인공지능 전문가와의 Q&A 1

인공지능

by 엔와이즈소프트 2022. 7. 19. 13:30

Q: 필자

A: 공학박사

제품/상품/서비스기획자로서의 여러 가지 의문점과 전문가의 대답을 정리하였음

Q1: 기존 산업에 종사하는 기업인으로서 인공지능을 접목하고 싶은데 뭘 해야할지 모르겠다.

최소한 최근의 인공지능 트렌드 서비스는 뭐가 있는지라도 알고싶다.

A1

생각나는 몇 가지 분야를 나열하자면

1. 의료분야에서의 영상판독 분야

2. 분광기에 의한 재질 분류

3. 제조업체의 검사장비등이 있다.

인공지능 기계학습이 적용된 제조업체의 검사 분야는 볼트 너트의 체결 상태 검사, 용접 상태 등 기존 인력에 의한 육안 검사는 대체가 가능하다.

검사 장비의 특징을 보자면 제조 생산품의 경우 검사 할 특징이 정해져 있음.

자동차공장 등은 영상 획득을 위해 촬영할 포인트들이 다 지정되어 있음. 자동차는 덩치가 크기 때문에 카메라를 로봇 팔에 연결하여 해당 위치에 이동시키는 방식이고, 촬영해야 할 목적물이 작고 컨베이어벨트로 이동시킬 수 있다면 카메라를 고정.

특히 인공지능에 의한 검사 기술이 잘 적용된 분야는 반도체 검사장비 쪽인데, 반도체는 워낙 작아서 현미경이 필요하기도 하고 사람이 인지 못하는 불량이 있을 경우 인공지능이 사람에 비해 매우 높은 효율로 불량을 찾아낼 수 있다. 즉 한정적인 application에서 한정적인 작업을 해야 할 경우 사람 눈 보다 인공지능이 나음. 사람 눈의 피로도도 한 몫 함.

Q2 그런데 기업에 따라서는 인공지능 기술 도입을 꺼리거나 잘 안 된다는 말이 들리던데, 기업 입장에서는 어떻게 접근하는 게 좋을까?

A2

산업계는 매우 특정 부분에서 제한적으로 인공지능 기술의 적용을 요구하는데 이유 중 하나는 책임 소재 때문임.

예를 들면 자동차의 자율 주행은 이미 기술도 확보되어 있고 자율주행의 필요성도 높기는 하지만 책임소재 문제로 확산은 늦어지고 있다 (기술의 안정성에 대한 사회적 합의가 이루어지지 않은 상태임).

이 관점에서 보자면 검사 장비의 적용을 확대했을 때 만약 매우 낮은 확률로 불량 검사에 대한 오류가 발생하면 회사 탓인가 장비 탓인가에 대한 합의는 첨예한 문제가 될 것임. 다만 이미지 프로세싱 분야는 오류를 우려하지 않을 수준에 도달했다고 볼 수 있음

기업인은 기술 도입에 의한 효율향상과 비용절감을 목표로 하겠지만 책임소재를 따질 필요가 없는 분야부터 접근하는 게 좋다. 결국 어떤 오류가 발생하여 책임질 문제가 대두되었을 경우 이는 비용으로 돌아오기 때문임. 어떤 오류로 인하여 연쇄적 반응이 야기되는 분야는 적용이 어렵다고 봐야 할 것이다.

접근 방법은 1)내 산업의 적용 가능한 부분에서 위험도가 떨어지는 분야를 찾는다. 2)이 중 머신러닝을 적용할 수 있는 분야를 찾는다

반면 내가 속한 산업 분야에서 인공지능을 적용할 수 있는 분야부터 찾는다면 적용이 실패했을 때의 위험이 너무 커질 수 있다.

산업계의 위험한 분야에서는 검증되고 보수적인 기술을 아직도 사용하고 있다.

의료분야도 최종 confirm은 사람이 하는데, 매우 낮은 확률일지라도 기계의 실수가 사람 실수보다 더 치명적으로 간주되는 것이 현실이며 기계의 실수는 사회에서 받아들이지 않고 있는 경향을 이해해야 한다.

Q3 인공지능을 표방한 알고리즘이나 서비스가 제대로 동작하는지 좋은 성능이 나오는지에 대해 만든 사람이나 판매자가 확신을 가질 방법이 있었으면 좋겠는데 어떻게 해야 할지?

A3

알고리즘의 성능 평가에 대한 표준화된 방법은 아직 없음.

통계적 방법을 이용하는 방법이 있기는 한데 의료계에서 사용하는 방법과 비슷한 방법을 적용하면 될 것 같지만 문제는 ‘학습’ 과정에서 평가에 쓰일 인원들이 평가에도 사용된다는 점. 신약을 만들 때 시험(1,2,3상) 에 투입될 사람에 맞는 약이 만들어지는 격이다. (이 부분은 정확한 재검토가 이루어져야 할 듯 -> 성능평가 방법에 대한 survey 필요)

머신러닝도 학습 데이터와 실제 데이터를 분리하기가 어려움. 왜냐 하면 학습에 쓰일 데이터가 너무 많이 필요하기 때문

그래도 평가 데이터는 학습으로부터 분리하려고 하지만 데이터가 ‘비싸다’는 문제가 있음.

시도는 많이 하지만 신뢰성이 있다고 믿기는 어려운 상황.

T-test F-test 귀무가설 세우고 이것이 깨지면 가설이 틀린 것이고 A와 B 를 비교하는 기법을 현재는 쓰고 있음.

이런 문제들 때문에 모든 상황에 대처 가능한 알고리즘이 없고 특정 알고리즘은 특정 미션에만 잘 맞음. 서비스 자체의 목표가 broad 대신 specific 해야 함.

deep neural network는 블랙박스와 같아서 동작 메커니즘을 모름. 어떤 결과를 출력하는 이유를 모른다는 것.

특정 미션’ 달성 위해 어떤 알고리즘을 써야 하는지는 ‘실험을 해 보아야’ 알 수 있고 이는 전문가의 경험이 필요하다는 의미

Q4 인공지능 솔루션 도입을 원하는 기업인 입장에서의 고민은 무엇일까?

A4 뭔가를 하고 싶은 기업 대표 입장에서는 적용 여부를 고심할 것인데 (비용대 효과), 주로 외부에서 초빙되는 머신 러닝 전문가와 회사 소속으로 일하는 필드 전문가가 서로 대화 가능하고 통하는지가 중요한 요소가 되며 양자간 협업이 잘 되어야 좋은 알고리즘이 나올 수 있다

그런데 필드전문가에게는 인공지능 솔루션의 성공적 적용이 곧 실직을 의미한다는 두려움으로 인해 비호의적임 (매우 한정적인 경험을 통해서 얻은 결론인데 현재는 인공지능 기술에 대한 홍보가 우호적으로 이루어져 이러한 인식은 개선되었으리라 생각됨)

필드 전문가가 협조를 했을 때 이익이 되는 구조를 만들어야 함.

필드전문가가 몸으로 체득한 노하우는 오랜 경험과 시행착오의 결과물이므로 그 자체로 소중한 것인며 막상 알고 나면 별 것이 아니라는 반응이 돌아올 수도 있으므로 비협조적이로 내놓기 싫어함.

이런 비협조 문제 해결은 대표의 의지로 극복할 수 있음

인공지능 분야 전문가로서는 산업계 저변 확산을 바라지만 일자리는 보통 직장인의 생존 문제이며 고용해지 대신 인력 재배치로 일자리 보존을 보장한다고 하더라도 기존 노동자들은 자신의 오랜 체험 노하우를 버리고 새로운 환경에 적응해야 하는 스트레스가 이해됨.

Q5 필드에서 벌어지는 문제가 궁금한데 예를 들어 설명해 주실 수 있는지?

A5 정미소 케이스가 생각남. 공장형 정미소 대표는 도정된 쌀의 품질 향상하고 싶은데, 도정 덜 된 쌀, 깨진거, 변색된 쌀 등을 잘 걸러내는 게 대표 의지였고 예전에는 인력 투입하여 손으로 했음. 검사에 투입되는 노동자들은 직장을 빼앗길 것 같기도 하고 몇 년 후 일감이 줄어들 것 같은 느낌을 받아서인지 매우 비협조적이었음.