인공지능 열풍의 주역, 딥러닝의 시대는 끝나가는가?

인공지능(AI)의 대명사로 통하는 딥러닝의 시대가 끝나가고 있을지 모른다는 뉘앙스를 담은 최근 MIT테크놀로지리뷰 기사가 눈에 띈다. 

기사는 1993년부터 2018년 11월까지 과학논문 데이터베이스 아카이브(arXiv)에 올라온 1만6625개 논문의 개요를 다운로드한 뒤 언급된 단어들을 분석해 인공지능 연구 트렌드가 어떻게 변화해 왔는지를 조명하는데 초점이 맞춰져 있다. 

분석 결과와 전문가 코멘트를 기반으로 MIT테크놀로지리뷰는 2010년대 인공지능판을 들었다놨다는 딥러닝의 시대가 2020년대에는 막을 내릴 수도 있다는 지금으로선 꽤 도발적으로 비치는 문구도 기사에 담았다.

MIT테크놀로지리뷰는 이번 분석을 통해 3가지 주요 트렌드를 발견했다. 첫번째는 1990년대말과 2000년도 머신러닝으로의 전환, 2010년대부터는 신경망의 인기가 올라갔고, 지난 몇년간은 강화학습이 성장세를 보였다.

현재 인공지능 열기는 딥러닝에 의해 주도되고 있다. 딥러닝은 통계를 사용해 데이터에서 패턴를 찾는 과정을 반복하는 구조다. 보고 듣는 것과 관련해 인간의 능력을 흉내내는데 대단히 강력하다는 것을 입증했다. 일부에선 딥러닝 기반 인공지능이 인간처럼 추론도 하는 장면도 연출되고 있다. MIT테크놀로지리뷰는 "딥러닝은 구글검색, 페이스북 뉴스피드, 넷플릭스 추천 엔진에 힘을 실어주고 있고, 헬스케어나 교육 같은 산업을 바꿔놓고 있다"고 전했다.

지금 상황만 놓고보면 딥러닝의 위세가 영원할 것 같지만 사실 인공지능의 역사라는 넓은 앵글로 보면 계속 그럴거라 보기 어려운 측면도 있다. 인공지능의 역사는 인간의 지능을 흉내내려는 다양한 기술들이 엎치락 뒤치락 하는 과정을 반복해왔다. 매 10년마다 다양한 기술들간 경쟁으로 뜨거웠다.

MIT테크놀로지리뷰는 이번 분석에서 발견한 가장 큰 변화로 2000년대초 지식 기반 시스템으로부터의 전환으로 꼽았다. 지식 기반 시스템은 인간의 모든 지식을 부호화한 규칙을 사용해 인공지능을 구현하는 아이디어다. 하지만 90년대말부터 연구자들은 딥러닝의 부모 알고리즘에 해당하는 머신러닝으로 방향을 틀었다.

1980년대는 흥미롭고 야심찬 프로젝트들을 등에 업고 지식 기반 시스템들이 인기를 끌었다. 하지만 이들 프로젝트들은 뜻을 이루지 못했다. 너무 많은 규칙들이 있다보니, 들어가는 비용과 노력이 만만치 않았다.

머신러닝은 이같은 문제에 대한 답이었다. 머신러닝은 사람들이 수작업으로 수십만 규칙을 부호화하는 대신에 기계가 데이터들 사이에서 규칙들을 자동으로 뽑아내도록 프로그램됐다.

신경망 붐 확산과 강화학습의 등장
새로운 머신러닝 패러다임아래서, 딥러닝으로의 전환이 바로 일어난 것은 아니다. 이번 분석에 따르면 연구자들은 딥러닝의 핵심은 신경망외에 다양한 방법을 테스트했다. 베이지안 네트워크, 서포트 벡터 머신, 진화적인 알고리즘 모두 데이터에서 패턴을 찾기위해 사용된 방법들이었다.

1990년대에서 2000년대까지 이들 기술들이 경쟁하닥, 2012년들어 판을 바꾸는 사건이 하나 벌어진다. 연례 이미지넷 경진 대회에서 제프리 힌튼과 그의 토론토대 동료들은 딥러닝 기술을 사용해 이미지 인식에서 10% 포인트 이상의 압도적인 차이로 최고의 정확도를 보였다.

이후 딥러닝은 새로운 연구 열풍을 불러일으켰다. 비전 커뮤니티를 먼저 강타했고 이후 다른 분야로 확대됐다. 점점더 많은 연구자들이 인상적인 결과를 얻기 위해 딥러닝을 사용하기 시작했디. 딥러닝의 인기는 신경망과 함께 폭발했다.

MIT테크놀로지리뷰 분석에 따르면 딥러닝의 부상 이후 최근 몇년간 세번쨰, 마지막 전환이 AI 연구에서 벌어지고 있다.

머신러닝에는 3가지 다른 유형이 있다.

지도, 비지도, 강화학습이다.지도학습은 라벨이 붙은 데이터를 머신에 제공하는 방식이며, 가장 일반적으로 사용되고 있다. 지금까지 가장 많이 적용됐다. 하지만 최근 몇년동안 처벌과 보상을 통해 동물들을 훈련시키는 과정을 흉내내는 강화학습에 대한 언급이 늘었다. 

강화학습은 새로운 개념은 아니다. 존재는 했는데, 수십년간 제대로 돌아가지 않았을 뿐이다. 지도 학습 진영에선 강화학습은 실용성이 대단히 떨어지는 방식이다. 하지만 딥러닝처럼 강화학습도 결정적인 계기를 등에 업고 관전포인트로 부상했다. 2015년 10월 강화학습을 적용한 구글의 알파고가 바둑 고수인 이세돌을 누른 것이었다. 연구 커뮤니티에 미친 영향은 즉각적이었다.

기사가 말하듯, 지난 수십년간 지능을 연구하는 탐색 분야는 다양한 아이디어들의 격전장이었다. 최근 25년간 사용된 많은 기술들은 모두가 1950년대에 등장했다. 매 십년마다 저마다 성공과 실패를 왔다갔다했다. 신경망을 예로 들면, 60년대 정점을 쳤다가 80년대는 거의 죽을 지경에 이르렀다. 그러다 딥러닝을 통해 지금의 위치에 올라섰다.

매 10년마다 인공지능 분야를 주도하는 기술은 제각각이었다. 50년대와 60년대는 신경망, 70년대는 다양한 상징적인 접근들(various symbolic approaches), 80년대는 지식 기반, 90년대는 베이시안, 2000년대는 서포트 벡터 머신(support vector machines), 2010년대는 신경망이었다.

2020년대는 어떨까? MIT테크놀로지리뷰는 페드로 도밍고스 워싱턴대학교 컴퓨터과학과 교수를 인용해 "2020년대에도 다를게 없을 것"이라고 전했다. 딥러닝의 시대는, 조만간 끝날수도 있음을 의한다는 것이었다. 다음을 주도할 기술은 오래된 기술이 다시 영향력을 회복하는 방식일지, 완전히 새로운 패러다임이 될지 현재로선 알수 없지만 말이다.

테크잇 뉴스레터를 전해드립니다!

오피니언 기반 테크 블로그 'TechIt'
테크 비즈니스를 보는 다양한 통찰들을 이메일로 간편하게 받아 볼 수 있습니다.

About the author

endgame
endgame

테크 블로거 / 공유할만한 글로벌 테크 소식들 틈틈히 전달하겠습니다

No more pages to load


TechIT

테크 비즈니스를 보는 다양한 통찰 '테크잇'

독자 여러분들께서 좋은 의견이나 문의 사항이 있으시면 아래 양식에 따라 문의 주시기 바랍니다.

Contact