[인공지능]인공지능 2015 - 개인비서, 인간관계 컨설팅, 법률자문

인공지능에 관한 기사가 하루가 멀다하고 쏟아져 나오다 보니 트렌드를 놓치지 않고 따라잡기조차 어려운 지경입니다. 오늘은 각 분야별로 상용화된 인공지능을 소개한 기사를 소개해 드립니다.

기사 내용중 가장 인상적인 것은 인공지능에 관해 연구하고 있는 스타트업들이 걷게 되는 두 가지 경로에 대한 글쓴이의 의견입니다. 글쓴이는 이들 스타트업에게는 두가지 경로가 있는데, 그 첫 번째는 성공하는 길로 구글, 페이스북, 아마존 등 거대 기업에 인수되(어 대박을 터뜨리)는 것이고, 두 번째는 실패하는 길로 똑 같은 기업들에 가능성을 인정받아 인수되는 것이라고 쓰고 있습니다(인수는 됐지만 성공하지 못하는 경우). 이러나 저러나 인공지능에 관해 연구하면 거대 기업에 인수될 가능성이 높다는 얘기입니다. 그만큼 현재 인공지능이 뜨거운 감자라는 얘기겠죠.

이 기사 이외에도 2015년에 인공지능에 투자된 돈이 지난 20년간 인공지능에 투자된 모든 돈을 합친 것 보다 많았다는 기사와 같이 바로 지금, 그리고 2016년이 인공지능이 크게 도약할 한 해라는 전망을 쏟아내는 기사들을 끊임없이 접하게 됩니다. 한편으로는 기술의 발전이 가져올 윤리적 문제나 제도에 대한 걱정을 하면서도 과연 어디까지 기술이 발전하게 될지에 대한 기대감이 공존합니다. 저 역시도 2015년을 마무리 하는 시점에서 인공지능의 폭발적 발전을 목격하게 될 2016년이 기다려 집니다.

그럼 지금부터는 기사에 소개된 내용에 제가 조금 덧붙여서 상용화된 인공지능에 대해 소개해 드리겠습니다.

음성 인식 및 개인비서 시스템

- Siri : 

애플의 iOS, watchOS, tvOS의 일부인 개인 비서 인공지능 시스템. 최근에는 인식률이 정말 많이 높아졌습니다. 한글 시리를 사용해 부신 분이라면 모두 공감하시리라 생각되네요.

- Cortana : 

마이크로소프트의 개인 비서 인공지능 시스템. 윈도우 모바일용으로 개발 됐으나 현재는 안드로이와 애플의 일부 모델에서도 작동. 데스크탑과 엑스박스에서도 작동

- Google Now : 

안드로이드폰과 아이폰의 구글 검색에서 사용가능하며 다른 기기에 탑재된 구글 크롬 브라우저에서도 작동 가능한 개인 비서 인공지능 시스템. 저도 최근에는 컴퓨터에서 작업 시에 키보드 검색 대신 음성 검색을 사용하는 회수가 늘고 있습니다.    

- Watson : 

자연언어처리(Natural Language Processing)와 머신 러닝 시스템을 통해 대량의 데이터를 학습하고 이를 통해 지식과 통찰력을 갖는 기술 플랫폼. 제퍼디쇼 우승으로 유명.

- Echo : 

물건을 보고나면 스피커나 마이크가 아닌가 착각할 수도 있지만 사실은 아마존에서 만든 진짜 스마트한 인공지능 전자제품(?) 입니다. 인공지능이 탑재되어 있어 대화를 통해 음악을 재생하거나 오디오북을 읽거나 날씨나 교통정보에 대해 묻거나 필립스의 Hue 또는 삼성의 SmartThings 등을 제어할 수 있다고 합니다. 저도 한번 구매해 보고 싶네요(ㅠㅠ)

- Gluru : 

온라인에서 문서, 캘린더, 이메일 또는 다른 데이터를 정리할 수 있고 인공지능이 새로운 통찰이나 실행가능한 정보를 알려준다고 합니다. 스케쥴은 물론이고 미팅에 관련된 모든 파일을 정리해서 메일을 보내주거나, 각각의 메일이나 파일에 포함되어 있는 이름, 링크 등을 모두 추출해서 정리한다고 합니다. 또 사용자의 사용방식을 학습해서 좀더 사용자에 맞는 결과물을 전달한다고 하네요. 이제 우리 모두는 매출 1백억 회사의 사장님이 아니더라도 모두 개인비서를 갖게 된 것 같습니다.

- X.ai : 

스케쥴을 잡아주는 인공지능 개인비서. 홈페이지에 가보면 사용후기가 나와 있는데요, 사용자들이 1분도 안걸리는 시간에 인공지능이 약속을 잡아줬다는 등 아주 만족해하는 댓글들을 볼 수 있습니다.

인간관계 컨설팅 인공지능

- Crystal : 

제가 그 동안 보아왔던 인공지능 중에 가장 색다른 인공지능입니다. 인간관계에 대한 컨설팅은 아주 전문적인 영역이기도 하고 감정적인 영역이기도 하고 너무나도 인간적인 영역이라고 믿어왔던 분야인데요. 이렇게 심리적이면서도 인간의 감정적 소통에 영향을 미치는 인공지능이 시도되고 있다는 자체가 신기하면서도 동시에 충격적이기도 합니다.

크리스탈이라는 이름의 이 인공지능은 다른 사람들과 소통할 수 있는 최적의 방법을 컨설팅해준다고 합니다. 홈페이지에 소개된 내용이 사실이라면 정말 놀랍습니다. 사람들은 저마다 각각의 성격을 갖고 있는데요. 이러한 각각의 개성 때문에 공감하는데 실패하기도 하고 그래서 충돌하기도 합니다. 그런데 이 인공지능은 사람들 간의 소통을 제3자 입장에서 관찰하고 이들 간의 충돌을 줄일 수 있는 해결책을 제시한다고 합니다.

법률 자문 인공지능

- Legal Robot : 

법률 문서를 자동으로 리뷰해주는 인공지능. 개인 뿐만 아니라 기업 역시 비즈니스를 위한 목적으로 사용할 수 있고 현재는 베타서비스 중인 것으로 나오네요.

- Ross : 

한번은 소개해야겠다고 생각하고 있었는데 이제 소개하게 되네요. IBM Watson 을 기반으로 하는 법률 자문 인공지능 입니다. 로스의 홈페이지에는 로스는 "인공지능 변호사"라고 소개되어 있습니다. 비용과 시간이 많이 드는 법률 서비스를 이제 인공지능 변호사를 통해 좀 더 친근하게 이용하게 될지도 모르겠습니다. 단순히 키워드 검색을 할 수 있는 정도가 아니라 "파산한 회사가 사업을 계속 영위할 수 있나?"와 같은 실제 일상 대화 수준의 질문이 가능하며 검색 결과 역시 키워드 검색결과를 나열하는 것이 아니라 정말 질문과 연관성 높은 "대답"을 제공한다고 합니다. 뿐만아니라 사건에 긍정 또는 부정적 효과를 미칠 수 있는 법률 조항에 변화가 생기는가에 대해서도 추적한다고 하네요.

기사 원문 보러가기

[비즈니스]인공지능이 탑재된 구글 메시지앱의 성공 가능성

월스트리트저널에 따르면 구글이 인공지능이 탑재된 메시지 앱의 출시를 준비중이라고 합니다. 언제 출시할지에 대해서는 정확하게 알려지지 않았으나 이와 관련해서 지난 1년동안 준비해온 것으로 알려져 있습니다.

매시지앱에 인공지능이 탑재되면 사람은 친구나 가족 등 사람과 메시지를 교환하는 것 뿐만아니라 인공지능과 채팅을 할 수 있다고 합니다. 구글 검색창에서 원하는 정보를 얻듯이 구글 메시지앱에서 "챗봇(chat bot)"과 대화를 이어나갈 수 있게 되는 것이죠. 길을 물어 보거나 내일 날씨가 어떤지 물어는 등 일상적으로 구글 검색창을 이용해서 얻을 수 있는 모든 정보를 메시지앱에서 챗봇과의 대화를 통해서 알 수 있게 되는 것입니다. (현재 구글 나우를 통해 스마트폰과 대화할 수 있는 범위에 대해서는 여기를 클릭하세요.)

구글이 이런 서비스를 준비하고 있는 것은 메시지앱시장에서 주도권을 잃고 싶지 않은 의지가 반영된 것입니다. 메시지앱 시장은 이미 위챗, 라인, 카카오톡 등 강자들이 즐비하고 여기에 페이스북이 메시지앱에 대한 강화 의지를 보이면서 경쟁이 점점 더 치열해 지고 있습니다. 게다가 페이스북 역시 페이스북 메신저에 인공지능 "M" 을 탑재하려고 준비중이기 때문에 구글도 이에 대적할 수 있는 서비스를 선보이려고 하는 것 같습니다. 그러나 이마저도 쉽지는 않아 보입니다.

페이스북의 인공지능 M 서비스는 온라인과 오프라인을 연결하는 기능을 탑재할 것으로 알려져 있는데요. 예를 들면 꽃배달 서비스와 같은 것입니다. 그러나 구글의 경우 오프라인과의 연계 부분은 포함되지 않는 것으로 알려져 있습니다. 따라서 그동안 구글의 성적이 좋지 않았던 메시지앱 시장에서 이번에 만회 할 수 있을지는 여전히 의문입니다. 단, 날씨는 어때? 또는 지금 나오는 음악이 뭐지? 와 같은 아주 명료한 사실에 대한 대화뿐만 아니라 삶의 의미가 뭐지? 지능이란 뭐지?와 같은 좀 더 추상적인 내용에 대해서도, 아직 많이 부족하지만, 대화를 할 수 있는 것으로 알려져 있습니다.

구글은 이처럼 구글 검색기능을 메시지앱에도 도입하려고 하는 것으로 보이는데요. 메시지앱은 정보의 검색기능보다는 사람들과의 의사소통이 더 중요한 본연의 기능이라는 점에서 과연 얼마나 많은 소비자들을 끌어들일 수 있을지 귀추가 주목됩니다. 구글의 인공지능기능 탑재가 메시지앱의 성공적인 전략 포인트가 될 수 있을까요?

관련기사 보기 1
관련기사 보기 2
관련기사 보기 3

[잡생각]페이스북, 구글, MIT가 주도하는 인공지능 개발

최근 인공지능에 관심이 생기면서 관련 뉴스를 많이 검색합니다. 뉴스 검색을 하다보면 대부분 외국 기업이나 외국 학교의 이름이 많이 보이는데요. 오늘 아침에도 관련 뉴스들을 검색하다가 갑자기 궁금해졌습니다. 과연 어떤 기업, 어떤 사람들이 인공지능 관련 이슈를 주도하고 있는지 말입니다. 그래서 아주 간단한 실험을 해봤습니다. '회사명+artificial intelligence' 라는 키워드와 '학교명 + artificial intelligence'라는 키워드로 구글 뉴스 검색을 해보았습니다. 아래는 각 키워드로 검색된 뉴스의 수에 대한 그래프입니다(2015년 12월 19일 오전 10시 기준입니다).

표를 보시면 아시겠지만 페이스북과 구글이 압도적으로 우세합니다. 3위를 기록한 애플에 비해서 페이스북과 구글은 10배 수준입니다. 4위를 기록한 삼성에 비하면 30배 수준입니다. 앞으로 인공지능이 테크기업들에게 핵심 동력이 될 것은 분명해 보이는데요, 이 뉴스 검색결과를 놓고 본다면 테크 업계에서의 페이스북과 구글의 장악력은 더욱 공고해 질 것으로 생각되네요. 

그런데 구글보다 페이스북 관련 뉴스가 더 많이 검색된 것은 저에게는 의외였습니다. 그 동안 제가 체감한 바로는 구글이 더 많았다고 느꼈으니까요. 구글은 텐서플로, 딥드림, 검색, 메일, 구글포토 등 인공지능과 관련한 넓은 영역에서 핵심 키워드를 갖고 있는 기업이었습니다. 페이스북은 개인비서 M 이나 하드웨어 플랫폼 공개 등의 이슈가 있었지만 구글만큼 다양하거나 자주 보진 못했는데 의외입니다. 

애플이 아마존 보다 많이 나온 것도 아주 의외였습니다. 인공지능 관련 기사에서 애플의 이름은 생각보다 많이 접하지 못했습니다. 그에 비해 아마존의 경우 테슬라와 함께 1조원 규모의 인공지능 펀드를 투자했다는 뉴스 등에서 자주 접해서 그런지 인공지능과 굉장히 밀접한 연관이 있는 기업으로 느껴졌는데, 실제 검색된 뉴스의 수에서는 애플의 1/3 수준입니다. 애플은 siri 서비스를 갖고 있는 것이 큰 몫을 차지한 것 같습니다. 

삼성이 17만 건이 넘는 뉴스가 검색되면서 4위를 기록한 것도 상당히 뜻 밖입니다. 오히려 바이두나 알리바바 같은 기업의 뉴스는 종종 접했는데 'Samsung'이 제목에 포함되는 뉴스는 거의 접하지 못했습니다. 아마도 삼성이 구글이나 애플의 경쟁기업이다 보니 이들의 뉴스에서 같이 언급되었던 것이 아닐까 추측해 봅니다.

왓슨으로 유명한 IBM이 6만여 건으로 하위권에 기록된 것도 상당히 뜻밖입니다. IBM의 왓슨은 제퍼디 쇼에서 사람 챔피언을 이긴 것 등으로 이미 몇 년 전 부터 뉴스가 많았었는데 말입니다. 

토요타의 뉴스가 4만 건에도 못미치게 검색된 것도 너무나 뜻 밖입니다. 최근에 토요타는 2020년까지 자율주행차 출시를 목표로 1조원 규모의 펀드를 인공지능에 투자한다는 뉴스가 나오고 있습니다. 자동차 회사 중에는 테슬라를 제외하고는 인공지능 관련 헤드라인에 거의 유일하게 등장하는 기업인 것 같습니다. 

학교명과 인공지능으로 검색한 결과는 대체로 체감하는 것과 일치했습니다. MIT, 캠브리지, 스탠포드, 조지아텍 등의 학교명을 가장 많이 봤다고 느꼈는데 대체로 일치했습니다. 체감과 일치하지 않는 결과는 하버드 입니다. 개발진의 출신학교나 현재 개발중인 연구실 명에 하버드는 거의 등장하지 않았는데요. 제가 많이 접하진 못했지만 하버드 비즈니스 리뷰 등에서 인공지능과 관련한 많은 이슈를 많이 다룬 것은 아닐까 추측해 봅니다. 

우리나라 대학교인 서울대학교(SNU)와 KAIST로도 검색을 해봤는데요. 서울대학교는 9천여 건으로 비교적 많은 뉴스가 검색되었습니다. 세계적인 공과대학으로 유명한 UC버클리나 칼텍 보다도 많은 수의 뉴스가 검색되었습니다. KAIST 또한 칼텍과 비슷한 수준으로 약 3천여 건의 뉴스가 검색되었습니다. UC버클리나 칼텍 모두 세계 수준의 공과대학을 보유한 것으로 알려져 있는데요, 이 결과만으로 보면  인공지능 분야에 있어서는 서울대학교나 카이스트가 준비를 잘 하고 있는 것으로 생각되네요. 결과를 보시면 아시겠지만 세계 대학평가 등에서 좋은 성적을 받는 학교들일수록 인공지능에 대한 연구도 활발합니다. 앞으로도 이들 대학의 명성은 더욱 공고해 질 것으로 생각됩니다. 

그 밖에도 제가 관심이 있는 예술과 인공지능으로도 검색해 보았습니다만 검색결과가 그다지 신뢰성이 높아보이지 않아서 표로 보여드리는 것은 하지 않기로 했습니다. 음악(music), 예술(art), 그림(draw, paint)등의 단어와 인공지능으로 검색을 해 보았는데 음악이 75만 건, 예술이 15만 건 정도 검색되었습니다. 그 동안 저의 체감으로는 음악과 청각 관련 뉴스보다는 미술이나 시각관련 뉴스가 5~10배 정도 많았습니다만 결과는 조금 다르게 나왔네요. 

그런 줄은 알고 있었습니다만 구글과 페이스북의 위세가 정말 대단하다는 걸 새삼스레 느끼게 된 아침입니다. 

[컴퓨터 예술]가사를 쓰는 인공지능 딥비트(DeepBeat)

베토벤처럼 작곡을 하고, 락밴드 처럼 연주를 하고, 미술 평론가가 되어 작품의 창의력을 평가하고. 추상화가처럼 그림을 그리고. 이미 인공지능은 이 모든 일을 해냈습니다. 그렇다면 글 쓰는 일은 어떨까요? 오늘 소개해드릴 인공지능은 가사를 쓰는 인공지능입니다.

글을 쓴다는 것은 사람에게도 굉장히 어려운 일입니다. 짧은 분량으로 하루의 기억을 정리하는 일기 정도의 글이라면 모를까 소설과 같이 분량도 길고 창의력이 필요한 글쓰기는 엄두가 나지 않습니다. 아직은 컴퓨터에게도 어렵기는 매한가지 입니다. 그러나 이제 컴퓨터가 글쓰는 법에 대한 걸음마를 시작했습니다. 비교적 짧은 글쓰기라고 할 수 있는 "노래 가사"를 쓰기 시작한 것입니다.

사실 엄밀히 말하면 딥비트(DeepBeat)라는 이 프로그램이 "글을 쓴다"고 하기에는 논란의 여지가 많습니다. 이미 나와 있는 여러 노래의 가사에서 어울릴 만한 부분들을 한 줄 씩 가져와 짜깁기를 하는 방식이기 때문입니다. 이 프로그램은 제이지, 릴웨인 등 유명 아티스트의 곡을 포함해 총 12,500곡에서 추출된 641,000줄의 가사를 데이터 베이스로 갖고 있으며, 사용자가 원하는 키워드를 입력하면 해당 단어가 포함된 가사를 데이터 베이스에서 찾아서 가사로 만들어 줍니다. 머신러닝 알고리즘을 사용해서 실제 사람이 가사를 쓸 때와 마찬가지로 라임도 맞추고 의미상으로도 연결되도록 가사를 찾아줍니다.

고급 설정

사용법도 아주 간단합니다. 아무것도 하기 귀찮다면 그냥 가사만들기(Generate lyrics) 버튼만 누르면 됩니다. 그럼 컴퓨터가 알아서 무작위로 가사를 만들어 줍니다. 만일 구체적인 요구사항이 있다면 고급설정에서 원하는 키워드를 입력하거나 필요한 가사 분량을 입력하면 됩니다. 또는 컴퓨터와 대화식으로 미리 제공된 여러 개의 가사 들 중 한 줄 한 줄 씩 직접 선택할 수도 있고, 한 줄은 컴퓨터가 그 다음 줄은 내가 직접 입력하는 식으로도 작업이 가능합니다.

hungry, money, donut 이라는 키워드로 만들어 본 가사

표절이냐 창작이냐

이 프로그램이 기존 가사에서 가사를 한 줄씩 가져다가 짜깁기를 하기 때문에 표절에 대한 우려가 생깁니다. 이것을 창작으로 볼 수 있는지에 대해서 짚고 넘어가야 할 부분입니다. 그러나 이 프로그램을 어떻게 활용하느냐에 따라 전혀 새로운 창작물을 얻을 수 있다는 점에 대해서도 가능성을 탐색해야 할 것입니다. 이 프로그램을 통해 브레인스토밍이나 아이디어 스케치를 한다고 생각하면 이는 작사가들에게 엄청난 도움이 될 수 있습니다. 입력하는 키워드에 따라 무작위로 생성되는 가사를 읽어보면서 완전히 새로운 스토리나 완전히 새로운 가사에 대한 아이디어를 얻을 수 있기 때문입니다. 이 프로그램이 생성해 내는 가사를 그대로 쓰는 것이 아니라 사람이 다시 커스터마이징 한다면 표절에 대한 걱정을 떨쳐내고 오히려 컴퓨터와 인간의 훌륭한 콜라보레이션이 될 수 있을 것입니다.

남겨진 숙제

홈페이지에 가서 사용해 보시면 알겠지만 아직은 프로토타입에 가깝다는 인상이 강합니다. 특히 가장 문제가 되는 것은 아직 의미상으로 매끄럽게 연결이 안되는 경우가 많다는 점입니다. 또 슬픔이나 기쁨과 같이 일관된 감정을 가진 문장들을 골라냈다고 하더라도 그것이 하나의 스토리라인으로 구성될 수 있는가하는 문제는 여전히 남습니다. 연구진은 이러한 문제점을 개선시키기 위해서 이 프로그램을 일반에게 공개한것으로 보입니다. 사용자들이 이 프로그램을 어떻게 사용하는가에 대한 데이터를 수집해서 알고리즘을 개선하고자 하는 것이죠. 사람들이 많이 사용하면 할 수록 이 알고리즘은 더 많은 것을 학습하게 될테고 언젠가는 의미상으로나 형식적으로나 꽤나 그럴듯한 가사를 "쏟아"낼 것으로 보입니다.

아래 두 영상은 딥비트가 "작사"한 가사로 노래를 부른 영상입니다. 딥비트로 만든 가사로 노래를 불러서 보내면 홈페이지에 올려준다니, 여러분도 한번 도전해 보시기 바랍니다.(아직은 영어와 핀라드어만 가능합니다.)

논문 보러 가기
Deepbeat 홈페이지 가기
관련 기사 바로 가기

[인공지능] 로봇이 직관을 갖게 될까?

과학자들은 그 동안 여러 방면에서 사람의 일을 대신할 로봇을 개발해 왔습니다. 로봇이 대신한 일의 대부분은 반복적이거나 사람들이 기피하는 일들이었습니다. 이것은 단순히 사람들이 이 일을 기피했기 때문만이 아니라 인간의 직관이나 정신활동이 포함된 일을 로봇이 대신하기 어렵기 때문이기도 했습니다. 그런데 MIT의 과학자들이 로봇의 직관력에 대한 새로운 가능성을 실험하고 있습니다. 

연구진은 기계에게 약 8백만장의 사진을 보여줬는데 각 사진 속에 나오는 지역의 범죄율과 인구수에 대한 정보도 함께 알려주었습니다. 또 사진 속에 나타나는 맥도널드의 위치도 함께 알려주었습니다. 이 정보들을 제공한 이후에 연구진은 컴퓨터에게 추가적인 어떤 프로그래밍도 하지 않았습니다. 컴퓨터는 이 사진들을 분석함으로써 사진 속의 어떤 사물이나 아이템이 범죄율과 관계가 있는지 파악하고 맥도날드 주변에서의 범죄율과의 관계도 파악했습니다. 그리고나서 컴퓨터와 인간 연구진 중 누구의 직관력 뛰어난가에 대한 테스트를 진행 했습니다. 

실험 방식은 이렇습니다. 컴퓨터와 인간 연구진에게 새로운 사진을 보여주었습니다. 단 이번에는 사진 속에 나타난 사람의 수 등에 대한 추가적인 정보는 제공하지 않았습니다. 질문은 두 가지 였습니다. 동서남북 네 방향 중 어느 방향으로 가면 맥도날드가 나오겠는가와 그 방향의 범죄율이 높을것인가 낮을것인가 하는 것이었습니다. 

여러 번의 실험 결과 컴퓨터가 거의 매번 인간 연구진을 이겼습니다. 직관이라는 것은 기계는 가질 수 없는, 인간만이 가질 수 있는, 그래서 인류를 가장 강력한 종으로 만든 중요한 요인이었습니다만 앞으로는 기계가 직관의 영역에 있어서도 인간에게 많은 도움을 줄 것으로 예상되는 대목입니다. 

예를 들어 지금도 이미 사용하고 있는 네비게이션 시스템을 생각해 보시기 바랍니다. 현재도 길 안내는 물론이고 실시간으로 더 빠른 길에 대한 정보를 얻고 있습니다. 그런데 앞으로는 어떤 길이 범죄율이 더 낮은 안전한 길인지에 대한 정보도 얻을 수 있을 것입니다. 또 낯선 길에서 주유소의 위치를 짐작해서 찾아야 하는 상황이 생긴다면 사람보다 네비게이션이 더 빠르고 정확하게 길을 찾아낼 것입니다. 추가적인 정보 없이 주변의 인구수와 사진을 분석하는 것 만으로 말입니다. 

원문 기사 보러가기

[잡생각] 돌연변이 슈퍼휴먼 "음악과학자"들이 예술의 지평을 확장한다

그동안 여러 명의 "음악과학자"들을 소개해 드렸습니다. 데이비드 코프(David Cope), 도냐 퀵(Donya Quick), 메이슨 브레튼(Mason Bretan), 프란시스코 비코(Francisco Vico) 등이 바로 그들 입니다. 달리 더 좋은 단어가 생각나지 않아 "음악과학자"라는 표현을 시도해 봅니다. 음악가라는 설명만으로 또는 과학자라는 설명만으로는 이들에 대해 설명해 낼 수가 없습니다. 이들은 연결점이 많지 않을 것 같은 음악과 컴퓨터 사이언스라는 서로 다른 분야를 좀 더 통합적인 시선을 통해 바라봄으로써 음악을 창작하는 인공지능을 만드는 일에 도전하고 있습니다.

이 일군의 음악과학자들은 감성적 영역으로 이해되는 음악에 대해 과학적 이해를 시도함으로써 기계가 인간의 감성과 창의력에 대해 이해하고 배우도록 합니다. 이들은 여기서 멈추지 않고 예술적 창작행위를 할 수 있는 기계, 인간과 감성적 교류를 할 수 있는 기계를 만드는 일에 도전하고 있습니다. 또 인간과 기계의 콜라보를 통해 지금까지는 존재하지 않았던, 완전히 인간의 예술도 아니고 완전히 로봇의 예술도 아닌, 인간과 로봇이 함께 만들어 내는 전혀 새로운 예술의 탄생을 이끌고 있습니다.

학제간 융합이라는 표현을 들어보셨을 겁니다. 서로 다른 분야의 전공자들이 모여 각자의 관점이나 지식을 나누다 보면 각각의 영역에만 머무르던 아이디어들이 "연결"되면서, "새로운 것 없이도 새로운 것을 만들어 낼 수 있는" 가능성을 갖게 됩니다.  기술과 문화를 결합하려는 CT(Culture Technology), 예술과 경영을 결합하려는 예술경영(Art Management) 등이 바로 그 예 입니다. 그런데 인공지능과 예술의 접점에 대해 관심을 갖고 자료를 찾다보니 융합이라는 것이 서로 다른 한 가지 능력을 갖고 있는 여러 사람이 모여 있을 때 보다 여러 가지 능력을 한 사람이 갖고 있을 때 더 큰 폭발력을 발휘하는 것은 아닐까 하는 생각에 다다릅니다.

이렇게 한번 생각해 보겠습니다. 서로 다른 종인 두 개체가 만나 새로운 종으로 진화를 한다고 가정했을 때 서로 다른 종인 이 둘은 아마도 여러 번의 실패를 겪으면서 몇 세대에 걸쳐 아주 느리게 새로운 종으로 진화해 나갈 것입니다. 그런데 우연히 여러 종의 DNA를 한 몸에 갖고 있는 개체가 있다면(일종의 돌연변이) 이 개체는 부작용을 최소화 하는 동시에 아주 빠른 속도로 새로운 종으로의 진화를 시도할 것입니다. 음악과 컴퓨터 사이언스라는 서로 다른 종류의 DNA를 한 몸 안에 갖고 있는 이 "음악과학자"들이 인간 고유의 정신활동인 예술을 인간과 기계의 협력 또는 경쟁 관계로 빠르게 진화시키고 있습니다. 음악인이자 동시에 컴퓨터 사이언티스트이기도 한 이 슈퍼휴먼들이 인간 예술의 영역을 전혀 새로운 지평으로 확장시키고 있습니다.

[인공지능]구글 딥마인드 테크놀러지 CEO가 말하는 인공지능

오늘 소개해드릴 내용은 구글 딥마인드 테크놀러지(DeepMind Technologies)의 CEO인 데미스 하사비스(Demis Hassabis)의 15분짜리 강연입니다. 데미스는 이 영상에서 인공지능은 인류가 발명한 가장 강력한 발명품이 될 것이라고 얘기합니다. 그리고 인공지능을 개발함으로 해서 우리가 풀지 못한 나머지 모든 숙제를 풀고자 한다고 이야기 합니다. 또한 인공지능 연구를 하기위해 뇌과학을 공부하게 된 배경에 대해서도 이야기합니다. 그가 말하는 모든 내용들이 흡입력이 너무나도 강해서 이야기 속으로 쭉 빨려들어 가게 됩니다. 강연 내용을 옮겨 적으며 아주 가끔씩 사족을 붙였습니다.


이 사람은 어렸을 때 물리학과 뇌과학에 관심이 있었다고 합니다. 정상은 아닌것으로 보이네요(-_-). 물릭학은 나를 둘러싼 바같 세계의 원리를 알 수 있는 학문이고 뇌과학은 내 안의 원리를 이해할 수 있는 학문이어서 관심을 갖게 됐다고 합니다. 헉-_-. 그러던 중 뇌과학에 더 관심을 갖게 됐는데, 그 이유는 뇌가 바깥세계를 해석하기 때문이고, 결국 뇌가 어떻게 작동하는 지를 알아야 뇌가 바깥세계를 왜 지금과 같은 방식으로 해석하는지에 대한 이유를 알 수 있다는 것이죠.

그는 무엇인가에 대해서 이해한다는 것에 대해 이렇게 설명합니다. "무엇인가에 대해서 이해한면 그것을 다시 만들 수 있어야 한다". 그러면서 그가 가장 존경하는 사람 중 한 명인 리처드 파인만의 말을 인용 합니다. "만들 수 없다는 것은 이해하지 못하는 것이다(What I can not build, I do not understand)."

바로 이런점에서 인공지능에 대한 연구가 가치를 갖는다고 얘기합니다. 인공지능을 만들 수 있다는 것은 결국 사람의 뇌가 어떻게 작동하는지를 이해했다는 증거이기 때문입니다. 바로 이것이 제가 인공지능의 예술 창작에 대해 관심을 갖는 이유이기도 합니다. 예술을 창작하는 인공지능을 만들었다는 것은 결국 인간이 예술을 창작하는 방식에 대해 이해했다는 증거가 되니까요. 인공지능에 대한 연구는 이러한 측면에서 결국 사람에 대한 연구로 귀결됩니다.

이 사람은 인공지능을 연구하기 위한 첫 단계로 게임을 선택합니다. 처음에는 체스게임을 개발했고 그 다음에는 테마파크 게임을 개발했습니다. 17살(90년대 중반)에 이 테마파크 게임을 개발했는데, 이 게임에서 처음으로 인공지능을 사용했다고 합니다. 이 게임은 슈팅게임 같은 것들과는 다르게 게이머가 자신만의 디즈니 랜드를 만들고 수천 명의 다른 사용자들이 자신의 디즈니 랜드에 얼마나 자주 방문하게 할 것인가와 같은 매니지먼트 시뮬레이션 게임이라고 설명합니다. 그리고 이러한 모든 과정은 게이머가 무엇을 어떻게 하느냐에 따라 "반응"이 달라진다고 설명합니다. 따라서 똑 같은 게임이더라도 똑 같은 경험을 하는 사용자는 생길 수 없습니다. 인공지능이 게이머가 어떻게 게임을 진행하는가에 따라서 모두 다르게 반응하기 때문입니다. 

이 사람은 그 이후로도 몇 개의 게임을 개발했는데 모두 AI와 관련된 것들었고, 10년 전에 그 게임회사를 매각하고 뇌과학으로 박사과정을 공부하기 위해 대학교에 입학했습니다. 그리고 "상상과 기억(Imagination and Memory)에 집중했습니다. 이유는 인공지능에서 이 문제를 어떻게 해결하면 좋을지 잘 몰랐기 때문입니다. 따라서 뇌가 상상과 기억에 대해서 어떻게 처리하는지를 안다면 인공지능에서도 활용할 수 있을 것으로 생각했습니다. 그리고 MIT와 하버드에서 공부한 것을 토대로 딥마인드라는 회사를 시작했습니다.

2010년에 딥마인드라는 회사를 시작했고(생각보다 엄청 빠르네요. 우리는 이제서야 기사를 통해 인공지능이 화제가 되는 것을 경험하고 있는데 이미 2010년에 회사를 세웠다니 대단합니다), 1백 명이 넘는 머신러닝과 뇌과학 분야 박사급 연구원들이 참여 중인 인공지능을 위한 아폴로 프로그램(An Appollo Programme for AI)도 운영되고 있다고 합니다.

딥마인드의 미션

1. Solve Intelligence
2. Use it to solve everything else

와. 정말 입을 다물 수 없을 정도의 명확한 미션입니다. 인텔리전스라는 것이 무엇인지 밝혀내고 그것을 통해 나머지 모든 것을 해결한다는 어마어마한 미션입니다.

그리고 이것을 달성하기 위해 "범용 학습 기계"를 만들고자 한다는 실행계획도 얘기합니다. 키워드가 "범용(general)"과 "학습(learning)" 입니다.

학습에 대해서는 이렇게 설명합니다. 
- 사전에 프로그램되지 않은 상태로 혼자서 스스로 배우는 것(Learn automatically from raw inputs)

범용에 대해서는 이렇게 설명합니다.
- 하나의 시스템이 여러 영역에서 활용될 수 있는 것(same system can operate across a wide range of tasks)

그러면서 현재 AI라고 불리는 것을 Narrow AI로, 자신들이 갖고 있는 개념을 AGI(Artificial General Intelligence)로 명명하면서 차별화를 시도합니다. 그 예 중 하나로 제퍼디 쇼에서 우승한 IBM의 왓슨 역시 좁은의미에서의 인공지능이라고 지적합니다. 그리고 이러한 좁은 의미에서의 인공지능은 어떤 특정한 작업에만 작동하도록 되어있다고 설명합니다.

이와는 반대로 딥마인드에서 개발중인 AGI는 좀더 범용성과 유연성을 갖고 있고, 따라서 사전에 그 어떤 것도 미리 프로그램을 해 둘 필요가 없고, 무엇이든지 처음 보는 것으로 부터 학습한다고 설명합니다.

구글 딥마인드 프레임워크

왼쪽에는 시스템(인공지능)이 있고 오른쪽에는 뭔가를 학습해야하는 환경이 있습니다. 이 환경은 실제일 수도 있고 가상일 수도 있습니다. 우선 환경에 대해서 "관찰"하게 됩니다. 딥마인드에서는 시각(비전)을 통해 합니다만 다른 감각이 될 수도 있습니다. 이 때 "관찰"에는 노이즈가 포함되기 마련입니다. 따라서 시스템의 최우선 과제는 노이즈가 잔뜩 포함된 관찰을 통해서 바깥세계를 이해할 수 있는 최적의 모델을 만들어 내는 것입니다. 그리고 시스템은 취할 수 있는 수 많은 액션 중에서 최적의 액션을 선정합니다. 이 액션은 환경에 영향을 미칠수도, 미치지 않을 수도 있으며, 이를 통해 새로운 "관찰"을 다시 얻게 됩니다. 이 그림에는 아주 간단하게 표현되어 있지만 사실은 굉장히 복잡한 프로세스입니다. 만약 여기서 일어나는 모든 과정을 설명할 수 있다면 그것이 바로 인텔리전스(intelligence) 일 것입니다. 왜냐하면 바로 이것이 인간을 포함한 모든 포유류가 학습하는 방식이기 때문입니다. 사람의 경우는 뇌에서 도파민 시스템이 이런 학습과정을 진행시킵니다. 

이를 테스트하기 위해 컴퓨터에게 아타리 게임을 하도록 했습니다. 컴퓨터가 본 것이라고는 게임의 화면 픽셀이 전부입니다. 사람이 처음 이 게임을 하는 과정과 똑 같습니다. 이 실험의 목표는 인공지능이 가능한 높은 점수를 얻는 것이었습니다. 

스페이스 인베이더를 플레이하는 인공지능

위 게임 한번 안해 보신 분 없을텐데요. 스페이스 인베이더라는 게임입니다. 인공지능이 이 게임을 처음 할 때는 엉망이었지만, CPU하나 짜리 컴퓨터가 하루 밤 동안 학습한 결과 사람보다 훨씬 잘 하게 됩니다. 인공지능이 플레이 하는 것을 보면 일단 미싱 샷이 거의 없습니다. 모두 목표물에 적중시키고 있으며 자신을 보호해 주는 마더쉽을 향해서는 거의 미사일을 쏘지 않습니다. 또한 마지막 한 마리를 공격하는 장면을 보면 그 목표물의 움직임 속도를 예측해서 미사일을 쏘는 것을 볼 수 있습니다. 그리고 이 모든 것은 스크린에 나타나는 픽셀로 부터만 학습한 것입니다.

벽돌깨기 게임 100회 연습한 인공지능

벽돌깨기 게임 500회 연습한 인공지능

위 그림은 인공지능이 벽돌깨기 게임을 각 100회, 500회 연습했을 때의 화면입니다. 100회 였을 때는 아직 미숙하지만 500회 연습했을 때는 양 옆의 벽돌을 뚤어 터널 사이로 공을 집어넣어 천장과 벽돌의 반사작용으로 벽돌이 모두 깨지게 하는 모습을 볼 수 있습니다.

Concepts and Memory

현재는 컨셉과 기억에 관해 관심을 갖고 있는데 이는 뇌의 한 부분이 해마(Hippocampus)의 작동 원리를 모방하려는 시도라고 합니다. 3D 게임은 물론이고 유튜브 추천 시스템 등에 활용될 수 있습니다.

Meta-Solutions

최근의 문제는 데이터는 사방천지에서 구할 수 있는데, 이 데이터들을 어떻게 활용할 것이냐 하는 문제라고 지적합니다. 이 데이터들로 부터 어떻게 통찰을 얻어낼 것인가 하는 문제라는 얘기죠.

Information overload : big data, genomics, entertainment, personalization
System complexity : climate, disease, energy, macroeconomics, physics

아무리 뛰어난 개인이라고 하더라도 이 방대한 데이터로 부터 통찰을 얻어내기란 쉽지 않은 일입니다. 따라서 AI를 만들어 내는 것이 결국 이 모든 문제를 해결 할 수 있는 메타 솔루션이 될 것이라고 얘기합니다. 그리고 궁극의 목표는 인공지능 과학자나 인공지능의 도움을 받는 과학자를 만드는 것이라고도 덧붙입니다.

윤리 문제

마지막으로 인공지능과 관련한 윤리 문제에 대해서 논의를 시작할 때라고 이야기 합니다. 아직 인간 수준의 인공지능이 나오려면 몇 십년이 걸리겠지만 지금 논의를 시작해야 한다고 얘기합니다.

지식을 통해 사람을 강력하게 한다(Empowering people through knowledge)
인공지능이 자동으로 정보를 지식으로 바꾼다(AGI automatically converts information into knowledge)
인공지능을 개발함으로써 마음(mind)의 미스테리를 밝혀낸다

[인공지능]빅데이터 전문가를 압도하는 인공지능

최근 2~3년 사이에 빅데이터가 화두였습니다. 그 전까지만 해도 숫자를 통해서만 통계적 의미를 확인하는 것이 일반적이었습니다. 그런데 빅데이터라는 것이 등장하면서 부터 소셜 미디어에 떠 다니는 수많은 텍스트나 이미지로 부터 의미 분석이 가능하게 되었습니다. 데이터 전문가들은 빅데이터라는 정보의 바다에서 의미 있는 정보를 찾아내어 그 정보에 대해 설명하고 앞으로 어떻게 될 것인지에 대해 예측을 제시했고 이들의 몸값은 치솟았습니다. 그런데 이런 일을 대신 할 수 있는 인공지능 소프트웨어가 나왔다고 합니다. MIT 연구진은 사람보다 훨씬 빠른 시간 내에 대등하거나 더 나은 수준으로 빅데이터를 분석해 내는 인공지능 소프트웨어를 개발했고 이미 이를 활용한 스타트업을 시작했다고 합니다.

Illustration: MIT

하버드 비즈니스 리뷰는 2012년에 빅데이터 분석 전문가를 21세기 유망직종 6위에 올리기도 했습니다만, 예측을 내 놓은지 불과 3년 만에 이러한 예측을 수정해야 할 지도 모르겠습니다. 사람과 인공지능의 빅데이터 분석 능력을 대회를 통해 검증해 본 결과 인공지능이 무려 60~70%에 이르는 사람 빅데이터 전문가 집단을 앞질렀기 때문입니다. 인공지능 보다 더 나은 분석력을 보인 인간 전문가는 불과 30% 정도 였습니다.

이 소프트웨어를 개발한 연구진은 빅데이터 전문가들이 일자리를 잃게 되거나 가치가 떨어지는 것은 아닐 것이라고 얘기합니다만, 이 말을 그대로 받아들이기는 어려워 보입니다. 현재 최상위 전문가 집단의 연봉이 약 1억원(10만 달러)이라고 하는데요, 기업들 입장에서는 전문가를 채용하는 대신 소프트웨어를 구매할 가능성이 높아질 수 밖에 없습니다. 또 연봉 등 경제적 부담이 커서 빅데이터 전문가를 채용하지 못했던 소규모 사업자들에게도 이는 분명 희소식 입니다. 잠재적으로 데이터 전문가들의 몸값은 하락이 불가피 할 것으로 예상됩니다.

빅데이터 분석과 같은 일은 화이트 칼러 잡 중에서도 매우 전문성이 높은 일로 여겨져 왔다는 점에서 상당히 충격적인 일로 생각됩니다. 기사에 따르면 최상급의 전문가가 한 달여에 걸쳐 매달려야 하는 일을 이 소프트웨어는 길어야 12시간이면 할 수 있다고 합니다. 또 그 정확성에 있어서도 90%를 상회한다고 하니 기업 입장에서 굳이 전문가를 채용해야 하는 이유가 있는 것인지 의문이 들기도 합니다.

이에 대해 연구진은 이 소프트웨어의 개발이 인간 전문가의 자리를 대체하는 것이 아니라 오히려 더 많은 데이터 전문가를 양성하는데 기여할 것이라고 얘기합니다. 빅데이터에 대한 깊이 있는 지식이 없더라도 이 툴을 다룰 줄 안다면 전문가와 같은 퍼포먼스를 낼 수 있기 때문입니다. 마치 그림이나 사진에 탁월한 재능이나 능력이 없어도 포토샵을 활용해서 전문가 뺨을 후려치는 작품을 생산하는 일반인들이 많아진 것과 비슷한 논리입니다. 정말 최근의 기술 발전 속도를 보면 인간이 지적 능력으로 컴퓨터와 경쟁을 하려는 시도 자체가 무의미해 보이기도 합니다.

좀 더 자세한 내용을 보고 싶으면 아래 기사 원문 보기를 클릭하시거나 밑에 한글 번역 기사를 읽어보시기 바랍니다.


기사 원문 보러가기는 여기를 눌러주세요.

스타트업 Feature Lab 홈페이지 바로가기


지금까지 데이터 전문가들은, 아주 높은 연봉을 받는 사람들조차, 데이터에 대한 설명과 패턴 예측을 하기위해 인간의 직관에 의존해 왔습니다. 그러나 이번에 MIT에서 개발한 "데이터 사이언스 머신" 소프트웨어는 로데이터 간의 상관관계 확인을 통해서 완전히 자동화된 컴퓨터 예측모델을 만들어 냅니다. 이 소프트웨어 때문에 데이터 전문가들이 위협 받을 것이라고 생각할 수도 있겠지만 오히려 데이터 전문가들에게 도움이 되는 측면도 있습니다. 소프트웨어가 예측 모델을 더 빨리 만들기 때문에 사람이 할 일이 그만큼 줄어드는 것이죠. 게다가 회사 측면에서도 얻는 장점도 큽니다. 회사 입장에서는 데이터 전문가를 키우기 위해 들여야 할 노력과 비용을 줄일 수 있기 때문입니다.

MIT의 컴퓨터 사이언스와 인공지능 연구실(MIT Computer Science and AI Lab)의 데이터 과학지이자 "데이터 과학 머신"의 공동 개발자이기도한 맥스 캔터(Max Kanter)는 이 소프트웨어의 개발을 통해 데이터 전문가가 늘어날 수 있을 것이라고 얘기합니다. 앞으로 데이터 전문가에 대한 수요가 증가할 것으로 예측되는데, 이런 기술의 발달로 인해 수요보다 공급이 앞설 것이라는 얘기입니다. 이번에 개발된 "데이터 과학 머신"이 사람 데이터 전문가가 약 한달이 걸려야 할 수 있는 일을 2~12시간 정도면 로데이터 분석을 통해 자동으로 정확한 예측모델을 만들어내기 때문입니다.

페이스북에서부터 월마트에 이르기까지 데이터 전문가는 여전히 희소성이 있는 인재이고 연봉도 약 1억원 수준으로 높은 편입니다. 2011년, 매킨지는 미국에만 한정하더라도 약 14만에서 19만 명 정도의 데이터 전문인력 부족 현상이 있을 것으로 예상했습니다. 2012년 하버드 비즈니스 리뷰는 데이터 전문가를 21세기 유망직종 6위에 올리기도 했습니다.

이러한 현상은 빅데이터로 부터 얻을 수 있는 가치있는 정보들이 많기 때문입니다. 소셜미디어 사용자들의 행동을 예측할 수도 있고, 금융시장에서 수십억 달러의 가치를 창출할 수도 있고, 천문연구에도 사용될 수 있기 때문입니다.

이처럼 가능성은 높지만, 실제로 로데이터를 통해 비즈니스에 도움이 될 수 있는 정보로 변화하는 것은 쉬운 일이 아닙니다. 데이터 전문가라고 할지라도 이런 일을 하기 위해서는 예측 모델을 만들기 위해서 한달여 정도를 매달려야 하고, 로데이터 중에서 핵심 변수가 무엇인지를 알아내기 위해 여러 차례에 걸쳐 데이터를 샅샅이 뒤져야 합니다. 그리고 나서 "머신 러닝"이라고 알려진 기술을 사용해서 그 변 수들을 테스트하고 수정해 나가야 합니다.

연구진은 이러한 데이터 전문가들의 작업 프로세스에서 영감을 얻어서 이번 프로그램을 개발했습니다. 지금까지의 데이터 분석 프로그램들은 1차원 적이거나, 아주 특정한 산업이나 특정 분야에 한정되어 있었는데, 이번 프로그램 개발을 통해 어떤 데이터라도 분석 가능하도록 개발하고자 했습니다.

방대한 로데이터에서 의미있는 상관 변수를 자동으로 추출해 내는 "피쳐 엔지니어링(feature engineering)것이 이번 개발의 핵심입니다. 두 번째 핵심 기능은 데이터에서 최적 파라미터 셋을 찾아내는 "오토 튜닝(auto tuning)" 기능 입니다. 이 기능을 통해 가장 관계가 높은 하위 변수들을 찾아낼 뿐만 아니라 변수들 간의 관계를 밝히고 예측 모델을 결정하기 위한 최적의 머신러닝 기술이 무엇인지도 찾을 수 있습니다.

이 프로그램을 개발하고 나서 모두 세번의 데이터 분석 대회(KDD Cup 2014, IJCAI, and KDD Cup 2015)에 참가했는데, 참가팀 인간 데이터 전문가로 구성된 906팀 중 615개의 팀을 제쳤습니다. 또한 각 대회에서의 데이터 분석 정확도는 94%, 96%, 87%로 상당히 높았습니다. 이런 결과는 아직 인공지능이 최상위의 데이터 전문가들에게는 뒤쳐지지만 일반적인 수준에서는 상당히 경쟁력이 있다는 것을 보여줍니다.

그렇다고 데이터 전문가들의 가치가 낮아지거나 일자리를 잃게 되는 것은 아닙니다. 그 보다는 데이터 전문가들이 좀더 효율적으로 일할 수 있게 됐다고 봐야겠습니다. 그럼에도 불구하고 많은 기업들에게 이 소프트웨어가 데이터 전문가를 채용하는 데 있어 많은 영향을 미칠 것입니다. 점점 더 많은 기업들이 데이터 전문가를 필요로 하게 될텐데, 모든 기업들이 구글이나 페이스북에서 일하고 있는 높은 수준의 데이터 전문가를 채용할 수 있는것은 아니기 때문입니다.

연구진들은 이렇게 말합니다.

"앞으로 데이터에 기반한 의사 결정은 점점 늘어날 것이다. 따라서 점점 더 많은 데이터 전문가가 필요할 것이고 더 능력있는 데이터 전문가가 필요할 것이다. 그런데 사람들을 교육하거나 훈련해서 이러한 수요를 다 충족시키기는 어려울 것이다. 따라서 기계가 더 잘할 수 있는 부분에 대해서는 기계에게 맡기고 사람은 사람이 잘 할 수 있는 일에 집중하는 것이 좋을 것이다."

연구진은 빅데이터에를 분석하고 그에 기초한 의사 결정을 함으로써 어떤 회사라도 "테크 기업(tech company)"가 될 수 있을 것이라고 얘기합니다. 이커머스, 크라우드 펀딩, 소매, 교육, 금융, 정부에 이르기 까지 빅데이터의 활약은 영역을 가리지 않고 퍼져나갈 것입니다. 그리고 이 연구진은 "Feature Lab" 이라는 스타트업을 통해서 이미 고객사를 모집하고 있기도 합니다. 이 스타트업의 슬로건은 이렇습니다.

"데이터 전문가 없이도 데이터로부터 더 많은 일을 하세요."

[인공지능]인공지능 개발에 가속도를 붙이는 베이지언(Bayesian)

오늘은 베이지언(Bayesian Program Learning 또는 BPL)이 머신러닝의 또 다른 방향을 제시한다는 내용의 기사를 소개해드리려고 합니다. 그동안 머신러닝에 대한 기사를 몇 번 소개해 드렸는데요, 그 기사들을 통해서 알 수 있었던 것은 머신러닝을 하기 위해서는 컴퓨터가 학습할 충분한 양의 데이터가 필요하다는 것이었습니다. 컴퓨터가 패턴을 읽어내기 위해서는 대량의 데이터가 필요하다는 것이었죠. 그런데 오늘은 대량의 데이터가 없이도 '마치 사람과 같이' 한 번 보면 그대로 모방할 수 있는 인공지능을 개발할 수 있다는 내용을 소개해 드리려고 합니다.  

원문 기사 보러가기는 여기를 눌러주세요.

이 그림은 사람과 기계가 지구상의 글자들을 어떻게 모방하는지를 보여준다. (Credit: Danqing Wang)

아래 영상에는 연구진이 어떤 연구를 했는지가 그대로 설명되어 있습니다. 사람은 화면 속에 나오는 등산장비를 한 번 보면 그 등산 장비가 어떤 특징을 갖고 있는지 금세 부분 별 특징을 짚어낼 수 있습니다. 그리고 등산장비와 핸드폰 줄 같이 비슷하게 생겼지만 전혀 다른 카테고리에 속하는 두 물건이 섞여 있을 때 등산장비만을 쉽게 골라낼 수 있습니다. 어린이들은 한 번 동물을 보면 그 동물이 무슨 동물인지 알고, 자동차 엔지니어는 부품 교체를 어떻게 하는지 한 번 보면 그것을 그대로 따라 할 수 있습니다. 과연 기계도 이처럼 한 번 보면 그대로 모방할 수 있을까요? 

연구진은 이를 확인하기 위해 산스크리트어와 티벳어등 모두 50개의 언어에서 1623개의 알파벳을 사용해 실험을 했습니다. 각 알파벳 뿐만 아니라 각각의 알파벳에 해당하는 손글씨를 수집했습니다. 그리고 기계에게 이 글자들의 생김새를 보여주는 동시에 사람들이 이 글자(처음보는 글자)를 보고 어떻게 따라 쓰는지, 손글씨를 쓰는 과정도 보여주었습니다. 

그런데 이 과정에서 주목할 만한 사실을 발견하게 됩니다. 사람들이 글자를 보고 따라 쓰는 방법을 분석한 결과 획을 긋는 순서 등에서 공통점이 발견된 것입니다. 사람의 경우 처음보는 글자라고 할 지라도 그 글자를 어떻게 따라 쓰면 좋을지에 대해 공통적으로 인식하는 패턴이 있다는 얘기입니다. 바로 이부분이 연구진이 원하는 것이었습니다. 연구진은 기계도 처음 보는 글자에서 사람과 같이 패턴을 발견해서 그 글자를 따라 쓸 수 있는가 하는 것을 알아내고자 했습니다. 

이를 테스트 하기 위해 기계에게 글자 하나를 보여주고, 그 글자를 쓰는 방법을 몇 가지 알려준 다음, 기계 스스로 그 글자를 쓰도록 했습니다. 그리고 나서 똑 같은 글자에 대해 기계가 쓴 것과 사람이 쓴 것을 구분할 수 있는지 사람을 대상으로 "비주얼 튜링 테스트"를 했습니다. 튜링테스트 결과 사람이 쓴것과 기계가 쓴것을 제대로 골라낸 비율은 25% 이하였습니다. 무려 75%가 기계가 쓴 글자와 사람이 쓴 글자를 구분해 내지 못한 것입니다. 이 정도 되면 기계가 사람만큼 한 번 보고 제대로 분류할 수 있는 학습 능력을 가졌다고 봐야 할 것입니다. 

이 연구진들은 자신들이 개발한 베이지안 학습법에 대해 굉장히 자신있는 모습입니다. 난생 처음보는 문자를 빠르게 배워야 하는 시스템이 필요하다면 그건 아마 자신들이 개발한 시스템일 것이라고 얘기 합니다. 물론 문자 분류작업이라는 것이 아주 간단한 작업이어서 아직 보완할 점이 많다는 것에 대해서도 인정합니다. 그러나 동시에 알고리즘이 다듬어 진다면 차세대 음성인식 시스템 등에 활용될 수 있을 것으로 전망하는 등 베이지언 알고리즘이 머신러닝에 있어 큰 변화를 가져올 것임을 예고합니다.  

최근 들어 쏟아져 나오는 인공지능 관련 기사들을 보고 있으면 정말 그 발전 속도가 어마어마하다는 생각이 듭니다. 불과 어제까지만 하더라도 머신러닝의 필수 요소로 충분한 양의 데이터가 거론되었는데, 이런 이야기가 나온지 불과 1~2년 사이에 이제는 데이터의 양도 그리 많이 필요하지 않다는 얘기가 나오기 시작합니다. 머신러닝, 그리고 인공지능 앞으로 어디까지 갈까요? 그리고 얼마나 빨리 갈까요?

연구진

MIT, Joshua Tenenbaum : Research Article 보러가기

NYU, Brenden Lake 

University of Toronto, Ruslan Salakhutdinov 

[컴퓨터 예술] 작곡하는 인공지능 아야무스(Iamus)의 작동 원리

작곡하는 인공지능 컴퓨터 클러스터

앞 포스팅에서 아야무스(Iamus)가 작곡하는 인공지능 소프트웨어라는 것과 이 소프트웨어가 작곡한 곡이 런던심포니에 의해서 연주되었다는 것을 살펴봤는데요. 이번 포스팅에서는 아야무스가 과연 어떤 원리로 작동되는 지에 대해 좀 더 알아보도록 하겠습니다.

본론으로 들어가기 전에 아야무스의 생김새를 한 번 보고 가겠습니다. 아야무스가 소프트웨어라서 PC나 MAC에서 돌아가는 프로그램인줄 알았는데 저의 착각이었습니다. 아야무스는 컴퓨터 클러스터라고 합니다. 그림에서 보시는대로 맞춤제작된 케이스가 씌워져 있습니다. 무대 위 피아노 옆에 놓인 사진도 있는데 생각보다 상당히 덩치가 있습니다.

아야무스 컴퓨터 클러스터 (자료 : https://en.wikipedia.org/wiki/Iamus_(computer)

아래 영상은 아야무스를 소개하는 뉴스 영상인데요, 전문가들조차 사람의 작품이라고 착각할 정도의 클래식 음악을 작곡하는 컴퓨터 프로그램이라고 소개합니다. 영상 말미에서 아야무스 개발을 이끈 프란시스코 비코(Francisco Vico) 교수는 아야무스는 음악적 언어를 마스터한 최초의 컴퓨터이고, 아야무스만의 오리지널한 클래식 현대 음악을 작곡할 수 있다고 얘기합니다. 뿐만아니라 사람들이 아야무스가 만든 곡을 다양하게 해석(연주)할 수는 있겠지만 그렇다고 아야무스가 만든 원곡이 변형되는 것은 아니라고 덧붙입니다. 아야무스의 원곡은 악보에 인쇄된 그대로 오리지널리티를 갖는다는 얘기입니다. 굉장한 자신감입니다. 영상 내용 중 가장 흥미로운 부분은 피아니스트이자 소프트웨어 컨설턴트인 구스타포(Gustavo Diaz-Jerez)의 인터뷰 내용입니다. 그는 이렇게 얘기합니다.

"이 컴퓨터 프로그램이 창작력을 갖게 된 것은 이 알고리즘이 생물학적 프로세스에서 영감을 얻어서 만들어졌기 때문이다"

음악얘기하다가 갑자기 뜸금없이 생물학적 프로세스라니요?

프란시스코 교수는 원래 15년 간 뇌 기능 모델링(brain function modeling)을 연구했는데, 그러던 중 살면서 부딪히는 복합 형태나 행동의 진화(the evolution of complex forms and behaviors)와 같은 삶의 복잡성(life's complexity)에 대해 관심을 갖게 됐다고 합니다. 그리고 이러한 관점이 아야무스에까지 이어집니다. 아야무스는 멜로믹스(Melomics)라는 시스템을 통해 작동되는데, 이 멜로믹스는 "the genomics of melodies"라는 뜻을 갖고 있습니다. 멜로디의 유전학이라는 뜻입니다. (자료 : http://geb.uma.es/fjv)

멜로디의 유전학 Melomics

프란시스코 교수는 BBC와의 인터뷰에서 아야무스는 멜로믹스라는 시스템을 통해 생물이 진화과정을 거치는 것과 같이, 음악적 모티브의 진화 과정을 거쳐 음악이 완성된다고 얘기합니다. 그러면서 이런 얘기를 하면 이를 믿지 않는 사람들도 있다고 얘기합니다. 글쎄요, 이 얘기를 듣고 한 번에 믿을 사람이 얼마나 될까요?^^

여기서 잠깐 멜로믹스에 대해 설명해 놓은 위키피디아 자료를 보고 가겠습니다.

멜로믹스는 음악 작곡에 진화적 관점을 적용한다. 예를 들어, 작곡을 하기 위한 음악 테마들은 진화과정의 시뮬레이션을 통해 얻어진다. 이와 같은 테마들은 형식적으로나 심미적으로나 더 적합한 기능을 하는 것이 선택되도록 서로 경쟁한다. 멜로믹스 시스템은 각각의 음악 테마들을 하나의 유전자로 인코드하고, 이렇게 인코드된 모든 테마들은 진화발생과정(evo-devo : 진화발생생물학 또는 이보디보, Evo-devo; Evolutionary Developmental Biology)을 겪게 된다. 이 시스템은 완전 자동화 되어있는데, 한번 프로그램되면 사람의 간섭없이 작곡을 끝마친다.(자료 : https://en.wikipedia.org/wiki/Melomics)

프란시스코 교수는 "모든 곡은 각각의 곡 마다 핵심이 되는 테마가 있고 이것이 점점 복잡해 지고 자동적으로 진화하게 됩니다" 라고 이야기 합니다.(이것은 음악적으로도 상당히 설득력이 있는 이야기 입니다. 주어진 테마를 곡이 끝날 때 까지 어떻게 변주하고, 질리지 않게 반복시킬 것인가가 서양 음악 작곡의 핵심 중 하나입니다.)

인간의 유전자가 모든 사람이 각각 다른 사람으로 보일 수 있도록 수 없이 변이하는 것 처럼, 아야무스는 음악을 작곡하기 위해 음악적 테마를 변이시킨다고 얘기합니다. 아야무스가 작곡을 하는데 있어서 제한받는 오직 한 가지가 있다면 현실적으로 사람이 연주할 수 있어야 한다는 것과 무슨 악기를 위한 곡인가, 하는 문제 뿐이라는 얘기도 합니다.

"곡은 기계 안에서 모든 진화과정을 마치고, 사람은 아야무스가 진화시킨 수많은 작품들 중에 하나를 고르기만 하면 됩니다."

사람이 하는 일이라고는 아야무스가 작곡을 시작하기 전에 어떤 악기들을 위한 곡인지를 알려주는 것과, 곡의 길이를 얼마로 할 것인지를 가르쳐 주는 것 뿐이라고 합니다. 그리고 피아노를 칠 때 사람이 한 손가락으로 다섯 개의 음 이상은 누를 수 없다는 것과 같은 아주 기초적이고 기술적인 문제들에 대해서만 사전 가이드라인을 설정한다고 합니다.

아야무스와 다른 프로그램들과의 차이점

아야무스가 택한 진화발생관점에서의 작곡은 다른 인공지능 작곡 프로그램들과 아이디어 면에서 근본적인 차이를 보입니다. 데이비드 코프의 에밀리 호웰이나 도냐 퀵의 쿨리타가 특정 작곡가들의 작곡기법을 학습하는 것을 통해 해당 작곡가의 기법을 모방하는 방식으로 인공지능 작곡을 하는데 비해 아야무스는 주어진 테마를 무작위로 진화시키는 과정을 통해 자신만의 오리지널리티를 추구한다는 점이 결정적 차이점입니다.

인간 음악가들 중에도 자신만의 오리지널리티를 찾지 못하는 경우가 더 많습니다. 더 냉혹하게 말하자면, 역사에서 기억하고 있는 몇 안되는 작곡가들만이 자신의 오리지널리티를 구축한 셈이고 나머지 음악가들은 소수 천재들의 영향권에 있었다고 보아야 할 것입니다(이 문제에 관해서는 럿거스 대학에서 그림을 통해 예술가들의 창의력을 측정한 연구를 참조해 주세요.)

또 정해진 패턴, 학습된 패턴으로만 창작이 가능한 것이 아니라 중요한 형질을 유전시키면서 동시에 우연히 발생되는 돌연변이도 받아들이는 진화관점을 가지고 있다는 점이 예술적 관점에서 매우 중요한 것으로 보입니다. 예술은 모두와 공감할 수 있는 익숙함을 가진 동시에 또한 모두의 기대를 깨는 새로움이 공존해야 한다는 점과, 모두가 수긍할 수 있는 규칙성과 또한 모두를 놀라게 하는 랜덤 워크가 공존해야 한다는 점에서 진화적 관점은, 프란시스코 교수가 얘기하는대로 정말로 작동하는 것이라면, 정말 놀라운 신의 한수라고 할 수 있습니다.

아야무스에게 한계는 없다

인간의 개입이 최소화 된 아야무스에게 '이제 작곡해줘'라는 뜻으로 엔터키 한번 만 누르면 클래식 음악 한곡이 뚝딱 완성되어 나온다고 합니다. 모짜르트가 평생에 걸쳐 수천곡을 작곡했는데, 아야무스는 무제한으로 곡을 써 낼 수 있는 것입니다.

현재 아야무스는 12음계로 구성된 서양음계를 기초로 해서 클래식 음악을 작곡하고 있는데, 잠재적으로는 어떤 음악이라도 작곡할 수 있다고 합니다.

예를 들어 힌두나 아랍권에서는 더 많은 음이 사용되는는 스케일을 갖고 있는데, 아야무스에게 이런 음계에 따라 작곡 하도록 하면 아야무스는 이런 규칙에 따라 작곡을 할 수 있는 것입니다.

BBC의 기사는 이렇게 마무리 됩니다.

이 컴퓨터 작곡가가 모짜르트, 하이든, 브람스, 베토벤을 모두 합친것 보다도 더 위대한 작곡가가 될지도 모른다고 말입니다. 사람들은 아직도 기계의 음악이 사람의 음악처럼 생동감 있게 들리기 위해서는 음악가들의 감정이나 재능이 필요할 것이라고 생각하지만, 이미 음악업계에 혁신의 문은 열렸다는 말도 덧붙입니다.

아야무스의 상업화와 저작권 Free 정책

아야무스는 미국에 기반을 둔 Melomics Media라는 회사를 통해 클래식 음악뿐 아니라 좀더 대중적인 음악과 심리치료를 목적으로 하는 기능성 음악 등을 시도하는 것으로 보입니다. BBC 기사에는 아이튠즈나 구글 스토어에서 음원 서비스를 제공하고 있다고 나오는데, 아이튠즈에서는 아직 검색되지 않고 구글 스토어에는 기능성 음악을 제공하기 위한 어플리케이션이 등록되어 있습니다.

저작권과 관련한 정책도 굉장히 신선합니다. 보통 음원을 구매하면 음원을 들을 수 있는 권리만을 취득하게 되는데요, 멜로믹스 음원의 경우 다운로드는 물론이고 아예 음원의 저작권까지 취득하게 된다고 합니다. 엔터키만 누르면 아야무스가 곡을 무제한으로 계속해서 만들어 낼 수 있기 때문에 저작권을 주장하지 않겠다는 것이죠. BBC 기사에 난 대로 정말로 이러한 정책을 꾸려 나가고 있는지 모르겠습니다만, 앞으로 인공지능의 창작이 본격화 되는 시점에서 저작권 문제는 굉장히 중요한 이슈가 될 것만은 분명해 보입니다.

다음 포스팅에서는 아야무스가 멜로믹스로 진화하면서 시도하고 있는 좀 더 대중적 색채의 음악들에 대해 살펴보겠습니다.


(주자료 : http://www.bbc.com/news/technology-20889644)

[컴퓨터 예술] 감정 로봇, 챨스를 만나다

기계가 사람의 얼굴 표정의 변화를 이해할 수 있을까요? 캠브리지 대학교의 피터 로빈슨(Peter Robinson - 관련 페이지 보기) 교수팀이 이것에 관해 연구하고 있다고 합니다.

카메라로 얼굴 특징 읽어내는 챨스

화면에서 보시는 대로 표정 변화에 따라 감정의 변화를 읽어내고 있습니다. 빨간색은 흥미, 녹색은 동의, 파란색은 집중 등으로 얼굴표정을 이렇게 저렇게 변화시키는데 따라서 즉각적으로 사람의 감정을 읽어냅니다.

카메라로 사람의 얼굴을 보면서 사람 얼굴에 나타나는 입이나 눈이나 눈썹 등 주요 특성들(key features)이 어떻게 변하는지 관찰합니다. 여러 동작이 동시에 일어나기도 하는데, 예를들어 고개를 끄덕이며 미소를 짓는것은 동의를 의미하는데 이런 모든 것을 컴퓨터가 이해한다고 합니다(실제로 리포터가 웃으며 고개를 끄덕이자 녹색의 동의 그래프가 증가합니다).

사람의 감정 412가지

심리학자들은 컴퓨터가 배워야 할 412가지의 감정을 찾았다고 합니다. 이 얘기를 듣고 보니 내가 그렇게나 다양한 감정을 갖고 있는지 의문이 들기도 합니다. 기쁨, 슬픔, 분노, 우울, 행복.... 기껏 단어 5개 쓰고 생각이 안나는데 412가지라니요. 결국 컴퓨터가 사람보다 더 많은 정보를 읽어낼 것이라는 것은 여기서도 예외가 아닌것 같습니다.

표정 별 특징을 읽어내는 챨스

사람이 입을 벌리는 이유는 크게 두 가지라면서 하나는 놀랄 때 이고 하나는 불쾌할 때라고 설명합니다. 이 두 가지 표정 변화에서 입 주변의 색이 다르기 때문에 컴퓨터가 이걸 읽을 수 있다고 설명합니다. 생각해 보니 놀랄 때는 아무래도 입을 아래위로 벌리게 되고 입 안의 혀 등 뭔가 분홍 빛 물체가 많이 보일 것이고, 불쾌할 때는 아무래도 입을 다문채로 좌우로 길게 벌리고 이가 드러나서 하얀색이 많이 보이게 됩니다. 사람의 표정이 패턴으로 읽힐 수 있는 겁니다.

컴퓨터가 점점 사람에 가까워지고 있다고 얘기하면서 이렇게 사람과 공감할 수 있는 컴퓨터를 갖게 되는 것이 좋은 것일지 묻습니다.

감정을 얼굴로 표현하는 기계 챨스

챨스 라는 이름의 기계

정말 사람같이 생겼습니다. 기계라고 생각하고 보니 어색한 부분이 보이기도하지만 이 기계가 화면에서 움직이는 걸 처음 본 순간 이것이 기계라는 사실에 많이 놀랐습니다. 머리에 24개의 모터가 달린 기계라고 합니다.

사람의 얼굴에 드러난 표정 변화로 감정에 대해 학습한 챨스(기계)가 이런 저런 표정을 지으면 리포터가 그게 무슨 표정인지 맞추는 게임을 합니다. 리포터는 챨스의 표정을 보고 고통스러워 하는 것 같다, 좌절하는 것 같다, 뭔가 역겨워 하는 것 같다는 등의 의견을 냅니다. 어떤 부분에서는 기계와 인간이 공감을 형성하고 어떤 부분에서는 서로가 공감대를 형성하는 데 실패합니다. (역겨워 하는 것 같다고 했는데 사실은 오만한 표정을 지은 것이라는 군요.) 챨스와 감정적으로 소통하는 것이 쉽진 않았지만 미래 어느 날엔가는 이런 일이 가능하지 않을까, 하면서 마무리 합니다.

감정도 패턴이다?!

감정 표현과 같이 우리가 그동안 감성적이고 기계로 측정하기 어렵다고 생각했던 영역들 조차 점점 기계가 읽을 수 있는 패터을 가지고 있음이 드러나고 있습니다. 이런 것의 대표적인 영영은 예술일 텐데요. 예를 들어 사람은 특정 음악을 들으며 슬픔, 기쁨, 희망 등을 느끼고 이런 감정을 많은 사람들과 공유합니다.  사람의 표정에서 특정한 패턴이 발견되고 그것을 컴퓨터가 읽어 내듯이, 음악에도 감정에 따른 패턴화 가능한 소리의 파형이 존재하고 그것을 컴퓨터가 읽을 수도 있지 않을까, 라는 생각을 하게 됩니다.

[컴퓨터 예술] WordsEye 사용 후기

실망과 동시에 희망

베타테스트 신청해 놓은지 6시간 정도 후에 확인 메일이 왔습니다. 들뜬 마음으로 "그림을 쓰러"가서 30분 정도 그림을 "써" 봤습니다. 일단 결론부터 말씀드리자면, 굉장히 실망스러운 동시에 내가 이정도라도 그림을 그려낸게 어딘가 하는 희망도 갖게 됩니다. 아직 표현이 안되는 것이 더 많지만 어쨌든 사물의 이름, 색깔, 거리, 크기, 방향 등에 대해서 언어로 표현하면 이것을 그림으로 표현해 낼 수 있다는 점이 굉장히 고무적입니다. 

개발자 Bob Coyne, Richard Sproat
콜롬비아 대학교 컴퓨터 사이언스 박사

사용해보고 나니 워낙 단순하게 작동하고 있어서 이것이 인공지능 또는 머신러닝과 관련이 있는 것인지 의문이 들어서 자료를 찾아보았는데요, 이 프로그램의 개발자 Bob Coyne은 원래 언어에 관심이 많았고, 특히 인공지능 시스템에서 언어의 예술적 표현에 관심을 가졌었다고 합니다.  (기사 원문 보기)  

The Creators Project: I’ve never had the chance to meet a PhD student in computational linguistics.
Bob Coyne: I’ve always loved and been fascinated by language, especially the connotative/poetic/associative aspects. A single word can evoke so much and can mean such different things in different contexts. In order to understand all the possible associations you have to be able understand the more literal/prosaic meaning first. So my interest is a combination of wanting to understand how it all works combined with an interest in the artistic expression aspects of an artificially intelligent system. When I was in college I wrote some poetry-generating software… so that was the start of it. Then I worked in computer graphics for quite a while, but I found that I was more interested in pictures as language (how do they represent and connote meaning?) than in the pixilation aspects. (Similar I think to Duchamp’s position against “retinal art”).

WordsEye 논문 보기

개발자 Bob Coyne, Richard Sproat가 쓴 논문입니다. 구글 검색에서는 무려 340회 인용됐다고 나오네요. 어마어마 합니다. 논문은 2001년(?)에 쓰인 것으로 보입니다. 

논문 보러 가기

WordsEye 공동창업자 프레젠테이션

공동 창업자 중 한명인 다니엘이라고 하구요, 콜롬비아 내추럴 랭귀지 프로세싱 박사라고 합니다. 아마도 스타트업 펀딩을 위한 프레젠테이션인 것 같습니다. 2013년 영상입니다.

이제 실제 사용후기를 적어보겠습니다.

간단 튜토리얼

사용자 허가를 받고 나면 일단 그림을 "쓸" 때 어떻게 쓰면 좋을지에 대한 팁을 알려줍니다. 뭐라고 써야 기계가 알아듣고 그림으로 그려줄 수 있는지에 대한 설명입니다. 

  

화면 오른쪽에 보시면 포지션, 컬러 앤 텍스쳐, 뷰 포인트 등등 표현할 수 있는 여러 항목 들이 나와 있습니다. 그리고 각각의 항목에 대해서는 아래와 같이 표현하라고 예제가 나옵니다.

이 그림 왼쪽에 보시면 the dog is one foot to the right of a couch 라고 적혀 있고, 실제로 개가 소파 오른쪽에 1미터 떨어져서 그려졌습니다.

예제 학습을 마치고 그림을 그리는 단계로 넘어가면 위 그림처럼 여러가지 템플릿이 나열되어 있고 이것을 기반으로 그림을 그릴 수 있도록 되어 있습니다. 

저는 어차피 처음 해보는 거라서 템플릿 없이 처음부터 그려보기로 했습니다. 아주 간단한 문장을 써봤습니다. a man ride a car 라고 적었더니 아래와 같은 그림이 나옵니다. 사람이 차를 타고 있긴 한데, 우리가 생각하는 방식과는 조금 다르게 타고 있습니다. 사이트 설명이나 개발자들이 얘기하는 뉘앙스로는 이런 장면이 사용자들에게 유머로 받아들여질 수 있다고도 생각하는 듯 합니다. 

어쨌든 다른 문장들도 몇 개 시도해 보았습니다만 영어가 서툴러서 자꾸 에러가 났습니다. 그래서 남들은 어떻게 그렸는지 보기로 했습니다. 

the dog is leaning 40 degrees to the right. the cat is leaning 30 degrees to the left. the cat is right of the dog. the dog is 10 inches above the ground. the cat is 8 inches in the ground. the ground has a sand texture. the yellow light is above the dog.

The police officer is in front of an elephant on a street in the desert.

the shiny tan skull is 12 inches in the athlete. it is 14 inches tall. the small rainbow is 50 feet behind the athlete. the grim reaper is next to the athlete. the tall [da vinci] desert. the 15 foot tall mirror is 3 feet in front of the athlete. it is facing the athlete. it is 5 feet in the ground. the pane of the mirror is dark blue. the yellow light is in front of the grim reaper. the cyan light is in front of the athlete. the grim reaper is standing on ten small skulls

A yellow translucent cube is 5 feet tall. A red translucent cube is 5 feet tall. The red cube is 2.5 feet in the yellow cube. The red cube is -2.5 feet left of the yellow cube. A sky blue translucent cube is 5 feet tall. It is 2.5 feet in the red cube. It is -2.5 feet left of the red cube. A chartreuse translucent cube is 5 feet tall. It is 2.5 feet in the sky.

위에 표현들을 보시면 아시겠지만 생각했던것 보다 굉장히 제한이 많았습니다. 

동사는 아직...

가장 큰 아쉬움 중 하나는 동사에 대한 표현이 아직 안된다는 것이었습니다. "사람이 있다"는 표현할 수 있지만 사람이 뛰고 있다, 사람이 걷고 있다 등등의 표현은 아직 표현할 수가 없습니다. 

거리, 크기, 각도 등은 비교적 만족

거리, 크기, 각도와 같이 수치화 할 수 있는 것들에 대해서는 비교적 쓰는 것도 수월했고 이것이 반영되어 나오는 그림도 그런대로 만족스러웠습니다. 몇 미터 옆에, 몇 미터 뒤에 등 거리와 관련된 문장이나 비행기의 크기가 몇 미터다 등과 같은 사이즈에 관련한 표현은 생각보다 쉽게 할 수 있었습니다. 

색 표현 등은 아직 너무 단순

노랑 파랑 빨강 등 색을 지정할 수는 있지만 아직 다양하게 표현하는데는 어려움이 있었습니다. 

디테일 등에서 아직 부족

사람의 옷이라던가 헤어 스타일 등 좀 더 세밀하게 표현하는 것은 아직은 상당히 거리가 있어 보입니다. 

내가 그린 그림

원래 제가 그리고 싶었던 것은 "차 안에 사람이 타 있고, 그 사람이 창 밖으로 손을 흔들고 있다" 였는데요, 한 두 문장 써보고 나서 정신 차렸습니다. 지금 상태에서 표현가능한 것들을 해 보았구요, 어쨌든 문장을 써서 아래 그림을 그렸습니다. 매우 제한된 표현임에도 불구하고, 그림의 절대적 퀄리티는 보는 사람에 따라 매우 낮게 평가할 수도 있겠지만, 저 같은 그림치가 이 정도의 그림을 그려 냈다는 점에서는 놀라운 일이기도 합니다. 

이 그림을 그리기 위해서 이런 문장을 써야 했습니다. 

a red car on the ground. a yellow bike is 2 meter left of the car. bike is facing right. a blue motorcycle is 2 meter left of the car. motorcycle is 1 meter behind the car. an airplane is 3 feet above the car. airplane is 5 meter long. airplane is leaning 30 degree to the left. a snow mountain is 50 feet behind the car. it is dawn. an eagle is 1 meter left of the airplane. eagle is facing right. eagle is 2 meter above the car. eagle is leaning 30 degree to the right. eagle is 3 meter long. a building is 5 meter left of the mountain. a tiger is 2 meter right of the car. tiger is 3 meter long. rainbow is 2 meter behind the building. man is 1 meter left of the bike. man is facing 10 degree to the right. a blue circle is 2 feet tall.

각 사물의 크기는 실제 사물의 크기에 따라 적용되었습니다. 예를 들어 차 위에 비행기를 만들었더니, 처음에는 비행기가 차에 비해서 상당히 크게 나왔습니다. 화면에는 비행기 그림자만 나오고 비행기 몸통은 아예 보이지 않았습니다. 거리와 크기 등을 조절하면서 화면을 배치할 수 있었는데, 다른 동사 형용사 표현이 거의 안되는 데 비해 숫자에 관련된 것은 그나마 할 수 있었습니다. 

총평

갈 길이 굉장히 멀게 느껴지는 동시에 어쨌든 문장을 알아 듣고 그림으로 표현하고 있다는 사실이 놀랍기도 합니다. 결국 얼마나 방대한 그림 DB를 갖추느냐와 언어적 표현을 얼마만큼 그림 표현으로 해석해 내느냐의 문제일 텐데요, 논문에 보면 논문을 쓸 당시에 2천개 정도의 사물 DB를 갖고 있었고 추가로 1만개의 DB를 확보할 것이다라고 쓰고 있는데 지금은 어디까지 와 있는지 궁금하네요. 현 상태로는 정말 아이디어 수준에 가깝다고 느껴지는데요, 그래도 상상력을 좀 발휘해 보자면 결국 이 3D 이미지들에 에니메이션 기능이 추가 되고 동영상까지 구현할 수 있게 되겠죠? 아주 오래 걸리긴 하겠지만 말입니다. 

[인공지능] 머신러닝과 인공지능, 구글의 최우선 과제

Google makes machine learning, artificial intelligence top priority (원문기사 보러가기)

구글이 머신러닝과 인공지능을 최우선 순위로 두고 투자를 진행하고 있다는 기사입니다.

아래는 번역입니다.

구글은 머신러닝과 인공지능에 최우선순위를 두고 투자를 진행해오고 있다. 구글은 인공지능을 기계를 지적으로 만드는 것으로 정의하고 있는데, 이 머신러닝은 기계 스스로 학습을 하게 함으로써 이루어진다.

구글에서 시니어 연구 과학자로 일하고 있는 그레그 코라도는 머신러닝은 컴퓨터가 예제들을 통해 배우도록 프로그램을 짜는, 컴퓨터 프로그래밍의 새로운 형태라고 얘기한다. 이것은 딥러닝과 관련이 있는데, 딥러닝은 머신러닝 모델의 강력한 방편 중 하나다. 이것은 인공신경망(artificial neural network)의 현대적 부활이자 단순하고, 훈련가능하고 수학적 기능이 모여있는 집합체이기도 하다. 또한 머신러닝의 여러 변종들과 호환된다.

그는 머신러닝은 컴퓨터가 경험과 데이터를 통해 배우게 하려는 시도였다고 설명한다. 머신러닝에서 중요한 것은 데이터, 모델, 컴퓨터 성능이다.

그는 "머신러닝은 마술이 아니다, 이것은 하나의 도구이다. 소프트웨어를 만드는 새로운 방법인 것이다" 라고 말한다.

구글에서 머신러닝과 딥러닝을 사용하는 서비스 중 하나는 gmail 스팸 분류인데, 현재 99.9%의 스팸을 걸러내는데 성공했다. 구글 포토를 이용할 경우 사람들은 태그 없이도 특정한 사람을 찾을 수 있다. 머신 트랜스레이션(machine translation)과 스마트 리플라이(smart reply) 역시 머신러닝과 딥러닝을 사용한 서비스이다.

구글은 랭크브레인(RankBrain) 검색의 질을 향상시키기 위해 머신러닝 시스템을 사용하고 있다. 랭크브레인은 구글 검색 전체의 15%를 담당하는 인공지능 시스템이다. 그렇다고 구굴의 허밍버드(Hummingbird algorithm) 알고리즘을 대체하는 것은 아니다. 랭크브레인은 사람들이 무엇을 찾는지 또 어떤 페이지를 상위에 보여주어야 하는지 등을 담당하는 시스템이다.

구글은 최근 스마트 리플라이를 출시했다. 스마트리플라이는 안드로이드와 ios에 머신러닝을 도입한 사례이다.

지메일 메일함(Gmail Inbox)는 회신이 필요한 메일을 인식하고 상황에 따라 자연스러운 회신 메일을 생성하는 머신러닝을 사용한다.

스마트 리플라이는 사용자가 이메일을 수신하는 데 따라서 세 번까지 자동응답한다. 단순하게 빨리 회신해주기만 하면 되는 메일에 반응하는데, 덕분에 사용자는 타이핑하느라 낭비할 뻔 했던 시간과 노력을 아낄 수 있다. 좀 더 생각ㅎ하고 답을 해야 하는 이메일에 대해서는 점프 스타트(jump start)기능을 제공해서 사용자가 바로 본론으로 들어갈 수 있게 해준다.

스마트 리플라이는 지난주에 구글플레이와 앱스토어에서 영어로 서비스가 시작됐다.

구글은 광범위한 소프트웨어 개발에서 머신러닝을 활용하고자 텐서플로우(TensorFlow)를 출시했다. 텐서플로우는 아주 강력한 딥러닝 기능을 내장하고 있다. 구글은 구글 앱의 음성인식이나 스마트 리플라이 구글 포토 검색 기능 등에 텐서플로우를 사용하고 있다.

[컴퓨터 예술] 추론하는 인공지능 화가

패턴인식을 통해서 영상을 특정 작가의 스타일로 변환해 주는 뮤직비디오를 만드는 인공지능이 있었는데요(여기를 확인해 주세요), 이번에는 화가가 그려놓은 부분을 통해 추론을 해서 이미 그려진 그림을 확장해서 그리는 인공지능을 소개해 드립니다(여기를 클릭하세요).

YARIN GAL 이라는 사람이 개발한 것이구요, 캠브리지 대학교에서 머신러닝 박사과정중에 있다고 합니다. 구글 전액 장학생이라고 하네요.

Paintings give only a peek into a scene.

New techniques in machine learning and image processing allow us to extrapolate the scene of a painting to see what the full scenery might have looked like.

머신러닝과 이미지 프로세싱의 새로운 기술이 화폭 안에 담지 못한 화폭 밖의 풍경이 어떤 모습일지에 대해 추론할 수 있게 해준다.

그림을 클릭해 보셔서 아시겠지만, 상당히 자연스럽게 그림이 확장되네요. 감쪽같습니다. 이 그림은 엔지니어링 사진경연대회(Engineering Photo Competition)에 출품되었던 작품이고 수상도 했다고 합니다.

위에 달아놓은 링크에 나온 그림보다 더 넓게 나온 그림이 있어서 퍼왔습니다.

다른 그림 보러가기(위에 링크 놓친 분들 클릭하세요.)

개발자 홈페이지 보러가기

[컴퓨터 예술] 컴퓨터가 그림을 "본다" - Deep Dream Generator 사용기

구글은 지난 몇 년간 이미지를 "보고" 그  이미지가 어떤 것인지를 "분류"해 낼 수 있는 인공지능을 개발해 왔습니다. 말 그대로 컴퓨터가 세상을 보고 이해하도록 학습시키는 것이죠. 사람이 개를 보면 개로 인식하고 고양이를 보면 고양이로 인식하는 것과 마찬가지로 컴퓨터가 사물을 "보는 것 만으로" 그것이 무엇인지 인지하고 분류하도록 한 것입니다.

사람에게는 아무것도 아닌 것 같은 이 일이 기계에게는 지난 몇 십년 동안 풀지 못한 숙제였습니다. 가만 생각해 보면 개나 고양이 모두 눈 두개, 다리 네개, 털이 나 있으니 컴퓨터 입장에서는 비슷하게 보일 만도 합니다. 오히려 개와 고양이가 다른 종류의 동물이라는 것을 아무렇지도 않게 분류해 내는 사람이 이상한 것인지도 모릅니다. 그런데 이제는 컴퓨터에게 "개는 눈이 두 개고 다리가 네 개이며 치와와 처럼 작고 예쁜 종도 있지만 세퍼트 처럼 무섭개 생긴 종도 있다"라고 일일이 설명하지 않아도 그저 보는 것 만으로 이것이 "개" 이구나 이것이 "고양이" 이구나 라고 분류할 수 있는 수준으로 컴퓨터의 지능이 발달했다고 합니다.

Deep Dream Generator는 이와 같은 아이디어에서 출발했습니다. 개, 고양이, 산, 자전거와 같은 사물을 보고 그 사물이 무엇인지에 대해 반복적으로 학습하여 스스로 각 사물을 분류할 수 있게 된 컴퓨터에게 처음보는 그림을 보여주고 그 그림에서 자신이 알고 있는 사물의 패턴을 찾아 내어 원래의 이미지를 자신이 알고 있는 사물의 패턴에 따라 변형시키도록 한 것입니다. 딥드림 제네레이터의 원리에 대해 더 알고 싶으신 분은 여기를 클릭해 주세요.

자, 그럼 딥드림제네레이터가 그림을 어떻게 변형시키는지 한번 시도해 볼까요? 홈페이지에 가면 누구나 무료로 해 볼 수 있으니 한 번씩 해 보시기 바랍니다.

Deep Dream Generator 홈페이지에서 그림 변형해 보기

변경 전 이미지

변경 후 이미지(화면의 밑 부분과 화면 여기저기 에 이상한 모습의 괴 생명체들이 보입니다.)

변경 전 이미지

변경 후 이미지(화면의 밑 부분과 화면 여기저기 에 이상한 모습의 괴 생명체들이 보입니다.)

어떻게 보이시나요? 확실히 아직 예술적 가치를 따지기는 일러 보입니다. 그럼에도 불구하고 몇 가지 가능성에 대해서는 생각해 볼 필요가 있습니다.

단순한 필터적용 아닌가?

컴퓨터가 스스로 자기가 본 것을 인지하고 임의로 보여진 그림에서 이미 자기가 본 것과 비슷한 패턴을 스스로 찾아내어 그림을 변형시켰다는 점에서 단순한 필터 적용과는 차이가 있는 것으로 생각됩니다. 현재 포토샵이나 기타 프로그램에서 적용하는 필터는 사람이 정해진 범위 안에서 파라미터 값을 조정하여 필터를 적용하는 방식인데, 여기에는 컴퓨터가 스스로 콘텐츠를 "보는" 단계도, 스스로 자신이 갖고 있는 아이디어에 따라 이미지를 "변환"화는 과정도 들어있지 않습니다.  

  

예술적으로 가치가 있는 것인가?

예술적으로 가치가 있는 것이냐에 대해서도 논란이 있을 텐데요. 추상화나 클래식에서 말하는 현대음악 같은 것을 떠올려 보면 어떨까요? 딱 봐서 이거다! 싶은 느낌은 없지만 어딘가 모르게 감흥을 불러일으키는 작품들도 있으니까요. 또 인간의 예술 세계에서도 작가의 의도가 감상자의 감상 방식과 정확하게 일치하는 것이 아니었다는 점도 간과해서는 안되는 포인트입니다. 우리는 때때로 작가의 의도와는 상관없이 작품을 해석하기도 합니다. 위에서 변형되기 전의 그림을 보여주지 않은 상태에서 변형된 그림만 보았다고 가정해 보시기 바랍니다. 뭔지 모르지만 어딘가 끌리는 면이 있기도 합니다. 

반드시 사람이 그려야 예술이 되나?

위 문제와 연결지어 생각해 볼 수 있을 텐데요, 사실 예술이 되느냐 예술이 되지 않느냐는 누가 그렸냐의 문제라기 보다는(작가의 관점) 그것을 감상하는 사람들의 입장이 중요한 것 같습니다. 사람이 아닌 기계가 그렸으니 예술이 될 수 없다고 말하는 것은 예술은 사람만이 할 수 있는 것이라는 전제 하에서만 맞는 얘기가 되겠죠. 주체가 누구이냐의 문제 보다는 감상자가 어떻게 느끼고 판단하느냐가 더 중요한 문제일 것입니다. 혹시 위에 변형된 그림을 "제3세계 출신의 20대 초반 여성 신예 미디어 아티스트"가 했다고 가정하고 감상해 보시기 바랍니다. 

결론

아는만큼 보인다고 했던가요? 동물을 알아보도록 학습한 인공지능이 세상을 볼 때 자기가 아는 방식(동물 패턴)으로 보아 냈다는 것이 참으로 감탄스럽습니다. 앞으로 여러 사물에 대한 학습을 계속해 나간다면 사람보다도 더 많은 사물을 인식하고 분류해 내는 순간을 맞이하게 될 텐데요. 그렇게 되면 사람보다 더 많은 것을 알고 있는 인공지능이 사람은 미쳐 보지 못한 세상의 패턴으로 사물을 읽어내는 날이 올 것 입니다. 그리고 인간은 그런 이미지를 보면서 어딘가 "예술적"이라고 생각하게 될런지도 모릅니다.