KERIS 학술정보 글로벌 동향 2019년 Vol.10
인공지능 기술이 학술연구, 의료 등 전문분야를 넘어 일상생활로 파고들면서 인공지능의 오류에 대한 우려 또한 함께 증가하고 있음. 흔히 인공지능 블랙 박스로 부르는 이런 문제점들과 이를 해결하기 위한 대안으로 설명 가능한 인공지능에 대해 살펴보고 학술연구, 도서관에서의 활용성을 검토함
최근 글로벌 혁신의 트렌드인 AI의 다양한 사례를 살펴보고 단계적으로 어떻게 접근하고 준비해야 할지를 알려드립니다. 이미지/비디오 인식 등 AI 어플리케이션의 유형과 트렌드를 전달드립니다. 특히 AWS AI 서비스를 성공적으로 도입하고 활용하기 위한 전략을 살펴보고 사례를 통한 Use Case를 통해 단계별 접근 전략을 소개드립니다. 이번 세미나를 통해 최신 AI트렌드와 정의, 그리고 사례 기반의 도입 유형, 접근 전략과 방법론 등을 알 수 있습니다.
더 많은 AWS 온라인 세미나 알아보기: https://aws.amazon.com/ko/events/webinars/series
KERIS 학술정보 글로벌 동향 2019년 Vol.10
인공지능 기술이 학술연구, 의료 등 전문분야를 넘어 일상생활로 파고들면서 인공지능의 오류에 대한 우려 또한 함께 증가하고 있음. 흔히 인공지능 블랙 박스로 부르는 이런 문제점들과 이를 해결하기 위한 대안으로 설명 가능한 인공지능에 대해 살펴보고 학술연구, 도서관에서의 활용성을 검토함
최근 글로벌 혁신의 트렌드인 AI의 다양한 사례를 살펴보고 단계적으로 어떻게 접근하고 준비해야 할지를 알려드립니다. 이미지/비디오 인식 등 AI 어플리케이션의 유형과 트렌드를 전달드립니다. 특히 AWS AI 서비스를 성공적으로 도입하고 활용하기 위한 전략을 살펴보고 사례를 통한 Use Case를 통해 단계별 접근 전략을 소개드립니다. 이번 세미나를 통해 최신 AI트렌드와 정의, 그리고 사례 기반의 도입 유형, 접근 전략과 방법론 등을 알 수 있습니다.
더 많은 AWS 온라인 세미나 알아보기: https://aws.amazon.com/ko/events/webinars/series
Hasso Plattner, Co-Founder, SAP SE, Keynote - Day 3 - SAPPHIRE NOWAdam Park
SAP's co-founder shows how in-memory computing helps organizations transform and revolutionize how they run their business.
(This is a Korean summary of Hasso's keynote.)
미국 스탠퍼드 대학은 “2030년 인공지능과 생활(Artificial Intelligence and Life in 2030)”이라는 제목의 보고서를 공개하였음. 이 보고서는 인공지능(AI) 그 자체와 함께 인간과 공동체 사회에 대한 AI의 영향에 대해 장기적 관점에서 조사하는 ‘AI 100’ 프로젝트 중 첫 번째 과업으로, 전형적인 미국의 도시를 예로 들어 교통, 홈서비스 로봇 등 여덟 가지 분야에서 2030년경 AI 활용도를 예측한 것인데, AI가 미칠 영향이 광범위하므로 적극적인 대응이 필요하다고 권고
2018 UX 트렌드 리포트_파트1 (공개판)
라이트브레인의 여섯 번째 UX 트렌드 리포트 ‘UX Discovery 제6호 Part-1’ 공개
2019년 1월에 공개된 UX Discovery 7호 내용 중 그 첫번째 파트를 바로 보실 수 있도록 슬라이드쉐어를 통해 공개합니다.
PART 1
- AI
- ROBOT
- CAR
- CHATBOT
- IoT
PART 2
- VR/AR/MR
- HEALTHCARE
- INTERACTION
- PRODUCT/WEARABLE
- APP
UX 트렌드 리포트 'UX Discovery' 구독신청
http://www.rightbrain.co.kr/CMS/ux-discovery-subscribe/
* 구독신청을 하시면 최신 UX트렌드 리포트 발간시 가장 먼저 받아보실 수 있습니다.
2017년 라이트브레인의 네 번째 UX 트렌드 리포트 ‘UX Discovery 제4호’
2017년 상반기동안 라이트브레인 UX1 컨설팅그룹에서 수집하고 선별한 의미있는 UX 사례들을 총 200여 페이지, 13개 분야로 나누어 정리하였으며 아이템별로 라이트브레인만의 UX 인사이트를 함께 수록했습니다.
UX 관련 업계 종사자들이 보다 양질의 정보를 접할 수 있도록 돕고, 눈앞에 다가온 4차산업혁명시대를 전망하고 준비하시는 데 있어 귀한 인사이트를 얻고 더 많은 도전을 할 수 있도록 지원하고자 라이트브레인 블로그와 슬라이드쉐어를 통해 1,2부로 나눠 바로 보실 수 있도록 순차적으로 공개하며,
뉴스레터 구독자분들에 한해 무료로 리포트를 pdf파일로 보내 드리고 있습니다.
PDF파일 무료구독 신청접수 :
http://www.rightbrain.co.kr/CMS/discovery4/
- Agenda-
Part-1
Artificial Intelligence
Robot
Car
ChatBot
VUX
Part-2 (곧 공개됩니다)
Wearable
New Interaction
VR/AR
IoT/Product
Commerce
New App
Healthcare
인공지능 기술과 서비스의 이해
- KIAT & 기술보증기금 주관, 5대 신사업 기술동향교육과정 -
2016년 9월 21일 강의자료
- 서문 -
안녕하세요. 소프트웨어 정책연구소의 양병석 연구원 입니다.
사실 인공지능의 강연을 요청 받고 살짝 망설였습니다.
연구소에서 제 메인 분야는 인공지능도 아니었고, 인공지능 서비스를 개발 해본 적은 있지만 정말 인공지능 개발자 사이에서 뛰어난 수준은 아니었기 때문이죠.
진짜 인공지능을 이론적으로 제대로 이해하는 것은 컴퓨터공학을 전공한 사람들에게도 가장 어려운 난이도 입니다.
다행히 이 강연의 청중들이 개발자가 아니란 이야기를 듣고 “기술”의 시선 보다는 “서비스의 시선으로 접근할 수 있다고 싶어 이 강연을 수락했습니다.
아무쪼록 부족하지만 재미있게 들어주셨으면 감사하겠습니다.
Hasso Plattner, Co-Founder, SAP SE, Keynote - Day 3 - SAPPHIRE NOWAdam Park
SAP's co-founder shows how in-memory computing helps organizations transform and revolutionize how they run their business.
(This is a Korean summary of Hasso's keynote.)
미국 스탠퍼드 대학은 “2030년 인공지능과 생활(Artificial Intelligence and Life in 2030)”이라는 제목의 보고서를 공개하였음. 이 보고서는 인공지능(AI) 그 자체와 함께 인간과 공동체 사회에 대한 AI의 영향에 대해 장기적 관점에서 조사하는 ‘AI 100’ 프로젝트 중 첫 번째 과업으로, 전형적인 미국의 도시를 예로 들어 교통, 홈서비스 로봇 등 여덟 가지 분야에서 2030년경 AI 활용도를 예측한 것인데, AI가 미칠 영향이 광범위하므로 적극적인 대응이 필요하다고 권고
2018 UX 트렌드 리포트_파트1 (공개판)
라이트브레인의 여섯 번째 UX 트렌드 리포트 ‘UX Discovery 제6호 Part-1’ 공개
2019년 1월에 공개된 UX Discovery 7호 내용 중 그 첫번째 파트를 바로 보실 수 있도록 슬라이드쉐어를 통해 공개합니다.
PART 1
- AI
- ROBOT
- CAR
- CHATBOT
- IoT
PART 2
- VR/AR/MR
- HEALTHCARE
- INTERACTION
- PRODUCT/WEARABLE
- APP
UX 트렌드 리포트 'UX Discovery' 구독신청
http://www.rightbrain.co.kr/CMS/ux-discovery-subscribe/
* 구독신청을 하시면 최신 UX트렌드 리포트 발간시 가장 먼저 받아보실 수 있습니다.
2017년 라이트브레인의 네 번째 UX 트렌드 리포트 ‘UX Discovery 제4호’
2017년 상반기동안 라이트브레인 UX1 컨설팅그룹에서 수집하고 선별한 의미있는 UX 사례들을 총 200여 페이지, 13개 분야로 나누어 정리하였으며 아이템별로 라이트브레인만의 UX 인사이트를 함께 수록했습니다.
UX 관련 업계 종사자들이 보다 양질의 정보를 접할 수 있도록 돕고, 눈앞에 다가온 4차산업혁명시대를 전망하고 준비하시는 데 있어 귀한 인사이트를 얻고 더 많은 도전을 할 수 있도록 지원하고자 라이트브레인 블로그와 슬라이드쉐어를 통해 1,2부로 나눠 바로 보실 수 있도록 순차적으로 공개하며,
뉴스레터 구독자분들에 한해 무료로 리포트를 pdf파일로 보내 드리고 있습니다.
PDF파일 무료구독 신청접수 :
http://www.rightbrain.co.kr/CMS/discovery4/
- Agenda-
Part-1
Artificial Intelligence
Robot
Car
ChatBot
VUX
Part-2 (곧 공개됩니다)
Wearable
New Interaction
VR/AR
IoT/Product
Commerce
New App
Healthcare
인공지능 기술과 서비스의 이해
- KIAT & 기술보증기금 주관, 5대 신사업 기술동향교육과정 -
2016년 9월 21일 강의자료
- 서문 -
안녕하세요. 소프트웨어 정책연구소의 양병석 연구원 입니다.
사실 인공지능의 강연을 요청 받고 살짝 망설였습니다.
연구소에서 제 메인 분야는 인공지능도 아니었고, 인공지능 서비스를 개발 해본 적은 있지만 정말 인공지능 개발자 사이에서 뛰어난 수준은 아니었기 때문이죠.
진짜 인공지능을 이론적으로 제대로 이해하는 것은 컴퓨터공학을 전공한 사람들에게도 가장 어려운 난이도 입니다.
다행히 이 강연의 청중들이 개발자가 아니란 이야기를 듣고 “기술”의 시선 보다는 “서비스의 시선으로 접근할 수 있다고 싶어 이 강연을 수락했습니다.
아무쪼록 부족하지만 재미있게 들어주셨으면 감사하겠습니다.
1. 1
AI 에 대한 7 가지 오해와 진실
소프트라인 R&D 센터 이호성
최근의 AI는 과거 하둡을 연상시킬 정도로 압도적 관심을 받고 있다. 수 년 간 ‘빅데이터 =
하둡’ 이라는 잘못된 인식이 유지된 것처럼 AI도 마치 뭔가 새로운 소프트웨어를 구매하고
신규 시스템을 구축하면 활용할 수 있는 만능 통치약처럼 이해되고 있다. 이런 오해에서
벗어나야 ‘남이 하니 나도 한다’ 의 주박에서 벗어나 진정한 data-driven organization 으로 나아갈
수 있다.
참고문서
• Robin Bordoli : The 7 Myths ofAI
http://www.datasciencecentral.com/profiles/blogs/the-7-myths-of-ai-by-robin-bordoli
AI 를 접하는 임원들의 자세
• 요즘 기업 임원들은 주요 미디어에서 다루는 AI에 대한 수많은 기사들을 보면서 크게 두
가지 의문점을 가지고 있다.
• 의문 1. AI와 관련한 사업기회는 실재하는가?
답변 : 실재한다. 오늘날의 기업들은 과거 인간의 지능을 필요로 했던 업무를 자동화하기
위해 AI를 활용하고 있다. 자동화를 통해 해당 업무의 볼륨을 100 배 이상 늘리고, 비용은
1/10 으로 줄이는 사례도 있다.
• 의문 2. AI를 어떻게 비즈니스에 적용하는가?
답변 : 간단한 답변은 어렵다. 이를 위해서는 먼저 AI에 대한 환상과 오해를 해소해야 한다.
실체를 먼저 파악한 이후에나 비즈니스 프로세스에 AI를 효과적으로 적용할 수 있는
프레임워크를 마련할 수 있을 것이다.
오해 1. AI 는 마법이다
2. 2
• 대부분의 주류 언론들은 AI를 마치 마법이나 신화처럼 묘사하고 있으며, 구글, 페이스북,
애플, 아마존, 마이크로소프트 같은 AI 선구업체들을 대마법사처럼 칭송하고 있음.
• 이러한 묘사는 전혀 도움이 되지 않음.
• 기업들이 AI를 도입하려면, 기업의 임원들이 AI를 이해해야 함.
• AI는 마법이 아니라 데이터, 수학, 패턴, 반복의 결과물이라는 점을 분명히 알아야 함.
• AI에 대한 이해를 위해 다음의 3 가지 핵심 개념에 대해 이해할 필요가 있음.
• 훈련용 데이터 (Training Data : TD) : 훈련용 데이터는 머신이 학습을 위해 활용하는 최초
데이터 집합. 훈련용 데이터는 입력값과 사전에 답변된 결과값으로 구성되어 있으며,
머신러닝 모델은 주어진 데이터 셋 속에서 일반화된 패턴을 찾아 결과값을 예측함. 예를
들어, 입력값은 고객과 고객지원 담당자 사이에 주고받은 이메일이 첨부된 지원요청
티켓이 되고, 결과값은 회사의 내부 분류 정의에 따라 지원요청 티켓에 1 부터 5 까지
할당하는 값이 될 수 있음.
• 머신러닝 (Machine Learning : ML) : 머신러닝은 훈련 데이터로부터 패턴을 학습하는
소프트웨어로서 이 패턴을 새로운 입력값에 적용하여 결과값을 예측할 수 있음. 예를 들어,
고객과 고객지원 담당자 사이에 주고받은 이메일이 첨부된 지원요청 티켓이 접수되었을
때 머신러닝 모델은 이 티켓의 분류값을 예측하고 예측값의 정확도를 반환함. 머신러닝의
핵심적인 기능은 정해진 규칙을 적용하지 않고 학습한다는 것. 따라서, 새로운 데이터가
들어오면 규칙을 조정하게 됨.
• 사람의 개입 (Human-in-the-loop : HITL) : 사람의 개입은 AI의 세 번째 핵심 요소. 머신러닝
모델은 완벽하지 않음. 훌륭한 머신러닝 모델도 기껏해야 70%의 정확도. 따라서, 사람이
개입된 워크 플로우가 필요하며 모델의 정확도가 떨어질 때는 사람이 개입하여 정확도를
향상시키거나 예측값을 보정할 필요가 있음.
• AI는 마법이 아니라 위 세가지 핵심 요소의 결합. (AI = TD + ML + HITL)
오해 2. AI 는 엘리트기업들의 전유물이다.
• 언론에서는 마치 AI가 아마존, 애플, 페이스북, 구글, IBM, 마이크로소프트, 세일즈포스,
테슬라, 우버 등 머신러닝 전문가 조직을 보유한 수백억원 이상의 투자가 가능한 엘리트
테크 업체들만의 고유 영역인 것처럼 암시하고 있으나, 이것은 전혀 사실이 아님.
• 오늘날 기존 비즈니스 프로세스에 AI를 적용하는 것은 1 억원 이하의 비용으로도 가능하다.
3. 3
• AI는 거대 엘리트 기업들의 전유물이 아니다. 그 문은 모두에게 열려있다.
오해 3. AI 로는 어마어마한 규모의새로운것을 해야한다.
• 주요 언론에서 다루는 AI 관련 기사들은 자동주행차, 자율형 드론 배달 등 미래지향적인
화려한 이야기들을 다룸.
• 구글, 테슬라 우버 등은 자율주행 자동차 시장을 선점하기 위해 공격적인 투자를 감행.
• 이런 이야기들을 보고 들으면서 마치 AI는 엄청난 투자가 필요한 완전히 새로운 무언가를
하는 것이라는 인식을 가질 수 있음. 이는 잘못된 인식.
• AI를 활용해 훨씬 적은 비용으로 기존 비즈니스에 직접적인 도움을 줄 수 있는 현실적인
아이템들도 많음. (고객과 주고받은 이메일 및 SNS 데이터 등의 비정형 데이터 분석으로
고객감성 분석 등)
• 고비용의 ‘화려한’ 엄청난 프로젝트를 할 수도 있지만, 저비용의 ‘지루한’ 프로젝트로도
충분히 그 가치를 발휘할 수 있음.
오해 4. 데이터보다 알고리즘이중요하다.
• 다양한 매체에서 AI라는 주제를 다룰 때 주로 머신러닝 알고리즘에 초점을 맞추어 마치
알고리즘이 가장 중요한 요소인 것처럼 보일 수 있음.
4. 4
• 마치 이 알고리즘들이 인간의 두뇌와 같은 것처럼 묘사하고 있으며, 알고리즘이 모든
마술을 부려 궁극적으로 인간의 두뇌를 뛰어넘을 것처럼 이야기하고 있음. (알파고가 커제,
이세돌을 격파!)
• 이런 자극적인 주제만 접하다 보니 “딥 러닝” 이라는 단어가 AI의 총아인 것처럼 주목을
받고, AI가 마치 인간의 두뇌를 만드는 능가하는 거대 시스템을 만드는 것으로 오해.
• 그래서 많은 기업들이 머신러닝 전문가들을 고용하면서, 이들이 완벽한 알고리즘을
만들어 내기를 기대하고 있음.
• 그러나, 모든 AI 기술은 고품질, 대용량 데이터에 기반해야 한다는 사실은 자주 잊혀지고
있음.
• 알고리즘에만 집중하고 알고리즘이 학습할 기반이 되는 데이터에 신경을 쓰지 않는다면,
AI에 대한 기대치와 결과물에는 큰 차이가 있을 수밖에 없음.
• 알고리즘을 훈련시킬 데이터의 확보 및 구축에 대한 어떤 계획이나 예산없이 상용
머신러닝 서비스 (MS, 아마존, 구글, IBM 등) 에 먼저 투자하는 것은, 주유소에 갈 수 없는
상황에서 자동차를 구매하는 것과 마찬가지임.
• 알고리즘을 훈련시킬 데이터의 품질과 양은 알고리즘 만큼이나 중요한 요소라는 점을
명심해야 함.
오해 5. 인간보다기계가뛰어나다.
• 지난 30 년동안 다양한 매체에서 인간을 능가한 기계 (machine) 에 대한 이야기를 다루었음
• 이러한 이야기들을 통해 마치 기계가 모든 면에서 인간을 뛰어넘을 것이고, 그것이 지금
현실로 벌어지고 있다는 오해를 갖게 하였음. 이는 현재 벌어지고 있는 상황과 전혀 다름.
• 알파고가 이세돌을 이겼다고 해서 ‘기계가 인간을 이겼다’ 고 말할 수 없음. 정확한 표현은
‘기계와 많은 인간들이손잡고 이세돌 한 명을 이겼다’ 임. 즉, 기계만의 역량으로 인간을
5. 5
이긴 것이 아니라, 기계와 인간이 서로의 부족한 부분을 보완하여 거둔 승리라는 뜻.
• 위 그림은 기계가 잘하는 일과 인간이 잘하는 일을 나누어 보여주고 있음.
• 기계는 정형 데이터에 대한 연산에 엄청나게 뛰어남. (좌측 그림처럼 Eigen 벡터를
탐색하라)
• 인간은 주어진 데이터의 의미와 문맥을 이해하는 데에 뛰어남. (우측 그림 중에서 호피무늬
드레스를 찾아라)
• 따라서, AI 는 기계와 인간이 서로의 약점을 보완하여, 과거에는 인간만이 할 수 있었던 일을
기계와 인간이 함께 훨씬 효율적으로 수행할 수 있도록 해줌.
오해 6. AI 로 인해 기계가 인간을 대체할것이다.
• 주요 미디어들은 기계가 인간을 점령하는 디스토피아적 미래를 그리는 컨텐츠를 자주
보여주고 있음. 오랜 시간이 지난 후에는 사실일 수도 있으나, 가까운 미래에는 벌어질 수
없는 일.
• 또한, 이는 기계와 인간의 협업을 저해하고 있음.
6. 6
• 현재의 AI는 기계와 인간이 협업을 계속함에 따라 장기적으로 업무의 효율성만이 아니라
업무 범위 자체를 넓힐 수 있음.
• 예를 들어, 접수한 고객 불만 사항을 자동분류하는 머신러닝 모델을 도입한다고 가정
(대부분의 기업은 100% 사람의 손으로 분류하고 있음). 이 모델이 하루에 1 만건의
불만사항을 70%의 정확도로 분류해 낼 수 있다면 나머지 30%는 사람이 참여해야 함
(Human-in-the-loop).
• 사람이 입력한 30%의 분류 결과값이 다시 모델에 입력값으로 제공되면, 모델의 정확도가
다시 올라가게 됨.
• 이 과정을 반복적으로 수행하면 모델의 정확도는 계속 향상되며, 하루 1 만건이 아니라
2,3 만건을 처리할 수 있게됨. 그리고, 과거에 이러한 단순 분류를 하던 사람들은 보다
부가가치가 높은 업무에 집중하도록 할 수 있음.
• 위 그림의 녹색 영역은 인간이 수행하는 범위 (머신러닝 모델의 정확도가 낮은 업무), 파란
영역은 기계가 수행하는 범위 (머신러닝 모델의 정확도가 높은 업무).
7. 7
• 모델의 정확도가 점차 높아져서 기계가 수행하는 업무양이 늘어나고, 정확도가 높은
업무는 기계에게 대부분 맡기고, 인간은 모델이 처리하지 못하는 업무에 집중함으로써
인간과 기계가 협업하여 처리 업무양이 전체적으로 늘어나는 모습을 보여줌.
• 결국 인간과 기계가 AI 를 통해 협업하여 업무 효율성을 향상시키는 것이지, 기계가 인간을
밀어내는 상황이 아님.
오해 7. AI = 머신러닝
• AI와 머신러닝 (알고리즘) 의 개념을 혼동하는 데에서 발생하는 오해.
• 그만큼 AI에 대한 전반적인 이해도가 많이 떨어진다는 것을 방증하고 있음.
• 이 오해가 상용 머신러닝 서비스에 투자만 하면 자동적으로 마법처럼 AI 기반
어플리케이션을 활용할 수 있을 것이라는 환상으로 이어지고 있음.
• 머신러닝은 AI의 하위개념이며 AI 어플리케이션을 구성하는 하나의 요소.
• 전술한 바와 같이 데이터 없는 머신러닝은 기름없는 자동차. 어디도 갈 수 없는 비싼 금속
덩어리.
• 인간의 관여없는 머신러닝은 맞지않는 총. 인간의 개입이 있어야 비즈니스에 활용할
정도의 정확도를 보장할 수 있으며, 인간의 개입을 통해서만 정확도를 향상시킬 수 있음.
AI 의 7 가지 진실
• 진실 1. AI = TD (Training Data) + ML (Machine Learning) + HITL (Human-in-the-loop)
• 진실 2. 모든 기업은 AI를 활용할 수 있다.
• 진실 3. 화려한 프로젝트가 아닌 단순한 기존 비즈니스 문제를 해결하기 위해 AI를 활용할
수 있다.
• 진실 4. 머신러닝 알고리즘과 데이터의 양/질은 둘 다 똑같이 중요하다.
• 진실 5. 기계와 인간은 상호 보완적인 존재다.
• 진실 6. AI는 인간의 능력을 증강해 준다.
• 진실 7. AI = TD (Training Data) + ML (Machine Learning) + HITL (Human-in-the-loop)