2016.06.13

칼럼 | '실제냐, 가상이냐?' 머신러닝의 2가지 길

Galen Gruman | InfoWorld
최근 스마트 머신과 소프트웨어 봇에 대한 공상 과학 수준의 이야기가 난무하고 있다. 예를 들어 빅데이터와 사물인터넷(IoT)을 사용해 자율적으로 움직이면서 사용자의 일정을 관리하고, 자동차나 배송 트럭을 운전하고, 금융 자산을 관리하고, 의료 활동을 조율하고, 자동차와 스마트폰을 제작, 설계하고 적절한 제품과 서비스에 사용자를 연결해준다고 한다.

이것이 실리콘 밸리가 말하는 인공 지능/머신러닝, 예측 분석, 빅데이터, 그리고 IoT의 길이다. 그러나 비록 관심도는 떨어질지 몰라도 다른 길도 있다. 바로 현실 세계다.

현실 세계에서도 AI, 분석, 빅데이터, IoT(여기서는 산업 인터넷)을 사용한다. 다만 방법이 다르다. 미래의 개척자가 되기를 희망하는 사람이든 그저 IT 분야의 동향을 알아보고자 하는 사람이든, 이 차이를 아는 것은 중요하다.

최근 제너럴 일렉트릭(GE)의 최고 과학자인 콜린 패리스는 머신러닝, 빅데이터, IoT의 조합이 다양한 길을 향할 수 있음을 설명했다. 이 차이점은 이해할 만한 가치가 있다.

현실 세계의 길
현실 세계, 즉 물리적 사물의 세계에서 연산의 발전은 사물과 사물이 움직이는 환경에 대한 완벽한 모델을 추구하는 데 초점을 두고 있다. 엔지니어와 과학자는 실제 세계에 관한 모델링, 테스트, 예측을 가상으로 수행할 수 있는 모형을 만드는 데 주력한다.

패리스의 설명에 따르면, 이런 모형의 목적은 유지보수가 필요한 시점이나 대상을 예측해 정기 점검과 유지보수 검사를 위해 항공기, 터빈 등의 가동을 중단시키지 않도록 하는 데 있다. 또 다른 목적은 장애가 발생하기 전에 예측하여 비행 중 항공기 엔진 소실 및 화재 발생을 방지하고 터빈의 과열과 손상을 막는 것 등이다.

이런 것들은 엔지니어링 시뮬레이션의 오랜 목표다. 현대의 컴퓨팅 기술로 모형의 정확성이 지속적으로 향상되면서 실제 사물의 가상 현실의 이용 사례도 증가하고 있다. 강력한 컴퓨팅 성능, 빅데이터 스토리지와 프로세싱, 센서와 로컬 프로세서, 네트워크를 통한 기기 연결(산업 인터넷)을 통해 이러한 가상 현실의 가능성이 더 증대됐기 때문이다.

이는 일반화(엔지니어링 용어로 "외삽(extrapolation)")의 감소와 확실성의 증가를 의미한다. 즉, 큰 비용이 소비되는 오류와 정비 점검을 위한 정기 가동 중단이 감소된다.

산업 인터넷 기술의 발전으로 최근에야 가능해진 또 다른 목적은 M2M(machine-to-machine) 러닝이다. 패리스는 풍차 농장을 예로 들었다. 구형 터빈은 경험과 상태를 새 터빈과 공유할 수 있다. 이를 통해 새 터빈은 로컬 경험을 기반으로 모델을 조정하고, 다른 터빈의 경험을 바탕으로 유효한 대처 방법을 확인하고 이후 조정하거나 경고 신호를 보낼 수 있다.

자율 주행 자동차에도 동일한 개념이 적용된다. 자율 주행 자동차는 카네기 멜론 대학, MIT, IBM 리서치를 비롯한 여러 조직이 오래 전부터 수행해 온 로봇 공학과 AI 연구에 뿌리를 두고 있다(필자는 30년 전 IEEE에서 이와 관련한 문서를 편집했다).

그러나 이런 기술의 현실화 가능성이 높아진 것은 컴퓨팅, 네트워킹, 빅데이터 분석과 센서의 발전 덕분이다. 이런 모든 산업 인터넷과 로봇 공학 개념은 완벽에 가까울수록 좋은, 고도로 정확한 모델 및 측정에 의존한다. 그것이 엔지니어링의 핵심이다.

확률론적인 길
가상 비서, 봇, 추천 엔진에 대한 다른 접근 방법도 있다. 실리콘 밸리가 주로 마케팅 활동을 위해 집중해 온 접근 방법이다. 아마존 제품 추천, 구글 검색 결과, 페이스북 추천, "인텔리전트" 마케팅과 광고 타겟팅, 그리고 구글 나우와 시리, 코타나와 같은 가상 비서 등이 여기에 해당된다.

이런 것들은 물리적인 사물과는 다르다. 주요 속성이 전혀 다르므로 컴퓨팅, 분석, 궁극적으로는 수행하는 작업이 완벽함을 추구하는 것이어서는 안 되고, 그럴 수도 없다.

검색 결과를 보자. 완벽한 결과란 없다. 한 사람에게 완벽한 결과가 다른 사람에게는 완벽하지 않다. 상황과 맥락에 따라 다르며 일시적이다. 구글은 사용자의 검색어와 인터넷에서 분류된 지식을 "적당히" 일치시킨다. 구글은 사용자에 대해 수집한 정보와 대부분의 사람들이 클릭하는 경향을 바탕으로 결과를 조정해서 적당히 쓸만한 결과를 도출한다.

이것이 확률론적(probabilistic) 시스템이다. 이 시스템은 마케팅과 광고, 그리고 검색, 추천을 비롯한 온갖 분야에 모두 동일하게 적용된다(사실 실리콘 밸리의 AI와 빅데이터는 지난 10년 동안 여기에 집중해왔다).
머신러닝 연구의 대부분은 이러한 종류의 시스템을 피드백들을 통해 최적화하는 것이다.

물론 "확률론적"이라는 말이 "부정확해도 좋다"는 의미는 아니다. "정확함"이란 보는 사람의 시각에 좌우하기 때문에 그만큼 더 자유롭기도 하고, 적절한 모든 옵션을 파악하기 위해 더 많은 작업이 필요하기도 하다.

엔진 모형은 실제 엔진과 정확히 일치해야 하지만 확률론적 분석의 경우 현실에서 가능한 다양한 변동을 수용하고 여러 상황에서 최선의 동작을 수행해야 한다. 자동 오타 수정과 받아쓰기 기술의 원리를 생각해 보면 이해가 될 것이다. 언어는 수학이 아니고, 문법과 영어, 정의, 구문의 경우 올바른 변형과 올바르지 않은 변형 모두 많다.

또한 많은 사람이 그 올바르지 않은 변형을 습관적으로 사용한다. 따라서 알고리즘은 사용자가 옳다고 주장하는 잘못된 정보와 경합을 하게 된다. 게다가 언어는 지역마다 서로 다른 속도로 계속 진화한다.

솔직히 지금 시스템이 수행하는 것만 해도 놀라운 수준이다. 그러나 이는 GE와 프랫 앤 휘트니 또는 롤스 로이스의 항공기, 엔진 모형의 완벽한 모델과는 거리가 멀고, 앞으로도 그렇게 완벽해질 일은 없다.

대부분의 소비 가전 기술에서 사람들이 접하는 것은 마케팅이지만 확률론적 길은 마케팅을 넘어 더 먼 곳까지 뻗어 있다. 오래 전부터 UPS와 페덱스의 배송 경로를 최적화하고, 아마존이 최적의 발송 창고와 배송 업체를 결정하고, 항공사에서 기후와 승객 수요에 따라 비행 일정과 장비, 승무원을 조정하고, 적시 제조 부품 주문 및 배송을 관리하는 데 모두 이 기술이 사용되고 있다.

운영 BI의 경우 마케팅보다 더 정확하다. 여기서는 특이성과 사람들의 요구 변화가 마케팅만큼 중요한 요소로 작용하지 않기 때문이다. 따라서 예를 들어 광고 타겟팅이나 검색 결과보다 어 엔지니어링적인 느낌이 강하다.

그러나 이 분야 역시 상황에 따르기는 마찬가지이므로 역시 완벽한 모델이란 나올 수 없다. 그러나 검색을 수행하거나 구매를 고민하는 사용자의 마음 상태보다는, 당연히 제품 또는 차량의 위치와 상태에 대한 데이터를 더 완벽하게 알고 확신할 수 있다. 즉, 환경과 그 환경에 영향을 미치는 힘에 대한 확실성이 더 높다.

머신러닝, IoT, 빅데이터 분석, 그리고 기타 새롭고 신기한 컴퓨팅에 대한 이야기를 접하게 된다면 이런 기술들의 주요 원동력은 두 가지이며, 각 기술이 적용되는 구체적인 문제에 따라 기술의 작동 원리와 사고 방식도 크게 다르다는 점을 기억하기 바란다. editor@itworld.co.kr

2016.06.13

칼럼 | '실제냐, 가상이냐?' 머신러닝의 2가지 길

Galen Gruman | InfoWorld
최근 스마트 머신과 소프트웨어 봇에 대한 공상 과학 수준의 이야기가 난무하고 있다. 예를 들어 빅데이터와 사물인터넷(IoT)을 사용해 자율적으로 움직이면서 사용자의 일정을 관리하고, 자동차나 배송 트럭을 운전하고, 금융 자산을 관리하고, 의료 활동을 조율하고, 자동차와 스마트폰을 제작, 설계하고 적절한 제품과 서비스에 사용자를 연결해준다고 한다.

이것이 실리콘 밸리가 말하는 인공 지능/머신러닝, 예측 분석, 빅데이터, 그리고 IoT의 길이다. 그러나 비록 관심도는 떨어질지 몰라도 다른 길도 있다. 바로 현실 세계다.

현실 세계에서도 AI, 분석, 빅데이터, IoT(여기서는 산업 인터넷)을 사용한다. 다만 방법이 다르다. 미래의 개척자가 되기를 희망하는 사람이든 그저 IT 분야의 동향을 알아보고자 하는 사람이든, 이 차이를 아는 것은 중요하다.

최근 제너럴 일렉트릭(GE)의 최고 과학자인 콜린 패리스는 머신러닝, 빅데이터, IoT의 조합이 다양한 길을 향할 수 있음을 설명했다. 이 차이점은 이해할 만한 가치가 있다.

현실 세계의 길
현실 세계, 즉 물리적 사물의 세계에서 연산의 발전은 사물과 사물이 움직이는 환경에 대한 완벽한 모델을 추구하는 데 초점을 두고 있다. 엔지니어와 과학자는 실제 세계에 관한 모델링, 테스트, 예측을 가상으로 수행할 수 있는 모형을 만드는 데 주력한다.

패리스의 설명에 따르면, 이런 모형의 목적은 유지보수가 필요한 시점이나 대상을 예측해 정기 점검과 유지보수 검사를 위해 항공기, 터빈 등의 가동을 중단시키지 않도록 하는 데 있다. 또 다른 목적은 장애가 발생하기 전에 예측하여 비행 중 항공기 엔진 소실 및 화재 발생을 방지하고 터빈의 과열과 손상을 막는 것 등이다.

이런 것들은 엔지니어링 시뮬레이션의 오랜 목표다. 현대의 컴퓨팅 기술로 모형의 정확성이 지속적으로 향상되면서 실제 사물의 가상 현실의 이용 사례도 증가하고 있다. 강력한 컴퓨팅 성능, 빅데이터 스토리지와 프로세싱, 센서와 로컬 프로세서, 네트워크를 통한 기기 연결(산업 인터넷)을 통해 이러한 가상 현실의 가능성이 더 증대됐기 때문이다.

이는 일반화(엔지니어링 용어로 "외삽(extrapolation)")의 감소와 확실성의 증가를 의미한다. 즉, 큰 비용이 소비되는 오류와 정비 점검을 위한 정기 가동 중단이 감소된다.

산업 인터넷 기술의 발전으로 최근에야 가능해진 또 다른 목적은 M2M(machine-to-machine) 러닝이다. 패리스는 풍차 농장을 예로 들었다. 구형 터빈은 경험과 상태를 새 터빈과 공유할 수 있다. 이를 통해 새 터빈은 로컬 경험을 기반으로 모델을 조정하고, 다른 터빈의 경험을 바탕으로 유효한 대처 방법을 확인하고 이후 조정하거나 경고 신호를 보낼 수 있다.

자율 주행 자동차에도 동일한 개념이 적용된다. 자율 주행 자동차는 카네기 멜론 대학, MIT, IBM 리서치를 비롯한 여러 조직이 오래 전부터 수행해 온 로봇 공학과 AI 연구에 뿌리를 두고 있다(필자는 30년 전 IEEE에서 이와 관련한 문서를 편집했다).

그러나 이런 기술의 현실화 가능성이 높아진 것은 컴퓨팅, 네트워킹, 빅데이터 분석과 센서의 발전 덕분이다. 이런 모든 산업 인터넷과 로봇 공학 개념은 완벽에 가까울수록 좋은, 고도로 정확한 모델 및 측정에 의존한다. 그것이 엔지니어링의 핵심이다.

확률론적인 길
가상 비서, 봇, 추천 엔진에 대한 다른 접근 방법도 있다. 실리콘 밸리가 주로 마케팅 활동을 위해 집중해 온 접근 방법이다. 아마존 제품 추천, 구글 검색 결과, 페이스북 추천, "인텔리전트" 마케팅과 광고 타겟팅, 그리고 구글 나우와 시리, 코타나와 같은 가상 비서 등이 여기에 해당된다.

이런 것들은 물리적인 사물과는 다르다. 주요 속성이 전혀 다르므로 컴퓨팅, 분석, 궁극적으로는 수행하는 작업이 완벽함을 추구하는 것이어서는 안 되고, 그럴 수도 없다.

검색 결과를 보자. 완벽한 결과란 없다. 한 사람에게 완벽한 결과가 다른 사람에게는 완벽하지 않다. 상황과 맥락에 따라 다르며 일시적이다. 구글은 사용자의 검색어와 인터넷에서 분류된 지식을 "적당히" 일치시킨다. 구글은 사용자에 대해 수집한 정보와 대부분의 사람들이 클릭하는 경향을 바탕으로 결과를 조정해서 적당히 쓸만한 결과를 도출한다.

이것이 확률론적(probabilistic) 시스템이다. 이 시스템은 마케팅과 광고, 그리고 검색, 추천을 비롯한 온갖 분야에 모두 동일하게 적용된다(사실 실리콘 밸리의 AI와 빅데이터는 지난 10년 동안 여기에 집중해왔다).
머신러닝 연구의 대부분은 이러한 종류의 시스템을 피드백들을 통해 최적화하는 것이다.

물론 "확률론적"이라는 말이 "부정확해도 좋다"는 의미는 아니다. "정확함"이란 보는 사람의 시각에 좌우하기 때문에 그만큼 더 자유롭기도 하고, 적절한 모든 옵션을 파악하기 위해 더 많은 작업이 필요하기도 하다.

엔진 모형은 실제 엔진과 정확히 일치해야 하지만 확률론적 분석의 경우 현실에서 가능한 다양한 변동을 수용하고 여러 상황에서 최선의 동작을 수행해야 한다. 자동 오타 수정과 받아쓰기 기술의 원리를 생각해 보면 이해가 될 것이다. 언어는 수학이 아니고, 문법과 영어, 정의, 구문의 경우 올바른 변형과 올바르지 않은 변형 모두 많다.

또한 많은 사람이 그 올바르지 않은 변형을 습관적으로 사용한다. 따라서 알고리즘은 사용자가 옳다고 주장하는 잘못된 정보와 경합을 하게 된다. 게다가 언어는 지역마다 서로 다른 속도로 계속 진화한다.

솔직히 지금 시스템이 수행하는 것만 해도 놀라운 수준이다. 그러나 이는 GE와 프랫 앤 휘트니 또는 롤스 로이스의 항공기, 엔진 모형의 완벽한 모델과는 거리가 멀고, 앞으로도 그렇게 완벽해질 일은 없다.

대부분의 소비 가전 기술에서 사람들이 접하는 것은 마케팅이지만 확률론적 길은 마케팅을 넘어 더 먼 곳까지 뻗어 있다. 오래 전부터 UPS와 페덱스의 배송 경로를 최적화하고, 아마존이 최적의 발송 창고와 배송 업체를 결정하고, 항공사에서 기후와 승객 수요에 따라 비행 일정과 장비, 승무원을 조정하고, 적시 제조 부품 주문 및 배송을 관리하는 데 모두 이 기술이 사용되고 있다.

운영 BI의 경우 마케팅보다 더 정확하다. 여기서는 특이성과 사람들의 요구 변화가 마케팅만큼 중요한 요소로 작용하지 않기 때문이다. 따라서 예를 들어 광고 타겟팅이나 검색 결과보다 어 엔지니어링적인 느낌이 강하다.

그러나 이 분야 역시 상황에 따르기는 마찬가지이므로 역시 완벽한 모델이란 나올 수 없다. 그러나 검색을 수행하거나 구매를 고민하는 사용자의 마음 상태보다는, 당연히 제품 또는 차량의 위치와 상태에 대한 데이터를 더 완벽하게 알고 확신할 수 있다. 즉, 환경과 그 환경에 영향을 미치는 힘에 대한 확실성이 더 높다.

머신러닝, IoT, 빅데이터 분석, 그리고 기타 새롭고 신기한 컴퓨팅에 대한 이야기를 접하게 된다면 이런 기술들의 주요 원동력은 두 가지이며, 각 기술이 적용되는 구체적인 문제에 따라 기술의 작동 원리와 사고 방식도 크게 다르다는 점을 기억하기 바란다. editor@itworld.co.kr

X