인공 지능

인공 지능

Artificial Intelligence, AI

컴퓨터로 구현한 지능 또는 이와 관련한 전산학의 연구 분야이다. 인공 지능은 사람 또는 동물의 사고능력(인지, 추론, 학습 등)이 컴퓨터로 모사될 정도로 세밀하고 정확하게 표현될 수 있다는 생각에 기반을 둔다. 사고능력ㄴ에 대한 정의와 마찬가지로 인공 지능에 대해서도 다양한 정의가 존재한다. 인공 지능의 방법과 관련한 탐색, 논리 및 추론, 지식 표현, 계획, 학습 등 세부 분야에 대한 연구가 진행 중이고, 자연어 처리, 컴퓨터 비전 및 패턴 인식, 로보틱스 등의 분야에서 응용된다.

인공지능이라는 용어는 1956년 미국 다트머스 대학(Dartmouth College)에서 열린 워크숍 제안서에서 존 매카시(John McCarthy)가 처음 공식적으로 사용하였다. 그러나 인공지능이라는 용어 등장 이전에도 1943년 워렌 맥컬로치(Warren McCulloch)와 월터 피츠(Walter Pitts)가 제안한 인공 뉴런(neuron) 모델에서 그 논리적 기능을 분석하였으며, 1950년 앨런 튜링은 튜링 시험(turing test)을 제안하여 생각하는 기계의 구현 가능성을 분석하였다.

1950~60년대 초창기의 인공지능 연구는 정리(theorem) 증명과 게임 등의 분야에서 놀라운 성과를 거두었으나, 이후 과도한 기대에 따른 실망과 쇠퇴 그리고 새로운 모델 및 이론의 개발 등이 반복되었다. 1970~80년대에는 전문가 시스템(expert system)에 대한 연구가 활발하였다. 1980년대 중반에 역전파 알고리즘(backpropagation algorithm)의 재발견 이후 인공 신경망(ANN: Artificial Neural Network) 모델에 대한 연구가 활발해졌다. 1990년대의 인공지능 연구는 통계학, 정보 이론, 최적화 등 다양한 분야의 방법들을 활용하게 되었으며, 학습 이론 등 굳건한 이론적 토대를 갖추게 되었다. 2000년대 들어 대규모 데이터를 이용한 기계 학습이 활발히 연구되었으며, 체스, TV 퀴즈 쇼 참가 및 운전 등의 작업에 적용한 인공지능 기술이 사람과 대등하거나 더 우수할 수 있음을 입증하였다. 2010년대 이후 컴퓨터 하드웨어와 학습 알고리즘의 발달은 심층 기계 학습(deep learning) 모델의 구축을 가능하게 하였으며, 이에 기반하여 바둑 및 영상에서의 객체 인식(object recognition) 등에서 사람보다 뛰어난 컴퓨터 프로그램이 개발되었다.

인공지능 연구는 음성 인식, 바둑 등 특정한 분야에서 좋은 성과를 보이고 있으나, 아직 사람과 같은 지능을 갖추지는 못하였다. 예를 들어, 사람과 대화하며 동시에 바둑도 둘 수 있는 인공지능 에이전트는 아직 개발되지 못하였다. 한편 특정한 작업에만 적용할 수 있는 인공지능 시스템이 아니라 생각하고, 학습하고, 창조할 수 있는 범용 기계를 만드는 것을 목표로 하는 사람 수준(human-level) 인공지능 또는 범용 인공지능(AGI: Artificial General Intelligence)에 대한 연구도 이루어지고 있다.

구글, 페이스북, 아마존, IBM, GE 등 글로벌 기업을 중심으로 다년 간 확보한 데이터를 기반으로 한 인공지능 기술 구현 및 플랫폼화가 이루어지고 있으며, 인공지능 생태계 조성을 위한 경쟁이 심화될 전망이다.

인공지능 기술 구현 수준 및 범용적인 기술 특징을 고려할 때, 향후 다양한 응용영역에서 새로운 비즈니스 기회가 창출될 것으로 예상된다. 현재 인공지능 시장은 크게 4가지로 구분되며 하드웨어를 기반으로 하는 B2B, 소프트웨어를 기반으로 하는 B2B2C, B2B, B2C가 있다.

국내 인공지능 개발은 삼성전자, NHN, 현대자동차와 같은 대기업과 솔트룩스, 셀바스 AI, 루닛, ETRI와 같은 중소기업, 스타트업, 연구소, 학교로 나눌 수 있다. 국내 인공지능 시장은 인력확보와 예산확보에 어려움을 겪고 있으며, 스타트업의 경우 데이터확보에 어려움을 겪고 있다.

인공지능에 오픈 데이터를 활용하는 것이 추세이다.

설명	주소
다양한 데이터	kaggle.com
국내 AI 데이터	aihub.or.kr
산업동향	kdata.or.kr
공공 데이터	data.go.kr
서울시 데이터	data.seoul.go.kr
미국 데이터	data.gov
기상청 데이터	data.kma.go.kr
KT 데이터	apilink.kt.co.kr
구글 데이터	cloud.google.com/products/ai
삼성 데이터	developer.samsung.com
LG 데이터	developer.lge.com
기타 참고자료
중소기업 로드맵	smroadmap.smtech.go.kr
한국정보통신기술협회	www.tta.or.kr

딥러닝 엔진의 오픈소스화, Open API 클라우드화, 알고리즘의 오픈소스화로 인해 머신러닝 플랫폼이 개방화 되고 있다. 오픈소스 머신러닝 라이브러리에는 spark, mahout, 오픈소스 딥러닝 엔진에는 TensorFlow, 클라우드 기반 Open API에는 IBMWATSON이 있다. TensorFlow, Keras, PyTorch, DL4J, Caffe2, mxnet 등의 다양한 프레임워크가 존재한다. 필요에 따라 프레임워크별 특성을 고려하여 선택할 수 있다. Python, Kotlin, Julia, Go, Scala 등의 언어를 사용하는 경우 새로 언어를 익혀야하는 시간이 소요되나, 코드의 생산성이 증가하는 장점이 있다.