척척박사 윤박사가 들려주는 AI | 여섯 번째, 스마트 인공지능 사례

 

 

 

차세대 IT 혁명의 핵심 요소 중 하나인 인공지능 기술은 다양한 산업 분야에서 기술 도입을 위한 개발과 함께 실 업무 적용을 위한 모델 연구에 집중하고 있다. 하지만 이들의 개발은 기계학습을 위해 어떤 데이터를 적용할지, 서비스에 어떤 모델을 도입할지 고민하면서 도입의 딜레마에 빠지기도 한다. 그 이유는 기존의 규칙 기반(Rule-based) 시스템이나 통계 모델에 비해 기계학습이 얼마나 우수한 결과를 얻는지를 설명해 줄 수 없기 때문이다. 또한 기계학습을 위한 프로세스와 아키텍처가 명확하지 않기 때문에 기존의 시스템 구축과 같은 방법으로 도입하는 경우에는 실패할 확률이 높다. 그래서 이번 기고에서는 스마트 환경을 기반으로 도입된 인공지능 사례를 살펴보고 도입에서 발생되는 이슈들을 고민해 보고자 한다.

 

 

- 스마트 인공지능 구성 환경
스마트 환경은 다양한 정의를 가지고 있지만, 기본적인 개념은 정보통신기술을 이용하여 보다 효율적이고 자동화된 서비스를 사용자의 조건에 맞게 제공하는 것을 의미한다. 그렇기 때문에 다양한 장치에서 데이터를 수집하고 분석하여 사용자의 상황(Context)에 맞는 서비스를 추천 또는 구성하는 것이 중요하다. 스마트 인공지능 서비스를 구성하기 위해서는 다음과 같은 기본적인 조건들을 만족해야 한다.

 

범위에 따른 세부 조건들을 명시하고, 해당 조건에 대한 인프라 및 서비스 환경을 설계하는 것이 바람직하다. 예를 들면 스마트 제조 분야는 각종 센서 데이터를 통합하기 위해 센서 데이터 인지 및 통합 모델, 인식된 데이터를 저장하고 전처리하는 모델, 데이터 판단과 처리를 위한 기계학습 연산 모델, 분석된 결과를 시각화하는 모델로 인프라가 구성된다. 프로세스로 구성하면 다음과 같이 인프라를 구성할 수 있다. 하지만 개인화된 맞춤형 서비스의 구성은 공통의 서비스 영역과 개별 서비스 영역으로 분리해서 인프라를 구성하는 것이 좋다. 개별 서비스 영역은 개인을 그룹으로 분류하고 유사한 그룹별 사용자에게 추천하던 서비스 방식에서 벗어나 순수한 개인데이터와 연계 데이터를 결합한 분석이 필요하기 때문에 개인별 인프라 및 분석환경을 조건 범위에 따라 인프라를 구성해야 한다. 대표적인 예로, 무인 자동차와 같은 개인 맞춤형 서비스를 들 수 있다.

 

 

 

그렇기 때문에 인공지능 서비스를 위한 인프라 구축은 서비스 대상에 따라 인프라를 구성하는 방법과 서비스에 대한 성능을 함께 고민하고 인프라를 설계해야 한다. 특히, 복잡한 기계학습 연산을 위한 GPU 인프라 구성이 아주 중요하다.

 

 

- 서비스 사례
스마트 서비스는 제조 및 물류 산업과 취약 계층을 중심으로 서비스가 개발되고 있고, 기존의 운영 모델을 딥러닝으로 개선하는 과정에 있다. 해당 사례를 통해 서비스 모델의 기본적인 구조를 확인하고 인프라의 특징을 살펴보자.

 

먼저 일상생활에 불편함이 있는 시각장애인을 위해, 스마트 시력보조 장치를 개발하는데 증강현실과 딥러닝 기술을 결합한 사례이다. 이 사례에서 스마트 안경에 부착된 마이크로 카메라가 인식센서가 된다. 그리고 스마트 장치는 인식된 영상에 대한 딥러닝 기반의 해석과 음성 처리, 증강현실 처리 기능이 함께 설치된다. 이 장치의 기계학습 이슈는 시각장애인 주변의 모든 사물을 학습하고 있어야 한다. 만약 새로운 사물을 만나게 되면 어떻게 할 것인가?에 대한 재학습이 이루어져야 하고 이를 처리하기 위한 스마트 장치의 이슈들을 개발자들이 인지하고 있어야 한다.

 

후지쯔(Fujitsu)의 Zinrai 시스템은 중대형 물류의 주문 자동화 및 배송을 추적하기 위한 딥러닝 기반의 물류 관리 시스템이다. 대형 물류에 대한 주문과 생산, 배송을 통합하여 물품에 대한 장기 보관 및 생산 비용을 최소화하였다. 그리고 주문 과정에서 발생되는 관련 물품들도 함께 관리하도록 ERP(Enterprise Resource Planning)와 연계 설계하여, 물류 관련 비용을 최적화시키는 시스템 환경을 구성하였다. 영국의 오카도(Ocado)는 물품 유통에 대해 빠르고 정확한 배송 처리를 위해 물류 자동화 및 로봇 시스템을 구성하여 95% 이상의 상품을 주문 다음날 배송 완료하도록 하였다. 오카도 시스템은 주문에 따른 지역별 물류 배송 경로 최적화, 배송 차량 추적, 물품의 자동 분배 및 관리, 로봇 자동화 등으로 구성된 시스템이다. 이와 같은 대표적인 사례들은 스마트 환경에서 IoT를 이용한 데이터 확보와 딥러닝 기반의 자동화 처리를 도입하였거나 도입하는 과정 중에 있다. 그리고 다양한 기업이 인공지능 서비스 구축을 위해 다양한 시도가 함께 이루어지고 있다.

 

 

- 스마트 인공지능의 방향
이제까지 언급한 내용들을 정리하면, 스마트 인공지능 서비스는 아직 초기 수준이고 시장을 형성하는 단계이다. 특히 개인별 맞춤형 서비스는 인프라 구성을 포함하여 서비스 데이터 확보까지 많은 준비가 필요하다. 즉, 사용자의 증감에 대한 인프라 자동 생성과 배치, 네트워크 속도, 서비스 데이터, 외부 데이터 등과 같은 부분을 함께 고민해야 한다. 그렇기 때문에 스마트 인공지능 서비스는 IoT 기반의 산업 분야에서 먼저 적용되어야 하며, 성공적인 도입이 완료된 상태에서 개인별 맞춤형 서비스로 확장하는 단계적 구축 전략에 따라 진행되어야 한다.

 

다음 기고에서는 스마트 인공지능에서 한 단계 발전한 스마트 지능의 핵심인 자기조직화(Self-organization)의 기술과 사례를 살펴보고, 구축을 위한 개발 모델을 간단하게 설명하고자 한다.