[아이티데일리] 인공지능 기술 및 제품이 하루가 다르게 개발 공급되고 있다. 또한 관련 시장 및 산업도 빠르게 확산되고 있다. 인공지능 기술은 이미 일상생활 속으로 알게 모르게 빠른 속도로 파고들고 있는 것이다. 그러나 일반인들은 개념적으로는 이해하고 있지만, 인공지능이 어떤 분야에 어떻게 적용되고 있고, 어떻게 발전해 나갈지 등에 대해서는 잘 모르고 있는 게 현실이다. 또한 이와 관련된 믿을 만한 자료는 물론 청사진도 없다고 할 수 있다. 정보통신기술평가원(IITP)이 이에 대한 가이드를 최근 ‘인공지능 기술 청사진 2030’이라는 제목으로 발간해 주목을 받고 있다. 이 가이드는 1년여에 걸쳐 100명 이상의 인공지능 전문가들을 통해 연구 개발했다고 한다. 이 자료는 인공지능 기술 발전의 이정표 역할을 하기에 크게 부족함이 없다는 평가를 받고 있다.

‘인공지능 기술 청사진 2030’은 크게 다섯 가지 방향을 중심으로 추진했다고 한다. 즉 첫째, 사람의 지능과 유사한 기술 분류체계 수립에 심혈을 기울였다는 것이다. 다시 말해 IQ(지능지수), EQ(감성지수) 같은 사람의 지능을 반영할 수 있는 분류체계를 수립해 인간과 가까운 지능체계를 수립했다는 것이다. 두 번째는 미국 중심의 동향에서 중국, EU, 일본 등으로 조사범위를 확대해 각국의 프로젝트 파악에 주력했고, 세 번째는 새로운 기술 분류체계를 기반으로 100여명이 넘는 인공지능 전문가들을 통한 심층 기술수준을 조사했으며, 네 번째는 일반인들도 쉽게 이해할 수 있는 기술 개요부터 전문가들이 원하는 국내외 동향과 주요 R&D 이슈를 폭넓게 조사 정리했다고 한다. 마지막으로는 실제 산업분야에 적용 가능한 인공지능 기술을 제시했다고 한다.

본지는 이에 따라 ‘인공지능 기술 청사진 2030’을 5회에 걸쳐 주요 이슈별로 요약 정리해 게재한다. 즉 ▲깊이 성장 AI ▲범위 성장 AI ▲지속성장 AI ▲신뢰성 있는 AI ▲공감하는 AI 등이다. <편집자>

개념 및 범위

개념

인공지능 스스로 자체 학습 역량을 판단하여 개선하고, 인간의 뇌 발달 과정처럼 기존 지식을 기반으로 새로운 학습 결과를 누적하여 진화 발전한다. 중앙 서버 지능과 로컬 지능이 연결되어 학습 역량을 증강하는 등 사람의 지능성장 과정처럼 진화하는 기술.

범위

• 학습 역량 진단 및 개선
기존 학습 지식의 경험화를 통한 새로운 환경/조건 변화의 대처, 경험세계에 대한 빠른 현실 적용이 가능한 학습역량 인지학습, 사용자와의 상호작용을 통한 학습모델 신뢰도 평가 등 스스로 성장 가능한 학습 역량을 보유한 기술.

• 평생학습
기존 지식을 잊지 않고 새로운 지식과 함께 유지, 과거 지식 기반 새로운 지식학습, 지속적인 학습 과정 중에서 새로운 문제 발굴 등 새로운 태스크(task)에 대해 효율적으로 적용 가능한 학습 기술.

• 뇌인지 발달 모사
뇌인지를 모방한 감각/인지, 신체/운동 지능 매커니즘, 환경과의 상호 작용이 가능한 튜터링을 통한 성장 발달 이해 등 인간의 뇌인지 기능이 발달하는 과정을 모사하여 지속적인 학습이 가능한 기술.

• 연합학습
분산된 학습 데이터에 대한 효율적인 협업 기반의 학습 방법, 분산된 기기를 통한 학습 모델의 효율적인 학습 체계 등 중앙서버 관리 하에 다수의 분산 서버가 기계학습 문제를 해결하기 위해 협업하는 기술.

• 모델 경량화
성능대비 연산량 및 처리시간이 보장되는 경량 네트워크 설계, 다양한 하드웨어 기반의 신경망 최적화 및 경량화 기술, 온디바이스 기반의 빠른 추론 등 높은 연산량의 알고리즘이 성능을 유지하면서 경량화 될 수 있도록 설계하는 기술.

주요 기술동향

• 학습역량 진단 및 개선
미국 DARPA에서는 인공지능 시스템이 학습 역량을 확보하기 위해 자기 지식화(Self-knowledge of Experience), 작업 전략에 대한 지식화(Self-knowledge of Task Strategies), 의사소통(Competency Statements) 기술에 대한 역량인지 기계학습(Competency-Aware Machine Learning(CAML)) 프로젝트에 대해 투자를 하고 있다.(DARPA, `19~`23)

※ 비오는 날의 자율주행차는 기존의 학습된 조건/환경과 다른 상황이며, 이때 어떻게 유연한 대처가 가능한지에 대한 연구임.

• 평생학습
미국 DARPA에서는 새로운 데이터를 사람과 같이 유연하게 학습하는 인공지능 시스템 개발을 목표로 L2M: Lifelong Learning Machines 연구를 수행하고 있다.

CMU의 Carlson과 Mitchell 등에 의한 NELL(Never-Ending Language Learner) 시스템이 있으며, NELL은 2010년 1월 이후 2020년 현재까지 지속적으로 웹을 돌아다니면서 정보를 취득해 수백만 개의 개체와 관계에 대한 정보를 확보했다.

※ 신경망 구조에서 새로운 클래스를 학습하기 위해 최소한의 네트워크 확장으로 학습의 효율을 유지하는 연구임.

• 뇌인지 발달 모사
미국 MIT의 CBMM(Center for Brains, Minds & Machines)에서는 인간의 뇌구조를 역공학으로 구현하는 연구를 수행하고 있다. 시각적인 정보뿐만 아니라 경험과 직관에 의해 구성된다는 점에 착안해, 확률적 프로그램을 통해 유아의 행동 발달과정을 분석하는 연구를 수행했다.

※ 시각정보와 의미정보를 추상화 하여 학습에 활용하는 연구임.

• 연합학습
구글(Google)은 민감한 입력 데이터를 서버에 업로드하지 않고도 모바일 키보드 예측 모델을 학습시키는 데 사용하기 위해, 모든 데이터를 서버에 모아 학습하는 방식과 달리 사용자가 사용하는 스마트폰에서 데이터를 처리하도록 했다. 이 모델을 중앙으로 모아 더 정교한 모델을 만들어 다시 배포하는 Tensorflow Federated(TFF)를 출시했다.

※ 스마트폰에서 키보드 입력의 오류를 학습하기 위해 다수의 스마트폰에서 연합해 학습하는 연구임.

• 모델 경량화
미국 MIT의 Song Han 교수 연구진은 활용 환경에 맞추어 AI 모델을 변형하는데 많은 전문가 자원이 활용되며 이에 대한 수요를 공급이 쫓아가지 못하고 상황을 해결하기 위해 NAS 기반의 최적화 기술에 대해 연구하고 있다. 최근 클라우드 환경에서 학습한 AI 모델을 다양한 장비(클라우드, 모바일 기기, 저전력칩 등)에서 재학습 없이 사용할 수 있는 기술을 소개했다.

※ 클라우드/모바일/IoT 기기에서 활용하기 위해, 하나의 네트워크 구조를 재활용하기 위한 연구임.