AI에 대한 네번째 이야기 : AI가 뛰어난 기능을 보이고 있는 분야

농담같지만 농담이 아님! 이마 찍고 이야기 함!

 중국의 시창에 가면 여러모로 아주 이례적인 농장이 하나 있다. 이 농장은 해당 품목을 취급하는 농장들 가운데 전 세계에서 가장 큰 규모이고, 생산성도 타의 추종을 불허한다. 매년 이 농장은 60억 마리의 '이질 바퀴'를 생산한다. 1제곱미터당 30만 마리 이상을 생성하는 셈이다. 생산성을 극대화하기 위해 이 농장은 알고리즘을 이용해 온도, 습도, 먹이 공급을 제어할 뿐만 아니라, 이질바퀴의 유전자와 성장률도 분석한다. 

 그러나 이 공장이 특이하다고 말한 주된 이유는 이질바퀴라는게 단지 흔한 바퀴벌레의 학명에 불과하기 때문이다.

 맞다........이 농장은 바퀴벌레를 생산한다. 이 바퀴들을 으깨서 값비싼 중국 전통 약재를 만든다. 포장에는 "단맛이 약간 있음" 이라고 적혀 있고, 그 옆에는 "생선 비린내가 약간 있음" 이라고 적혀 있다.(으아~~~악!!)

 중요한 영업 기밀이기 때문에, 바퀴벌레를 극대화하는 알고리즘이 정확히 어떤 것인지 세부사항은 알려진 것이 거의 없다. 그런데 이 바퀴벌레 농장은 왠지 '종이 클립 생산 극대화 기계'라는 유명한 사고 실험과 아주 비슷하게 들린다. 아주 똑똑한 AI가 있는데 주어진 과제는 하나뿐이다. '클립을 생산하라.' 이렇게 단순한 목표를 받은 AI는 자신이 동원할 수 있는 모든 자원을 클립 제조에 투입하기로 한다. 심지와 지구에 사는 모든 동식물까지 말이다....(터미네이터의 평행세계?) 

 방금 전에 우리는 바퀴벌레 숫자를 극대화하는 임무를 맡은 기존의 알고리즘에 관해 이야기했다. 하지만 다행스럽게도, 정말 다행스럽게도, 지금의 여러 알고리즘은 세계경제를 바퀴벌레 생산자로 전환하기는 커녕, 혼자서 공장이나 농장을 운영할 수 있는 능력과도 몇 광년 떨어져 있다. 바퀴벌레 AI는 과거의 데이터에 기초해 앞으로의 생산에 관한 예측을 내린 다음, 바퀴벌레 생산을 극대화시킬 것으로 생각되는 환경 조건을 고를 가능성이 매우 크다. 

 어쩌면 인간인 엔지니어가 설정해 놓은 범위 내에서 AI가 수정 사항을 제안할 수도 있겠지만, 데이터를 받고, 명령을 이행하고, 필요한 물품ㅇ르 받는 일이나 바퀴벌레 추출물을 홍보하는 것과 같이 중요한 일은 아마도 인간에게 의존하고 있을 것이다. 

 아..... 역시 중국은 참으로 중국스럽구나!...... 그저 놀라울 따름. 아마 설국열차의 주인공이 중국인이었다면 반란은 일어나지 않고 행복하게 체제가 유지되었을지도 모르는 일이다. 오히려 이렇게 귀한 약재를! 하면서 더 맛있게 먹었을지도 모른다.

 하지만 바퀴벌레 농장을 최적화하도록 돕는 일은 AI가 잘할 법한 일이다. 분석할 데이터는 많지만, 이런 종류의 알고리즘은 거대한 데이터 세트에서 패턴을 찾아내는 데 능하다. 사람이라면 이런 일을 별로 좋아하지 않겠지만, AI는 그 어떤 반복적인 작업도, 심지어 어 둠 속에서 수백만 마리의 바퀴벌레가 움직이는 소리에도 개의치 않는다.(인간이 하기에는 아무래도 힘든 일....중국인은 좀 다르려나?) 바퀴벌레는 번식주기가 빠르기 때문에, 수정된 변수가 결과에 어떤 영향을 미칠 지 AI가 알아내는 일도 오래 걸리지 않는다. 그리고 이 문제는 복잡하고 어디로 튈지 모르는 문제가 아니라, 구체적이고 범위가 좁은 문제다. 

 여기서 구체적이고 범위가 좁으며, 변수를 통제하는 변인이 적은 분야에서 최적의 값을 찾는 것에 대해선 AI가 진정한 적임자다. 그들은 지치지 않고, 혐오하는 감정이 없으며, 반복적인 작업을 끈기 있게 해낼 수 있는 인재인 것이다!

 그럼에도 불구하고 바퀴벌레 생산 극대화에 AI를 사용한다고 했을 때 생길 수 있는 잠재적인 문제점은 없을까? 

물론 있다. AI는 자신이 무엇을, 왜 달성하려고 하는지 그 맥락을 모르기 때문에, 종종 예상치 못한 방식으로 문제를 해결할 수 있다. 바퀴벌레 AI가 어느 방에 열기와 습기를 둘 다 ' 최대치'로 올리면 해당 방이 생산할 수 있는 바퀴벌레 수를 크게 늘릴 수 있다는 사실을 알아냈다고 치자. AI는 누전을 일으킬 수 있고, 이 때 실제로 자기가 한 일이 바퀴벌레 진입을 막아주는 우리를 열었다는 걸 알지도 못하고 신경도 쓰지 않을 것이다. 

 엄밀히 말해 누전을 일으킨 것은 AI가 자기일을 잘한 것이다.

 AI의 임무는 바퀴벌레 생산을 극대화하는 것이지, 바퀴들이 탈출하지 못하게 막는 것이 아니었으니 말이다. 

 때문에, AI와 효과적으로 함께 일하고 문제가 생기기 전에 예견하려면, 기계학습이 가장 잘하는 일이 무엇인지 이해하고 있어야만 한다! 

그렇다면 로봇이 잘 할 수 있는 일은 무엇일까? 

이제 로봇이 만능이 아니며, 때로는 치명적인 결과를 일으킬 수 있는 문제를 만들어 낼 수도 있다는 사실을 알게 되었을 것이다. 그러나, 한편으로는 끝없는 반복학습과 혐오갑을 일으킬 수 있는 온갖 일에 대해서 대처할 수 있는 능력을 가진 친구이기 때문에 그의 특성을 이해하고, 어떻게 하면 업무를 정확하게 하게할 수 있을 것인가를 이해하는 것이 중요하겠다. 

 위의 특성상 많은 양의 반복 작업에 해당하는 일이 기계학습에게는 매우 유용하다. 자동화가 진행 중인 반복 작업 중 하나가 의료용 이미지를 분석하는 일이다. 실험실 직원들은 현미경으로 혈액 샘플을 들여다 보고, 혈소판이나 백혈구, 적혈구 세포를 세고, 비정상 세포는 없는지 조직 샘플을 확인하느라 매일 몇 시간씩 보낸다. 이런 작업들은 모두 단순하고 일관되고, 독립적이기 때문에 자동화하기에 좋다. 하지만 이런 알고리즘이 연구소를 떠나 병원에서 사용되기 시작하면 문제가 커진다. 병원에서는 실수 하나가 훨씬 심각한 결과로 이어질 수 있기 때문이다. 

 자율주행차의 경우에도 비슷한 문제가 있다. 운전이란 대체로 반복적인 작업이어서, 절대 지치지 않는 운전기사가 있다면 누구나 아주 행복할 것이다. 하지만 자율주행차가 시속 100킬로미터로 달리고 있다면 아주 작은 결함에도 심각한 결과를 낳을 수 있다. 

 AI의 성능이 인간 수준에 미치지 못한다고 해도, 우리가 기꺼이 자동화하고 싶은 또 다른 작업은 바로 '스팸 차단' 이다. 스팸공격은 교모하거나 계속 바뀔 수 있어서 AI에게는 까다로운 과제다. 반면에 대부분의 사람들은 메일 수신함이 대체로 깨끗해진다면 가끔씩 메일이 잘못 걸러지는 것 정도는 기꺼이 참을 의향이 있다. 해로운 URL을 표시하고, 소셜미디어 게시물을 분류하고, 봇을 식별하는 것은 대체로 우리가 몇몇 버그 정도는 참아줄 수 있는 대량 작업들이다.

 

여기까지는 AI가 잘할 수 있는 일들을 알아보았다. 

다음 장에서는 실제로 AI를 활용할 때 자동화할 수 있는 일에 대해서 어떻게 결정할 수 있는지를 알아보고자 한다.