요즘 모바일 기기에선 애플의 ‘시리’(Siri)나 구글의 ‘구글 나우’(Google now)와 같은 인공지능형 개인비서가 한창 인기를 끌고 있다. 내가 관심 갖는 정보나 뉴스를 인지해 곧바로 알려주고, 음성으로 모든 일을 척척 인식하여 처리해 주기 때문이다. 지난 5월 구글 개발자 포럼에서는 사람의 얼굴이나 사물을 자동으로 인식하는 ‘구글 포토’가 소개됐다. 메타 데이터 형태로, 가령 고양이 사진 뒷면에 고양이임을 알도록 하는 정보를 기록할 수 있게 된 것이다. 아마존과 같은 인터넷 쇼핑몰에서는 이미 오래전부터 나의 구매 및 방문 기록을 바탕으로 내 구매 패턴을 인지해 나에게 적합한 상품을 추천해 왔다. 여기에는 컴퓨터가 데이터 분석을 통해 스스로 학습하면서 입력되지 않은 그 무언가를 알아간다는 공통점이 있다. 그렇다면 기계가 인간처럼 스스로 학습하는 것이 어떻게 가능할까.

이중원 서울시립대 교수·과학 철학

현재 이것을 가능하게 하는 핵심기술은 바로 ‘머신러닝’(Machine learning), 곧 기계학습이라는 기술이다. 머신 러닝은 인공지능의 한 분야로서 컴퓨터가 데이터를 분석하면서 스스로 학습해 인간처럼 어떤 대상이나 상황을 이해할 수 있게 한다. 인간의 두뇌는 여러 신경망을 단계적으로 거치면서 수많은 데이터 속에서 패턴을 인식함으로써 사물이나 상황을 식별해 내는데, 컴퓨터도 이 같은 방식으로 이를 인지하도록 학습시키는 것이다. 이 기술을 활용하면 고양이에 대한 사전 정보가 전혀 없는 상황에서도 컴퓨터는 스스로 학습을 통해 고양이를 식별해 낼 수 있게 된다. 실제로 구글은 인간의 두뇌를 모방한 심화신경망 알고리즘을 개발하고, 이를 적용한 대표적인 머신러닝 기술의 하나인 ‘딥러닝’(deep-learning) 기술을 활용해 2012년 컴퓨터 1000대로 유튜브 이미지 1000만개를 분석해 고양이를 식별해 내는 데 성공했다.

이러한 머신러닝은 몇 단계로 학습 시스템이 구성돼 있다. 첫 번째 단계는 가령 고양이에 대한 사전정보가 전혀 없는 상황에서 일차적으로 주어진 수많은 데이터를 비슷한 것끼리 군집화하여 분류하는 단계다. 두 번째 단계는 알고리즘을 활용해 군집의 특징을 추출하는 단계다. 얼굴의 특징적인 선이나 색 분포 등과 관련된 알고리즘들을 적절히 조합해 고양이의 중간 단계의 간단한 이미지 특징을 표현할 수 있다. 세 번째 단계는 이전 단계에서 구축된 알고리즘의 간단한 구조를 쌓아 올려 더욱 복잡한 계층구조를 만들고, 최종적으로 고양이 이미지라고 결론 내릴 때까지 수천만 번을 반복하는 방식으로 가장 최적화된 알고리즘 체계를 스스로 찾아 나가는 단계다. 이전 단계에서 선·색상 등 간단한 특징을 파악했다면 여기서는 눈과 귀와 같은 더욱 복잡한 특징을 파악하게 된다.

이러한 단계는 마치 아직 인지 수준이 떨어지는 어린아이가 다양한 정보를 접하면서 학습을 통해 사물에 대한 인지능력이 점차 향상돼 가는 과정과 매우 흡사하다. 그런 면에서 머신러닝은 어느 정도의 자율성을 지닌 자기주도적인 학습법이라 할 수 있다.

머신러닝 기술은 현재 언어의 번역이나 통역, 음성이나 이미지 인식, 인공지능형 웹 탐색 등 다양한 분야에서 매우 유용하게 사용되고 있다. 최근에는 빅데이터와 결합하면서 적용 범위가 한층 넓어지고 미래에 대한 예측 능력까지 갖게 됐다. 미래로 갈수록 머신러닝을 기반으로 한 인공지능 개발에 거는 기대는 더욱 커질 것이다. 하지만 우려도 만만치 않다. 기계가 인간이 입력한 프로그램에 맞춰 자동적이지만 통제적으로 움직이는 것이 아니라, 그것을 뛰어넘어 스스로 학습하여 자율적으로 행동할 수 있기 때문이다. 학습을 통해 인간의 통제를 많이 벗어나 자율적으로 행동하는 군사용 킬러 로봇을 한번 생각해 보라. 미래를 위해 스스로 학습하는 기계의 자율성에 대한 보다 진지한 고민이 필요해 보인다.

이중원 서울시립대 교수·과학 철학