※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1824호(2017. 11. 29. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

스스로 학습하는 인공지능 GAN, 현재 200여 개 파생기술 연구 중.pdf

[ 요 약 ]

[ 본 문 ]

ž 알파고 이후 인공지능(AI)이 대체할 수 없는 창의성을 키워야 한다는 주장이 더욱 커졌지만, 기실 알파고 쇼크의 본질은 창작도 AI가 인간보다 잘 할 수 있음을 보여준 데 있음

Ø 지나 10월 알파고를 개발한 ‘딥마인드(DeepMind)’는 ‘인간의 지식 없이 바둑 게임 정복하기’라는 논문을 발표하며, 새롭게 ‘알파고 제로(Zero)’를 소개하였음

Ø ‘제로’라는 코드네임이 붙은 이유는, 이전 버전의 알파고 개발에서는 최초 학습 데이터로 사람의 기보 약 16만 건을 사용한 반면, 알파고 제로는 사람의 기보나 바둑에 대한 기본 규칙을 전혀 입력하지 않고 AI 스스로 바둑을 두면서 실력을 배양하도록 했기 때문

Ø 논문에 따르면 알파고 제로는 72시간 만에 이세돌을 꺾은 ‘알파고 리’ 버전을 넘어섰고, 4개월 후에는 커제를 꺾은 ‘알파고 마스터’ 버전을 넘어섰다고 함.

Ø 기존 AI가 방대한 데이터 분석과 강화학습 등을 통해 인간의 지혜를 배우는 데 초점을 두고 인간이 이미 잘 할 수 있는 것들을 자동화는 수준이었다면, 알파고 제로는 인간 전문가의 개입이나 인간의 관점 입력 없이 이루어졌다는 데 중대한 함의가 있음

Ø 알파고 제로의 바둑을 보면서 바둑계에서 나온 반응은 그래도 사람이 수천 년 동안 발전시켜 온 소위 바둑의 정석이란 것이 틀리지 않았음이 확인되어 ‘다행이다’라는 것이었는데, 최소한 바둑계에서는 이제 아무도 AI를 그저 엄청난 속도로 연산을 하는 기계로만 바라보지 않음

ž 실제 디자인, 회화, 음악, 문학, 영화 등 예술과 창작 영역에 AI의 침투 소식은 이제 더 이상 낯설지 않은데, 이들 소식에서 언급되는 AI는 수십 가지로 변형되고 있는 ‘GAN’ 기술임

Ø 지난 5월 ‘엔비디아 GTC 2017’ 컨퍼런스에서 구글 리서치의 이언 굿펠로우는 청중들에게 각양각색의 고양이 사진을 보여주며, 이중 실제 고양이 사진이 아닌 AI가 임의로 합성해 낸 이미지를 찾아보라고 질문을 던졌음

Ø 청중들은 좀처럼 찾아낼 수 없었는데, 사실 그 사진들 중 실제 고양이 사진은 단 한 장도 없었고 모두 AI가 무작위로 합성해 낸 것이었으며, 사람들은 진짜 사진과 가짜 사진의 구분이 무너지고 있다며 감탄과 탄식을 동시에 쏟아 냈음

Ø 고양이 사진 합성에 사용된 인공지능 기술은 ‘생성적 대립쌍 신경망(GAN, Generative Adversarial Network)’이라 불리는 것인데, 이언 굿펠로우가 지난 2014년에 논문을 통해 발표했을 때 컴퓨터 사이언스 학계에서 찬사가 쏟아졌음

Ø 딥러닝의 창시자로 불리는 제프리 힌튼 교수는 ‘갠(GAN)’에 대해 ‘최근 10년 간 가장 매력적인 이론’이라 평가했는데, 인간의 가이드라인에 따라 수동적으로 학습하는 기존 AI와 달리 ‘능동적으로 학습하고 행동하는’ AI 개발을 위한 토대가 될 것이라 보았기 때문임

Ø 갠 신경망은 ‘대립쌍을 이루는(Adversarial)’ 두 개의 네트워크, 즉 이미지를 만드는 ‘생성자(Generator)’와 이미지가 진짜인지 가짜인지 감별하는 ‘감식자(Discriminator)’를 서로 경쟁시켜 생성자가 감별자가 구분하기 어려운 진짜 같은 가짜를 만들게 하는 것임

Ø 2014년 이후 매주 새로운 갠(GAN) 논문들이 쏟아지고 있으며 최근에는 190편 이상이 보고되고 있는데, 전문가들도 모두 추적하기 힘들 정도로 다양한 응용기법들이 등장하고 있음

Ø 그 이름도 다양해 DCGAN, SRGAN, StackGAN, 3D-GAN, CycleGAN 등 200여 개의 서로 다른 기법이 GAN으로부터 개발되고 있어 GAN 기술은 앞으로 더욱 발전속도가 가속화될 전망

ž 가장 대표적인 GAN 기법은 DCGAN(Deep Convolutional Generative Adversarial Networks)으로로 엔비디아는 이를 이용해 유명 연예인의 이미지를 생성하는 기술을 공개하였음

Ø 엔비디아의 DCGAN은 유명 연예인뿐만 아니라 침실, 화분, 말, 소파, 버스 등 어떤 객체라도 AI가 개념만 듣고 현실과 똑같이 그려낼 수 있음을 보여주었음

Ø DCGAN에서 생성자(Generator)는 매개변수에서 원래 이미지를 찾아 처리하는 ‘디컨볼루션 네트워크(De-Convolution Network)’로 구성되며, 입력된 노이즈(랜덤 신호)로부터 이미지를 생성함

Ø 감식자(Discriminator)는 매개별수를 응축 처리하는 ‘컨볼루션 네트워크(Convolution Network)’로 구성되며, 여기에 위조 이미지(Fake) 또는 실제 이미지(Real)을 입력함

Ø 감식자는 입력된 이미지를 처리하고 그것이 위조(Fake)인지 또는 실제(Real)인지 여부를 로지스틱 회귀분석법으로 판정하며, 이 과정에서 감식자가 역전파 알고리즘(Backpropagation)으로 진짜와 가짜의 차이값(Gradient)을 얻게 됨

Ø 이 차이값을 다시 생성자에 입력하여 진짜와 똑 같은 가짜를 생성하는 기술을 향상시키는데, 양측이 모두 향상되는 구조로 이 프로세스를 몇 번이고 되풀이 하여 감식자가 구분할 수 없는 진짜 같은 가짜 이미지를 생성하게 됨

Ø DCGAN의 생성자는 가짜 이미지를 생성할 뿐만 아니라 생성된 이미지를 연산 조작하는 기능을 가지고 있는데, 예를 들어 ‘안경을 쓴 남자 - 안경을 쓰지 않은 남자 + 안경을 쓰지 않은 여자 = 안경을 쓴 여자’와 같은 연산을 처리함

Ø 연산의 결과 안경 쓴 여성의 이미지를 9개 생성하는데, 맨 중앙 이미지가 구하려는 답으로 주위의 8개 이미지를 외삽법(extrapolation)으로 추론하여 중앙의 이미지를 생성한 것이며, 이런 연산 조작 기법을 이용하면 금발을 흑발로 바꿀 수도 있음

Ø 외삽법이란 어떤 주어진 구간의 밖에 존재하는 값을 추정하는 것으로 보외법(補外法 )이라고도 하며, 반대로 주어진 구간 내에 존재할 수 있는 값을 추정하는 것은 보간법(補間法)이라고 함

ž 회화 그림 관련 응용프로그램에 적용되고 있는 SRGAN(Super-Resolution Generative Adversarial Networks)은 저해상도 이미지를 고해상도 이미지로 변환하는 기법임

Ø [그림 4]의 맨 오른쪽이 원본 이미지인데, 예를 들어 이 이미지의 해상도를 4배로 늘리는 작업을 한다고 할 때 다양한 방법으로 시도가 가능함

Ø 맨 왼쪽 이미지는 기존에 주로 많이 사용하던 ‘바이큐빅(bicubic)’이라는 2차원 외삽법에 의해 해상도를 높인 것임

Ø 왼쪽에서 두번째는 이미지 수준을 예측하는 심층 레지듀얼 네트워크(Deep Residual Network)로서 딥러닝의 손실함수인 평균제곱오차(Mean Squared Error)에 최적화 되어 있는 SRResNet 기법을 이용해 해상도를 높인 것임

Ø 왼쪽에서 세 번째가 SRGAN으로 생성한 이미지인데, 물리적으로는 손실 압축에서 화질 손실 정보를 수치로 표현한 ‘최대 신호 대비 잡음비(peak signal-to-noise ratio)’가 높아 노이즈가 있지만, 외견상 구조적 유사성(Structural Similarity)는 원본 이미지에 가장 가까움

Ø SRGAN 기법은 이미지 초해상도(Image Super-Resolution)라고도 불리며 저해상도 이미지를 8K 모니터 등 고해상도 디스플레이에 표시하는 기술로서 주목받고 있음

ž 스택GAN(StackGAN, Stacked Generative Adversarial Networks)는 입력된 문장과 단어를 해석해 이미지를 생성하는 인공지능 기법임

Ø 예를 들어, ‘이 새는 파란색에 흰색이 섞인 짧은 부리를 가지고 있다’라는 텍스트를 입력하면 StackGAN이 이를 이해하여 그에 맞는 이미지를 생성함

<자료> Zhang et al.

[그림 5] StackGAN

Ø GAN이 생성자와 감식자의 대립 네트워크를 생성하듯, StackGAN은 저해상도 이미지를 생성하는 Stage-I과 고해상도 이미지를 생성하는 Stage-II의 2단계 네트워크 구성을 갖추고 있음

Ø DCGAN과 마찬가지로 StackGAN에서 생성된 이미지는 실제 조류가 아닌 StackGAN이 상상으로 생성한 것이며, 사진처럼 보이지만 그러한 새는 세상에 존재하지 않음

ž 3D-GAN은 MIT의 AI 연구팀이 공개한 입체 모델 생성 네트워크로 가령 가구 사진을 통해 교육시키면 3D-GAN은 가구를 3차원으로 그릴 수 있게 됨

Ø 연구팀의 논문을 보면 이케아의 가구 사진을 3D-GAN에 입력하면 그 가구를 3D로 묘사하는데, 입력된 사진은 가구 전체를 담고 있지 않지만 3D-GAN은 이것을 상상에서 보충하여 3D 이미지를 생성해 내고 있음

Ø 3D-GAN 역시 3D 모델 이미지를 연산 조작할 수 있는데, 가령 ‘선반 있는 낮은 테이블 - 선반 없는 높은 테이블 + 높은 테이블 = 선반이 있는 높은 테이블'과 같은 연산을 수행해 이미지를 생성함

Ø [그림 6]은 3D-GAN이 학습한 성과를 가시적으로 보여주기 위한 것이며, GAN이 학습한 성과를 매개 변수로 네트워크에 저장하는 것을 실제로 볼 수는 없음

Ø MIT는 현재 숨겨진 영역(Latent Space)의 매개 변수를 출력하는 3D-GAN의 학습 메커니즘을 검증하기 위한 연구를 수행하고 있음.

ž 사이클GAN(CycleGAN)은 인공지능이 자율적으로 학습하여 이미지의 스타일을 다른 스타일로 변환시킬 수 있는 기술임

Ø 입력된 이미지의 스타일을 다른 스타일로 변환하는 방법을 일반적으로 ‘스타일 변환(Style Transfer)’이라고 하는데, 이미지 사이의 스타일을 매핑하기 위해 최근 들어 심층신경망을 이용하는 경우가 많음

Ø 가령 심층신경망이 화가의 스타일을 습득하여 그 화풍으로 그림을 그리는 기술이 다수 발표되고 있는데, 사진을 입력하면 AI가 이를 모네 스타일 혹은 피카소 스타일의 유화로 변환해 주는 애플리케이션들이 대표적임

Ø 그러나 이 방식은 화가의 작품이나 풍경 사진 데이터 중 어느 한쪽 혹은 양쪽의 데이터가 거의 없는 경우, 작품과 사진이 ‘짝을 짓게 하는 교육(Paired Training)’을 어떻게 실행할 수 있을 것인가가 큰 과제가 됨

Ø 이에 비해 사이클GAN(Cycle-Consistent Adversarial Networks) 기술은 쌍을 이루는 교육 데이터가 필요 없는, 즉 작품-사진의 쌍을 지을 필요 없이, 모네의 유화나 풍경 사진을 각각 독자적으로 사용하여 네트워크를 교육시키는 짝 지우지 않는 교육(Unpaired Training) 기법임

Ø 교육된 사이클GAN은 예를 들어 모네의 작품을 입력하면 이를 사진으로 변환하거나 반대로 사진을 입력하면 모네의 유화로 변환시킬 수 있음

Ø 또한 얼룩말의 사진을 말의 사진으로, 말의 사진을 얼룩말의 사진으로 변환할 수 있는데 이를 객체 변형(object transfiguration)이라 하며, 또한 산의 여름 사진을 입력하면 눈 쌓인 겨울 산의 사진으로 변환할 수도 있는데 이는 계절 변환(season transfer)이라고 함

Ø 사이클GAN은 네트워크가 자율적으로 학습하는 아키텍처로서 ‘교사 없는 학습(Unsupervised Learning)’으로 이어질 수 있는 기법으로 기대되고 있음

Ø 사이클GAN 기법은 버클리 인공지능 연구실이 주축이 되어 개발하고 있는데, 주 책임자인 중국인 주준이엔 외에 한국인 박사과정 학생 박태성이 참여하고 있기도 함

ž 디스코GAN(DiscoGAN)은 인공지능이 자율적으로 서로 다른 객체 그룹 사이의 특성을 파악하여 양자 사이의 관계를 파악할 수 있는 기술임

Ø 사람은 하나의 그룹과 다른 그룹의 관계, 예를 들어 가방 그룹과 신발 그룹의 관계를 경험적 혹은 직관적으로 파악할 수 있는데, 신경망이 이 관계를 파악하도록 하기 위해서는 태그가 붙어 있는 이미지를 대량으로 입력해 알고리즘을 교육할 필요가 있음

Ø 이에 비해 디스코GAN은 알고리즘이 양자의 관계를 자율적으로 이해하는데, 먼저 디스코GAN에 가방과 신발이라는 두 그룹의 이미지를 각각 입력해 각자의 특성을 가르치고 나면 이미지에 태그(가방이나 신발 등의 이름)가 붙지 않아도 알고리즘이 양자의 관계를 스스로 파악함

Ø 교육된 디스코GAN을 예를 들면, 가방 이미지를 입력하면 신발 이미지를 생성하거나, 파란색 가방 이미지에서 파란색 신발 이미지를 생성하고, 남성의 사진을 입력하면 여성의 이미지를 생성 할 수도 있음

Ø 디스코GAN 역시 사이클GAN과 마찬가지로 양자의 관계를 정의한 짝 지운 데이터(Paired Data)가 불필요하고 각자의 특성 이미지만 교육시키면 네트워크가 자율적으로 학습하는 구조이기 때문에, 교사 없는 학습의 길을 여는 기술로 주목받고 있음

ž GAN은 기초 연구뿐만 아니라 비즈니스에 응용도 시작되고 있는데, 아마존이 GAN을 이용한 패션 사업의 구상을 밝힌 것이 대표적임

Ø 아마존은 산하 연구소인 Lab126에서 GAN의 개발을 진행하고 있는데, GAN이 유행 중인 패션을 통해 스스로 스타일을 학습하고 자신만의 패션을 생성하도록 하고 있는데, GAN이 패션 디자이너가 되어 인간을 대신해 새로운 디자인을 창조하게 하는 것임

Ø 패션 트렌드는 페이스북이나 인스타그램 등에 올라온 사진으로 학습하는데, 이 사진들을 GAN에 입력하면 GAN이 트렌드를 배워 독자적인 패션을 디자인하게 됨

Ø 또한 아마존은 인공지능 스피커 에코의 변형 버전인 ‘에코 룩(Echo Look)’을 통해 이용자를 촬영한 다음 패션에 대한 조언을 하는 서비스를 제공하고 있음

Ø 아마존은 에코 룩을 통해 이용자의 패션 취향을 이해한 다음, GAN이 개인에 특화된 디자인을 만들게 하는 계획을 갖고 있는데, GA이 생성한 디자인으로 만든 주문형 옷(On-Demand Clothing)이 이용자에게 배달되게 하는 사업 구조임

ž 이처럼 200여 개에 달하는 GAN의 변형 기술 연구가 폭넓게 진행되고 있는 이유는 GAN이 현재 딥러닝이 안고 있는 많은 문제를 해결해 줄 강력한 무기를 제고할 수 있기 때문임

Ø 특히 교사 없는 학습(Unsupervised Learning)과 태그 없는 데이터(Unlabeled Data) 교육 분야에서 연구를 크게 진전시킬 단서를 제공할 것으로 전망되고 있는데, 사이클CAN이나 디스코GAN이 그러한 가능성을 잘 보여주고 있음

Ø 또한 엔비디아의 연구팀 역시 DCGAN 기술을 이용해 촬영한 것처럼 선명한 가상의 유명 연예인 이미지를 생성하고 있지만, 신경망 교육에는 태그가 붙어 있지 않은 연예인 사진을 사용하는 등 알고리즘이 자율적으로 배우는 기술은 빠르게 진화하고 있음

Ø 과학자들은 상상하는 모습을 모두 이미지로 만들어 낼 수 있는 이런 시스템들을 보며 인공지능 신경망이 세상을 해석하는 통찰력을 제공해 줄 것이라 기대하고 있음

Ø 비록 인공지능이 어떤 원리로 이미지를 저장하고 해석하는지 명확하지는 않더라도, 바둑 기사들이 알파고가 바둑의 본질을 보다 잘 이해한다고 인정하듯이, 과학자들 역시 컴퓨터가 생성해 내는 이미지가 실제 세상에서도 통할 수 있다고 생각하는 것임

ž GAN에 대한 기대가 높아지는 만큼 그 위험성에 대한 지적도 나오고 있는데, AI 뿐만 아니라 모든 기술이 그렇듯 이 기술을 어떻게 사용할 것인지는 결국 인간이 결정에 달려 있음

Ø 페이스북의 AI 연구소장인 얀 르쿤은 GAN과 그 파생 기술들은 지난 10년의 기계학습 연구에서 가장 뛰어난 성과라고 높이 평가하고 있음

Ø 한편, GAN의 위험성을 지적하는 목소리도 높아지고 있는데, 지금까지도 페이스북 가짜 사진이 문제가 됐지만 GAN의 등장으로 그 위험성이 더욱 높아짐에 따라 이제 뉴스에 게재되는 사진이나 비디오를 신뢰할 수 있는가 하는 질문이 제기되고 있음

Ø 소셜 미디어에 게재된 이미지가 증거 사진으로 사용되는 경우가 많지만, 이제 앞으로 무엇이 진실인지 알 수 없는 시대가 되면 그럴 수 있겠느냐는 것이며, 수년 내로 GAN을 통해 진짜 같은 가짜 비디오를 생성할 수 있게 된다면 혼란은 더욱 가중될 것이라는 경고임

Ø 이는 엄밀한 근거에 기반을 두어야 하는 과학에서 더욱 불거질 수 있는 문제인데, 그럴듯한 이미지나 동영상과 함께 이런저런 학술이론을 제시하면 한마디 반박조차 못하고 감쪽같이 설득 당할 수밖에 없는 위험이 생긴 것임

Ø 삶을 풍요롭게 하는 데 사용될 지 아니면 삶을 위험에 빠뜨리게 될 지, AI가 그러하듯 GAN이라는 혁신 기술 역시 양날의 검을 가지고 있다는 점을 항시 염두에 두고 바라볼 필요가 있음

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1822호(2017. 11. 15. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

사람 중심으로 상황에 맞게 변하는 인공지능 횡단보도 &lsquo;스탈링 크로싱&rsquo;.pdf

ž 영국의 스타트업 ‘엄브렐리움(Umbrellium)’은 차량 중심으로 만들어 진 기존 횡단보도 대신 상황에 맞게 횡단보도가 가변적으로 변하는 지능형 횡단보도를 개발하고 있음

Ø 엄브렐리움은 도로 곳곳에 흰색 도료로 칠해진 횡단보도 대신 도로를 건너는 사람이나 차량 통행량에 따라 LED를 이용해 가변적으로 표시되는 횡단보도 ‘스탈링 크로싱(Starling Crossing)’을 개발하고 있음

Ø 스탈링(Starling)은 ‘행동신호 적응형 반응 학습((STigmergic Adaptive Responsive LearnING)’의 줄임 말인데, 스티그머지(Stigmergy)는 개미와 같은 사회적 곤충의 독특한 행동방식으로, 개체는 각기 다른 행동을 취하지만 결과적으로 집단 전체의 목표를 달성케 만드는 메커니즘을 말함

Ø 스탈링 크로싱은 보행자 안전은 우선 순위에 놓고 보행자의 잠재적 위험 요소를 파악해 신호를 변경하는 반응형 도로 시스템으로, 보행자 교차로의 패턴, 레이아웃, 구성, 크기와 방향을 상황에 맞게 변경함

Ø 사람이 길을 건널 수 있는 모든 지역의 노면은 카메라로 모니터링 되며, 노면에는 주야간 상관없이 모든 각도에서 볼 수 있는 컴퓨터 제어 LED가 내장되어 있어 상황에 맞는 횡단보도를 구성하게 됨

Ø 예를 들어 도로를 횡단하는 사람이 감지되면 노면에 횡단보도가 표시되고 차량 앞에는 정지선이 표시되며, 더 이상 건너는 사람이 없으면 횡단보도는 사라지고 다시 차선이 노면에 표시됨

Ø 저녁 퇴근시간 때나 영화가 끝나서 사람들이 일시적으로 많이 몰려 건너는 사람이 많을 경우에는 노면에 횡단보도의 너비가 넓게 표시되어 모든 보행자들이 횡단보도 안으로 건널 수 있도록 가이드 해 줌

ž 스탈링 크로싱은 사람이 도로 횡단에 신경 쓰지 않아도 고도의 인공지능(AI) 기술을 통해 안전을 보장한다는 점에서 자율주행차의 컨셉과 맞닿아 있다고 할 수 있음

Ø 최근에는 스마트폰을 보면서 무심코 횡단하다 사고를 당하는 경우가 빈번히 발생하고, 운전자가 여러 이유로 보행자를 발견하지 못해 사고가 발생하기도 하는데, 스탈링 크로싱은 인공지능을 통해 이런 사고를 미연에 예방하고자 함

Ø 카메라에서 수집된 영상을 컴퓨터 신경망 학습으로 분석한 뒤, 횡단할 것 같은 사람이 나타났을 때 자동으로 표시를 조정해 사람이 신경 써서 걷는 것보다 더 안전한 환경을 구축하려는 것

Ø 엄브렐리움은 현재 사우스 런던에 실제 도로와 같은 세트를 만들고 스탈링 크로싱의 프로토타입을 테스트하고 있음

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1819호(2017. 10. 25. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

화이트 칼라 업무 생산성 향상 도구 &lsquo;RPA&rsquo;, AI 붐 타고 도입 급증.pdf

[ 요 약 ]

[ 본 문 ] 

ž 사무직 노동자의 업무를 자동화 해주는 ‘로보틱 프로세스 자동화(Robotic Process Automation, RPA)’ 도구를 업무처리 방식의 혁신 수단으로 도입하는 기업이 급증하고 있음

Ø RPA는 사람이 반복적으로 처리하는 업무를 로봇 소프트웨어를 통해 자동화하는 솔루션으로 많은 인력과 시간을 들여야 하는 단순 업무를 획기적으로 줄일 수 있는 시스템임

Ø 로봇이 점차 지능화되고 있기는 하지만 원래 제조 현장에서 로봇의 역할은 단순 반복 업무를 수행하는 것이며, 로봇 같다는 표현은 종종 주어진 일을 지치지 않고 해낸다는 뜻으로 쓰임

Ø RPA에서 ‘로보틱 프로세스’란 반복적인 업무 절차라는 뜻에 가까우며, RPA는 실제 물리적인 로봇이나 기계장치가 아니라 ‘소프트웨어’를 통해 사무 현장의 반복업무를 자동화하는 것임

Ø 솔루션 벤더들의 주장에 따르면 화이트 칼라의 사무 작업을 RPA로 자동화할 경우 작업 시간을 80% 가량 줄일 수 있다고 하며, 이런 이유로 RPA를 가상 지식 노동자(Digital Employee)로 부를 수 있다고 함

Ø 화이트 칼라의 업무에도 다양한 종류가 있지만 현재 RPA가 주된 대상으로하고 있는 것은 PC로 수행하는 반복적 일상 작업으로, 한 시스템에서 처리한 결과를 다른 시스템으로 입력함으로써 시스템간 연계를 하는 업무가 대표적임

Ø 초기에 RPA는 보험업을 비롯한 금융기관에서 주로 도입이 진행되었는데, 일상적인 대량의 문서 처리 업무가 많아 도입 효과가 좋았기 때문이며, 현재는 금융업 이외에 제조업 등 다양한 산업으로 확산되고 있는 추세임

Ø 시장조사기관 리서치 앤 마켓에 따르면 향후 5년간 RPA 도입이 급증해 2022년 전세계 RPA 시장규모는 50억 달러를 넘어설 것으로 예상됨

ž RPA 자체는 어디까지나 개념일 뿐이며, 기업이 RPA를 도입하려면 RPA 도구가 필요한데, 자체적으로 개발할 수도 있지만 대부분 기업은 벤더들의 RPA 솔루션을 이용하고 있음

Ø RPA 도구의 주요 역할은 대상 업무의 ‘스크립트(Script)화’와 ‘실행(Execution)’으로 먼저 업무 담당자가 일반적으로 수행하는 PC 작업의 ‘절차를 정의’해야 하는데, 이는 RPA 도구에게 지시할 대본(스크립트)을 만드는 과정이라 보면 됨

Ø 스크립트는 가령 ‘웹 브라우저로 특정 사이트에 접속하여 어떤 데이터를 엑셀로 복사하라’는 식으로 여러 소프트웨어에 걸치는 것이 보통이며, 스크립트가 완료되면 그 대본에 따라 RPA 도구가 담당자의 작업을 자동으로 실행하게 도고, 스크립트는 필요에 따라 수시 편집도 가능함

Ø 간단히 이해하자면 엑셀 매크로 기능을 여러 소프트웨어에 걸쳐 실행할 수 있다고 생각하면 되고, 시스템 개발에 사용되는 기능 테스트 자동화 도구와 유사하다고 보면 됨

Ø RPA 도구들은 주로 규칙 엔진을 이용하여 스크립트를 자동화 하며 규칙 엔진 외에도 HTML 분석 기술이나 이미지 인식 기술 등도 이용하는데, 요소 기술들이 새롭거나 특이한 것은 아니어서 기존 기술들을 잘 조합하여 저비용으로 고효율을 얻게 해주는 쪽에 가까움

ž 전세계적으로 RPA 도입이 급증하고 있는 이유는 기업의 규모와 업종, 업무 유형을 불문하고 장시간 노동의 억제가 중요한 사화적 이슈로 부상하고 있기 때문임

Ø RPA 도입에 대한 관심은 2015년경부터 유럽의 금융 기관들을 중심으로 높아졌는데, BPO(비즈니스 프로세스 아웃소싱) 사업자들이 위탁 받은 업무를 효율화하기 위해 RPA 도구를 적용하기 시작한 것이 계기가 되었음

Ø 또한 선진국을 중심으로 현재 기업들은 일하는 방식을 바꾸어야 한다는 사회적 압력에 직면하고 있으며 이에 대한 대응이 급선무가 되었는데 그 해결책의 하나로 RPA가 주목 받게 되었음

Ø 우선 ‘일과 노동의 균형(Work-Life Balance)’이 강조되며 장시간 노동의 억제가 기업이 외면할 수 없는 주요 사회적 아젠다가 되고 있음

Ø 다른 한편으로 고령화와 저출산에 따른 노동인구 감소와 부족의 문제가 점차 부각되고 있는데, 이는 시간이 흐ㅁ를수록 장기적으로 더욱 악화될 것으로 예상되는 문제이기 때문에 기업들은 생존을 위해서라도 현재와 다른 업무 방식을 고민할 수밖에 없는 상황임

Ø 이런 과제 극복을 위해 주요하게 대두되는 문제가 화이트 칼라의 생산성 향상이기 때문에, 사무 업무의 자동화를 통해 생산성을 향상시켜 주는 RPA의 도입이 적극적으로 검토되고 있음

Ø RPA 소프트웨어는 기업 입장에서 이상적인 노동 자원으로 볼 수 있는데, 로봇이므로 노동시간을 신경 쓸 필요는 없어 야간이든 휴일이든 작업지시를 할 수 있고, 게다가 기계적으로 작업을 확실하게 해내기 때문에 작업 속도와 오류율 면에서 사람보다 나은 성과를 보여주기 때문

Ø 여기에 벤더들의 노력으로 RPA 도구가 더 사용하기 쉽게 된 것도 도입을 가속화하는 요인이 되고 있는데, 인터페이스와 조작 방법이 개선되며 PC 작업을 대체하기 위한 스크립트 작성과 실행이 용이하게 되었음

ž 최근 고조되는 인공지능(AI) 붐도 도입 배경으로 꼽히는데, 벤더들은 RPA를 ‘AI를 활용한 사무 고도화의 첫 걸음’으로 자리매김하며 주목도를 높이고 있음

Ø PC 작업을 자동화하는 RPA는 응용 범위가 넓고, 다른 기술과 제품에 비해 상대적으로 도입하기가 쉽기 때문에, 지금까지 IT화의 대상이 되지 않았던 업무와 IT화를 했을 때 투자 대비 효과가 나오지 않는다고 간주되었던 업무에도 적용할 수 있는 것이 장점임

Ø 투자 대비 효과의 측정이 가능하고 단기간에 투자를 회수할 수 있음이 도입 사례들을 통해 지표로 제시되고 있다는 점도 기업 경영진들의 주목을 끄는 배경이 되고 있음

Ø 또한 최근 AI 붐을 타고 조만간 RPA와 인공지능을 조합한 시스템이 등장할 것이라는 전망이 나오는 것도 RPA 도입 결정에 긍정적인 요인이 되고 있는데, 루틴한 작업뿐만 아니라 중장기적으로 고비용의 전문직 인력이 해오던 고급 의사 결정까지 대행을 맡길 수 있기 때문

Ø 이에 따라 RPA를 도입하려는 기업은 RPA 도구들을 정확히 비교, 평가하고 자신들에게 적합한 도구를 선택하는 것이 매우 중요하게 되었는데, 단순 업무 처리에 그치지 않고 고도의 전문성을 요하는 업무까지 RPA로 처리하게 될 경우 이는 기업의 경쟁력과 직결되는 일이기 때문

ž 기업이 제대로 된 RPA 도구를 선택하려면 사람으로 치면 ‘눈-뇌-손’에 해당하는 기술 요소들을 잘 이해해야 하는데, 우선 눈에 해당하는 기술 중에는 구조 분석 기술이 가장 중요함

Ø 구조 분석 기술은 RPA 도구가 조작 대상으로 삼는 응용프로그램의 화면들이 어떤 요소로 구성되어 있는지를 해석하는 것으로, 구성 요소에는 메뉴, 입력 영역, 버튼, 선택 항목(라디오 버튼, 드롭다운 리스트) 등이 포함됨

Ø 구조 분석 기술을 사용할 수 있어야 보다 확실하게 조작 대상을 특정 할 수 있게 되는데, 구조를 분석할 수 없는 응용프로그램의 업무를 자동화하려면 작업 대상을 ‘이미지’로 인식해야 하고 이럴 경우 작동하는 PC의 해상도 차이 등에 영향을 받기 때문

Ø 어떤 응용프로그램을 구조 분석의 대상으로 할 수 있는지는 RPA 도구에 따라 다르기 때문에 벤더별 차별화 요소가 되며 기업이 벤더의 도구를 선택할 때 중요 포인트가 됨

Ø 구조 분석 기술에서는 웹 사이트에서 정보를 추출하기 위해 ‘웹 스크레이프(scrape)’ 기술을 많이 사용하는데, 이 기술은 가령 웹 페이지로 퍼블리싱 되는 주가 및 부동산 정보 등의 정보를 추출하고 이를 가공·분석하여 보고서를 작성하는 업무를 자동화하는 경우 아주 유용함

Ø RPA 도구가 추출 대상으로 하는 웹 사이트의 정보 중 일부는 표 형식의 데이터로 존재하는 경우도 많은데, 이런 표 형식의 데이터를 그대로 가져오는 구조를 가진 도구들도 있음

Ø RPA 도구의 스크립트 작성은 ‘시나리오’ 기반으로 이루어지는데, 소프트웨어 로봇의 작업 흐름을 정의한 시나리오 대로 실제 구현이 되게 하기 위해서는 정보의 용이한 취득을 지원하는 구조 분석 기술 요소가 매우 중요함

ž 사람의 눈에 해당하는 기술 요소로 구조 분석 기술을 보완하는 것으로는 이미지 인식 기술과 OCR(광학문자판독) 등이 있음

Ø 이미지의 특징을 분석하여 작업 범위를 특정하는 것이 이미지 인식 기술인데 앞서 말한 것처럼 PC의 해상도를 비롯 RPA의 실행 환경에 따라 작동이 다를 수 있고, 구조 분석 기술에 비해 조작 대상을 특정하는 정확도는 떨어지지만 많은 RPA 도구들이 이미지 인식을 채택하고 있음

Ø RPA 도구가 조작 대상 화면을 이미지로 인식할 수밖에 없는 상황이 있기 때문인데, 가령 원격 데스크톱으로 접속하여 다른 PC의 응용프로그램을 작동시키거나 가상화 기술로 배포된 응용프로그램을 조작하는 등의 경우를 들 수 있는데, 최근에는 이런 방식의 이용 사례가 늘고 있음

Ø OCR 엔진을 포함하고 있는 RPA 도구도 있는데, 원격 데스크톱으로 접속한 화면에서 정보를 검색할 때 이미지 정보를 텍스트화로 변환할 필요가 있는 경우 등에 이용됨

Ø RPA 도구로 정보를 추출해야 할 대상이 종이 장표 밖에 없는 경우는 당연히 OCR이 도움이 필요하며, 정보를 디지털로 변환하여 RPA 도구로 처리할 수 있도록 할 필요성이 클수록 OCR 엔진을 활용하게 될 경우가 늘어날 것임

ž RPA 도구의 기술 요소 중 사람의 뇌에 해당하는 기술은 업무 절차와 규칙에 따라 작업이 진행될 수 있도록 하는 역할을 하며, 워크플로우와 규칙 엔진이 대표적임.

Ø 화이트 칼라의 일상적인 업무는 일반적으로 정해진 절차와 규칙에 입각해 진행되는 경우가 많기 때문에 RPA 도구는 작업자의 일련의 처리 흐름을 설계하고 실행하는 워크플로우(workflow) 기능을 갖추고 있어야 함

Ø 처리 흐름이란 가령 ‘①수신 메일에서 입력할 데이터를 얻는다 à ②입력 데이터를 확인한다 à ③데이터를 시스템에 입력한다 à ④처리 결과를 메일로 통보한다’ 등이 될 수 있음

Ø 여러 사람이 협업해 업무를 수행하는 경우는 RPA 도구에 있는 워크플로우 기능을 사용하는 대신 사내에서 사용 증인 워크플로우 시스템에서 제공하는 승인 절차와 연계하는 방식을 취하는 것이 더 효과적일 수 있음

Ø RPA가 제공하는 규칙 엔진은 처리 대상 상품의 할인율을 바꾼다거나, 신청 유형에 따라 심사 대상을 바꾸는 등 미리 정한 규칙에 따라 작업을 실행할 수 있게 해주는 기술 요소임

Ø 업무 규칙은 다양한 상황 변화에 ​​따라 수시로 변경되는 것이 일반적인데, 규칙 엔진을 사용하면 시스템에 미치는 영향을 최소화하면서 규칙을 추가, 변경할 수 있게 됨

ž RPA의 기술 요소 중 사람 손에 해당하는 것은 주로 응용프로그램에 정보의 입출력을 담당하며, 마우스나 키보드의 모방과 응용프로그램 작업 라이브러리 등이 있음

Ø 대부분의 사무 업무는 데이터의 입력과 작성으로 마무리 되므로, RPA 도구는 사람이 마우스 나 키보드를 사용하여 작업하는 것을 모방하여 그대로 수행할 수 있게 해주는 기술이 필요함

Ø RPA 도구를 윈도 환경에서 실행하는 경우 윈도 API가 제공하는 인터페이스를 활용한 프로그램을 이용하여 마우스와 키보드의 조작을 모방하는 것이 일반적임

Ø 벤더들이 내놓은 RPA 도구 대부분은 자주 사용되는 응용프로그램으로 수행되는 작업에 특화된 라이브러리를 제공하고 있는데, 가령 윈도 환경이라면 ‘엑셀에서 셀 편집’, ‘엑셀의 행과 열 추가 및 삭제’, ‘아웃룩에서 메일 송수신’ 등의 작업이 라이브러리로 제공됨

ž RPA에 대한 관심이 높아질수록 벤더들은 AI 등을 이용해 기능을 더 고도활 할 것이기 때문에, 도입을 고려 중인 기업은 기능 최적화 및 확장성 등을 면밀히 비교할 필요가 있음

Ø RPA는 기술적 측면에서 새롭거나 혁신적인 요소가 있는 것은 아니고, 이미 부분적으로 기업들이 도입하고 있는 기술 요소들도 있기 때문에, 벤더들로서도 RPA 판매를 위해서라면 차별화 된 가치 제공을 위해 최신 기술 트렌드 접목을 시도할 수밖에 없는 측면이 있음

Ø 따라서 RPA 도구의 기능은 계속 고도화되고 발전할 것인데, 예를 들어 ‘뇌’에 해당하는 기능이라면 AI를 활용해 고도의 업무 판단 능력을 장착하려 할 것임은 누구나 쉽게 예상할 수 있는 것이었고, 실제로 이미 벤더들은 AI 기능 장착을 마케팅 포인트로 잡고 있음

Ø AI 기반의 RPA 도구들은 가령 다양한 장표의 포맷을 기계학습 시킨 알고리즘을 담고 있기 때문에, 장표를 입력하면 레이아웃을 자동으로 인식해, 이름, 주소, 회원번호 등의 항목을 자동으로 추출하는 등의 기능을 구현하고 있음

Ø OCR과 AI를 조합하여 인식률을 향상시킨 ‘AI-OCR’ 기술의 활용도 시작되고 있기 때문에 RPA 도구와의 연계도 진행될 것으로 예상됨

Ø RPA 도입을 고려중인 기업이라면 자신들에게 가장 필요한 기술 요소가 뛰어난 솔루션이 어느 것인지, 또한 AI 등 향후 기술 고도화나 확장성까지 기대할 수 있는 것이 무엇인지, 기존에 도입한 IT 시스템과 연계가 용이한 것이 무엇인지 다면적으로 검토할 필요가 있음

ž 또한 RPA의 기능이 고도화되고 도입이 확산된다면 생산성 향상의 순기능뿐 아니라 인간 노동력의 재배치 이슈도 발생할 것이므로 섬세한 도입 로드맵 마련이 필요할 것임

Ø IBM에 따르면 기업 업무 중 약 33%를 차지하는 데이터 수집과 처리 영역에 RPA를 우선 도입할 수 있으며, 약 30%를 차지하는 전문 지식이 필요하고 인력간 상호작용이 필요한 업무에도 고도화된 RPA의 도입이 가능하다고 함

Ø 이는 RPA의 도입에 따라 기업에 미치는 영향이 다층적일 수 있음을 시사하는데, AI 기반의 RPA가 제시하는 고급 의사결정 지원까지 이루어질 경우, 사무 업무의 생산성 향상이라는 당초 RPA 도입 목적 달성을 넘어 기업 인력구조 전반의 거대한 변화로 이어질 수 있음

Ø 제조 현장에서 로봇의 도입에 의해 노동 인력의 구성이 크게 변화한 것처럼, 사무 현장도 RPA라는 로봇 소프트웨어에 의해 노동 인력의 대폭 구조 조정이 가능해질 것이기 때문

Ø 따라서 기업은 RPA의 도입이 AI에 의한 대량 실업의 우려 이슈로 이어지지 않도록 RPA 도입 시 인력전환 및 재교육 계획도 함께 수립해야 할 필요가 있음

Ø 기업의 RPA 도구 도입을 계기로 이제 기업 경영진을 의미하는 C 레벨에 AI 책임자를 두어야 할 필요성, 즉 최고 AI 책임자(CAIO, Chief AI Officer)를 두어야 할 필요성도 고조되고 있음

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1817호(2017. 10. 11. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

100만 명의 DNA와 건강정보 분석, 생명과학 강국으로 도약한 중국.pdf

[ 요 약 ]

ž 세계의 공장인 중국은 또한 ‘세계의 DNA 시퀀싱 공장’이기도 하여 최근 사람이나 동물 및 식물의 유전자 서열 규명 연구를 주도해 오고 있음

Ø 지난 2014년 서부 아프리카에서 에볼라 바이러스가 급속도로 퍼질 당시, 중국 보건당국은 에볼라 바이러스에 대한 항체의 유전자 분석을 완료했다고 발표하며, 중국은 미국 못지 않은 다원적인 항체 생산능력을 갖추고 있다고 자평하였음

Ø 당시 중국질병통제센터 전염병연구소는 중국이 2008년부터 9개의 ‘과학기술 중대 프로젝트’를 진해해 왔고, 그 과정에서 10개의 국가급 연구기관이 백신과 치료제 개발을 포함한 에볼라 바이러스 연구를 진행해 왔다고 소개한 항체의 유전자 분석을 완료했다고 소개한 바 있음

Ø 2015년 한국에서 메르스 사태가 발생했을 때도 중국질병통제센터 전염병연구소는 한국 국립보건연구원의 발표에 앞서, 광둥성에서 메르스 확진 판정을 받은 한국인 환자에 대해 유전자 분석을 실시한 결과 전염성 강화 등의 변이는 발견되지 않았다고 보도한 바도 있음

Ø 2016년에는 중국 과학자들이 인간의 배아에서 특정 유전자를 바꿔치기하는 유전자 조작을 시도해 전세계 과학계를 큰 충격에 빠뜨린 적이 있는데, 이처럼 유전자 분석에 대한 규제가 미비한 중국에서는 이미 많은 유전자 연구가 진행되고 있음

Ø 세계 최대 규모의 염기서열 판독설비를 갖춘 곳 역시 중국의 ‘베이징지놈연구소(BGI)’로 중국개발은행이 15억 달러를 투자해 한해 1만 5천 명의 유전자를 분석할 수 있는 인프라를 보유하고 있으며 전세계 개인 유전자 분석 서비스 업체들로부터 일감을 따내고 있음

Ø BGI는 2012년 당시 세계 최고 유전자 분석기술을 보유했던 미국의 ‘컴플리트 지노믹스(Complete Genomics)’를 1억 1,760만 달러에 인수한 이후 유전자 분석 수준을 단숨에 높여 시장 점유율을 끌어 올리며 ‘세계의 DNA 시퀀싱 공장’으로 부상하였음

[표 1] 세계 최대 DNA 시퀀싱 센터 BGI(베이징 지놈 연구소)의 설비 용량

<자료> Genomics

Ø 현재 중국은 유전자 배열을 읽어낼 뿐만 아니라 그 결과를 인공지능(AI)으로 해석하고 생명과학 분야를 선도하려 하고 있는데, IBM과 구글 등 미국 대기업들이 천착하고 있는 연구 분야이지만 중국은 규제 없이 대규모로 연구를 전개할 수 있다는 점에서 상당한 이점을 누리고 있음

ž 현재 중국 유전자 분석의 최첨단을 이끌고 있는 기업은 BGI의 전임 CEO가 선전에 본사를 두고 창업한 바이오 벤처기업 ‘아이카본엑스(iCarbonX, 碳云智能)’임

Ø 아이카본엑스는 중국 지놈 과학의 선구자였던 준 왕(June Wang)이 인공지능과 의료 빅데이터를 기반으로 유전자 정보 및 진료정보와 개인 라이프 로그를 통합해 질병을 예측하는 개인 맞춤형 의료정보 플랫폼 서비스를 제공하기 위해 2015년에 설립한 기업임

Ø 준 왕은 16살에 북경대학에 입학하여 인공지능, 컴퓨터 과학, 생물윤리학을 전공한 후 중국 휴먼 지놈 프로젝트에 참여하여 큰 기여를 하였고, 세계 최대 규모 지놈 회사인 BGI 설립 멤버로 후에 CEO가 되었음

Ø 유전자만으로 생명현상을 모두 해독할 수 없다고 느낀 준 왕은 단백질, 대사체, 신체적 특징 및 행동 등의 다양한 정보를 기반으로 생명을 이해하기 위한 비즈니스 모델을 구축하기 위해 BGI를 떠나 아이카본엑스를 설립하였음

Ø 아이카본엑스는 현재 건강검진센터, 약국, 병원, 보험사들을 통해 타액, 단백질, DNA, 미생물 데이터 등 유전체 정보를 수집한 후, 고급 데이터 마이닝 및 기계학습 기술을 통해 개별 건강상태를 분석 및 예측하여 맞춤형 웰빙 프로그램, 식이요법, 처방 의약품 등을 추천해 주고 있음

Ø 또한 개인별 피부 상태에 따라 제품을 권장하는 스킨케어 서비스를 필두로 영양, 건강, 의료 분야로 확대할 계획을 갖고 있으며, 사용자를 건강한 삶의 방향으로 안내 할 수 있는 디지털 아바타를 만들고 디지털 라이프 생태계를 구축하는 것을 장기 목표로 설정하고 있음

Ø 아이카본엑스는 설립 6개월 만에 텐센트로부터 2억 달러의 투자를 유치하는 등 지금까지 총 6억 달러의 투자를 받았으며 올해 가장 주목받고 있는 벤처기업으로 선정되기도 하였음

Ø 또한 미국의 개인 의뢰 유전자 분석 서비스 업체인 23andMe와 더불어 기업가치가 10억 달러 이상인 유전자 분야의 대표적 유니콘 기업이기도 한데, 특히 전체 유니콘 기업들 중 가장 역사가 짧은 ‘젊은 기업’으로 꼽히고 있음

ž 아이카본엑스에 투자와 관심이 쏠리는 이유는 그 스케일에 있는데, 최소 100만 명 이상의 건강 데이터 분석을 통해 AI로 유전자와 질병의 관계를 규명하려 하기 때문

Ø IBM과 구글 등 미국의 AI 주도 기업들이 유전자 분석의 임상 시험을 전개하고 있지만 기대했던 성과는 얻지 못하고 있는데, 질병 발병 유전자 변이를 밝혀 내지 못하고 있어 유전자 변이와 질병 발병 사이의 상관 관계를 찾는 데 어려움을 겪고 있음

Ø 이런 문제를 반복하지 않기 위해 아이카본엑스는 기존 방식 외에 피험자의 생체 검사 결과를 토대로 정확한 정보를 얻겠다는 계획을 세웠는데, 걸림돌이 된 것은 중국의 의료 시스템 전산화 수준이 낮아 연구에 활용할 수 있는 빅데이터가 매우 부족한 상황이라는 점

Ø 문제의 해결을 위해 아이카본엑스는 두 가지 방안을 모색하고 있는데, 첫번째는 병원을 통해서가 아니라 메시징 프로그램인 위챗(WeChat)을 이용하여 소셜 미디어에 기록된 개인 의료 정보들을 확보한다는 계획임

Ø 위챗은 텐센트가 운영하는 소셜 메시징 서비스로 텐센트가 아이카본엑스에 2억 달러를 투자한 데에는 이런 배경이 있는 것이며, 양사는 향후 5년 내에 최소 100만 명, 최대 300만 명 이상의 사람들로부터 의료 빅데이터의 데이터베이스를 구축할 것이라고 발표하였음

Ø 이는 개인정보보호 이용에 관대한 중국인들의 특성을 이용한 것인데, 향후 개인의 유전자 데이터를 소셜 데이터와 조합하여 AI로 분석하면 분석의 정밀도가 향상될 것으로 기대하고 있음

Ø 두번째 방안은 피험자의 생체 검사를 직접 실시하는 것인데, 구체적으로 피험자 혈액의 단백질량 변화와 신진대사를 측정하고 뇌 영상 데이터를 이용하며, 웨어러블 바이오 센서로 혈당치를 모니터링 하는 한편 스마트 화장실에서 소변과 대변에 포함된 바이오 마커를 수집하려고 함

Ø 이렇게 모은 유전자 정보, 의료 정보, 생체 검사 데이터 정보를 조합한 후 AI로 분석하여 건강 관리에 도움이 되는 정보를 추출하고, 개인맞춤형 AI 헬스케어 서비스를 제공하겠다는 것이 아이카본엑스의 궁극적인 계획임

ž 아이카본엑스는 최근 자신들의 최종 목표인 AI 기반 디지털 건강관리 플랫폼의 개념을 담은 초기 서비스로 ‘미엄(Meum)’이라는 건강관리 앱을 선보였음

Ø 이용자들이 미엄 앱에 섭취한 음식이나 운동에 대한 정보와 함께 신체 정보와 생체 신호를 입력하면, AI는 이렇게 입력된 정보를 유전자 정보 및 생체 정보와 함께 분석한 후 앱 화면에 건강 및 질병에 관련된 정보를 보여주고 필요한 액션을 추천해 줌

Ø 구체적으로 살펴보면, 식사의 내용물, 취침 시간, 필요한 운동 등 건강한 생활을 위해 도움이 될 수 있는 조언을 표시해 줌

Ø 아이카본엑스는 개인의 건강과 관련된 다양한 요소들을 모두 포함하여 분석함으로써 모든 개인이 자신의 삶을 더 잘 이해하고 관리할 수 있게 돕는 앱을 개발하는 것을 목표로 하고 있음

Ø 궁극적으로는 위챗 메신저 앱 사용자 9억 명을 대상으로 스마트한 방식으로 ‘디지털 미(Digital Me)’를 만들 수 있는 디지털 플랫폼 개발을 목표로 하고 있음

Ø ‘디지털 미’ 전략의 논리 흐름은 ‘①모든 형태의 삶이 디지털화될 수 있다 à ②모든 디지털화된 삶은 모델링 될 수 있다 à ③ 모든 디지털화된 삶은 네트워크로 연결될 수 있다’로 요약됨

Ø 모델링을 통해 탄소 기반의 인체는 디지털 형태의 실리콘 기반으로 변환이 되는데, 그러면 음료 한 잔이라도 내 몸에 들어오면 어떻게 반응할 지 시각화해서 볼 수 있게 되고, 상호 연결된 ‘디지털 미’들이 커뮤니케이션 하면 예상할 수 없는 일들이 벌일 것이라 기대하는 것임

Ø 이러한 시도는 처음이기에 시장이 새로우니만큼 제품도 달라야 할 것이고, 그래서 아이카본엑스는 AI를 포함한 모든 기술을 새롭게 개발돼야 할 것으로 보고 있음

Ø 아이카본엑스는 디지털 미 서비스를 누구나 이용할 수 있는 초저가 상품과 비싸지만 모든 데이터를 분석하는 초고가 상품으로 구성한다는 계획인데, 하이엔드 상품 개발을 위해 이미 텐센트, 화웨이 등과 협력해 데이터 보안 시스템을 개발 중이라고 함

ž 아이카본엑스에 더욱 주목해야 하는 이유는 중국을 넘어 글로벌 차원에서 의료-유전자-건강 데이터 분석 기술의 중심이 되기 위한 적극 행보를 이미 시작하고 있기 때문

Ø 아이카본엑스가 최근 개인으로부터 헬스케어 데이터를 대량으로, 비용효율적으로 수집하고 분석할 수 있는 기술력을 확보한 글로벌 기업들과 연대를 형성하였음

Ø HealthLoop, SomaLogic, HealthTell, Pa-tientsLikeMe, AOBiome, GALT 등 7개 미국 기업과 이스라엘의 Imagu Vision, 중국의 Tianjin Robustnique 등 7개 기업에 4억 달러를 전략적으로 투자하고, 자신들을 중심으로 한 ‘디지털 라이프 얼라이언스(Digital Life Alliance)’를 결성한 것임

Ø 얼라이언스에 참여한 기업들의 면면을 보면 유전체, 단백체, 대사체, 항체, 재조합 효소, 박테리아, 의료, 헬스케어 데이터 수집 분야에서 비교우위 기술을 이미 확보하고 있는 곳들임

Ø 이들 기업은 개인의 건강과 질병의 상태를 파악하는 지표를 아이카본엑스에 제공하게 되며, 아이카본엑스는 이 지표를 활용해 빅데이터에서 잡음을 제거하고 정밀하고 유용한 정보를 감지 할 수 있는 시스템을 개발하게 됨

Ø 디지털 라이프 얼라이언스는 의료 데이터를 유전자 분석과 결합해 건강에 관한 새로운 지식을 얻으려 하는 글로벌 기업들의 협회로서 기능할 것으로 보이는데, 이들 기업을 끌어들임으로써 아이카본엑스는 글로벌 정밀 의학의 중심 기업이 되기 위한 준비를 해나가려는 것으로 보임

ž 고도의 기술력에 정부의 강력한 지원까지 더해져 중국은 이제 세계의 DNA 시퀀싱 공장에서 생명과학 글로벌 강국으로 또 한번 변신과 도약을 준비하고 있음

Ø 구글의 생명과학 부문 ‘베릴리(Verily)’는 건강한 인체를 정의하기 위한 ‘베이스라인 프로젝트(Baseline Project)’를 시작했으며, 1만 명 참가자의 개인 신체 정보와 의료 정보를 수집하고, 수집된 정보와 유전자 정보를 AI로 해석하여 건강한 인체의 상태가 무엇인지 규명하고 있음

Ø 이에 비해 아이카본엑스는 최소 100만 명 이상의 규모로 실증 실험을 전개할 계획인데, 유전자 배열 등 데이터 양이 훨씬 큰 정보를 분석하기 위해서는 AI 알고리즘 교육에서 대량의 데이터가 필요하다는 점을 고려할 때, 베릴리에 비해 아이카본엑스가 압도적으로 유리함

Ø 아이카본엑스의 가장 강력한 경쟁자로 꼽히는 기업 역시 미국이나 유럽의 기업이 아닌 중국의의 유전자 기업인 ‘우시 넥스트코드(WuXi NextCode)’로, 이 기업 역시 3억 달러의 투자를 유치해 AI와 지놈 기술 기반의 디지털 헬스케어 서비스를 준비하고 있음

Ø 이런 기업들의 노력에 유전자 정보가 사용되는 것에 대한 거부감이 적은 사회 문화, 중국 정부의 제도적 지원, 중국이라는 거대한 시장과 자본력까지 생각해 보면, 어렵지 않게 중국이 생명과학 분야의 글로벌 헤드쿼터가 될 것을 그려볼 수 있음

Ø 중국은 이미 세계의 DNA 시퀀싱 공장으로 작동하고 있으며, 지금 계획 중인 기술이 개발되고 서비스가 제공된다면 전세계인들의 건강을 관리하는 세계의 헬스케어 센터가 될 수도 있음

Ø 생명과학 분야 글로벌 강국으로 도약을 준비 중인 중국 정부와 중국 기업들의 움직임을 눈 여겨 보고, 이들과 협업 전략을 모색해야 할 필요성이 점점 더 뚜렷해 지고 있음

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1816호(2017. 9. 29. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1813호(2017. 9. 13. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

인공지능으로 로고의 우수성을 점수 매기는 로고 랭크 서비스.pdf

ž 미국의 스타트업 ‘브랜드마크(Brandmark)’는 인공지능을 이용해 기업이나 조직의 로고가 디자인 측면에서 얼마나 우수한 지를 알려주는 ‘로고 랭크(Logo Rank)’ 서비스를 제공 중

Ø 브랜드마크는 이 서비스를 위해 100만 개 이상의 로고 디자인을 인공지능(AI)에 학습시켰으며, AI는 학습결과를 바탕으로 입력된 로고에 대해 ‘독창성’, ‘가독성’, ‘색상/대비’의 3개 항목에서 점수를 평가하며 종합적인 점수도 매겨 줌

Ø 로고 디자인은 여러 제약 속에서 창의성을 발휘해야 하는 작업으로, 좋은 로고는 브랜드를 시각적으로 잘 표현할 뿐만 아니라 멀리서도 잘 보이도록 단순해야 하며, 수 많은 다른 심볼이나 아이콘들과 혼동되지 않도록 독창적이어야 함

Ø 브랜드마크는 시각적으로 좋은 로고를 만들어 내는 요소들이 무엇인지에 대한 개념을 정립해 로고를 자동으로 생성해주는 시스템을 구축하려 했고, 그 수단으로써 인공지능에 대한 기계학습이라는 방법을 채택하였음

Ø 로고 랭크 서비스 이용 방법은 간단해서, 해당 사이트(http://brandmark.io/logo-rank/)에 접속한 후, 빈 네모 박스에 로고를 끌어다 놓거나 로고 파일을 업로드 하면, 몇 초 후에 3개 항목의 점수와 종합 점수를 보여 줌

Ø 로고 랭크에 따르면 구글의 로고는 독창성 36점, 가독성 100점, 색상/대비 58점, 종합 65점이며, 애플의 로고는 독창성 26점, 가독성 100점, 색상/대비 100점, 종합 75점으로 평가되었음

Ø 브랜드마크는 인공지능을 이용해 로고 생성 서비스도 제공하고 있는데, 기업의 브랜드와 그 브랜드를 설명하는 3개 이상의 키워드를 입력하면 자동으로 로고를 생성하고, 그 로고를 이용한 웹페이지, 명함, T-셔츠, 옥외 광고물 등의 디자인 시안도 보여 줌

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1810호(2017. 8. 23. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

테슬라의 저가 자율주행 전기차 &lsquo;모델3&rsquo;, 새로운 자동차 시대 개막.pdf

[ 요 약 ]

[ 본 문 ]

ž 테슬라(Tesla)가 7월부터 차량 인도를 시작한 ‘모델3(Model 3)’는 보급형 전기차라는 점과 함께 완전 자율운전 차량을 지향한다는 점에서 주목을 받고 있음

Ø 모델3는 일론 머스크 CEO가 테슬라의 모든 것을 쏟아 부었다고 말한 ‘대중형 전기차’로, 지속가능한 에너지로 전환이라는 일론 머스크의 포부를 지지한 50만 명의 사람들이 1년여 전 머스크의 약속만 믿고 예약금을 납부하여 출시 전부터 유명세를 탄 바 있음

Ø 테슬라의 기존 전기차 모델 라인업이 최소 9만 5천 달러여서 사실상 부유층만 구매 가능했다면, 모델3는 일반 자동차 가격과 비슷한 수준이기 때문에 전기차의 대중화에 결정적 기폭제가 될 것으로 기대를 모아 왔음

Ø 모델3의 기본형인 스탠더드 버전의 가격은 테슬라가 지금껏 약속했던 대로 3만 달러 대인 3만 5천 달러이고 장거리 운행용인 롱레인지 버전도 4만 5천 달러인데, 미국 정부의 보조금을 받을 수 있기 때문에 실제 비용은 5천 달러 이상 더 낮아 짐

Ø 스탠더드 모델은 완전 충전 시 350km를 달릴 수 있고 제로백은 6초 미만에 최고 속도 시속210km이며, 롱레인지 모델은 500km 주행이 가능하고 제로백은 5초 초반에 최고 속도 시속 225km여서 일반 자동차를 대체하기에 충분한 성능을 제공하고 있음

Ø 게다가 모델3는 ‘향상된 자동운전 지원 기능(Enhanced Autopilot)’을 제공하고 있는데, 이 기능은 자율운전 기능으로 업그레이드 될 수 있어 모델3가 대중적 성공을 거두게 된다면 단순히 전기차 보급 확대 차원을 넘어서는 사회적 영향력을 가져올 것으로 보임

ž 모델3는 자율운전에 필요한 하드웨어 장비를 탑재하고 있으며, 소프트웨어를 업데이트 하는 것 만으로 완전 자율운전차량(레벨 5)이 될 수 있다고 함

Ø 테슬라는 ‘완전한 자율운전 기능(Full Self-Driving Capability)’의 제공을 강조하고 있으며, 이를 위해 모델S의 최신 라인업과 모델3에 필요한 장비를 탑재했는데, 센서로 자동차 주위에 8대의 카메라와 초음파 센서 12개, 자동차 전면에 레이더 1개를 장착하고 있음

Ø 테슬라는 레이저 센서인 라이더(Lidar)는 사용하지 않기 때문에 카메라가 자동차의 눈이 되며, 센서 데이터들은 차량용 슈퍼 컴퓨터인 ‘엔비디아 드라이브(Nvidia Drive) PX2’로 처리됨

Ø 자율운전 기능은 ‘향상된 오토파일럿’ 기능 위에 구축되는데, 자율운전을 희망하는 운전자는 우선 모델3의 기본 차체에 옵션으로 5천 달러를 내고 오토파일럿 기능을 추가해야 하며, 다시 3천 달러를 추가해 자율운전이 가능하도록 소프트웨어를 업그레이드 해야 함

Ø 즉 8천 달러의 추가 요금을 통해 완전한 자율운전차량(레벨 5)을 손에 넣을 수 있게 되는 것인데, 테슬라는 이 기능의 제공 시기에 대해 아직 명확히 밝히고 있지 않으며 현재 완전한 자율운전 기능의 시험을 거듭하고 있는 중이라 말하고 있음

Ø 시기를 정확히 못박을 수 없는 것은 정부로부터 인가가 필요한 사안이고 따라서 자율운전 차량의 운행이 가능한 지역은 연방 정부 혹은 주 정부의 판단으로 결정될 것이기 때문

ž 테슬라는 라이더 센서 없이 저비용으로 자율운전 기능을 구현하고 있는데, 이를 위해 선택한 방식은 인공지능(AI) 역량을 강화해 소프트웨어 중심축을 둔 시스템을 구현하는 것

Ø 자율운전 차량에 탑재되는 여러 종류의 센서 중에서 가장 널리 사용되고 있는 것이 라이더인데, 라이더는 레이저 광으로 자동차 주위의 보행자나 다른 차량 등 객체를 파악하며, 다양한 조건 속에서도 안정적으로 측정 할 수 있어 가장 필수적인 센서로 받아들여지고 있음

Ø 반면 라이더는 부피가 있고, 가격이 비싸며 해상도가 충분하지 않은 것이 단점인데, 지붕에 장착하면 구급차의 사이렌 불빛을 방불케 해 디자인 측면에서 심각한 문제를 야기하며, 그 자체로 7만 달러 안팎인 부품 가격은 자율운전 차량 대중화에 최대 걸림돌로 지적받고 있음

Ø 라이더를 반도체 칩에 구현하여 소형화 한 제품이 등장하고 있기도 하지만 해상도가 충분하지 않아 아직 자율운전 차량에 탑재되지 못하고 있음

Ø 구글의 자회사인 웨이모(Waymo)는 이 문제를 해결하기 위해 독자적인 기술로 라이더를 개발하고 있는데, 라이더를 소형화하고 해상도를 향상시키되 가격은 기존 상용 제품의 1/10 수준으로 낮춰 자율운전 차량의 대중화를 위한 기술 기반을 닦고 있음

Ø 이와 더불어 웨이모는 ‘비전 시스템(Vision System)’이라 부르는 고성능 카메라도 개발하여 라이더와 함께 사용하고 있는데, 이런 방식은 ‘센서 퓨전(Sensor Fusion)’이라 불리며 자율운전에서는 사실상 표준 기술로 받아들여지고 있음

Ø 개별적으로는 불완전한 센서들이지만 이들을 조합하여 사용하면 전체 시스템에서는 선명한 영상을 얻을 수 있기 때문에, 센서 퓨전은 가장 안정적인 자율운전 구현 방법으로 웨이모 이외에 많은 기업들이 채택하고 있음

Ø 이런 현실에 비추어 보면 테슬라가 라이더 없이 카메라만으로 자율운전 기술을 구현하는 것도 차량 가격을 낮추는 혁신적인 방법이라 할 수 있음

Ø 딥러닝 기술을 바탕으로 카메라와 같은 일상적인 기기를 사용하여 안전한 자율운전 기술을 달성하려는 테슬라의 선택은 하드웨어가 아닌 소프트웨어에 축을 둠으로써 가격의 문제를 해결하려는 것으로, 테슬라 전기차 비즈니스의 성패를 좌우할 승부수라고 할 수 있음

ž 이런 배경 하에 테슬라는 자체 AI 개발 체제를 강화해 왔으며, 독자적인 자율주행 AI 기술인 ‘테슬라 비전(Tesla Vision)’은 테슬라 사업의 성패를 가름할 핵심 기술로 꼽히고 있음

Ø 테슬라의 독자적인 AI 기술은 ‘테슬라 비전’이라 불리는 심층신경망(Deep Neural Network)을 기반으로 구축되는데, 테슬라 비전은 차량에 탑재된 카메라로부터 영상이 입력되면 이를 분석하여 차량 주변의 개체를 파악하게 됨

Ø 기존의 컴퓨터 비전(Computer Vision) 기술을 고도화 한 테슬라 비전은 객체를 빠짐없이 정확하게 확인할 수 있어, 안전성이 최우선으로 요구되는 자동차에 AI가 시각을 담당하는 자율운전 기술의 접목을 가능케 한다고 함

Ø 테슬라는 테슬라 비전을 탑재한 차량의 자율운전 데모 주행을 실시했는데, 테슬라 본사에서 출발해 다운타운을 통과해 다시 본사로 돌아오는 루트의 전 과정을 자율운전으로 주행하였음

Ø 데모 주행에서 테슬라 비전은 카메라 이미지를 분석하고 자동차 주위의 객체와 주행 경로 상의 객체, 차선, 신호등, 도로 표지판 등을 정확히 식별할 수 있음을 보여주었는데, 전문가들은 테슬라 비전의 완성도가 테슬라 자율주행 전기차 사업의 성패를 쥐고 있다고 보고 있음

Ø 이를 인정하듯 테슬라는 AI 개발 체제를 강화하고 있는데, 올해 6월에는 AI와 오토파일럿 부문에서 최고라 평가받고 있는 딥러닝 연구 전문가 안드레이 카패시를 채용하였음

Ø 또한 테슬라는 현재 판매되어 운행 중인 차량이 주행 중에 촬영하는 영상 이미지를 수집하기 시작했는데, 오토파일럿이 실행되는 동안 카메라가 촬영한 영상이 테슬라 클라우드로 전송되면, 테슬라는 수집된 이미지를 이용해 자율운전 기술을 정교화해 나가고 있음

Ø 웨이모는 개발 전용 차량으로 비디오 이미지를 수집할 수 밖에 없지만, 테슬라는 판매된 자동차들이 테스트 차량이 되어 대규모로 데이터를 수집하여 AI에 대한 교육이나 테스트에 활용할 수 있다는 것이 최대 강점임

ž 테슬라가 지향하는 완전 자율운전 차량 기술은 이용자와 차량 간의 인터페이스에도 큰 변화를 가져올 것으로 보임

Ø 모델3는 자동차 키가 별도로 없고 스마트폰이 블루투스로 도어와 통신하며 잠금과 해제를 하기 때문에 이용자가 스마트폰이 있어야만 탑승할 수 있는 구조로 되어 있으며, 다만, 긴급 사태에 대비해 전용 카드(NFC Key Card)가 제공되고 있음

Ø 운전석에는 15인치 디스플레이만 갖추고 있고 여기에서 모든 작업을 지시하는데, 최소한의 장비만 갖추고 점점 더 심플해지는 실내 디자인은 마치 애플의 제품 디자인을 연상시켜며, 자동차가 점차 컴퓨터에 접근하고 있음을 확인시켜주고 있음

Ø 테슬라는 모델3로 자율운전 할 수 있는 장소는 미국의 거의 모든 지역이라 설명하고 있는데, 탑승하여 목적지를 말하면 최적의 경로를 산정하여 그 위치까지 자동으로 주행하며, 목적지를 말하지 않으면 차량이 탑승자의 일정을 참조하여 행선지를 파악함

Ø 목적지에 도착하여 하차하면 자동차는 주차 모드가 되어 자동으로 빈 공간을 찾아 주차를 하며, 다시 차량을 이용하기 위해 스마트폰으로 자동차를 호출하면 자율주행으로 지정한 장소까지 와서 이용자를 맞이함

ž 이런 인터페이스 변화는 필연적으로 차량 소유가 아닌 차량 공유의 개념을 강화하게 되는데, 테슬라는 이미 카 쉐어링을 위한 자동차 네트워크를 개발하고 있음

Ø 지금은 차를 운전해 출근할 경우 퇴근하기 전까지 차량을 어쩔 수 없이 주차장에 주차시켜 놓아야 하며, 부분적으로 자율운전 기능을 구현한 차량이라 하더라도 현행 법률상 반드시 운전자가 탑승해야 주행이 허용되므로 주행 후에는 차량을 놀릴 수밖에 없음

Ø 그러나 완전 자율운전 차량은 탑승자를 목적지로 옮긴 후 그 곳에 계속 머무를 필요가 없으며 스스로 다른 곳으로 이동해 다른 탑승자를 태우는 일을 할 수 있어 상황이 완전히 달라짐

Ø 이런 점 때문에 자율운전 차량은 본질적으로 차량 공유 개념과 밀접하게 연관되어 있으며, 환경운동가들이 차량 감소와 주차 공간 효율화의 유력한 방안으로 자율운전 기술을 지지하고 나서는 이유가 되고 있음

Ø 테슬라는 자율운전 자동차들을 연결하는 네트워크인 ‘테슬라 네트워크(Tesla Network)’를 개발하고 있는데, 자동차가 완전 자율운전 차량이 되면 이를 통해 차량을 공유할 수 있게 될 것이라는 설명

Ø 가령 모델3 소유자는 휴가 기간이나 업무 시간대 등 자동차를 사용하지 않는 동안에 테슬라 네트워크 앱을 통해 이 차량을 다른 이용자에게 대여한다고 허용할 수 있고, 다른 이용자가 자신의 차량을 이용할 경우 임대 소득을 올릴 수 있게 된다는 것임

Ø 공유되는 차량은 자율운전으로 임차인의 위치로 직접 이동할 수 있으므로, 이용자 입장에서도 빌리는 데 전혀 수고가 들지 않는데, 테슬라 네트워크는 자율운전 자동차 시대의 카 쉐어링의 모습을 머리 속에 그릴 수 있게 해주고 있음

ž 카 쉐어링 뿐만 아니라 모델3는 새로운 자동차 시대로의 전환 속도를 대폭 앞당길 것으로 보이며, 자동차 산업 구조조정, 세금, 전력 등 각종 이슈의 활발한 논의를 촉진할 전망

Ø 카메라만으로 자율운전 기술을 개발하는 것은 고가의 라이더에서 벗어나 자율운전 차량을 대중화시킬 수 있는 방안으로 전세계 연구개발팀의 공통된 목표였으며 현재 테슬라가 가장 가까운 위치에 있다고 할 수 있음

Ø 테슬라 역시 아직 완전히 기술을 달성한 것으로 보이지 않지만 시판되고 있는 차량에서 수집한 데이터로 AI 개발을 가속화하고 있기 때문에 예상보다 이른 시점에 자율주행 차량이 대중적으로 보급될 가능성이 보이고 있음

Ø 일론 머스크는 2018년에 50만 대 생산, 2020년에 100만 대 생산을 목표로 하고 있는데, 그의 계획이 실현된다면 모델3는 사회 전반에 커다란 파장과 이슈를 몰고 올 것이 자명함

Ø 모델3의 고객 인도가 시작되며 이미 고급 세단의 판매량이 줄기 시작했는데 BMW 3시리즈와 메르세데스 C클래스의 7월 미국 판매는 각각 40%와 22% 감소했다고 하며, 현재 모든 예약이 실제 주문으로 이어진다면 모델3는 미국에서 가장 많이 팔린 자동차가 될 수도 있음

Ø 이는 전통적인 자동차 산업 생태계에는 엄청난 압박이 될 것이며, 자동차 업체들은 테슬라와 기술 경쟁을 해 승리하거나 테슬라의 사업이 망하길 비는 수밖에 없음

Ø 모델3 생산이 시작되자마자 미국에서는 기존 자동차의 판매 감소에 따른 휘발유세 감소를 보완할 세원으로 차량의 주행거리에 세금을 부과하는 ‘마일리지세’ 논의가 시작됐는데, 마일세는 각종 센서와 통신 장치가 장착돼 주행거리 파악이 쉬운 전기차를 겨냥한 것임

Ø 전기차 대중화로 전력 부족 현상이 초래될 것에 대비한 논의도 시작되고 있는데, 블룸버그에 따르면 세계 전력 소비에서 전기차 충전이 차지하는 비율이 2040년에 8%에 달할 것으로 보임

ž 테슬라의 사업에 현재 많은 위험이 존재하는 것도 사실이지만, 간과하지 말아야 할 것은 테슬라의 비전이 사람들의 마음을 움직이고 있으며 미래는 그렇게 갈 가능성이 크다는 점

Ø 테슬라의 2분기 실적 보고서에 따르면 매출은 약 27억 9천만 달러로 전년 동기의 12억 7천만 달러에 비해 2.2배 증가했으나 영업적자는 약 3억 4천만 달러로 전년 동기의 2억 9천만 달러 적자에 비해 적자 폭이 오히려 커졌음

Ø 적자 폭이 커진 원인은 모델3 개발과 생산 설비 확대 때문인데, 이처럼 취약한 재무구조와 로드스터, 모델S, 모델X 등 지금까지 출시된 차량들이 모두 차량 인도가 6~18개월 이상 지연된 과거 사례를 들어 모델3의 생산계획이 머스크의 바람대로 되지는 않을 것이란 분석이 많았음

Ø 자금 위기를 넘기기 위해 테슬라는 올해 7월 처음으로 15억 달러 규모의 회사채를 발행했는데, 국제 신용평가 기관인 무디스는 테슬라의 채권에 투자적격 등급 보다 6단계 아래로 평가하였고 S&P는 전체 21개 등급 가운데 16등급, 즉 사실상 망해가는 기업으로 평가하였음

Ø 그러나 정크 본드라는 평가와 달리 테슬라는 보통의 회사채들보다도 훨씬 낮은 수익률에 목표를 상회하는 18억 달러를 조달하였으며 2019년까지 현금 유동성을 확보하였음

Ø 전통적인 평가 기준과 달리 투자자들은 테슬라의 비전에 전폭적인 지지를 보내고 있는 것이며, 적자 폭이 늘어나는 것과 무관하게 올해 들어 테슬라의 주가는 70% 이상 급등하였음

Ø 비전이 사람들의 마음을 움직이는 것은 그것이 구체적인 것으로 받아들여질 때인데, 가령 모델3의 출시로 전기차 충전에 의한 전력 부족 문제에 대한 이슈가 제기되면, 태양광 패널업체 솔라시티를 26억 달러에 인수한 테슬라의 결정은 사람들에게 구체적 액션 플랜으로 인정받게 됨

Ø 보급형 자율주행 전기차의 등장과 태양광 패널로 테슬라는 이미 미래를 현실로 보여주었으며, 이는 이제 거스를 수 없는 흐름이 될 가능성이 높기 때문에, 미래를 준비하기 위한 생각과 발걸음의 속도에 더 이상 여유가 없다는 점을 직시할 필요가 있음

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1807호(2017. 8. 2 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1803호(2017. 7. 5 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

AI 이용해 테러 대응 정책 강화에 나서는 페이스북과 구글.pdf

ž 페이스북은 인공지능(AI)을 이용하여 SNS 서비스 내에서 유포되는 테러 관련 콘텐츠를 제거하기 위한 대책을 강화해 나가겠다고 발표

Ø 페이스북은 테러리스트와 극단주의자들의 선전 유포의 장이 되고 있다는 비난을 종종 받아왔는데, 지금도 테러 조직이 게시한 내용과 테러 행위를 지지하는 내용의 콘텐츠를 신속하게 조사해 제거해오고 있지만 최근 들어 AI를 활용한 대응 방안도 시작했다고 강조한 것

Ø 구체적으로 살펴 보면, 페이스북에서 과거에 삭제된 적이 있는 테러 조직이 올린 사진과 동영상을 AI에 학습시킨 후, 누군가 그런 이미지를 올리려고 하면 AI가 저지하게 한다고 함

Ø 또한 ISIS와 알 카에다 등 테러 조직을 옹호하는 글을 식별하는 데 AI를 사용하여 텍스트 기반의 신호를 개발하였고, 시험적으로 알고리즘을 구현한 상태라고 함

Ø 이와 함께 지금까지 테러와 관련되어 비활성화 시킨 다수의 계정과 친구로 연결되어 있거나 혹은 공통된 속성을 가지고 있는 계정을 검출함으로써, 테러를 옹호하는 계정이 반복적으로 생성되는 것을 방지할 계획이라고 밝혔음

Ø 페이스북은 현재 ISIS와 알 카에다 및 관련 조직에 관한 내용을 중심으로 최신 기술을 적용하고 있지만 다른 테러 집단에 대해서도 순차적으로 대응책을 넓혀 갈 예정이라고 함

Ø 또한 AI와 알고리즘만으로는 제거해야 할 테러 관련 내용을 모두 식별하여 판단하는 것은 어렵기 때문에 사용자들의 신고를 바탕으로 조사하는 감시 요원도 늘릴 계획인데, 현재 4,500명의 인원에 더해 새롭게 3천 명을 추가 고용해 감시 체계를 강화한다는 계획임

ž 구글 역시 동영상 공유 사이트 유튜브에서 테러 관련 콘텐츠를 완전 소멸하기 위한 4 가지 전략을 발표하고, 유해 콘텐츠 제거에 새로운 기술을 도입할 것이라 밝힘

Ø 구글은 지난 몇 년 동안 유튜브 정책에 위반하는 콘텐츠를 식별해 제거하려는 노력을 해왔으나 불행히도 새로운 대책이 필요한 지경에 이르렀다는 점을 인정할 수밖에 없다며, 새로운 기술을 도입한 유해 콘텐츠 제거를 시도하겠다고 설명

Ø 새로운 방법이란 이미지 분석 모델의 도입을 말하는데, 지난 6개월 동안 삭제된 내용의 50%는 분석 모델이 이미 감지했다고 하며, 향후 콘텐츠 분류의 정확도를 높이기 위한 기계학습 연구에 더 많은 엔지니어링 자원을 투입할 것이라고 함

Ø 기술의 활용과 함께 전문가도 강화하는데, 문제가 있는 특정 콘텐츠에 대해 써드파티 기관과 협력하는 프로그램인 ‘트러스티드 플래거(Trusted Flagger)’에 새로 50개의 NGO를 추가하였음

Ø 또한 명확하게 유튜브의 정책에 위배되지는 않는 동영상에 대해서도 보다 엄격한 조치를 할 방침인데, 가령 선동적인 종교 관련 및 인종 우월주의적 동영상에는 경고를 표시하고 광고 게재나 댓글 달기를 할 수 없게 하며 추천 목록에 포함시키지 않아 찾기 어렵게 한다는 계획

Ø 한편, 알파벳 산하 기업인 직소(Jigsaw)의 ‘리디렉트 메소드(Redirect Method)’ 기술을 유럽 전역에 광범위하게 도입할 것인데, 리디렉트 메소드는 타깃형 광고 기술을 사용하여 ISIS에 공감하는 사용자에게 ISIS 참여를 단념하게 만드는 반테러 동영상이 전달되도록 하는 데 이용됨

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1798호(2017. 5. 31 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

인공지능 음성비서 서비스 탑재 기기 2021년 75억 대 이상 전망.pdf

ž 통신산업 시장조사기관 오범(Ovum)에 따르면 2021년 인공지능(AI) 음성인식 가상 비서 서비스를 이용할 수 있는 기기의 대수는 75억 대를 넘어설 전망

Ø 오범에 따르면 음성 인식 가상 비서 서비스는 현재 주로 스마트폰과 태블릿에서 이용되고 있는데, 2016년 말 현재 서비스 이용이 가능한 하드웨어 대수는 35억 대로 추산되며, 구글의 ‘구글 나우(Google Now)’와 애플의 ‘시리(Siri)’가 대부분을 차지하고 있음

Ø 그러나 2021년에는 현재 세계 인구를 넘어서는 75억 대에 이를 것으로 예상되며, ‘구글 어시스턴트(Google Assistant)’가 점유율 23.3%로 선두를 차지할 것으로 예측됨

Ø 그 다음으로는 삼성전자의 ‘빅스비(Bixby)’가 14.5%, 시리가 13.1%, 아마존의 알렉사(Alexa)가 3.9%, 마이크로소프트의 코타나(Cortana)가 2.3% 점유율을 차지할 것으로 예측

Ø 기기 유형도 다양해져 향후에는 스마트폰과 태블릿 등 모바일 기기 외에도 스마트홈을 중심으로 새로운 기회가 열릴 것으로 예상되는데, 가상 비서와 음성 AI를 지원하는 스마트 홈 제품, TV, 웨어러블 기기의 수는 2021 년에 16억 3천만 대에 달할 것으로 추정됨

Ø 특히 현재 인공지능 스피커 제품에 쏟아지고 있는 거대한 관심에도 불구하고, 비 모바일 기기 중에는 TV 기기(스마트 TV, 셋톱박스, 미디어 스트리머 등 포함)가 57%로 가장 높은 점유율을 차지할 것으로 전망

ž 지역적 관점에서 보면, 음성 인식 가상 비서 서비스 이용은 북미 중심에서 벗어나 전 지구적 서비스로 확산될 것으로 예상됨

Ø 2016년 말 현재 아마존 알렉사와 구글의 구글 어시스턴트의 경우 북미 지역의 이용자 점유율이 95%에 이를 정도로 지역적 편중이 심한 상태이나, 2021 년에는 서비스가 전세계로 확산되고 아시아와 오세아니아 지역이 47.6%의 점유율을 차지할 것으로 전망됨

Ø 아시아 지역에서는 당연히 중국 시장의 성장이 두드러질 것인데, 2016년 기준 중국어를 지원하는 음성 비서 서비스 제공 하드웨어 기기 대수는 4,300만 대 수준이며, 바이두(Baidu)와 아이플라이테크(iFlytek) 등의 업체가 선도하고 있음

Ø 그러나 2021년에 중국어를 지원하는 음성 비서 서비스 제공 하드웨어 수는 12억 대에 달할 것으로 예상되며, 이는 애플의 시리와 삼성전자의 빅스비와 비슷한 규모가 될 것으로 보임