머신 러닝이 인간의 독창성을 높이는 방법
- 머신 러닝은 데이터를 이용하여 문제를 해결하고 시스템을 연결하면서 업무 수행 방식을 바꿔 산업을 변화시키고 있다.
- 이를 선도하는 기업은 새로운 디지털 생태계를 실현할 강력한 입지를 확보한다.
- 고객의 요구를 더 효율적으로 예측하면 프로젝트 성공률과 고객 성과가 향상된다.
기계가 사고할 수 있을까? 영국의 수학자 앨런 튜링(Alan Turing)은 1950년대에 이 질문을 던지며 인공지능(AI) 연구의 기초를 마련했다. 곧이어 MIT는 최초의 인공지능 연구소(Artificial Intelligence Laboratory)를 열었다. 이후 수십 년 동안, 연구자들은 논리적으로 추론하고, 자연 언어를 이해하며, 머신 비전을 활용하고, 인간 두뇌를 모델링할 수 있는 컴퓨터 시스템을 구축하려고 시도해 왔다. 그러나 주로 컴퓨팅 성능이나 데이터의 부족, 혹은 방법과 자금의 부족으로 인해 AI 연구는 항상 장애물에 부딪혔다.
2000년대 중반에 들어 수학, 연산 능력, 빅 데이터, 클라우드 연결의 획기적인 발전으로 훨씬 더 심층적이고 복잡한 모델의 개발이 가능해졌다. 이러한 발전은 거의 동시에 일어났다. 항성 충돌 후 초신성이 폭발하는 것처럼, 이러한 기술 발전의 융합은 머신 러닝을 촉발하는 연쇄 반응을 일으켰다.
구글 지도는 머신 러닝이 어떻게 일상생활에 들어와 있는지를 보여주는 하나의 예다. 구글 지도의 도로망 모델에 정보를 제공하는 지리공간 거리 데이터는 오류나 오래된 정보를 포함하는 경우가 많지만, 머신 러닝 알고리즘이 구글의 스트리트 뷰 화상을 이용하여 오류를 신속하게 수정할 수 있다. 어떤 교차로의 정지 신호가 원본 지도 데이터에는 표시되지 않고 스트리트 뷰 이미지에만 표시되는 경우가 있을 때, 시스템에서 오류를 인식하고 자동으로 수정할 수 있다.
데이터는 머신 러닝을 강화하는 원동력이다. 클라우드 컴퓨팅의 확산과 산업용 사물 인터넷(IIoT)의 수십억 개에 달하는 센서는 머신 러닝을 가능하게 하는 데이터를 캡처한다. 처리하는 데이터의 포괄성, 관련성 및 다양성을 기반으로 효과적인 머신 러닝 시스템을 구축할 수 있다.
오늘날 머신 러닝 시스템은 이미 인간보다 얼굴을 더 잘 인식하고, 암도 더 잘 찾아낼 수 있다. 그러나 머신 러닝 도구의 진화는 단계적으로 이루어지며, 사물을 만드는 과정을 계속해서 간소화하고 강화하여 사람들이 일하는 방식을 변화시킬 것이다. 머신 러닝으로 인간은 창조자이자 큐레이터, 조력자가 될 것이다. 인간과 기계의 공생을 이루는 것이다. 확장된 잠재력의 세계, 한계 없는 자유로운 창의성의 시대가 기다리고 있다.
다음에서 AI, 머신 러닝, 현재의 역량, 미래의 가능성에 대해 자세히 알아보자.
머신 러닝이란?
머신 러닝과 AI는 종종 같은 의미로 사용되지만, 사실 머신 러닝은 AI의 하위 집합이다. 이러한 기술의 미래를 이해하려면 해당 기술이 무엇인지 아는 것이 중요하다.
전통적인 방식의 컴퓨터는 수신한 정보를 학습하거나 그에 따라 적응할 수 없다. 정보를 단순히 보유하고 있을 뿐, 같은 오류를 반복하거나 동일한 문제를 해결하지 못한다. 머신 러닝은 특정 결과를 내도록 직접적으로 프로그래밍하지 않아도 컴퓨터가 데이터와 결과를 이해하고 해석하도록 가르칠 수 있다. 이를 통해 기술은 거의 무한한 시나리오에 놀라운 속도로 과거 경험을 기반으로 한 결정을 내릴 수 있다.
머신 러닝은 어떻게 작동하는가?
이와 같은 프로세스의 핵심인 머신 러닝은 대규모 데이터 하위 집합을 이용하여 인간이 작업하는 데 걸리는 시간보다 훨씬 짧은 시간 안에 패턴을 찾는다. 그런 다음 컴퓨터는 이러한 학습 내용을 적용하고 향후 결과를 예측할 수 있다. 더욱 스마트하고 효율적인 선택을 위한 권장 사항을 제시할 수도 있다. 그러나 머신 러닝을 사용하면 컴퓨터가 인간의 프로그래밍이나 지시 없이 이 모든 작업을 수행한다. 컴퓨터가 연산 능력을 사용하여 스스로 ‘학습’하는 것이다.
간단히 말해 머신 러닝은 우리가 온라인 쇼핑을 하거나 어떤 주제에 관해 조사할 때 경험하는 것이다. 검색 엔진이나 전자상거래 사이트는 당신이 보고 있는 것, 클릭하는 것, 장바구니에 추가하는 것, 가장 길게 들여다보고 있는 것을 관찰한다. 머신 러닝은 과거 활동을 기반으로 더 많은 추천 사항을 제공할 수 있게 해준다.
이는 지도 학습(supervised learning)이라고 불리는 머신 러닝의 한 유형이다. 알고리즘은 정보원에서 데이터와 피드백을 수집하고 이를 분석하여 특정 결과로 이어지는 관계성을 찾는다. 그리고 해당 데이터를 새로운 데이터와 함께 사용하여 더 나은 결과를 예측할 수 있다. 예를 들어, 이러한 유형의 머신 러닝은 회사가 특정 제품에 대해 고객이 어떤 점을 좋아하는지 이해하여 이러한 특성을 강조하고 향후 구매로 이어지도록 유도하는 데 도움이 될 수 있다.
비지도 학습(unsupervised learning)은 결과가 무엇이 되어야 할지 분명하게 알려주지 않아도 데이터 세트를 면밀히 살펴 관계나 결과를 찾는다. 이러한 유형의 머신 러닝은 찾고자 하는 답을 모를 때 유용하다. 예를 들어, 고객으로부터 데이터를 수집하는 경우 비지도 학습을 사용하여 고객을 마케팅이나 전략적 커뮤니케이션에 따라 더 작은 집단으로 분류할 수 있다.
강화 학습(reinforcement learning)은 개별 행동으로 최대의 보상을 창출하는 것을 목표로 하는 단순화된 알고리즘이다. 게임에서 강화 학습 알고리즘은 승리하는 것이 목표하는 결과라는 이해를 통해 게임을 학습할 수 있다. 알고리즘은 게임을 승리로 끝낼 가능성이 가장 높은 방법을 찾아 선택하는데(선택 강화), 시간이 지남에 따라 처음에 그 게임을 개발했던 컴퓨터 시스템을 이길 수도 있다.
머신 러닝의 이점
인간의 사고에는 컴퓨터가 할 수 있는 것 이상의 많은 능력이 있다. 그러나 결국 인간이 모든 것을 모델링할 수는 없다. 인간은 좋든 나쁘든 주어진 데이터를 기반으로 선택과 가정을 한다. 하지만 AI는 이를 근본적으로 변화시킬 수 있는 잠재력이 있으며, 장차 모든 산업 및 고객과 비즈니스 사이의 관계도 변화시킬 것이다. 머신 러닝은 가정과 의사결정을 단순화할 수 있으며, 비즈니스 방식, 고객 확보 방식, 그리고 솔루션 검색 방식까지 변화시킬 것으로 전망된다.
더 많은 아이디어와 혁신
창의성과 혁신은 지루한 일상 업무에 가려져 있는 경우가 많다. AI가 이 지루한 작업을 처리, 제거, 단순화할 수 있다면 설계자가 새로운 아이디어를 탐구할 수 있다. 래피드 프로토타이핑(rapid prototyping)이 더 빠른 속도로 이루어질 수 있다. 머신 러닝은 실제 테스트 방법보다 더 빠르게 이러한 시제품에 데이터를 적용할 수 있다. 그 결과 보다 훌륭하고 성공 가능성이 더 높은 제품이 나올 수 있다. AI는 반복적인 작업을 최소화하거나 제거하여 설계자가 창의적인 아이디어를 탐구할 수 있도록 해준다.
더 많은 기회
미래에 AI는 한 회사를 완전히 바꿔 놓을 수 있는 잠재력을 가지고 있다. 수십 년 동안 특정 시장에서 건설업을 해 온 건설 회사를 상상해 보자. 그 기간 수집해 온 디지털 데이터에는 그 시장에서의 모범 관행을 보여주는 데이터 소스가 있다. 이를 모델로 만들고 출시하여 다른 신생 건설 회사가 사업을 더 원활하게 전환하는 데 사용하도록 판매할 수도 있다. 이제 기존 회사는 모델 라이선스를 활용하여 오랜 기간 수집한 데이터를 통해 디지털 수익원을 확보하게 되는 것이다.
더 심층적인 탐구
대부분의 설계 문제에는 상호 연결된 요소가 너무 많아서 모든 것을 예측하기가 불가능하다. 머신 러닝은 이전에는 인간의 능력 범위를 넘어섰던 데이터의 깊이와 복잡함을 볼 수 있게 해준다. 사람들이 아이디어와 혁신을 위한 더 많은 시간을 가질 때, 개발할 수 있는 새로운 아이디어로 기계의 개별 부품과 같은 미시적 선택부터 도시 계획과 같은 거시적 선택에 이르기까지 다양한 가능성을 탐구할 수 있다.
더 강한 리더십
이를 선도할 기업은 인간과 기계의 역량을 결합할 비결을 찾아내고 있다. 디지털화는 단지 컴퓨터와 전선을 사물에 연결하는 것만을 뜻하지 않는다. 시스템이 의도한 환경에서 실제로 작동하도록 하고, 기계, 공장, 건설 현장 및 미디어 제작 체계가 잠재력을 발휘하도록 하는 것이 중요하다.
이를 통해 회사는 분야를 바꾸어 단순한 제조 회사 또는 건설 회사에서 벗어날 수 있는 강력한 입지를 확보할 수 있다. 새로운 종류의 디지털 생태계를 더욱 폭넓게 조력할 수 있는 위치에 설 수 있는 것이다.
더 많은 프로젝트
더 스탠디시 그룹(The Standish Group)에 따르면 현재의 비즈니스 모델에서 단 35%의 프로젝트만이 성공한다. 이는 회사의 규모와 관계없이 자원에 큰 부담이 된다. 그리고 프로젝트 자체도 더욱 복잡해졌다. 많은 산업 분야에서 이러한 프로젝트를 수행할 수 있는 기술을 갖춘 인력이 충분하지 않다. 그리고 간소화된 시스템 접근 방식이 필요한 경우에도 대량의 데이터와 디지털 도구 때문에 워크플로가 분할될 수 있다.
프로젝트 관리의 현대화는 회사가 낭비와 비효율성을 줄이는 더욱 성공적인 워크플로를 개발하는 데 도움이 될 수 있다. 이는 결국 전반적으로 더 많은 프로젝트와 더 성공적인 프로젝트로 이어질 수 있다. 아주 단순히 말하자면 프로젝트는 곧 비즈니스이며, 비즈니스는 곧 성장이다. AI를 사용하면 더 빠른 아이디어 구상을 통해 팀이 현재의 능력을 훨씬 뛰어넘는 속도로 상상하고, 개발하고, 실행할 수 있다.
더 큰 고객 만족
AI를 사용하여 얻길 원하는 최종 결과는 모든 사람과 프로젝트가 더 성공하는 것이며, 이는 고객 성과에 특히 중요하다. 머신 러닝은 데이터와 결과를 사용하여 비즈니스에서 고객의 기대와 현실 사이의 격차를 줄이는 데 도움을 줄 수 있다.
기업은 AI를 활용한 도구를 사용하여 이전 구매내역을 기반으로 고객의 요구를 더 잘 예측할 수 있다. 특정 부품을 재주문할 때가 되면 전화, 이메일 또는 기계로 알림을 보낼 수 있다. 고객의 데이터를 사용하면 이러한 메시지의 시간을 더욱 정확하게 측정하고, 관련 서비스나 보조 콘텐츠를 전달할 수도 있다.
AI 기반 챗봇은 고객과 기업 간의 실시간 '상호작용'을 제공하고 질문을 탐색하여 더 신속하게 해결하도록 도와줄 수 있다. 챗봇의 지식이나 학습을 능가하는 문제일 경우, 고객은 맞춤형 서비스를 위해 통화 기록으로 유입될 수 있다. 2022년 데이터에 따르면, 사용자의 68%가 챗봇의 응답 속도에 만족했다. 고객 서비스에서 AI 기반 챗봇은 사람보다 더 빨리 문제를 해결할 수 있는 경우가 많다.
머신 러닝, AI, 딥 러닝
머신 러닝은 모든 산업에 깊은 영향을 미치는 개념이다. AI의 엄청난 잠재력이 이제 막 떠오르기 시작했지만, 현재 AI에는 인류의 창의성, 호기심, 공감을 비롯한 여러 특성을 반영할 수 있는 다양한 입력 정보가 부족하다. 그러나 복잡한 시스템을 직접 해석하는 머신 러닝의 능력과 인간의 강점을 결합하면 혁신적인 창의력을 발휘할 수 있다.
AI는 일반적으로 인간의 지능과 지시가 필요한 작업을 컴퓨터가 수행하도록 이끄는 과학 분야다. 이 과학은 데이터 세트를 사용하여 인간의 능력으로 풀 수 없는 결과를 조사하고 설명하며 예측한다. AI는 가장 광범위한 용어로, 보통 다른 개념을 설명하는 데 자주 사용된다.
머신 러닝은 프로그래밍이나 수기 입력 없이 컴퓨터가 스스로 데이터 세트에서 ‘학습’할 수 있도록 하는 컴퓨터 과학의 한 유형이다.
머신 러닝의 일종인 딥 러닝은 데이터를 이해하기 위해 점점 더 많은 처리층을 사용한다. 이러한 처리층은 인간 두뇌의 자연스러운 데이터 처리 구조와 능력에서 영감을 받았다.
전 세계에서 문제 해결의 혁명을 일으킬 머신 러닝
세계적으로 가장 어려운 문제를 해결하려면 기존의 메커니즘을 넘어서야 하며, 새로운 접근 방식과 기술이 필요하다.
예를 들어 컴퓨터만으로는 기후 변화를 해결할 수 없다. 컴퓨터가 충분한 맥락을 이해하지 못하기 때문이다. 또한 사람 개개인도 건물 등의 설계에 포함된 기후에 영향을 미칠 수 있는 모든 요소를 이해하지 못한다. 매우 강력한 소프트웨어로 작업하는 매우 창의적인 사람들이 바로 이런 부분에서 머신 러닝의 진정한 잠재력을 실현할 수 있다. 하지만 먼저 현재의 장애물을 없애야 한다. 장애물 중 하나인 복잡한 소프트웨어는 종종 아이디어를 갖고 있는 사람들과 그들이 찾고자 하는 솔루션 사이를 가로막고 있다.
설계 및 제조 산업은 여전히 파일 기반의 호환되지 않는 구식 프로세스와 형식에 갇혀 있다. 데이터가 서로 다른 곳에 있어서 특정 프로그램이나 기능 외부에서는 사용할 수 없다. 제조업체는 플랫폼 전반에 통하는 AI 기반 기술을 통해 시장 상황에 더욱 민첩하고 예민하게 반응할 수 있다.
오래된 소프트웨어로 가동하는 설비로 이루어진 전통적인 공장을 예로 들어 보자. 구식 소프트웨어 때문에 이 설비를 인터페이스로 연결하고 CAD 데이터를 공장에 입력하기가 어렵다. 설계를 공장에 보내는 경우, 이 데이터는 설비와 통신하는 인터페이스를 위해 재해석되어야 하며, 이 특정 설비에만 적용될 것이다. 자동차 제조업체가 운영하는 공장과 같은 곳에서 가공 및 생산 라인을 변경하는 데 1년 이상이 걸리는 것이 당연하다. 플랫폼과 네트워크 전반에 통하는 AI 기반 기술을 사용하면 기업은 완전히 다른 방식으로 시장 요구에 대응하며 경쟁에서 우위를 확보할 수 있다.
머신 러닝이 극적인 영향을 미칠 수 있는 또 다른 심각한 문제로 도시화가 있다. 도시화 문제를 해결하려면 일어나고 있는 일에 대한 현실 데이터가 충분해야 한다. 컴퓨터는 한 번도 접해본 적이 없는 것을 모델링할 수 없으며, 인간은 처리하기 너무 복잡한 것을 무시할 때가 있다. 데이터를 수집하여 시스템으로 가져와 데이터 흐름의 일부로 만드는 것이 그에 대한 답이다. 전통적으로 이러한 유형의 작업은 파일 기반 소프트웨어의 한계와 한 위치에서 다른 위치로 파일을 이동하는 일의 복잡성으로 인해 교착 상태였다.
클라우드 기반 플랫폼은 이러한 문제를 없애고 신속한 혁신을 위한 길을 열어준다. 지난 수십 년 동안 클라우드 기반 플랫폼을 사용하는 기업은 데이터를 분할하여 세세한 부분으로 나누어 적시에 적절한 사람에게 올바른 데이터를 제공할 수 있었다. 이를 통해 비효율적인 소프트웨어 및 인터페이스에 대한 부담 없이 기업의 모든 사람과 역할을 위한 유연한 워크플로를 훨씬 쉽게 구축할 수 있다.
오토데스크가 고객의 요구를 충족하도록 돕는 방법
오토데스크는 수십 년 동안 데이터와 클라우드 플랫폼 학습을 수집하고 활용하여 고객을 성공으로 이끄는 솔루션을 개발해 왔다. 설계 및 제작 서비스에 대한 수요는 해마다 기하급수적으로 증가하고 있으며, 이 산업들에는 주택을 위한 AI 기반 솔루션, 더욱 스마트한 건설 옵션, 생산 및 렌더링을 위한 더욱 확장 가능한 선택이 필요하다. 그리고 높은 품질과 비용 대비 효율을 위해서는 이 모든 것이 필요하다. 오토데스크는 고객의 요구에 AI를 구현하는 데 있어 다음 세 가지 영역에 중점을 둔다.
증강: AI의 목표는 창의성을 대체하는 것이 아니다. 인간 본성의 타고난 창의성을 대체하는 것은 불가능하다. 그러나 대량의 데이터를 처리하는 컴퓨터 기술을 사용하면 기존의 인간 능력 범위를 넘어서는 시나리오와 결과를 시각화하는 데 도움이 될 수 있다.
자동화: 창의적인 작업은 시간과 노력이 많이 드는 지루하고 비창의적인 작업을 포함한다. 예를 들어 설계자는 공장에 보낼 기술 도면 세트를 제작해야 한다. 머신 러닝으로 도면을 제작하면 설계자가 프로세스에서 더 혁신적이고 상상력이 필요한 측면에 집중할 시간을 확보할 수 있다.
분석: 분석은 데이터를 활용하는 것이다. 단순히 엄청난 양의 데이터를 수집하는 것이 유용한 것은 아니다. 머신 러닝은 수집한 데이터를 분석하여 추세를 파악하고, 징후를 포착하며, 더 나은 솔루션으로 이어질 인사이트를 드러낼 수 있다.
이러한 프로세스 중 상당수가 이미 설계 및 제작 산업과 서비스 분야에서 이루어지고 있다. 오토데스크 Forma(포마)는 일광 시간 분석을 이용하여 건물의 채광과 거주자의 편안함을 극대화한다. 또한 신속한 소음 분석과 바람 분석을 이용하여 에너지 효율, 소음 공해 및 기상 조건을 최적화할 수 있다.
Markup Import and Markup Assist(표식 가져오기 및 표식 도우미)를 사용하면 오토데스크 AutoCAD(오토캐드) 수정 및 표식의 수작업과 지루함을 줄여준다. 필기 인식, 텍스트로 변환, 그림 위에 레이어링 등이 기능에 포함되어 있다. 그리고 공유할 레이어의 크기를 조정하거나 이동하거나 회전할 수 있다. 오토데스크 Maya Assist(마야 어시스트)는 향상된 애니메이션을 위한 AI 기반 텍스트 프롬프트를 사용하여 디자인 및 시각 효과의 구성 요소를 간소화된 프로젝트로 모두 가져온다.
오늘날 비즈니스 분야에서 AI와 머신 러닝이 지속해서 발전하고 있지만, 일부 기업은 고객을 위해 이러한 플랫폼을 채택하는 것을 꺼린다. 기업의 인프라에 큰 전환을 일으키려면 효율성에서 계단 함수와도 같은 전망이 필요하다. 효율성이 5%, 심지어 10%가 향상된다고 하더라도 기업은 아무것도 하지 않을 것이다. 그러나 어떤 행동이 500% 또는 1,000%의 도약을 가져온다면 투자할 가치가 있다. 그리고 현재 기술 지형에서 이러한 수준의 가속화를 약속하는 것은 AI가 유일하다. 클라우드 플랫폼은 단절된 프로세스를 없애고 건설 현장의 소통을 향상한다.
이러한 잠재적 이득의 전형적인 예는 건설이다. 건설은 세계 어느 도시에서나 매일, 어디서든 이루어진다. 건설에는 종종 수십 개의 회사가 참여하고 모든 곳에서 데이터를 수집한다. 이러한 환경에서는 데이터 흐름이 원활하지 못하기 때문에 복잡한 문제를 해결하기가 어렵다. 정보가 프로세스의 한 부분에서 다른 부분으로 변환되지 않는 일회성 프로그램 및 파일에 존재하는 것이다.
클라우드 플랫폼은 이러한 문제를 해결할 수 있다. 물론 즉시 해결되는 것은 아니다. 데이터가 이러한 플랫폼을 통해 흐를 수 있으면 통찰력이 모이고, 결국에는 인간의 지시 없이 새로운 워크플로가 생성되므로 사람은 작업의 다른 요소에 집중할 수 있다.
AI는 인력 역학에 근본적인 변화를 일으키고 전 세계의 문제를 해결하는 데 점점 더 유용한 기술이 될 것이다. 그리고 해결할 문제는 늘 있다.
AI의 역할은 아직 발전하는 중이고 알려지지 않은 부분이 많지만, 여기에는 사람들이 해양 폐기물 및 기후 변화와 같은 어려운 문제를 해결하는 데 도움이 되는 변화의 생태계를 만들어 현재의 기술과 내일의 결과 사이의 장애물을 제거할 잠재력이 있다.