CONTENTS

• 목록

10월 KSUG 뉴스레터 : 

Digital Transformation 시리즈 (7편) 

다양한 인공지능 기술들의 활용

2021년 10월 28일(목)

이번에는 최근 엄청나게 주목받고 있는 인공지능에 대해 간략하게 살펴 보도록 하겠습니다. 인공지능은 간단히 말하면 기계로 하여금 지능적 행동을 하게 하는 다양한 노력을 의미합니다. 여기에는 수많은 사례가 있지요. 지식 표현, 행동 계획, 자연어 처리, 의미 이해, 불확실성 처리, 의사 결정론, 추론, 시각 인식, 지각, 기계 학습, 음성 인식, 자동화 로보틱스 등등, 정말 여러가지 기술이 시도되고 많은 기술들이 솔루션으로 만들어져서 상용화도 되어 있습니다. 그리고 여기에서 현재 가장 보편적으로 쓰이고 있는 기술은 RPA (Robotic Processing Automation) 인데, 사람이 반복적으로 처리해야 하는 업무를 로봇 소프트웨어를 통해 자동화하는 솔루션입니다. 

RPA 기술은 사람이 하는 비효율적인 반복 작업을 자동화해서 사람을 보다 고부가가치의 업무에 집중할 수 있도록 하는 것이 목표입니다. 이 RPA는 두가지 유형이 있는데 첫째가 Unattended, 로봇이 인간의 개입 없이 감독 만으로 자율적으로 작업하는 완전 자동화된 프로세스로 일련의 규칙에 따라 로봇이 자동 실행하는 것입니다. 이러한 Unattended 봇은 사람의 관여 없이 스케줄 및 이벤트 기반으로 시작되므로 로봇이 독자적인 디지털 작업자로서의 역할을 수행합니다. 그리고 두번째는 Attended, 로봇이 인간과 함께 작업하는 부분적으로 자동화된 프로세스로, 사람이 필요한 시점에 로봇을 실행하며, RDA (Robotic Desktop Automation)라고도 불립니다. Attended 봇은 사용자의 일을 도와주는 디지털 어시스턴트의 역할을 수행하며 사용자가 필요시 봇을 작동 시킵니다. 이러한 RPA 솔루션은 현재 시중에 여러 종류가 나와서 적용되고 있으며 특히 ERP를 제공하는 업체는 ERP내 프로세스 자동화를 위한 기능으로 RPA를 많이 쓰고 있고, 점점 용도를 확대해 나가고 있는 것이 추세입니다. 이는 약간 낮은 수준의 인공지능 이라고도 할 수 있습니다. 

 그리고 최근 활용도가 많이 올라가고 있는 것은 머신러닝입니다. 명시적인 프로그램을 하지 않고, 주어진 데이터를 통해서 ‘학습’하여 알고리즘을 스스로 만들어 나가는 보다 차원이 높은 기술입니다. 전통적인 전산 프로그램은 요구 사항이 있으면 그것을 프로그래머가 로직을 생성하는 코딩을 해서 프로그램을 만드는 과정을 거칩니다. 그러면 입력값이 들어오면 로직에 의해 계산이 되어서 출력값을 내보내는 것입니다. 하지만 머신러닝은 과거에 발생했던 입력과 출력을 모두 학습용 Data로 제공하면 주어진 데이터를 바탕으로 스스로 변환 로직, 다시 말해 알고리즘을 생성해 내는 기술입니다. 다수의 Data를 가지고 반복 학습해서 이렇게 알고리즘을 만들어내고 나면, 새로운 입력값을 집어 넣으면 추정치인 출력값이 알고리즘을 통해 제시되는 것이지요. 예를 들어 강아지 그림을 학습을 시키기 위해 무수히 넣으면, 기계는 스스로 각 그림의 공통된 부분을 찾아서 추론하는 로직을 만들어 냅니다. 거기에다 새로운 입력값인 사진을 넣으면 강아지인지 아닌지 스스로 분간해내는 그런 역할을 수행합니다. 그러나 전통적인 머신러닝은 아주 복잡한 연산을 해내는 것에는 한계가 있었는데 몇 년 전에 모두에게 각인된 알파고 부터는 신경망의 원리를 이용해서 훨씬 복잡한 연산을 할 수 있게 되었습니다. 

모두가 기억하는 2016년 알파고의 경우에 바둑 기보 16만개를 주고 5주 동안 학습을 시켜서 이세돌 9단을 4:1로 이겼지요. 그런데 그 이후 새롭게 만들어진 알파고제로의 경우에는 아무런 기보도 주지 않고 바둑 두는 Rule만 가르쳐 줬다고 합니다. 그러니 안에서 스스로가 둘로 나누어서 대국을 두면서 이기는 방법을 익혔다고 합니다. 그러다가 시작한지 3시간만에 스스로 바둑 초보가 되었죠. 그러더니 19시간 만에 기초적인 전략을 깨우쳐서 구사하기 시작 하더랍니다. 47시간 만에 입문한 프로기사 수준이 되더니 70시간 만에 인간이 따라갈 수 없는 수준까지 도달해 버렸다고 합니다. 여기서 놀라운 것은 Data 없이 Rule만 가지고, 스스로 Data를 다시 말해 기보를 만들어가면서 학습했다는 사실입니다. 엄청난 발전이죠. 그러나 바둑은 일단 Rule이 정형화되어 있기 때문에 Data를 생성해 가면서 생성된 Data를 근거로 학습할 수 있지만 일반 현실은 그렇지는 않습니다. 명시적인 Rule을 정하기 어려운 Case가 훨씬 많기 때문입니다. 

머신러닝을 적용하는 사례는 다양합니다. RPA와 마찬가지로 ERP 솔루션 회사는 프로세스에 머신러닝을 점목해서 기능을 향상시키는 작업을 꾸준히 하고 있고, 향후에는 이러한 머신 러닝의 기능 수준이 ERP의 선택 이유가 될 정도로 점차 확대되고 고도화되고 있습니다. ERP에서 머신러닝을 활용해서 푸는 문제의 예를 들면 다음과 같습니다. “고객군을 어떻게 나누어 캠페인 및 영업을 추진하는 것이 가장 수익을 높일까?”, “어떤 고객들이 가격변동에 가장 민감하게 반응할까?”, “어떤 통신 가입자가 이탈할 가능성이 가장 높고, 그 이유는 무엇일까?”, “어떤 고객에게 어떤 상품을 어떤 조건으로 추천하는 것이 가장 좋을까?”, “어떤 대출신청자가 파산할 가능성이 가장 높을까?”, “이 상품은 고객에게 약속한 날짜에 고객에게 납품 될 수 있을까?” 이러한 머신러닝의 알고리즘을 보면 다음과 같은 영역에 대해 쓰이고 있습니다. 분류(Classification), 예측 (Regression), 군집(Clustering), 시계열 예측, 연관성 분석 (Association Rule), 상품 추천 (Recommendation), 네트워크 분석 등이 그 것입니다. 최근에는 활용 영역이 보다 다양화되면서 사용자들의 눈에 크게 띄이는 기능들이 생기기 시작했습니다. 예를 들면 HR 시스템에서 빈 Position이 생겼는데 이 자리에 가장 적합할 것 같은 인력을 그동안의 경력, 고과, 상사나 주위의 평가 등등 여러가지 Data를 활용해서 회사내에서 가장 적합한 사람 후보를 찾아 추천해 주는 것입니다. 인사팀에서 무척 좋아합니다. 수많은 직원들의 자료를 보고 적합한 사람들을 골라내는 것을 사람이 하면 실로 엄청나게 시간이 많이 소요되고 어려운 작업인데 이를 기계가 대신 해준다니 얼마나 좋을까요? 그리고 개인별로 경력이나 현재 업무 등을 고려해서 추가로 받아야 하는 교육 과정이 무엇인지 점검해서 알려주는 기능입니다. 이러한 기능도 기업의 교육을 총괄하고 있는 부서의 사용자들이 딱 좋아하는 기능입니다. 

한국에서는 특히 이러한 기능들을 적용하기 위해 필요한 기반 기술이 자연어 처리입니다. 일단 한글이 적용되지 못하면 국내에서는 효용 가치가 뚝 떨어집니다. 신세대는 영어를 훨씬 잘하니 괜찮을지 모르겠지만 고참 구세대 분들에겐 한글은 정말 필수입니다. 이렇게 한글의 자연어 처리를 위한 사전 학습 모델로 말뭉치가 필요한데 ETRI나 국립 국어원 에서 여러 가지를 만들어서 제공하고 있으니 정말 다행입니다. 앞으로는 자연어의 처리가 가장 중요한 요소가 될 듯 합니다. 학술적인 것이 아니라 실제 업무의 효율을 극대화하기 위해서 한글 인식이 반드시 필요하다고 생각됩니다. 

최근에는 글쓰는 인공지능인 GPT-3가 나와서 선풍적인 주목을 받고 있습니다. 정형화된 글은 사람보다 잘 쓴다고 합니다. 앞으로 일반 Fact를 전달하는 미디어의 기사들이나 평이한 드라마 시나리오 같은 것은 AI에게 맡겨야 하는 때가 곧 오지 않을까도 생각해 봅니다. 하여간에 의사결정 및 업무 자동화를 위한 AI가 쏟아져 나오고 있고, ERP 솔루션 업체들은 프로세스와 Data를 가지고 있기에 보다 현실적인 인공지능 솔루션을 만드는데 보다 적극적으로 움직이고 있습니다. 이 부분의 발전은 향후 몇 년 안에 실로 지금은 상상하지 못할 정도의 도약이 있을 것이라 기대됩니다.