하고, 보다 '똑똑하게' 행동을 합니다. 즉 입력(인간의 오감에 해당하는 'sensor')에 의해 관측한 주위의 환경이나 상황)에 따르고, 출력(운동 기관에 해당하는 'actuator'에 의한 동작)이 바뀐다는 것입니다.

 

인공지능으로 유명한 교과서인 Stuart Russel'의 'Agent approach'에서는 정말로 입력에 의해 출력이 변하는 'agent'(소프트웨어 객체)로서 인공지능을 포착하고, 현명하게 행동하기 위한 인공지능의 다양한 방법을 설명하고 있습니다. 생물에 지능이 있는 것이나 인간에게 지능이 있는 것도 '행동이 현명해지면 장수할 확률이 올라간다'라는 진화적 의미에 의한 것이기 때문에 '입력에 따라 적절한 출력(행동)을 합니다'라는 것은 외부 관측자 시점에서 본 지능의 유력한 정의라고 말할 수 있을 것입니다.

 

인공지능을 agent라 생각하고, 입력과 출력의 관계로 보면 세상에서 이야기하고 있는 인공지능도 이해하기 쉽습니다. 흔히 인공지능이라고 불리는 것을 정리하면 다음과 같이 레벨 1부터 레벨 4의 4단계로 나누는 것이 가능합니다. 그리고 많은 짐이 적재된 유통 창고를 예로 들어 설명할 수 있습니다.

 

레벨 1: 단순한 제어 프로그램을 '인공지능'이라고 칭하고 있다

마케팅적으로 '인공지능' 즉 'AI'라고 지칭하는 것이며, 지극히 단순한 제어 프로그램을 탑재하고 있는 전자제품을 '인공지능 탑재' 등이라고 부르는 경우에 이에 해당합니다. 에어컨이나 청소기, 세탁기, 최근에는 전동 전기면도기에 이르기까지 세상에는 '인공지능'을 자칭하는 상품이 넘쳐 나고 있습니다. 이러한 기술은 '제어공학'이나 '시스템공학'이라는 이름으로 이미 역사가 긴 학문 분야이며, 이러한 것들을 인공지능이라고 칭하는 것은 그 분야의 연구자나 기술에도 어느 정도 실례가 된다고 생각합니다.

 

예:

레벨 1의 AI(제어)는 세로 몇 cm 이상, 가로 몇 cm 이상, 높이 몇 cm 이상의 짐은 'Large'라는 장소로 이동합니다. 또 몇 cm에서 몇 cm까지는 'medium'이라는 것으로, 그것 미만은 'Small'이라는 곳으로 이동하라는 것이 빠짐없이 엄격한 룰로 정해져 있고 그대로 움직입니다.

 

 

레벨 2: 고전적인 인공지능​

행동의 패턴이 지극히 다채로운 경우를 말하며, 장기 프로그램이나 청소 로봇 혹은 질문에 대답하는 인공지능이 이에 해당합니다. 이것은 소위 고전적 인공지능이라 일컬으며 입력과 출력 관계를 맺는 방법이 세련되어 입력과 출력의 조합수가 극단적으로 많은 경우를 주로 일컫습니다. 이때 인공지능은 적절한 판단을 내리기 위해 추론/탐색을 하거나, 기존에 보유한 지식 베이스를 기반으로 판단합니다. 고전적인 퍼즐을 푸는 프로그램이나 진단 프로그램이 여기에 해당됩니다.

 

예:

레벨 2의 AI(탐색, 추론 혹은 지식을 사용한 것)는 같은 방법으로 짐의 세로, 가로, 높이, 무게 등의 정보로 분류하고 지시하지만, 짐의 종류에 따라서 많은 지식이 담겨 있습니다. 예를 들면 '취급 주의'가 붙어 있으면 조심스럽게 다루고, 화물의 위아래를 거꾸로 하지 말라는 '취급 주의' 태그가 있다면 상하를 바꾸지 않고, 골프 가방이라면 세워 두고, 생선 식품은 냉장으로 취급하라는 식입니다.

 

https://www.bangkokpost.com/business/1978091/artificial-intelligence-how-realistic-is-the-claim-that-ai-will-change-our-lives-

 

레벨 3: 기계학습을 받아들인 인공지능

검색 엔진에 내장되어 있거나 빅데이터를 바탕으로 자동적으로 판단하는 인공지능입니다. 추론의 구조나 지식 베이스가 데이터를 바탕으로 학습되는 것으로 전형적으로 machine learning의 알고리즘이 이용되는 경우가 많습니다. Machine learning이라는 것은 표본이 되는 데이터를 바탕으로 규칙이나 지식을 스스로 학습하는 것입니다. 이 기술은 패턴 인식이라는 과거부터의 연구를 기초로 1990년대부터 진행되어 2000년대에 들어와 빅데이터 시대를 맞이하면서 더욱 진화하고 있습니다. 최근의 인공지능은 이 레벨 3을 일컫는 경우가 많습니다. 과거에는 레벨 2였던 것도 기계학습을 받아들여 레벨 3으로 올라오고 있는 것이 현재의 모습입니다.

 

예:

레벨 3의 AI(기계학습)는 처음부터 엄격한 룰 혹은 지식이 주어져 있는 것은 아니다. 몇 가지의 샘플을 주고 '이것은 Large', '이것은 Medium', '이것은 Small'이라는 룰을 배우면, 이후에는 스스로 "이것은 Large이군", "이것은 Medium이네", "이것은 어디에도 맞지 않네"라고 판별하고 스스로 구분할 수 있게 된다.

 

레벨 4: 딥러닝을 받아들인 인공지능

Machine learning을 할 때의 데이터를 나타내기 위해서 사용되는 입력값(input; 특징, feature라고 불린다) 자체를 학습하는 것으로 deep learning이 여기에 해당되며, '특징 표현 학습'이라고도 불립니다.

 

예:

레벨 4의 AI(특징 표현 학습)는 특징을 스스로 발견합니다. 골프 가방을 몇 가지 묶어 '이 타입의 짐은 사이즈가 'Large'일지도 모르지만 다른 것과는 분명히 같지 않은 형상이므로 다르게 취급하는 편이 좋겠다'라고 판별하고, 그러한 '골프 가방 등의 짐에 관한' 룰을 스스로 만들지도 모릅니다. 시간이 흘러간 만큼 가장 효율적인 구분의 방법을 배워가는 것이 레벨 4의 AI입니다.

 

 

마치며

4개 단계의 분류 작업원에게 지시서를 낼 때, 레벨 1에서는 지극히 간단한 구분 작업밖에 할 수 없지만 지시서는 몇 장으로 끝나는 것에 반해, 레벨 2는 빠짐없이 두꺼운 지시서가 필요하고, 레벨 3은 학습용 짐 샘플과 짐의 어떤 부분에 주목할지를 가르칠 필요가 있습니다. 레벨 4는 무엇에 주목할지도 스스로 배우므로 학습용 샘플을 주는 것만으로도 오케일 것입니다. 하지만 그만큼 매우 많은 양의 데이터를 필요로 한다는 단점도 있습니다. 스스로 작업하는 과정 중에 새로운 특징을 알아차리고 룰은 더욱 진화해 갑니다.

 

지시한 대로만 처리하는 레벨 1은 아르바이트, 많은 룰을 이해해 판단하는 레벨 2는 일반 사원, 결정된 체크 항목을 따라서 업무를 잘 수행해 가는 레벨 3는 과장, 체크 항목까지 스스로 발견하는 레벨 4는 관리자라는 말도 가능할 듯합니다. 뉴스나 제품 정보에 나오는 '인공지능'이나 'AI'가 이 4개 레벨 가운데 어느 수준을 가리키고 있는 것인지 생각해 보면 재미있을 것입니다.

 

Reference

인공지능과 딥러닝. 마쓰오 유타카 지음. 박기원 옮김. 동아엠앤비

 

2024.01.07 - [투자] - AI가 hallucination을 일으킬 때 - 최고의 AI 기술 주식

AI가 hallucination을 일으킬 때 - 최고의 AI 기술 주식