[디지털비즈온 김맹근 기자] 알고리즘랩스는 산업 최전선에 있는 실무자가 인공지능을 활용하는 것이 중요하다는 인식을 가지고 있었다. 인식을 가지게 된 계기는 대기업과 인공지능 프로젝트를 하는 과정에서 극도로 비효율적인 협업이 존재하는 것을 발견하게 되었고, 비효율의 원인은 실무자가 인공지능 기술을 모르는 상황에서 기술 관련 소통과 운영을 하는 것이 가장 근본적인 문제로 판단하였다.
최근 ChatGPT와 같은 거대언어모델(Large Language Model)은 Window레벨의 기술을 넘어서는 경험을 제공하여 폭발적인 관심을 모으고 있지만, 언어모델 특성상 정확한 계산을 요구하는 업무나, 기업 특화된 데이터를 학습하지는 못했기에 엄밀한 영역에는 적용되기까지 시간이 걸릴 것으로 판단된다.
AI 애플리케이션이라는 것은 많은 관심을 받고 있는 딥러닝(Deep learning), 머신러닝(Machine Learning) 알고리즘과는 또다른 영역의 AI 구성요소이다.
AI 알고리즘이 자동차의 엔진이라면, AI 애플리케이션 은 엔진을 사용할 수 있도록, 시동을 걸고, 운전대로 방향을 조절하거나, 엑셀을 밟거나 브레이크를 밟아 엔진의 힘을 조절하는 등의 인터페이스를 뜻한다.
엔진이 아무리 우수하더라도, 이를 활용하기 위한 장치들이 미비 하다면, 그 엔진은 사용되지 않는다. 우리가 목격한 것은 이것이다.
국내외 현황
국내에서는 AI 모델을 구현하고 나면, AI 모델을 연결하여 사용하는 AI 애플리케이션은 주로 개발인력을 투입하여 구현하고 있다. 중요한 것은 필요한 AI 애플리케이션 전부를 개발 인력을 투입하여 구축하는 것은 불가능하기에, 소수의 몇몇 중요한 과제에만 리소스를 투입하고 있다.
그렇기에 선택 받지 못한 과제는 모두 존재감을 발휘하지 못하고 잊혀지게 된다. 이러한 이슈로 국내의 AI 확산에 있어 커다란 벽을 마주하고 있는 상황이다.
AI 애플리케이션의 중요성을 과거부터 강조해왔던 인물 중카이스트의 김주호교수가 있다. 김주호교수는 2022 신경정보처리학회(인공지능 학회 중 가장 권위 있는 학회)에서 한국인 최초로 기조연설을 했던 인물로써, AI 모델도 중요하지만, AI 모델을 사람이 어떻게 사용하게 할지에 대한 연구에 앞장서고 있다.
인간-AI 상호작용(Human-AI Interaction) 영역의 선구자로써 AI의 데이터관점의 고민이나 모델(알고리즘) 관점의 고민이 담긴 연구는 많지만, 만들어진 AI 모델을 사람이 어떻게 쉽게 쓰게 할 것인가에 대한 연구가 글로벌 관점에서도 상당히 부족한 상황으로 보고 있다. 따라서, 아직 글로벌 관점에서도 AI 애플리케이션의 중요성을 크게 강조하는 기업은 나타나지 않는 것으로 보인다.
주요 이슈
AI 애플리케이션이라는 용어가 다소 추상적이기에, 좀 더 구체적으로 설명을 해보려고 한다. AI는 일종의 함수라고 보면 된다. 입력값(Input)을 주면, AI가 학습한 패턴에 근거하여 출력값(Output)을 계산해준다. 알고리즘랩스에서 서비스하는 AI 제품 중에서 채용 단계에서 인적성 검사를 보고 나면, 핵심 인재가 될 확률이 높은 지원자를 예측해주는 서비스를 예시로 들 수 있다.
중요한 것은 AI가 단편적으로 예측해주는 것만으로는 사람이 쓰지 않게 된다는 것이다. 자동차를 구매하려는 소비자가 자동차를 구매함에 있어 엔진의 성능만 고려하는 것이 아닌 것 처럼, AI를 실제로 사용하려는 사용자도 AI의 정확도와 같은 성능 뿐만 아니라 이를 둘러싼 여러가지 애플리케이션 요소들을 본다는 것이다.
결과적으로 현장에서 보고 느낀 것을 토대로 알고리즘랩스는 AI Canvas라는 제품을 개발하였다. 기존의 AI 솔루션들에서 크고 복잡하고 어려운 SOTA(최신의) 알고리즘으로 AI 모델을 잘 만들 수 있다는 것을 주장하는 것과 다르게, AI Canvas는 현장에 바로 쓸 수 있는 AI 애플리케이션을 다양하게 구성하여 만들 수 있다는 것에 집중하고 있다.
생각보다 AI 모델 단계의 기술은 급속하게 상향평준화가 되고 있다. AI와 적합한 주제를 선별할 수 있고, 적당한 규모의 데이터만 존재한다면 AI 모델을 정확하게 만드는 것은 그렇게 어려운 일이 아니다. 매년 100여개 이상의AI모델을구현하며, 백개 단위의 데이터부터 수억 개 단위의 데이터까지 다뤄본 결과 데이터가 작으면 작은 대로, 크면 큰 대로 적합한 모델이 있다.
정부에서 바라는 것이 AI의 확산이라면, AI 애플리케이션을 기업들이 어떻게 더 쉽게 만들 수 있을지를 고민해야 한다. AI 모델도 중요하지만, 중요한 만큼 그동안 적지 않은 투자가 있었다. 지금부터는 AI 모델에 집중된 리소스를 분산하여, AI 애플리케이션을 확산시키는 것에 집중할 필요가 있다.
향후 우리나라가 AI국가로써 앞서나가기 위해서는 AI 애플리케이션을 저비용, 고효율로 개발 할 수 있는지가 관건일 수 있다.