얼마 전 국감에서, 청년배당 관련한 이재명 시장과 국회의원 간 질의 응답 중, ‘청년배당이라는 무상복지를 통해 시장 자신을 홍보하는 것 아니냐’는 국회의원과 거기에 대해 ‘더 좋은 아이디어가 있으면 달라, 내가 하겠다’ 라고 답하는 이재명 시장과의 대화 속에서 필자는 오바마 대통령의 ‘보편적 소득’ 개념이 떠올랐다.
미국의 47% 직업이 20년 내 자동화된다. Michael Osborne, Oxford University.
보편적 소득은 오바마 대통령이 매거진과의 인터뷰에서 나온 말로,“저임금, 낮은 수준의 기술을 가진 사람들은 점점 더 불필요해지고 직업이 교체되지 않더라도 임금은 억제된다.” 이에 대한 해결책 중에 하나는 부를 재분배하고 사람들의 생계소득을 보장하는 ‘보편적 소득’이라고 그는 밝혔다.
딥러닝 알고리즘, 그리고 2016년
1956년 여름, 미국 다트머스 대학에서 진행된 워크숍에서 인간과 같이 생각하는 기계를 처음으로 ‘인공지능’이라 부르기로 한 이후, 지난 50년간 봄과 겨울이 반복되는 시기를 거치면서 인공지능은 소설 같은 이야기, 혹은 실현 불가능한 아이디어로 취급받아 왔다.
특히 60년대 후반, 분류 문제에 있어 linear는 잘 풀어냈지만, XOR 문제는 풀 수 없는 상황을 만나게 되고 해결할 수 있는 아이디어로 마빈 민스키가 멀티 레이어 구조를 제안하지만 누구도 풀 수 없을 것이란 우울한 결론을 냄으로써 다시 추운 겨울을 맞이하고 관심은 점점 식어갔다.
2012년, ILSVRC(이미지 인식 컴피티션)에서 처음 참가한 토론토 대학의 수퍼비전이 에러율 0.153이란 압도적인 성적으로 우승했다. (2위는 0.26172). 혁신적으로 이미지 인식 에러율을 줄였는데 이것은 제프리 힌톤 교수가 제안한 딥러닝 알고리즘을 사용했기 때문이다.
2016년에는 이미지 인식에서 오차율이 사람을 뛰어넘는 수준(3.6%)으로 정교화 됨과 동시에 딥러닝 알고리듬이 움직이는 동영상 및 음성, 사전으로 확장되면서 지금까지의 오류를 큰 폭으로 줄이는 쾌거를 만들어내고 있다. 특이점이 온 것이다.
그리고 9월, 텐서플로우 1.0 버전이 구글에서 발표되었다. 이제 많은 사람들이 어렵게만 느껴지던 인공지능 시스템을 직접 구현해 볼 수 있는 대중화가 시작된 것이다. 구글의 자율주행 자동차를 필두로 머지 않아 많은 노동을 인공지능이 대신하게 될 것이라는 분위기가 만들어진 것도 2016년, 바로 올해다.
THE NATIONAL ARTIFICIAL INTELLIGENCE RESEARCH AND DEVELOPMENT STRATEGIC PLAN
미국 National Science and Technology Council에서는 2016년 10월, 인공지능에 대한 전략적 국가플랜을 발표했다. 이것은 미국이 향후에도 AI를 리딩할 수 있는 전략방안에 대한 리포트로 Long-Term AI 투자전략, 인간과 인공지능의 효율적 협업방안, 인공지능의 사회적, 윤리적, 법적 범위에 대한 이해, 인공지능의 안전한 활용과 시큐리티, 공공 데이터의 인공지능 활용 방안, 인공지능 기술의 평가법, 연구지원 등 총 7가지에 대한 방향성을 제시하고 있다.
전체적인 방향성은 1) 현재 Narrow A.I (Narrow란 특정부분의 작업, 예를 들어 Speech Recognition, Image Recognition, 알파고 같은 특정 업무수행에 특화되어 있는 인공지능을 말한다) 수준의 인공지능을 General 인공지능으로 심화 (넓은 범위에서, 스스로 학습 및 인지를 통해, 하나에서 얻은 지식을 다른 쪽에서 활용할 수 있는, 크리에이티브한 업무와 Planning까지 가능한 수준의 인공지능을 말한다)하는 것.
그리고 단일 인공지능 시스템으로 해결 못하는 것을 해결할 수 있는 개별 A.I 들이 노드로 연결된 2) Scalable 인공지능 시스템의 개발, 3) 스스로의 퍼포먼스가 어떠한지에 대한 자각, 사람의 행위를 보고 습득하는 기술, 그리고 로봇끼리의 협업이 가능한 로보틱스의 개발.
4) 어떻게 인간과 인공지능이 같은 상황인식을 하며 의사소통 할 것인가. 인공지능은 인간을 잘 이해할 수 있어야 하며 인간 역시 인공지능이 무엇이 가능하고 불가한가?를 이해할 수 있어야 하고, 또 인공지능의 인터럽트의 적절한 수준은 어떻게 되어야 하는가? 인공지능이 똑똑하게 이 순간이 인공지능이 필요할 때라고 알게 할 수 있을 것인가? 인간의 사회적 상황을 어떻게 이해하게 만들 것인가? 를 다루는 인터페이스의 개발.
5) 윤리적・도덕적・법적・사회적 이슈 : 인공지능이 도덕적 사회적 규범을 익힐 수 있게 하는 연구 필요성.윤리적 인공지능 아키텍처 디자인을 위한 많은 방법들이 논의 중이다. 한가지 예를 들면 두개의 판단 알고리듬이 존재해서 하나의 인공지능의 수행을 관찰하고 법적이며 윤리적 평가하는 것이다. 좀 더 직관적 방식은 인간에게 해가 되는가 안되는가? 만을 기준으로 하는 것.
6) 안전하고 시큐리티가 확실한 인공지능 : 학습되지 못한 상황 아래에 놓일 때 인공지능을 개발한 프로그래머의 관리를 벗어날 경우 이러한 상황에 대한 지침 및 안전에 대한 연구가 수반되어야 하고, 인증과 시큐리티를 깨고 들어오는 해킹에 대비한 안전 시스템. 외에도 7) 인공지능의 평가모델 방법 등에 대해 다루고 있다.
인공지능은 어떻게 인간의 노동을 대신해 나갈까?
인터넷이 리서치 단계를 벗어나 상용화되고 사람들의 생활 속에 파고든 것보다 인공지능은 훨씬 빨리, 넓고 직접적으로 우리들의 삶, 특히 인간의 노동에 대해 영향력을 미칠 것이다. 현재 사람이 하고 있는 많은 업무들이 근미래 (10년 이내) 많은 부분 인공지능과 로보틱스로 대체될 것으로 생각한다.
매킨지 조사에 따르면, 미국 전역 전 노동으로 확대해서 예측하면 45%의 노동시간에 해당되는 Task들이 현재의 기술수준으로도 머신이 수행할 수 있다고 한다. 100% 업무가 머신으로만 수행되는 비율은 아직 5% 정도의 직업군이다. 이 5% 직업군은 전과정을 지금도 머신이 훌륭하게 해내고 있다.
뉴욕대학의 Vasant Dhar 교수는 하버드비즈니스리뷰에 When to Trust Robots with Decisions, and When Not To 라는 글을 기고했다. 이 글은 인간 – 머신 간 역할에 대한 단초가 될만한 글로 보이는데, Predictability – Cost per Mistake 두개의 디멘션을 가진 프레임워크를 가진 결정 자동화 맵을 제시하고 있다.
하나의 예로서 하단에 있는 스팸필터링 작업은 문제 발생 시 받는 측 피해가 적으면서도 예측 가능성이 높은 머신이 잘 하는 작업으로 분류된다. 또 인간이 감당하기 어려운 수준의 정보를 처리해야 하는 온라인 광고 시스템 같은 분야도 머신의 역할이다.
자율운행 자동차는 어떨까? Driverless Cars는 분면 상단에 놓여져 있다. 예측 가능성은 높지만 실수가 발생할 경우 리스크가 매우 크기 때문이다. 또 병의 진단 역시 사람의 목숨과 관련되기 때문에 머신보다 인간의 역할로 놓여져 있다.
그러나 필자의 생각은 좀 다르다. 병의 진단, 자율운행 자동차의 리스크는 분명히 크지만, 예측 가능성은 이제 머신이 인간보다 높다. 얼마 전 미국 병원에서 머신과 의사가 병의 진단을 맞추는 실험에서 의사가 더 높은 예측을 보였다고 한다. 그런데, 알고리즘을 이해하고 있다면 이것은 데이터의 량과 훈련의 량에 따라 결과가 확연히 달라질 수 있다는 것을 알고 있다.
얼마 전 구글의 지인과 점심을 하면서 이런 농담을 했다. 앞으로는 알파고의 알고리즘을 만드는 10%의 사람과 팬을 닦는 90%의 사람으로 크게 우리의 노동이 나뉠 것이다 라고. 앞으로 10년, 20년 후에 많은 사람들은 그토록 원하던 노동으로부터의 탈피가 가능할지도 모르겠다.
그런데 한편, 노동으로부터 소외된 인간의 삶은 어떨 것인가? 사람은 어떤 목적으로 하루 하루 살아야 할 것인가? 하는 보다 더 큰 문제가 기다리고 있는 것은 아닐지.
