몽할망구의 ★이야기홀릭★

인공지능이라는 신기술의 기반에는 데이터가 중요하다고 계속 강조했는데, 인공지능을 가진다는 것은 아주 단순하게 말하면, ‘데이터를 잘 해석하여 거기서 어떤 룰과 패턴을 발견해내는 것’이라고 정의할 수도 있겠네요.

마치 학창시절에 기출문제를 많이 모아두면 시험에서 비슷한 문제를 쉽게 풀 수 있는 식으로, 기계가 학습하는 것으로 생각해도 되겠군요. ‘과거에 비슷한 패턴의 문제가 있었네? 그때 답이 뭐였지?’라는 식으로 접근하는 것입니다.

다만 인공지능은 기출문제를 암기하는 능력이 인간과 비교할 수 없을 만큼 뛰어나기 때문에, 원리 이해 능력이 형편없음에도 불구하고 인간처럼 시험을 봐서 답을 맞출 수 있는 것이지요.

인공지능은 암기한 패턴과 비슷한 문제가 나오면 인간보다 더 잘 풀지만, 패턴과 잘 안 맞는 문제가 나오면 버벅거릴 수밖에 없습니다.

인스타그램에는 매일 9,500만 장의 사진이 올라오고, 그 이상의 사진들이 페이스북에도 올라올 것입니다. 그밖에도 매일 생성되는 디지털 데이터의 양은 어마어마하게 많을 텐데요.

그냥 데이터가 있다는 것만으로는 학습 데이터로 쓸 수 없으며, 특정한 형태로 정돈되어야 합니다. 정돈의 과정에는 사람의 손이 반드시 들어가야 하는 경우가 많습니다.

예를 들어 페이스북의 이미지 인식 기능은 유명한 인공지능 기능 중 하나인데요. 실제로 페이스북에 사진을 올리면 이미지 인식 기능으로 내 친구 중에서 얼굴이 비슷한 친구를 자동으로 추천해주고는 “태그(tag)하겠습니까?”라고 물어봅니다. 그런데 그것이 어떻게 가능할까요?

인공지능을 통한 이미지 인식에서 기본적인 예로 드는 것이 고양이와 개의 사진을 보여주고 구분할 수 있느냐는 것입니다. 인공지능이 이 문제를 풀 수 있도록 학습시키려면 그냥 고양이와 개의 사진이 잔뜩 있다고 되는 것이 아닙니다.

사람이 수작업으로 이것은 고양이 사진, 이것은 개 사진, 이렇게 분류해주어야 합니다. 인공지능은 사람이 분류해놓은 사진 수천만 장을 보고, 어떤 사진은 개로 분류되고, 어떤 사진은 고양이로 분류되는지 패턴을 찾아내는 학습을 하게 됩니다. 이것을 ‘지도 학습(Supervised Learning)’이라고 합니다.

물론 인간의 가이드를 거치지 않는 ‘비지도 학습(Unsupervised Learning)’도 있지만, 지도 학습에 비해서 훨씬 제한적으로만 가능합니다. 예를 들어 데이터가 마구 섞여 있으면 그 속에서 구획을 긋는 클러스터링 작업이 가능합니다.

한마디로 데이터는 많으면 많을수록 좋지만, 많기만 해서는 쓸모가 없습니다. “구슬이 서 말이라도 꿰어야 보배다”라는 말은 인공지능 학습 데이터에도 적용되는 말입니다.