태터데스크 관리자

도움말
닫기
적용하기   첫페이지 만들기

태터데스크 메시지

저장하였습니다.

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

척척박사 윤박사가 들려주는 AI | 네 번째, 알파고의 도전과 시사점

 

 

 

필자는 앞에서 인공지능의 개요와 함께 왓슨(Watson)에 대해 이야기 했다. 이번에는 왓슨과 함께 세기의 대결을 펼친 구글의 알파고(AlphaGo)를 이야기 하고자 한다. 만약 우리가 인공지능 시스템을 개발한다고 하면, 퀴즈쇼와 게임 중에서 세계인이 관심을 가질 수 있는 공통의 분모를 찾고 흥미를 유발할 만큼의 이벤트가 필요할 것이다. 그렇기에 다음 인공지능 이벤트는 아마도 그랑프리나 렐리와 같은 자동차 경주에서 무인 자동차 대결이 아닐까?

 

 

- 구글의 딥러닝 도전과 이슈 만들기
  2016년 3월, 우리는 잊지 못할 세기의 대결을 보았다. 구글의 딥러닝 기반의 알파고와 이세돌 9단의 대국, 인간과 컴퓨터와의 3번째 큰 대결이었다. 첫 번째 대결은 IBM이 만든 체스 전용 컴퓨터 “딥 소트(Deep Thought)와 세계 체스 챔피언들과의 대결이다. 이 대결은 대부분 인간과 컴퓨터의 무승부로 마무리되었다. 두 번째 대결은 퀴즈쇼이다. IBM은 제퍼디 퀴즈쇼에서 왓슨을 소개하고, 퀴즈쇼 역대 우승자들을 상대로 일찌감치 승기를 잡은 대결이었다. 세계적인 관심을 이끌기에는 너무나 싱거운 사람의 패배였다. 세 번째 대결이 바로 우리가 잘 알고 있는 알파고와 이세돌 9단의 바둑이다. 구글은 이전에 IBM이 체스나 퀴즈쇼와 같은 챔피언쉽 대결로 개발한 딥러닝 성능이 우수하다는 것을 알리는 아주 큰 이벤트가 필요했다. 그래서 구글은 많은 게임들을 가지고 고민하였고, 이중에서 바둑을 가장 좋은 이벤트로 선택하였다. 특히 바둑은 우주의 원자수보다 많은 경우의 수를 가지고 있고 완벽한 탐색이 불가능하다는 이유와 함께 세계적인 챔피언스리그를 체계적으로 운영하는 게임 중의 하나였다.

 

 

 

 

바둑은 많은 경우의 수를 계산하는 NP(Non-deterministic, Polynomial time) complete와 유사한 문제에 대한 많은 수의 정답에서 최적의 정답을 찾는데 많은 시간이 소요되는 계산 복잡도(Computational Complexity)의 이슈를 가지고 있다. 그렇기 때문에 구글이 개발한 알파고는 왓슨이나 Deep Fritz보다 더 우수한 알고리즘이라 할 수 있다. 알파고와 이세돌 9단의 대국은 인공지능의 부활을 알리는 매우 훌륭한 이벤트였다.

 

 

- 알파고의 알고리즘은 어떻게 움직이나?
알파고는 경우의 수를 빠르게 탐색하는 인공지능 시스템이다. 알파고의 동작 원리는 게임을 좋아하는 사람들이라면 가장 쉽게 할 수 있는 동작의 원리를 가지고 있다. 게임은 승리를 위한 경우의 수를 가지고 있고, 이것들의 대표적인 것은 미로 찾기, 길 찾기, 이동장애물 피하기 등과 같은 것이다. 이러한 경우의 수를 찾는 동작 원리를 표현할 때, 보통 트리(Tree) 탐색이라는 방법을 적용한다. 대표적인 알고리즘은 몬테카를로 트리탐색(MCTS: Monte Carlo Tree Search) 알고리즘이다. 바둑은 다른 게임에 비해 경우의 수가 많은 10,360개가 존재한다. 바둑의 규칙을 고려하면 평균 250개로, 우주 원자의 개수 1,080개보다 많은 경우의 수를 가지고 있다. 아래 그림은 알파고에서 사용한 몬테카를로 트리 검색 방법이다. 이 방법을 이용하여 알파고는 현존하는 바둑 기보의 모든 경로를 학습하였다. 몬테카를로 트리 탐색은 선택(Selection), 확장(Expansion), 시뮬레이션(Simulation), 역전파(Backpropagation)로 구성된다. 최초 바둑돌을 두는 시점을 최상단 루트(Root)라고 했을 때, 상대방이 두는 바둑 돌을 다음 시점으로 하여 그 다음 점에서 승률이 높은 경로를 추적하면서 경우의 수를 줄여 나가는 방법이다. 이것은 대부분의 게임에서 적용되고 있다.

 

 

* 참조 : mastering the Game of Go with Deep Neural Networks and Tree Search, google Deepmind

 

 

 

알파고는 바둑에서 모든 경우의 수를 학습하기 위해 넓이 탐색을 이용하여 다음 수를 찾는 기보의 패턴을 반복적으로 학습시켰다. 그리고 각 단계별 시뮬레이션 예측 결과를 트리 상태 정보에 업데이트 하였다. 하지만 기계학습을 이용한 경로 추적의 단점은 경우의 수가 없는 입력이 반영되었을 때이다. 이 경우에는 최적의 경로를 찾기 위해 이전의 경로 값들이나 새로운 경로를 재구성하는 문제를 가지고 있다. 그래서 이세돌 9단이 전혀 생각하지 못한 곳에 바둑돌을 놓았을 때, 알파고는 사람이라면 생각할 수 있는 “왜 그곳에 돌을 두었을까” 하는 고민보다는 기보에서 최적의 경로만을 찾아 바둑 돌을 두는 실수 아닌 실수를 하게 되었다. 그래서 알파고 팀은 학습한 기보에만 최적화되는 것을 예방하기 위해 자기 학습을 위하여 강화학습을 함께 적용하였다. 그럼으로써 승률을 높이는 최적의 경로를 탐색할 수 있는 구조로 개선하였다. 아래의 그림은 알파고의 패턴 학습에 강화학습 모델을 적용한 신경망 학습 구조이다.

 

 

* 참조 : mastering the Game of Go with Deep Neural Networks and Tree Search, google Deepmind

 

 

그림을 보면, 알파고는 정책 네트워크(Policy network)라는 예측 네트워크를 두고 기계 학습을 하였다. 정책 네트워크는 CNN(Convolutional Neural Network) 이라는 딥러닝 구조를 가지고 있다. 학습을 위해 방대한 양의 기보 데이터를 KGS라는 사이트에서 확보하였다. 알파고는 총 3천만 개 정도의 상태값을 가지고 정책 네트워크를 훈련시켰다. 그리고 몬테카를로 트리 검색을 이용하기 위해 Rollout Policy라는 네트워크를 준비하여 네트워크를 강화시켰다. 그리고 강화학습(RL: Reinforcement Learning)을 이용한 자가 학습으로 네트워크 성능을 향상시켰다. 또한 알파고는 몬테카를로 트리 탐색을 적용한 상태값을 Value Network의 학습 데이터로 이용하여 학습 완성도를 높임으로써, 이세돌 9단과의 대결에서 승리할 수 있었다.

 

 

- 알파고는 왜 왓슨보다 활용을 못할까?

앞에서 살펴본 것과 같이, 알파고는 바둑에서 최적의 경로를 찾기 위해 인공지능을 적용한 사례이다. 그리고, 바둑이라는 게임을 위해 1,202개의 CPU와 176개의 GPU 자원을 사용한 시스템이다. 만약, 알파고를 사람들 개개인의 행동을 학습하기 위해 사용한다면 구글의 모든 컴퓨팅 자원을 동원해도 어려울 것이다. 이것은 알파고뿐만 아니라 차세대 인공지능 시스템의 한계이기도 하다. 그리고 알파고를 적용할 수 있는 산업 분야도 극히 제한적이다. 예를 들면, 게임, 자율주행, 스케줄링 및 계획, 고객 추천 서비스 등과 같은 분야가 대표적일 것이다. 이에 비해 왓슨은 자연어를 기반으로 만들었기 때문에 사람과 밀접한 업무 또는 서비스를 빠르게 구성할 수 있다. 그래서 왓슨은 자동응답 서비스, 개인화 서비스, 고객 추천 서비스 등과 같이 다양한 분야에서 직접적으로 적용되거나 도입을 준비하는 대표적인 인공지능 시스템이 된 것이다. 이처럼 왓슨이나 알파고와 같은 인공지능 시스템이 아직까지 만능은 아니다. 하지만 사람의 일자리를 뺏는 구조로 기업이 인공지능 기술을 도입하고 있는 것은 사실이다. 그렇기 때문에 인공지능 서비스를 기획하고 도입하는 기업들은 사람의 일자리를 뺏는 시스템이 아닌 보조해 주는 시스템으로 인공지능을 고민하고 서비스를 개발하는 것이 필요하다.

 

다음에는 인공지능 시스템을 구축하기 위한 인프라와 플랫폼에 대한 이야기 하고자 한다. 인공지능 시스템을 어떻게 도입할까? 어떤 서비스를 개발할까? 도 중요하지만 기본적으로 어떻게 구성하는가가 현재 시점에서는 무엇보다 중요할 것이다.

 

 

 

 

 

 

 


 

저작자 표시
신고

UX 이야기 | 예상한다, 2017년 디자인 툴


나도 모르는 사이에, 달라지고 있는 디자인들.


고작, 몇개월이 지났을 뿐인데 지금 다시 보면 구식도 이런 구식이 없는 것이 디자인이지요. 

2017년 이러한 디자인이 돋보이고 있습니다.



역사적으로 디자이너보다 개발자를 위한 툴들이 많이 있습니다.

그 이유 중 하나는, 


개발자 스스로가 개발을 위한 툴을 만들수 있지만 디자이너들은 소수만 할 수 있기 때문입니다. 



디자인 세계가 중요해지고 있다. 

Design space is getting serious


2016년에는 모든 디자인 툴 세계가 세련되게 개선되는 징후가 나타나기 시작했습니다. 

Invision이 Macaw, SilverFlow, Easee, Muzli등을 인수했고, Marvel은 Pop을 인수했으며,

 Google은 Pixate를 인수하고 갤러리 및 스테이지의 새로운 도구 세트를 발표했습니다. 

Figma는 Adobe가 따라 잡으려고 노력하는 동안 흥미로운 작업들을 하고 있습니다.


저는 2017년이 디자이너에게 있어 정말 아름다운 해가 될 거라고 기대하고 있습니다. 



성공적인 디자인 접근 

The winning approach to design


디자인과 코드가 통합되어 디자이너가 모든 것을 만들어 제공할 수 있다는 희망이 생겨났습니다.

아직까지는 그러한 위치에 도달하지 않았지만 여러 다양한 프로토타이핑 툴들의 급부상이

앞으로 그렇게 될고라고 증명하고 있습니다.  


그러한 이유는 현재 명확해졌는데, 프로젝트 작업물이 모든 화면과 모든 디바이스에 걸쳐

정상적으로 작동하게 만드는 것은 쉽지 않습니다.


적어도, 디자이너들은 뭔가 잘못되었을 때 책임을 떠 넘길려하지 않을겁니다. ^-^


 

더 나은 워크플로우

A better workflow


2016년 훨씬 이전부터 시작된거이지만, 

이제는 하나의 툴이 다양한 문제를 해결할 수 없다는 게 명백해졌습니다.

오히려, 서로 연동되는 세트로서의 툴이 필요한데 스케치앱이 서로 각기 다른 장단점을 연동하고,

문제를 해결해주는 가장 대표적인 툴로써 팀웍, 고객 피드백, 디자인 산출물, 향후 개선안이

함께 이루어지는 하나의 워크플로우로 모든 것을 구성하게 만듭니다. 

모든 중요한 개발의 핵심인 버전컨트롤은 개발자들이 Github과 유사한 것으로 해결했지만 

디자이너팀을 팀 작업임에도 불구하고 많은 '땜빵' 작업을 필요로 했습니다.

당연히 디자인 툴은 전부터 이를 해결하고자 시도하고 있고 

일부는 이미 제작 중에 있습니다.



실제 데이터로 디자인하기

Design with real data


2016년에 시작된 또 다른 기대 실제 데이터를 적용한 디자인입니다.

실개발이 시작되기 전에 더 나은 의사결정을 내리고 핵심 사례를 찾는 데 도움이 되는 많은 의미가 담겨있지요.

실제 데이터로 디자인하면서 가장 놀랍게 보이는 건 

한 블로그 게시물이 전체 패러다임의 전환을 만든 것처럼 보인다는 것입니다.

이것은 , 더 많은 사람들이 더 좋고 멋있는 글을 작성하게 하는 바탕이 될 것 입니다. 



콘텐츠가 왕이다.

Content is the king


다양한 디바이스 및 화면 크기를 위한 디자인하기 위해선 많은 제약점들이 있습니다.

요지는 콘텐츠가 킹왕짱이다! 

인데, 그 뜻은 워딩(글내용), 사진, 일러스트레이션 그리고 타이포그래피에 포커스를 해야한다는 뜻이며

그렇게 함으로써 우리가 만드는 콘텐츠는 일관되어야 하고 웹페이지, 앱, 블로그 및 소셜미디어에서 생존할 수 있다는 것입니다.



2017년 희망하는 것들 

what's missing or a wish list for 2017


초기의 스케치앱은 포토샵에서의 UI작업하는 것 보다 나은 방법으로 작업하기 위해 만들어졌습니다.

피그마는 스케치앱보다 더 나은 제품이 되기 위해 UI디자인을 툴 시장에 나왔고

새로운 아이디어는 다른경쟁 툴이 시장되는 걸로 아이디어의 가치를 증명하고 있습니다.

어찌되었던 그것은 진화라고 볼 수 있을 겁니다.

무슨일이 일어나고 있는지 쉽게 알 수는 있지만 

정말 어떤 일이 일어날지는 지켜봐야 할 거 같습니다.



우리가 사용하는 툴들은 그닥 똑똑하지 못하다

Our tools aren't SMART

앞으로 저는 더욱 많은 툴들이 등장해서 디자인 프로세스를 개선해주기를 바랍니다. 

우리가 앞으로 뭘 해야하는 지로 끝나는게 아닌 앞으로 어떻게 더 개선 할 수 있는 지 알려줘야 한다고 봅니다.

아니면,

더 나은 선택권(접근성, 가독성, 기본 디자인 이론 등)을 제공해 주어야 할 것입니다.

자동 맞춤법이나 시각적 커닝과 같을 디자인결정에도 적용되며

동일한 경우에도 항상 더 똑똑한/ 유리한 쪽으로 도움을 줄 것입니다. 


 

인공지능과 머신러닝

AI and machine learning


디자인은 시스템이지만 사람은 모든 경우의 수를 기계처럼 한 눈에 보지 못합니다.


경험많은 디자이너가 신입 디자이너보다 더 빨리 문제 해결하는 방법을 찾을 수 있는 이유는 당연한 얘기지만, 

바로 '경험'이 많기 때문입니다.

그 경험의 가장 중요한 부분은 가능한 모든 조합(combinations)방법을 처리하는 것에 있고

그것은 컴퓨터가 해줄 수 있는 부분이라고 생각합니다. 




디자인에 아토믹 디자인 방법론을 적용하기 

Bringing atomic design principles to design practice



코드 요소 속에는 컨텍스트(context)와 상태(states)가 있습니다.


Atomic design principles(원자 디자인 원칙)

http://atomicdesign.bradfrost.com/chapter-2/



e디자인 툴의 시장흐름을 어떻게 보던지 한 가지 활실한 건 앞으로 더욱 많은 툴들이 나올 것입니다.

인터랙티브 디자인은 계속 진화하고 있으며 웹과 앱을 사용하는 새로운 방법은 결국 새로운 도전을 줄 것입니다. 


하루하루 다른 디자인이 나오고 있는 지금,


" 디자인 업계에서 우리는 재미난 시기에 살고 있는 것 같습니다. "



출처 : https://medium.com/froont/the-state-of-design-tools-in-2017-5fc15fccd6dd?ref=webdesignernews.com#.wdas1hnsw

 

 

 

 



저작자 표시
신고

UX이야기 | 정말 별로인 아이디어

 

 

`좀 잔인하다고 할지 모르겠지만, 저는 스타업들이(서비스 오픈 이전 포함) 초기 단계에 있는 아이디어를 발견하는 성공 감별사 일을 합니다.

그들이 바보라고 무시하고 나서 나중에 보면 저는 그들이 못 믿을 정도로 대박 나는 걸 봅니다.

이런 말도 안 되는 일이 저에게 적어도 4번은 일어난 거 같습니다.

매번 그들의 아이디어가 '구리다'라고 말을 안 할 거라고 스스로에게 약속하지만 이런 일은 매번 일어났습니다.

여기서 얻은 교훈이 오만함에 대한 경고인지는 모르겠지만 저는 여러분께 공유할 두 개의 이야기가 있습니다.

 

 

2009 년 말, 저는 누군가로부터 새로운 프로젝트에 대해 어떻게 생각하는지 만나서 자문받아 보고 싶다는 이메일을 받았습니다.

그 당시 저는 디자이너였고 그는 저에게 몇 가지 조언을 듣기를 원하고 있었습니다.

그래서 저희는 샌프란시스코의 전형적인 스타트업 미팅 장소인 더 크리머리에서 만나기로 했습니다.

 

"저는 카탈로그 모바일 앱을 만들고 싶어요. 앱은 패션 카탈로그 같은 건데 사용자들이 카탈로그 아이템을 직접 공유하고 정리할 수 있어요."

라고 하면서 주머니에서 아이폰을 꺼내더니 최소 기능만 구현된 프로토타입을 보여주었습니다.

UI는 평범한데 뭔가 어설펐습니다.

옆으로 스와이프 하는 내비게이션은 몇 번의 시도를 해야만 구동되었는데 그는 끊임없이 여성 의류가 계속해서 보이는걸 보여줬습니다.

 

저는 "좋네요.."라고 말은 했지만 제 머릿속엔 이미 그의 아이디어를 별로라고 생각했습니다.

생각해 보세요. 지구에서 어떻게 실리콘 밸리의 20대의 청년이 중년 여성을 타깃으로 서비스를 하려고 할까?

그리고 중년 여성들이 과연 이 서비스를 원하기는 할까요? 아니 중년 여성들이 아이폰은 가지고 있을까요?

제 기억엔 이런 질문들을 물어본 걸로 아는데 그가 뭐라고 답했는지 기억 조차 나지 않습니다.

 

저는 '이건 정말 아니다.(What a stupid idea)'라고 생각했습니다.

그리고 우리는 커피를 다 마시고 나서 그는 내가 무관심하다고 느꼈던 거 같습니다.

그렇게 우리는 헤어지면서 그가 저에게 이렇게 물어봤습니다.

"그런데 저희가 만든 앱 이름은 어떻게 생각하세요? 저희는 이걸 핀터레스트라고 부르고 있어요."

 

Pinterest  9개월 만에 회원수 1,700만을 달성한 초대박 소셜 서비스

 

 

 

2012년 저는 뉴욕의 평범한 레스토랑에서 누군가를 만나 저녁을 하고 있습니다.

저희는 저녁을 먹기 시작할 때 그 사람은 저에게 모바일폰을 보여 주면서

 "저는 인스타그램처럼 동영상을 쉽게 공유하는 모바일 앱을 만들고 있습니다."라고 말했습니다.

 

프로토타입임에 불구하고 디자인 완성도도 높고 개발도 잘되어 보였습니다.

그러나 저는 수많은 사진, 동영상 앱을 이미 사용해봤습니다.

모바일 동영상 시장(앱)은 이전에 많이 망한 서비스가 넘쳐났기에 저는 그에게 전혀 승산이 없을 거라 생각했습니다.

과연 이 사람이 다른 모바일 동영상이 수없이 시도했지만 이루지 못한 장애들을 어떻게 극복할 수 있을지 생각했습니다.

그 앱은 엄청나게 대박인 기능이 하나 있었는데 화면에 손가락을 화면에 터치하는 것으로 동영상 녹화가 되는 것이었습니다.

그렇게 해서 짧은 동영상을 많이 찍을 수 있고 그렇게 찍은 동영상을 서로 연결하여 스토리로 만들 수 있는 것이었습니다.

 

그러나 앱은 앱 내 피드(feed)가 있는 독자(self-contained) 앱이었고 바이럴을 하는 요소가 없었습니다.

저는 이 앱이 성공할 요소를 가지고 있다고 생각하지 않았습니다.

 

저는 '이건 정말 아니다.(What a stupid idea)'라고 생각했습니다.

그와중에 저는 앱 로고만은 유독 맘에 들어했는데 그 로고는 녹색 배경에 "바인(Vine)"의 앞 문자를 딴 V로 되어있었습니다.

 

 Vine  론칭 1년 후 iOS 버전 한정 가입자만 1300만명을 돌파한 초대박 동영상 기반 소셜 서비스

 

 

 

다시 핀터레스트 창업자 벤 실버맨과 바인 창업자 돔 호프맨과 미팅을 돌이켜 생각해보면 그들에 대한 제 반응은 참으로 부끄럽기 짝이 없습니다.

그 두 사람은 모두 유별나게 열정적이고 활력이 넘친다는 걸 여러분이 그들을 만나면 바로 알 수 있을 겁니다.

 

두 사람은 미래를 보았고 미래를 만들었습니다.

They saw the future and they built it.

 

그러나 어떤 이유이던 그들의 초기 제품에 대한 제 첫 반응은 긍정적인 면을 보지 않고

제일 먼저 어떤 문제점들이 있는지 발견하고 아이디어를 무시했다는 것입니다.

미래는 현재라는 이름의 렌즈를 통해 알 수 없습니다.

무의식적으로 시시하거나 쓸모없게 보이는 첫 번째 버전의 제품을 무시하는 것은 매우 쉽습니다.

아니면 정말 별로인 아이디어이거나 말이죠.

 

[출처: https://dcurt.is/what-a-stupid-idea]

 

 


------------------------------------------


3년 전에 읽은 글인데 못 보신 분들이 많아 문장을 다듬어 다시 공유하기로 생각했습니다.

예전이나 지금이나 우리는 정말 별로인 아이디어가 가득 찬 세상에 살고 있습니다.

뭔가 주류에 탑승해야 잘 될 거 같고 그래서 항상 뒤따르기만 하고..


알파고 이후 한국형 알파고를 만든다고 하고,
포케몬고 이후 한국형 포케몬고 만든다고 하고,
AR, VR, IoT, 드론, O2O, 전기차, 자율주행 기술 등 현재 신문에 자주 언급되는 제품/서비스만 투자 가치가 있다고 본다던가.

국가에서 스타트업을 육성한다고 하는데 실상은 단지 연륜이 많다는 이유만으로 멘토라는 탈을 쓴 비전문가의 심사를 통과해야만 된다던가.

비전문가가 전문가의 아이디어를 평가하고 사업을 만드는 현실.

여러분들은 아이디어는 있습니까? 아이디어를 다른 사람에게 설득시킬 수 있습니까?
저는 그렇게 하지 못할 수도 있다고 생각합니다.
그렇다고 좌절할 필요도 없다고 생각합니다.

소신은 가지고 준비하되 시야를 넓혀 좋은 결과 맺기를 바랍니다.

 

 

 

By. 이상용

 

 

 


저작자 표시
신고
  • 3월에는 2017.03.30 10:04 신고 ADDR 수정/삭제 답글

    신설코너네요~ 전에 읽었던 내용인데, 다시 봐도 많은 걸 느끼게 하네요!! 재밌게 읽었고 앞으로도 칼럼? 기고? 기대하겠습니다!!

척척박사 윤박사가 들려주는 AI | 세 번째, 왓슨의 도전과 시사점

 

 

IBM은 1997년 체스 게임을 통해 인공지능의 미래를 소개하였다. 그 이후, IBM 연구팀의 폴 혼과 찰스 리켈은 새로운 도전을 찾던 중 제퍼디 게임에 주목하였고, 5년간의 개발 기간을 거쳐 사람의 말을 해석하고 답을 주는 왓슨을 개발하였다.

 

 

우리는 왓슨이 사람의 질문을 어떻게 해석하고, 그 질문에 대한 답을 줄 수 있을까? 라는 의문을 가질 것이다. 컴퓨팅 지식을 가지고 있다면, 그 답을 쉽게 풀 수 있다. 그리고 언어를 처리하는 기술도 인공지능의 한 영역이라고 전문가들은 답해 줄 것이다. 인공지능 영역에서 이것을 자연어 처리(NLP : Natural Language Processing)라 한다. 사람의 언어인 자연어는 문법이라는 체계적인 규칙을 가지고 있다. 자연어 처리는 언어의 규칙에 맞게 문장을 해석하고 처리하는 방법(알고리즘 : Algorithm)이 중요하다. 이는 사람의 언어가 국가나 지역에 따라 문법이 다르기 때문에 자연어를 처리하는 방법 또한 조금씩 차이가 있기 때문이다. 대표적인 예가 언어 간의 번역의 차이이다. 자동으로 언어를 번역하기 위해서는 언어가 가지고 있는 고유 패턴과 의미를 이해하는 방법 또한 중요하다. 그래서 현재 왓슨은 사람의 언어를 정확하게 번역하고 이해하기 위해 언어의 관계성을 학습하고 해석하는데 집중하고 있다.

 

 

 

- 왓슨의 처리 동작은
일반적으로 자연어를 처리하기 위해서는 언어의 규칙 즉, 문법에 맞도록 단어를 분리하고 정의한다. 이를 형태소 분석(Stemming)이라 하며, 형태소 분석 엔진이 잘 갖춰지기 위해서는 단어 사전의 역할 또한 중요하다. 형태소 분석이 완료되면, 단어가 가진 의미 가중치를 계산한다. 이 가중치는 단어 간의 연관이나 의미의 연결성을 결정하는데 필요한 값이다. 특히 수집된 문서들에서 형태소를 분석하고, 문서와 단어 간의 관계, 중요한 키워드를 판단하기 위한 단어의 특징을 의미 검색을 위한 구조로 변환한다. 그리고 사람의 질문에 대한 답을 찾아 화면에 출력한다. 이를 단계적으로 표현하면 아래의 그림 2와 같다. Watson은 수집된 문서에서 각 문장의 단어를 형태소 분석으로 추출하고, 이들 간의 관계와 가중치를 계산한다. 각 문장의 단어는 키워드 매칭 과정을 통해 단어의 유효성을 판단한다. 즉, 단어의 매칭을 통해 중심어가 될 수 있는 단어(주어 또는 명사)를 선정한다. 예를 들면 그림 3과 같이 두 개의 문장이 있고, 각각의 단어 관계와 키워드 매핑을 통해 질문에서 발견할 수 있는 단어인 “Gray”를 정답으로 하며, 이러한 과정을 컴퓨터가 반복해서 수행하고 학습하여 빠르고 정확한 답을 찾도록 한다. 이렇게 학습된 데이터의 정답셋을 검색엔진에 넣고, 사용자 또는 질문자가 넣은 질의어를 형태소 분석한다. 그리고 정답셋의 검색엔진을 통해 관계가 높은 답을 찾아 제공한다. 정답의 정확도를 높이기 위해 기계학습의 정답셋을 보정한 후, 다시 기계학습을 시키는 작업이 필요하다. 이 과정에서 사람의 손으로 보정하는 큐레이션(Digital Curation)이 필요하다. 정답셋의 예는 그림 4와 같다.

 

 

- 왓슨으로 무엇을

Watson의 데이터는 2억 페이지 이상의 정형, 비정형 페이지를 수집하여 정답셋을 구성하였다. 그리고 IBM 블루믹스 플랫폼에서 새로운 비즈니스 아이디어를 시범 운영 · 시험 · 배치하고 있다. 국내에서도 롯데그룹, SK 하이닉스, 대한항공 등에서 Watson을 도입한 지식서비스 구성을 계획하고 있다. 하지만 한글 사전의 정확도에 적용하기 위해서는 어느 정도의 시간이 소요될 것으로 예상한다. 현재 Watson은 금융, 방송, 의학, 쇼핑, 스마트 홈스피커 등과 같은 분야에서 다양하게 적용되고 있고, 자동 응답 메신저나 비서 서비스 등과 같은 산업 분야에서도 적용할 예정이다.

 

- 왓슨의 미래 모습은
Watson은 사람의 언어를 해석하고 필요한 지식 정보를 제공하는 시스템이다. 사람의 언어와 관련이 있는 행동과 습성을 컴퓨터에게 학습시키고, 지식을 전달하는 지능정보 서비스이다. 예를 들면, 학교에서 학생들의 수업을 보조하는 보조교사, 장애우들의 학습을 보완하고 지원하는 지식 단말 서비스, 차량의 주행과 운전 중의 사고를 예측하는 서비스 등은 좋은 예라 할 수 있다. 이렇듯 인공지능 시스템을 사람의 일자를 대신하는 것이 아닌, 보조적인 역할을 수행하는 방향으로 가다듬어 진화시킨다면, 인공지능의 보다 밝은 미래를 기대해 볼 수 있을 것이다.

 

왓슨에 이어 다음 시간에는 우리 사회를 압도한 인공지능의 화두, 알파고에 대해 이야기해 보고자 한다.

 

 

 

 

 

 

 

저작자 표시
신고
  • 3월에는 2017.03.30 10:05 신고 ADDR 수정/삭제 답글

    약간은 어렵지만, 인공지능의 큰 흐름과 역사를 볼 수 있어서 즐겨 봅니다~~



티스토리 툴바