안녕하세요. 코지입니다. 이전 연재를 통해 머신러닝의 개념에 대해 알아봤습니다. 머신러닝이란 우리가 수많은 경험과 연습을 통해 배우는 것처럼, 컴퓨터를 수많은 데이터로 학습시키는 것이었죠.

그렇다면 머신러닝은 과연 우리 삶에서 어떻게 활용되고 있을까요? ‘환경 보호’와 관련된 주제로 몇 가지 활용 사례를 알아보겠습니다.

● 삼림 파괴를 감시하는 AI

스타트업 기업인 ‘오비탈 인사이트’에서는 삼림의 불법 벌목 방지를 위해서 인공위성으로 찍은 삼림 지역 사진을 통해 불법 벌목 여부를 판독하는 기술을 개발했습니다. AI가 수백만 장의 위성사진 데이터를 분석해 새로운 도로 건설이나 삼림 벌채 등의 징후를 파악해 가장 높은 위험에 처한 숲을 예측하는 것입니다.

또 캘리포니아의 비영리단체 ‘레인포레스트 커넥션’ 에서는 열대 우림에 녹음기기를 설치하고 실시간으로 음성파일을 추출해 불법 벌목의 소리를 잡아내는 시스템을 구축했습니다. 일반적으로 숲에서 발생하는 소리와는 확연히 다른 전기톱 소리 등을 AI가 인지하고 경비원들에게 즉각 경보를 보내는 겁니다.

● 동물 보호에 활용되는 AI

마이크로소프트사는 ‘지구 환경 AI 프로젝트’를 통해, 아프리카코끼리와 남극 펭귄 보호에 앞장서고 있습니다. 아프리카 국립공원의 소리를 녹음하고 코끼리의 울음소리를 추출해서 생사를 확인하고 개체 수를 측정한다고 하는데요.

또 남극의 인공위성 사진을 분석해 펭귄의 개체 수를 예측하고 펭귄 보호와 관련된 의사결정에 필요한 정보를 제공한다고 합니다.

이번 시간에는 이러한 기술과 비슷하게 구현된 머신러닝 게임을 경험해보려고 합니다. ‘바다의 환경문제 해결’을 위해 AI를 직접 학습시켜 보는 것인데요. 그럼 시작해볼까요?

● 물고기 vs 쓰레기 학습시키기

https://code.org/oceans

바다에 버린 쓰레기는 수중 환경과 해양 생물에 악영향을 미칩니다. 우리는 이러한 문제를 해결하기 위해, AI를 활용해 바다 쓰레기를 수집하려고 합니다. AI는 물고기와 쓰레기를 구분하기 위해 수많은 이미지를 바탕으로 패턴을 파악하고 구분하게 될 것입니다. 여기서 우리가 할 일은 AI에게 물고기인 것과 물고기가 아닌 것을 가르치는 것입니다.

데이터를 더 많이 제공할수록 AI의 능력이 더 정교해집니다. 주의할 점은 우리가 잘못된 선택을 할 경우, AI가 우리의 실수를 그대로 받아들인다는 점인데요. 코지는 AI에게 100개의 이미지를 학습시켰습니다. 이제 AI가 물고기의 생김새를 아는지 확인해볼까요?

어떤가요? AI가 잘 구분하고 있죠?

하지만 물고기로 구분한 내역 중 가장 왼쪽 위를 보면 사과 쓰레기도 물고기로 인식했네요. 이러한 오류를 개선하려면 더 많은 학습 데이터를 제공해야 할 거예요.

그렇다면 AI는 어떻게 물고기와 물고기가 아닌 것을 구분했을까요? 우리가 물고기라고 가르친 이미지의 패턴을 파악했을 것입니다. 몸통은 둥글거나 세모이고, 지느러미와 꼬리 모양이 있고, 표정이 있는지를 인식했을 거예요.

● 해양 생물 학습시키기

AI는 이제 어떤 사물을 보고 물고기인지 아닌지 알아볼 수 있는 능력을 갖추었습니다. 이 능력을 바탕으로 바닷속에 있어야 할 것들을 결정하도록 하면 어떨까요?

AI는 물고기의 특징만 공부했기 때문에 해파리를 쓰레기로 구분했네요. 해파리는 물고기는 아니지만, 바다에 있어야 하는 것은 맞죠. 이제 AI에게 물고기뿐 아니라 바닷속에 있어야 할 다른 생물들도 학습시킬 차례입니다.

이번에도 역시 더 많은 데이터를 제공할수록 AI는 더 잘 배우게 될 거예요. 특히 이전보다 더 다양한 해양 생물의 특징을 파악해야 하므로 데이터양의 중요성이 더 커졌을 것으로 생각됩니다. 코지가 100개의 이미지를 학습시켰는데요. 다시 AI가 해양 생물을 잘 구분해내는지 볼까요?

어느 정도 성공하고 있는 것 같죠? AI가 구별해낸 최종 결과는 다음과 같습니다.

하지만 이번에도 마찬가지로 실수가 있었어요. 포크를 해양 생물로 잘못 인식한 것입니다. 코지가 실수한 걸까요? 아니면 AI에게 학습 데이터가 부족했던 걸까요? 더 많은 데이터를 학습시키면 이런 실수는 줄어들 것입니다.

● 특징 학습하기

이번에는 물고기 중에서도 우리가 원하는 특징을 가진 물고기를 찾아내는 AI를 만들고자 합니다. 그 특징은 색깔이 될 수도 있고 모양이 될 수도 있죠. 코지는 ‘빨간색’ 물고기를 찾아보겠습니다.

100개의 데이터로 학습시킨 결과, 이제 AI에게 빨간색 물고기 구별능력이 추가되었어요! 한번 시험해볼까요?

이번에는 조금의 실수도 없이 빨간색 물고기를 정확히 구분했습니다. 코지가 학습을 잘 시킨 것 같죠?

● 추상적 의미 학습시키기

드디어 마지막 단계에 입니다. 이 단계는 지금까지 중에 가장 난이도가 높은데요. 바로 AI에게 뜻이 덜 분명한, 추상적인 단어를 학습시키는 것입니다. 이전의 패턴들은 사람에게도 AI에게도 분명한 특징으로 구분되었다면, 이번에는 결정을 내리기 어려운 데이터들이 등장할 텐데요. 마음의 준비되셨나요?

코지는 ‘행복하다’라는 단어를 학습 시켜 보겠습니다. 행복한 물고기는 어떤 표정을 하고 있을까요? 학습에 들어가 볼까요?

AI를 학습시키면서 코지마저 헷갈리기 시작했는데요. 눈은 웃고 있는데 입은 울상이면? 눈은 찌푸렸는데 입이 활짝 웃고 있으면? 어떤 것을 행복한 것으로 가르쳐야 하는지 점점 혼란스러워졌죠. 이렇게 AI를 학습시키는 주체가 흔들리면 AI는 잘못된 선택을 할 수밖에 없습니다. 따라서 머신러닝에서 중요한 점은 바로 우리 스스로 명확한 기준을 가져야 한다는 점입니다.

이 교훈은 훗날 더 발전된 AI를 사용할 때에도 적용될 거예요. AI가 회사 면접이나 은행 대출 신청자를 가려낼 때, 범죄자를 가려내고 질병을 판독할 때, 우리도 모르게 잘못되거나 편향된 학습 데이터가 주입된 AI가 사용된다면 우리가 입을 피해가 커질 수 있기 때문입니다.

지금까지 AI를 직접 학습시켜보았습니다. 어떠셨나요? 학습을 위한 간단한 버전이었지만, 우리가 가르치는 대로 선택하는 AI를 통해 미래 인공지능 사회에서 우리의 역할이 무엇인지 알 수 있는 좋은 기회가 되었다고 생각합니다.

다음 시간에는 더 발전된 수준의 AI를 체험해보려고 합니다. 오늘 체험한 물고기나 해양 생물처럼 정해진 이미지가 아닌, 실제 사진, 이미지, 소리 등의 데이터를 이용한 머신러닝입니다. 기대해 주시고 다음 시간에 만나요!

글 l LG CNS 대외협력팀