인공지능이란?
인공지능(AI)에 대한 초기 정의는 창시자 중 한 명인 마틴 민스키(Martin Minsky)의 정의로, '기계가 사람처럼 지능이 필요한 일을 하도록 만드는 과학'이라고 서술했습니다. 오늘날에도 핵심은 그대로 유지되지만 현대의 컴퓨터 과학자들은 좀 더 나아가 AI를 '환경을 인지하고 목표를 성공적으로 달성할 가능성을 극대화하도록 조치를 취할 수 있는 시스템'으로 정의합니다. 또한 시스템이 데이터 해석 및 분석을 통해 학습하고 적응하는 능력이 있다고 정의합니다.
AI의 역사
그리스 신화 피그말리온부터 빅토리아 시대 이야기인 프랑켄슈타인에 이르기까지 인간은 오랫동안 사람처럼 생각하고 행동할 수 있는 인조인간을 만든다는 생각에 매료되어 있었습니다. 컴퓨터의 등장과 함께 인공지능의 미래는 모든 것이 포함된 독립체 형태가 아니라, 인간의 필요에 맞게 보강하고 개조할 수 있는 일련의 툴과 연결된 기술의 형태로 등장할 것임을 깨달았습니다.
인공지능이라는 용어는 1956년 뉴햄프셔주 하노버 소재 다트머스대학교(Dartmouth University)에서 열린 과학 컨퍼런스에서 만들어졌습니다. 이후 AI와 데이터 관리는 매우 상호 의존적인 방식으로 발전했습니다. AI가 유의미하고 강력한 분석을 수행하기 위해서는 대량의 빅데이터가 필요합니다. 대규모 데이터를 디지털 방식으로 처리하려면 시스템에 AI가 필요합니다. 이와 같이 AI의 역사는 컴퓨팅 능력과 데이터베이스 기술의 성장과 함께 발전해왔습니다.
한때 기가바이트 수준의 데이터만 처리할 수 있었던 비즈니스 시스템이 이제는 테라바이트 수준의 데이터를 관리하고 AI를 사용해 결과와 인사이트를 실시간으로 처리할 수 있습니다. 또한 인조인간이 비틀거리며 마을을 배회하는 것과 달리, AI 기술은 민첩하고 대응력이 뛰어납니다. 이러한 기술은 인간을 대체하는 대신 인간 파트너의 능력을 개선하고 증강하도록 고안됩니다.
AI의 유형
AI는 가장 빠르게 성장하는 기술 분야 중 하나입니다. 하지만 아직은 가장 복잡한 수준의 AI 모델도 세 가지 유형의 AI 중 가장 기본적인 '협의의 인공지능(Artificial Narrow Intelligence)'만을 사용하고 있습니다. 나머지 두 가지는 여전히 과학소설 속에만 있고 아직 실용적으로 사용되고 있지 않습니다. 그렇지만 지난 50년 동안 컴퓨터 과학이 발전한 속도를 보면 AI가 미래에 어떻게 발전할지 예측하기 어렵습니다.
AI의 세 가지 주요 유형
협의의 인공지능(ANI)
ANI는 오늘날 존재하는 AI의 일종으로, '약한' AI라고도 합니다. 협의의 AI로 수행할 수 있는 작업은 매우 복잡한 알고리즘과 신경망에 의해 구동될 수도 있지만, 그럼에도 불구하고 단수적이고 목표 지향적입니다. 얼굴 인식, 인터넷 검색, 자율주행차는 모두 협의의 AI의 예입니다. 이러한 AI는 범위가 좁고 기능이 부족하기 때문이 아니라 우리가 진정한 지능으로 인정하는 인적 요소를 아직 갖추지 않았기 때문에 약한 AI로 분류됩니다. 철학자 존 설(John Searle)은 협의의 AI를 '사고에 대한 가설을 테스트하는 데는 유용하지만 실제 사고는 아니다'라고 정의했습니다.
범용 인공지능(AGI)
AGI는 인간이 할 수 있는 지능적인 작업을 성공적으로 수행할 수 있어야 합니다. AGI 시스템은 협의의 AI 시스템과 마찬가지로 경험으로부터 학습하고 패턴을 발견하고 예측할 수 있지만 여기에서 한 걸음 더 나아갈 수 있는 능력이 있습니다. AGI는 이전에 획득한 데이터나 기존 알고리즘에서 다루지 않은 다양한 작업이나 상황에 대한 지식을 추정할 수 있습니다.
서밋 슈퍼컴퓨터(Summit Supercomputer)는 전 세계에서 AGI를 보여주는 몇 안 되는 슈퍼컴퓨터 중 하나입니다. 이 시스템은 천조 단위의 계산을 1초에 200개 수행할 수 있는데, 이를 인간이 수행하려면 수십억 년 정도가 걸립니다. AGI 모델을 실질적으로 실현하는 데에는 반드시 많은 기능이 필요한 것은 아니지만 현재 슈퍼컴퓨터 수준에만 존재하는 계산 능력이 요구될 것입니다.
초인공지능(ASI)
ASI 시스템은 이론적으로 완전히 자기를 인식합니다. 인간의 행동을 단순히 흉내 내거나 이해하는 정도를 벗어나 근본적으로 파악합니다.
ASI는 인간의 특성을 활용하고 나아가 인간을 훨씬 뛰어넘는 처리 능력과 분석 능력으로 강화된 것으로, 인간이 갈수록 쓸모없는 존재가 되는 공상 과학 소설 속 반이상향의 미래를 제시하는 것처럼 보일 수 있습니다.
현재 살고 있는 사람들이 그러한 세상을 경험하게 될 가능성은 낮지만, AI가 매우 빠른 속도로 발전함에 따라 인공지능이 측정 가능한 거의 모든 방식으로 인간을 능가할 수 있음을 예측하고 윤리적 가이드라인과 책임을 고려해야 합니다. 스티븐 호킹(Stephen Hawking) 박사는 'AI의 잠재력이 뛰어나기 때문에 잠재적 위험 요소를 방지하면서 이익을 얻는 방법을 연구해야 한다'는 의견을 제시했습니다.
AI의 이점
불과 몇 십 년 전에는 AI를 비즈니스 운영에 사용하는 것이 '얼리어답터' 단계에 머물렀고 그 잠재력은 여전히 다소 이론적이었습니다. 이후 AI 기술과 애플리케이션은 발전을 거듭하며 비즈니스에 가치를 더하고 있습니다. IDC는 2024년까지 AI 기술 관련 지출이 2020년의 2배 이상 증가할 것으로 예측했습니다. 그리고 AI 기술이 향상됨에 따라 AI 기술의 잠재력에 대한 인간의 이해와 AI 기술을 적용하는 창의성도 향상됩니다. 현재 기업은 아래의 다섯 가지 요소를 비롯해 AI 기반 시스템이 제공하는 중요한 이점을 점점 더 많이 누리고 있습니다.
- 비즈니스 전반의 회복력: 컴퓨터가 존재하기 오래전부터 기업들은 비즈니스와 시장, 고객에 대한 데이터를 수집하고 이해하는 활동의 가치를 알고 있었습니다. 데이터 세트가 점점 더 커지고 복잡해짐에 따라 데이터를 적절한 시기에 정확하게 분석하는 기능이 점점 더 까다로워졌습니다. AI 기반 솔루션은 빅데이터를 관리할 뿐 아니라 빅데이터에서 실행 가능한 인사이트를 확보하는 능력을 제공합니다. AI를 사용하면 복잡한 프로세스를 자동화하고 리소스를 더 효율적으로 사용할 수 있으며 중단(및 기회)에 대한 예측과 조정을 개선할 수 있습니다.
- 고객 서비스 개선: 기업은 AI를 통해 서비스 제공을 개인화하고 실시간으로 고객과 소통할 수 있습니다. 소비자는 '영업 리드'에서 '전환'까지 현대적인 판매 경로를 거치면서 복잡하고 다양한 데이터 세트를 생성합니다. AI는 비즈니스 시스템에 이 데이터를 활용하고 고객에게 더 나은 서비스를 제공하고 고객과 소통할 수 있는 기능을 제공합니다.
- 신뢰할 수 있는 의사결정: 우수한 비즈니스 리더는 항상 신속하고 정보에 입각한 의사결정을 수행하기 위해 노력합니다. 의사결정의 중요도가 높을수록 다양하고 복잡한 구성요소와 상호 의존성을 가질 가능성이 높습니다. AI를 사용하면 신뢰할 수 있는 실시간 의사결정을 지원하는 고급 데이터 분석 및 실행 가능한 인사이트를 통해 인간의 지혜와 경험을 강화할 수 있습니다.
- 관련 제품 및 서비스: 기존의 연구개발(R&D) 모델들은 대부분 시대에 뒤떨어졌습니다. 제품이나 서비스가 출시된 후에도 성능 및 고객 피드백 데이터에 대한 분석이 제대로 이루어지지 않는 경우가 종종 있었습니다. 시장에서 잠재적인 격차와 기회를 신속하게 발견할 수 있는 시스템이 없었습니다. AI 기반 시스템에서는 기업이 다양한 데이터 세트를 실시간으로 동시에 살펴볼 수 있습니다. 이를 통해 가장 관련성 높은 최신 시장 및 고객 데이터를 기반으로 기존 제품을 수정하고 신제품을 도입할 수 있습니다.
- 인력 몰입: 최근의 갤럽 여론조사에 따르면 직원의 몰입도가 높은 기업의 수익성이 평균 최대 21% 더 높았습니다. 업무현장의 AI 기술은 단순 작업에 대한 부담을 덜어주어 직원들이 더 성취감 있는 업무에 집중할 수 있게 해줍니다. 또한 HR 기술에 AI를 적용하면 직원들이 언제 불안 또는 피곤하거나 지루함을 느끼는지 알아채는 데 도움이 될 수 있습니다. AI는 웰빙 권장사항을 개인화하고 업무 우선순위를 정하도록 도움으로써 직원들이 일과 생활의 건강한 균형을 회복하도록 지원할 수 있습니다.
AI 기술
유용하려면 적용 가능한 AI라야 합니다. 진정한 가치는 실행 가능한 인사이트를 제공하는 경우에만 실현될 수 있습니다. AI를 인간의 두뇌로 생각하면 AI 기술은 손과 눈, 신체의 움직임 등 뇌의 아이디어를 실행할 수 있는 모든 것에 해당합니다. 다음은 가장 널리 사용되고 빠르게 발전하는 몇 가지 AI 기술입니다.
인공지능 기술
머신러닝
머신러닝과 머신러닝의 모든 구성요소는 AI의 하위 집합입니다. 머신러닝에서는 다양한 유형의 학습 방법과 분석 기법에 알고리즘이 적용되어 명시적인 프로그래밍 없이도 시스템이 경험을 통해 자동으로 학습하고 개선할 수 있습니다. 기업의 경우 복잡한 데이터 분석에서 얻은 예측 결과가 필요한 모든 문제나 목표에 머신러닝을 적용할 수 있습니다.
AI와 머신러닝은 어떻게 다른가요? 머신러닝은 AI의 구성요소로, AI 없이는 존재할 수 없습니다. 따라서 이 둘은 크게 다르지 않지만 어떻게 다른지 살펴보겠습니다. AI는 의사결정과 예측을 수행하기 위해 데이터를 처리합니다. AI는 머신러닝 알고리즘으로 데이터를 처리할 뿐 아니라 추가 프로그래밍 없이도 데이터를 학습하면서 지능화합니다.
자연어처리(NLP)
기계는 NLP를 통해 문자 언어나 음성 명령, 또는 둘 다를 인식하고 이해할 수 있습니다. 여기에는 인간 언어를 알고리즘이 이해할 수 있는 형태로 번역하는 능력이 포함됩니다. 자연어생성(NLG)은 기계에서 디지털 언어를 자연스러운 인간의 언어로 변환하는 데 사용하는 NLP의 하위 집합입니다. 더 정교한 적용 분야에서는 NLP에 컨텍스트를 사용하여 태도, 분위기 및 기타 주관적인 특성을 추론하여 의미를 가장 정확하게 해석할 수 있습니다. 실제 NLP 적용 분야로는 시리(Siri), 알렉사(Alexa) 같은 챗봇과 디지털 음성 도우미가 있습니다.
컴퓨터 비전
컴퓨터 비전은 단순한 인식이나 범주화와 달리 컴퓨터가 디지털 이미지와 동영상을 이해하고 '보는' 방법에 해당합니다. 컴퓨터 비전 애플리케이션에서는 센서와 학습 알고리즘을 사용해 복잡한 상황별 정보를 추출한 후 이를 활용해 다른 프로세스를 자동화하거나 알립니다. 또한 컴퓨터 비전은 예측을 위해 데이터를 추정할 수 있으며 기본적으로 놀라운 수준의 통찰력을 제공합니다. 자율주행차는 컴퓨터 비전이 사용되고 있는 좋은 예입니다.
로봇 공학
로봇 공학은 전혀 새로운 것이 아니며, 특히 제조 부문에서는 수년간 사용되었습니다. 하지만 AI를 적용하지 않으면 수작업 프로그래밍과 보정을 통해 자동화를 수행해야 합니다. 이러한 워크플로에 약점이나 비효율이 존재한다면 사후에 또는 무언가 오류가 발생한 후에야 확인할 수 있습니다. 인간 운영자는 문제가 발생한 원인이 무엇이고, 효율성과 생산성을 높이기 위해 어떻게 조정해야 하는지 알지 못하는 경우가 많습니다. AI를 결합하면(일반적으로 IoT 센서를 통해) 수행되는 로봇 작업의 범위와 용량, 유형을 크게 확장할 수 있는 기능이 구현됩니다. 산업 분야에서 사용되는 로봇의 예로는 대형 창고에서 사용되는 주문 피킹 로봇과 최적의 시기에 농작물을 수확하거나 제공하도록 프로그래밍할 수 있는 농업용 로봇이 있습니다.
엔터프라이즈 AI 적용 사례
AI 솔루션으로 운영 상의 이점과 경쟁 우위를 실현하고 있는 기업이 매년 늘고 있습니다. 의료 및 금융 같은 일부 부문에서는 특히 대규모의 취약한 데이터 세트를 보유하고 있습니다. 해당 부문의 경우 AI는 초기 단계부터 명백하게 유용했습니다. 그러나 오늘날에는 최신 AI의 범위와 접근성으로 인해 거의 모든 비즈니스 모델에 대해 관련 애플리케이션을 보유하고 있습니다. 다음 예는 이러한 산업 중 일부에 불과합니다.
- 의료 부문의 AI 의료 데이터 세트는 전 세계에서 가장 방대하고 복잡하면서도 가장 민감한 데이터 세트에 해당합니다. 의료 부문의 AI에서 가장 중점을 두는 부분은 해당 데이터를 활용해 진단과 치료 프로토콜, 환자 성과 사이의 연관성을 찾는 것입니다. 또한 병원은 기타 운영 영역과 이니셔티브를 지원하기 위해 AI 솔루션으로 전환하고 있습니다. 몇 가지 예를 들면 인력 만족도 및 최적화, 환자 만족도, 비용 절감이 포함됩니다. 의료 분야에서 지능형 기술과 디지털화 채택으로 얻을 수 있는 이점을 검토해 보세요.
- 금융 부문의 AI
은행 및 금융 기관은 보안, 규정 준수, 거래 속도에 대한 수요가 높았으며, 이에 따라 AI 기술을 가장 빠르게 도입한 분야 중 하나입니다. AI 봇, 디지털 결제 어드바이저, 생체 인식 부정행위 감지 메커니즘 같은 기능은 모두 효율성과 고객 서비스를 개선하고 리스크와 사기를 줄이는 데 도움이 됩니다. 은행이 디지털화와 지능형 기술을 통해 엔드투엔드 서비스를 구현하는 방법을 알아보세요. - 제조 부문의 AI
중앙 시스템을 통해 데이터를 주고받기 위해 기기 및 기계를 연결하면 IoT 네트워크를 구성합니다. AI는 해당 정보를 처리할 뿐 아니라 기회와 중단을 예측하고 그에 따라 최상의 작업과 워크플로를 자동화합니다. 스마트 팩토리에서는 이러한 작업이 3D 프린터 및 가상 재고에 대한 온디맨드 제조 프로토콜로 확장됩니다. 아디다스가 머신러닝을 사용해 단 24시간 내에 맞춤형 스니커즈를 제공하는 방법을 알아보세요. - 소매유통 부문의 AI
팬데믹은 쇼핑 습관에 막대한 영향을 미쳤으며 작년에도 같은 기간 동안 온라인 쇼핑이 크게 증가했습니다. 이로 인해 소매업체들의 경쟁이 매우 치열해지고 환경이 빠르게 변화하고 있습니다. 온라인 쇼핑객은 다양한 접점에서 소통하며 그 어느 때보다 많은 양의 복잡한 비정형 데이터 세트를 생성하고 있습니다. 소매업체는 이러한 데이터를 가장 잘 이해하고 활용하기 위해 이질적인 데이터 세트를 처리하고 분석하해 유용한 인사이트와 고객과의 실시간 상호작용을 제공할 수 있는 AI 솔루션을 모색하고 있습니다. 지능형 기술과 디지털화를 통해 새로운 소매유통 환경의 당면 과제와 기회를 다루는 방법을 알아보세요. - 농업 부문의 AI
농업 부분에서는 AI 애플리케이션이 수확량을 높이고 지속가능성에 대한 혁신적인 연구를 주도하고 있습니다. 또한 AI의 예측 능력으로 농업 및 식품 공급망의 효율성도 개선되었습니다. 예를 들면 예측 분석을 통해 숙성 시기, 날씨, 시장까지의 거리 등에 대한 데이터를 평가해 농부에게 다양한 유형의 농작물을 수확하기에 가장 효율적인 시기를 알립니다. 이를 위해서는 시기에 따라 언제 얼마나 많은 양의 농작물을 수확하고 처리해야 하는지와 관련하여 농업용 로봇의 워크플로를 자동화해야 합니다.
AI 윤리 및 당면 과제
1948년, 컴퓨터 과학의 선구자인 앨런 튜링(Alan Turing)은 '인간이 컴퓨터를 인간이라고 믿도록 속일 수 있다면 그 컴퓨터를 지능적이라고 할 수 있다'고 말했습니다. 비록 튜링이 최신 AI 기반 컴퓨터의 처리 속도와 분석력을 믿기는 어렵겠지만 그러한 수준의 능력으로 인해 대두되는 윤리적인 문제는 이해했을 것입니다. AI가 인간을 더 잘 이해하고 흉내 내게 되면서 점점 더 인간처럼 보이고 있습니다. 또한 디지털 채널을 통해 점점 더 많은 개인 데이터를 생성함에 따라 우리는 우리의 일상 활동을 뒷받침하는 AI 애플리케이션을 갈수록 더욱 신뢰할 수 있어야 합니다. 다음은 기업의 경영진이 인식하고 모니터링해야 하는 윤리적 당면 과제의 몇 가지 예입니다.
- 고객 데이터의 윤리적 사용
2020년대에 기업이나 개인은 디지털 방식으로 연결된 채널을 통해 방대한 양의 정보를 공유하고 수집합니다. 2020년 초, 전 세계 스마트폰은 35억 대를 넘어섰으며 소셜 미디어와 검색 행동을 통해 GPS 위치부터 사용자의 개인 정보 및 선호도에 이르기까지 방대한 양의 데이터가 모두 공유되고 있습니다. 기업이 고객의 개인 정보에 더 폭넓게 접근할 수 있게 됨에 따라 벤치마크를 정하고 끊임없이 프로토콜을 개발하여 개인 정보를 보호하고 리스크를 최소화하는 것이 매우 중요합니다. - AI 편향
편향은 해당 알고리즘 프로그래밍 내의 인적 편향이나 머신러닝 과정에서 잘못된 가정을 통해 전파될 수 있는 체계적인 편향을 통해 AI 시스템에 발생할 수 있습니다. 첫 번째 경우에는 이러한 편향이 어떻게 발생할 수 있는지 더 명확하게 알 수 있습니다. 그러나 두 번째 경우는 발견하고 피하기가 더 힘들 수 있습니다. 유명한 AI 편향 사례는 의료 표준을 할당하기 위해 AI 애플리케이션이 사용되고 있던 미국 의료 시스템 내에서 발생했습니다. 해당 알고리즘은 특정 인구집단이 치료 비용을 덜 지불할 수 있다는 점을 학습했습니다. 그런 다음 이 정보를 기반으로 해당 집단이 치료를 받을 자격이 적은 것으로 잘못 연관 지었습니다. UC 버클리대학의 컴퓨터 과학자들은 이처럼 당혹스러운 실수를 발견한 후 개발자들과 협력하여 알고리즘 변수를 수정함으로써 편향을 84% 줄였습니다. - AI 투명성과 설명 가능한 AI
AI 투명성은 알고리즘이 특정 결론이나 결정에 도달하는 방법과 이유를 파악할 수 있는 능력입니다. 결과에 정보를 제공하는 AI 알고리즘과 머신러닝 알고리즘 그리고 결과 자체는 흔히 인간이 이해하기 힘들 정도로 매우 복잡합니다. 이와 같은 알고리즘을 '블랙박스' 모델이라고 합니다. 기업의 경우 데이터 모델이 공정하고 편향되지 않으며 설명할 수 있고 외부적으로 면밀히 조사할 수 있어야 합니다. 특히 항공 또는 의료와 같은 분야에서는 인간의 생명이 달려 있습니다. 따라서 해당 데이터를 사용하는 사람이 데이터 거버넌스 이니셔티브를 매우 심각하게 받아들여야 합니다. - 딥 페이크(Deepfake)와 가짜 뉴스
딥 페이크는 ‘딥러닝’과 ‘가짜’의 합성어입니다. 이 기술은 AI와 머신러닝을 사용해 (일반적으로) 동영상에서 한 사람의 얼굴을 다른 사람의 몸에 합성하며, 그 정확도는 원본과 구분할 수 없는 정도입니다. 합법적으로 사용하면 영화 '아이리시 맨'(The Irishman)에서 로버트 드니로(Robert De Niro)와 조 페시(Joe Pesci)의 30년 전 모습과 같이 놀라운 시각적 효과를 낳을 수 있습니다. 그러나 유감스럽게도 믿을 만한 가짜 뉴스를 만들거나 원래는 등장하지 않는 그래픽이나 외설적인 동영상에 유명인을 넣는 용도로 더 많이 사용되고 있습니다.
SAP Insights 뉴스레터