[그림 1] 에드몽 벨라미의 초상 [Portrait of Edmond Belamy, 2018, created by GAN (Generative Adversarial Network)]

위 그림은 2018년 10월 미국 뉴욕 크리스티 경매에서 43만 2000달러(약 5억원)에 낙찰된 고가의 작품이다. 이날 경매에 같이 나온 작품 중에는 팝아트를 대표하는 앤디 워홀의 작품이 7만 5000달러로 낙찰되었다. 이 작품은 거장의 작품보다 6배 높게 평가되었다. 도대체 어떤 작가가 그린 것일까? 오른쪽 아래 작게 표시된(붉은색 상자) 작가의 이름을 확인해보자.

 

 

이 작품은 사람이 그린 것이 아니다. 해당 작품의 원작자는 복잡해 보이는 수식인 인공지능 GAN이다. 오늘날 인공지능의 발달 수준은 인간의 고유영역으로 여겨지던 창작활동에도 도전장을 내밀며 예술가에 견줄 만한 결과이거나 어떤 경우는 그보다 더 나은 결과를 보인다.

인공지능을 만드는 행위 자체는 ‘예술의 경지’라고 불릴 만큼 전문가의 지식과 경험, 직관에 의해 만들어진다. 그만큼 어렵고 복잡한 과정이기 때문에 숙련된 사람만이 가능할 것이라 여겨졌다. 하지만 이제는 인공지능을 만드는 것조차 인공지능이 수행할 수 있게 되었다. 앞서 소개한 예술작품처럼, 인공지능이 만든 인공지능은 전문가들이 만드는 수준에 육박하거나 뛰어넘는 수준까지 도달하였다.

본 에세이는 이런 일을 가능하게 하는 기술인 AutoML을 소개하고자 한다. 1편에서 AutoML의 정의와 적용범위, 2편에서 AutoML의 핵심 기법과 대표적인 솔루션을 소개한다.

 

AutoML의 이해

AutoML를 이해하기 위한 기본용어를 살펴보자.

1. 인공지능(Artificial Intelligence)은 인간의 감각과 사고력을 지닌 영화에 등장할 법한 ‘넓은 의미의 인공지능(General AI)’과 현재의 기술 발전 수준에서 만들 수 있는 ‘좁은 의미의 인공지능(Narrow AI)’로 분류할 수 있다.

2. 좁은 의미의 인공지능은 페이스북의 얼굴 인식 서비스나, 금융 모바일 앱의 신분증 인식과 같이 특정한 한 가지 작업을 인간 수준으로 잘 해낼 수 있는 기술을 말한다.

3. 좁은 의미의 인공지능은 기계학습(Machine Leraning; ML)이라는 방법으로 만든다.

4. 기계학습을 하는 대표적인 알고리즘은 전통적인 통계 기반 알고리즘과 신경망 기반(Ex. Deep Learning; DL) 알고리즘이 있다.

5. 기계학습을 통해 만들어지는 결과는 모델이라 부르며, 인공지능을 만드는 과정을 모델링이라 한다.

 

AutoML은 무엇인가?

AutoML(Automated Machine Learning)은 인공지능을 만들기 위한 별도의 인공지능을 사용하여, 모델링의 전체 또는 일부를 자동화하는 기술이다. AutoML은 모델링 단계 중 일부 또는 모든 단계를 자동화하여 모델의 예측 결과 정확도를 떨어뜨리지 않고, 통계적 지식이나 컴퓨터 프로그래밍 지식이 없는 사람이라도 손쉽게 머신러닝을 이용할 수 있게 한다.
 

 

위키피디아에서는 현실 문제를 해결할 수 있는 머신러닝을 개발하기 위한 모든 프로세스를 자동화하는 일련의 프로세스로 설명한다. 즉, 누구라도 데이터와 하고 싶은 목표만 알려주면 자신이 원하는 인공지능이 만들어지는, 마치 마법 같은 기술인 것이다.

AutoML은 특별한 지식이 없는 비숙련자도 머신러닝을 사용할 수 있도록 단순하고 사용하기 쉬운 인터페이스로 주목받고 있다. AutoML은 머신러닝 연구 분야에서 꾸준하게 다뤄져 왔지만 2010년대 후반에 접어들면서 더욱 활발하게 다뤄지고 있다.

AutoML은 2017년을 기점으로 관련 논문들이 대거 등장하였고 건설적인 발전을 이루었다. 더불어 구글의 적극적인 참여와 대대적인 홍보 덕에 대중들에게도 알려졌다. 

[그림 2] Jeff Dean의 기조 연설 / 출처: TensorFlow Dev Summit 2018

구글 CEO Sundar Pichai와 AI 연구팀 대표 Jeff Dean은 2017년 기조 연설에서 AutoML 기술 중 하나인 신경망 아키텍처 탐색(Neural Architecture Search)에 대한 상당한 관심을 표명하였다. 이듬해, TensorFlow Dev Summit 2018에서 Jeff Dean은 ‘AutoML에 현재의 100배 수준의 컴퓨팅 파워가 더해진다면 인공지능 전문가를 대체할 것이다’라고 언급하였다.
 

[그림 3] ML전문가와 AutoML의 성능을 비교한 자료, 이미지 인식 레퍼런스 데이터인 CIFAR-10(좌), ImageNet(우)의 인식률을 나타낸다 / 출처: AutoML: Automated Machine Learning Google Brain team]

위 자료는 Google Brain Team이 발표한 자료로써, 기존에 사람이 공들여 만든 알고리즘보다 AutoML의 결과가 더 좋다는 것을 나타낸다. 이와 같이 AutoML은 성능의 우수함을 인정받아 현장에서 적용되고 있으며, 인공지능 개발 트렌드가 되고 있다.

기업에서 AutoML을 적용할 수 있는 분야는 분류(Classification), 회귀(Regression), 시계열(Time series)로 나누어 볼 수 있다.

대표적인 사례로 분류에서는 사기거래 및 블랙리스트 탐지에 적용할 수 있고, 회귀분야에서는 CPU 성능 및 재질 내구성 예측에 적용할 수 있으며, 시계열 분야에서는 상품의 수요와 판매를 예측할 수 있다. 금융, 물류, 유통업 등 고객별 맞춤형 서비스 제공을 위해 AutoML이 적용되고 있으며, 고성능의 인프라를 대체하는 클라우드 기반으로 동작하는 상용화된 서비스가 출시 중이다.

그럼 AutoML에 데이터만 넣어주면 머신러닝이 알아서 잘 만들어지니 인공지능 전문가는 없어도 되는 것일까? 구글의 경우처럼, 일부 옹호자들은 향후엔 사람을 완전 대체할 것이라고도 얘기하지만, 일반적인 평가는 결코 그렇지 않다. 우리는 AutoML을 환상적이고 완전한 기술보다는 모델링 과정을 지원하는 보조적 수단으로써 이해하는 것이 바람직하다.

다음 편에서, 일반적인 인공지능 개발과정과 AutoML의 적용범위를 이해함으로써 그 이유를 알아본다.

- 끝 -