전문가 좌담
인공지능(산업계-요약)편
산업계 전문가로 이뤄진 이번 좌담회에서는 데이터 수집과 일자리 대체 등의 문제를 핵심사항 위주로 요약했다. 국내 AI 적용사례를 통해 AI 기술과 확장 가능성 등을 짚어보고, 모든 산업에 녹아든 AI가 일자리 대체에는 어떻게 영향을 미칠지도 예측해봤다. 아울러 현장에서 필요로 하는 AI 핵심 인재는 어떤 사람인지 그들의 솔직한 속내를 들어봤다.
♦ 목 차 ♦ 1. 인공지능의 본질: 기계가 생각할 수 있는가?
2. 인공지능 기술과 활동 영역: 국내 AI 적용 사례
3. 이슈점검①: AI와 데이터
4. 이슈점검②: AI와 일자리
5. 인력 양성 추진 방향: 산업계 AI 인력 수요
6. 한국의 비전: 우리가 나아가야 할 방향
1. 인공지능의 본질
▶ 기계가 생각할 수 있는가?
· 1950년 컴퓨터 과학자 앨런 튜링(Alan Turing)이 발표한 논문 「계산 기계와 지성」에서는 ‘기계가 생각할 수 있는가?’라는 질문을 제기
· 기계의 생각 여부를 두고 의견이 극단적으로 대립하는 이유는 ‘생각’에 대한 개념이 확립되지 않았기 때문
· ‘생각’을 새로운 것을 만들어내는 능력 내지는 목적 달성을 위해 과정을 찾아가는 행위로 폭넓게 본다면 AI는 생각한다고 할 수 있음
· 무한정 생산되는 데이터를 조합해 새로운 것을 만들어내는 능력은 머신러닝(Machine learning)*이 인간보다 훨씬 뛰어나기 때문에 인간의 생각을 대신하는 영역이 될 것
* 머신러닝(Machine learning): 1959년 아서 사무엘(Arthur Lee Samuel)이 최초로 정의한 용어로, “명시적으로 프로그램 되지 않고도 컴퓨터가 학습해나가는 능력에 대한 연구 분야” 즉, 사람이 일일이 코드로 지시하지 않아도 컴퓨터 스스로 경험과 데이터를 통해 학습할 수 있도록 하는 기술을 의미
· 그러나 AI가 처음부터 스스로 데이터를 찾아 활용하거나 인간 수준의 상식을 기반으로 의사결정 하는 것을 ‘생각’으로 본다면 현재로서는 요원한 실정
· 마틴 포드(Martin Ford)의 「AI 마인드(2019)」*에 의하면 AI 학자들은 인간과 같은 지능을 구현하는 시기를 2100년으로 예상
* AI 마인드: 미국 미래학자 마틴포드(Martint Ford)의 저서‘Architects of Intelligence(2018)’를 2019년 번역 출간한 책, 구글 딥마인드 공동창업자인 데미스 하사비스(Demis Hassabis), 딥러닝의 아버지라 불리는 제프리 힌튼(Geoffrey Hinton) 등 저명한 AI 전문가 23명과의 인터뷰 내용을 담고 있음
2. 인공지능 기술과 활동 영역
▶ 국내 AI 적용 사례
· (엔쓰리엔클라우드) 데이터 수집과 정제, 모델 구축, 훈련 및 평가, 서비스 제공까지의 단계별 파이프라인을 자동화하는 자동 머신러닝(Auto ML; Automated Machine Learning) 개발
· (딥서치) AI가 자동으로 생성하는 증권 분석 리포트 툴 개발, 뉴스에 특화된 머신러닝 학습 서비스로 기사 내용에서 기업· 사람·브랜드 추출, 단어의 긍·부정 분석
· (제이엘케이) 국내 병원의 우수한 IT 인프라와 전산화를 기반으로 2016년 국내 최초 의료기기 3등급 허가를 위한 임상실험 진행, 뇌피질 자동 측정 제품을 선도적으로 출시
· (한국원자력연구원) 원자로의 안전 진단 및 시뮬레이션 가속화를 위한 AI 연구를 수행하고 있으며, AI로 기계 이상 여부를 점검하여 정확성을 높이고 인적 오류를 저감
· (AI프렌즈) 산-학-연 중심의 비영리 AI 커뮤니티로 AI 이론을 세부적으로 연구하기 보다는 AI 응용에 관심을 두고 활발한 논의 전개
3. 이슈점검①
▶ AI와 데이터
· 현실에서는 AI 훈련에 쓰이는 데이터를 구할 수 없거나 기존의 데이터를 활용하지 못하는 경우가 상당수 존재
· AI 산업의 근간은 데이터이므로 먼저 확보할 데이터는 무엇이고 어떤 데이터를 수집할 수 있는지에 대한 생각이 선행되어야 함
· 데이터 분석으로 이점을 얻기 위해서는 실시간 데이터, 세분화된 데이터, 남들이 없는 데이터 확보가 필수
· (의료) 서비스 단계에서 고객층이 필요로 하는 기술 수준이 높아짐에 따라 과거-현재-미래를 아우르는 융·복합 데이터와 다른 차원의 알고리즘 구현이 필요
· (제약) 디지털 형태의 고품질 데이터 수집은 어려워, AI를 활용했을 때 효과가 있는 분야와 없는 분야를 구분하는 것이 우선
· (금융) 주식, 경제, GDP, 환율, 유가 등의 정형 데이터를 많이 사용해 왔으나, 최근 머신러닝이 등장하면서 뉴스나 공시 등 비정형 데이터를 추가적으로 분석에 활용
· (원자력) 다수의 시험시설과 시뮬레이션 연구를 통해 많은 데이터를 보유하고 있으며, 민간기업에 비해 데이터 오픈 관련 제약이 상대적으로 낮은 편
4. 이슈점검②
▶ AI와 일자리
· 이전의 신기술과 마찬가지로 새로운 직업이 창출될 것으로 보는 시각이 있는 반면 기존의 경로와는 다를 것이라는 우려 공존
· AI는 독자적인 산업으로 등장하기보다 각 분야에 녹아들고 있으므로 일자리 증감을 측정하는 데 어려움
· AI는 산업에 큰 영향을 미치는 기술인만큼 글로벌 거대 기업에서 일부 국가와 집단에만 선별적으로 AI 기술을 개방하는 현상(기술 패권주의)이 발생할 수 있음
| AI 시대 일자리 전망 | ||
| 신규 직종 창출 | 단계적 절차 존재 | 일자리 대체·잠식 |
| - 개인화, 초연결 등 AI가 가진 고유 특성 으로 산업의 지형이 변화하고 새로운 직종이 등장 - 인간은 문화, 예술, 건강 등의 사회적 가치에 보다 집중하고 추구함에 따라 관련 직업이 출현 |
- 일자리가 안정적으로 창출되거나 완전히 잠식되기 보다는 부흥과 쇠퇴의 단계가 존재 - AI 발전 과정에 따라 필요한 일자리가 나타나지만 고용의 안정성은 담보되지 않음 |
- 사전 경험 없이 짧은 기간의 훈련과 교육만으로도 수행할 수 있는 업무는 모두 AI가 대체할 수 있음 - AI는 고정비용이 높은 반면 가변비용은 ‘제로(0)’의 수준이므로 인력 창출이 어려울 것으로 전망 |
5. 인력양성 추진 방향
▶ 산업계 AI 인력 수요
· 중국 칭화대의 「2018 중국 AI 발전보고서」에 따르면 ‘AI 인재 보유 국가 순위’에서 우리나라는 15개국 중 최하위(2,664명)
· 학교는 알고리즘 설계를 위한 수학적 핵심 역량을 교육하고, 기업은 AI 플랫폼 활용 역량을 배양함으로써 학교·기업 역할 분담
· 한편 핵심형 / 융합형 인재로 구분하는 기준이 모호하고 융합이 없는 AI는 없으므로 이 둘에 모두 집중해야 한다는 의견 존재
· 현업에서는 엔지니어의 수요가 높지만 학교에서는 논문을 위한 데이터 사이언티스트를 집중 육성함에 따라 산업에서 필요한 인재와 현재 교육의 결이 다름
· 대학에서는 금융과 개발의 시너지를 위해 디지털 금융 MBA를 운영하지만 금융권에서 개발을 익히고자 오는 수강생이 대다수임에 따라 수준 높은 수업이 어려운 상황
· 빠르게 변화하는 AI 분야에서는 호기심을 가지고 도전하는 인재가 필요하며, 산업도 마찬가지로 신생 벤처에 대한 수용성을 높여 풀뿌리 생태계를 만드는 것이 중요
6. 한국의 비전
▶ 우리가 나아가야 할 방향
· 미국의 델(Dell)사가 PC를 인터넷으로 판매하면서 오프라인 소매업체를 운영한 컴팩(Compaq)을 제친 것처럼 후발주자가 선두주자를 따라잡는 기회는 패러다임이 바뀌는 시점
· 데이터 중심의 접근이 산업체 전반에서 일어나야 하며 정책 방향도 AI 일반이 아닌 잘할 수 있는 분야 선택과 집중 필요
· 기업의 기술 공개에 대한 가치를 인정해주는 사회적 분위기와 여건을 마련하고, AI 코드와 정보를 공유하는 이에게는 혜택을 주는 등 관련 제도를 조속히 마련
· 문제를 스스로 찾고 체계적으로 정의하고 해결하는 능력, 새로운 기술을 빨리 습득할 수 있는 순발력이 중요함에 따라 이러한 인재 양성에 보다 초점을 맞춰야 함
· 금융 산업에 IT기업들이 진출하면서 IT와 금융업의 경계가 점차 사라지고, 산업 구조가 뒤바뀌고 있으므로 철저한 대응 준비 필요
· 개인정보를 포함한 금융데이터를 이용하기 위해선 저장되는 서버의 물리적 위치를 알아야하는 클라우드 규제 존재, AI 기술 개발을 저해하므로 완화 시급
· AI 기술이 필요한 제3국에 맞춤형 솔루션을 공급하기 위해서는 클라우드 활용이 필수, 클라우드, 데이터 등 AI 연관 산업도 함께 발전할 수 있는 방향을 모색해야 함
많이 본 자료
