#포스트코로나

‘세대’와 ‘공간’에 기반해 가까운 미래 변화상을 살펴봅니다. 시의적 키워드로 기술, 문화 등 변화를 제시합니다.

첨단기술과 디지털의 시대입니다. 기업의 핵심 자산인 데이터는 폭발적으로 증가하고 이를 적용한 프로세스는 나날이 고도화됩니다. 빅데이터(BigData)ㆍ사물인터넷(IoT)ㆍ인공지능(AI) 같은 차세대 디지털 기술은 다양한 프로젝트의 상업화를 가속화합니다. 이 가운데 디프 러닝(Deep Learning)의 확장세가 단연 눈에 띕니다.

올여름 온라인을 뜨겁게 달궜던 이슈가 있습니다. 테슬라의 대표 일론 머스크(Elon Musk)가 눈썹을 실룩거리며 웃고 노래하는 동영상입니다. 영상 진위 여부를 떠나 한동안 유쾌하게 회자됐었죠. 바로 이 기술이 디프 러닝의 일종인 페이스 에디팅(Face Editing)입니다.

기계가 데이터로부터 유용한 정보를 추출해 인공지능과 함께 다양한 영상 콘텐츠를 만드는 것을 의미하는데요. 유명인 사진을 내 얼굴에 합성하거나 죽은 가수의 무대를 생생히 재현하기도 합니다. 지금보다 기술이 발전한다면 훨씬 더 놀라운 광경이 펼쳐지겠죠.

Step.1 알고리즘의 승리

디프 러닝은 인공신경망(Artificial Neural Network) 구조를 이용한 모형으로 다층의 은닉층을 지닌 알고리즘입니다. 사전적 정의는 다량의 데이터나 복잡한 자료 속에서 핵심 내용과 기능 요약의 작업을 시도하는 기계학습 알고리즘의 집합입니다.

머신 러닝(Machine Learning)과도 연결됩니다. 머신 러닝은 기본적으로 사전 정의된 수식으로 데이터를 학습해 미래를 예측하는 기술입니다. 반면 디프 러닝은 데이터의 기본 매개변수를 설정하고 처리 계층을 사용해 패턴을 인식함으로써 스스로 학습하도록 컴퓨터를 교육합니다.

다양한 강아지와 고양이 사진 데이터를 제시하면 인공신경망으로 사진에 포함된 특성을 스스로 계산해 각각의 패턴을 찾는 식이죠. 이처럼 다수의 사건(데이터)에 대한 경험으로 패턴을 학습하고 판단을 내린다는 점에서 패턴 인식(Pattern Recognition) 기술이라고도 부릅니다.

개념 차이
① 인공 지능 : 인간의 고차원 행동이나 지능을 기계가 모방함
② 머신 러닝 : 기계가 일일이 코드로 명시하지 않은 동작을 데이터로부터 학습해 실행함
③ 디프 러닝 : 인공신경망에 빅데이터를 결합해 인간 두뇌에서 필요한 지능을 구현함

국가과학기술연구회의

여기서 중요 포인트는 사람의 사고방식과 가장 유사하도록 컴퓨터에 가르친다는 점입니다. 인간이 보고, 듣고, 생각하는 과정을 직접 수행하도록 하는 것이죠. 음성 인식, 영상 분류, 사물 감지, 콘텐츠 구현까지 포함합니다. 이처럼 데이터에서 얻은 일반적인 규칙을 독립적으로 구축한다는 점에서 독보적입니다.

Step.2 부활의 서막

디프 러닝이 새로운 기술은 아닙니다. 여러 층으로 이뤄진 인공신경망 개념은 1970년대 탄생했습니다. 다른 디지털 기술들 보다 빨랐지만 지금과 같은 폭발적인 관심은 얻지 못했죠.

기술적 한계가 그 이유였습니다. 불과 몇 년 전까지만 하더라도 컴퓨터 운영체계와 속도는 지금처럼 뛰어나지 않았습니다. 알고리즘을 풀기 위한 과도한 학습 시간도 문제였습니다. 게다가 실험으로 사용할 빅데이터는 활용은커녕 수집조차 어렵던 시기니까요.

시대가 달라졌습니다. 이제 디프 러닝은 알고리즘과 신경망, 인터페이스 같은 첨단기술과 빛의 속도를 자랑하는 컴퓨터 운용력에 힘입어 한 단계 도약하고 있습니다. 컴퓨터 섹터의 주요 분야인 영상과 사물 인식에서 디프 러닝의 영향력은 막강합니다. 언어 모형 구현과 의역 탐지, 문장 간 유사도 판단까지 얼마든지 훈련으로 가능합니다.

Step.3 산업 가속화, 춘추전국시대

디프 러닝은 그간 사회과학ㆍ공학 등의 산업 분야에서 주로 활용돼 왔습니다. 최근에는 금융ㆍ마케팅ㆍ스포츠 과학ㆍ의료ㆍ보안까지 응용 범위가 넓어지는 추세입니다.

특히 의료 산업 전반에 걸쳐 디프 러닝에 거는 기대감이 남다릅니다. 대용량 데이터를 기반으로 한 영상 분류와 질병 인식, 분할 등에서 이미 우수한 실적을 자랑하고 있으니까요. 진료 기록과 이미지를 종합적으로 분석해 환자 질병을 진단하는 사례는 익숙합니다. 수술 여부와 치료 결과, 예후까지 전부 높은 확률로 예측 가능합니다.

상당한 시간과 자본을 요하는 신약 개발 연구도 마찬가지입니다. 현재 선진국 중심의 제약ㆍ바이오 업계는 디프 러닝 모듈 구현에 주력합니다. 알고리즘이 세포와 핵, 바이러스, 인체 반응까지 데이터를 판단해 효과적인 솔루션을 제안하는 방식이죠. 신약 개발 과정을 크게 단축시켜 더 많은 생명을 구하는 획기적인 패러다임의 전환입니다.

각종 금융과 보안 영역에서도 전망은 밝습니다. 핀테크 P2P(Peer to peer lendingㆍ인터넷을 통한 개인 간의 직접적인 금융 거래) 대출이나 크라우드 펀딩이 그러합니다. 인터넷 전문은행 서비스에서 대출자에 대한 신용평가뿐 아니라 개인 서비스의 신뢰도 평가 등에 디프 러닝 기반의 회귀분석 기술을 적용할 수 있습니다.

온라인 커머스의 매출 예측도 어렵지 않습니다. 상품 정보와 방송 시간대, 날씨, 기존 구매이력 등 심플한 데이터 투입만으로 결과를 도출합니다. 기업 입장에서 검증된 데이터로 무장하고 경쟁에 나설 수 있습니다.

글로벌 정유회사 셸(Shell)의 장비 식별도 디프 러닝을 이용한 기술로 알려져 있습니다. 제조업의 경우 예측 데이터를 기반으로 작업자가 유지ㆍ보수를 수행하거나 공정 과정을 개선하는 데 역할이 큽니다. 실제 영상, 신호 음성뿐 아니라 행동 분석에 이르기까지 이로운 성공사례가 속속 보고되는 중입니다.

Step.4 미래 핵심 기술 주도권 싸움

비약적인 성장세에 힘입어 디프 러닝 시장 규모는 지속적으로 성장하고 있습니다. 글로벌 시장동향 보고서에 따르면 전체 시장 규모는 2019년 기준 약 13억 3천758만 달러입니다. 2024년에는 약 85억 3천771만 달러까지 급성장할 전망입니다.

한국 상황도 비슷합니다. 국내 디프 러닝 시장 규모는 2018년 기준 약 1억 4천870만 달러입니다. 연평균 43.4%씩 성장한다고 가정하면 2023년에는 9억 70만 달러를 기록할 것으로 예측됩니다.

물론 과제도 많습니다. 디프 러닝 알고리즘은 시뮬레이션 크기와 횟수를 늘릴수록 대량의 데이터를 흡수ㆍ처리하는 능력이 월등해집니다. 한국은 아직까지 복잡한 신경망이 도입된 컴퓨터 기술과 데이터 가공 영역에서 걸음마 수준입니다. 보안ㆍ헬스케어ㆍ제조업ㆍ법률ㆍ농업 등 다양한 산업에 디프 러닝 기술을 적용하며 데이터를 축적하는 국외에 비해 경쟁력도 다소 약합니다.

우리는 데이터의 시대를 매일 실감합니다. 대량으로 쏟아져 나오는 방대한 데이터와 분초를 다투는 기술의 결합은 멀게만 느껴졌던 미래를 현실화합니다. 인공신경망의 후예라 불리는 디프 러닝과 함께 각 시장의 리더들이 당면한 경쟁에서 가장 빠른 돌파구를 찾아나서는 이유입니다.

---

참고 · 동아사이언스 (www.dongascience.com)
          사이언스타임즈 (www.sciencetimes.co.kr)
          연구개발특구진흥재단 [글로벌 시장동향보고서 : 딥 러닝 시장]
          AI타임즈 : 세계 최대 석유회사 쉘 (Shell), 정유 공정에 AI 활용
          (www.aitimes.com/news/articleView.html?idxno=121617)
          [딥러닝(Deep Learning)을 활용한 이미지 빅데이터(Big Data) 분석 연구] 김윤진 ㆍ 2017
          [의료영상에서의 딥 러닝] 이한상ㆍ박민석ㆍ김준모 ㆍ 2014
          [인공지능과 핀테크 보안] 최대선 ㆍ 2016