딥 러닝은 데이터가 많아질수록 신뢰도가 높아집니다. 즉, 딥 러닝 인공지능은 신뢰도를 높이기 위해 어쩔 수 없이 방대한 데이터를 입력해야 하고, 이 과정에서 비용과 리소스의 낭비가 심해질 수밖에 없는 구조입니다.
그렇다고 해서 미래 기술로 매력이 없다는 것은 아닙니다. 딥 러닝 인공지능의 단점을 정확하게 이해한다면, 해결책을 제시할 수도 있습니다. 이번 글에서는 구조적인 한계로 발생하기 쉬운 단점 몇 가지와, 이런 문제점을 개선하기 위해 향후 노력해야 할 부분을 자세하게 알아봅니다. 관련 정보를 찾았다면 하단의 글을 읽어주세요.
일반적인 딥 러닝 AI의 단점 5가지
지금까지 인공지능이 발전하면서 드러나고 있는 문제점은 5가지 정도로 요약됩니다. 인공지능은 계속 발전하는 중이기 때문에 하단에 정리한 문제는 어쩌면 빠른 시일 내에 개선될 수 있습니다. 또 새로운 문제점이 드러날 수도 있다는 점을 감안하시기 바랍니다.
1. 방대한 데이터
서두에서 언급했듯이 딥 러닝 신뢰도 향상을 위해서는 어쩔 수 없이 방대한 양의 데이터가 필요합니다. 딥 러닝은 방대한 데이터를 주입해야 완성된다는 것을 반대로 얘기하자면 신뢰도를 갖출 수 있을 정도의 충분한 데이터가 없다면 딥 러닝의 신뢰도는 떨어질 수밖에 없습니다. 그렇기 때문에 빅데이터를 저렴한 비용으로 수집할 수 있는 방법이 필요합니다. 예컨대 데이터를 저렴한 가격에 가져올 수 있는 클라우드 소싱을 진행하거나, 데이터 확장 기술이 발전해야 할 것입니다.
2. 결과에 대한 추가 검증
딥 러닝 인공지능을 활용해서 데이터를 분석하고, 상황에 맞는 답을 도출해도 무조건 정답이라 확정할 수는 없습니다. 우리는 딥 러닝 기반 결괏값의 신뢰도를 의심해야 합니다. 왜냐하면 딥 러닝 기술을 통해서 도출해낸 답에는 근거가 확실하지 않기 때문입니다. 이러한 문제는 블랙박스 문제로 여겨지고 있으며, AI의 판단력을 신뢰할 수 있는지 검증하는 직업도 등장하고 있습니다. 인공지능의 잘못된 추론으로 인해 업무에 치명적인 실수가 발생하지 않도록 하려면 블랙박스 문제를 해결하기 위한 연구가 계속 진행되어야 할 것입니다.
3. 높은 비용
우리는 꼭 AI를 사용하지 않더라도 어느 정도의 데이터 분석을 할 수 있고, 충분히 높은 신뢰도의 결론에 도달할 수 있습니다. 여기에서 신뢰도를 조금 더 높이기 위해 AI 기술을 적용한다면, 비용은 10배 이상 발생하기도 합니다.
특히 인공지능이라 해도 아직까지는 사용자의 조작이 필요한데, 사용자가 아주 작은 실수를 하면 딥 러닝 과정 전체에 심각한 문제를 야기할 수도 있습니다. 사람의 실수로 인해 딥 러닝 신뢰도가 하락하면, 그 실수를 바로잡기 위해서 추가적인 비용을 지불해야 합니다. 인공지능의 정밀함을 유지하고 향상시키기 위한 비용은 생각보다 비싼 편입니다. 그리고 딥 러닝을 효율적으로 진행하기 위해서는 잘 갖춰진 환경도 필요합니다. 저렴한 클라우드 서비스를 도입하는 것으로 어느 정도 비용을 낮추는 것이 가능하지만, 아직도 딥 러닝 기술을 다루는 것은 높은 비용을 요구하는 분야이며, 비용을 낮추기 위한 노력도 진행되어야 합니다.
4. 리셋
인공지능의 신경망을 통해서 학습된 내용은 지속적으로 유지되지 않습니다. 어느 순간에는 학습한 내용을 리셋해야 합니다. 예를 들어서 딥 러닝을 통해서 자동차에 대해 학습한 인공지능이 있다면, 비행기를 학습할 땐 자동차에 대한 학습 정보를 초기화해야 합니다. 그럼 나중에 자동차와 관련된 정보를 불러오기 위해서는 새롭게 학습을 시작해야 합니다. 그리고 새로운 학습에는 또다시 시간과 비용이 필요합니다.
5. 감정 이해 불가능
딥 러닝 인공지능 기술은 데이터를 수집하고, 분석하고, 결과를 도출하는 데 큰 도움을 받을 수 있습니다. 하지만 아무리 많은 데이터를 학습한다고 해도 여전히 인공지능이 사람의 감정을 이해할 수는 없습니다.
사람의 감정을 이해할 수 없다는 것은 커뮤니케이션에 한계가 있다는 것입니다. 그래서 인공지능은 대화를 할 때 한계점이 드러날 수 있으며, 리더의 역할이나 경영 업무를 맡을 수 없습니다. 또한 윤리관에 의한 판단도 할 수 없기 때문에 교사나 보육사 등의 업무를 보조하는 수단으로 활용할 수는 있어도 완전히 대체할 수는 없는 상황입니다.
하지만 이런 단점을 극복하기 위해 많은 곳에서 관련 연구가 진행되고 있으며, 인간과 거의 유사한 수준의 얼굴 표정, 목소리 톤, 텍스트 정리를 할 수 있는 인공지능이 나타나기도 했습니다.
딥 러닝 인공지능 문제점 해결
앞서 딥 러닝 인공지능의 구조적인 한계점과 이로 인한 문제점과 단점을 알아봤습니다. 그리고 이번에는 각각의 단점을 보완하고 대응하기 위한 전략을 알아보고자 합니다.
1. 비용 절감 계획
딥 러닝 AI의 학습과 사용은 큰 비용을 필요로 합니다. 그렇기 때문에 해당 기술이 정말 필요한 상황인지 고민해 볼 필요가 있습니다. AI를 통한 자동화가 필요한 상황이라 해도 AI의 사용 비용이 현재의 시스템보다 비싼 것은 아닌지 고민해 볼 필요가 있습니다.
그리고 딥 러닝 AI 기능이 가지는 단점을 잘 검토한 뒤에 단점이 큰 걸림돌이 되지 않는지도 잘 파악해야 합니다. 업무 자동화와 생산성을 높이면서 비용을 줄일 수 있다면 AI의 도입은 분명 큰 장점이 될 것입니다. 하지만 AI 도입 자체에 목적을 두고 있다면, 오히려 더 비싼 비용을 지불하고, 더 많은 문제점을 감당해야 할 수도 있습니다.
또한 딥 러닝을 도입하거나 AI 기술을 개발하기 위해서는 상당한 수준의 리소스와 비용이 필요합니다. 리소스는 GPU 정도만 사용하는 것이 아니라 설정, 개발을 진행할 때 데이터 엔지니어와 연구원 등의 인적 리소스까지 필요합니다. 여기에 시스템을 갖추기 위한 인프라를 확보하는 것 역시 상당한 수준의 비용이 소모됩니다. 그렇기 때문에 기업에서 AI 도입을 하고자 할 땐 무리하게 딥 러닝을 도입하는 것이 아니라 저렴하게 구비할 수 있고, 이미 대중화가 잘 진행된 저렴한 툴을 고민해 보는 것도 좋습니다.
2. 리허설 진행
아무리 딥 러닝이 방대한 데이터를 취급한다고 해도 한 번에 세상의 모든 데이터를 수집하고 처리할 수는 없습니다. 일정 시점이 되면 AI는 기존에 학습해둔 내용을 초기화하는 과정을 거쳐야 합니다. 그리고 이런 초기화 과정 때문에 다양한 문제점이 생길 수 있습니다.
리셋 과정으로 발생하게 되는 문제를 미연에 방지하기 위해서는 리허설을 진행하는 것이 도움이 될 수 있습니다. 과거에 학습해둔 내용을 반복적으로 학습하면서 기억력을 높여주는 것입니다. 그리고 학습을 반복하면 패턴이 발생하게 되고, 패턴을 활용해서 학습 내용을 서로 연결해 주면 완전한 망각에서 벗어날 수 있습니다.
해당 문제점을 개선하기 위한 노력은 이미 오래전부터 진행되어 왔고, DNC와 EWC라는 시스템이 하나의 대응 방식으로 등장하기도 했습니다. 아마도 차세대 신경망은 지속적으로 등장하고, 단점은 완전히 보완될 것으로 보입니다.
3. 사람의 판단
아직까지 인공지능이 딥 러닝을 한다고 해도 인간이 설정한 프로그램을 기반으로 작업을 진행하는 것에 불과합니다. 그리고 사람이 설정해둔 프로그램에는 사람의 감정을 읽고 해석하는 기능이 없습니다. 그래서 AI에게 사회규범이나 윤리에 대한 최종 판단을 맡기는 것은 무리가 있습니다.
사회규범이나 윤리 판단이 필요한 분야에서는 딥 러닝을 하는 인공지능에게 모든 것을 맡기지 않고, 사람이 최종적으로 검토하고 결론을 내리는 과정이 있어야 할 것입니다. 실제로 사람이 판단이 적용된 예가 있습니다.
예전에 아마존에서는 인재 채용을 위해서 딥 러닝을 거친 AI 기술을 활용했습니다. 여기에서 AI는 남성을 채용해야 한다는 판단을 내렸으나, 시대적으로 허용되지 않았습니다. 그래서 아마존은 AI의 결론을 확정하지 않고, 인재 채용 분야에서는 AI를 사용하지 않게 되었습니다.
결론
당연한 얘기지만, 아직까지 인공지능은 완벽하지 않습니다. 앞에서 알아봤었던 단점이 있으며, 다른 단점도 있습니다. 그리고 새로운 문제점이 드러나기도 할 것입니다. 하지만 모든 문제점은 해결책이 있기 마련입니다.
딥 러닝은 사람이 감당하기 어려운 수준의 방대한 데이터를 흡수하고 학습할 수 있습니다. 그렇기 때문에 기술이 개발되면 사람보다 더 정확한 결론을 도출할 가능성 역시 있습니다. 날씨를 예측하고, 얼굴을 인식하고, 자동차를 대신 운전할 수도 있죠. 이런 분야에서 사람보다 신뢰도가 높은 판단을 내릴 수 있습니다.
그렇기 때문에 당장에 드러난 딥 러닝 인공지능의 문제점이 마음에 들지 않더라도 기술 개발을 게을리할 수는 없을 것입니다. 우리가 해야 할 일은 인공지능의 단점을 정확하게 파악하고, 단점이 나의 약점이 되지 않도록 경계하며, 문제점을 해결하는 것입니다.