[최규호의 Hotel IT] 실무자가 꼭 알아야 하는 인공지능의 모든 것

2018.04.16 09:30:51


실무자 관점의 2번째 접근

인공지능 전공자도 아니고 실무적으로 해당기술의 도입과 활용방안을 분석하는 개인적 입장에서 볼 때 많은 이들이 필자와 동일한 고민에 빠져 있을 것으로 생각했다. 인공지능이 뭐지? 활용하려면 뭐가 필요할까? 활용할 수 있는 분야는 어디일까? 참고할 만한 성공사례는 뭐가 있지? 이러한 원천적인 궁금증을 해소하는 데에 도움이 될 수 있도록 어렵지 않게 논리적으로 풀어 설명할 2번째 접근, 실무자가 꼭 알아야하는 인공지능의 모든 것에 대해 논해보기로 한다. 꼭 필요한 부분에 대한 개념 정리, 그리고 쉬운 이해를 위한 비유와 예시를 중심으로 설명할 이 글이 인공지능을 검토 중인 필자를 포함한 실무자에게 도움이 되기를 바란다.


인공지능의 정의
인공지능은 ‘인간의 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술’이라는 의미로 기계에 의해 입증된 지능이다(AI is Intelligence demonstrated by machines). 인간의 학습형태와 능력을 흉내내는 지능형 에이전트를 통해 주변 환경을 인식하고 목표를 성공적으로 달성할 수 있는 기회들을 최대화하는 장치들을 통칭하며, 다른 존재의 마음과 자신을 연관시키는 인간의 인지기능을 모방할 수 있을 때 적용 가능한 기술이라고 정의되고 있다.


학술적인 정의를 나열했지만 여기서 가장 중요한 것은 ‘인지기능(Cognitive)’이다. 다른 존재의 마음을 안다는 것, 의도를 파악해서 원하는 답을 제시하거나 협력을 할 수 있는 계기를 만드는 것, 이 부분이 인공지능의 핵심이며 이를 통해서 학습과 문제해결을 위한 연산작업이 시작될 수 있다. 의도를 파악한다는 것은 상대방이 지금까지 말하고 행동한 결과물들의 연속적 이해, 즉 전후사정을 살피는 맥락적 이해(Contextual Understanding)를 기반으로 한다. 우리가 한사람을 접할 때 단편적으로 보이는 모습만 가지고 온전히 이해할 수 없지 않는가? 그 사람과 관련된 해당 사안이 벌어진 전후관계, 업무적 특성, 주변 환경요인에 대한 이해가 있어야 온전히 특정인과 그와 관련된 사안을 이해할 수 있지 않겠는가?


쉽게 말해 인공지능의 핵심은 맥락적 이해로 의도를 파악한다는 것, 다시 말해 다른 존재의 전후사정을 이해하고 원하는 바를 파악해서 분석 및 해답도출 후 원하는 것을 제시할 수 있는 능력이 인공지능이라는 것이다.


인공지능의 역사
인공지능은 새로운 개념은 아니다. 인류가 오래 전부터 상상해 왔고 긴 시간동안 구체화 해왔으며, 최근에 실현되고 있는 기술이다. 인공지능의 역사는 거슬러 올라가보면 이미 14세기부터 태동하고 있었지만,20세기 중반까지 인공지능은 단순 단어, 또는 개념의 조합 장치이론과 뇌와 마음의 관계에 관한 철학적인 논쟁 수준에 머무르고 있었다.


1308년: 카탈로니아 시인이자 신학자인 라몬 유이(Ramon Llull)는 <Art generalis ultima (The Ultimate General Art)>를 출판하면서 기계를 활용한 논리적 추론을 통해 새로운 지식을 창출하는 방법론을 완성


그러나 시간이 흘러 20세기 중반부터 본격적으로 컴퓨터의 등장 등 연산 처리 장치의 급진적 혁신이 시작되면서 ‘잘하면 컴퓨터로 두뇌를 만들어서 우리가 하는 일을 시킬 수 있지 않을까?’라는 의견이 제시됐고, 1956년 다트머스 컨퍼런스를 통해 그간 논의되던 ‘생각하는 기계의 구현 가능성 연구’들을 ‘인공지능’으로 통칭하고, 빠르게 학문의 영역으로 진입시켰다. 마치 1960년대 난립하던 기존 무술들을 하나로 뭉쳐체계화한 태권도의 창시처럼 컴퓨터의 등장과 발전 가능성, 그리고 인공지능의 필요성을 확신한 학자들과 IBM이 난립하던 기존 연구들을 하나의 체계로 통합해 ‘인공지능’을 창시한 것이다.


다트머스 컨퍼런스 1956년 : AI의 탄생
1956년에 열린 다트머스 컨퍼런스는 마빈 민스키와 존 매카시, 그리고 IBM의 수석 과학자인 클로드섀넌과 네이선로체스터(Nathan Rochester)가 개최했다. 컨퍼런스는 “학습의 모든 면, 또는 지능의 다른 모든 특성으로 기계를 정밀하게 기술할 수 있고 이를 시뮬레이션 할 수 있다.”라는 주장을 포함해 제안했다.

참가자는 레이 솔로모노프(Ray Solomonoff), 올리버 셀프리지(Oliver Selfridge), 트렌처드 모어(Trenchard More), 아서 새뮤얼(Arthur Smuel), 앨런 뉴얼(Allen Newell)과 허버트 사이먼(Herbert A. Simon)으로 그들 모두 수십 년 동안 인공지능 연구에서 중요한 프로그램을 만들어온 사람들이었다. 컨퍼런스에서 뉴얼과 사이먼은 ‘논리 이론’을 소개했고, 매카시는 Artificial Intelligence를 그들의 연구를 칭하는 이름으로 받아들이길 설득했다. 1956년 다트머스 컨퍼런스는 AI 라는 이름, 목표점, 첫 번째 성공과 이를 이룬 사람들, 그리고 넓은 의미의 AI의 탄생을 포함하는 순간이었다. – 위키피디아 ‘인공지능’


인공지능은 자연어 처리(NLP)나 복잡한 수학 문제 해결 등 정말로 인간만이 할 수 있다고 믿었던 영역에 있던 문제들도 컴퓨터로 해결하는 모습을 보여주며 황금기를 맞이했다. 하지만 1970년대 중반에 들면서 그 한계를 드러내기 시작했는데, 당시의 컴퓨터는 아직 천문학적인 양의 정보를 처리하기에는 성능과 용량이 너무 부족했고 인간의 두뇌는 엔지니어들의 상상보다도 훨씬 거대하고 복잡하며 미묘하면서도 예측 불허의 영역이었다. 결국 인공지능의 실용화가 생각만큼 잘 되지 않으면서 투자가 줄어들었고, 그렇게 거품과 환상이 사라지면서 한동안 사람들의 관심으로부터 멀어져 갔다.


인공지능의 황금기(1956~1974년)
다트머스 컨퍼런스 이후에 AI라는 새로운 영역은 발전의 땅을 질주하기 시작했다. 이 기간에 만들어진 프로그램은 많은 사람들을 ‘놀랍게(Astonishing)’만들었는데, 프로그램은 대수학 문제를 풀었고 기하학의 정리를 증명했으며 영어를 학습했다. 몇 사람들은 이와 같은 기계의 ‘지능적’ 행동을 보고 AI로 모든 것이 가능할 것이라 믿었다. 연구가들은 개인의 의견 또는 출판물들을 통해 낙관론을 펼쳤고, 완전한 지능을 갖춘 기계가 20년 안에 탄생할 것이라고 예측했다. ARPA(Advanced Research Projects Agency) 같은 정부 기관은 이 새로운 분야에 돈을 쏟아 부었다. - 위키피디아 ‘인공지능’


인공지능 연구들이 침체기를 겪는 동안 정보처리 분야는 좀 더 구체적이고 실용적인 목표를 가지는 전문가용 시스템 같은 하위영역에 연구가 집중됐다. 그리고 90년대 이후부터 근본적인 문제점 중 하나였던 컴퓨터의 성능이 크게 향상됨에 따라 게임, 필기체 인식, 음성 인식, 영상 처리, 검색 엔진 등 다양한 대중적 분야에서 괄목할만한 상업적 성공을 거두면서 수십 년 만에 인공지능 연구의 유용성을 입증할 수 있었다.


특히 2006년 제프리 힌튼(Geoffrey Hinton) 교수에 의해 딥러닝 논문이 발표된 이후에는 불가능이라 여겨졌던 지도 없이 학습하는 방법(비지도 학습)이 가능해지는 등 이전의 인공지능 연구와는 다른 근본적인 변화의 물결이 시작됐으며, 이미 몇 가지 분야에서는 인간의 수준을 뛰어넘은 결과물이 속속 나타나고 있다. 알파고 이외에도 2018년 현재의 인공지능은 사람의 능력과 비교해 얼굴 인식율이 더 높거나 사물을 더 잘 인식하는 결과를 나타내고 있어 빠른 속도로 사람의 능력을 추월할 수 있다는 인식이 다시금 확산되고 있다.


인공지능의 겨울
1974년 전문가 시스템에 대한 열정이 통제할 수 없을 정도로 퍼져 나가고 이에 대한 실망이 확실히 따라올 것이라는 걱정이 있었고, 이 때 투자가 끊기고 살아남은 연구원들에 의해서 ‘AI winter’라는 단어가 만들어졌다. 그들의 두려움은 AI에 대해 일련의 재정적 차질이 있었던 1980년대 말에서 1990년대 초반에 잘 나타난다. 이 AI winter 기간의 첫 번째 사건은 1987년에 특성화된 AI 하드웨어 시장이 갑자기 무너진 것에서 시작됐다. 1987년에 애플이나 IBM의 데스크탑 컴퓨터들은 급격히 빨라지고 성능이 좋아졌다.


또한 Symbolics과 기타 회사들이 만든 데스크탑 컴퓨터보다 더 비싼 LISP 기기들보다도 더욱 좋은 성능을 나타냈다. 즉 더 이상 LISP 기기들을 살 이유가 사라진 것이다. 전체산업 1억 달러 절반의 가치가 하룻밤에 사라졌다. 결국 최초의 성공한 전문가 시스템인 XCON은 유지하기에 너무 비싸다는 것이 증명됐다. 업데이트하기에도 너무 어려웠고 학습도 되지 않았다.


이 전문가 시스템은 또 일반적이지 않은 질문을 했을 때 괴상한 행동을 하는 일명 ‘Brittle’이었고, 그들은 일찍이 발견된 이러한 문제들에 의해 결국 희생됐다. 전문가 시스템은 특별한 경우에서만 유용할 뿐이었다. 1980년대 후반 Strategic Computing Initiative는 AI의 투자를 자르는데 공이 컸다. DARPA의 새로운 리더십은 AI는 이다음의 파도가 아니라고 결정했고 즉각적인 결과를 나타낼 수 있는 것으로 보이는 프로젝트에 직접적인 투자를 하는 방향으로 결정했다. 1991년에는 1981년 일본에서 5세대 프로젝트의 목표 리스트에 적은 것만큼 성과가 나오지 않았고, 실제로 대화를 계속 이어나가는 것과 같은 특정 기능들은 2010년까지 달성되지 않았다. 다른 인공 지능 프로젝트와 마찬가지로 실제 가능했던 것보다 기대가 훨씬 컸던 것이다. - 위키피디아 ‘인공지능’



인공지능의 필수적 구성요소
인공지능을 활용하려면 무슨 기능들이 필요한가? 그 기능들은 어떤 역할을 수행하는가? 어떻게 조합하면 효과적으로 인공지능 서비스를 출시할 수 있는가? 이러한 질문에 대한 답을 효과적으로 설명하기 위해 그 범위를 성공적인 구축사례가 있는 내용에 한정하고자 한다. 이를 바탕으로 업무에 적용 가능한 인공지능의 필수적인 구성요소를 소개한다.


자연어처리(Natural Language Processing)
자연어처리. 약어로 NLP는 ‘인간의 언어를 컴퓨터에 인식시키는 기술’을 말한다. 사람이 채팅, 음성 등으로 대화를 시도하면 이를 컴퓨터 등 학습된 기계가 해석하고 의미를 분석해 이해하고, 자동으로 말을 생성해 대화하는 일련의 과정이다. 사람의 음성을 듣고 이를 글자로 바꾸는 기능(STT, Speech-To-Text), 글자로 변환된 상대방의 말을 분석해 의미를 파악하는 기능(문장 분석, 구문 분석, 형태소 분석, 정보추출 등), 파악된 의미를 바탕으로 대답할 말을 생성하는 기능(다이얼로그, 기계번역 등), 생성된 답변을 음성으로 변환하는 기능 (TTS, Text-To-Speech), 이 4가지 단계로 표현하는 것을 통해 자연어처리를 실무자 관점에서 간단하게 이해할 수 있겠다.


음성, 소리, 이미지 인식
(Voice, Audio, Image Recognition)

앞서 말한 자연어처리 외에도 우리가 제공할 인공지능 서비스에는 다른 입력형식을 통해 고객과의 대화가 진행될 수 있다. 포털사이트의 다양한 검색서비스, 다음의 이미지 검색이나 네이버의 음악 검색처럼 사람의 말과 글자 입력이 아닌 다른 입력형태가 고객과의 대화에서 필요해진 것이 사실이고, 이를 지원하는 것을 통해 발전된 고객과의 대화를 수행할 수 있다. 이미지 인식을 통해 고객이 예시로 제시한 사진을 바탕으로 원하는 정보 제공과 룸서비스 전달이 가능하며 고객의 표정, 목소리의 높낮이 등을 분석해 감정에 대한 분석도 가능하므로 보다 깊은 고객에 대한 이해도 가능하다.


딥러닝 / 머신러닝
(Deep Learning / Machine Learning)

딥러닝과 머신러닝은 사실 같은 개념이다. ‘기계가 스스로학습한다.’는 것이 머신러닝의 개념인데 이를 심층학습으로 진화시켜 다량의, 그리고 다종의 정보 속에서 핵심적인 내용과 기능을 요약하는, 추상화를 스스로 학습할 수 있게 만든 것이 딥러닝이다. 인간의 뇌와 유사한 심층 신경망을 구축해 축적된 데이터들을 세트별로 분류하고, 데이터 간의 상관관계를 파악한다. 실시간으로 축적되는 데이터를 분류하고 군집화해 데이터간의 인사이트를 다른 존재의 판단과 의견 없이 자유롭게 기계 스스로 도출할 수 있는 기술이다.


딥러닝의 등장으로 인해 머신러닝이 더욱 강력한 기술이 됐다는 것이다. 필자는 딥러닝을 예습으로 머신러닝을 복습으로 설명하는데, 주로 머신러닝은 어제의 학습을 오늘 다시 복기해 데이터의 상관관계를 학습하는 방식이라면 딥러닝은 스스로 예측하고 또 다른 인사이트를 도출하기 때문이다. 복습을 통해 이전에 학습된 경험을 체계화 및 구조화하고, 예습을 통해 내일의 학습을 예측하고 대비하는 것은 우리가 익히 잘 아는 ‘공부 잘하는 방법의 전형’이다.


특정한 문제에 대한 답을 지정하고 기계가 이를 알아가는 과정을 지도하는 지도학습, 답을 정하지 않고 스스로 데이터의 상관관계를 분석해 인사이트를 도출하는 비지도 학습, 특정한 환경 내에서 기계가 자신에 대한 보상을 최대화하는 의사결정 방법을 학습하게 하는 강화학습의 3가지 방법을 통해 인공지능은 정교함과 정확도를 높일 수 있다.


다국적 언어 지원(Language)
한국어만 지원되는 인공지능이 우리에게 필요한가? 전세계 고객에게 다양한 언어로 대화하고 인게이지먼트(상호연계)를 맺어야 하지 않을까? 사업의 특성이 수출업에 가까운 호텔은 제공 서비스가 다국어로 표현되는 것을 원칙으로 한다.


기본적으로 영어, 중국어, 일본어, 한국어를 제공해야 하며 이외에 다른 언어는 지원이 가능할수록 좋다. 다국어를 지원하지 못하는 인공지능 플랫폼은 우리가 고려하기 어려우며, 이를 지원하는 플랫폼은 다행히도 소수다. 아마존 왓슨, 마이크로소프트 루이스, 아마존 렉스, 구글 인공지능 플랫폼이 그것이다. 뉘앙스와 같은 전문 언어 처리업체들이나 247.AI와 같은 일부 회사들은 다국어처리를 제공하고 있는데 언어영역에만 특화돼 있거나 지원하는 자연어 수준이 기계번역 수준이라 실제 현장 적용에는 한계가 있다는 지적이다. 전술한 4가지 플랫폼을 통해 다국어로 고객과 대화가 가능하다. 말만 알아듣는 것과 대화의 의도를 파악하는 것은 다른 문제이므로 다국어를 지원한다는 여타 인공지능 플랫폼 기업의 표면적인 소개말에 현혹돼서는 안되겠다.


클라우드 인프라(Cloud Infrastructure)
클라우드 인프라는 대규모 서버와 다양한 방식의 데이터 베이스를 가상화 기술(Virtualization)을 활용해 하나의 인프라로 구성하고, 이를 온라인 접속으로 필요한 기능만큼만 사용하는 기술을 말한다. 인공지능 알고리즘이 상주하고 작동하며, 결과물을 축적 및 도출할 수 있는 인공지능의집(House). 방대한 데이터를 축적 및 연산할 수 있는 대규모 컴퓨팅 자원을 제공하는 안정적인 집이 필요한데, 이는 기존 클라우드 서비스 강자들이 적합하다.


IBM, 마이크로 소프트, 아마존, 구글, 이는 인공지능 플랫폼 중 가장 상용화가 쉽고 높은 성능을 제공하는 업체다. 클라우드 인프라의 구축과 운영의 노하우가 있는 기업이어야 우리가 검토하는 인공지능의 종량제 사용방식을 원활하게 지원하며, 대단위 데이터의 빠른 학습과 분석을 통한 정교함과 정확도 향상을 자신할 수 있다. 데이터 보안에 대한 위험도 매우 낮은데 미국, 유럽 정부기관의 데이터센터가 IBM, 마이크로소프트, 아마존, 구글의 4개 대형 클라우드 인프라 서비스(IaaS)로 이전돼 운영 중일 만큼 글로벌 표준의 강력한 보안 정책이 적용돼 있다.



3rd Party 연동기반 확보(3rd Party Interface Ready)
우리가 고객에게 제공할 인공지능 서비스는 기존에 보유한 우리의 고객데이터(1st Party)와 우리가 임대 또는 종량제를 통해 사용하는 외부 업체 데이터(3rd Party)와의 연동을 통한 분석이 필수적이다. 자사가 보유한 CRM과의 연동을 통한 고객과의 관계 이해 및 고도화, 이메일 마케팅, 문자메시징, 온라인 광고 등 외부 서비스 및 솔루션에 저장된 우리 고객과의 상호교류 데이터를 모두 활용해 더 깊은 고객에 대한 이해와 개인화된 인공지능 서비스 제공이 가능하기 때문이다.


퍼스트 파티(1st Party)와 써드 파티(3rd Party) 데이터와의 쉬운 연동이 준비된 인공지능 플랫폼을 사용해야 개발기간을 줄이고 빠른 서비스 고객 제공이 가능한데 기업들이 많은 애로를 겪는 부분이 써드 파티(3rd Party) 데이터와의 연동이다. 한 기업의 요청으로 인공지능 플랫폼과 써드 파티(3rd Party) 솔루션의 연동이 필요하다면 그 연동 개발비는 요청 기업에서 부담해야 한다. 그러나 기업들이 가장 많이 사용하는 써드 파티(3rd Party) 솔루션과 미리 연동규격을 정의하고 연동개발을 완료한 인공지능 플랫폼이라면 어떨까? 기업은 회사 내에 구축된 자사의 인력으로 운영관리 중인 퍼스트 파티(1st Party) 솔루션의 연동개발만 부담하면 된다. 훨씬 시간과 비용이 절약되는 것이다.


인공지능 서비스 구현을 위한 추가요소
기본적인 인공지능 서비스 구현을 위한 필수적인 요소 이외에 추가적으로 어떤 기능이 필요할까? 어떻게 고객에게 더욱 친근하게 다가갈까? 어떻게 다양한 채널로 고객과 상호교류 할 수 있을까? 시간과 돈을 투자해 인공지능 서비스를 구현했다면 이를 놀리지 않고 많은 고객들이 활용하게 하는 것이 이득인 것은 분명하다. 2018년 4월 현재시점에서 인공지능이 가장 많이 현장에 적용된 분야는 상담분야다. 인공지능 챗봇과 인공지능 전화상담 서비스가 대표적인데, 보다 많은 고객활용을 위해 필요한 추가적인 기능들을 성공사례에서 나타나는 공통적인 추가기능들을 중심으로 살펴보겠다.


Chit-Chat
칫챗은 잡담, 또는 한담이라고 번역되는 가볍고 농담 섞인 재미있는 대화를 말한다. 칫챗은 인공지능 챗봇과 전화상담 서비스에서 매우 중요한 요소인데, 고객이 인공지능 가상 에이전트에게서 인격을 느끼게 만들기 때문이다. 고객이 느끼는 가상 에이전트의 인격을 부여하는 방법은 각각의 캐릭터를 지정하고 각 캐릭터별로 특징에 알맞은 화법과 단어, 말맺음 등을 구성해 이를 고객과의 대화에 활용하게 한다.


고객이 챗봇 등의 가상 에이전트를 통해 느끼는 친근함이 주로 칫챗에서 발생하며, 이를 통해 고객의 보다 많고 깊은 상호대화를 이끌어 낼 수 있다. 고객과의 대화가 길고 잦아진다는 것은 매출을 높일 수 있는 중요한 기회를 확보한다는 뜻이며 진정한 의미의 대화형 커머스가 가능해지는 것이다.


인스턴트 메신저 배치(Deployment to IM)
생각해 보자. 기업의 홈페이지에 얼마나 많은 고객이 방문 하는지를. 그리고 얼마나 많은 채팅 상담이 이루어지는지를. 또 전화 상담서비스의 경우 얼마나 오랫동안 고객이 대기하는지를. 인공지능 챗봇 등의 가상 에이전트의 활용도를 높이는 가장 좋은 방법은 고객들이 가장 많이 사용하는 카카오톡, 페이스북 메신저, 라인, 위챗과 같은 인스턴트 메신저에 인공지능 가상 에이전트를 배치해 고객이 쉽게 접근하게 만드는 것이다.



가상 에이전트의 장점은 확장성(Scalability)인데, 동시접속 대화신청 고객들이 대기시간 없이 바로 기업과 상호대화를 시작하게 하는 것이다. 1차 고객 응대는 기계가 맡고, 전문적인 상담이 필요한 경우 2차로 사람과 직접 대화하게 하는 방식을 말하며, 이를 통해 고객의 상담 대기로 인한 불만을 줄이고 더 많은 고객과의 대화 정보를 실시간으로 확보할 수 있다. 예를 들어 글로벌 고객 60만 명이 대화를 동시에 신청하게 하고 이를 통해 유효 고객을 확보하고 매출 발생 기회를 극대화하며, 지연 없이 고객의 요청을 처리하고자 한다면 고객들이 익숙한 다양한 채널에 동일한 인공지능 가상 에이전트를 배치해 일관적인 상담의 경험을 제공해야 한다.


상담 제반 시스템 제공
대화 녹취, 대화 텍스트 변환, 대화 이력 관리, 블랙리스트 고객 구분 등의 기존 고객상담 시스템을 구축한 기업은 소수다. 다수의 기업은 상담원을 배치해 전화 상담업무만 진행하고, 상담 고객과 관련된 데이터를 수기, 또는 엑셀파일로 정리해 기록한다. 상담서비스와 관련된 제반 시스템이 없다면 인공지능 챗봇과 전화상담 서비스의 활용도 한정적이기 때문에 이를 기업에게 일괄 제공하는 것이 필요하다.


종량제 방식으로 사용한 만큼만 비용을 지불하거나 월정액 방식으로 임대형 고객상담 서비스 제공이 가능한 전문 업체들이 등장하고 있고, 이를 통해 이전에는 활용하지 못했던 전문 상담 시스템을 손쉽게 구비함과 동시에 인공지능 챗봇과 전화상담 가상 에이전트를 배치해 비용 절감 및 업무 간소화의 장점도 가질 수 있다.


Homo Cooperatio: 인공지능과 협력하는 인류
지혜로운 인간 호모 사피엔스(Homo Sapiens)는 지구에 살고 있는 여타 동물들과는 달리 생존과 번영을 위해 도구를 사용한다. 그래서 때로는 도구의 인간, 호모 파베르(Homo Faber)라고 불리기도 한다. “인공지능의 발전으로 그 활용이 가시화 되면서 도구적 활용이 아닌 협력의 대상으로 도구가 격상하고 있고, 이제는 호모 쿠퍼라티오(Homo Cooperatio)의 시대가 도래한다.”고 UC 버클리 하스경영대학원 김경서 교수는 이야기 한다. 인공지능은 2018년 4월 현재 시점에서 인간의 단순 업무를 대체하는 보조적 존재로 활용되고 있다. 이러한 역할을 충실히 맡기기 위해서 우리는 다양한 인공지능 서비스와 플랫폼에 대한 소식을 수집하고, 내용을 분석해 실무에 적용하고자 한다.


기존 인간 업무의 보조적 역할을 맡기기 위해 필수적으로 검토해야 할 많은 구성요소와 추가요소에 대해 살펴봤다. 실제로 우리와 협력하는 인공지능을 만드는 방법은 살펴본 구성요소 및 추가요소를 체계적으로 조합해 나의 동료로 육성하는 것이다. 기업을 대표하는 인공지능 가상 에이전트로 길러 자라게 하는 것, 유기적으로 잘 조직된 인공지능 플랫폼을 활용해 교육과 학습에만 집중해 빠르게 고도화 시키는 것이 필요하다. 이를 위해 성공사례에 대한 탐구가 필요하며 2018년 4월 현재 성공적으로 운영되는 인공지능 서비스 사례에 대한 부분은 다음 호에 게재될 ‘인공지능 서비스 적용 성공사례 분석’에서 살펴보기로 한다.


바야흐로 봄이다. 여전히 계속 될 것만 같았던 추운 겨울은 “봄은 돌아온다.”는 그 약속대로 흔적도 없이 사라졌다. 이처럼 우리가 걱정하고 불확실하게 느끼는 인공지능으로 인한 미래도 결국은 익숙하고 편리한 현재가 될 것이다. 미래를 대비하는 것, 변화될 세상을 인정하고 그 변화의 시기를 놓치지 않고 나의 것으로 만드는 것부터 시작이라고 개인적으로 생각한다. 인공지능의 활성화를 목전에 둔 지금 필자를 포함한 실무자들은 또 다른 발전의 기회를 찾아서 고민하고 분석하고 있는 중이다. 그리고 언제나 그랬듯이 어떻게든 답을 찾아 내지 않을까?


최규호
앰배서더 호텔그룹 의종네트웍스 팀장