“AI, 즉 인공지능에 대해 말하다”

이번 호에서는 “AICBM” 중 첫 알파벳에 해당하는 A, 즉 AI(artificial Intelligence)에 대해 얘기해 보고자 한다.

인공지능은 기계에 지능을 부여한 것을 말한다. 우리사회에서 인공지능이 부각된 사건은 단연 이세돌 9단과 알파고의 바둑 대국이었을 것이다. 물론 이 사건은 인공지능 기술의 완성도와 성숙도를 대중에게 알리고자 한 구글의 작품이었기는 하지만 한국사회에 전달되는 영향력은 가히 파괴적이었다고 할 만큼 막강했다. 이 때문에 인공지능이 대체 하게될 다양한 직업군이 소개 되고 사람들은 미래에 대한 막연한 공포에 대해 말하곤 했었다.

인공지능이 신문기사를 쓰고, 소설을 쓰고, 판결을 해주며 심지어는 영화 ‘Her’에서 소개된 인공지능처럼 여자친구를 대신해 줄 수 있는 지경에까지 이른다는 것에 대한 환상적 공포에 빠진 것이다. 물론 지금의 인공지능은 아직까지는 완벽하지는 않지만 사람들이 걱정하는 기술의 수준까지 도달 할 수 있는 기술적 발전을 할 수 있다는 사실에 대해 역사적 사건들을 생각해 보면 충분히 가능할 것이란 결론에는 도달할 수 있다. 하지만 기술의 변화를 공포로만 받아들이게 되면 발전이란 없을 것이다. 기술은 사람들의 생활방식을 변화시키고 사람들의 생활 방식 변화는 또 기술을 변화 시켜왔던 것이 인류가 그 동안 살아왔던 삶의 방식이었다.

필자는 가끔 빅데이터와 인공지능에 대한 구분을 질문 받을때가 많았다. 사실 빅데이터와 인공지능을 명확하게 구분지어 말하는 경우가 많지는 않기 때문에 혼란이 오는 것도 당연하겠다. 그러면 왜 그런지를 살펴보자, 빅데이터는 말 그대로 데이터를 말한다. 따라서 지능의 정의인 반복된 학습을 통해 얻어지는 기능 또는 지식을 만들기 위해서는 데이터가 필요한 것이 당연하겠다. 이 말을 바꾸면 데이터를 통해 학습된 것이 지능이 된다는 말이 된다. 따라서 인공지능이 되기 위해서는 데이터가 존재하고 그리고 그 데이터를 학습해야 하며 학습된 모델이 결국 인공지능이 된다는 것을 알 수 있다. 그렇다면 학습은 무엇인가? 인공지능 분야에서는 기계학습(Machine Learning)이란 표현을 자주 쓴다. 기계학습은 주어진 데이터를 통해 인공지능 모델을 만들기 위한 알고리즘으로 보면 될 것이다. 그러면 기계학습을 통한 학습과정에서 모델을 만드는 방법을 잠시 살펴보자, 예를 들어 (1,3), (2,6), (3,9) 라는 데이터 모임이 있다고 가정해 보자. 이 데이터들의 관계를 찾는 것이 결국 기계학습이 되는 것인데, 사람이 눈으로 보면 제시한 데이터들은 x와 y값이 3배의 차이를 두고 나열된 것을 알수 있다. 결국 기계학습을 통해 y=3x라는 관계를 계산 할 수 있는 것이다. 이처럼 기계학습은 주어진 데이터에서 데이터의 관계식을 파악하는 것이 되고 그 결과는 모델로서 정의되게 된다. 이 때문에 데이터가 매우 중요한 역할을 한다는 것을 알 수 있다. 기계학습을 이용한 인공지능 모델 개발자들은 줘진 데이터를 이용해 학습을 하고 학습된 모델을 검증하며 검증된 데이터를 이용해 성능을 테스트한다. 이 과정은 수집된 데이터가 100개 일 경우 학습에 50개의 데이터를 사용하고 나머지 30개는 학습된 모델을 검증하고 최적화하는데 사용하며 최종적으로 남은 20개는 테스트에 사용해 모델을 개발한다. 쉽게 설명하면 예측 모델일 경우 1950년대부터 2010년대까지 수집된 데이터를 사용한다고 가정해 보자. 주어진 기간의 데이터를 전부 이용해 학습을 할 경우 예측성능을 확인할 방법이 없기 때문이다. 하지만 과거기간의 일정 기간만 학습에 사용하고 학습된 모델을 통해 과거의 결과를 예측하게 되면 이미 일어난 사건이기 때문에 예측의 결과를 확인할 수 있을 것이다. 

기계학습 얘기를 하다보면 인공지능과 관련해 딥러닝 기술이 자주 언급되고는 한다. 필자의 사견으로는 기술분야 조차도 지나치게 유행을 타는 건 아닌가 생각이 들 정도이다. 딥러닝에 대한 기술적 내용을 구체적으로 설명하기에는 내용이 너무 방대해서 짧은 지면을 활용해 언급하기는 어려울 거 같고 사용상의 특징만을 설명하고 싶다. 간단하게 말해서 기계학습과 딥러닝을 사용할 때 기준점은 데이터의 양이다. 학습될 데이터, 예측모델일 경우 사건의 발생주기가 긴 그러니까 1년에 한번씩 측정되는 데이터에 대해 딥러닝을 쓰는 것은 옳바르지 않은 방법이다. 딥러닝은 데이터의 발생주기가 빈번하고 양이 매우 많으며 데이터 집합에서 특징(Feature)을 사람이 설계하기가 어려운 경우에 사용하면 좋은 기술이기 때문에 그렇다. 그런 특징 때문에 딥러닝이 개발된 것이라 딥러닝을 이용하는 분야도 특징설계가 어렵고 데이터의 양이 대단히 많은 경우에만 유리할 것이다. 반면 데이터의 양이 상대적으로 적고 특징을 사람이 설계하기 용이한 데이터 집합에서는 기계학습을 사용하는 것이 당연히 적정한 방법이 된다. 따라서 데이터를 분석하고 파악함에 따라 기계학습이든 딥러닝이든 결정되는 것이지 학습알고리즘을 딥러닝으로 결정하고 데이터를 사용하는 것은 순서가 바뀐 방법이다.

최근들어 물류분야에서 단연 관심을 받는 분야는 라스트마일 서비스(Last mile service)일 것이다. 라스트마일 서비스는 물품을 배송하는 최 종단에서 일어나는 서비스이기 때문에 당연히 다양한 형태의 데이터가 발생할 수 있을 것으로 생각된다. IoT 데이터(IoT 데이터는 센서 및 SNS에서 매초 생성되는 대규모 데이터를 말한다)일 수도 있고, 고객정보나 상품정보 또는 배송형태가 될 수도 있다. 당연히 물류분야의 라스트마일 전문가만이 알수 있는 데이터도 많을 것이다. 앞서 말한 바와 같이 인공지능 모델을 개발함에 있어 설계의 출발은 데이터에 있다고 하는 것은 이제 쉽게 이해될 수 있는 말일 거 같다. 결국 데이터의 내용과 서비스의 특징에 대해 잘 이해하는 라스트마일 전문가가 데이터를 분석하고 그 분석에 빅데이터 및 기계학습 전문가가 도움을 주는 형태가 가장 옳바를 것이라는 판단은 이제 쉽게 할 수 있을 것이다. 또한 물류분야에서 사회현상이나 인문적인 분야에 대한 인공지능 기술 역시 물류분야의 전문가들이 판단해야 할 것이 많다. 인공지능 기술은 수치 데이터 형태로 존재해야 계산에 의해서 모델도 만들고 서비스도 만들 수 있는 것이다. 이 때문에 정량화 하기 어려운 사회현상이나 인문적인 내용에 대해 정량화 할 수 있도록 수치화 하는 작업에 물류분야 전문가의 경험과 노력이 대단히 중요해 질 수 밖에 없다. 예를 들어 화물차량을 운전하는 운전기사의 성실도를 예측하는 인공지능 서비스를 기획했다고 한다면 먼저 성실도를 평가할 수 있는 척도를 수치화 하는 것이 중요한 일이 될 것이다. 이 척도를 개발할 사람은 당연히 물류분야의 전문가일 수 밖에 없다. 결국 물류분야를 지능화 시키는데 지금과 과거의 물류전문가들이 보다 더 많이 필요하고 그들의 노력이 매우 중요함을 알 수 있다.

이 처럼 전통적인 산업분야인 물류산업은 4차 산업혁명 기술을 통해 새로운 가치를 창출 할 수 있는 가능성이 매우 큰 산업이라고 생각된다. 인공지능 기술로 인해 사라질 물류분야의 일자리 보다 새롭게 생겨나게될 일자리가 더 많고 그 일자리의 질이 매우 높다면 우리는 물류분야에 인공지능을 적용하는 일에 대해 주저하지도 머뭇거릴 필요도 없을 것이다. 미국에서 PC(퍼스널 컴퓨터)가 보급되기 시작한 1970년대 부터 PC에 의해 사라진 사업도 많지만 새롭게 생겨난 사업도 엄청나게 많다는 사실에 우리는 주목해야 한다. 변화되는 환경에 순응하고 적응하기 위해 가장 필요하고 중요한 일은 시대에 맞는 교육일 것이다. 물류인들이 인공지능 기술에 대한 이해가 넓어지고 깊어지면 당연히 물류분야에 인공지능으로인한 혁신은 늘어날 것이다. ‘新 물류인이 생겨나는 것이 아닐까?’ 생각된다. 18세기 산업화 시대로 부터 이어진 공민교육(公民敎育)에서 이제는 보다 더 진일보한 새로운 시대의 새로운 교육형태가 필요할 것이라고 생각한다. 

 

< 물류와 경영 >