‘맞춤형 AI’가 온다, EBS 위대한 수업 리뷰

제목

EBS 위대한 수업, '엔지니어 앤드류 응의 AI' 강의를 리뷰해 본다. 앤드류 응은 랜딩 AI의 대표이자 스탠퍼드 대학교 겸임교수로 여러 이력이 눈에 띈다.

- 코세라 이사회 의장, 구글브레인창립자, 바이드수석연구원, ICT 4대천왕중 1명

엔지니어 앤드류 응의 AI
- 1강. 선한 얼굴의 AI
- 2강. ‘맞춤형 AI“가 온다.

 

2강. ‘맞춤형 AI’가 온다

강의 내용 중 언급되는 핵심 용어 개념을 정리하면 다음과 같다.

데이터 세트
- 컴퓨터로 처리, 분석할 수 있도록 구조화된 데이터 집합

머신러닝 오퍼레이션 플랫품(MLOps)
- 스스로 학습하는 능력을 지닌 AI 시스템을 개별 사용자가 안정적으로 운영하도록 개발된 플랫폼
- AI 기술의 보편화 지원

AI 머신비전
- 사림이 보고 판단하는 것처럼 카메라와 영상인식 알고리즘으로 판단

맞춤형 AI
- 일관성 있는 결정으로 제품의 품질 향상
- 기존 사례를 학습해 결함의 기준을 스스로 판단하는 AI
- 스스로 판단할 수 있게 되면, 품질, 효율성, 수익성도 모두 상승

AI로 성공하는 법
- 빠르게 성공할 수 있는 프로젝트 찾을 것
- 현실적인 목표를 잡을 것
- 프로젝트를 성공시킬 열정적 팀원을 찾을 것

 

맞춤형 AI모델이 필요한 이유 

세계 경제는 제조업부터 의료 서비스업, 농업, 물류업에 이르는 많은 산업이 있다. 아직 AI를 완전히 받아들이지 않은 분야들이다. AI가 구글, 마이크로소프트 페이스북과 같은 소비자 소프트웨어 인터넷 회사들을 어떻게 변화시켰는지 알고 있겠지만 이 회사들이 AI를 이용하는 방법을 제조업에 적용할 수는 없다.

 

제조업에서의 데이터 세트는 훨씬 작다. 게다가 수십억 사용자에게 서비스를 제공하는 단일 웹 검색 시스템 대신 각각의 공장과 제품을 위한 맞춤형 AI가 필요하다. 그래서 AI가 놀라운 발전을 보였는데도 최근까지 아무도 AI 시스템을 제조업에 구축할 만한 직접적인 방법을 제시하지 못했다.

 

수백 명의 엔지니어가 사용자들에게 서비스를 제공하고 큰 가치를 창출해 낼 수 있는 단일 웹 검색 시스템을 만드는 방법을 알아냈다. 어쩌면 수십억 명 이상도 사용 가능하고 가치를 창출할 수 있는 단일 광고 시스템이나 제품 추천 시스템도 만들어 냈다.

 

하지만 다른 산업들을 살펴보면 공장마다 고유의 무언가를 만들기 때문에 맞춤형 AI 모델이 필요하다는 것을 알 수 있다. 결함이 있는지를 알아내기 위해 각 공장만의 고유한 AI가 필요하다는 것이다

 

또 모든 병원이나 의료 보험 제도도 환자 기록을 조금씩 다르게 다루고 있을 텐데 그래서 병원과 의료 보험 제도에도 각각의 건강 기록을 읽어내고 특정한 환자는 의사에게 필요한 추천을 할 수 있는 맞춤형 AI가 필요하다.

 

수많은 맞춤형 AI 시스템을 어떻게 만들 수 있을까

그렇게 많은 맞춤형 AI 시스템을 어떻게 만들어 낼 수 있을까? 그 모든 시스템을 만들어 낼 AI 엔지니어가 많지 않을 텐데. 이 문제를 해결하는 가장 좋은 방법은 MLOps를 통해 즉 머신러닝 오퍼레이션 플랫품으로 각각의 공장이나 병원 또는 농장의 IT 기술자가 필요한 맞춤형 AI를 스스로 만드는 것이다.

 

그게 AI 기술을 보편화하고 소프트웨어 인터넷 회사에서 잘 작동하고 있는 기술을 전 세계 모든 산업에 적용할 수 있는 방법이다. 지난 2, 3년간 제조업에 적용할 수 있는 AI를 만드는 방법이 많이 알려졌고 지금이야말로 제조업에서 AI가 폭발적으로 발전되는 시기인 것 같다.

 

품질의 일관성 향상, 지식과 기술을 AI시스템에 통합

예를 들어 자동차 제조업에서 용접사를 로봇용접기로 바꾸면서 자동차 품질의 일관성이 향상되었다. 사람들이 용접한 게 별로였다는 말은 아니다. 사람이 직접 용접한 차도 꽤 좋았지만, 사람마다 용접 방식이 조금씩 달랐다. 자동화가 품질과 일관성을 굉장히 높인 것 사실이다.

 

AI 기술이 이전보다 일관성도 높아졌고 검사에 도움이 될 만큼 잘 작동하고 있다. 지난 5년간 공장을 다니면서 세 명의 검사관을 만났다. 세 명 모두 능력이 출중했지만, 무엇이 허용되고 허용되지 않는지에 대해 서로 다른 기준이 있었다. AI가 할 수 있는 일은 이 세 전문가의 지식을 AI 시스템에 통합시키는 것이다. 그들의 지식을 최대한 잘 활용하고 공장이 이전보다 훨씬 일관성 있게 돌아가게 하면 제품의 품질이 더 높아질 것이다.

 

저는 사람들이 인식하지도 못한 체 일관성 없이 일한다는 사실에 여러 번 놀랐다. 저희는 특정 분야의 전문가들이 지식을 공유하고 서로의 차이점을 발견해서 무엇이 괜찮고 잘못됐는지에 대한 일관적인 기준을 세우는 도구를 만들어 왔다. 그러면 그들과 AI 그리고 공장이 더 성공할 수 있다.

 

AI 시스템은 모든 종류의 결함을 발견할 수 있는데다 기존의 머신 비전 시스템부다 더 견고하고 안정적이다. 그래서 우리는 최첨단 AI를 만들고 전에는 존재하지 않았던 신기술을 개발했다.

 

 

어떤 제조 공장이든 이 복잡한 도구로 강력한 AI 시스템을 간단하게 훈련시키는게 개발의 목표였다. 마우스 클릭 몇 번으로 생산라인에 적용시켜서 수익률을 빠르게 창출해 낼 수 있도록 하는 것이다. 

 

데이터 중심 접근 방식

소비자 인터넷 회사들이 사용하는 것보다 훨씬 더 적은 데이터 세트로도 선구적으로 사용해 온 기술 접근방식은 데이터 중심 접근방식이다. AI를 구축하기 위해 소프트웨어와 씨름하고 복잡한 수학 계산식을 사용하는 대신 최고의 수학과 알고리즘을 사용해 소프트웨어 플랫폼에 녹여낸 뒤, 검사관들이 데이터와 레이블을 만들고 결함의 정의가 뭔지 제시하도록 돕는다.

 

검사관들이 AI한테 무엇이 결함인지 제시하고 AI가 뭘 해야 할지 지시한다는 점에서 가장 효율적인 방식이다. 그 덕분에 우리는 계속해서 수십 개의 이미지 또는 제조업에서 얻을 수 있는 현실적인 데이터 양으로도 작동하는 AI를 계속 구축해 낼 수 있다.

 

딥 러닝 기반의 검사

딥 러닝 기반의 검사는 제조업의 여러 분야에서 성장하고 있다. 반도체 제조부터 EV 배터리 다른 자동차 부품 제도에도 쓰인다. 그리고 식음료 부문과 농업 생명공학 의료 기기 검사에 이르기까지 제조업 전반에 걸쳐 검사 작업을 할 때, 딥러닝 기술이 많이 쓰이고 있다. 그런데 무엇이 결함이고 아닌지에 대해 기준이 확실하다면 기존의 머신 비전으로도 잘 적용할 수 있지만, 사실 수많은 공장에서 특정할 수 있는 규칙을 만들어 내기 어렵다는 걸 발견했다.

 

여러 사례에서 적용할 기준을 만들기란 쉬운 일이 아니다. AI의 장점은 기존 사례를 가지고 학습한다는 것이다. 그래서 기준을 정해 줄 필요없이 AI에게 결함이 있는 예와 결함이 없는 예를 몇 가지 보여주기만 하면 된다.

 

그리고 우리의 딥러닝 기술로 AI가 데이터와 사례를 확인하고 무엇이 결함인지를 스스로 알아낼 수 있도록 할 수 있다. 그렇게 컴퓨터가 할 수 있는 검사의 범위를 크게 확장할 수 있고 그 과정이 문제없이 돌아가면 많은 제조 공장에서 품질을 향상하거나 결함과 낭비를 줄임으로써 많은 수익을 낼 수 있다.

 

협력 업무절차를 지원하는 AI 도구를 선택하는 것도 중요하다. 시스템을 구축할 때, 검사관이나 엔지니어 팀 등 여러 전문가의 전문성을 통합할 필요가 있다. AI는 사용하기 쉬워야 한다. 최첨단 기술을 사용하기 위한 AI 도구를 만들 때는 고도의 기술과 훈련이 필요하긴 하지만 사용하기 어렵지 않아야 한다.

 

AI로 성공하는 방법

AI를 처음으로 도입하는 조직은 빠르게 성공할 만한 프로젝트를 찾는 것이 좋다. 실행되는지 안 되는지 아무도 신경쓰지 않는 간단한 프로젝트나 확실한 결과를 낳는데 수개월에서 수년이 걸리는 어려운 프로젝트는 하지 않아야 한다.

 

대신에 너무 어렵지는 않지만 AI가 무언가 가치를 만들어 낼 수 있다는 걸 충분히 보여주는 정도의 난이도인 프로젝트를 찾아야 한다. 그리고 수개월 안에 빠른 성공을 거두고 그 결과를 보여야 한다. 운이 좋다면 몇 주 안에도 가능한 프로젝트.

 

처음으로 AI 프로젝트를 진행할 때 적합한 투자자를 찾고 AI가 할 수 있는 것과 할 수 없는 것에 대한 현실적인 목표를 잡는 것이 매우 중요하다. 종종 회사의 열정적인 직원들 또는 지지자들이 앞서 말한 부분을 먼저 해결하고 회사의 모든 사람에게 알려주려고 한다. 만약 몇 개의 초기 프로젝트를 성공시킬 내부의 지지자들을 찾을 수 있다면 그 힘과 추진력이 프로젝트가 성공할 가능성을 높이고 초석을 세운다.

 

저는 또한 AI의 어떤 부분은 과장됐다고 생각한다. 안타깝게도 AI가 어려운 문제를 마법처럼 해결해 주고 모든 것을 이뤄 줄 거라고 기대하는 사람들이 있다. 그러면 프로젝트가 성공할 수 없다. 물론 AI는 많은 것을 할 수 있다. 이전엔 불가능했던 방식으로 검사를 하고 품질을 향상하며 수익을 늘려줄 수 있다.

 

아직도 공장에 AI를 도입할지 말지 고민하고 있다면, 그냥 한 번 도입해 보기를 강력하게 추천한다. 지금도 AI는 잘 쓰이고 있다. 

▶[또다른일상] - 선한 얼굴의 AI, EBS 위대한 수업 리뷰