태터데스크 관리자

도움말
닫기
적용하기   첫페이지 만들기

태터데스크 메시지

저장하였습니다.

척척박사 윤박사가 들려주는 AI | 아홉 번째, 융합 인공지능 - 로봇 인공지능 기술

 

 

 

앞으로 10년 이후에 인공지능 기술은 어디까지 발전할까? 라는 물음에 필자를 포함하여 이글을 읽는 대부분의 사람들의 생각은 공상 과학 영화에 등장하는 로봇이나 사람의 말을 알아듣고 알아서 답을 해주는 컴퓨터를 생각할 것이다. 이러한 생각은 미래를 살아가는 우리에게 로봇이 위협적인 존재라는 형태로 각인되어 있고, 일자리를 빼앗는 존재라는 이미지로 공감대를 형성시키고 있다. 그래서 이번 기고에서는 미래의 걱정거리인 로봇이 가지는 인공지능 기술을 소개하고, 융합 형태의 서비스들을 다루어보고자 한다.


 

 

로봇 인공지능은 어떻게 구성되나
로봇(Robot)의 기본 개념은 위키피디아와 서울교과서의 로봇 기초라는 교과서에 잘 설명되어 있다. 이 두 자료에서는 로봇의 어원, 정의, 역사의 로봇 3대 원칙과 이용 분야, 국가별 로봇 이용 현황 등에 대해서 주제별로 잘 정리하고 있다. 이들은 로봇의 구성을 분야에 따라 산업용 로봇과 비산업용 로봇으로 구분하고 있다. 산업용 로봇은 일정한 패턴을 가지고 동작을 제어하는 구조로, 비산업용 로봇은 인간과 친숙한 환경에서 직간접적으로 서비스를 처리하는 구조로 구분된다.
산업용 로봇은 특정 위치에 고정되어 일정한 패턴을 가지고 동작하기 때문에 제어 기능에 중점을 둔다. 예를 들면, 제조 공정에서 조립을 담당하는 제조 로봇은 일정한 동작이 제어되면서 고장유무를 판단하여 알람을 주는 동작 제어 기능으로 구성된다. 이는 조립과정에서 일정한 패턴을 유지하는 로봇의 동작을 방해하는 요소들이 생겼을 때, 규칙기반의 의사결정으로 상태를 판단하는 단순 지능구조이다.
비산업용 로봇은 이동과 판단, 제어 등의 복합적인 상황에서 데이터를 통해 판단하고 제어하는 기능에 중점을 두고 있다. 사람의 모습을 닮은 휴머노이드 로봇의 경우, 사람의 감각기관과 유사한 처리를 위해 기계학습과 의사결정 처리를 함께 적용하고 있다. KIST가 개발하고 있는 키보는 인식 기능과 제어 기능으로 구분할 수 있다. 인식 기능은 얼굴, 음성, 장애물, 위치 등을 인식하는 기능을 가진다. 또한 제어 기능은 주행과 회피, 관절 및 고관절 제어, 표정 등으로 구성된다. 이 구성들은 독립적으로 동작하는 것보다는 데이터를 연계하여 복합적인 처리가 필요하다.

 

 

휴머노이드 로봇의 구성(KIST, 키보 3.0)

 

 

이와 같이 로봇의 구성은 기계공학부터 물리, 컴퓨터, 제어공학 등에 이르기까지 다양한 학문 분야에서 접근하고 있는 산업 기술이다. 또한 4차 산업혁명에서 요구하고 있는 기술을 복합적으로 처리하는 종합 기술체이기도 하다. 그렇기 때문에 단시간 내에 성공적인 구성을 할 수 없으며, 지금까지처럼 많은 실패와 고민이 필요할 것이다.

 

 

 

로봇의 지능은 얼마나 될까
로봇의 지능을 결정하는 것은 두 가지로 판단할 수 있다. 주어진 일에 대한 스스로의 의사결정 기능과 고장에 대한 진단에서 스스로 복구까지의 절차를 진행하는 자가진단 기능이다.

의사결정 기능은 로봇의 3원칙을 기준으로 어떠한 의사결정을 내리는가이다. 예를 들면 운전을 하는 자율주행 로봇의 경우를 생각해 보자. 운전자의 딜레마이기도 하다. 주행 중에 긴급으로 발생하는 사고 조건에서 운전자를 보호할 것인가? 아니면 차량 밖의 사람을 보호할 것인가? 이러한 딜레마의 조건에서 로봇은 자율적인 의사결정을 해야 한다. 당연히 빠른 의사결정과 처리가 필요하기 때문에 고성능의 시스템이 필요하고 네트워크의 자율성도 좋아야 한다. 만약 이 조건을 스스로 판단한다면 로봇의 3원칙 중에서 1원칙인 인간을 해쳐서는 안 된다는 조건이 성립된다. 만약 1원칙을 무시할 수 있는 규칙은 운전자의 결정에 따라 진행되는 경우가 될 것이다. 이 부분은 인공지능 기술에서도 많은 딜레마와 학습의 문제점을 가지고 있다. 그렇기 때문에 우리는 로봇과 인공지능 기술에 두려움을 가지는 것이 당연하다고 생각한다.

 

자율주행 로봇의 딜레마 – 사고 대응

 

 

다음으로 로봇의 인공지능에서 필요한 자가진단 기능이다. 이 기능은 로봇의 3대 원칙 중에서 3원칙에 해당한다고 볼 수 있다. 로봇은 1원칙과 2원칙을 지키면서 자기 스스로를 보호해야 한다는 조건이다. 이 조건은 인공지능 기술의 핵심이지만 풀기 어려운 난재(NP Complete)이다. 이 기능을 구현하기 위해서는 소프트웨어의 소스코드를 스스로 컴파일하고 에러가 발생한 부분을 학습하여 소스코드를 스스로 수정하는 기술이다. 하지만 운영체제와 소스코드 간에 의존성(dependancy)를 판단하는 로직과 소스코드에서 에러가 있는 전/후 과정을 판단하는 로직, 장애 여부를 판단하는 로직, 어떤 코드를 적용해야 전/후 상태에서 이상 없이 동작되는지를 판단하는 로직, 전체의 동작에 대한 최적화 상태를 판단하는 로직 등에 대한 복잡한 학습 과정이 필요하다. 이 학습을 위해서는 개발자들이 개발하는 과정을 전체적으로 모니터링하고 그 과정을 학습하는 절차가 요구된다. 또한 가장 중요한 것은 스스로 개선되었다고 판단해서 서비스 또는 시스템을 재시작 했을 때 이상 없이 동작이 이루어지는가도 스스로 판단해야 한다. 이러한 일련의 과정을 학습하는 것 또한 인공지능 로봇의 지능을 갖추는데 필요한 가장 큰 문제이다.

따라서 인공지능 기능을 갖춘 로봇의 지능은 단편적인 지능을 갖추거나 일정한 패턴에 대한 동작을 학습하는 것은 가능하지만 공상과학 영화에 나오는 자율 판단 로봇이나 아이언맨에 등장하는 자비스와 같은 시스템을 만족하기까지는 인프라의 상당한 발전과 개발의 시간이 필요할 것이다.

 

 

 

로봇 인공지능 방향
로봇 인공지능 기술은 스스로 의사결정을 할 수 있는 융합 제어 기술을 가진 완성체를 개발하기까지 많은 시간과 노력이 필요하다. 특히 로봇의 3원칙과 함께 학습 자유도를 실시간으로 처리할 수 있는 고성능 프로세서와 연산 장치가 통합된 로봇 전용칩의 개발도 필요하다. 그렇기 때문에 필자는 인공지능 기술을 두려워하는 많은 사람들에게 말하고 싶다. 아직은 인공지능 기술의 두려움을 체감하기까지 준비할 수 있는 시간이 많다. 두려움 때문에 기술의 편리함을 도입하지 않는다면 로봇의 발전은 실패의 길로 가거나 미완의 기술로 오랜 시간이 걸릴 것이다. 그래서 인공지능 기술은 양날의 검이라고 한다. 도입도 문제지만 도입하지 않았을 때도 문제이기 때문이다.

 

다음 기고에서는 인공지능 융합 기술 중에 생명공학과 결합된 DNA 컴퓨팅 기술을 다루고자 한다. DNA 컴퓨팅 기술은 사람의 특정 질병을 치료하는 치료기술 부분과 뇌공학이나 양자 컴퓨팅과 같이 전자기계를 사람과 연결시키는 커넥티드 장치(Connected Device) 부분으로 발전하고 있다. 이 부분에서 인공지능 기술이 어떻게 사용되고 있고, 적용되고 있는지를 사례들로 소개하고자 한다.

 

 

 

 

 

 

 

저작자 표시
신고

IT easy, IT is! | 세 번째, PostgreSQL과 Oracle





  PostgreSQL과 마이클 스톤 브레이크



지난 기고는 ‘System R’에 대한 이야기로 끝났었는데요. 이 당시 시스템 R이 사용하던 IBM의 연구소는 실리콘밸리의 산호세에 있었습니다. IBM 산호세 연구소에서 시스템 R은 천덕꾸러기 대접을 받으며 연구를 진행하고 있었습니다.


그 실리콘밸리에는 두 개의 유명한 대학이 있습니다. 하나는 스탠포드이고, 하나는 버클리입니다. 지금은 버클리 대학이 음악으로 유명하지만, 그 당시에는 BSD 라이선스(B는 버클리의 B입니다.)로 유명했습니다. UNIX라는 OS 또한 버클리 대학에서 나왔습니다.


1973년도에 시스템 R이 진행되는 것을 보고, 버클리 대학의 마이클 스톤 브레이크라는 교수가, ‘IBM 산호세 연구소에서 RDBMS라는 게 만들어지고 있다는데 우리도 해보자.’라고 해서 석박사 학생들을 끌어 모아 DBMS를 만들기 시작했습니다.


그 프로젝트 이름이 바로 Ingres입니다. 그리고 Ingres라는 이름이 추후 어떻게 바뀌냐면, In을 떼고 이 프로젝트를 새로 시작하며, Ingres의 후속버전이라는 뜻으로 Postgres가 됩니다. 그리고 이 Postgres가 시간이 지나 우리는 SQL을 지원한다.’는 뜻을 담아, 우리가 잘 아는 PostgreSQL으로 나오게 됩니다.


대학인 버클리에서 만들어진 PostgreSQL이기에, 상업적인 성격이 약하여 소스코드를 다 오픈하였습니다. 그런 이유로 비교적 최근에 나왔거나, 현재 나오고 있는 DB들이 이 PostgreSQL, 바로 Ingres의 소스코드를 참고하여 만들어 지게 된 것입니다. 그래서 Postgre, 혹은 IngresDBMS의 할아버지라 표현되기도 합니다. 

                       (그림 : 마이클 스톤 브레이크)             






  Oracle과 밥 마이너


1973, 버클리에서는 Ingres의 연구가 진행되고 있었고, IBM에서는 시스템 R로 인해 DBMS의 태동이 시작되고 있었습니다. 그 당시 또 한 명, 일리노이 대학 출신의 주목해야 할 천재가 있었는데요. 그 사람은 바로 밥 마이너입니다. 그는 앰팩스(Ampex)라는 회사로 IT업계에 입문하여 프로그램을 구축하는 등, 흔히 말하는 SI 사업을 하고 있었습니다.


그러던 어느 날, 밥 마이너의 친구 중 프로그래머이자 자유로운 영혼의 락커였던 에드 오츠가 그에게 잡지를 건내며 말했습니다


, 이거 괜찮은 거 같지 않아?’


그 논문이 바로 E.F.Codd 박사의 ‘A Relational Model of Data for Large Shared Data Banks’였습니다. 밥은 그 논문을 보더니 너무 멋진데? 우리가 한 번 구현해보자.’라고 하였고, 그 논의가 오갈 때 현재 오라클의 회장인 래리 앨리슨도 함께였습니다. 그리고 그 멤버들이 회사를 설립했던 것이 바로 SDL(Software Development Labatories)이라는 이름의 스타트업이었습니다


그리고 1년이 지난 후, 밥 마이너가 어셈블리어로 1년 만에 뚝딱뚝딱 만들어낸 것이 바로 그 오라클입니다.




(그림 : 밥 마이너(좌)와 에드 오츠(우))


 



  Oracle 설립자들의 이야기


그들은 1년 만에 오라클을 만들고, 자축행사를 가집니다. 그 자리엔 밥 마이너, 에드 오츠, 브루스 스캇, 그리고 현 오라클의 회장인 래리 앨리슨이 있었습니다.




(그림 : 래리 앨리슨(좌)과 Oracle 1주년 기념파티(우))



이들은 다들 개성이 넘치는 인물들이었습니다. 간단히 살펴보자면래리 앨리슨은 개인 비행기가 편대로 있을 정도의 부자이며요트도 선단으로 있을 정도입니다연봉이 약 800억원이며한 시간에 4천만원을 버는 꼴입니다.


밥 마이너 또한 상당한 부자였는데요. 86년에 오라클이 상장을 하면서초대 사장이었기에 주식을 많이 가지고 있어서 돈을 많이 벌었지만, 94년도에 암으로 세상을 떠나게 됩니다그의 미망인인 분은 현재 미국의 17대 부호 패밀리에 속해 있습니다. 


특이한 것은 밥 마이너와 그의 부인은 워낙에 검소하고 돈 쓸 줄 모르는 사람들이었으나, 래리 앨리슨은 그와 반대로 사치를 좋아하고, 바람둥이 기질이 있는 사람이었다는 점입니다. 밥 마이너는 오직 할 줄 아는 게 포도농사 밖에 없었습니다.


또한 에드 오츠는 앞서 말씀 드렸던 것처럼 자유로운 영혼의 락커입니다. 기타 치는 걸 정말 좋아했습니다. 그래서 나중에 오라클에서 은퇴를 하였을 때는, 하이엔드 홈시어터 같은 음향 산업에 뛰어들었고, 래리 앨리슨과 스티브 잡스도 그의 고객 중 한 명이었다고 합니다.

 







   



 

저작자 표시
신고

척척박사 윤박사가 들려주는 AI | 여덟 번째, 스마트 시대의 인공지능 사례 - 뇌공학과 인공지능

 

 

 

 

 

뇌공학은 스마트 인공지능의 목적지로, 사람 두뇌와 컴퓨터가 상호작용하는 차세대 융합 기술이다. 뇌공학은 사람의 뇌 신경망과 컴퓨팅 기계를 특정 네트워크(BCI : Brain-Computer Interface)로 연결하고, 뇌의 활동을 인지하거나 질환 치료, 컴퓨팅 기계를 사람의 뇌로 제어하는 등의 다양한 세부 분야로 기술 개발이 진행되고 있다. 뇌공학 기술이 성공적으로 진행된다면, 마이너리 리포트나 매트릭스와 같이 영화에서나 가능한 세계가 현실화될 가능성이 높아진다.

 

 

 

뇌공학의 정의와 국가 전략

뇌공학은 1973년 자퀴스 비달(미국, UCLA) 교수에 의해 식물인간 환자가 어떻게 외부와 의사소통을 할 수 있을까를 고민하면서부터 정립되기 시작하였다. 현재는 각국에서 뇌공학과 인공지능에 대한 연구와 투자가 적극적으로 진행되고 있으며 유럽연합은 2012년 “휴먼 브레인 프로젝트(HBP)”라는 뇌 연구 프로젝트에 10년간 10억 유로(약 1조 7천억원)를 투자하고 있다. 미국은 2013년 “브레인 이니셔티브(BRAIN Initiative)”를 출범시켜 10년간 30억 달러를 투자하기로 했다. 일본은 2014년부터 “Brain/MINDS”라는 300억원 규모의 연구 프로젝트를 진행하고 있다. 이렇듯 최근에 뇌공학은 인공지능과 같이 학문적 연구에서 벗어나 실생활에서 적용하기 위한 연구가 적극적으로 진행되고 있으며, 공학적 접근과 프로그래밍 기술 개발이 필요한 대표 연구 사업이다.

국내는 2014년 뇌공학 기술에 대한 진단을 실시하고, 선진국대비 절대적으로 열세인 뇌공학 기술에 대한 극복을 위해 국가적 투자 계획을 수립하였다. 그로부터 2년 뒤인 2016년 5월에 미래부(현 과학기술정보통신부) 주관으로 뇌과학 발전전략을 중점적으로 추진할 방안을 발표하였다. 보도자료에 따르면 사람의 뇌는 일정한 학습된 신호를 가지고 인지하는 고등인지 기능을 가지고 있으며, 지도로 표현하는 뇌지를 확보하는데 집중하고 있다. 고등 인지기능의 첫 관문인 대뇌피질(후두정엽) 설계도 확보를 위한 고위뇌기능 특화지도와 노화뇌질환 특화뇌지도 DB 2종을 확보할 계획을 수립하였다. 그리고 미래선점 뇌융합 챌린지 기술 개발을 추진하여 5년 이내에 가시적인 실용화 성과를 도출할 예정이다. 차세대 NI(Natural Intelligence)–AI(Artificial Intelligence) 연계 기술 개발을 통해 뇌 연구 분야의 기초 원천 연구를 지원할 예정이다. 아래의 표는 미래부에서 인공지능 기술 및 뇌 신경망과 연계 가능한 분야를 제시한 내용의 일부이다.

 

그리고 뇌 연구 생태계 기반 확충 전략 부분에서는 뇌연구인력 융합화 촉진, 뇌연구 자원 안정적 확보, 글로벌 연구역량 활용, 미래 뇌산업 준비 등의 세부 전략을 수립하고 추진 계획을 발표하였다[2].

 

 

뇌공학 연계를 위한 인공지능 모델
미래부에서 제시한 뇌공학과 인공지능의 연계 분야를 살펴보면, 뇌에서 발생되는 뇌신경신호를 인지하고 각각의 패턴을 학습하는 지각판단회로 분야와 감각 신호에 대한 측정과 제어하는 감각 지능 회로 분야, 감성영역의 신경회로가 작동되는 원리를 규명하는 감성 지능 회로 분야, 신경회로망을 구성하는 뉴런칩 활용 신경회로망 분야로 구분하고 있다. 이러한 분야에서 인공지능 기계학습 모델과 연계하기 위해서는 불확실성이라는 요소를 반드시 고려해야 한다. 왜냐하면 사람의 뇌에서 발생하는 신호는 행동과 생각에 따라 유사하지만 독특한 특징을 가진 불확실한 신호를 가지고 있다. 예를 들면, 벌레먹은 사과를 먹고 판단하는 뇌신호는 화를 내거나 짜증을 내거나 하는 인식정도에 따라 다른 행동과 반응 신호를 발생시킨다. 이는 사람마다 가지는 성장 및 교육 환경, 신경세포 전두엽과 후두엽의 연계 등 다양한 조건에 따라 반응하는 뇌신경 신호 체계가 서로 다르기 때문이다. 그렇기 때문에 사람의 뇌신경과 인공 신경망을 연계할 때는 동일한 행동에 대하여 인지 패턴 학습을 다르게 적용하여야 하며, 상황에 따라 수정과 보완이 실시간으로 진행되어야 한다. 따라서 사람의 뇌신호를 이해하면서 불확실성이 포함된 패턴을 추적하기 위해 인공 신경망의 딥러닝과 카오스 이론이 결합된 고기능의 딥러닝 알고리즘이 필요하다.

카오스 알고리즘은 복잡하고 불규칙해 보이는 현상 속에서 의외의 단조로운 패턴들을 찾아내고 이를 연결하여 하나의 모델로 구성하는 것을 말한다. 카오스 이론은 어떤 동력학계의 복잡하고 비 주기적이며 유인적인 궤도, 주기성이 없는 일종의 질서, 새롭게 인식된 보편적인 자연현상, 결정론적인 비선형 동력학계에 나타나는 불규칙적이고 예측 불가능한 형태 등으로 정의되고 있다. 이러한 카오스 이론은 물리학자들에 의해 비선형 함수의 극단적인 변화를 가지는 자연계에 대하여 질서 잡힌 변화들을 표현하고 안정적인 구조를 찾는 연구가 선행되었다. 이 중 대표적인 것이 끌개(Attractor) 이론이다. 물리학자들이 자연계에서 찾아낸 끌개 이론은 두 가지 이다. 그림 1에서 보는 것과 같이 변화의 추이가 일정한 주기성을 띄는 에운맴돌이(Limit Cycle) 끌개와 중앙점에서 변화를 추이하는 형태의 붙박이점(Fixed Point) 끌개이다.

 

 

 

그리고 카오스 이론이 등장하면서 물리학자들이 정의한 두 가지의 끌개 개념들이 조금씩 무너지면서 전혀 다른 종류의 끌개가 존재한다는 것이 확인되었다. 이를 기묘한 끌개(Strange)라고 하며, 최초의 기묘한 끌개는 기상학자 로렌츠가 발견한 로렌츠 끌개이다. 그림 2과 3은 로렌츠 끌개 이론의 대표적인 예들이다. 로렌츠는 자연계의 질서 잡힌 변화들을 상태 공간으로 표현하고 그 변화의 궤도를 안정적인 형태로 표현하면서 새로운 끌개 형태를 발견하였다. 그림 2에서 보는 것과 같이 로렌츠의 궤도는 미시적으로는 무질서하고 예측 불가능하다고 판단되었지만 거시적으로는 질서에 유사한 어떤 형태를 보여주고 있음을 확인하였다. 그리고 그림 3과 같이 갖가지 형태의 기묘한 끌개들을 찾아내어 카오스 뒤에 숨어있는 고차원적인 질서의 상징적 표현물들을 생성하였다.

 

 

 

카오스 이론처럼 인간의 뇌는 지식만을 학습하고 판단하는 것이 아니라, 도덕적이고 주변의 상태들이 고려된 지식을 생산하고 판단해야 하는 활동들이 수행되어야 한다. 특히 인공 신경망은 사람의 뇌 신경망과 같이 일종의 수정과 응용력을 필요로하기 때문에 불확실성이 함께 학습되어야 한다. 그리고 뇌 신경망과 연계했을 때 자연스러운 행동과 인지된 패턴 판단을 자연스럽게 수정하면서 응용 범위가 확장되도록 해야 할 것이다. 이를 위해 복잡하고 난해한 데이터를 학습하는 딥러닝 학습 모델과 불확실성을 처리하는 카오스 이론이 결합된 새로운 딥러닝 모델에 대한 연구가 같이 병행되어야 할 것이다. 결합된 새로운 딥러닝 알고리즘은 시각 장애나 지적 장애를 가진 사람들의 지각 인지와 판단을 지원하면서 사물 패턴 인식을 적극적으로 지원하는 뇌치료 서비스가 가능하지 않을까 한다.

 

 

뇌공학을 위한 인공지능 기술 개발의 방향
인공지능의 재 부흥을 알린 딥러닝 기계학습 모델은 다양성과 최적화를 보완하기 위해서 강화학습 알고리즘을 적용하고 있다. 하지만 뇌공학에서처럼 불확실한 패턴이 등장했을 때, 기계학습은 추적에 실패할 확률이 높으며, 패턴인지 과정을 딥러닝과 강화학습 만을 적용해서 불확실성에 대한 학습을 보완하기는 어려울 것이다. 그래서 뇌공학에서처럼 불확실성에 대한 대처를 위해서 필자는 카오스 알고리즘을 딥러닝 모델에 적용해 보는 것을 추천한다. 또한 인공지능에서 새로운 패턴을 추적하고자 한다면 딥러닝과 강화 알고리즘, 카오스 알고리즘이 결합된 딥러닝 모델을 개발하고 평가해 보는 것도 좋을 것이다. 특히 시계열 학습에 적합한 LSTM(RNN) 모델에 카오스 알고리즘을 적용한다면 새로운 패턴을 성공적으로 추적할 수 있는 탐지 모델이 되지 않을까 생각한다.

 

다음 기고에서는 많은 사람이 관심을 가지고 있는 로봇의 인공지능을 다루고자 한다. 로봇에 적용되는 기계학습 알고리즘들은 어떤 것들이 있으며, 인공지능을 배우는 사람들의 관심인 딥러닝을 어떻게 적용하고 있는지에 대한 사례들도 함께 이야기 하고자 한다.

 

 

- 참고문헌 및 자료
[1] 카오스 이론과 인지과학, http://www.aistudy.com/paper/culture/chaos_cognitive_kim.htm
[2] 미래부, 지능정보사회 도래를 대비한 “뇌과학 발전전략” 수립, 미래창조과학부 보도자료, 2016.05.31.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

저작자 표시
신고

IT easy, IT is! | 두 번째, RDBMS의 태동기






  번 와츠와 IMS/DB



지난 기고는 최초의 DBMS IDS에 대한 이야기로 끝났었는데요이 당시 DB는 예를 들자면, [권선생→이화백→홍작가→…]과 같이 꼬리에 꼬리를 무는 구조로 [IT easy, IT is! ]이라는 공간에 들어와 있었습니다.  그리고 이 데이터를 다시 꼬리 무는 구조로 가져오는 방식의 네트워크 DB’였습니다



그런데 IBM에서 이 구조를 토너먼트 리그 혹은 회사 조직도와 같은 구조로 바꾼 DB를 내놓았고, 이를 ‘HDB’(Hierarchical DB)라고 합니다. 그리고 그 HDB 종류의 실제적인 DB 제품이, 바로 IMS/DB입니다.


1966년에 아폴로 프로젝트의 우주선을 만들기 위한 제품 및 자원 관리를 위하여, 관리시스템인 BOM(Bills of material)을 만들었고, 이를 바탕으로 68년에 IMS/DB라는 이름으로 세상에 나오게 된 것입니다


GE IDS라는 Network DB를 만들었다면, IBM HDB 구조의 IMS/DB를 만들게 된 것이죠.


IMS/DB IBM의 엄청난 마케팅을 힘입어 모든 컴퓨터 시장을 장악하게 됩니다. 현재 오라클 같이 최고의 위치에 오르게 되었습니다그리고 그 IMS/DB를 만든 사람이 바로 번 와츠(Vern Watts)입니다.


                         (그림 : 번 와츠)                          





  E.F.Codd 박사의 'A Relational Model of Data For Large Shared Data Banks'


하지만 아직 IBM에서는 현장 엔지니어가 아니라 연구만 하는 연구소원들이 많았기 때문에, 이제 막 탄생한 DBMS에는 조금 작동이 잘 안 되고 불편한 점이 있었습니다.


그런데 IBM 연구소에 있었던 E.F.Codd 박사라는, 엔지니어가 아닌 수학자 한 명이 논문 한 편을 썼습니다. 그게 바로 그 유명한 ‘A Relational Model of Data for Large Shared Data Banks’ 논문입니다. RDBMS를 제안하는 이 논문은 1969년도에, 우리로 치면 IBM 자체의 뉴스레터 같은 곳에 실렸습니다.


데이터를 관리할 때는 합집합, 교집합, 여집합 이런 식으로 관리하는 게 훨씬 편하다. 집합 단위로 하는 게 좋겠다.’ ‘연결구조로 하지 말고, 집합 단위로 데이터를 처리해서, 예를 들면 사원테이블, ‘주소테이블 등등 이렇게 해서 필요할 때마다 합집합 만들어서 쓰고, 연결해서 쓰면 된다.’ 등의 내용을 제안했습니다.




(그림 : E.F.Codd 박사(좌)와 'A Relational Model of Data for Large Shared Data Banks' 개념도(우))



사람들은 이를 굉장히 좋은 이론 같다고 여겼습니다그런데 정작 IBM에서는 그냥 조용히 있으라.’라고 했습니다왜냐면 당시 IBM이 IMS/DB로 떼돈을 벌고 있었기 때문입니다그래서 이렇게 좋은 논문이 나왔는데도, IBM에서는 이에 대해 적극적으로 연구를 하지 않았습니다.





  System R과 RDBMS


그 당시 IBM에는 많은 연구 부서가 있었던 풍토였기 때문에, 코드박사는 1973년도에 이 아이디어를 잘 살릴 수 있게 지원해달라고 말하였습니다. 그러나 IBM 입장에선 재정을 지원하고 싶지는 않았기에, 특이한 연구를 하는 사람들을 다 모아보라고 해서 조그마한 연구실을 주며 알아서 연구하라고 하였습니다.


그 때 모인 사람들이 짐 그레이, 코드박사, 도널드 체임벌린, 프레드 킹, 페트리샤 셀링거, 보이스와 같은 천재들이었습니다. 그리고 그들은 6개월 정도를 연구하다가 프로젝트의 이름을 짓자고 하였고, 그 때 나온 제안이 시스템을 만드는 프로젝트이고, Rerational DB를 만드는 팀이니까 프로젝트 이름을 시스템 R’이라고 하자.’였습니다. 이 연구에서 우리가 아는 SQL, RDB의 기본적인 개념들이 많이 만들어졌습니다.


그런데도 회사에서는 IMS/DB 같은 캐쉬카우를 버릴 수 없었기에 그다지 지원을 해주지 않았습니다. 그러나 짐 그레이 같은 사람들은 연구를 계속하며 트랜잭션이라는 단어도 만들었고, ACID, 리커버리, REDO 등 다양한 개념을 만들어냈습니다. 그리고 이 프로젝트의 사람들이 다 흩어져서, 지금 미국의 DB 회사의 기틀을 닦았습니다. 소스코드가 전해지거나, 이직을 해서 분파하는 등의 방법으로요.


여담이지만 IBM에서 여성 프로그래머 한 명을 같이 연구하는 파트너로 붙여주었습니다. 그 사람의 이름은 샤론이었고, 후에 코드 박사와 사랑에 빠져 결혼을 하게 됩니다. 그녀의 이름은 샤론 코드가 되었고, 지금은 미망인으로 방금과 같은 이야기들을 널리 알리고 있습니다.





(그림 : 짐 그레이(좌)와 코드 부부(우))









                                          



저작자 표시
신고

척척박사 윤박사가 들려주는 AI | 일곱 번째, 스마트 시대의 인공지능 사례 – 스마트 지능

 

 

 

 

스마트 지능(Smart Intelligence)은 개인이 가지고 있는 스마트 디바이스를 이용하여 개인 맞춤형 서비스를 제공하기 위한 인공지능 서비스 모델의 하나이다. 이는 개인별 스마트 디바이스에서 발생되는 데이터를 개인용 클라우드 시스템으로 지식을 생성하고, 개인 맞춤형 기계학습 엔진을 통해 지능형 상황 인지 통합 서비스라 할 수 있다. 또한 최근에 P2P 개념과 다시 결합되어 스마트 디바이스의 프로세스 기능을 강화하고, 클라우드 컴퓨팅에서 실시간 개인 상황 데이터를 훈련시켜 개인 맞춤형 실시간 서비스로의 가능성을 확인하고 있다.

 

 

스마트 지능의 특징
스마트 지능은 상황 정보(Context Information)를 통해 이전의 상황과 반응에 따라 현재 상태를 어떻게 예측하고 추론하는가가 중요하다. 상황 정보는 5W1H(Who, When, Where, What, How, Why)를 기준으로 데이터의 의미정보를 통합하고 정제가 필요하다. 서비스를 위한 콘텐츠는 상황 정보에 따른 예측값으로 콘텐츠를 검색하고, 가장 연관성이 높은 콘텐츠를 평가하여 제공하게 된다. 이 방법은 이전에 기고문에서 언급한 IBM Watson의 원리와 동일하다. 또한 위치기반 증강현실 서비스와 딥러닝이 결합된 새로운 맞춤형 증강현실 및 가상현실 서비스의 개발을 시도하고 있다. 스마트 지능이 적용된 서비스는 예측의 정확도를 높이기 위해 사용자의 만족도 평가를 어떻게 계산하고 기계학습 모델로 피드백(Feedback) 할 것인가에 대한 명확한 구조가 포함되어야 한다. 아래의 그림은 상황정보를 수집하고, 서비스까지의 처리 단계를 표현한 스마트 지능의 그림이다.

 

 

 

스마트 지능을 위한 데이터는 개인이 가지고 있는 데이터도 있지만 기업과 공공기관에서 수집되는 데이터도 있기 때문에 이를 확보하고 통합하는 것이 중요하다. 개인 데이터 통합을 위해서는 개인의 정보를 비식별화하고 통합할 수 있는 옴니 채널(Omni-channel)이 필요하다. 그리고 서비스를 선별하여 제공할 수 있는 콘텐츠 팜을 구성하는 것이 중요하다. 콘텐츠 팜은 다양한 콘텐츠를 대상으로 개인의 상황을 학습한 기계학습 모델 결과 값에 따라 실시간으로 연관성 및 관계성을 평가하여 점수가 높은 콘텐츠를 선별하고 제공되어야 한다. 연관성 및 관계성 평가는 기계학습(단순신경망, 딥러닝 등)을 통해 새로운 상황에 능동적으로 대처하는 구조를 포함하고 있어야 한다. 이렇듯 스마트 지능은 개인의 정보를 하나로 통합하기 위한 일련의 과정이 필요하며, 이를 위해 정부 주도적인 옴니 채널이 구성되어 각 기업이 보유한 개인정보를 하나로 통합하는 과정이 필수적으로 진행되어야 한다. 즉, 아무리 많은 데이터를 생산하여도 개인과 연관된 데이터를 확보하고 통합할 수 없다면 스마트 지능으로 발전할 수 없는 것이다.

 

 

스마트 지능의 서비스 환경
스마트 지능 서비스는 앞에서 언급했듯이 개인을 위한 맞춤형 서비스이다. 그렇기 때문에 각 개인의 성향과 상황을 학습하기 위한 기계학습 엔진이 개인별로 주어지고, 이를 처리하는 인프라도 개인별로 주어져야 한다. 그렇기 때문에 개인용 하이브리드 클라우드 컴퓨팅 환경이 필요하다. 이 환경은 VM(Virtual Machine)의 가상화 서비스(Virtual Service)나 도커(Docker) 기반의 개인 컨테이너 서비스(Private Container Service)가 요구된다. 특히 4차 산업혁명의 핵심 아이템인 클라우드 컴퓨팅, IoT, 빅데이터, 인공지능의 4가지를 결합한 스마트 지능 서비스의 구조 설계가 필요하다. 현재까지의 개인 맞춤형 서비스는 개인의 상태 정보를 이용하여 특정 그룹으로 분류하고, 해당 그룹에 제공하는 서비스를 개인에게 전달하는 형태였다. 그렇기 때문에 정확한 의미의 개인 맞춤형 서비스는 아닌 것이다. 따라서 개인 맞춤형 서비스의 단계별 진행은 그룹 맞춤형 서비스를 먼저 구성하고, 그 이후에 개인별 맞춤형 서비스를 구성하는 일련의 로드맵의 구성과 인프라 설계 및 확장이 필요하다. 아래의 그림은 그룹 구조의 개인화 서비스와 개인별 맞춤형 서비스를 보다 빠르게 구성할 수 있는 인프라 환경 모델 중 하나이다.

 

 

 

개인적으로는 VM 클라우드 환경보다는 Docker 기반의 클라우드 서비스 환경으로 발전시키는 것이 좋다고 생각한다. 그 이유는 VM 클라우드 환경은 개인화에 맞는 표준화된 환경을 기반으로 구축이 필요하며, 서버당 개인을 위해 할당할 수 있는 인프라 가상화의 개수가 제한적이다. 하지만 개인의 성향이나 상황을 학습하는 엔진의 효율은 독립적인 환경을 사용하기 때문에 Docker보다는 우수할 것이다. 이에 비해 Docker 기반의 가상화 서비스는 개인별 성향에 따라 서비스를 추가하거나 변경된 엔진을 빠르게 적용할 수 있다. 서비스를 위한 기본적인 환경이 구성되면 일련의 서버 자원들은 사용자 접속 상태에 따라 자원을 공유하거나 할당받는 구조이기 때문에 VM 환경보다 더 많은 사용자를 대상으로 서비스할 수 있다. 따라서 개인 맞춤형으로 다양한 서비스를 구성하려면 유휴 인프라 자원을 최소화하면서 서비스 활용도를 높일 수 있는 Docker 환경이 적합한 구조라고 본다.

 

 

 

스마트 지능의 한계점과 목표
스마트 지능은 아직까지 미래의 서비스 컨셉(Concept)으로 다루어지고 있지만 인공지능 서비스가 지녀야 할 중장기 전략이자 목표이다. 이를 위해 개인정보 보호법과 같은 관련법들의 정비가 필요하다. 또한 각종 서비스에서 발생된 개인 데이터를 통합하는 주체가 필요하다. 그렇기 때문에 서비스의 성공적인 도입과 정착을 위해 기업과 정부의 많은 준비와 협력이 필요하다. 특히 개인화를 위한 데이터 개방과 통합이 가장 큰 문제이며, 개인 데이터의 보호를 위해 선진국과 같이 정부의 강력한 데이터 통합 정책과 리더십이 필요하다. 그리고 기업이 운영하는 서비스에서 생산된 개인의 모든 데이터는 기업이 책임지고 통합하기에는 법률적, 정책적으로도 부담이 되는 부분이 많다. 따라서 정부가 개인의 데이터를 책임지고 통합하면서 관리할 수 있는 구조가 마련되어야 할 것이다. 이를 기반으로 기업은 데이터의 가공을 통해 서비스의 품질 향상과 최적화를 위한 상생 전략 마련이 필요하다.

이렇듯 스마트 지능 서비스는 개인의 사생활 보호라는 법적인 문제와 양질의 서비스 제공을 위한 데이터 개방이라는 양날의 검과 같은 성격을 지니고 있다. 이 부분을 해결할 현명한 인재와 전략이 지금부터라도 추진된다면 우리나라의 인공지능 서비스는 밝은 앞날을 예견할 수 있다.

 

다음 회차에는 스마트 지능을 한 단계 더 발전시키는 신경계 기계학습 모델인 뇌공학과 인공지능의 관계을 살펴보고, 이와 유사한 자연계 기계학습 알고리즘들을 간단히 소개하고자 한다.

 

 

 

 

 

 


저작자 표시
신고

IT easy, IT is! | 첫 번째, 컴퓨터와 DBMS의 시작




-조지 불

 

먼저, 컴퓨터는 계산을 자동화하는 기계로 시작됩니다. 계산의 자동화를 위한 인류의 노력 중 가장 오래된 결과물은 주판입니다. 주판 이후로도 수 많은 계산 자동화를 위한 노력이 있었습니다. 그 중 17세기의 천재 ‘파스칼’의 톱니바퀴도 있습니다. 파스칼은 세무사였던 아버지가 계산의 어려움을 겪는 것을 보고 톱니바퀴를 이용하여 아버지의 계산을 자동화해주었습니다.


현대적 컴퓨터의 기원은 영국의 ‘조지 불’이라는 사람으로부터 시작됩니다. 그는 ‘불 대수’를 창시한 수학자였고, 인간의 지능을 2진법의 논리로 표현할 수 있다고 주장하였습니다. 그로부터 현대 컴퓨터의 수학적인 이론이 시작되었습니다. 불은 수학의 2진법을 사용하여 인간의 복잡한 연산을 다 표현할 수 있다고 제시하였습니다. 『수학의 파노라마』라는 책에서는 이렇게 말합니다.


‘불은 논리를 그저 0과 1 두수, '그리고(and)'와 '또는(or)'과 '~이 아닌(not)'이라는 세 가지 기본 작용에 관련된 단순한 대수학으로 압축하는 데 관심이 있었다.’(p.224)


 


(그림 : 조지 불)




-클로드 섀넌과 전구 회로도


이 ‘불 대수’를 어떻게 물리적으로 구현할 수 있을 것인가에 대해서도 여러가지 아이디어가 나오기 시작했습니다. 그러다 1938년 미국의 천재인 MIT의 ‘클로드 섀넌’이라는 사람이 등장합니다. 불 대수 연산을 전기 스위치를 활용하여 물리적으로 구현할 수 있다고 주장한 것입니다. 스위치가 연결되어야 전구에 불이 들어오는 회로를 이용하여, True/False로 표현하여 불 대수를 구현할 수 있다는 이야기를 석사학위 논문에서 제안하였습니다.





(그림 : 클로드 섀넌(좌)과 전구 회로도(우))




이 제안이 중요한 이유가 있습니다. 지금도 엄청난 속도로 IT 기술이 발전한다고 하는데, 이 시대는 클로드 섀넌의 제언 이후 더 엄청난 속도로 컴퓨터 역사가 발전을 거치게 됩니다. 클로드 섀넌의 아이디어 이후, 1943년~1946년 사이 애니악이 나오게 됩니다. 그리고 포트란이나 코볼과 같은 최초의 컴파일러 랭귀지가 나오고, 1960년대 초반 최초의 DBMS가 나오게 됩니다. 그리고 1973년 E.F.Codd 박사의 관계형 데이터 모델 제안, 1976년 밥 마이너의 오라클 개발 시작과 같은, 혁신의 혁신이 거듭되던 시기가 도래하였습니다. 아예 세상에 존재하지 않았던 개념들이 새롭게 창출되던 창조와 혁신의 시기였습니다.


위에서 말씀 드린 전구 회로에 대해 다시 말씀 드리자면, 그 회로는 AND 연산이고, 직렬의 구조입니다. 이 구조를 병렬의 구조로 바꾸면 OR 연산이 됩니다. 이 두 구조를 섞어서 조금 더 복잡하게 만든 것이 디지털 논리 회로입니다. 또한 전구 회로의 스위치를 물리적으로 누르지 않더라도, 전기의 힘으로 스위치의 역할을 할 수 있게 한 것이 진공관입니다. 진공 상태에서 전기가 통하면 스위치의 역할을 해줍니다. 이 원리는 에디슨이 발명한 것이고, 이를 활용한 것이 진공관 컴퓨터입니다. 그리고 애니악이 바로 이 진공관 컴퓨터입니다.


하지만 이 애니악의 한 가지 안 좋은 점이, 크기가 너무 거대했다는 겁니다. 애니악에는 진공관이 3만여 개 이상이 들어가 있었습니다. 내부에 들어가서 스위치를 꽂아 연결하면 그게 프로그래밍이었고, 진공관이 열을 받아서 갑자기 터지면 또 직접 들어가서 진공관을 갈아 끼워야하는 등의 문제가 있었습니다. 그래서 실리콘 밸리의 ‘윌리엄 쇼클리’라는 사람이 구상을 한 게, 실리콘 등을 조합하여 진공관과 동일하게 전기의 힘으로 스위치를 만들고, 굉장히 작은 사이즈로 만들었던 것이 바로 반도체입니다. 윌리엄 쇼클리는 이 반도체를 만들면서 노벨물리학상을 받게 됩니다. 반도체는 결국 앞선 전구회로를 조그맣게, 여러 개를 넣은 것과 같습니다. 반도체 안에 있는 각 스위치들이 2진법 연산을 진행합니다.




-존 폰 노이만과 찰스 바크만


이 애니악이 만들어질 때 합류했던 사람 중 존 폰 노이만이 있습니다. 애니악이 만들어질 무렵 합류하여 현대 컴퓨터의 메모리를, 입출력구조를 만들고 제시하였습니다. 그래서 현재의 컴퓨터 아키텍처를 존 폰 노이만 아키텍처라고 합니다. 


존 폰 노이만은 프로그래밍을 메모리라는 개념을 도입하여 2진법으로, 예를 들어 ‘10101010’ 같은 방식으로 풀어냈습니다. 그러다 존 폰 노이만의 제자가 그 방식은 너무 어렵다고 하여 간단한 컴퓨터 명령을 만들어냅니다. 예를 들면 ‘10101010’라고 입력하는 대신 ‘move’라고 입력하게 한 것입니다. 이것이 바로 ‘어셈블리어’입니다. 


그런데 이 어셈블리어도 상당히 어려웠습니다 그래서 조금 더 랭귀지를 개발하여 나온 것이 ‘포트란’이고, ‘코볼’인 ‘컴파일러어’였습니다. 이렇게 최초의 컴퓨터는 스위치로, 그 다음은 이진법으로, 그 다음은 어셈블리어로, 그 다음은 포트란, 코볼로 이어지면서 현대 프로그래밍 랭귀지가 나오게 된 것이다.


그 당시에는 DB라는 개념이 없다보니, 프로그래밍을 할 때 데이터를 직접 건드려야 했습니다 그런데 프로그래밍을 그렇게 하다 보면, 여러 명이 동시에 데이터를 건드릴 때 혼선이 빚어지곤 했습니다. 그래서 GE에 근무하던 ‘찰스 바크만’이 아이디어를 냈습니다. 데이터를 프로그래밍, 즉 로직과 분리해내면 되겠다는 생각이었습니다.





(그림 : 존 폰 노이만(좌)과 찰스 바크만(우))




예를 들어, A라는 사원이 올해 일을 열심히 했으니까 내년에 보너스를 20%를 준다는 게 로직이라면, 실제 A 사원의 월급이 데이터라고 할 수 있습니다. 이 로직과 실제 데이터를 분리시키고, 그 중간에 코디네이터를 두어서, 프로그래밍을 짜는 사람은 이 코디네이터한테 ‘A 사원의 인센티브를 20% 올려주세요.’라는 DML, 쉽게 말하면 요즘의 SQL 같은 걸 던지면, 코디네이터가 그걸 일괄적으로 받아서, 데이터베이스를 본인만 건드리게 하는 구조를 생각해낸 것입니다. 이 방식으로 문제는 해결되었고, 이 코디네이터라는 소프트웨어가 바로 DBMS 입니다.


또한 DBMS는 프로그래밍 로직과 데이터 사이에서, 로직에게는 ‘너는 나한테 이야기만 해. 데이터는 직접 건드리지마.’라고 말합니다. 이 때의 이야기가 바로 DML, DDL이고, 현실적으로 SQL입니다.


결국 이 아이디어, 중간에 매니저를 세운다는 아이디어를 활용하여 찰스 바크만이 1960년대에 만든 DBMS의 이름이, IDS입니다. IDS는 현재 역사적으로 최초의 DBMS로 평가 받고 있습니다.

                               







 

저작자 표시
신고

척척박사 윤박사가 들려주는 AI | 여섯 번째, 스마트 인공지능 사례

 

 

 

차세대 IT 혁명의 핵심 요소 중 하나인 인공지능 기술은 다양한 산업 분야에서 기술 도입을 위한 개발과 함께 실 업무 적용을 위한 모델 연구에 집중하고 있다. 하지만 이들의 개발은 기계학습을 위해 어떤 데이터를 적용할지, 서비스에 어떤 모델을 도입할지 고민하면서 도입의 딜레마에 빠지기도 한다. 그 이유는 기존의 규칙 기반(Rule-based) 시스템이나 통계 모델에 비해 기계학습이 얼마나 우수한 결과를 얻는지를 설명해 줄 수 없기 때문이다. 또한 기계학습을 위한 프로세스와 아키텍처가 명확하지 않기 때문에 기존의 시스템 구축과 같은 방법으로 도입하는 경우에는 실패할 확률이 높다. 그래서 이번 기고에서는 스마트 환경을 기반으로 도입된 인공지능 사례를 살펴보고 도입에서 발생되는 이슈들을 고민해 보고자 한다.

 

 

- 스마트 인공지능 구성 환경
스마트 환경은 다양한 정의를 가지고 있지만, 기본적인 개념은 정보통신기술을 이용하여 보다 효율적이고 자동화된 서비스를 사용자의 조건에 맞게 제공하는 것을 의미한다. 그렇기 때문에 다양한 장치에서 데이터를 수집하고 분석하여 사용자의 상황(Context)에 맞는 서비스를 추천 또는 구성하는 것이 중요하다. 스마트 인공지능 서비스를 구성하기 위해서는 다음과 같은 기본적인 조건들을 만족해야 한다.

 

범위에 따른 세부 조건들을 명시하고, 해당 조건에 대한 인프라 및 서비스 환경을 설계하는 것이 바람직하다. 예를 들면 스마트 제조 분야는 각종 센서 데이터를 통합하기 위해 센서 데이터 인지 및 통합 모델, 인식된 데이터를 저장하고 전처리하는 모델, 데이터 판단과 처리를 위한 기계학습 연산 모델, 분석된 결과를 시각화하는 모델로 인프라가 구성된다. 프로세스로 구성하면 다음과 같이 인프라를 구성할 수 있다. 하지만 개인화된 맞춤형 서비스의 구성은 공통의 서비스 영역과 개별 서비스 영역으로 분리해서 인프라를 구성하는 것이 좋다. 개별 서비스 영역은 개인을 그룹으로 분류하고 유사한 그룹별 사용자에게 추천하던 서비스 방식에서 벗어나 순수한 개인데이터와 연계 데이터를 결합한 분석이 필요하기 때문에 개인별 인프라 및 분석환경을 조건 범위에 따라 인프라를 구성해야 한다. 대표적인 예로, 무인 자동차와 같은 개인 맞춤형 서비스를 들 수 있다.

 

 

 

그렇기 때문에 인공지능 서비스를 위한 인프라 구축은 서비스 대상에 따라 인프라를 구성하는 방법과 서비스에 대한 성능을 함께 고민하고 인프라를 설계해야 한다. 특히, 복잡한 기계학습 연산을 위한 GPU 인프라 구성이 아주 중요하다.

 

 

- 서비스 사례
스마트 서비스는 제조 및 물류 산업과 취약 계층을 중심으로 서비스가 개발되고 있고, 기존의 운영 모델을 딥러닝으로 개선하는 과정에 있다. 해당 사례를 통해 서비스 모델의 기본적인 구조를 확인하고 인프라의 특징을 살펴보자.

 

먼저 일상생활에 불편함이 있는 시각장애인을 위해, 스마트 시력보조 장치를 개발하는데 증강현실과 딥러닝 기술을 결합한 사례이다. 이 사례에서 스마트 안경에 부착된 마이크로 카메라가 인식센서가 된다. 그리고 스마트 장치는 인식된 영상에 대한 딥러닝 기반의 해석과 음성 처리, 증강현실 처리 기능이 함께 설치된다. 이 장치의 기계학습 이슈는 시각장애인 주변의 모든 사물을 학습하고 있어야 한다. 만약 새로운 사물을 만나게 되면 어떻게 할 것인가?에 대한 재학습이 이루어져야 하고 이를 처리하기 위한 스마트 장치의 이슈들을 개발자들이 인지하고 있어야 한다.

 

후지쯔(Fujitsu)의 Zinrai 시스템은 중대형 물류의 주문 자동화 및 배송을 추적하기 위한 딥러닝 기반의 물류 관리 시스템이다. 대형 물류에 대한 주문과 생산, 배송을 통합하여 물품에 대한 장기 보관 및 생산 비용을 최소화하였다. 그리고 주문 과정에서 발생되는 관련 물품들도 함께 관리하도록 ERP(Enterprise Resource Planning)와 연계 설계하여, 물류 관련 비용을 최적화시키는 시스템 환경을 구성하였다. 영국의 오카도(Ocado)는 물품 유통에 대해 빠르고 정확한 배송 처리를 위해 물류 자동화 및 로봇 시스템을 구성하여 95% 이상의 상품을 주문 다음날 배송 완료하도록 하였다. 오카도 시스템은 주문에 따른 지역별 물류 배송 경로 최적화, 배송 차량 추적, 물품의 자동 분배 및 관리, 로봇 자동화 등으로 구성된 시스템이다. 이와 같은 대표적인 사례들은 스마트 환경에서 IoT를 이용한 데이터 확보와 딥러닝 기반의 자동화 처리를 도입하였거나 도입하는 과정 중에 있다. 그리고 다양한 기업이 인공지능 서비스 구축을 위해 다양한 시도가 함께 이루어지고 있다.

 

 

- 스마트 인공지능의 방향
이제까지 언급한 내용들을 정리하면, 스마트 인공지능 서비스는 아직 초기 수준이고 시장을 형성하는 단계이다. 특히 개인별 맞춤형 서비스는 인프라 구성을 포함하여 서비스 데이터 확보까지 많은 준비가 필요하다. 즉, 사용자의 증감에 대한 인프라 자동 생성과 배치, 네트워크 속도, 서비스 데이터, 외부 데이터 등과 같은 부분을 함께 고민해야 한다. 그렇기 때문에 스마트 인공지능 서비스는 IoT 기반의 산업 분야에서 먼저 적용되어야 하며, 성공적인 도입이 완료된 상태에서 개인별 맞춤형 서비스로 확장하는 단계적 구축 전략에 따라 진행되어야 한다.

 

다음 기고에서는 스마트 인공지능에서 한 단계 발전한 스마트 지능의 핵심인 자기조직화(Self-organization)의 기술과 사례를 살펴보고, 구축을 위한 개발 모델을 간단하게 설명하고자 한다.

 

 

 

 

 

 

 

 

 

저작자 표시
신고

UX 이야기 | Hick's Law- Quick Decision Making

 

 

 

출처 : https://uxplanet.org/design-principles-hicks-law-quick-decision-making-3dcc1b1a0632

 

 

 

 

저작자 표시
신고

척척박사 윤박사가 들려주는 AI | 다섯 번째, 인공지능 서비스 구성을 위한 방법

 

 

 

지금까지 인공지능의 역사와 대표적인 사례를 통해 4차 산업혁명의 중심에 있는 인공지능에 대해 간략하게 소개하였다. 최근에 대두되고 있는 기계학습의 딥러닝 모델이 침체되었던 인공지능을 많은 사람들에게 매력적으로 인식시키게는 했지만, 인공지능 솔루션이나 비즈니스가 성공적으로 구축되기까지는 많은 시간과 노력이 필요하다. 또한 전문가 시스템, 의사결정 시스템, 추천 시스템 등 기존의 딥러닝 기반 규칙 엔진으로 만들어진 소프트웨어보다 진보된 성능과 결과를 시대는 기대하고 있다. 따라서 오픈소스를 이용한 기계학습 프로그램을 학습하는 것도 중요하지만, 인공지능 비즈니스를 위한 서비스 모델과 환경을 이해하는 것도 중요하다. 지금부터는 필자가 18년 이상 연구한 인공지능 비즈니스 서비스를 위해 익힌 기술들을 중심으로, 서비스 구성을 위한 모델을 단계적으로 설명하고자 한다.

 

 

 

- IT 서비스 환경의 패러다임 쉬프트 변화 이해
먼저 인공지능이 부각된 시점을 곰곰이 생각해 보자. 스마트 폰과 함께 등장한 클라우드 컴퓨팅과 대용량 데이터를 분석하는 빅데이터 분석 서비스 붐이 일어난 이후에 인공지능의 딥러닝이 부각되었다. 이것은 인공지능 서비스를 구축하기 위한 기술적 환경이 어느 정도 극복되었다는 것이다. 만약, 물리적 환경으로 인공지능 서비스를 구축한다면, 인프라를 유지하는 비용 부담이 늘고 개개인의 행위를 학습하는 인공지능 서버의 수가 엄청나게 필요할 것이다. 또한 개인이나 시스템이 발생시키는 데이터를 지속적으로 저장하고 인공지능 엔진이 학습할 수 있도록 기초 데이터를 확보하는 분산저장 공간도 필요하다. 나아가 기초 데이터를 해석하고 판별하는 데이터 과학자(Data Scientist)도 확보되어야 한다. 아래의 그림은 분석 패러다임의 변화를 4단계로 표현한 것이다. 그림에서 보는 것처럼 분석의 패러다임은 빅데이터와 데이터 비즈니스의 단계를 넘어서 인공지능의 인지 분석 단계로 변화하고 있다. 이와 함께 IT 서비스 패러다임이 인공지능을 중심으로 빠르게 변화하고 있다. 따라서 인공지능 관련 프로그램을 익히는 수준에서 벗어나 서비스를 위한 기반 기술의 이해와 적용이 중요하게 인식되고 있다.

 

 

Analytics 4.0 – The Cognitive Era
* 참조 : Four Eras of Analytics, Thomas H. Davenport, 2016. 3. 30.


 

 

- 서비스를 위한 기본 아키텍처 구성 방법

이제 인공지능 서비스 구축을 위해 하나씩 고민해 보자. 앞에서 인프라는 클라우드 컴퓨팅으로 구성하는 것이 좋다고 언급했다. 이유는 확장성이 가장 좋다는 것과 연계가 우수하다는 것이다. 만약, 클라우드 서비스 업체 간의 연계 구조만 갖는다면, 누구든지(Anybody), 어디서나(Anywhere), 언제든지(Anytime) 지능형 서비스를 받아볼 수 있다. 또한 자유로운 서비스 이동과 확장이 가능하다. 이것은 4차 산업혁명의 도전 방향이기도 하다. 클라우드 환경의 네트워크 연결 지연이나 보안 이슈는 개선되고 있지만 부족한 부분이 많다. 아래의 그림은 4차 산업혁명 시대의 초연결 사회를 디자인한 플랫폼 구조이다.

 

 

정보통신기술계층과 디지털 커넥툼
* 참조 : Hyper-connected Intelligent Platform Technology, 권동승, 황승구, ETRI, 2017.02

 

 

그림에서처럼 4차 산업혁명의 핵심서비스로 자리 잡은 인공지능 플랫폼 구축은 클라우드 컴퓨팅 인프라와 빅데이터 분석 플랫폼, 인공지능 서비스 알고리즘의 구조적 특징을 이해하여야 한다. 이것은 인공지능 서비스 대상에 따라 클라우드 컴퓨팅과 빅데이터 분석 환경 구성이 달라지기 때문이다. 즉, 개인화된 인공지능 서비스인지 또는 통합 플랫폼을 이용한 인공지능 서비스인지에 따라 아키텍처가 달라진다. 개인화된 인공지능 서비스를 구축한다면, 클라우드 서비스로 구성된 인공지능 서비스를 개인별로 차별화해서 배포하는 클라우드 배포 모델이 필요하다. 이는 개인별 성향이나 행동을 학습하는 기계학습 소프트웨어가 사용자별로 독립적으로 제공되어야하기 때문이다. 그리고 통합 플랫폼을 이용한 인공지능 서비스는 전체 데이터를 기준으로 유형과 패턴을 학습하여 특정 상태나 증상을 예측하거나 추론하는 기능을 가지고 있기 때문에 빅데이터 플랫폼으로 데이터를 통합 관리하는 환경이 필요하다. 따라서 성격이 다른 서비스 환경에 대하여 관리자가 적극적으로 대처하기 어려운 상황이 될 수 있다. 각각의 특징을 정리하면 아래와 같다.

 

 

앞에서 언급한 개인 맞춤형 서비스를 구성한다면, 개인별 클라우드 자원을 각각 할당하고 이를 통합 분석하는 운영 환경이 함께 구성되어야하기 때문에 운영 인력 확보와 비용 문제로 인하여 상당한 시간이 소요될 것이다. 그렇기 때문에 개인 맞춤형 서비스를 구성하기 전까지는 빅데이터 분석 환경과 함께 범용적인 서비스나 특화된 패턴 학습과 분류를 통한 상황 예측과 추론 서비스가 중심이 될 것이다.

 

 

 

- 기계학습 모델의 분류 방법
인공지능의 기계학습은 다양한 방법으로 학습 알고리즘을 분류하고 있다. 학습 방법에 따른 분류 방법과 알고리즘의 생성 및 파생을 기준으로 하는 분류, 연구 학회 또는 서비스 구성에 따른 분류 등이 있다. 학습 방법으로 분류하는 방법은 감독 학습(Supervised Learning, 감시 학습, 교사 학습 등), 비감독학습(Unsupervised Learning, 비감시 학습, 비교사 학습, 무감독 학습 등), 반감독 학습(Semi-supervised Learning) 으로 분류한다. 그리고 학습 모델을 기반으로 서비스 처리에 필요한 학습 알고리즘을 분류한다. 알고리즘의 생성 및 파생 중심의 분류 방법이 가장 기본적인 분류 체계이며, 연구 학회 또는 서비스 구성에 따라 각기 다른 분류 체계를 사용하고 있다. 아래의 표는 기계학습의 알고리즘을 분류할 때 사용하는 방법 중 하나를 정리한 표이다.

 

 

이처럼 기계학습 알고리즘의 분류는 다양한 분류 방법들이 적용되고 있으며, 기계학습 소프트웨어도 서비스 모델별로 개발되고 있다. 또한 기계학습 모델이나 알고리즘이 가지고 있는 장단점을 보완하기 위해 알고리즘을 결합하거나 연계한 모델 또는 알고리즘을 연구하고 있으며, 이를 보완하는 소프트웨어와 라이브러리들이 개발되어 있다. 최근에 신경망의 파생 모델인 심층 신경망, 즉 딥러닝 모델을 위한 소프트웨어는 파이썬 언어를 중심으로 하는 Tensforflow, 자바 언어를 중심으로 하는 Deeplearning4J, H2O 등이 있다. 그리고 이러한 기계학습 소프트웨어의 도입 고려사항은 자유로운 부하 분산 병렬 처리기능과 빅데이터 분석 플랫폼 연계 처리 기능이 포함되어야 한다.

 

인공지능 서비스 구축은 단순히 기계학습 소프트웨어나 라이브러리만을 이용한 구성으로 성공할 수 없다. 도메인의 특징과 서비스 모델을 고려한 소프트웨어 선정과 데이터의 정제 및 통합 분석을 위한 빅데이터 플랫폼 연계 등이 고려된 통합 아키텍처를 구성해야 한다. 따라서 도메인별 기계학습 도입을 위한 통합 아키텍처의 구성 방법을 다음 기고에서 살펴보기로 한다.

 

 

 

 

 

 

저작자 표시
신고

UX 이야기 | IT人들을 위한 삶과 일에 대한 조언

 

 

당신의 디자인 기술을 기증하는 것은 당신이 조건을 설정하는 사람 일 때 완벽하게 훌륭합니다.
저는 Joel Beukelman과 합쳐 2017년 Columbus, Georgia Creative South라는 모임에서 공예(craft)와 직장 생활의 발란스에서부터 디자인

비즈니스에 이르기까지 다양한 주제로 디자이너를 위한 팁을 서로 이야기했습니다.

Joel은 Design Inc. 에서 저와 함께 일하고 있습니다.

 

 

1. 두꺼운 마커로 스케치하세요.
잡다한 세부항목에 집착하지 말고 큰 아이디어와 콘셉트에 포커스 하세요.

 

2. 포트폴리오에 이미지(시각적인)이외에 더 많은 것을 보여주세요.
이미지와 함께 자신의 생각과 아이디어도 같이 설명해 보세요.
역주: 어떻게 그러한 결과를 도출했는지 설명을 넣으면 좋을 거 같습니다.

 

3. 자신의 직책에 엮매이지 마세요.
당신 업무가 당신이 무슨 일을 하는지 알게끔 만들어 주세요. 그러면 당신의 직책은 스스로 알아서 견고해질 겁니다.

 

4. 가끔은 무료로 디자인해주세요(저희도 종종 무료로 한답니다).
조건을 조율할 수 있는 경우 당신이 디자인 재능을 기부하면 아주 훌륭한 디자인이 나올 수 있을 거예요.
역주: 무료 재능기부가 아닌 자기 자신이 주도하여 의도한 디자인을 잘 녹이 어떻게 그러한 결과를 도출했는지 설명을 넣으면 좋을 거 같습니다.

 

5. Curiosity(호기심) > Tools
 Photoshop vs Sketch, Keynote vs PowerPoint, Cintiq vs Ipad Pro 등 도구는 항상 바뀌고 있기 때문에 툴은 그다지 중요하지 않습니다. 항상 업무에 최적화된 작업을 수행할 수 있는 새로운 소프트웨어와 기술을 공부하세요.

 

6. 작업한 디자인이 상상한 것이 아니라면 아마 뭔가 잘못되었을 거예요.
작업을 계속 반복 수정해서 어떻게 나아졌는지 디자인을 밀고 나아가 보세요 그리고 언제나 하나 이상의 스케치 혹은 콘셉트를 만들어 보세요.

 

7. 제일 먼저 뭐든지 디자인해보세요.
 모든 디자인에 생명을 불어넣는 것은 쉽지 않습니다. 이해관계자와 팀 멤버들에게 자신의 디자인을 설득시키는 것에 익숙해지세요.

 

8. 당신이 무언가 한다면 그건 반드시 어떤 일이 일어난다는 뜻입니다.
도약하세요 콜드 이메일을 작성하거나 새로운 튜토리얼이나 테크닉을 해보세요. 매일 똑같은 일만 반복한다면 삶의 어떠한 변화도 일어나지 않을 거예요.
*cold email: 사전 연락 없이 보내는 이메일, 비슷한 예로 cold call(텔레마케팅)

 

9. 과정은 마라톤과 같습니다. 그러니 즐기세요.
모든 프로젝트는 당신이 세운 원래 계획보다 두 배나 오래 걸리고 두 배나 힘들 수 있습니다.

기나긴 여정(프로젝트)에서 배운 것을 받아들여보세요.

 

10. 퀄리티가 당신의 문제일지도 모릅니다.
고객이나 이해 관계자가 요구하는 퀄리티에 맞춰 작업을 하는 게 아닌 정교한 장인 정신으로 만들어보세요.

디자인에 심미성(aesthetic)과 마무리(perfection) 작업은 디자이너인 우리가 만들고 관리해 왔습니다.

 

11. 당신이 있기에 아름답습니다.
10번과 동일

 

12. 아이콘과 텍스트를 통해 쉽게 이해시켜주세요.
새로 제작한 앱은 사용자가 내비게이션과 기능을 쉽게 이해할 수 있도록 텍스트 레이블을 사용하거나 그 앱이 천만 사용자에 도달하면 그때 텍스트 레이블을 없애도 되겠지요. :p

 

13. 패턴을 이용해서 시간을 아끼세요.
iOS 앱을 제작하는 경우 Apple Interface Guidelines을 사용하고 Android 앱을 만드는 경우 Google 머테리얼 디자인을 따르세요.

많은 패턴이 이미 많은 디자인 솔루션을 위해 존재하고 그래서 제작 시간을 아껴줍니다, 그래서 이러한 패턴을 찾아 적용하는 방법을 배워보세요.

 

14. 디자인할 때 검은색과 흰색으로 먼저 하고 나서 나중에 다른 색을 사용해보세요.
흑백 조합으로 된 디자인이 동작하지 않으면 다른 색상을 추가해도 도움이 되지 않을 거예요.

그래서 먼저 흑백으로 작업을 해보세요.

 

15. 픽셀 퍼펙트 디자인은 끝났습니다.
스크린 사이즈를 한눈에 살펴보면 조심스레 배치된 레이아웃 디자인은 오래전에 사라졌다고 확신해도 될 것입니다.

화면 크기와 해상도에 맞게 어설프게 배치된 고려한 디자인에 유연하게 디자인해야 될 겁니다.
*픽셀 퍼펙트는 끝나지 않았습니다. 글쓴이의 의도는 픽셀 퍼펙트보단 레이아웃에 초점이 맞춰져 있어서 보존합니다.

 

16. lorum ipsum 말고 실제 데이터를 사용해 보세요.
실제 앱에 적용될 실제 텍스트와 이미지로 디자인하면 레이아웃과 계층 구조 문제를 근본적으로 해결해 줍니다.

 

17. 독일어로 작업해보세요.
앱(웹)이나 디자인이 다국어화 되면 UI에 문제가 생길 수 있습니다.

디자인 레이아웃에서 어포던스와 유연성이 앱(웹)에서 다른 언어로 전환 시 발생할 수 있는 긴 문자열에 대응해줄 거예요.

 

18. 당신은 Aaron Draplin이 아닙니다. 당신만의 Futura Bold를 찾아보세요.
Aaron은 전설적인 브랜드 디자이너로서 독특한 스타일을 가지고 있습니다. 그리고 그의 브랜드와 로고는 공통된 느낌을 줍니다.

브랜드와 그래픽 게임에서 눈에 띄고 싶다면 경우 자신만의 목소리와 자신만의 인식 가능한 스타일을 찾아보세요.

 

19. 디자인(design)은 예술(art)이 아닙니다.
디자인은 문제를 해결하거나 아이디어를 제공해야 해요.

그러나 예술은 문제 해결의 부담이 없습니다.

당신이 하는 디자인은 문제를 해결하는 것이지 단지 아름다운 예술이 아니라는 것을 잊지 마세요.

 

20. 러시아어로 작업해보세요.
17번과 동일

 

21. 만들고 있는 것을 사용하세요.
실제로 당신이 가진 문제를 해결하기 위해 디자인을 사용할 수 있다면 사용자 연구를 하기 전에 많은 문제 이슈를 파악해야 할 거예요.

 

22. 사용자가 아닌 사람들을 바라보세요.
"사용자"는 냉담하고 임상적으로 들리는데 특히나 이해 관계자와 디자인 작업을 공유할 때 "사람들"또는 "고객"이라고 말해보세요.

 

23. 체급을 올려보세요
두려워하는 것을 시도해보고,  포스트를 쓰거나 비디오 튜토리얼을 공유하거나 사람들 앞에서 얘기할 기회를 만들어 보세요. 불편한 것을 시도해보세요.

 

24. 내가 생각하는 디자인 그리고 프로젝트 관계자를 위한 디자인을 만들어 보세요.
고객이 말하는 방향성을 유심히 듣고 그에 따르는 방법을 알고 있다는 신뢰를 얻고 나서 디자인 콘셉트를 디자인한

다음 아이디어를 더욱 강하게 받쳐주는 또 다른 개념을 디자인하는 것이 고객과 신뢰를 쌓을 때 좋은 방법입니다.

 

25. 완성은 완벽함보다 좋습니다.
디자이너로서 우리는 디자인 업무를 과하게 하는 경향이 있습니다. 대부분의 우리가 만든 디자인 작업은 나중에 계속 반복 수정될 확률이 높을 거예요.

 

26. Cocoapotrace
Marc가 개인적으로 좋아하는 실시간 추적 도구입니다. 네 그렇습니다.

웹사이트는 10년도 넘게 오래된 geocities 웹 사이트입니다만 소프트웨어는 훌륭하게 작동합니다 (그리고 무료입니다).

 

27. 색다른 취미를 가져보세요
컴퓨터에서 멀리 떠나 디자인 작업과 전혀 다른 뇌와 신체 기능을 활성시켜보세요.

 

28. '아니오'라고 말하는 것도 강점이 됩니다.
우리는 '아니오'라고 말해야 될 경우에도 너무나 많이 '예'라고 합니다. 사람들은 '아니오'라고 해도 이해해줄 거예요.

 

29. 산만함(distraction)은 우리의 적입니다.
SNS를 접고 디자인에 시간을 많이 뺏어가는 요소들을 차단하고 3~4시간 내에 작업을 완료할 수 있는 환경을 만들어 보세요.

 

30. 현실 세상
현실에서는 주변 사람들과 소중한 시간을 보내세요. 더 나은 자신이 될 것이며 더 많은 인맥을 쌓을 수 있어요.

 

31. 시간을 돈처럼 써보세요.
시간을 소중히 사용하세요. 시간은 당신이 가진 가장 소중한 재산중 하나예요.

 

32. 비교하지 마세요.
자기 스스로가 초라하다고 생각 들면 한번 타인과 자신을 비교해 보세요. 그러면 자기 자신만의 길을 가고 있다는 것을 알게 될 거예요.

 

33. 자기 작업을 기준을 세우지 마세요.
당신이 하는 프로젝트는 좋거나 나쁘거나 성공하거나 실패하거나 할 때 자신이 만든 작업만큼은 잘했던 거라고 핑계 대지 마세요.

 

34. 옆 사람과 자주 이야기하세요.
언제 누구와 어떤 흥미로운 주제로 인맥이 연결될지 모를 거예요.
*옆 사람이 사장님 혹은 임원인 경우 제외 -_-

 

35. 8시간 작업 / 8시간 휴식 / 8시간 나
 하루는 24시간입니다. 하루를 1/3로 나누는 것은 삶의 각 영역에 집중할 수 있도록 도와주는 좋은 방법입니다.

 

36. 나눔은 좋은 것입니다. Sharing is caring 
디자인 업계에서 디자인 리소스를 제작하고 공유하고 스스로 통찰력을 쌓으며 다른 디자이한테 배우며 다른 디자이너에게

똑같이 되돌려주며 서로 도와주는 방법이에요.

 

37. 부업(sidework)은 어쩌면 다음 일자리(프로젝트)를 만들 수 있어요.
밤과 옆집에서 하는 일은 다음번 기회를 열어주는 경향이 있습니다.
당신이 밤에 하는 잡다한 여러 일이 어쩌면 예상치 못한 다른 좋은 기회를 줄 수도 있을 거예요.

 

38. 연락처를 공유해보세요. 
 웹 사이트에 전화번호랑 이메일 등 다양한 방법으로 노출해 보세요.
*아마 프리랜서 디자이너에게 하는 얘기 같음요

 

39. 노력은 재능을 뛰어넘습니다.
세상 모든 디자인에는 지름길이 없습니다. 좋은 디자인을 많이 만들어 보세요.

 

40. 화는 화를 낳아요.
사람들은 업무가 힘들어서 회사를 그만두는 게 아니라 나쁜 직장 상사에 대한 분노가 쌓여서 나가는 것입니다.

 

41. 언행일치
자신이 한 말을 지키는 것은 리스트에 있는 다른 어떤 팁보다 당신의 경력에 가장 큰 영향을 미칠 거예요.

 

42. 칭찬을 많이 하세요(Give Props).

 

43. 나타내 보세요.
매일, 매달, 매해 이렇게 노력하는 사람들은 그 혜택을 누리는 사람들입니다.

 

44. "미안해요"라고 말하지 마세요.
사과는 매우 중요하며 약점(vulnerability)을 알릴 수 있는 좋은 기회입니다.

그러나 대충대충 성의 없이 "먄 ㅋ"이라고 문자를 보내는 것은 아마도 당사자가 듣고 싶은 사과는 아닐 겁니다.

 

45. 글을 쓸 때 이것, 그것, 저것이라고 말하지 마세요.
글을 쓸 때 "this", "it", "that"등의 단어를 쓰지 않으면 상대방이 글을 더 쉽게 읽고 이해할 수 있습니다.

 

46. "알다시피"라고 말하지 마세요.

 

47. “엄,,,”, “내 생각엔”, “내가 보기엔..”, "그러니깐.."라고 말하지 마세요.
이 모든 문구는 진술을 약화시키고 듣는 이로 하여금 자신감이 떨어지게 생각합니다. 당신이 이야기(speech) 할 때 이러한 표현을

없애는 것은 어렵지만 결국 좋은 결과를 가져다줄 거예요.

 

48. 많이 나누고 조금 가져가세요.
자신만의 통찰력, 인맥 그리고 진심을 나누어 보세요. 당신이 주는 거보다 훨씬 더 많이 받을 거예요.
*절대 공감

 

49. Yes & 
즉흥 코미디의 고전적인 도구인데.. "예 그리고(Yes &)"라고 말하면 아이디어가 계속 나오는데 도움이 됩니다.
*https://en.wikipedia.org/wiki/Yes,_and... Yes & 위키 참조

 

50. 하고픈 말을 하세요.
 41번과 동일

 

51. "내 의견은 말이지.."라고 말하지 마세요.
자신의 의견에 의존하지 말고 세상 밖에 있는 지식과 정보를 찾아 팩트에 기반한 결정을 내리세요.

 

52. 과학자처럼 디자인해보세요.
자신이 만든 가설(hypothesis)로 디자인 한 다음 그 가설을 검증해보세요.

 

53. 제약점을 수용해보세요

 

54. 성공 = 80% 판매와 20%의 디자인
디자인 작업을 얘기하고 파는(selling) 것이 실제 디자인 작업만큼 가치 있고 중요해요.

 

55. Empathy(공감) > Apathy (무관심)
당신이 디자인하고 있는 사람(고객)들을 이해해보세요. 가능한 한 최대한 그들의 삶에 대해 깊게 파고 들어가 보세요.

 

56. 편견을 버리세요.
교육장같이 다른 많은 사람들이 있는 공개적인 장소에서 당신이 가지고 있는 확고한 고정관념에서 오는 문제와 다른 문화적 고정관념이

있음을 인지해 보세요.

 

57. "XX 좋네!!!"라고 하지 않았다면 그건 별로란 뜻입니다.
스스로에게 물어보세요.

 

58. 15분 미팅
언제 다음 업무 미팅을 하는지 준비해 보세요. 어젠다를 만들고 작업과 정보를 미리 나눠주고 15분이란 시간을 사용해 보세요.

회의라는 것은 의사결정을 위한 것임을 잊지 마세요.

 

59. 쉬운 일은 없습니다.
보통 모든 이들이 말하길 자신의 업무는 어렵다고 생각합니다. 그러니 모든 이를 존경과 친절로 대해주세요.

 

60. 시장 비율(Market rate) = 친구 3명 평균치
시간당 비용을 얼마로 책정할지 감이 안 올 때 위의 공식을 이용하세요.

 

61. 아이디어를 만드는 것은 쉽습니다.
 그리고 그 아이디어를 실행에 옮기는 것이 중요합니다.

 

62. 당신의 이야기를 하세요.
아니면 다른 사람의 이야기를 해보세요. 모든 이는 나눌 수 있는 이야기가 있답니다.

 

63. 2주마다 계산서를 발행하세요
결제가 빨라지며 계산서 금액이 적어 고객사가 예측성과 시기적절함에 감사할 겁니다.
송장 수는 더 적어지고 고객은 예측 가능성(predictability)과 적시성(timeliness)에 대해 감사하게 됩니다.
*미국과 캐나다는 급여를 한국과 달리 한 달에 한번 지급하는 게 아니라 2주 단위로 지급하는 회사가 많습니다.

 

64. 고맙습니다. 어떻게 도와드릴까요?

 

65. 팔로우 업(Follow up )
이메일, 문자, 전화를 통해 끊임없이 연락해보세요. 회신이 없는 대부분의 경우는 단지 바빠서입니다. 포기하지 마세요.

 

66. 하루에 큰일 하나씩 해보세요.
하루에 한 개의 작업에 집중해서 끝내세요. 실은 제 친구 Daniel Burka와 형제가 One Big Thing이라는 앱을 만들었걸랑요 ㅋ

 

67. 물을 마시세요.
기분이 좋아지고 인내심을 느낄 거예요.

 

 

출처: https://medium.com/@hemeon/70ish-life-and-business-lessons-for-designers-9d8c5b9e3476

 

저작자 표시
신고