AI/ML이란 무엇이며, 비즈니스에 왜 중요할까요?

AI/ML, 즉 인공지능(AI)과 머신 러닝(ML)은 컴퓨터 과학과 데이터 처리의 중대한 진화를 나타내며 다양한 산업을 빠르게 변화시키고 있습니다.

기업과 기타 조직이 디지털 트랜스포메이션을 겪으면서 막대한 양의 데이터 증가에 직면하고 있습니다. 이러한 데이터는 엄청난 가치를 지니고 있지만 동시에 수집, 처리, 분석해야 하는 부담도 가중시킵니다. 수집된 방대한 양의 데이터를 관리하고, 데이터 마이닝을 통해 인사이트를 얻고, 발견한 인사이트를 바탕으로 조치를 취하려면 새로운 툴과 방법론이 필요합니다.

여기에 인공지능과 머신 러닝이 필요합니다.

인공지능이란?

인공지능(AI)은 일반적으로 인지, 학습, 문제 해결과 같은 인지 기능을 모방하는 등 인간의 지능을 시뮬레이션할 수 있는 프로세스와 알고리즘을 의미합니다. 머신 러닝과 딥 러닝(DL)은 AI의 하위 집합입니다.

AI의 구체적인 실제 응용 분야에는 현대적인 웹 검색 엔진, 음성을 이해하는 개인 비서 프로그램, 자율주행차량, Spotify와 Netflix에서 사용하는 것과 같은 추천 엔진 등이 있습니다.

AI에는 네 가지 수준 또는 유형이 있습니다. 그 중 두 가지는 이미 달성된 상태이고 두 가지는 아직 이론적인 수준에 머물고 있습니다.

4가지 유형의 AI

네 가지 유형의 AI 중에서 가장 기본적인 것부터 가장 발전된 것까지 포함되어 있는데, 이는 반응형 머신(reactive machines), 제한된 메모리(limited memory), 마인드 이론(theory of mind), 자기 인식(self-awareness)입니다.

반응형 머신(Reactive machines)은 일종의 입력에 기반하여 기본적인 작업을 수행할 수 있습니다. 이 수준의 AI에서는 "학습"이 발생하지 않습니다. 시스템은 특정 작업 또는 일련의 작업을 수행하도록 훈련되며 그 이상으로 벗어나지 않습니다. 이는 순전히 반응형 시스템으로, 입력을 저장하지 않으며 특정 컨텍스트 외부에서 작동하거나 시간이 지남에 따라 진화할 수 있는 능력이 없습니다.

반응형 시스템의 예로는 대부분의 추천 엔진, IBM의 Deep Blue 체스 AI, Google의 AlphaGo AI(아마도 세계 최고의 바둑 기사라고 주장)가 있습니다.

제한된 메모리(Limited memory) AI 시스템은 유입되는 데이터와 시스템이 수행하는 모든 작업이나 의사 결정에 대한 데이터를 저장한 다음, 저장된 데이터를 분석하여 시간이 지남에 따라 개선할 수 있습니다. 학습을 수행하려면 제한된 메모리가 필요하기 때문에 여기에서 "머신 러닝"이 실제로 시작됩니다.

제한된 메모리 AI는 시간이 지남에 따라 개선될 수 있으므로 현재까지 개발된 AI 중 가장 발전된 유형입니다. 자율주행차량, 가상 음성 비서, 챗봇 등이 여기에 해당합니다. 

마인드 이론(Theory of mind)은 더 발전되고 (현재 기준으로) 아직 달성하지 못한 이론적인 AI 유형 두 가지 중 하나입니다. 여기에서 AI는 인간의 생각과 감정을 이해하고 의미 있는 방식으로 상호 작용하기 시작합니다. 즉, 인간과 AI의 관계는 상호적인 관계가 되는데, 현재 인간이 상대적으로 덜 발전된 다양한 AI와 맺는 단순한 일방적인 관계와는 다릅니다.

"마인드 이론"이라는 용어는 심리학에서 유래한 것으로, AI가 인간에게는 생각과 감정이 있다는 것을 이해하고 이를 통해 AI의 행동에 영향을 미친다는 것을 의미합니다.

자기 인식(Self-awareness)은 많은 AI 개발자들의 궁극적인 목표로 여겨집니다. 이 AI는 인간 수준의 의식을 갖고 있으며, 인간과 비슷한 욕구와 감정을 가진 존재로서 자각하는 상태입니다. 아직까지 자기 인식 AI는 공상과학 소설의 소재에 불과합니다.

머신 러닝이란?

머신 러닝(ML)은 "제한된 메모리" 범주에 속하는 AI의 하위 집합으로서, AI(머신)가 학습하고 시간이 지남에 따라 발전할 수 있는 능력을 갖춥니다.

다양한 머신 러닝 알고리즘이 있으며, 세 가지 기본 유형은 지도 학습, 비지도 학습, 강화 학습입니다.

3가지 유형의 머신 러닝 알고리즘

다양한 AI 유형과 마찬가지로 이러한 다양한 유형의 머신 러닝은 다양한 복잡성을 다룹니다. 머신 러닝 알고리즘에는 몇 가지 다른 유형이 있지만 대부분은 이러한 기본 세 가지 유형을 조합하거나 기반으로 합니다.

지도 학습(Supervised learning)은 이 중에서 가장 간단한 유형으로, 말 그대로 학습 프로세스 전체에 걸쳐 AI를 능동적으로 지도하는 것을 말합니다. 연구자나 데이터 사이언티스트는 머신에 처리하고 학습할 데이터의 양과 해당 데이터가 생성해야 하는 결과(더 공식적인 표현으로는 입력과 원하는 출력이라고 함)에 대한 몇 가지 예시 결과를 제공합니다.

지도 학습의 결과는 새로운 입력 데이터를 기반으로 결과를 예측할 수 있는 에이전트입니다. 머신은 이러한 예측을 저장하고 지속적으로 재분석함으로써 학습을 지속하며, 시간이 지남에 따라 정확도를 개선할 수 있습니다.

지도 머신 러닝의 응용 분야에는 이미지 인식, 미디어 추천 시스템, 예측 분석, 스팸 감지 등이 포함됩니다.

비지도 학습(Unsupervised learning)은 학습 과정에서 사람의 도움을 받지 않습니다. 에이전트에는 분석할 데이터 양이 제공되며 해당 데이터의 패턴을 독립적으로 식별합니다. 이러한 유형의 분석은 머신이 인간보다 주어진 데이터 세트에서 더 많고 다양한 패턴을 인식할 수 있기 때문에 매우 유용할 수 있습니다. 지도 머신 러닝과 마찬가지로 비지도 ML은 시간이 지남에 따라 학습하고 개선할 수 있습니다.

비지도 머신 러닝의 응용 분야에는 마케팅 데이터에서 고객 세그먼트 결정, 의료 영상, 이상 감지 등이 포함됩니다.

강화 학습(Reinforcement learning)은 머신을 훈련하기 위해 제공되는 데이터 세트가 없다는 점에서 이러한 세 가지 알고리즘 중 가장 복잡합니다. 이때, 에이전트는 에이전트가 배치된 환경과 상호 작용하여 학습합니다. 수행한 작업에 따라 긍정적이거나 부정적인 보상을 받고, 긍정적인 보상을 극대화하기 위해 응답을 수정하여 시간이 지남에 따라 개선됩니다.

강화 학습의 응용 분야에는 자가 개선 산업용 로봇, 자동 주식 거래, 고급 추천 엔진, 그리고 광고 지출 효과를 극대화하기 위한 입찰 최적화 등이 있습니다.

딥러닝이란?

딥러닝(DL)은 사전 처리된 데이터의 필요성을 없애고 인간의 신경망을 에뮬레이션하려고 하는 머신 러닝의 하위 집합입니다. 딥러닝 알고리즘은 인간의 개입 없이 방대한 양의 비정형 데이터를 수집, 처리, 분석하여 학습할 수 있습니다.

다른 유형의 머신 러닝과 마찬가지로 딥러닝 알고리즘도 시간이 지남에 따라 개선될 수 있습니다.

현재 딥러닝의 몇 가지 실용적인 응용 분야에는 컴퓨터 비전, 얼굴 인식, 자연어 처리 개발이 포함됩니다.

AI, 머신 러닝, 딥러닝 비교

딥러닝은 머신 러닝의 하위 집합이며, 머신 러닝은 인공 지능의 하위 집합입니다. 하지만 이들 사이의 실제 유사점과 차이점은 무엇일까요?

이러한 관계는 일반적으로 외부에 AI가 있고 중심에 DL이 있는 동심원으로 표시하여 설명할 수 있습니다.

위에서 설명한 것처럼, 현재 이론상으로 존재하는 두 가지를 포함하여 네 가지 유형의 AI가 있습니다. 이 관점에서 인공지능은 인간의 지능과 사고를 시뮬레이션하는 머신을 만드는 더 크고 포괄적인 개념입니다. 자기 인식 인공지능을 개발하는 궁극적인 목표는 현재 우리의 능력을 훨씬 뛰어넘는 것이므로 AI를 구성하는 많은 부분은 현재 실용적으로 활용하기 어렵습니다.

반면에 머신 러닝은 '제한된 메모리' 유형이므로 현재 AI의 실제 응용 분야입니다.

대체로 머신 러닝은 여전히 비교적 간단한 편이며, 대부분의 ML 알고리즘에는 입력 계층과 출력 계층과 같은 하나 또는 두 개의 '계층'만 있고 그 사이에 처리 계층은 거의 없거나 전혀 없습니다. 머신 러닝 모델은 시간이 지남에 따라 개선될 수 있지만, 인간의 지도와 재훈련이 필요한 경우가 많습니다.

이와 대조적으로 딥러닝에는 여러 계층이 있으며, 이러한 추가 "숨겨진" 처리 계층 때문에 딥러닝이라는 이름을 갖게 되었습니다. 딥러닝 알고리즘은 자체 예측과 결과를 분석하여 시간이 지남에 따라 정확도를 평가하고 조정할 수 있다는 점에서 기본적으로 자가 학습 방식입니다. 딥러닝 알고리즘은 독립적인 학습이 가능합니다.

DL은 인공 신경망을 구성하는 계층화된 알고리즘을 통해 이 작업을 수행할 수 있습니다. 이러한 기술은 인간 두뇌의 신경망에서 영감을 받았지만, 실제 그 정도 수준의 정교함은 턱없이 부족합니다. 그렇지만 이는 단순한 ML 모델보다 훨씬 더 발전된 상태이며 현재 우리가 구축할 수 있는 가장 진보된 AI 시스템입니다.

AI/ML은 왜 중요할까요?

전 세계적으로 생성되고 저장되는 데이터의 양이 기하급수적으로 증가함에 따라 데이터가 비즈니스 자산으로서 중요성이 점점 커진다는 점은 모두가 알고 있는 사실입니다. 물론 데이터를 수집해도 아무런 조치도 취하지 않는다면 의미가 없지만, 자동화된 시스템 없이는 이러한 엄청난 양의 데이터를 관리하기가 어렵습니다.

인공지능, 머신 러닝, 딥러닝을 통해 조직은 수집한 수많은 데이터에서 가치를 추출하고, 비즈니스 인사이트를 제공하고, 작업을 자동화하고, 시스템 기능을 개선할 수 있습니다. AI/ML은 다음과 같은 측정 가능한 결과를 달성하도록 지원하여 비즈니스의 모든 측면을 혁신할 수 있는 잠재력을 가지고 있습니다.

• 고객 만족도 증가

• 차별화된 디지털 서비스 제공

• 기존 비즈니스 서비스 최적화

• 비즈니스 운영 자동화

• 수익 증대

• 비용 절감

AI/ML 예시와 활용 사례

물론 모든 것이 추상적이고 애매모호한 얘기일 수 있습니다. 그러므로 AI/ML이 오늘날 산업을 혁신하는 몇 가지 실용적인 활용 사례와 예시를 살펴보겠습니다.

보건 의료

AI/ML은 의료 애플리케이션에서 임상 효율성을 높이고 진단 속도와 정확도를 높이며 환자 치료 결과를 개선하는 데 사용되고 있습니다.

HCA Healthcare는 머신 러닝을 사용하여 개발한 실시간 예측 분석 제품인 SPOT(Sepsis Prediction and Optimization of the Therapy)을 통해 생명을 위협할 수 있는 패혈증을 더욱 정확하고 신속하게 진단한 공로로 Red Hat Innovation Award를 수상했습니다.

통신

통신 산업에서는 고객 행동에 대한 인사이트를 확보하고, 고객 경험을 개선하며, 5G 네트워크 성능을 최적화하기 위해 무엇보다 머신 러닝을 점점 더 많이 사용하고 있습니다.

실제로, 2021년 초에 발표한 Red Hat의 엔터프라이즈 오픈소스 현황 리포트에 따르면, 통신 기업의 37%만이 현재 AI/ML에 엔터프라이즈 오픈소스를 사용하고 있지만 66%가 향후 2년 이내에 사용할 것으로 예상합니다.

보험

보험 산업에서 AI/ML은 보험금 청구 처리 자동화, 사용 기반 보험 서비스 제공 등 다양한 분야에 활용되고 있습니다.

대다수의 보험사는 핵심 시스템의 현대화가 광범위한 시장에서 서비스를 차별화하는 핵심 요소라고 생각하며, 머신 러닝은 이러한 현대화 노력의 일부입니다.

금융 서비스

금융 서비스 산업에서도 마찬가지로, 맞춤화된 고객 서비스 제공, 위험 분석 개선, 사기와 자금 세탁 감지 강화를 포함하여 서비스를 현대화하고 개선하기 위해 AI/ML을 활용하고 있습니다.

금융 기관이 처리해야 하는 데이터의 양이 계속 증가함에 따라 머신 러닝의 기능은 사기 감지 모델을 더욱 강화하고 은행 서비스 처리를 최적화하는 데 도움이 될 것으로 예상됩니다.

자동차

자동차 산업은 지난 몇 년 동안 전기 자동차와 자율주행 차량, 예측 유지 관리 모델, 그리고 산업 전반에 걸친 다양한 와해성 트렌드와 함께 엄청난 변화와 격변을 겪었습니다.

물론 AI/ML도 이러한 트랜스포메이션의 큰 부분을 차지합니다. 예를 들어, BMW Group의 자동화된 차량 이니셔티브에서 핵심 요소로 사용되고 있습니다.

에너지

전 세계의 에너지 공급업체들도 에너지를 생성, 저장, 전달, 사용하는 새로운 방식을 통해 경쟁 환경을 변화시키는 산업 트랜스포메이션의 한가운데에 있습니다. 또한 세계적인 기후 문제, 시장 동력, 기술 발전으로 인해 환경이 크게 바뀌었습니다.

에너지 부문은 이미 AI/ML을 사용하여 지능형 발전소를 개발하고, 소비와 비용을 최적화하고, 예측 유지 관리 모델을 개발하고, 현장 운영과 안전을 최적화하고, 에너지 거래를 개선하고 있습니다.

조직에서 AI/ML 시작하기

AI/ML은 분명히 모든 산업에서 막대한 가치를 제공할 수 있는 강력한 혁신 기술이지만, 시작하기에는 다소 부담스러울 수 있습니다.

좋은 소식은 소규모로 시작할 수 있다는 것입니다. 대규모 초기 투자 없이도 조직에 AI/ML을 도입할 수 있으므로, 관리하기가 더 쉬운 소규모 영역에서 시작하여 AI/ML이 조직에 어떤 장점을 제공할 수 있는지 파악할 수 있습니다.

더 자세한 내용은 AI/ML 여정을 시작하는 방법에 대한 13단계 로드맵을 참조하세요.

자세히 알아보기

• Red Hat OpenShift의 AI/ML

• 프로덕션 레디 AI/ML 환경을 구축하기 위해 고려해야 할 중요 사항(e-book)

• AI/ML 도입을 위한 두 가지 핵심 요소: 데이터 우수성과 협업

• AI/ML Red Hat Open Innovation Labs 레지던스 환경