인공지능 기술과 서비스의 이해
•Transferir como PPTX, PDF•
2 gostaram•968 visualizações
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.
Recomendados
Mais conteúdo relacionado
Destaque
Destaque (20)
Semelhante a 인공지능 기술과 서비스의 이해
Semelhante a 인공지능 기술과 서비스의 이해 (20)
인공지능 기술과 서비스의 이해
- 1. 인공지능 기술과 서비스의 이해 - KIAT & 기술보증기금 주관, 5대 신사업 기술동향교육과정 - 2016.09.21 소프트웨어정책연구소 양병석
- 2. - 목 차 - 1. 인공지능 2. 인공지능과 기존 소프트웨어가 다른 점 3. 인공지능 개발 방법 4. 다양한 알고리즘과 할 수 있는 일 5. 왜 갑자기 인공지능? 6. 산업 응용 7. 인공지능의 한계 8. 인공지능 서비스의 중요한 포인트 9. 미래
- 3. 3 한국에서 주목 받기 시작한 계기 (2016-03) 이미지 출처 : http://www.asiae.co.kr/news/view.htm?idxno=2016031013333171281
- 4. 4 이미지 출처 : https://namu.wiki/w/%ED%84%B0%EB%AF%B8%EB%84%A4%EC%9D%B4%ED%84%B0(%EC%98%81%ED%99%94) http://www.itworld.co.kr/tags/60542/%EB%A7%88%EC%9D%B8%ED%81%AC%EB%9E%98%ED%94%84%ED%8A%B8/100217 http://newpower.tistory.com/74
- 5. 5
- 6. 6 단점. 정답이 아닌 경험에 의한 추리 버그가 아니라 실수할 수 있는 소프트웨어 버그나 오류가 아니고 실수!
- 7. 7 장점.복잡계(실세계)를 이해하는 소프트웨어 물리학에 의하면 세상은 중력, 전자기력, 약력, 강력 뿐이지만..
- 9. 9
- 10. 10 유전 알고리즘
- 11. 11 듣고 말하고 보고 추론 비교 이미지 출처 : https://developer.ibm.com/watson/blog/2015/02/04/new-watson-services-available/
- 12. 12 (비용하락) 컴퓨팅 파워와 네트워크 속도
- 13. 13 (데이터) IoT와 모바일로 인한 실세계(복잡계)의 데이터 수집 용이
- 14. 14 (알고리즘) 기존의 신경망 알고리즘 문제를 개선한 딥러닝 등장! 2014년 가트너는 주목해야 할 기술로 선정
- 15. 15
- 16. 16 • Smart Cars • Self-Driving Vehicles • Transportation Planning • On Demend transportation • Interacting with People
- 17. 17 • Vaccum cleaners • Home robots 2030 • Automation Home
- 18. 18 • The clinical setting • Healthcare analytics • Healthcare robotics • Mobile health • Elder care
- 19. 19 • Teaching robots • Intelligent Tutoring System and Online Learning • Learning Analytics • Challenges and oppurtunities • Broader societal consequences
- 20. 20 • Scheduling planning • Reasoning with social networks and influence maxiimization
- 21. 21 • 안전/보안 • 근로자/산업현장 • 엔터테인먼트 L.A. Cops Embrace Crime-Predicting Algorithm
- 22. 22 데이터에 의존적
- 23. 23 범용성과 특성화의 트레이드 오프
- 24. 24 복잡계의 실수 가능성
- 25. 25 면접관: 좋아요, 1에서 100까지 숫자를 프린트하는데 3으로 나누어지는 수는 ‘fizz’ 라고 프린트하고 5로 나누어지는 수는 ‘buzz’라고 프린트하고 15로 나누어지는 수는 ‘fizzbuzz’라고 프린트하면 됩니다. 나: 그 문제 압니다. 면접관: 다행이군요. 이걸 제대로 할 수 없는 사람은 회사 업무도 잘 못하더군요. 나: … 면접관: 여기 마커랑 지우개가 있어요. 나: [몇분간 생각] 면접관: 어떻게 시작할지 좀 도와드릴까요? 나: 아뇨, 아닙니다. 괜찮아요. 그럼 기본적인 임포트부터 시작하겠습니다.: import numpy as np import tensorflow as tf 면접관: 음, 피즈버즈 문제 알고 있는 거 맞죠? 나: 그럼요. 그래서 지금 모델에 대해 말하려구요. 제 생각엔 하나의 히든 레이어를 갖는 간단한 멀티 레이어 퍼셉트론(multi-layer- perceptron)이 어떨까합니다. 면접관: 퍼셉트론요? - 중략 - 난 거기에 취업하지 못했다. 실제로 이걸(code on GitHub) 실행해 봤는데 몇개가 잘못된 값이 나와버렸다! 머신러닝 고마워! 내 생각엔 아마도 더 많은 히든 레이어(deeper network)를 사용했어야 했나 보다… (추가) Jeff Dean 왈, RNN을 썼어야지!! ㅋㅋㅋ https://tensorflowkorea.wordpress.com/2016/05/24/fizz-buzz-in-tensorflow/ 인공지능의 잘못된 활용 예
- 26. 26 정말 인공지능이 최선인가? - 정답이 있는 분야에는 인공지능은 필요 없다. 인공지능에 활용할 수 있는 데이터를 확보할 수 있나? - 데이터에서 시작해서 데이터로 끝난다. 인공지능 서비스를 만들 수 있는 인력을 보유하고 있는가? - 서비스를 만드는 것은 개발자, 데이터 사이언티스트 기다릴 수 있는가? - 인공지능은 의미 있는 수준으로 만들어지는데 시간이 걸린다. 처음 성능은 거의 랜덤수준 실수해도 괜찮은가? - 인공지능은 사람에 비해 실수를 안할 뿐, 실수한다. 거슬리는 실수, 치명적인 실수 어떻게 처리해야 할까? 납득가능한 수준의 성능(투입비용)은? - 90%에서 5%올리기보다, 95%에서 1%올리기가 더 어렵다.
- 27. 27 부족한 성능 서비스로 채우기
- 28. 28
- 29. 29 QnA
Notas do Editor
- 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.
- 아마도 인공지능이 한국에서 주목을 받은 것은 비교적 최근일입니다. 이미 컴퓨터 업계에서는 이미 구글의 인공지능 능력들은 크게 알려졌었지만, 대중들에게 까지 알린 사건은 세기의 대결이라고 불리웠던 이세돌과 알파고의 대결입니다. 당시 대부분의 사람들이 이세돌의 승리를 점쳤지만, 저는 그때 알파고의 승리에 한표를 걸었고, 인공지능에 관심있었던 많은 분들은 이 대결에 대해 이렇게 말했습니다. “ 알파고가 아직은 이기지 않았으면 좋겠다. “ 이 이야기는 인공지능을 하시는 분들도 인공지능의 능력을 인정하지만 뭔가 인간으로서 꺼림직하고 자존심 상한다는 표현이었을 겁니다. 그리고 결과는 알파고의 4:1 완승이었고, 많은 사람들에게 큰 충격으로 다가왔습니다. 특히 그 소식을 듣고 무서워서 울었다는 아이들도 있었다더군요.
- 아마도, 그 아이에게는 인공지능은 이런 이미지였을겁니다. 여기 계신 분들도 인공지능 하면 이런 이미지를 떠올리시나요? 하지만, 사실 실제 인공지능에 대한 오해가 있는데, 사이보그는 인공지능을 탑제한 로봇을 의미하는 것이지, 인공지능을 의미하는게 아닙니다. 인공지능은 곧 소프트웨어이고, 인공지능을 하시는 분들에게는 수학모델입니다. 일종의 근의공식 같은거라고 보시면 됩니다. 제가 뛰어난 인공지능개발자가 되지 못했던 가장 큰 이유 중 하나는 사실 수학이었습니다. 그러면 대체 인공지능은 무엇인가? 를 설명드리겠습니다.
- 먼저 기존의 소프트웨어와의 차이를 보여 드리는 것이 좋을것 같아 이렇게 비교를 해봤습니다. 기존의 소프트웨어는 센서를 통해 입력 받은 동전의 크기만큼 음료수를 내놓는 단순한 자판기입니다. 이러한 기존 소프트웨어는 컴퓨터가 비록 인간의 생각하는 방식을 따왔다고는 하지만, 스스로 학습은 불가능합니다. 이 방식의 소프트웨어는 하드웨어를 기호화한 것으로 톱니바퀴가 맞물린 복잡한 기계장치 같아서 컴퓨터는 프로그램된 데로만 움직인다라고 일컬어지죠. 다만, 하드웨어와 다른 특징은 업데이트가 가능하고 복사 변경이 자유롭다는 점이고, 입력과 출력이 단순한 만큼 아주 정확하고 빠르게 처리가 가능합니다. 그러나, 두번째 인공지능 소프트웨어는 진짜 사람의 생각하는 방식에서 따왔습니다. 마트에 사람이 음료수를 사러 간 것을 떠올려보십쇼. 음료수 캔을 보고 사이다를 선택하는 것은 기존의 여러가지 음료수가 학습되었기 때문에 가능한 일입니다. 사람의 뇌세포는 세포들의 네트워크로 이루어져 있는데, 인공지능 소프트웨어도 이러한 네트워크를 만들어 생각하고 추론합니다. 앞으로 네트워크나 모델이라는 용어를 사용할 텐데, 인공지능으로 만들어낸 수학적 함수라고 생각하시면 됩니다. 인공지능에게 다양한 음료수를 보여주어 학습 시켜 모델을 만들고, 모델에 새로운 이미지가 들어가면 이를 기반으로 어떤 캔인지를 판단합니다. 그런데, 이 단순한 결과를 위해서 복잡한 네트워크를 구성하고, 연산해야 하는 만큼 많은 컴퓨팅 파워, 곧 돈이 들어갑니다. 인공지능은 그렇게 싼 소프트웨어가 아닙니다. 또한, 인공지능 개발자의 몸 값도 싸지 않죠. 한마디로 인공지능은 1비싼 소프트웨어입니다.
- 그러나 이것을 통해 알 수 있는 중요한 점은 인공지능으로 만든 결과는 정답이 아니고, 컴퓨터의 학습결과에 의한 추리라는 점입니다. 알파고가 실수한 장면을 두고, 어떤 이들은 “버그＂가 아니었느냐? 라는 이야기를 했는데 인공지능의 잘못된 결과는 “버그＂가 아닙니다. 사람이 잘못된 판단을 내린 것이 뇌에 반드시 “병”이 있어서 그런 것이 아니듯이 말입니다. 인공지능의 큰 특징은 실수하는 소프트웨어란 점입니다. 그럼 이렇게 비싸고, 실수하는 소프트웨어를 써야 하는 이유는 뭘까요?
- 바로 복잡한 실세계를 이해할 수 있는 유일한 소프트웨어라는 점입니다. 정확한 공식을 알 수 있는 것들은 기존의 소프트웨어로 구현할 수 있지만, 문제는 너무 많은 변수들이 존재하는 우리가 사는 복잡계 입니다. 초기 물리학이나 수학에서는 우리 사는 세계를 단순한 공식으로 모두 설명할 수 있다고 생각했습니다. 맞습니다. 틀린 말은 아닙니다. 하지만, 그때 생각하지 못한 건 이렇게 많은 변수들이 서로 영향을 주고 있고, 빠르게 변화하고 있다는 사실을 알지 못했죠. 오늘날 과학이 발달하고 측정수단들이 많아지면서 알게 된 것은 원리는 단순해도 현상은 복잡하고, 통제 불가능하다는 점입니다. 그러나 다행인건 이렇게 복잡한 세상에서도 사람을 비롯한 많은 동물들은 비교적 잘 살고 있다는 점이죠. 바로 학습과 지능의 힘때문 입니다. 생물은 모든 것을 이해하지 않아도 경험적으로 설명을 하고 그 인과율을 분석해냅니다. 인간의 뇌는 패턴인식에 최적화 되어있습니다. 바둑에서 판세를 읽고, 사람들의 얼굴을 구분해내는데 그것을 시킬 수 있는 것이 바로 인공지능 소프트웨어입니다. 그러면, 다음장 부터는 인공지능 소프트웨어가 어떻게 개발되는지를 설명드리겠습니다.
- 인공지능은 파란 화살표의 학습단계와 초록색 화살표의 예측단계로 나누어지는 데, 먼저 학습단계에서는 아까 보여드린 네트워크, 곧 모델을 만드는 일 부터 합니다. 많은 데이터를 밀어 넣고, 알고리즘에서 섞어서 그 인과관계를 분석해내는 일이죠. 학습단계에서는 다양한 훈련데이터에 라벨을 붙여둡니다. 이건 콜라캔이야. 이건 사이다. 이건 주스.. 이런 데이터를 미리 준비합니다. 그 데이터에서 특징들을 뽑습니다. 빨간색, 초록색 같은 색깔이나, 네모, 세모 등 모양, 혹은 글씨, 이런것 들이 될 수 있죠. 그것들을 머신러닝 알고리즘에 넣고 돌리면, 알고리즘에 의해서 앞서 말한 모델이 만들어집니다. 여기에 적힌 “예측 모델＂이 그것이고, 이 모델이 인공지능을 의미합니다. 그리고, 예측단계에서는 실제 사용자가 인식하고 싶은 물건을 집어넣으면 앞서 뽑은 동일한 특징을 뽑아냅니다. 초록색이고 원기둥이네.. 그리고, 이걸 모델에 집어넣으면 사다리를 타듯이 계산해서, “사이다”야. 라고 최종 결과가 나오는 것이죠. 이것이 일반적인 인공지능의 개발방법과 서비스의 흐름입니다.
- 앞서 말한 인공지능은 알고리즘에 따라 인간의 뇌를 흉내내어 여러 가지 일을 할 수 있습니다. 사실은 규칙을 찾아내는 IQ테스트랑 비슷한 일을 인공지능에게 시키는 겁니다. 크게 학습의 종류는 지도학습과 비지도학습으로 나뉘는데, 앞에서 라벨을 붙여준 것 같은 학습을 지도학습이라고 합니다. 비지도 학습은 데이터를 잔뜩 주고, 정답을 가르쳐주지 않고 비슷한 것 끼리 묶어봐. 이런 식으로 진행하죠. 비지도 학습은 때로는 개발자가 예측하지 못했던 결과도 알려줍니다. 알파고로 치면 사람들이 실수라고 생각했지만 묘수였던 새로운 수를 발견하기도 합니다.
- 인공지능은 실제 생물처럼 진화도 가능합니다. 진화의 핵심은 바로 변이와 교배죠. 이러한 진화를 흉내낸것이 유전 알고리즘입니다. 간단히 설명 드리면 앞서 말한 모델를 여러 개를 만듭니다. 훈련 데이터를 나눌수도 있고, 랜덤이나 노이즈를 넣을 수도 있겠죠. 그리고 교배나 변이를 시키고, 몇세대에 걸쳐 최선의 값들만 남깁니다. 알파고의 스스로 대국을 했던 강화학습도 유사한 개념이라고 보시면 될 것 같습니다. 결국은 잘하는 놈만 남기는 거죠. 복잡하고 지루하실 것 같아 좀 더 이해가 쉬우라고 유전 알고리즘을 이용한 “그네타기“ 를 보여드리겠습니다. 여기까지가 어려운 인공지능에 대한 설명이었습니다. 뒤로는 이제 쉬워지실테니 걱정하지마세요.
- 그래서 인공지능으로 대표적으로 할 수 있는 일들은 이런 겁니다. Speech to text 소리를 글자로 바꾼다던가, Text to Speech 글자를 소리로 합성하고 Visuual Recognition 사진이나 영상을 인식해서 글자를 읽는다던가, 무엇인지를 판단하고 Concept Insights 대량의 데이터를 기반으로 숨겨진 인사이트를 발견할 수 있습니다. Tradeoff analytics 어떤 것이 더 좋은지 의사결정에 크게 도움이 될 수 있죠. 간단히 크게 앞서 3개는 시각이나 청각에 기반한 인지기술에 가깝고, 뒤의 두개는 추론과 비교를 하는 데이터 분석 기술에 가깝다고 보시면 될 것 같습니다. 간단히 말하면 인공지능 기술은 사람처럼 보고, 듣고, 생각하고 말하는 기술입니다.
- 그런데 왜 갑자기 인공지능이 최근에 뜨게 됐을까요? 앞서 말했듯이 인공지능은 꽤 비용이 드는 일입니다. 비용대비 효용의 문제가 존재한다는 얘기죠. 그런데 최근의 컴퓨팅 파워와 네트워크 속도는 컴퓨팅 비용을 낮추고, 네트워크를 통해 서버의 강력한 컴퓨팅을 활용할 수 있게 되었습니다. 대표적인게 구글의 음성인식 기능같은것일 수 있죠.
- 인공지능의 학습에는 대량의 양질의 데이터가 필요합니다. IoT와 SNS는 이러한 데이터를 수집이 가능한 환경으로 바꾸어주었죠. 그리고 이러한 대량의 실세계의 데이터를 처리하기 위해서는 복잡도가 증가했고, 결국은 인공지능이 필요하게 되었습니다.
- 그리고 갑자기 툭 튀어나온 딥러닝 입니다. 인공지능은 새로운 알고리즘이 등장할 때마다 새로운 국면을 맞습니다. 해당 기술의 등장만으로 그동안 성능 문제로 사용되지 못했던 활용범위가 넓어지기 때문이죠. 7살짜리 우리 딸과 5살짜리 우리 아들이 할 수 있는 일이 차이가 나듯이 말입니다.
- 그래서 글로벌 기업들이 인공지능에 뛰어들었습니다. 한국에서는 알파고가 이슈가 되었는데 사실, IBM입장에서는 좀 억울 할 수 있을것 같습니다. 알파고의 충격은 2011년 미국에서 퀴즈쇼 제퍼디에서 최다 우승자를 꺾은 일이 있었습니다. 외로움을 달래주는 아이폰의 시리양이나 MS나 페이스북도 인공지능 활용에 앞장서고 있죠, 이러한 소프트웨어 기업의 서비스 뿐만 아니라 다양한 산업에서 활용 여지도 매우 커서 인공지능기술을 확보한 소프트웨어 기업들은 다양한 산업혁신을 주도하려 하고 있습니다.
- 교통분야에서는 다들 잘 아시는 구글의 자율주행차입니다 그러나 더 크게 생각하면, 교통 관제 시스템 전체가 지능화가 된다면, 교통은 혁신을 맞이할 수 있습니다. 정체와 신호등이 없는 도로가 만들어질 수 있고, 큰 돈을 벌 기회도 있을겁니다. 우버, 테슬라가 자율주행 자동차를 이용한 서비스사업을 하려 하고 있습니다.
- 집안에도 가사도우미가 하나 생기게 되겠죠. 아주 오래전에는 인공지능 가사도우미라면 로봇을 생각했지만, 실제 인공지능 가사도우미는 보이지 않습니다. IoT와 결합된 이러한 서비스의 특징은 사람이 신경을 안 써도 되고, 보이지 않는 곳에서 필요한것을 일하며, 적시에 필요한 도움을 준다는 것이죠. 아마존 에코가 사례가 될 수 있을것 같습니다.
- 국내의 의료환경에는 도입이 좀 쉽지 않은 상황이지만, 해외의 경우에는 높은 의료비와 낮은 의료자원 문제를 인공지능을 통해 해결하려는 움직임이 강합니다. 또한 그 동안의 치료방법은 환자군에 따른 대응 정도 였지만, 더 많은 데이터가 수집이 가능해진 지금은 개인에게 최적화된 정밀의료를 시행이 가능해집니다. 미국에서는 오바마 정부가 주도하여 이러한 작업을 진행하고 있습니다.
- 교육에서도 훌륭한 선생님이 될 수 있습니다. 인공지능은 개개인에 최적화된 모듈식 교육을 가능하게 합니다. 대규모 공개 온라인 강의 서비스인 MOOC는 많은 사람들이 어떻게 학습을 하는지가 추적 가능하여 이를 기반으로 최적의 교육을 제공하려하고 있습니다. 수학교육 기업인 노리의 경우에는 수학과정을 모듈화하여 학습자 개개인을 분석하여 학습이 필요한 모듈을 집중적으로 제시하여 개인에게 맞는 최적의 학습경로를 찾아 제시합니다. 다 아는 단원을 똑같은 문제를 수십문제 씩 풀 필요가 없는 것이죠.
- 인공지능은 외로움을 달래주고, 개인의 일을 돕습니다. 개인의 일정을 관리하고, 친구관계를 유지하는데도 도움이 될 수 있습니다. 개인 에이전시 서비스인 Siri는 대표적인 인공지능 비서입니다. 페이스북이 내세우고 있는 챗봇 서비스도 이러한 인공지능 기술을 필요로 합니다. 또한 최근 가상현실 분야에서 논의되고 있는 가상인간은 이러한 부분을 다루는 기술입니다.
- 그 외에도 인공지능으로 지역별, 시간별 범죄 확률을 예측하여 순찰 비용을 줄인 사례라던가 CCTV영상을 인공지능을 통해 범죄현장을 알려줄수 있습니다. 기업은 인공지능을 통해 모든 활동을 최적화하고, 적시에 대응할 수 있습니다. 심지어는 인공지능이 그림을 그리거나, 영상을 만드는 예술의 영역까지 활용이 가능합니다. 이 그림은 IBM왓슨이 만든 영화 예고편입니다.
- 그러나, 인공지능이라고 만능은 아닙니다. 당연히 데이터를 넣은 결과물이므로 데이터에 의존적입니다. 마이크로스프트의 테이라는 인공지능은 인종차별적인 발언을 하여 서비스가 중단되었는데, 사실 이는 무작위로 습득된 데이터의 탓이었습니다. 필드의 데이터가 반드시 옳은 것은 아닙니다. 때문에 인공지능은 학습시 데이터를 정제하는 작업을 합니다. 물론, 너무 완벽히 정제된 데이터는 또한 인공지능의 유연성을 떨어뜨리는 단점도 있는데 이는 정말 사람같지 않나요?
- 또한 이러한 특성 때문에, 범용성을 가지면 특정 개인이 느끼기에는 불만족 스러울 수 있고, 개인에게 최적화된 인공지능은 대중이 쓰기에 평균적으로 나쁠 수 밖에 없습니다. 연애도 다양한 사람과 해본 사람이 좋다는 의미가 그런 의미 겠죠. 하지만, 진짜 좋은건 오래 자신과 연애한 한사람이구요.
- 그리고, 인공지능은 결국 반드시 실수 할 수 있습니다. 그 가능성은 언제든 열려있습니다. 지속적으로 문제상황을 찾아내어 이 케이스를 집어넣으면 보완은 가능하겠지만, 그렇다고 그것이 최선이라는 보장은 없습니다. 비정상적인 상황에 너무 최적화되면 앞서말한 대로 범용적인 상황에 효율이 떨어질 수 있기 때문이죠.
- 그리고, 인공지능은 만능이 아니며, 적절한 곳에 쓰여야 합니다. 이건 일종의 농담 같은건데요. 정답이 있는 문제에 인공지능으로 풀어서 면접에서 탈락한 개발자농담입니다. 앞서 말씀 드렸듯이 인공지능은 비싸고 실수합니다. 정답이 있는 문제에는 쓰면 안됩니다.
- 그리고 몇 가지 더 이야기를 드리자면 이런 것이 있을 수 있습니다. 여기 계신분들이 투자자니 가장 중요하게 여기셔야 될 부분 일겁니다. 그냥 한번 읽어드리겠습니다.
- 그리고, 사실 이러한 인공지능의 약점은 서비스로 메꿀 수 있습니다. 지금은 없어졌지만, 제가 제안했던 네이버앱의 그린윈도우인데요. OCR은 스마트폰 카메라에서는 어려움이 많습니다. 하지만, 그린윈도우라는 정해진 양식의 정해진 폰트라면 인식률을 확실히 끌어올릴 수 있죠. 네이버책의 본문검색 경우, 인식율이 낮은 것은 버렸습니다. 사용자에게는 검색 쿼리를 통해 정확히 인식된것만 일부 보여주도록 되어있기 때문에, 인식률이 낮은것을 체감할 수 없게 되어있죠. 인터파크의 톡집사의 경우, 지금은 잘 모르겠지만, 초기에는 사람이 대응하는 경우가 많았다고 하더군요. 덕분에 주말에는 쉬기도 하더라구요. 리멤버의 경우, 경쟁 명함 스캔앱은 비즈리더라는 OCR앱이 있었는데, 사람이 보고 쳐넣는것으로 해결했습니다. 시장을 잡았으니 기술은 이후에 따라가도 되는 캐이스겠죠. 진저는 시리처럼 먼저 말을 걸수 있는 기능이 없습니다. 이를 통해 대화의 주도권을 가져올 수 있죠. 결론을 말씀드리면, 인공지능 기술이 서비스를 완성하는 것은 아니며, 상호 보완적인 관계를 가지고 있습니다. 서비스에 필수는 아니지만, 경쟁력이 될 수 있다는 것입니다.
- 마지막장 입니다. 끝났으니 철학적인 이야기나 잠깐 하겠습니다. 자아를 가진 강인공지능에 대한 언급은 하지 않았습니다만, 지금은 아니지만, 언젠가는 장표에 적힌 이러한 시대가 올 지 모르죠. 저도 제가 살아있는 동안에 가능하다는데 한표이고, 그 이후의 일은 잘 모르겠고, 예측이 잘 되지 않습니다. 단순히 IT서비스만의 문제는 아닐거라고 봅니다. 그것이 디스토피아일지 유토피아일지는 가봐야 알텐데, 저는 인공지능은 결국 우리의 후손이라고 생각합니다. 그리고, 우리는 이제 막 그 초입부에 들어선 것 같고 우리는 큰 도전에 마주했다고 생각합니다. 인공지능에 관심을 가지고 있다면, 비현실적이지만 어느정도는 염두에 두고 있어야 한다고 생각하여 마지막장에 추가해봤습니다. 부족한 강의 끝까지 들어주셔서 감사합니다.