공상과학에서 현실로: 현대 엔터프라이즈로 향한 AI의 여정

"인공지능"이라는 단어를 말하면 대부분의 사람들은 알렉사(Alexa)와 시리(Siri)를 떠올립니다. 또 어떤 이들은 <터미네이터>나 <2001: 스페이스 오디세이> 같은 영화를 떠올릴지도 모릅니다.

진실은 인공지능(AI)이 먼 미래의 공상과학 개념이 아니라는 것입니다. 사실 AI는 우리 주변 곳곳에 있습니다. 넷플릭스(Netflix)가 다음에 볼 TV 프로그램을 추천하거나, 우버(Uber)가 집으로 가는 최적의 경로를 찾아주는 것을 생각해 보세요.

AI는 수십 년에 걸쳐 진화해 온 정교한 현대 기술들의 상호 연결된 생태계이며, 오늘날에도 계속 진화하고 있습니다. 따라서 AI의 역사 또한 복잡하고 다층적이라는 것은 놀라운 일이 아닙니다. 오늘날 우리가 아는 AI를 현재 상태로 구축해 온 다양한 변화하는 도구와 기능의 역사를 담고 있습니다.

오늘날 AI의 중요성을 이해하고 내일을 준비하기 위해서는 AI가 어디서 시작되었으며, 어떻게 게임 체인저 기술로 진화해 왔는지 이해하는 것이 도움이 됩니다.

20세기 AI: 야심 찬 개념 증명

현대 AI는 엘리트 대학 연구 부서의 학술적 공간에서 탄생했습니다. 학자들은 컴퓨팅의 미래에 대해 깊이 생각했습니다. 하지만 초기에는 데이터와 컴퓨팅 파워의 부족으로 인해 이 공간에 갇혀 있었습니다.

1956년 다트머스 대학(Dartmouth College)은 '다트머스 인공지능 여름 연구 프로젝트(Dartmouth Summer Research Project on Artificial Intelligence)'를 개최했습니다. 이 워크숍은 AI 학술 연구의 중요한 첫걸음으로 알려지게 되었습니다. 워크숍에서 20명의 연구자들은 "학습을 너무도 정밀하게 기술할 수 있어 기계가 이를 시뮬레이션할 수 있다"는 가설을 증명하고자 했습니다.

1년 뒤인 1957년, 미국 심리학자 프랭크 로젠블라트(Frank Rosenblatt)는 다트머스 연구를 확장해 퍼셉트론(perceptron)을 개발했습니다. 이는 이진 분류를 성공적으로 수행할 수 있는 알고리즘으로, 인공 뉴런이 데이터로부터 학습할 수 있다는 유망한 증거를 처음 보여준 사례였습니다.

또 1년 뒤, 다트머스 프로젝트 참석자였던 존 매카시(John McCarthy)와 MIT 학생들은 리스프(Lisp)라는 새로운 프로그래밍 언어를 개발했습니다. 수십 년 후 매카시의 연구는 SHRDLU 자연어 프로그램, 맥시마(Macsyma) 대수 시스템, ACL2 논리 시스템 등 더욱 흥미로운 프로젝트들을 탄생시켰습니다.

이 초기 실험들을 되돌아보면, AI가 고차원적 연구의 세계에서 실용적인 컴퓨팅의 세계로 첫걸음을 내딛는 흔들리는 모습을 볼 수 있습니다.

1960년에는 심뮬매틱스(Simulmatics)라는 회사가 등장해 인구통계학적 특성을 기반으로 사람들의 투표 성향을 예측할 수 있다고 주장했습니다.

1965년에는 소위 '전문가 시스템(expert systems)'이 개발되었습니다. 이 시스템은 사실 모음과 추론 엔진을 결합해 데이터를 해석하고 평가함으로써 AI가 컴퓨터 시스템 내의 전문적인 문제를 해결할 수 있게 했습니다.

그 해 1966년, MIT 교수 조셉 와이젠바움(Joseph Weizenbaum)은 엘리자(Eliza)라는 패턴 매칭 프로그램을 설계했습니다. 사용자가 정보를 주면 엘리자는 정신과 의사처럼 열린 질문으로 응답하며 AI가 지능적임을 보여주었습니다.

1970년대 중반이 되자 정부와 기업들은 AI에 대한 믿음을 잃었습니다. 자금이 말라버렸고, 그 후 시기는 'AI 겨울(AI winter)'로 알려지게 되었습니다. 1980년대와 1990년대에 작은 부흥이 있었으나, AI는 주로 공상과학의 영역으로 밀려났고 진지한 컴퓨터 과학자들은 이 용어 사용을 꺼렸습니다.

1990년대 후반부터 2000년대 초반에는 마이크로소프트의 스팸 필터링을 위한 베이지안 방법, 아마존의 추천을 위한 협업 필터링 등 머신러닝 기술의 대규모 적용 사례를 볼 수 있었습니다.

21세기 AI: 엄청난 성공을 거둔 파일럿 프로그램들

2000년대에는 컴퓨팅 파워, 더 큰 데이터 세트, 오픈소스 소프트웨어의 부상으로 개발자들이 고급 알고리즘을 만들 수 있게 되었고, 이는 과학, 소비자, 제조, 비즈니스 커뮤니티를 비교적 짧은 시간에 혁신했습니다. AI는 오늘날 많은 기업의 현실이 되었습니다. 예를 들어 맥킨지(McKinsey)는 기업이 현재 비즈니스 문제를 해결하기 위해 AI를 사용하는 400가지 사례를 발견했습니다.

웹, 데이터를 조직하는 새로운 방법을 제시하다

2000년대 초중반 세상을 휩쓴 웹 혁명은 AI 연구계에 중요한 변화를 가져왔습니다. XML(Extensible Markup Language)과 페이지랭크(PageRank) 같은 기반 기술이 AI가 활용할 수 있는 새로운 방식으로 데이터를 조직했습니다.

XML은 시맨틱 웹과 검색 엔진의 선결 조건이었습니다. 구글의 초기 혁신인 페이지랭크는 웹을 더욱 체계적으로 조직했습니다. 이러한 발전은 웹을 더 사용하기 쉽게 만들었고, 방대한 데이터에 AI가 접근할 수 있게 했습니다.

동시에 데이터베이스는 데이터 저장과 검색에 더 능숙해졌고, 개발자들은 데이터 조작을 더 쉽게 해주는 함수형 프로그래밍 언어를 개발했습니다. 연구자와 개발자가 AI 기술을 더 발전시킬 도구들이 갖춰진 것입니다.

신경망과 딥러닝, AI의 잠재력 입증

20세기에는 AI에 대한 큰 꿈이 있었지만 컴퓨팅 파워가 이를 구현하기엔 거의 불가능했습니다. 21세기가 되자 컴퓨터는 기하급수적으로 더 강력해져 대량의 데이터를 저장, 처리, 분석할 수 있게 되었습니다. 이는 신경망과 딥러닝의 높은 목표가 현실이 될 수 있음을 의미했습니다.

연구자들은 기계 훈련에 특화된 데이터 세트를 개발해 알렉스넷(AlexNet) 같은 신경망을 탄생시켰습니다. 이전에는 기계 훈련이 수만 개 단위의 데이터 세트에 의존했지만, GPU(그래픽 처리 장치)의 발전으로 새로운 데이터 세트는 수천만 개 단위가 되었습니다.

컴퓨터 칩 제조사 엔비디아(Nvidia)는 2006년 병렬 컴퓨팅 플랫폼 쿠다(CUDA)를 출시했습니다. 이 플랫폼에서 엔비디아는 GPU를 사용해 컴퓨팅 속도를 높였습니다. 이 성능 향상은 텐서플로(TensorFlow), 파이토치(PyTorch) 같은 머신러닝 라이브러리로 작성된 거대하고 복잡한 머신러닝 모델을 더 많은 사람이 실행할 수 있게 했습니다.

이 라이브러리들은 나중에 오픈소스가 되었고, 기술이 더 접근 가능해지면서 광범위한 실험을 자극했습니다. 이러한 AI의 민주화는 알파고(AlphaGo), 구글 딥마인드(Google DeepMind), IBM 딥 블루(Deep Blue) 같은 흥미로운 새로운 도구들이 탄생하는 데 기여했습니다.

컴퓨터 비전, 새로운 산업 애플리케이션의 문을 열다

2000년대 전까지 AI는 텍스트 처리에만 유용했습니다. 하지만 세기 전환기에 컴퓨터 비전 기술이 발전하면서 컴퓨터가 이미지를 인식하고 해석할 수 있게 되었고, AI의 사용 사례는 새로운 차원으로 도약했습니다.

이번에는 선구자가 학계가 아니었습니다. 대신 우리 집 안에 살며 청소(룸바)와 게임(엑스박스 키넥트)을 그 어느 때보다 쉽게 만들어 주었고, 컴퓨터 비전을 전 세계 가정에 보급했습니다.

또한 자율주행차와 병원에서 병변과 폐렴 같은 질환을 자동으로 감지하는 데 컴퓨터 비전이 사용되었습니다.

산업별 사용 사례를 넘어, 컴퓨터 비전의 다양성은 로보틱 프로세스 자동화(RPA)의 발전에도 불을 지폈습니다. 🎉 광학 문자 인식(OCR)과 결합된 RPA 로봇은 정형 및 비정형 데이터를 모두 처리할 수 있게 되었고, 이는 우리가 아는 데이터 분석의 세계를 바꾸어 놓았습니다.

데이터 분석, AI 비즈니스 애플리케이션 개선

지난 20년은 자동화와 AI가 복잡한 비즈니스 사용 사례에 부응할 수 있음을 보여주었습니다. AI가 데이터를 분석하는 데 점점 더 능숙해짐에 따라 기업은 AI를 더 많이 활용해 더 똑똑하고 효율적으로 일할 수 있게 되었습니다.

은행들은 매년 대량으로 접수되는 비정형 이메일에서 고객 문의를 다양한 카테고리로 분류하는 데 AI를 사용합니다. 이 과정은 수작업으로 하면 노동 집약적이거나, 규칙 기반 키워드 분류를 사용하면 결과가 좋지 않습니다. AI를 사용하면 은행은 높은 정확도로 이메일을 분류하고 평균 처리 시간(AHT)을 단축할 수 있습니다.

AI와 자동화는 금융 서비스 기업뿐만 아니라 의료 보험사에도 도움이 됩니다. 고위험 임신 식별을 가속화합니다. 소프트웨어 로봇이 검증된 환자 데이터를 로드하고 예측 모델에 접근해 환자의 위험도를 평가하고 적절한 케어 관리 계획을 결정합니다. 그 결과 저체중 출산 임신을 정확히 식별하는 비율이 24% 증가하고, 저체중 출산의 44%를 예방했으며, 연간 1,100만 달러를 절감했습니다. 전체 사례 읽기.

자연어 처리와 음성 인식, AI 사용성 향상

AI는 텍스트 분석으로 시작했지만, 결코 텍스트를 정복한 것은 아닙니다. 최근까지 텍스트는 OCR이 있어도 기계가 읽을 수 있는 형식으로 구조화되어야 했습니다. 자연어 처리(NLP) 분야는 컴퓨터가 자연어를 이해하도록 프로그래밍하는 능력의 최전선을 밀고 나갔습니다.

NLP의 잘 알려진 예 중 하나는 GPT-3(Generative Pre-trained Transformer 3)입니다. 2020년 5월 소개된 GPT-3는 딥러닝을 사용해 인간이 작성한 텍스트와 매우 유사한 텍스트를 생성합니다. 이미 GPT-3의 흥미로운 애플리케이션이 등장했는데, 예를 들어 기사 작성(<가디언>이 GPT-3에게 로봇의 무해함에 대한 기사 작성을 의뢰)이나 컴퓨터 프로그램 생성이 있습니다.

NLP의 응용은 GPT-3를 넘어섭니다. NLP는 음성을 텍스트로 변환하고, 텍스트 구간의 의미를 자동으로 요약하며, 텍스트를 언어 간 번역하는 등 다양한 용도로 사용됩니다.

NLP는 종종 최첨단에 머물지만, 우리 집에도 들어왔습니다. 알렉사(Alexa), 구글 어시스턴트(Google Assistant) 같은 가상 비서는 자연어 요청을 처리해 실행 가능한 명령으로 변환합니다. 간단한 음성 요청으로 이들 AI 비서는 정보 검색, 조명이나 잠금장치 같은 스마트 기기로 명령 라우팅 등을 수행할 수 있습니다.

AI의 미래: 엔터프라이즈의 게임 체인저

기술 성숙도의 다음 10년으로 접어들면서 엔터프라이즈 AI의 사용 사례는 계속 늘어날 것입니다. 과거의 도구들이 AI로 가능한 것의 기초를 다졌지만, 이 도구들을 대규모로 확장함으로써 아직 개척해야 할 땅이 많이 남아 있습니다.

AI가 더욱 발전함에 따라 기업들은 RPA, 머신러닝, 프로세스 마이닝, 데이터 분석을 활용해 성숙도 단계에 관계없이 모든 비즈니스가 접근할 수 있는 강력한 엔드투엔드 자동화 스위트를 구축하게 될 것입니다. AI는 더 이상 연구자와 개발자의 전유물이 아니며, 현대적 도구의 도움을 받아 일반 사용자도 자신이 발견한 문제를 해결하는 AI 기반 솔루션을 만들 수 있게 될 것입니다.

기술이 비즈니스 사용자에게 더 접근 가능해짐에 따라 자동화의 플라이휠이 돌아가며 기업에 더 많은 아이디어와 AI 적용 가능성을 제공할 것입니다. 이러한 가능성은 최첨단 자동화 플랫폼과 도구에 의해 지원되어 우리의 업무 방식을 재부팅하고 혁신할 것입니다.

UiPath AI Fabric은 사용자가 모델을 실행하고, 데이터를 주입하고, 인사이트를 얻고, 유용성을 평가하는 것을 쉽게 만듭니다.

편집자 주: 자동화 시장이 계속 진화함에 따라 UiPath 플랫폼도 고객의 자동화 니즈를 가장 잘 충족하도록 업데이트됩니다. 따라서 이 아티클이 처음 게시된 이후 AI Fabric 제품명이 변경되었습니다. 최신 정보는 AI Center 페이지를 방문하세요.

오늘날의 AI: 시작하기에 적기

이제 자동화할 때입니다. 우리는 AI 진화의 단계에 도달했습니다. 더 이상 이론적이지 않으며, 이를 수용하는 기업들에게 수천억 달러의 가치를 창출할 것으로 예측되는 필수 요소가 되었습니다.

선도적인 조직들이 자동화와 AI를 활용해 완전 자동화 기업™이라는 비전을 현실로 만드는 방법을 알아보세요: