공개SW 기술팁



임베디드월드


글: 이나리 기자 narilee@epnc.co.kr / 2016-04-11




인공지능(AI, Artificial Intelligence)이란 인간처럼 사고하고 감지하고 행동하도록 설계된 일련의 알고리즘 체계라고 할 수 있다. 아이폰의 ‘시리(Siri)’도 인공지능의 한 종류라고 할 수 있다.
사람의 개입 없이도 사람이 의도한 바를 이루어주는 에이전트(Agent)의 개념으로 인공지능을 정의할 수 있는 것이다.


방의 형태와 청소상태에 따라 행동을 달리하며 청소를 하는 로봇 청소기나 세탁물의 양과 종류에 따라 세탁방식을 최적화시키는 인공지능 세탁기 역시 인간을 대신해 인간이 의도한 목표를 이뤄주는 에이전트로서 인공지능의 일종으로 볼 수 있다.

1956년 수학자, 과학자 등 10여명이 모인 다트머스 회의에서 처음 개념이 탄생한 인공지능은 여러번의 진화와 쇠퇴를 통해 현재의 발전단계에 이르게 된다. 초기에는 인간의 문제해결 논리를 컴퓨터 언어로 구현해내려는 시도가 주를 이뤘다.



하지만 70년 중반 인공지능은 1차 침체기를 맞게 된다. 여러 이유가 있겠으나 침체의 배경에는 실생활에 적용하기에는 한계가 있는 알고리즘과 인공지능을 학습시킬 양질의 데이터, 전문 분야의 데이터가 아직 충분히 모이지 않은 이유가 크다.

1차 침체기 이후 인공지능은 제5세대 컴퓨터의 등장과 다양한 분야의 데이터 축적으로 제2의 발전기를 맞이한다. 이때에는 범용문제해결원리 구현 대신 특정분야의 전문지식을 학습시키는 ‘전문가 시스템’이 활발하게 연구됐다.


인공지능이 새로운 미래의 주역으로 발전할 것이라고 기대됐던 1990년대 전반, 인공지능은 새로운 벽에 부딪힌다. 통계적 접근에 따른 문제해결의 한계와 방대한 데이터를 처리하기에 아직은 부족한 하드웨어적 역량때문이었다.

1997년 인공지능은 인간과의 대결을 통해 새로운 돌파구를 마련했다. IBM의 딥블루가 체스에서 인간을 이긴 것이다. 이를 기점으로 1990년대 중반 이후 컴퓨팅 기술이 발달하고 빅데이터가 등장하면서 인공지능 연구는 선험적 지식을 활용하는 것이 아닌 기계 스스로 데이터를 통해 지식(패턴)을 찾아내는 방식으로 진화했다.


이러한 ‘머신러닝(Machine Learning)’ 연구는 2000년대 중반 이전의 머신러닝 연구에서는 등한시됐던 인공신경망 분야에 혁신이 일어나면서 전환점을 맞이하게 되는데 바로 ‘딥러닝(Deep Learning)’이라는 새로운 방식이다.

2006년 캐나다 제프리 힌트 교수가 발표한 딥러닝은 기계 스스로가 다계층의 신경망 구조를 통해 인간이 알려주지 않은 데이터의 특징값까지 스스로 추출해내는 놀라운 능력을 보여주는 기술로 10년 밖에 되지 않은 짧은 기간에 인공지능을 대표하는 핵심 기술로 자리잡았다.

2012년에는 구글의 인공지능이 1000만장의 화상데이터에서 스스로 고양이 이미지를 인식해 보여주는 역사적인 사건도 발생했다. 이세돌 9단과의 세기의 대결로 전세계의 주목을 끌고 있는 인공지능은 지금 ‘3번째 중흥기’를 맞이하고 있다.



인공지능 딥러닝 시스템


인공지능이 관심을 모으면서 핵심기술인 머신러닝과 딥러닝 또한 중요한 키워드로 떠올랐다. 머신러닝과 딥러닝은 어떤 관계일까?

결론부터 말하면 딥러닝은 머신러닝의 일종이라고 할 수 있다. 인공지능의 진화에서 가장 중요한 요소는 ‘학습(러닝)’이다. 여기서 말하는 학습은 ‘어떤 식으로든 특성을 추출해서 분류하는 시스템을 만드는 일련의 과정’으로 특성의 선택이 학습을 통해 패턴을 인식하고 오류 값을 줄여나가는 성능을 좌우한다. 

머신러닝은 경험(experience)을 통해 특정 작업(task)의 성능(performance)을 향상시키는 방법을 말한다. 이는 몇가지 특정한 사건들보다 다수의 사건에 대한 경험을 통해 그들의 추세를 학습, 이를 기반으로 판단을 내린다는 점에서 ‘패턴인식(Pattern Recognition)’이라고도 불리는데 전통적인 통계학을 기반으로 한 인공지능의 새로운 패러다임이라고 할 수 있다. 

머신러닝 이전의 고전 인공지능은 다양한 상황들에 대해 인간이 정해준 규칙에 의해 따라 판단하는 논리 기계와 유사했다고 볼 수 있었다. 하지만 현실에서는 워낙 다양한 요인들에 의해 발생하고 또 일반적인 규칙으로는 설명할 수 없는 예외상황들도 종종 발생하다 보니 실제 문제의 적용에 있어서 고전 인공지능은 무한한 케이스들에 대한 끝없는 수정과 보완을 필요로 했었다.

그럼에도 불구하고 우리는 무한한 케이스들 모두를 대응할 수 없기에 기존의 인공지능은 단순한 문제에만 적용 가능한 불완전한 인공지능일 수밖에 없었다.

머신러닝은 인간의 사전 지식(prior knowledge)에 의존하기보다는 데이터 그 자체에서 의미 있는 판단들을 뽑아내는데 중점을 둔다. 키와 몸무게의 상관관계 사례가 대표적이다.

일반적으로 ‘키가 180㎝인 사람의 몸무게는 얼마인가?’란 질문에 대해 우리는 키와 몸무게 데이터들을 가장 잘 표현하는 추세선(fitting curve)을 얻은 뒤 이 추세선을 기반으로 답을 찾을 수 있다.

물론 키가 180㎝인 사람이 모두 몸무게가 80㎏인 것은 아니겠지만 인공지능은 이 질문에 대해 가장 높은 확률을 가진 답이 80㎏이라고 이야기하는 것이며 이와 함께 다른 몸무게를 가질 가능성이 있는 확률분포(probabilistic distribution)를 제공하기도 한다.

이처럼 머신러닝은 기존 데이터의 패턴을 기반으로 새로운 질문에 답을 하는 알고리즘인데 그 성능은 데이터의 양과 질에 크게 의존하기에 무엇보다 예측에 필요한 양질의 데이터를 수집하는 것이 중요하다. 이것이 바로 구글과 같은 기업이 사용자 데이터 수집에 사활을 걸고 있는 이유이기도 하다.

보통 머신러닝은 주어진 훈련데이터를 가지고 데이터의 패턴을 파악한 후 이를 바탕으로 새로운 질문에 대해 예측하는 것을 목적으로 하는데 이는 크게 지도학습(supervised learning)과 비지도학습(unsupervised learning)으로 구분할 수 있다.

지도학습은 훈련데이터(초기 패턴을 학습할 수 있도록 이용가능하게 주어진 데이터)에 조건 X뿐만 아니라 이에 대한 정답(또는 라벨) Y까지 주어져 있는 경우의 머신러닝을 말한다.



머신러닝


예를 들어 사진 자료들이 ‘강아지·고양이·새’와 같이 사진마다 일일이 라벨링이 돼 있다면 이를 학습하고 다른 사진들에서 강아지, 고양이, 새들을 찾아내는 문제는 지도학습 문제로 볼 수 있다.

반면 여러 동물사진을 섞어놓고 이 사진에서 비슷한 동물끼리 자동으로 묶어보라고 이야기한다면 이는 비지도학습 문제라고 볼 수 있다. 인간은 이러한 지도학습과 비지도학습의 과정을 모두 이용한다고 알려져 있으며 아직까지의 인공지능은 지도학습 연구가 더욱 활발한 모습이다.


하지만 인간이 세상을 라벨링 없이도 이해할 수 있듯이 미래의 인공지능 역시 라벨링 없이 세상을 이해할 수 있는 비지도학습이 더욱 강조될 전망이다. 

딥러닝은 지도학습에 기반한 인공신경망(artificial neural network)의 진화된 기술이다. 인공신경망 기술은 인간의 뉴런과 시냅스 원리를 모방한 것인데 딥러닝에서 사용되는 인공신경망을 딥뉴럴네트워크(Deep Neural Network)라고 한다.

수많은 노드로 연결돼 있고 다층 구조로 이뤄져 있어 심층적인 학습이 가능하기 때문이다. 이미지 인식 분야에서 많이 쓰이고 있는 네트워크인 ‘CNN(Convolutional Neural Network)’을 통해 딥러닝의 개념을 조금 더 살펴 볼 수 있다. 



딥러닝


CNN은 원본 이미지 데이터 값에 가중치 부여를 다양화해 수많은 특성맵(feature map)으로 맵핑(Convolution)시킨다. 이러한 특성맵을 통해 원본이미지의 특징들을 파악한 후 풀링(Pooling) 또는 샘플링(sampling)이라고 불리는 과정을 통해 차원을 줄인다.

이러한 과정을 다계층을 통해 계속 반복해가면서 인공지능은 이미지의 정확한 특성값이나 메타변수를 갖게 된다. 이를 통해 특성이 비슷한 이미지를 보면 인공지능 스스로 분류해낼 수 있다. 인간이 그 분류에 대한 특징값과 변수를 정의해주지 않아도 된다.

딥러닝(Deep Learning)의 핵심이라 할 수 있는 인공신경망(Artificial Neural Network), 이른바 뉴럴네트워크는 사람의 뇌가 수많은 신경세포들에 의해 움직인다는 점에 착안해 만들어졌는데 많은 수의 노드들을 놓고 그들을 연결해 이들의 연결값들을 훈련시켜 데이터를 학습한다.

즉, 관측된 데이터는 많은 요인들이 서로 다른 가중치로 기여해 만들어졌다고 생각할 수 있는데 인공신경망에서는 요인들을 노드로 가중치들을 연결선으로 표시해 거대한 네트워크를 만든 것이다. 딥러닝은 간략히 말해 이러한 네트워크들을 층층이 쌓은 매우 깊은 네트워크를 일컫는다.


딥러닝이 가능하게 된 이유는 크게 3가지다. 하나는 웹에 의한 대량의 디지털 데이터를 쉽게 구할 수 있게 된 것, 두번째는 GPU처럼 고속 연산 처리를 가능하다며 범용적인 하드웨어가 등장한 것, 그리고 세번째는 소수의 연구자들이 꾸준히 연구 성과를 쌓아 온 것이다.

결코 우연히 만들어진 것이 아니라 기술(웹, 소프트웨어, 하드웨어)의 진보가 끊임없이 연구 노력과 결합한 결과다. 뉴럴 네트워크는 크게 3개의 층(입력층·은닉층·출력층)으로 나뉜다.

입력 데이터는 입력층을 지나 은닉층, 출력층을 통과하고 처리돼 출력 결과가 만들어진다. 이러한 일련의 입력에서 출력으로의 흐름에 의한 인식이 가능하다.

딥러닝은 특히 은닉층이 2층 이상인 네트워크를 위한 학습 방법이다. 이들 층에서 학습할 파라미터 수가 크게 늘어나면서 학습의 난이도도 오른다. 예를 들면 2014년 이미지넷(ImageNet)화상 대회에서 우승한 구글 네트워크는 20층 이상의 은닉층이 큰 네트워크다.


뉴럴 네트워크는 각각의 학습 용도에 따라서 종류가 다른 모델이 존재한다. 일반적으로 화상·자연 언어 처리 등에서는 CNN이 주류이고 음성 인식에는 RNN(Recurrent Neural Network)이 주로 쓰인다.

CNN, 합성곱 신경망(Convolutional Neural Network)은 최소한의 프리프로세스(preprocess)를 사용하도록 설계된 다계측 프셉트론(Multiplayer perceptron)의 한 종류다.

하나 또는 여러개의 컨볼루셔널(Convolutional) 계층과 그 위에 올려진 ANN 계층들로 이뤄져 있으며 가중치와 통합 계층(Pooling layer)들을 추가로 활용한다.

이러한 구조 덕분에 다른 딥 러닝 구조들과 비교해 영상, 음성 분야 모두에서 좋은 성능을 보여준다. RNN, 순환 신경망(Recurrent Neural Network)은 ANN을 구성하는 유닛(unit) 사이의 연결이 다이렉티드 사이클(directed cycle)을 구성하는 신경망이다.

임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있는 것이 특징이다. 이러한 특성에 의해 필기체 인식(Handwriting recognition)과 같은 분야에 활용되고 높은 인식률을 나타낸다.

3번째 중흥기를 맞이한 인공지능은 다양한 단말과 서비스를 통해 우리의 생활 속으로 파고 들 전망이다. 그로 인한 급속한 시장 성장 또한 예상된다.



글로벌 기업들의 인공지능 기술 쟁탈전


IDC의 경우 세계 인공지능 시장 규모를 2017년 1650억달러(195조8000억원) 규모로 전망했는가 하면 마켓앤마켓(Market&market)은 2020년에 광고, 미디어 서비스 분야에서의 활용으로 인공지능 시장은 약 50억달러(약 6.2조원)에 이를 것으로 추정했다.


일본의 EY종합연구소는 커머스, 광고, 금융, 유통, 자동차 등 모든 산업분야에 인공지능이 도입된다고 가정해 2020년에는 23조엔, 2030년에는 87조엔의 인공지능관련 시장이 창출 될 것이라고 전망했다.


국내의 경우 인공지능과 관련한 정확한 기준이나 데이터가 없어 시장 규모를 산출하기가 쉽지는 않다. 다만 로봇 산업 수치에 기초해 향후 다양한 산업군으로의 적용을 가정해 산출해보면 2030년경에는 약 27~30조원의 시장 규모가 될 것으로 전망된다.


최근의 인공지능을 둘러싼 동향을 살펴보면 과거의 중흥기와는 다르게 실제 서비스에 인공지능을 도입해 이용자에게 제공하고 있는 모습을 보이고 있다. 인공지능이 늘 지적 받아왔던 것도 현실의 문제를 해결하기에 한계가 있고 활용 폭도 게임 수준에만 머무르고 있다는 점이었다. 이러한 문제점을 극복하기 위해 인공지능은 점차 범용 프로그램으로 개발되어 여러 서비스에 접목하려고 하고 있다.


알파고의 경우 바둑에만 특화된 인공지능은 아니다. 알파고는 범용 인공지능 프로그램이기 때문에 다른 복잡한 문제에도 적용할 수 있다. 예를 들어 구글은 데이터센터 최적화에도 인공지능을 이용한다.


장비 사용시간, 에너지 사용량에 대한 빅데이터가 누적되면서 에너지 최적화를 위한 시뮬레이션시 시스템간 상호관계의 복잡성으로 일반 모델 적용시에 많은 오류가 발생하는데 에너지 최적화 모델 구축을 위해 ‘뉴럴 네트월크(Neural Network)’를 활용한 것이다.


모델에 반영되는 복잡한 변수 관계를 미리 정의할 필요 없이 인공지능이 모델에서 자동 생성되는 특징들간의 패턴을 파악하는데 PUE 예측에 99.6%의 정확성을 보여 센터 운용 효율화에 큰 도움을 준다.


페이스북은 얼굴 인식 기술을 활용해 만든 사진 공유 앱 ‘모먼트(Moments)’에 인공지능을 도입했다. 모먼트는 찍은 사진을 페이스북에 올리지 않고도 개인적으로 친구들과 공유하게 하는데 사진에 포함된 사람들의 얼굴을 인식해 그룹으로 분류해주고 개별적으로 사진을 보낼 수 있게 해준다.


페이스북은 얼굴 인식 기술에 많은 투자를 해왔는데 페이스북이 개발한 ‘딥페이스 AI’ 시스템의 얼굴 인식 정확도는 97.25%에 달한다.


이 밖에도 인공지능은 모바일, IoT기기, 스마트카 등 다양한 영역에 도입 확대되고 있다. 발전과 쇠퇴를 거듭하면서 진화해 온 인공지능이 이제는 서비스로 구체화되면서 진정한 개화기를 맞이하고 있는 것이다.


인공지능은 특히 금융 산업에서 도입이 활발하다. 이미 많은 증권사 및 펀드사들이 트레이딩에 있어 컴퓨터 알고리즘을 사용하고 있다.


프리퀸(Preqin) 자료에 따르면 컴퓨터 알고리즘을 트레이딩의 메인 수단으로 사용한 헤지펀드가 40% 가량으로 지금까지 집계 중 가장 높은 수치다. 지금까지의 컴퓨터 기반 알고리즘들이 인간이 수학적 모델을 만들고 시장상황에 따라 그것을 지속 업데이트해야 했다면 딥러닝의 출현 이후로는 기계 스스로 데이터를 학습하고 시장상황에 맞게 모델을 변화시켜 나가는 방식으로 진화하고 있다.


이러한 인공지능 분야의 발전이 투자 알고리즘에 줄 수 있는 장점은 많은 글로벌 투자사들로 하여금 인공지능에 관심을 갖게했다.


세계 최대 규모의 헤지펀드사인 ‘글로벌 브릿지 워터(Global Bridge Water)’는 205년도에 IBM에서 ‘왓슨(Watson)’개발을 담당했던 데이비드 페루치(David Ferrucci)를 영입해 AI팀을 신설했고 홍콩 기반의 아이디아(Aidyia)가 최근에는 인공지능 기능만으로 펀드를 운용하는 펀드를 미국 시장에서 출시하기도 했다.


의료 산업에서의 활용도 있다. 다양한 종류의 웨어러블 센서를 통해 맥박, 혈당량, 체온, 스트레스 정도 등 건강정보를 수집하고 지금은 초보적인 단계지만 데이터들을 인공지능이 정확히 분석한다면 진정한 의미의 스마트헬스 서비스가 가능해진다.


IBM의 인공지능 왓슨을 활용해 일본 소프트뱅크와 합작, 만든 건강관리 앱도 있다. 센서를 통해 개인 건강 기록 및 유전자 데이터 등을 분석해 건강관리 정보를 제공해준다. 인공지능을 통해 컴퓨터가 MRI같은 복잡한 형상에서도 패턴을 정확히 인식하는 능력이 향상되면서 수많은 영상 데이터들의 분석도 가능해졌다.


또한 영상 데이터 외에도 환자의 치료 데이터 및 유전정보 데이터도 인공지능이 분석해 환자개인별로 최적화된 치료 방법을 제안할 수 있다. 실제로 IBM의 왓슨은 의료기관과 협력해 치료법 추천과 보험료 지급심사의 용도로 활용되고 있다.


이처럼 구글·IBM·마이크로소프트 등 글로벌 기업들은 인공지능을 자사 서비스에 도입하고 미래 성장동력으로 삼기 위해 해당 기술을 가진 스타트업을 인수하고 조직을 신설하는 등 관련 사업을 강화하고 있다.


마이크로소프트는 영국의 AI 스타트업 스위프트키를 2억5000만달러(약 3040억원)에 인수했다. 스위프트키는 AI 스마트폰 키보드 앱을 제작하는 스타트업으로 사용자의 키보드 패턴을 분석해 단어를 제시함으로써 빠른 속도의 타이핑을 돕는 서비스를 제공한다.


구글은 인공지능 스타트업 딥마인드를 2014년 5억8200만달러(약 6970억원)에 인수했다. 아마존은 에비 테크놀로지(Evi Technologies)를 지난 2012년에 인수했다. 에비테크놀로지는 아이폰의 시리(Siri)처럼 사용자와 언어소통이 가능한 인공지능 기술을 개발하는 스타트업이다. 애플도 감정 인식 인공지능 기술을 개발하는 영국 소재 스타트업 이모션트(Emotient)를 인수한 바 있다.


페이스북은 저명한 인공지능 연구자들을 잇따라 영입했는데 얀 레쿤(Yann LeCunn) 미 뉴욕대학 교수를 인공지능팀 책임자로 발탁하고 구글 출신 전문가도 채용했다. 또한 이미지 인식 소프트웨어를 개발하는 실리콘밸리 신생기업 비카리우스(Vicarious)에도 주크버그 개인적으로 투자도 했다.


이 비카리우스는 인간의 두뇌에서 언어와 수학 같은 인식 기능을 주관하는 신피질(neocortex)을 재현하는 연구를 하는 업체로 최근 많은 기업들로부터 투자를 받고 있다. 국내 기업 중에는 삼성전자가 비카리우스에 약 2000만달러를 투자한 바 있다.


삼성은 이 회사의 알고리즘을 각종 스마트기기에 적용하는 방안을 고민중이라고 한다. 이 업체가 개발하는 알고리즘은 로봇이나 스마트기기가 인간처럼 직관적인 지각을 갖게 하는 것이 목표인데 제프 베조스 아마존 CEO는 물론 스위스 로봇 제조기업 ABB 등도 이 회사에 투자했다.


전기차 제조회사 테슬라의 엘런 머스크는 ‘오픈 AI’라는 재단을 설립하고 10억달러를 투자해 인공지능 연구를 지원하겠다고 밝혔고 중국 최대 포털 사이트 바이두(百度)는 미국에 연구소를 설립하고 인공지능 전문가인 앤드루 응 스탠퍼드대 교수를 영입했다. 바이두는 이 연구소에 약 3억달러를 투자했다.


일본의 인공지능 연구개발 업체들도 많은 주목을 받고 있다. 화상인식과 딥러닝을 결합한 기술로 각광을 받고 있는 ABEJA는 미쯔코시 백화점과 공동으로 점포분석 연구에 인공지능을 적용하고 있다.


동경대, 교토대 대학원 연구원들이 설립한 인공지능 벤처기업 ‘프레퍼드 인프라스트럭처(Preferred Infrastructure)’는 NTT, 파나소닉, 토요타 등 일본 굴지의 대기업들로부터 공동연구와 투자를 받을 정도로 인기가 높다. 구글 레벨의 검색 역량과 빅데이터에 기반한 자동추천 엔진이 PFI의 핵심역량으로 실생활 서비스에 인공지능을 접목시키려는 기업들로부터 투자가 쇄도하고 있다.


인공지능으로 인해 미래 우리 사회는 편리하게 될 것으로 예상되는 한편 인간 대체라는 우려도 존재한다. 미래학자 레이 커즈와일은 2045년에 인공지능이 인간지능을 뛰어넘는 특이점(싱귤래리티(Singularity))에 도달, 그 이후로는 통제 불가능한 상황이 전개될 것이라고 예측했고 모셰 바르디 미국 라이스대 컴퓨터과학과 교수는 2045년이면 인간이 할 수 있는 일의 매우 중요한 부분을 기계가 직접 수행할 것이라고 전망하며 기계가 인간이 할 수 있는 일을 대신하게 되면 인간은 무엇을 할 것인가가 중요한 질문으로 떠오르게 될 것이라고 했다.


올해 초 세계경제포럼(WEF)에서는 로봇과 인공지능 등 과학기술이 발전하면 200만개 일자리가 생겨나는 대신 700만개 일자리가 사라져 결국 500만개 일자리가 사라질 전망이라고 발표됐는데 특히 컴퓨터가 일을 대신하는 사무·행정직 475만9000명이 일자리를 잃는 것으로 나타나 전체 사라지는 일자리의 3분의2를 차지했다. 대신 재무·마케팅, 경영, 컴퓨터·수학 등에서 40만여개씩 일자리가 생길 것으로 보고서는 예측했다.


이러한 전망들은 먼 미래의 일이 아니다. 소프트뱅크는 세계 최초로 로봇 페퍼로만 운영되는 소프트뱅크숍을 2016년 3월말부터 1주일간 한시적으로 운영한다. 로봇 페퍼가 하는 일은 스마트폰 상품 설명과 소프트뱅크 스마트폰 신규 가입 업무(기변, MNP는 제외)를 지원하는 일이 될 예정인데 하나의 페퍼가 모든 업무를 다 처리하는 것이 아니라 상품 설명 담당, 신규 가입 담당 등으로 업무를 나눠 페퍼를 배치시킨다고 한다.


이벤트적인 시도이기는 하지만 성공적으로 마친다면 이를 계기로 여러 분야에서 로봇 전문 매장이 등장할 수도 있다.


소프트뱅크의 자회사인 코코로(Cocoro)SB는 ‘시급 1500엔 페퍼 인재파견 서비스’를 발표했는데 일본에서는 인공지능 로봇이 인간의 일자리를 뺏을 수도 있다는 우려와 함께 미래 사회 구성원으로서 인공지능 로봇을 어떻게 받아들일 것인가에 대해 사람들로 하여금 진지한 고민을 하게 만들었다.


실제로 자신의 일자리를 뺐었다는 이유로 홍보용 페퍼를 구타해 파손시키는 사건까지 발생해 인공지능을 이제는 하나의 ‘인격체’로 대해야 하지 않겠냐라는 의견도 나오고 있다.
인공지능은 앞으로 수많은 분야에서 다양하고 새로운 시장들을 창출해 나갈 것이다. 국내에서도 빅데이터, IoT, 5G와 연계해 인공지능을 접목시키려는 시도가 활발히 진행되고 있다. 글로벌 기업들의 빠른 행보에 발맞춰 국내 기업들 역시 인공지능 시대에 대비해 역량을 강화하고 기술을 개발중이다.


인공지능이 인간을 대신할 수는 없다. 아무리 뛰어난 인공지능 로봇이라고 해도 인간의 감정까지는 소유할 수 없다. 인공지능에 어떤 제한된 행동을 프로그래밍화하여 감정을 갖고 있는 것과 같은 유사한 행동을 하도록 제어할 뿐이지 로봇이 인간의 감정을 완전히 이해하는 것은 불가능하다.


하지만 빅데이터를 기반으로 로봇을 학습시켜 인간처럼 행동하고 사고하며 인간과의 상호작용을 통해 계속적으로 인공지능 시스템이 진화한다면 머지않은 시기에 인공지능은 인간의 삶 깊숙이 들어올 것이다.




※ 본 내용은 (주)테크월드(http://www.ibeddedworld.co.kr)의 저작권 동의에 의해 공유되고 있습니다.
    Copyright ⓒ Techworld, Inc. 무단전재 및 재배포 금지


[원문출처 : http://www.epnc.co.kr/news/articleView.html?idxno=57953]

조회 수 :
13283
등록일 :
2016.07.20
03:13:00 (*.162.249.76)
List of Articles
번호 제목
자료년도
날짜 조회 수
503 [IT열쇳말] 쇼단 2017  2017-07-13 71
502 [임베디드] 사물인터넷 향한 디지털 해바라기, 임베디드 운영체제 ③ 2017  2017-06-26 408
501 [임베디드] 사물인터넷 향한 디지털 해바라기, 임베디드 운영체제 ② 2017  2017-06-26 194
500 [임베디드] 사물인터넷 향한 디지털 해바라기, 임베디드 운영체제 ① 2017  2017-06-26 258
499 [인공신경망] (2) 인공신경망 번역 기술 확보 경쟁은 지금부터! 2017  2017-05-29 450
498 '꽤 쓸만한' 무료 오픈소스 프로젝트 관리 툴 6가지 2017  2017-05-29 878
497 핵심 오픈소스 SW 재단 8곳, 그리고 그들이 중요한 이유 2015  2017-05-25 487
496 컨테이너 클러스터를 마스터하기 위한 4가지 유용한 쿠베르네티스 툴 2017  2017-05-23 434
495 [인공신경망] (1) 어색한 번역은 그만! AI 탑재한 신경망 번역 시대 열리다 2017  2017-04-28 685
494 [e돋보기] 인공지능 플랫폼 2017  2017-03-07 2133


사이트하단 로고, 하단메뉴, 트위터 바로가기

퀵메뉴모음
퀵메뉴열기
퀵메뉴닫기