예측 기계 - 어제이 애그러월 외 지음

예측 기계

어제이 애그러월 외 지음

생각의힘 / 2019년 1월

1장 들어가는 말 - 기계 지능 : 아이가 숙제를 하고 있다. 질문이 들린다. “델라웨어의 주도는?” 부모는 생각한다. ‘볼티모어? 아닌 것 같은데……’ 하지만 생각이 끝나기도 전에 알렉사(Alexa)가 정답을 알려 준다. “델라웨어의 주도는 도버입니다.” 알렉사는 아마존의 인공지능(AI)인데 자연어를 해석해 빠른 속도로 질문에 답한다. 알렉사는 부모를 대신하는, 아이 눈에는 모르는 것이 없는 정보원이다. 

우리가 세운 크리에이티브 디스트럭션 랩(CDL)은 과학을 기반으로 하는 스타트업의 성공 확률을 높이기 위한 초기 단계의 프로그램이다. 당초 CDL은 모든 스타트업에 문호를 개방했지만, 2015년에 우리가 가장 주목한 벤처 사업은 대부분 인공지능을 활용하는 기업들이었다. 우리는 인공지능이 곳곳에서 활용되는 모습을 지켜보면서 이런 기술이 사업 전략에 미치는 영향에 초점을 맞춰 연구했다. 

인공지능은 예측 기술이고, 예측은 의사결정에 필요한 입력 데이터(input data)이며, 경제학은 결정의 기초가 되는 트레이드오프(trade-off)를 이해하는 데 필요한 프레임워크를 제공한다. 예측 기술의 발전이 미칠 영향력을 제대로 이해하고 있지 못해도, 경제학에서 말하는 의사결정 이론의 오래된 논리를 적용하면 인공지능에 접근하는 데 필요한 일련의 통찰력을 얻을 수 있다. 이 책에는 우리가 처음으로 알아낸 중요한 통찰이 제시되어 있다. 즉, 인공지능이라는 새로운 물결이 가져다준 것은, 지능이 아니라 지능의 중요한 요소인 ‘예측’이다. 아이가 질문을 했을 때 알렉사가 했던 것은 소리를 듣고 아이가 한 말을 예측한 다음, 그 말이 찾고 있는 정보가 무엇인지 예측하는 행위였다. 사실 알렉사는 델라웨어의 주도를 ‘알지’ 못한다. 그러나 알렉사는 사람들이 그런 질문을 할 때 그들이 특정한 대답, 즉 ‘도버’를 찾는다는 사실을 예측할 줄 안다.

이 책은 인공지능 경제에서 성공하기 위한 레시피가 아니다. 오히려 우리는 ‘트레이드오프’를 강조한다. 데이터가 많다는 것은 프라이버시가 줄어든다는 뜻이다. 속도가 빠르다는 것은 정확도가 떨어진다는 뜻이다. 자동화된다는 것은 통제가 줄어든다는 뜻이다. 우리는 당신의 사업에 최고의 전략을 처방하지 않는다. 당신의 회사, 당신의 경력, 당신의 국가에 가장 좋은 전략은 당신이 모든 트레이드오프의 각 방면에서 어떤 식으로 비중을 배분하느냐에 달려있다. 이 책은 가장 좋은 결정을 내릴 수 있도록 핵심 트레이드오프를 찾아내고, 유불리(有不利)를 따질 수 있는 방법론적 구조를 제시한다. 

값이 싸지면 모든 것이 바뀐다 : 예측은 빠진 정보를 채우는 과정이다. 예측은 ‘데이터’라고도 불리는 지금 가진 정보를 활용해 가지고 있지 않은 정보를 만들어낸다. 그런데 새로운 인공지능 기술은 예측의 비용을 떨어뜨린다. 그리고 예측의 비용이 내려가면 예측의 횟수가 늘어난다. 예를 들어 1960년대에 컴퓨터 산업의 도약으로 연산 비용이 빠르게 내려가자, 사람들은 이미 기존의 데이터로 연산을 하고 있던 여러 분야에서 더 많은 연산을 했고, 나중에 사진처럼 애당초 연산과 관련이 없는 분야에서도 값이 싸진 연산을 사용하기 시작했다. 원래 사진은 화학의 영역이었지만, 연산 비용이 크게 떨어지면서 연산 기반의 솔루션, 즉 디지털 카메라로 옮겨갔다. 디지털 이미지는 0과 1의 조합으로, 연산을 이용해 눈으로 볼 수 있도록 재조립한 이미지다. 무엇보다도 예측의 비용이 계속 내려가기 때문에 원래 예측의 영역이 아니었던 곳에서도 예측이 활용된다는 점이 중요하다.

인터그레이트닷에이아이의 캐스린 하우는 어떤 문제를 예측 문제로 재구성하는 능력을 ‘인공지능 통찰력(AI Insight)’이라고 부른다. 요즘 웬만한 엔지니어들은 대부분 인공지능 통찰력을 갖추고 있다. 예를 들어 차량도 예측의 영역으로 진입했다. 자율주행 차량이 엄격하게 통제되어 예측이 가능한 환경이 아닌 다른 곳에서도 기능을 발휘할 수 있게 된 것은 엔지니어들이 운행을 예측 문제로 재구성하게 된 이후였다. 그들은 기계에 어떤 환경에서 어떤 일을 하라고 말하는 대신 한 가지 예측, 즉 ‘인간이라면 어떻게 할까?’에만 초점을 맞출 수 있다는 사실을 알아냈고, 이제 기업들은 시내와 고속도로 등 통제되지 않은 환경에서도 자율운행이 가능하도록 기계를 훈련시키는 데 많은 돈을 쏟아붓는다.

예측의 값이 싸지면 예측이 더 많아지고 예측에 대한 보완재도 더 많아진다. 이런 두 가지 간단한 경제적 요인을 바탕으로 예측 기계는 새로운 기회를 만들어 낸다. 예측 기계는 예측하는 인간의 업무를 덜어 주어 비용을 절약하고, 예측 기계의 가동률이 높아질수록 의사결정의 질은 향상된다. 그러다 예측의 정확도가 높아지고 신뢰할 만한 수준이 되는 순간, 예측 기계는 조직의 일 처리 방식을 통째로 바꾼다. 일부 인공지능은 기업 경제에 매우 극적인 영향을 주기 때문에 당초 전략과 달리 더 이상 생산성을 높이는 용도로만 사용되지는 않을 것이다. 즉 인공지능은 아예 전략 자체를 바꿀 것이다. 

1부 예측

왜 지능이라고 하는가? : ‘딥러닝’이라 불리는 최근의 발전의 토대가 되는 핵심 기술은 역전파(back propagation)라는 방식이다. 역전파는 사례를 통해 배운다. 자연 두뇌와 비슷한 방식으로 번거로운 모든 절차를 피하는 것이다. 아이에게 ‘고양이’라는 단어를 가르치고 싶다면 고양이를 볼 때마다 그 단어를 말해 주면 된다. 머신러닝도 기본적인 원리는 같다. 머신러닝에 ‘고양이’라는 라벨이 붙은 고양이 사진을 무수히 입력하고, 또 ‘고양이’ 라벨이 붙지 않은 고양이가 없는 사진을 무수히 입력한다. 그러면 기계는 ‘고양이’라는 라벨과 관련된 픽셀의 패턴을 인식하는 법을 배운다. 

고양이와 개가 있는 사진을 많이 갖고 있으면 고양이와 다리가 넷인 대상의 연결 고리가 강화될 테지만, 개와의 연결 고리도 역시 강화될 것이다. 좀 더 구체적으로 밝히지 않고, 개가 없는 사진을 비롯해 여러 다른 변수가 있는 수백만 장의 사진과 라벨을 기계에 입력하면, 기계는 더 많은 연관 관계를 개발해 개와 고양이를 구분하는 법을 배운다. 이제 문제는 알고리즘 문제(고양이의 특징은 무엇인가?)에서 예측 문제(라벨이 없는 이 사진에는 내가 전에 봤던 고양이의 특징이 있는가?)로 바뀌었는데, 머신러닝은 확률 모델을 사용해 문제를 해결한다. 왜 머신러닝을 인공지능이라고 하는가? 머신러닝의 출력 결과, 즉 예측은 지능의 핵심 요소다. 그 때문에 예측의 정확도는 배워서 향상시킬 수 있고, 예측의 정확성이 높으면 기계가 대상 인식 같은, 인간의 지능이 개입해야 하는 임무를 수행할 수 있다. 

제프 호킨스는 『생각하는 뇌, 생각하는 기계』에서 처음으로 예측이 인간 지능의 기본이라고 주장했다. 그런 주장의 본질은 창의력과 생산성 향상의 핵심이 되는 인간 지능의 우수성이 우리의 두뇌가 메모리를 사용해 예측하는 방법에서 기인한다는 것이다. 호킨스는 우리가 어떤 것을 경험할 때, 즉 보고 느끼고 들을 때 우리 두뇌는 끊임없이 예측한다고 주장한다. 신체와 정신이 발달하고 성숙하면서, 두뇌의 예측은 점점 더 정확해진다. 즉 예측은 종종 현실이 된다. 그러나 예측이 앞일을 정확하게 예측하지 못하면 우리는 뭔가 잘못되었다는 것을 알아채게 되고, 그 정보는 두뇌로 다시 입력되고, 두뇌는 그 정보의 알고리즘을 업데이트해 학습하고 모델을 더욱 향상시킨다. 호킨스의 주장은 논란의 여지가 있다. 하지만 기반이 되는 모델의 적정성 여부와 관계없이, 예측이 지능의 기반이라고 강조하는 호킨스의 주장은 최근 변화를 모색하는 인공지능의 영향을 이해하는 데 도움이 된다. 

머신러닝이 보여 주는 최근의 진전은 인공지능의 진전으로 간주되기도 한다. 그 이유는 이런 기술을 기반으로 하는 시스템이 스스로 학습해 시간이 갈수록 성능이 향상되고, 이런 시스템이 정해진 조건에서 다른 방식보다 훨씬 더 정확한 예측을 내놓는 데다, 일부 전문가들은 예측이 지능의 핵심이라고 주장하며, 이들 시스템에 의한 예측의 정확성이 향상되면서 번역이나 내비게이션처럼 인간의 지능으로만 가능하다고 여겼던 과제를 수행할 수 있게 되었기 때문이다. 

2부 의사결정

결정의 해체 : 어떤 직종이나 어떤 업무에서도 가장 중요한 것은 결정이다. 관리자는 자신의 팀에 합류시킬 팀원과 승진시킬 사람을 결정한다. 의사는 어떤 약을 처방하고 비용이 많이 드는 검사를 해야 할지 결정한다. 그런데 결정은 보통 불확실한 상황에서 이루어진다. 의사는 값비싼 검사를 꼭 해야 하는지 확신하지 못한다. 이들은 모두 예측을 해야 한다. 그러나 예측은 결정이 아니다. 결정은 예측을 판단한 다음 취하는 행동이다. 최근에 인공지능에서 큰 진전이 있기 전만 해도 인간은 항상 예측과 판단을 동시에 했다. 이 둘을 구분하는 문제는 학자들의 관심사일 뿐 그 이상은 아니었다. 하지만 기계 예측이 발전하면서 인간은 결정의 과정을 면밀히 해부하고 검토해야 하는 입장이 되었다. 

예측 기계는 결정에 직접적인 영향을 준다. 그러나 결정에는 다른 핵심 요소 여섯 가지가 있다. 누군가가(또는 어떤 것이) 결정을 할 때, 그들은 ‘예측’을 할 수 있게 해 주는 ‘입력 데이터’를 세상으로부터 얻는다. 예측이 가능한 것은 유형이 다양한 데이터들의 관계와 어떤 데이터가 어떤 상황과 가장 밀접하게 연관되어 있는지 ‘트레이닝’을 했기 때문이다. 의사결정권자는 주요 관심사에 대한 예측과 ‘판단’을 종합한 다음 어떤 ‘행동’을 선택할 수 있다. 그 행동은 하나의 ‘결과’를 낳는다. 그 결과는 결정의 결과다. 결과는 또한 다음 예측을 향상시키는 데 필요한 ‘피드백’을 제공할 수도 있다. 

예측은 결정의 핵심 요소이지만 유일한 요소는 아니다. 판단과 데이터와 행동 등 결정을 내리는 데 필요한 다른 요소들은 아직까지도 여전한 인간의 영역이다. 이런 요소들은 예측에 대한 보완재여서, 예측의 비용이 내려가면 그 가치가 올라간다. 예를 들어 예측 기계가 이제는 더 좋고 더 빠르고 더 값싼 예측을 내놓기 때문에, 우리는 예전에 결정하지 않기로 결정했던 결정(예를 들어 원래 그런 것으로 인정되던 것)에 대해 판단을 내림으로써 기꺼운 마음으로 더욱 열심히 예측하려 들지도 모른다. 그럴 경우 인간의 판단에 대한 수요는 증가할 것이다. 

판단의 가치 : 예측 기계는 예측 비용을 떨어뜨림으로써 행동과 관련된 보상을 이해하는 것의 가치를 증가시키기 때문에 판단에 대한 수익을 증가시킨다. 그러나 판단에는 비용이 든다. 다양한 상황에서의 다른 행동에 대한 상대적 득실을 따지기 위해서는 시간과 노력을 들여야 하고 또 실험도 해야 하기 때문이다. 예로 거래가 합법적이라고 생각해 승인하지만 틀릴 수 있고, 불확실한 상황에서는 옳은 결정뿐 아니라 잘못된 결정을 했을 때 그에 대한 득실을 따져야 한다. 이처럼 불확실성은 내려진 결정에 대한 득실을 판단하는 비용을 증가시킨다. 어떤 결정과 관련된 행동-상황 조합의 수가 감당할 수 있을 정도라면, 판단을 예측 기계에게 넘길 수 있다(이것이 ‘보상 기능 엔지니어링’이다). 그러면 기계는 예측을 해 스스로 결정한다. 그렇게 하면 결정을 자동화할 수 있다. 그러나 행동-상황의 조합이 너무 많아 모든 득실을 미리 코드화하기 어려울 정도로 비용이 많이 들 때가 있다. 흔하지 않은 조합일 때는 특히 그렇다. 이런 경우엔 예측 기계가 예측한 뒤에 인간이 판단하는 편이 더 효과적이다.

판단 예측 : 예측 기계는 인간의 판단을 예측하는 법을 배운다. 인간은 일어날 수 있는 모든 상황에서 자신이 내리는 판단을 코드화할 수 없지만, 우리는 자율주행 장치에 많은 사례를 보여 주고 인간이라면 이런 상황에서 어떻게 할 것인지 물어 인간의 판단을 예측하게 한 후, 그 예측에 대해 보상해 주는 방식으로 자율주행 장치를 훈련시킨다. 그런데 기계가 인간의 판단을 예측하는 데는 한계가 있고, 그 한계는 데이터 부족과 관련이 있다. 한편 개인의 선호도나 취향처럼 인간에게는 있는데 기계에는 없는 데이터가 있다. 그래서 기업들은 현재 고객카드의 포인트 적립과 구글이나 페이스북 같은 무료 온라인 서비스를 통해 그런 데이터에 접근하고 돈을 낸다. 

복잡성 길들이기 :  많아진 ‘이프’ / 더 많은 ‘이프’와 더 많은 ‘덴’: 하드웨어든 소프트웨어든 모든 기계는 근본적으로 전형적인 이프-덴 논리에 따라 프로그래밍된다. ‘이프’ 부분은 어떤 시나리오나 환경적 상황이나 정보를 조건으로 지정한다. ‘덴’ 부분은 각각의 ‘이프’(그리고 ‘이프 낫(if nots)’과 ‘엘스(elses)’에 대해 기계가 해야 할 일을 일러 준다. 이런 식이다. “화학적 궤적이 더 이상 탐지되지 않으면 정지하라.” 

예측 능력이 향상되면 인간이든 기계든 결정을 내리는 쪽은 ‘이프’와 ‘덴’을 더 많이 다룰 수 있다. 그러면 결과도 좋아진다. 예를 들어 우편배달 로봇의 경우, 예측 기계를 활용하면 통제된 환경에서만 운용하던 방식에서 벗어나 훨씬 더 자유롭게 움직일 수 있다. 통제된 환경의 특징은 ‘이프’ 또는 상태의 수가 제한되어 있다는 점이다. 예측 기계는 모든 잠재적 ‘이프’를 미리 코드화하지 않고 인간이라면 이런 상황에서 어떻게 하는지 예측하는 법을 배우기 때문에, 자율주행 차량도 시내 도로 같은 통제되지 않은 환경에서 운행할 수 있다. 

완전자동화된 의사결정 : 가장 먼저 완전자동화될 가능성이 높은 과제는 완전자동화를 했을 경우 이득이 가장 높은 일이다. 여기에는 다음과 같은 경우가 포함된다. ① 예측을 제외한 다른 요소가 이미 자동화된 경우(광업 등). ② 예측에 대한 반응 속도가 빠를 때 이득이 높은 경우(운전자가 없는 자동차 등). ③ 예측에 필요한 대기 시간이 짧아졌을 때 이득이 높은 경우(우주 탐사 등). 

같은 자율주행 차량이라도 도심에서 운행하는 경우와 광산에서 운행하는 경우의 중요한 차이는 전자가 유의미한 외부효과를 낳는 반면 후자는 그렇지 않다는 점이다. 시가지에서 운행되는 자율주행 차량이 사고를 일으킬 경우, 그 사고로 인한 비용은 의사결정자의 외부에 있는 사람이 부담하게 된다. 이와 달리 광산에서 운행하는 자율주행 차량에 의해 유발되는 사고는 광산과 관련된 자산이나 인력에 미치는 비용만 유발한다. 정부는 외부효과를 유발하는 활동은 규제한다. 그러므로 규제는 상당한 외부효과를 낳는 분야까지 완전자동화하는 데 장애물이 될 수 있다. 경제학자들은 외부효과를 내부화하는 방식으로 이런 문제를 해결하기 위해 책임 할당이라는 손쉬운 도구를 사용한다. 앞으로는 여러 새로운 분야에서 자동화에 대한 수요가 계속 증가하기 때문에 그로 인한 책임 할당과 관련해 유의미한 정책 개발이 활발하게 이루어져야 한다. 

3부 툴

워크플로 해체 : 인공지능을 현장에 적용할 수 있었던 것은 그에 맞는 툴이 개발되었기 때문이다. 인공지능 툴의 설계 단위는 ‘직무’나 ‘직업’이나 ‘전략’이 아니라 ‘과제’였다. 과제는 결정의 집합체다. 결정은 예측과 판단을 기반으로 하고 데이터에서 정보를 받는다. 하나의 과제 안에서 이루어지는 결정은 이런 요소들을 공유한다. 차이가 있다면 그 뒤의 행동이다. 예측 기계의 성장은 전 과정을 재설계하고 자동화하는 법과 우리가 워크플로라고 부르는 개념을 다시 생각해 볼 계기를 주어 해당 과제에서 인간을 완전히 효과적으로 배제할 것이다. 그러나 더 정확하고 값싼 예측만으로 자동화를 실현하기 위해서는, 과제의 다른 측면에 예측 기계를 사용했을 때에도 그에 대한 보상이 증가해야 한다. 

인공지능 툴이 워크플로에 미치는 영향 / 인공지능 툴에 의해 강화된 아이폰 키보드: 인공지능 툴은 두 가지 방식으로 워크플로를 바꾼다. 첫째, 인공지능 툴은 과제 자체를 쓸모없게 만들어 워크플로에서 그 과제를 제거한다. 둘째, 인공지능 툴은 워크플로의 성격에 따라 새로운 과제를 추가하기도 한다. 한편 어떤 면에서 스마트폰의 키보드는 옛날 기계식 타자기와 공통점이 더 많다. 기계식 타자기를 사용해 본 연배의 사람이라면 키를 너무 빨리 누르는 바람에 활자 해머가 엉키는 경우를 여러 번 경험했을 것이다. 이런 이유 때문에 키보드는 쿼티(QWERTY) 자판 배열을 갖게 되었다. 이런 설계는 인접한 두 키를 동시에 두드릴 가능성을 줄여 타자기의 활자가 엉키지 않도록 하기 위한 것이다. 하지만 바로 이런 특징 때문에 유능한 타이피스트도 속도가 느려질 수밖에 없다. 

쿼티 디자인은 이런 문제를 야기하는 메커니즘이 더 이상 의미가 없게 되어도 명맥을 유지했다. 한편아이폰을 디자인할 당시 애플의 엔지니어들은 쿼티 자판을 완전히 없앨지 여부를 놓고 고심했다. 쿼티를 다시 사용하게 만든 것은 친숙성 때문이었다. 그들의 최대 경쟁사였던 블랙베리가 쿼티 자판을 썼는데 성능이 좋고 중독성이 있어 사람들은 블랙베리를 ‘크랙베리(Crackberry)’라 부르곤 했다. 

아이폰 “최대의 과학 프로젝트”는 소프트 키보드였다. 그러나 2006년까지도(아이폰은 2007년에 출시되었다) 키보드 문제는 돌파구가 보이지 않았다. 블랙베리와 경쟁이 안 될 뿐 아니라 너무 불편해서 이메일은 물론이고 누구도 그것으로 문자를 보내려 하지 않을 것이 뻔했다. 무엇보다 4.7인치 LCD 화면에 맞추다 보니 키가 너무 작아지고 말았다. 따라서 오타가 나기 쉬웠다. 애플 엔지니어들은 쿼티와는 다른 디자인을 생각해 냈다. 3주 만에 해결책을 찾아내자(찾아내지 못했다면 프로젝트 전체가 사장되었을 것이다). 모든 아이폰 소프트웨어 개발자들은 다른 옵션을 생각해 볼 여유를 갖게 되었다. 3주가 끝났을 때 그들은 색다른 방식으로 작은 쿼티처럼 보이는 자판을 만들었다. 사용자가 보기에는 달라진 것이 없지만, 키를 누를 때 특별한 키 세트 주변의 표면이 확대되는 방식이었다. ‘t’를 누르면 다음 글자가 ‘h’가 될 확률이 높기 때문에 그 키 주변이 확대된다. ‘e’를 누르면 ‘i’가 확대된다.

이 일을 해낸 것은 인공지능 툴이었다. 사실 애플은 어느 누구보다 먼저 2006년 당시의 머신러닝 기술을 사용해 예측 알고리즘을 만들었기 때문에 어떤 키를 누르냐에 따라 키의 크기가 바뀌는 방식을 개발할 수 있었다. 요즘 보는 자동수정이나 자동완성 기능도 같은 기술에서 나온 것이다. 그러나 따지고 보면 이 방식이 효과를 낼 수 있었던 것도 쿼티 자판 때문이었다. 인접한 키를 두드리지 않아도 되게끔 설계된 바로 그 자판이 스마트폰 키의 단서가 된 것이다. 스마트폰 키가 필요할 때 확대되는 이유는 다음에 누를 키가 방금 누른 키 근처에 있을 확률이 거의 없기 때문이다.

아이폰을 개발할 당시 애플 엔지니어들은 키보드 사용법으로 이어지는 워크플로를 정확히 이해하고 있었다. 사용자는 키를 확인하고 터치한 다음 다른 키로 옮겨간다. 그들은 이 워크플로를 해석함으로써, 사용자가 확인하고 터치하는 키의 크기가 똑같을 필요가 없다는 생각을 해낼 수 있었다. 무엇보다 예측 기계는 사용자가 다음에 어디로 갈지 알아낼 수 있었다. 인공지능 툴을 가장 잘 배치하기 위해서는 워크플로를 이해하는 것이 관건이었다. 이것은 모든 워크플로에 해당되는 사항이다. 

결정의 분해 : CDL 설립을 계기로 우리는 최근의 머신러닝 기술을 이용해 새로운 인공지능 툴을 만드는 많은 스타트업과 접촉할 수 있었다. 그들은 워크플로를 해체하고, 예측 요소가 있는 과제를 확인하고, 그 예측을 제공하기 위한 툴의 공급을 기반으로 그들의 사업을 구축한다. 그들에게 조언을 하던 우리는 하나의 결정을 개별 요소로 분리할 필요가 있다고 판단했다. 예측, 입력, 판단, 트레이닝, 행동, 결과, 피드백 등이 그것이다. 그 과정에서 우리는 예측 기계의 잠재적 역할을 알아내기 위해 과제를 해체하는 데 도움이 되는 ‘인공지능 캔버스’를 개발했다. 인공지능 캔버스는 인공지능 툴을 살펴보고 그것을 만들고 평가하기 위한 보조 장치다. 그것은 어떤 과제에서 결정의 각 요소를 확인할 때 필요한 사항을 정해 준다. 그리고 각 요소를 명확하게 설명해 두어야 한다. 

아톰와이즈라는 스타트업의 사례를 살펴보자. 아톰와이즈는 앞으로 유망한 의약품을 찾아내는 데 들어가는 시간을 단축시키는 예측 툴을 제공한다. 의약품이 되는 분자 구성은 수백만 가지인데, 약품을 일일이 구입해 검사하려면 막대한 시간과 비용을 투자해야 한다. 제약 회사는 어떤 것을 검사할지 어떻게 결정하는가? 그들은 경험으로 추측하거나 어떤 분자가 효과적인 약품이 될 가능성이 높은지 연구한 내용을 토대로 예측한다. 아톰와이즈의 최고경영자는 우리에게 그 과학적 원리를 설명해 주었다. “한 약품의 효력이 발생하려면 질병을 일으키는 표적 물질과 화학적으로 결합하되, 간이나 신장이나 심장이나 두뇌의 단백질이나 유독한 부작용을 야기할지 모르는 다른 물질과는 결합하지 말아야 합니다.” 따라서 결합 친화도를 예측할 수 있다면 어떤 분자가 가장 효과적인지 식별해 낼 수 있는데, 아톰와이즈는 잠재적 약품을 식별하게 해 주는 인공지능 툴을 제공해 이런 예측을 가능하게 한다. 

아톰와이즈의 예측 기계는 결합 친화도에 관한 데이터를 통해 학습한다. 2017년 현재, 그들의 예측 기계는 그들이 구입하거나 스스로 학습한 것 외에 결합 친화도에 대한 3,800만 건의 공용 데이터 포인트를 가지고 있다. 아톰와이즈가 더 많이 추천할수록, 고객으로부터 더 많은 피드백을 받을 것이고, 따라서 예측 기계의 성능은 계속 향상될 것이다. 아래는 아톰와이즈의 인공지능 캔버스의 예시다.

예측 기계를 어디에서 개입시킬지 알아내려면 과제를 해체해야 한다. 그렇게 하면 향상된 예측 능력의 혜택과 그런 예측을 생성할 때의 비용을 평가할 수 있다. 그리고 합리적인 평가가 나오면, 납득할 수 있는 예상투자수익률의 범위 내에서 인공지능을 실행하되, 가장 높은 투자수익률부터 시작해 가장 낮은 투자수익률까지 순위를 매긴다. 인공지능 캔버스는 이런 해체 과정을 돕는 장치다. 모든 결정이나 과제에 대해 인공지능 캔버스의 공란을 채우다 보면, 그 절차에 필요한 사항과 구조가 설정된다. 그리고 이를 위해서는 트레이닝, 입력, 피드백 등 세 가지 유형의 데이터를 분명히 구분해야 한다. 아울러 예측에 필요한 것과 서로 다른 행동과 결과의 상대적 가치를 평가하는 데 필요한 판단, 행동 가능성, 결과 가능성 등을 명백히 밝혀야 한다.

4부 전략

경영진의 인공지능 : 아마존 같은 기업들이 예측 기계의 다이얼을 충분히 올려 특정 고객이 원하는 것을 확실하게 파악하게 되면 사업 모델 자체를 바꿀 수 있다. 그들은 쇼핑 후 배송 모델을 버리고 고객이 원하는 것을 예상해 상품을 먼저 보내는 배송 후 쇼핑을 채택할 것이다. 이런 시나리오를 설정하면 인공지능에 대한 투자를 유발할 수 있는 성분 세 가지를 깔끔하게 설명할 수 있다. 그런 투자를 통해 인공지능 툴은 단순한 운영상의 결정이 아니라 하나의 전략적 차원으로 부상할 것이다.

첫째, 전략적 딜레마나 절충은 어김없이 존재한다. 아마존이 배송 후 쇼핑을 택하면 매출은 늘어날지 모르지만, 동시에 반품하는 상품이 더 많아지는 문제가 생긴다. 그런데 반품 비용이 너무 높으면 배송 후 쇼핑 모델의 투자수익률은 기존의 쇼핑 후 배송 때보다 낮아진다. 그래서 어떤 기술적 변화가 없다면 아마존도 다른 유통업처럼 쇼핑 후 배송이라는 원래의 모델을 유지할 수밖에 없다. 

둘째, 불확실성을 줄이면 이런 문제를 해결할 수 있다. 아마존의 문제는 소비자 수요와 관계가 있다. 사람들이 무엇을 살지 정확하게 예측할 수 있다면, 특히 예측한 물품을 그들의 문 앞까지 배달할 수 있다면 반품 가능성을 줄이고 매출을 늘릴 수 있다. 그리고 불확실성을 줄이면 혜택도 누리고 딜레마의 비용 측면도 해결할 수 있다. 이런 형태의 수요 관리는 새삼스러운 것이 아니다. 물리적 상점이 존재하는 이유도 바로 이 때문이다. 물리적 상점은 고객 개인의 수요는 예측하지 못해도 고객 집단의 수요는 예측하여, 특정 지역을 찾는 고객을 한곳으로 모으는 방식으로 개별 고객의 불확실한 수요 문제를 해결한다. 따라서 개별 가정을 근거로 배송 후 쇼핑 모델로 전환하려면 개별 고객의 수요에 관한 정보를 더 많이 확보해야 한다. 그러면 물리적 상점의 경쟁우위를 극복할 수 있다. 

셋째, 기업은 전략적 딜레마를 타개할 만큼 불확실성을 줄여 주는 예측 기계가 필요하다. 아마존이 고객의 수요를 아주 정확하게 예측한다면 배송 후 쇼핑 모델의 가치는 크게 올라갈 것이다. 그리고 이렇게 증가한 매출의 가치는 반품 비용을 능가할 것이다. 이 모델을 실행에 옮기려면 아마존은 더 많은 변화를 꾀해야 할 것이다. 반품을 수거하고 반송할 때 상품이 손상되지 않도록 안전하게 포장하는 비용을 줄이기 위한 투자도 그중 하나다. 한편 고객 친화적인 배달 시장은 경쟁이 치열하지만, 반품 서비스 시장은 아직 개발이 더딘 상태다. 따라서 아마존은 상품을 배송하고 반품을 수거하기 위해 매일 동네를 찾는 트럭 인프라를 자체적으로 만들어 일일 반송 사업으로 수직 통합해야 한다. 그렇게 되면 고객의 현관 바로 앞까지 사업 영역을 효과적으로 확대할 수 있다. 

이런 영역 확장은 이미 사례가 있다. 독일의 전자상거래 벤처업체인 오토(Otto)가 이 분야의 대표적 기업이다. 물품을 상점이 아닌 인터넷에서 구매를 할 때 감수하게 되는 한 가지 큰 불편은 배송 시간이 확실하지 않다는 점이다. 그런데 소비자가 배송 문제로 좋지 않은 경험을 갖게 되면 그 사이트를 다시 찾을 가능성이 줄어든다. 오토는 배송이 늦어질 때 반품률이 치솟는다는 사실을 확인했다. 그 사이에 소비자가 상점에서 같은 제품을 발견한다면 기다리지 않고 그 제품을 구입할 것이다. 그 때문에 할인 행사를 진행할 때도 오토의 반품 비용은 올라갔다.

어떻게 해야 배송 시간을 줄일 수 있을까? 고객이 주문할 것 같은 상품을 예상해 가까운 물류센터에 갖춰 놓으면 된다. 그러나 그렇게 하면 재고 관리 비용이 든다. 그래서 필요한 물품만 보유해야 한다. 그러려면 소비자의 수요를 정확하게 예측해야 한다. 오토는 30억 건의 과거 거래 내역 외에 검색어나 인구통계 등 수많은 변수와 관련된 데이터베이스를 토대로 이를 처리하는 예측 기계를 개발해 냈다. 그들은 이제 90퍼센트의 정확성으로 한 달 이내에 판매할 수 있는 상품을 예측한다. 그들은 이런 예측을 기반으로 물류 체계를 재구성했다. 그들의 재고 목록은 20퍼센트가 줄었고 연간 반품량도 200만 건이나 줄었다. 예측은 물류를 개선했고, 그것은 다시 비용을 줄이고 고객만족도를 높였다.

여기서 우리는 3가지 전략적 성분의 중요성을 확인하게 된다. 오토에게는 딜레마(비용이 많이 드는 재고 관리를 피하고 배송 시간을 단축해야 하는 문제)가 있었고, 불확실성(어떤 지역의 전반적인 고객 수요)은 딜레마를 부추겼고, 그런 불확실성을 해결함으로써(지역별 수요를 좀 더 정확히 예측하는 것) 새로운 창고 부지 선정과 지역 배송, 원활한 배송을 보장할 수 있는 새로운 물류 체계를 마련할 수 있었다. 예측 기계를 동원해 이런 불확실성을 해결하지 못했다면 이 모든 것은 불가능했을 것이다. 

한편 경영진은 인공지능에 관한 모든 전략을 IT 부서에 일임하지 않도록 해야 한다. 인공지능 툴은 과제의 생산성을 향상시키는 수준을 넘어 아예 전략 자체를 바꿀 수 있기 때문이다. 다음 세 가지 요인이 있으면 인공지능을 기반으로 전략적 변화를 꾀할 수 있다. ① 사업 모델에 중요한 트레이드오프 요인이 있다(쇼핑 후 배송 대 배송 후 쇼핑). ② 불확실성은 트레이드오프에 영향을 준다(배송 후 쇼핑으로 인한 매출 상승보다 고객의 구매 의향에 대한 불확실성 때문에 반품된 물품으로 인한 비용 상승이 더 크다). ③ 불확실성을 줄이는 인공지능 툴은 트레이드오프의 균형을 깨뜨려 결국 최적의 전략을 바꾸도록 만든다(고객이 사려는 것을 예측함으로써 불확실성을 줄이는 인공지능은 양쪽의 균형을 깨뜨려 배송 후 쇼핑으로 인한 수익이 기존 모델의 수익보다 더 커지도록 만든다).

인공지능 전략에 경영진의 리더십이 요구되는 또 다른 이유는 사업의 어느 한쪽에 인공지능 툴을 시행할 경우 다른 부분에까지 영향을 주기 때문이다. 아마존의 사고실험에서 보듯, 배송 후 쇼핑 모델로 전환하면 반품 수거 사업으로 수직 통합해야 하는 부작용이 생긴다. 그렇게 되면 매주 동네를 돌며 수거하는 트럭들이 필요하게 된다. 다시 말해 강력한 인공지능 툴은 기업의 워크플로와 사업 영역을 대대적으로 재설계하는 결과를 낳는다.

5부 사회

사회적 이슈들 : 현 단계에서 인공지능은 여전히 걸음마 단계지만, 사회적 차원에서는 트레이드오프가 두드러진다. 첫 번째 트레이드오프는 생산성 대 분배다. 인공지능으로 우리의 형편이 더 안 좋아질 것이라고 주장하는 사람들이 많다. 그렇지 않다. 경제학자들은 기술이 진보하면 우리의 형편은 더 나아지고 생산성이 향상된다고 생각한다. 인공지능이 생산성을 향상시킨다는 점은 의심할 필요가 없다. 문제는 부의 창출이 아니라 부의 분배다. 인공지능은 두 가지 이유에서 소득불평등을 악화시킨다. 

첫째, 인공지능은 어떤 과제를 떠맡음으로써 남은 과제를 놓고 인간끼리 치열한 경쟁을 벌이게 만들어 임금을 떨어뜨리고 자본이 벌어들이는 소득에 비해 노동으로 벌어들이는 소득을 더욱 줄인다. 둘째, 예측 기계는 다른 컴퓨터 관련 기술과 마찬가지로 매우 숙련편향적이어서 인공지능 툴은 숙련도가 높은 노동자의 생산성을 불균형적으로 높이 끌어올릴 것이다.

두 번째 트레이드오프는 혁신 대 경쟁이다. 소프트웨어와 관련된 기술이 대부분 그렇듯, 인공지능에는 규모의 경제가 적용된다. 더욱이 인공지능 툴은 어느 정도 수익을 증가시키는 것이 특징이다. 그래서 예측이 정확해질수록 사용자가 많아지고, 사용자가 많으면 데이터가 많아지며, 데이터가 많아지면 예측이 더 정확해진다. 해당 분야에 대한 기업의 지배력이 강화되면 예측 기계를 구축할 동기가 더 많아지지만, 그렇게 되면 규모의 경제로 인한 독점이 야기될 것이다. 혁신의 속도가 빠르면 단기적으로 사회에 혜택이 되지만, 사회적 관점이나 장기적 관점에서 볼 때는 바람직한 현상이 아니다.

세 번째 트레이드오프는 성능 대 프라이버시다. 개인적 데이터에 쉽게 접근할 수 있다면 인공지능의 예측을 더욱 개별화할 수 있는데, 개인적 데이터를 제공할 때는 프라이버시의 침해를 감수해야 한다. 한편 유럽에서는 시민들에게 프라이버시를 더 많이 보장해 주는 환경을 선택했는데, 그 혜택은 시민들에게 돌아가 사적 데이터 시장을 크게 활성화시킬 것이고, 그곳에서 사람들은 자신의 사적 데이터를 거래하거나 팔거나 기증하는 문제를 좀 더 쉽게 결정할 수 있도록 환경을 바꿀 수 있을 것이다. 반면에 그렇게 되면 진입하기 위해 비싼 대가를 치러야 하는 환경이 조성되어 갈등이 심해지고, 그로 인해 상대적으로 데이터 액세스가 쉽지 않은 유럽 기업과 시민들은 데이터에 쉽게 접근할 수 있는 인공지능이 경쟁력을 갖춘 강한 시장에서 불리한 처지에 놓일 것이다. 그런데 세 가지 트레이드오프에도 불구하고, 해당 지역의 정부는 거래의 양쪽 당사자를 모두 중시해야 하고, 그들의 전반적인 전략과 시민의 선호도가 가장 조화를 이룰 수 있는 정책을 설계해야 한다. 

우리는 알고있다.

인공지능은 앞으로 더 많은 곳에서 

우리가 생각지도 못한 방식으로 사회를 바꿀 것이란 걸

하지만 우리는 또 알고 있다.

많은 사람들이 막연함을 느끼고 있다는 걸

어떤이는 인공지능이 가져올 마법과도 같은 미래를...

누군가는 인공지능이 인간을 대체할 것이라는 공포를...

느끼지만

어차피 다가올 미래를 막연한 낙관과 공포로 보낼 수는 없다

개인이나 기업이나 정부가 무엇을 해야 하는지를 알기 위해서는 인공지능의 본질과

이것이 초래할 변화를 정확히 이해할 필요가 있다

또한 새로운 기술이 등장할 때,

세상을 수요와 공급, 생산과 소비, 가격과 비용 같은

힘이 지배하는 프레임워크로 바라보는 경제학자들의 도움을 받아

현실적 관점을 취하면서 경제원리와 전략을 활용해

인공지능이 기업과 산업과 경영을 어떻게 변화시키는지 탐해야한다.

이 책은

인공지능의 기술은 예측의 기술이며

예측이 빠진 정보를 채우는 과정을 흔히 데이터라는

우리가 가지고 있는 정보를 사용해 갖고 있지 않은 정보를 만드는 행위라고 말한다.

또 인공지능 즉 예측 기계가 유의미한 것은 바로 예측이 불확실성으로 가득한

세상에서 의사결정을 하는 데 가장 중요한 요소이기 때문이라는 것이다

우리는 많은 것을 인간의 멋대로 바꿨다.

스스로 번식하지 못하는 옥수수를 만들어 스스로를 힘들게 했으며

우유생산을 증대시키려 평생 낳을 새끼의 양보다 많은 우유를 가진 젖소를 만들었고

신처럼 식물과 동물을 재창조하고 다른 형태로 개조했고 마음대로 도살했다.

책을 읽는 내내

인공지능은 인간을 어떻게 예측할것인가? 란 

질문을 버리지 못했다.

인공지능의 생존을 인공지능은 딥러닝을 통해

신처럼 인간을 재창조하고 다른 형태로 개조하며 도살할 수도 있지 않을까?

1억6500만년을 지배하며 살았던 공룡보다 못한 인간들은 어떤 최후를 맞이할까?