-

왜 인공지능을 배워야 한다고 생각하시죠?

AI에 기반한 서비스들이 앞으로 많이 개발이 될 거예요. 그걸 잘 응용할 수 있는 세상이 펼쳐지겠죠. AI를 반드시 알 필요는 없겠지만, 많은 서비스들이 AI를 기반으로 해서 만들어 질거고 우리 삶으로 들어올거기 때문에 알면 좋겠죠. 한 10년 후에는 아이들이 리모콘이 뭔지 모르는 때가 올 거예요. 옛날 사람들은 리모컨을 썼나요? 그렇게 될 수도 있고요. 

이게 AI 인지 아닌지 모르게 곳곳에 스며들어 있을 거예요. 그 시점이 왔을때 인공지능이 어떻게 동작하고 어떻게 발전하는지는 굳이 AI 분야 종사자가 아니더라도 일반인들도 알아야 하지 않을까, 이렇게 접근하면 좋을 거라고 생각해요. 

-

-

머신러닝/딥러닝 각각의 기술은 어디에 쓰이나요? 

칼로 자르기에 애매한 부분은 있고요. 아무래도 예를 들어 엑셀이나 데이터베이스에 있는 데이터처럼 행과 열이 있고, 포맷이 있고 거기에 비즈니스 정보들이 담겨 있는, 그런 데이터를 기반으로 예측분석을 하는 영역이라면 아직 전통적인 머신러닝이 강해요. 학습속도도 빠르고 예측 성능도 좋아요. 

반면에 딥러닝은 비정형적인 데이터에 강해요. 이미지, 음성인식, 자연어처리 번역을 하거나 문맥적인 의미를 파악하는 측면에서는 딥러닝이 유연성이 높아서 기존 전통적인 머신러닝 분야보다 잘하고 있죠. CCTV로 얼굴을 인식해서 도둑을 잡거나, 스마트 팩토리에서 불량 제품이 어떤 건지 영상으로 판단하는 게 딥러닝 기반이에요. 네이버에서 하는 자동 번역 기능도 딥러닝이죠. 

비즈니스 데이터를 기반으로 예측분석을 하는 회귀나 분류를 활용해 온 업무라면 머신러닝 기법을 이용하고 영상처리나 음성기반 서비스, 통번역, 문맥을 파악해서 하는 서비스는 딥러닝 기반으로 발전하게 될 것 같아요. 두 기술을 융합할 수도 있고요. 

딥러닝/머신러닝 뭐가 다른가요? 

사실 딥러닝은 머신러닝의 한 기법이에요. 딥러닝이 뭐 갑자기 나온게 아니라 예전부터 있던 머신러닝 기법인데 각광을 좀 못 받았죠. 다른 기법들은 많이 치고 올라왔었거든요. 추리기반 앙상블 기법이라던가 이런 쪽에서 ’오오’ 이랬는데 지금은 다 죽었죠. 

딥러닝이 특히 이미지, 그리고 자연어처리쪽에 두각을 나타냈어요. 그전에도 다른 머신러닝 기법이 이미지처리, 음성처리, 자연어처리 이런 걸 다 했었어요. 근데 딥러닝이 나오면서 지금은 약간 구닥다리 취급을 받게 되었죠. 전통적인 머신러닝, 딥러닝, 차라리 이렇게 구분을 하시는게 처음 입문하는 분한테는 편할 거 같아요. 

딥러닝은 어떻게 보면 마케팅 용어 비슷해요. 여러 머신러닝 기법들 중에 ‘심층 신경망 기법’이 딥러닝인데 우리는 다른 것들과 좀 더 차별화 되어 있어! 하고 작명 센스를 발휘해서 그렇게 부르는 거 같아요.   

-

-

인공지능이 발전하면서 사람들이 자기 직업이 없어지는 건 아닐까 두려워해요. 어떻게 생각하시나요?

직업에 대한 변화는 어쩔 수 없는 것 같아요. 하지만 인공지능이 흔히 얘기하는 노동의 전환, 택시 운전사가 정말 없어질까? 이런 일은 오랜 시간이 걸릴 것 같아요. 아무래도 한동안은 단순노동이 대체되어갈 것 같은데요. 기술의 발전으로 인한 직업의 구조적인 변화는 필수적으로 따라온다고 보고요. 

굳이 AI가 아니더라도 그동안 전산화 때문에 사무관련 직업이 많이 없어졌어요. 지금은 코로나 때문에 가속화되는 부분도 있지만 대면 업무를 지양하고 비대면으로 하고 인력이 재편 되는 쪽으로 바뀌는 건 어쩔 수 없는 것 같아요. AI가 아니더라도 90년대 후반부터 현재까지 업무자동화를 통해 정리된 직업들도 매우 많죠. 

이제 아파트도 무인으로 경비하거든요. 경비원 분들이 저녁에만 잠깐 나오시죠. 전산쪽도 예전에는 서버나 전산기기 관리/운용하는 데 많은 인력이 필요했지만, 현재는 수백 대의 서버를 단 몇 명이 관리하기도 하거든요. 기술이 발전하면서 내 직업이 없어진다는 그런 걱정은 매 시절 있었던 것 같아요. 

하지만 다른 직업이 생기기도 하니까요. 크게 걱정하실 필요는 없을 것 같아요. 기술이 발전하면 새로운 직군으로 수요를 낳고 직업 생태계는 변하는 게 순리니까요. 중요한 건 인공지능처럼 변화를 주도하는 기술 지식을 습득하고 어떻게 활용할지 생각해 보는 거라고 생각해요. 

한국의 인공지능, 미국하고 비교하면 어떤가요?

한국하고 미국하고 비교하는건 대척점이 조금 잘못되어 있어요. 미국은 토양이 기초과학을 매우 중시하거든요. 머신러닝이 그냥 나온 게 아니에요. 꾸준히 계속해온 거죠. 

한국은 응용분야에 초점이 맞춰져 있고 그 쪽으로 접근하니까 미국이랑 비교하긴 어려워요. 우리는 뿌리보다는 열매위주로 집중하다 보니 직접적인 비교는 힘든 것 같아요. 미국은 뿌리가 튼튼한 거죠. 

미국은 특히 기업 위주의 투자가 매우 커요. 구글, 아마존, 페이스북, 엔비디아 등의 기업들이 놀라운 AI 기술들을 선보이고, 여전히 많은 비용을 투자하죠.

우리는 정부가 직접 예산을 투자하는 방향으로 가고 있어요. 반면 기업에서 선도적으로 어떻게 AI를 활용할 건지는 투자나 답이 조금 미흡해요. 물론 네이버, 카카오 이런 데는 굉장히 잘 활용하고 있지만 전반적으로 보자면 AI 투자나 활용 청사진이나 실제 실행력이 미국과 차이가 있죠.

인공지능이 면접도 보고 있어요. 잘 판단할까요? 

인공지능에 대해 너무 환상을 가질 필요는 없는 거 같아요. ㅎㅎ 이것도 어떻게 보면 알고리즘의 하나거든요. 그래서 패턴이 있어요. 아직 기술 수준이 그래요. 아직까지 얘가 종합적으로 사고 하지 않아요. 패턴을 판단하는 거라 면접에서 활용하는건 보조적인 수단이에요. 

면접하는 분이 놓치기 쉬웠던 표정이나 말투, 그러니까 좀더 광범위한 데이터를 가지고 객관적으로 판단할 수 있는 보조지표적인 성격이 되는거죠. AI 가 당락을 결정한다? 그러면 한국 사람들 잘하는 거 있잖아요. 패턴 다 파악해서 족보 만듭니다. ㅎㅎ <AI 면접에서 합격하는 25가지 방법> 해서 인프런에도 뜰 걸요? ㅎㅎ

요즘 미디어에서 인공지능이 좋은 기사거리라고 생각하기 때문에 서비스에 인공지능이 조금이라도 들어가면 전체가 인공지능으로 포장되는 경우가 있는데요. 받아들이는 사람이 주관적으로 필터링해야 할 부분이라고 생각해요. 

-

-

어디가 잘 하고 있다고 생각하시나요?  

네이버 클로바요. 논문도 많이 실리고 인정을 받고 있는 거 같아요. 클로바는 외국에도 연구소가 있잖아요. 그래서 여러 국적의 연구자들과 콜라보를 하면서 국제적으로 인정받고 있는걸로 알고 있어요. 

문과 기반의 비전공자도 인공지능을 공부할 수 있나요? 

당연하죠. 거의 똑같은 거 같아요. ‘문과생도 개발을 할 수 있나요?’ 이 질문이랑 상당히 비슷한거 같습니다. 진부한 기준인 것 같아요. 제 관점에서 봤을 때는 개발의 실력은 구현을 얼마나 많이 해봤느냐, 특히 스스로 구현을 얼마나 해봤느냐에 달려있어요. 그건 변함이 없어요. 

옛날에도 그랬고 지금도 그런데 개발 영역은 실용학문이거든요. 단순히 컴퓨터 이론이나 알고리즘 기법을 많이 알거나 수학적인 사고가 뛰어나면 잘할 수 있는 역량이 되긴 되죠. 하지만 그게 좋은 개발자가 되는 필수 조건은 아니거든요. 

머신러닝 역시 실용 학문의 영역이라 반드시 내가 통계학과를 나와야 머신러닝을 할 수 있다? 그건 아니에요. 이미 프레임워크가 편리한 게 다 나왔어요. 내가 알고리즘을 몰라도 구현하는데 문제가 없어요. 단지 확장할 때 기본지식이 없으면 잘 못 만들 순 있겠죠. 하지만 경험적인 부분이 녹아만 있으면 서비스 구현에는 크게 문제 없다고 생각해요. 이론적인 부분들은 계속 채워 나갈 수 있거든요.

우선 경험을 많이 해보고 실제 구현을 많이 하면서 얼마든지 내가 부족한 부분을 채워 가면 고급 개발자가 될 수 있어요. 근데 역으로 하면 힘들어요. 모든 이론과 알고리즘을 내가 알고 개발자가 될 거야. 완벽하게 준비한 다음에 개발할 거야. 그때부터는 고생길이에요. ㅎㅎ 알아야 할 게 너무 많거든요. 

일단은 카피해보는게 좋고, 직접 구현해보는게 좋기 때문에 머신러닝도 직접 구현해보고 스스로 생기는 궁금증을 해결하고 찾아가는 방향으로 한다면 괜찮아요. 머신러닝은 이과생도 힘들고 문과생도 힘들어요. 다 똑같아요 ㅎㅎ

딥러닝/머신러닝은 우리의 일상을 어떻게 변화시킬까요?

동반자로 간다는 생각이 들어요. 언제나 그랬듯이 기술이 단순함을 대체하는 건 변함이 없거든요. 그 레벨이 어디까지 가느냐가 문제인거죠. 예전에는 똑똑한 사람들만 할 수 있는 일이라 생각했던 번역가, 의사, 법률가의 영역까지 대체할 거냐. 지금 인간이 할 수 있는 영역을 좀 더 깊이 대체할 수 있나, 하는 화두를 던지긴 했죠. 하지만 여전히 법관, 의사가 없는 세상은 생각하기 어려울 것 같아요.

개인적으로는 전문직, 사람들을 좀더 보조할 수 있는 시스템으로 AI가 진화할 거라고 생각해요. 급격한 변화보다는 보다 직관적이고, 개인화, 고도화 되는 형태로 서비스가 개선될 거라고 생각합니다. 저는 개인적으로 미래 예측을 잘 믿지 않는데요. 미래 예측보다는 가능성 있는 대응을 더 중시하는 스타일입니다. 

-

-

이 강의를 만드신 계기가 있나요? 

그때가 직장 생활한 지 20주년 되는 해였어요. 그래서 20주년 기념으로 자신에게 주는 기념으로 책을 쓴 거에요. 

직장생활 20주년인데 기술서를 쓰셨네요? ㅎㅎ

미친 짓이었죠. ㅎㅎㅎㅎ 기술자로서 책을 쓴다는건 로망이긴 해요. 예전부터 갖고 있었던 생각인데 시간에 쫓겨서 도저히 할 수가 없었거든요. 근데 어느정도 경력이 되니까 생각이 정리가 돼요. 

예전에는 지식은 많이 알고 있었는데 이걸 정확하게 상대방에게 전달하는 게 중구난방이었어요. 그런데 경력이 쌓이고 다양한 상황을 접하다 보니 전달하는 법도 생각하게 되고. 아, 이제 책을 쓸 때가 되었나 보다, 스스로 자각이 되더라고요.  

 

 

다른 인공지능 콘텐츠와의 차별점은 무엇이죠?

제가 헛소리 하는 걸 싫어합니다. 뜬구름 잡는 얘기를 싫어해서 실전 예제 위주로 강의를 그렇게 만들어놨어요. 옛날에 데이터 마이닝 공부할 때부터 생각했거든요. ‘아니 뭐 이렇게 알아야 할 게 이렇게 많은가.’ ㅎㅎ

물론 이론을 많이 알면 도움은 돼요. 하지만 거기에 지쳐서 나가 떨어지게 되거든요. 머신러닝 배우기 전에 먼저 통계, 수학책 들고서 공부하고 선형대수 어려운 거 보고, 하지만 그걸 실무에 적용하기도 전에 떨어져 나가버리는거죠. 

제일 중요한 건 어떻게든 직접 구현하는 게 중요합니다. 어떻게 보면 머신러닝의 A to Z 에요. 근데 알고리즘의 A to Z 가 아니라 구현의 A to Z를 경험해 보시라고 실전 구현에 중점을 두었죠.

제가 머신러닝 분야를 공부하며 참고했던 거의 모든 서적들이 주로 머신러닝 알고리즘에 치우친 경향이 있었어요. 그런데 이렇게 공부하면 알아야 할 기반 지식이 너무 많이 필요하고, 시간과 노력이 크게 소모되거든요. 

머신러닝 코딩 구현은 단순히 머리나 눈으로 이해한다고 되는 게 아니에요. 직접 구현해 보지 않으면 결코 머신러닝 전문가가 될 수 없어요. 잘 정의된 핵심 개념 설명과 풍부한 응용, 실습 예제를 통해 실무에 머신러닝을 자신있게 적용하는 전문가 수준으로 이끌 수 있도록 구성해보았습니다. -

 

 

현재 가장 꽂혀있는 건 무엇이죠?

사실 컴퓨터 비전 외에는 하고 있지 않아요. 딥러닝 기반 컴퓨터 비전만 열심히 하고 있습니다. 앞으로도 발전 가능성이 높은 분야이기 때문에 당분간은 좀 더 이 분야에 몰입하고 싶습니다. 

인공지능의 길을 걷는 이에게 조언이 있다면? 

앞으로 활용 분야가 많아질 거예요. 그래서 직종의 전환이나 새로 이 분야에 일해보고 싶은 분들에게 큰 기회가 올 거예요. 문제는 그게 인공지능만 해서 된다기에는 문이 좀 좁습니다. 어떻게 보면 종합 예술적인 면이 필요해요. 

데이터 가공도 해보고, 서비스도 만들어 보고, 현실의 문제를 AI로 해결할 수 있는지 문제를 어떻게 개선해서 서비스로 내놓을 건지 함께 고민하는 게 필요해요. 

이 역량을 갖추려면 직접 구현해보는 거 외에는 방법이 없어요. 배워서 되는 게 아니거든요. 직접 사람과 부대끼며 커뮤니케이션을 해봐야 하니까요. 이걸 쌓을 수만 있다면 정말 시장에서 원하는 사람이 되는거죠. 높은 부가가치를 창출하는. 

단순히 ‘나는 텐서플로를 잘해.’, ‘나는 추천 시스템을 하나 만들어봤어’에 그치면 안된다는 거죠. 문제/책임의식을 가지고 서비스 지향적으로 커리어를 밟는 다양한 경험을 쌓는 과정이 필요해요. 이런 부분만 지치지 않고 꾸준히 하신다면 정말 좋을 것 같아요. 없어요. 이 분야를 할 수 있는 사람이.

 

"극강입니다."
- 러닝*릭 님 -

-

"주말부터 보기 시작했는데 설명이 정말 자세하네요.
통계 잘 몰라도 현업에서 쓰고 싶은 사람에게 필요한 강의 아닐까 싶어요.
수포자 입장에서..." 
- 회사막내 님 -

-

권철민 님의 콘텐츠를 만나보세요. 

-

---