기계학습
박정수 성균관대 스마트팩토리 융합학과 겸임교수 [박정수 성균관대 스마트팩토리 융합학과 겸임교수] 인공지능(AI) 시대다. 인공지능 알고리즘(AI algorithm)이 우리 삶 곳곳에 원하든 원하지 않든 파고들고 있기 때문이다. 인터넷에서 원하는 것을 검색할 때에도, 원하는 사진을 찾을 때에도, 내비게이션을 통해 최적의 길을 찾을 때에도 문제를 해결하기 위해 정해진 일련의 절차나 방법에 의해 우리는 알게 모르게 짜여진 순서와 절차를 담아낸 알고리즘을 매일 활용하고 이를 통해 수많은 의사결정을 하고 있다. 이와 같은 지능화 사회는 산업계와 기업들을 어리둥절하게 만들고 있으며, 시장과 고객의 변화 현상에 대응하고 적응하기 위해 과거와 전혀 다른 전략을 준비해야 한다. 그 까닭은 개인화된 맞춤 니즈(needs)를 원하는 소비자는 룰(Rule) 기반의 간단한 알고리즘부터 복잡한 수식으로 최적화된 정보를 찾아주는 검색엔진 알고리즘까지 다양한 형태의 알고리즘을 통해 더 많은 정보를 손쉽게 찾을 수 있기 때문이다. 소비자들이 디지털 경험(DX)을 통해 새로운 수요를 만들고 있을 뿐만 아니라 과거에 경험하지 못한 색다른 실감형 체험으로 승화되고 있다. 즉 소비자가 공급자보다 똑똑해지고 있다. 따라서 똑똑한 소비자 만족(CS)을 통해 매출을 늘리고 지속 가능한 고객 서비스를 유지하기 위해서는 소비자 경험 디자인(CX-Design)과 디지털 경험 디자인(DX-Design)을 융합하여 모든 산업에서 지능화를 구현하여야 한다. 이를 위해 인공지능 기술을 기존 기술(analog or digital) 들과 접목시켜 새로운 가치를 창출해야 한다. 그것이 미래 제조 산업을 준비하는 첫 단추이기 때문이다. 제조 산업 지능화 플랫폼은 스마트팩토리이다. 과거 기계 발명과 컴퓨터, 그리고 인터넷 출현으로 대두된 변화 관리는 각각 산업혁명의 특징을 담아냈다. 그런데 문제는 인공지능(AI)의 기술과 기능이 실현되어 미치게 될 산업계의 영향력이 과거와 너무나 다른 변화관리를 요구하고 있다는 점이다. 과거의 변화는 순차적 변화였다면, 인공지능(AI)이 가져올 변화는 그것을 넘어 진화적이며 지속성까지 요구되는 “뉴 노멀(new normal) 변화”이다. 스마트팩토리 지능화는 경쟁에서 싸워야 할 수단이지만, 목적 지향적인 관점에서 기업의 경우, 반복적인 업무나 중요한 의사결정을 내리는 데 알고리즘을 활용하여 고정비를 낮추고 거래비용을 줄이고 “실시간 피드백 기능”을 통해 고객에게 더 양질의 상품을 제공하고 지속적으로 개인화된 맞춤을 실현해 보여야 한다. 그것이 과거와 다른 스피드 경영이다. 이처럼, 인공지능 알고리즘에 기반한 거래는 공급자와 소비자 간 정보의 비대칭성 문제를 해결하여 투명하고 효율적인 시장의 기능을 가능케 하고 있다. 인공지능 알고리즘이 고도화되어 사회경제적 활용도가 높아지고 있다. 빌 게이츠 회장이 인공지능에 관하여 추천한 책 “마스터 알고리즘(저자, 페드로 도밍고스)” 에는 인공지능 머신러닝(ML)이 신기술이기에 채택해야 하는 것이 아니라, 대변혁의 길에서 인공지능을 채택하지 않으면 기업은 더 이상 생존할 수 없는 시대가 올 것이라고 예견하고 있다. 마찬가지로 새로운 비즈니스 기회 창출을 위한 스마트팩토리 구축 목적은 제조업의 지능화 과정을 통해 지속 가능한 경쟁우위를 펼쳐나가는 것이다. 과거에는 프로세스를 정립하여 그에 해당하는 데이터를 흐르게 하는(OLTP, On-Line Transaction Processing) 시스템 시대였다면, 인공지능(AI) 기술을 제조 현장에 접목하기 위해서는 우선적으로 알고리즘이 무엇인지 알아야 한다. 알고리즘이란 입력(input) 자료를 미리 정해둔 명백한 규칙, 일련의 절차, 명령에 따라 처리하고 결과를 출력(output)해내는 것을 의미한다. 알고리즘은 언어나 다이어그램, 프로그래밍 코드 등 다양하게 표현될 수 있다. 지능화란 우리가 갖고 있는 지식을 활용하는 수준(水準)을 말한다. 개인이나 기업이나 지식을 잘 활용하기 위해 인공지능 기술을 사용하는 방법을 알아야 한다. 인공지능(AI)은 사람의 행동이나 생각을 컴퓨터가 모방해 목표를 달성할 수 있도록 돕는 것이다. 따라서 연결의 힘을 얻어내기 위해서는 사물인터넷(IoT)이 네트워크 관점에서 활용되듯이 지능화는 행동 인터넷(IoB)에 의해서 구현되기 때문에 BI(business intelligence)는 통계분석이나 임원정보시스템, 경영정보시스템, OLAP(On-Line Analytics Processing) 등의 키워드를 갖는다. 더 나아가 전사적인 지능화는 보고서, 분석 리포팅 등 지금까지의 BI(Business Intelligence)에 다양한 알고리즘을 추가하고 데이터 마이닝, 빅데이터 분석, 시각화 등을 실현해왔다. 그러나 최근 가트너는 기존 데이터 웨어하우스(warehouse) 및 데이터 레이크(lake) 개념에서 인공지능 기반 데이터 통합과 데이터 및 연결 프로세스의 통합 레이어(fabric) 역할을 하는 설계 개념으로 진화하는 데이터 패브릭(data fabric) 기반 인공지능(AI)을 더한다. 데이터 패브릭은 고비용 저부가가치로 인식되는 데이터 관리의 고질적인 문제를 해결하는 강력한 데이터 관리 솔루션이 될 것으로 전망한다. 이로써 계정계나 정보계의 경영계획, 수요예측, 판매계획, 수급계획 등과 쉽게 통합하여 의사결정을 고도화할 수 있을 것이다. 한편, 컴퓨터 공학의 발전과 함께 알고리즘은 더 복잡하고 어려운 문제들을 효율적으로 해결할 수 있게 되었다. 포괄적으로 알고리즘을 통해 어떤 일을 해결하려는 방법과 절차를 지능화할 수 있으며, 어떤 문제를 해결하기 위한 단계적인 절차나 방법을 공식화한 형태로 표현한 것으로 생각해 볼 수 있을 것이다. 이를 통해 미래를 더 정확하게 예측하게 되는 등 알고리즘의 활용 영역이 점차 넓어지고 있다. 아울러 인공지능이란, 인간의 지각, 추론, 학습 능력 등 인간의 사고 프로세스를 모방하여 컴퓨터 기술로 구현한 것을 의미한다. 그러므로 인공지능을 구현하는 핵심 메커니즘은 한정된 정보를 수집 및 투입하여 최적의 결과를 산출해 내는 알고리즘이다. 인공지능 기술은 지난 반세기 동안 ‘생각하는 기계’를 구현하기 위해 지속적으로 연구되었으나 데이터의 처리 기술, 메모리, 하드웨어, 알고리즘의 한계로 발전이 더뎠다. 하지만 이러한 문제들을 해결하는 기술이 생겨나면서 최근에는 이상적으로 여겨지던 인공지능을 구현해 낼 수 있는 연구 및 발전이 가속도를 내고 있다. 인공지능의 가장 대표적인 기술로는 머신러닝(Machine Learning, ML)과 딥러닝(Deep Learning, DL)이 있다. 머신러닝은 인간이 직접 컴퓨터 프로그래밍을 통해 특정 명령을 입력할 필요 없이, 머신러닝 알고리즘이 대량의 데이터를 분석하고 그중 패턴을 찾아내 예측하는 기법이다. 딥러닝은 머신러닝의 부분집합으로 지능화된 컴퓨팅 기술을 통해 심층 신경망(DNN: Deep Neural Networks)을 구현하는 것을 의미한다. 심층 신경망의 기본적 원리는 인간 두뇌의 연결성을 모방해 데이터 세트를 분류하고, 데이터 간 상관관계를 찾아내는 방법을 의미한다. 이와 같은 지능화 수단으로서 인공지능 기술은 스마트팩토리 구현과 제조업의 지능화에 필수적인 수단이다. 또한 비즈니스 기회 창출을 위한 AI 알고리즘의 활용 및 접목은 중요하다. 기업들은 정교하게 설계된 AI 알고리즘을 통해 자사의 경쟁력을 강화하려 노력하고 있다. 기업 자체적으로 알고리즘을 개발하는 방법도 있지만, 최근 다른 테크놀로지 기업이 출시한 AI 엔진과 솔루션을 활용해 미래의 수요, 가격 변화, 소비자의 행동 패턴, 선호의 변화 등을 예측하는 기업도 적지 않다. 과거에는 임직원의 경험 혹은 암묵적 지식(Tacit Knowledge)에 의존하여 의사결정을 했으나 데이터를 근거로 기업에 최적화된 알고리즘을 활용할 경우, 시장 환경에 보다 민첩하게 대응하고 전체적인 비즈니스 프로세스를 개선할 수 있다. 기업은 알고리즘을 통해 최적의 가격과 반응을 설정할 수 있게 되었고, 스마트팩토리를 통해 제조 대응력을 극대화해야 한다. 또한 마케팅 관점에서 고객 개인에 맞춤화된 추천 시스템을 통해 타깃 고객을 대상으로 마케팅을 할 때, 더 효과적인 의사결정과 높은 경영 성과를 달성할 수 있다. 소비자 역시 온라인상에서 제품의 가격을 비교를 할 수 있는 알고리즘을 통해 보다 합리적인 소비를 할 수 있게 되었고 탐색 비용을 줄일 수 있게 되었다. 알고리즘을 통해 한층 더 투명화된 시장에서 소비자의 교섭력이 높아지고 있다. 개인화 맞춤을 인공지능에 의해서 파악하는 “알고리즘 소비자” 시대가 열리고 있다. 따라서 제조 산업 정책도 알고리즘 소비자를 대응하고 반응하는 “인공지능 기반 스마트팩토리”를 구축해야 한다. 마케팅 관점에서 구매 관련 의사결정을 알고리즘에 맡기는 ‘알고리즘 소비자(Algorithmic Consumers)’ 시대가 열리고 있다. 다른 한편, 기업과 소비자뿐만 아니라, 정부 및 공공 영역에서도 알고리즘이 활발하게 도입되는 추세다. 스마트 시티를 구축하여 “알고리즘 시민 서비스” 시대가 전개되고 있다. 미국에서는 범죄자의 범죄 패턴을 파악하고 용의자를 찾는 데 알고리즘을 활용하고 있다. 또한 보다 객관적으로 범죄자의 형량을 결정하는 데에도 알고리즘이 활용되고 있다. 이처럼 알고리즘은 소비자와 공급자를 포함하여 전체 사회 후생 증진에 도움이 될 것으로 기대를 모으고 있는 가운데, 기업의 활용도를 중심으로, 기업의 최적 가격 결정 및 개인화된 맞춤 마케팅과 제조활동에 AI 알고리즘이 어떻게 활용되어야 하는지 자주적으로 사고하는 역량이 요구되고 있다. 소비자가 개인화된 맞춤을 요구하듯이 제조업도 소비자들처럼 미래 제조 경쟁력 강화를 위해서 스스로 기업 특성에 맞는 제조 대응력을 강구해야 한다. 지능화는 데이터로부터 나온다. 이처럼 데이터는 기업뿐만 아니라 공공 영역의 디지털 변화에 필수적인 요소이다. 하지만 데이터를 활용하는 것은 그리 쉽지 않다. 다양한 데이터 소스, 유형, 구조, 환경, 플랫폼 등에 의해 문제가 발생하기 때문이다. 특히 기업이 인공지능과 하이브리드 및 멀티 클라우드 아키텍처를 채택할 경우 다차원적인 데이터 문제에 직면하게 되어 더욱 복잡해진다. IBM의 통계에 따르면 기업 데이터의 약 68%가 사용되지 않고 있다고 한다. 기업들은 이러한 다크 데이터(dark data)가 언젠가 활용될 것이라는 기대감에 데이터를 저장하지만 비용이 발생된다. 데이터양이 많아질수록 비용은 증가하고 데이터 저장에 따른 ROI는 매우 낮아지고 있다. 최근 데이터 패브릭을 활용한 머신러닝과 데이터 분석 소프트웨어는 모든 종류의 메타 데이터를 분석할 수 있어야 하며, 활용되고 있지 않는 데이터에서 인사이트를 도출해 낼 수도 있어야 한다. 아래 그림은 데이터 패브릭에 대한 것이다. 중심에는 데이터 소스가 있다. 다이어그램의 중간에 표시되어 있지만 실제로는 분산되어 있고 이질적이다. 아래 그림의 데이터 패브릭 아키텍처 기본 개념은 데이터에 발생하는 모든 것을 반영하는 지식 그래프에서 분산 데이터 소스를 카탈로그화하는 것이다. 이것은 다이어그램에서 데이터 소스를 둘러싸는 레이어로 표시되는 동적 구성이 가능한 새로운 것이다. 또한 아래 그림에 나타나 있는 메타데이터는 데이터 소스와 관련 정보의 다른 중요한 소스(예: 로그 파일)에서 수집된다. 지식 그래프의 정보를 활용하는 알고리즘에 의해 추가로 해석되고 추론되며 풍부해진다. Gartner는 이러한 프로세스를 메타데이터 활성화라고 한다. 다양한 데이터 전달 도구와 서비스가 위 그림의 아키텍처에 연결된다. 그들은 지식 그래프를 참조하여 사용 가능한 정보, 액세스 권한 및 기타 중요한 요소의 범위와 내용을 이해할 수 있다. 데이터 거버넌스와 표준은 데이터 패브릭 아키텍처 내에서 서로 다른 제품이 함께 작동하는 기능이다. 다이어그램에서 가장 바깥쪽의 파란색 레이어에서 이러한 측면을 보여주고 있다. 제조 영역에서 인공지능 기반 스마트팩토리가 확산되면서 개인의 니즈에 맞춘 “개인화된 맞춤” 주문에 대한 대응이 가능해진 것처럼 기업은 고객 개개인이 무엇을 원하는지에 따라 맞춤화된 제품과 서비스를 추천해 주는 데 주목하기 시작했다. 제조 원가를 유지하면서도 다품종 소량 생산이 가능해야 한다. 어려운 일이다. 하지만, 이를 가능케 해주는 것이 바로 알고리즘을 활용한 추천 시스템이다. 이는 사용자의 행동 패턴, 사용자 간 관계, 상품 유사도에 기반하여 알고리즘으로 고객의 취향과 선호를 예측하고 이에 맞는 상품을 추천하고 구매 결정을 도와주는 시스템을 의미한다. 가령 온라인 쇼핑몰에서는 고객의 검색 이력, 클릭, 특정 화면에 머무르는 시간, 리뷰, 평점 등을 수집한 후, 고객이 관심을 갖고 있을 만한 상품을 추천해 줄 수 있다. 제조 산업의 지능화는 기술과 기능을 구분하여 수단매체와 목적함수 간의 관계 설정이 매우 중요하다. 제조의 관점은 다양하다. 즉 생산, 판매, 그리고 공급망(SCM)을 관점별로 부분 최적화를 넘어 제조 전체 최적화가 실현되도록 통합하는 네트워크 기술과 기능이 중요하다. 그 네트워크의 핵심 기술과 기능은 사람 사이버 피지컬 시스템(H-CPS) 기반의 제조 플랫폼이여야 한다. 그 까닭은 지능화를 위한 뉴럴 네트워크(neural network)의 인공지능 기반 스마트팩토리는 실시간 기반 피드백(real-time based feedback) 기능이 기본이기 때문이다. 기술 마케팅을 전개하기 위해서는 지능화 시대에는 “특허 권리 기반 기술 마케팅 전략”을 수립하여야 하는 데, 반하여 특허(지재권) 권리도 없이 기술 마케팅을 전개하는 것은 스스로 기술력이 없다는 것을 시인하여 어려움을 자초(自招) 하듯이, 모라벡의 역설(Moravec‘s Paradox) “기계에게 쉬운 일은 인간에게 어렵고, 인간에게 쉬운 일은 기계에게 어렵다”처럼 인공지능과 같은 복잡하고 방대한 데이터 처리와 소수점 연산 등은 컴퓨터는 쉽게 처리한다. 그러나 우리 인간에게 쉬운 일, 개와 고양이 구분은 컴퓨터는 어렵게 처리한다. 이렇듯 답이 있는 문제는 지도학습, 답이 없는 문제는 비지도 학습, 답이 있지만 알기 힘든 문제는 강화 학습시켜야 하듯이 데이터도 훈련(trained data) 시켜야 한다. 그것이 지능화의 시작이다. 주요뉴스
분석타입
원본데이터란?
키워드에 대한 검색 결과 데이터로 분석에 사용되는 데이터 원본을 확인할 수 있다.
대표 차트
사용 가능한 차트들