현실 확인 : 인공지능과 봇, 가상비서의 현황

우리는 지난 50년 동안 인공지능 분야에서 상당한 진보를 이루었지만, 기술 애호가들이 생각하는 인공지능 근처에도 가지 못했다.

인공지능이 가상비서, 봇, 무인자동차, 머신러닝 등의 가면을 쓰고 다시 뜨거운 주제로 떠올랐다. 실리콘 밸리와 기술 관련 미디어, IT 업체의 전시회를 인공지능이 장악했다고 해도 과언이 아니다. 

인공지능은 때만 되면 한 번씩 부상하는 기술 중 하나이지만, 현실세계에서의 발전은 매우 더디게 진행됐다. 필자는 가상현실을 대중적인 용어로 키운 재런 래니어 같은 테크노히피 지지자는 물론, 1980년대 중반에 IBM과 MIT, 카네기 멜론, 씽킹 머신즈(Thinking Machines) 등의 요란한 인공지능 행사를 기억한다.

인공지능은 여러 과학이 확실히 자리를 잡은 영역이지만, 실체를 구현하는 일은 아직 미성숙 상태이다. 벌거벗은 임금님 상태까지는 아니지만, 이제야 속옷만 입은 임금님 같은 상태이다. 아직 입어야 할 옷이 많다.

따라서 이 모든 지능형 머신이나 소프트웨어가 하는 약속은 걸러서 들어야 한다. 우리는 아직 스타트렉에 등장하는 대화형 컴퓨터보다 수십 년 뒤에 있고, 스티븐 스필버그의 영화 A.I.의 인공지능보다 한참 뒤처져 있다.

그리고 범용적인 인공지능 분야에서는 많은 일이 일어나고 있다. 영리한 개발자와 업체들은 현재 시점에서 실현 가능성이 있는 영역에 집중하고 나머지는 SF 작가나 선정직인 매체의 몫으로 남겨 둘 것이다.

로봇과 인공지능은 훈련법이 다르다
오랫동안 인기 SF 소설은 로봇과 인공지능을 하나로 녹여냈는데, ‘지구가 멈추는 날’의 고트부터 배틀스타 갤럭티카의 사일런까지, 아이작 아시모프의 아이로봇에 나오는 인간형 로봇부터 스타트렉 : 넥스트 제너레이션의 데이터까지 인공지능과 로봇이 한 몸이다. 하지만 로봇은 반도체 지능이 아니라 기계적인 작업을 수행할 수 있는 기계이다. 기존에 사람이 하던 작업을 더 안정적이고 빠르게, 그리고 월급을 주지 않아도 수행하는 기계이다.

로봇은 제조산업에서는 보편적인 것으로, 요즘은 병원에서도 약품의 전달이나 보충용으로 일반화되고 있다(로봇은 개인적인 용도로 약물을 훔치지 않기 때문이다). 하지만 사무실이나 가정에서는 쉽게 볼 수 없다.

생체공학 분야는 최근 눈부신 발전을 이루었는데, 여기에는 지난 20년 간의 여러 전쟁에서 수족을 잃은 퇴역 군인들이 큰 역할을 했다. 우리는 이제 원래 신체기관인 것처럼 뇌파나 신경 자극에 반응하는 의수나 의족을 볼 수 있으며, 조만간 이들은 수많은 연결선이나 외부 컴퓨터 없이 동작할 것이 확실하다.

언젠가는 인공지능과 로봇을 융합해 사일런 같은 존재가 등장할지도 모른다. 하지만 아주 한참 동안은 아니다. 반면에 인공지능 분야의 어떤 발전은 로봇의 소프트웨어를 한층 더 정교하게 만들어 로봇이 더 잘 동작하도록 해준다.

주류인 패턴 매칭, 얼마나 정교한가?
현재 인공지능의 기반으로 자리잡고 있는 대부분, 즉 아마존의 제품 추천이나 페이스북의 콘텐츠 추천, 애플 시리의 음성 인식, 구글 지도의 경로 제안 등등은 모두 패턴 매칭에 불과하다.

클라우드 컴퓨팅으로 촉발된 데이터 스토리지와 컴퓨팅 용량의 지속적인 발전 덕분에 과거 어느 때보다 더 많은 패턴을 저장하고 식별하고 실행할 수 있다. 사람들이 문제를 해결하기 위해 가장 많이 하는 것도 패턴 매칭이다. 사람들은 문제가 발생하면 우선 이미 알고 있는 것 중에 비슷한 것이 있는지 파악하려 한다. 그리고 이미 알고 있는 해법을 시도한다. 더 빠른 패턴 매칭으로 가장 비슷한 동작이나 결과물을 내놓으면 시스템은 더 지능적인 것처럼 보인다.

하지만 아직은 초기 단계이다. 내비게이션처럼 아주 완성도가 높은 시스템에서도 공항 활주로나 호수, 눈 쌓인 시골길을 가르쳐 주는 경우가 발생한다. 운전자가 보는 모든 정보는 그 반대인데도 말이다.

이들 시스템은 대부분 아직 멍청하다. 그래서 사용자가 아마존에서 물건을 살펴보고 나면, 방문하는 수많은 웹 사이트가 그 제품을 광고에 띄우는 것이다. 사실 이런 광고는 사용자가 그 물건을 구매했거나 사지 않기로 했거나 멍청한 일인데도, 이런 시스템 모두가 사용자가 그 제품을 봤다는 것만 알고 계속 비슷한 것만 보여주는 것이다. 이건 절대로 지능적인 것이 아니다. 아마존 제품 광고만이 아니다. 애플의 음악 매칭 기능이나 구글 나우의 추천도 비슷하게 맥락과는 아무 상관이 없다.

이들 시스템은 사용자에 반하는 일도 할 수 있다. 현재 애플의 자동 교정 기능이 하는 것처럼 말이다. 크라우드소싱의 폐해를 보여주는 전형적인 예로, 사람들의 잘못된 문법, 불명확한 복수형, 잘못된 생략기호 사용, 불규칙한 대문자 사용, 오탈자 등등은 다른 사람 모두에게 영향을 미친다. 이 기능을 끄는 것이 필자 같은 엉터리 타이피스트에게도 실수가 더 적다는 것을 확인했다.

이들 시스템이 놓친 것은 사용자가 그 물건을 샀는지 아니면 거절했는지를 아는 것와 같이 맥락 상의 미묘한 차이이다. 그래서 사용자가 좀 더 흥미를 가질만한 다른 제품이 아니라 똑 같은 제품의 광고를 더 많이 보게 되는 것이다. 이는 음악도 마찬가지다. 사용자의 재생 목록이 다양하면, 추천 음악도 다양해야 한다. 구글 나우의 식당 추천도 마찬가지다. 인도 음식을 좋아하지만, 매 끼니 먹고 싶지는 않다. 좋아하지만 최근에 먹지 않은 것을 추천하면 어떨까? 사용자가 저녁 식사를 같이 하는 사람의 패턴과 선호도를 적용하는 것은 어떨까?

자동 교정 기능도 이런 맥락이 좀 더 필요한 영역이다. 첫째, 누군가 애플에게 its와 it’s의 차이점을 좀 가르쳐 줘야 한다. 그리고 올바른 정식 영어 변형도 필요하다. 예를 들어, 접두사는 한 단어처럼 만들 수도, 하이픈으로 연결할 수도 있다. 어떻게 할 것인지 사용자가 정할 수 있어야 한다. 하지만 한 칸 띄우는 것은 잘못된 표기법이다. 애플의 자동 교정이 아직도 바로 잡지 않는 것 중 하나이다.

봇, 즉 사용자의 데이터를 기반으로 사용자를 위해 일을 처리해 주는 자동화된 소프트웨어 비서가 가장 단순한 작업 외의 어떤 것에 유용할 것이라고 생각하지 말기 바란다. 자동교정 작업 같은 문제 영역이 해결되기 전에는 어림없다. 이 둘은 사실 같은 종류의 문제이다.

머신러닝과 함께 떠오르는 패턴 식별
아무리 풍부한 맥락 정보가 있더라도 패턴 매칭만으로는 충분치 않다. 사전 정의가 필수적이기 때문이다. 여기서 필요한 것이 바로 소프트웨어가 사용자의 활동을 모니터링해 새로운 패턴이나 바뀐 패턴을 탐지해내는 패턴 식별이다.