Deep Learning,

기술의

국내 활성화 방안

Run And Learn

목차

1) 인공지능이란?

2) 기계학습 그리고 딥러닝이란?

3) 국가별 인공지능 투자 현황

4) 기업들의 딥러닝 투자 현황

2. 국내탐방

1) LG

2) NAVER

3) 한국 소프트웨어 정책 협회

4) 한국 정보화 진흥원

5) 스타트업 기업 – 코노, 클디

3. 해외탐방

1) 대기업 – IBM

2) 스타트업-ERSARZ,

EMOTIENT

3) 대학 – UC BERKELEY

4) 정부 – SF DATA

4. 우리들의 제안

1) 데이터

2) 전문인력 및 교류의장

3) 연구

1. 탐방배경

5. 참고문헌

Prologue

인공지능(Artificail Intelligent)이란 말 그대로 기계를 사람과 같은 지능으로 구현한다는 것이다.

사람의 지능을 가진 ‘생각하는 기계(thinking machine) 즉 인공지능(Artificial Intelligent)을 만들겠

다는 꿈은 현대 과학기술계의 오랜 염원이자 풀어야 할 과제 가운데 하나이다. 사람의 생각과 행

동 양식을 그대로 하거나, 혹은 추월하는 기계를 만들 수 있다면, 인류의 진화와 기술 발전의 역

사는 완전히 새로운 국면으로 접어들게 될 것이지만, 인공지능이 과연 무엇인지, 그것을 어떻게

구현할 것인지에 관해 아직도 풀어야 할 과제가 많다.

그러나 최근 ‘딥러닝(Deep Learning)’ 이라는 새로운 기계학습 방법으로 인하여, 인공지능 연구는

새로운 활력소를 가지게 되었다. 우리의 상상 속에만 존재하는 사람과 같은 기계의 모습을 만들

차세대 기술은 무엇이며 그것이 가지는 의미는 무엇일지 우리는 고민해 보았다.

인공지능의 역사

고대 이집트와 그리스 신화를 비롯해 거의 모든 인류 문명의 고대 설

화에는 사람이 아니면서도 사람처럼 지능을 갖고 행동 하는 생각하는

기계, 혹은 자동인형 등이 다수 출현한다고 한 다. 19세기 이후 근대

기의 많은 공상과학 소설이나 영화 등에 서도 지능을 갖고 사람처럼

행동하는 만들어진 존재(기계)들에 관한 이야기가 다수 등장한다.

1818년 영국의 메리 셸리가 쓴 소설 ‘프랑켄슈타인(Frankenstein)’에

등장하는, 인간 이상의 힘을 발휘하고 급기야 자신을 만든 프랑켄슈

타인 박사에게 복 수하는 신장 8피트의 괴물인형이 대표적인 예이다.

기계를 통해 수학적 추론과 같은 인간의 지능적 행동을 구현 할 수 있

다는 개념을 처음 구체화한 사람은 영국의 수학자 앨런 튜링(Alan

Turing)이다. 영화 이미테이션 게임(Imitation Game) 의 실제 주인공

인 튜링은 ‘연산이론(Theory of Computation)’ 을 통해 0과 1과 같은

간단한 기호를 사용하여 인간의 수학적 추론 능력을 모방하는 기계

(튜링 기계)를 개념화했고, 그의 이러한 구상은 신경학, 정보이론과 사

이버네틱스(인공 두뇌학, Cybernetic) 등의 발전과 더불어 현재 우리

가 사용하는 프로그램 내장형 디지털 컴퓨터를 구현하게 하는 핵심적

논리 기반이 되었다. ‘인공지능(Artificial Intelligence)’이라는 용어를

처음 사용한 사람 은 미국의 컴퓨터 과학자 겸 인지 과학자 존 매카시

(John McCarthy)이다. 그는 1956년 여름 자신이 근무하던 미국 다트

머스 대학교에서 마빈 민스키(Marvin Minsky), 허버트 사이먼

(Herbert Simon) 등 당대의 저명 과학자들을 초청해 이후 인공지능

(AI) 연구 의 기본 틀을 구축하는 기념비적 컨퍼런스를 조직했다. 2차

세계대전과 더불어 급속한 발전을 이룩한 컴퓨터의 가 공할 위력에

고무되어 있던 당시 과학자들은 어려운 수학계산 문제를 풀거나 정리

(Theorems)를 증명하며, 영어로 말을 하는 컴퓨터의 등장을 목격하고

인공지능의 조기 출현을 낙관하기 도 했다.

*앨런 튜링 (1912~1954)

앨런 매티슨 튜링은 영국의 수학자, 암호학자, 논리학자이자 컴퓨터 과학의선구적 인물이다. 알고리즘과 계산 개념을 튜링 기계라는 추상 모델을 통해형식화함으로써 컴퓨터 과학의 발전에 지대한 공헌을 했다. 튜링 테스트의 고안으로도 유명하다.

어떤 한 사람이 방 에 있다고 가정하자. 방안은 엄청난 양의 책으로 가득한 데, 책 안에는 중국어로 된

수많은 질문에 대한 답이 적 혀 있다. 이때 방밖에 있는 사람이 중국어로 된 질문을 써서 방안에 보낸

다. 방안의 사람은 한자를 전혀 모르지 만 책에서 비슷한 모양의 문자로 나열된 질문을 찾아서 그에

맞는 답을 종이에 그려 밖에 보낼 수 있다. 이러한 문답 과정을 반복할 경우 방밖의 사람은 방안의 사

람이 중국어를 안다고 생각하기 십상이다. 하지만 방안의 사람은 중국어를 하나도 모르고 단지 책 안

의 지시에 따랐을 뿐이다. 인공지능에 이 이야기를 대입해보면 컴퓨터 는 아무 생각 없이 일련의 지시

들인 알고리즘과 프로그램에 따를 뿐이지 의미를 가지고 이해를 한 다음 행동하는 것은 아니기 때문

에 진정한 지능이 아니라는 것이 존 설의 주장이다.

.

그러나 인공지능의 구현에 관한 이런 장밋빛 기대는 곧바로 난관에 봉착

하였으며, 인공지능에 지원을 아끼지 않던 강대국들의 지원도 잇따라 끊어

졌다. 긴 침체기를 보내야 했던 인공지능 연구는 1990년 대 후반 비로소 다

시 재 도약기를 맞는다. 무어의 법칙(Moore’s Law)이 상징하는 컴퓨터 연산

능력의 비약적인 발전과 더불어 특정 문제 해결에 더욱 집중하는 쪽으로

방향을 선회한 AI 연구 방법론의 심화, 그리고 연관분야인 수학, 인지과학,

뇌신경과학 등에서 나온 최신 연구성과 공유가 재기의 발판이 되었다. 지

난 1997년 5월, IBM의 슈퍼컴퓨터 딥 블루(Deep Blue) 가 수 차례의 도전 끝

에 당시 체스(Chess) 세계챔피언이었던 개리 카스파로프(Gary Kasparov)를

물리 쳤고, 그리고 2011년 2월에는 IBM의 질문응답 시스 템인 왓슨(Watson)

이 미국의 인기 텔레비전 방송 프 로그램인 제퍼디(Jeopardy!) 퀴즈쇼에서

두 명의 전설적인 퀴즈쇼 강자들을 누르고 우승을 차지했다. 사람들은 기

계가 사람을 이겼다는 사실에 경악했고, 이에 따라 IBM 등이 주도하는 인공

지능 개발에 대 한 세간의 관심도 다시금 크게 고조되었다.

LG 경제연구소 조용수 수석연구원. ‘똑똑한 기계들의 시대, 인공지능의 현 주소’ 中

* 튜링 테스트?

튜링 테스트는 ‘컴퓨터 과학 및 인공지능의아버지’로 불리는 영국의 앨런 튜링(Alan Turing)이 1950년 기계의 지능 여부를 판별하기 위해 만든 테스트이다. 서로 격리 된 상태에서 제 3자가 사람과 컴퓨터의 대화를 통해 그 둘을 구분하지못할 경우 시험을 통과하게 된다.

‘인공지능이 사람과 같은 지능을 가진 것인가’에 대한 존 설의 ‘중국어 방’ 논쟁.

기계학습(Machine Learning)?

사람은 아주 쉽게 분별하는 작업을 컴퓨터는 매우 복잡한 과정을 거쳐

야만 이해할 수 있다. 이를 위해 기계학습이라는 방법이 고안됐다.한마디

로, 컴퓨터 프로그램이 경험(E: Experience)을 바탕으로 학습하여 연관 된

업무(T: Task)를 수행하고, 이에 대한 수행을 (P: Performance) 측정하고

경험 E를 통해 성능 P를 증진시키는 것이다.

예를 들어, 많은 데이터를 컴퓨터에 입력해주면 비슷한 것들끼리 분류해

서 개를 개로, 고양이를 고양이로 판독하도록 훈련시키는 방식이다. 컴퓨

터가 스스로 훈련하면서 패턴을 찾아내 분류하는 기술적 방식, 이를 기계

학습이라고 한다. 기계학습 방법 중에는 *인공신경망, Perceptron,

Decision Tree, SVM 등 다양한 기계학습 방법이 존재하지만 그 중 딥러

닝(Deep Learning)이라는 기계학습방법이 최근 각광받고 있다.

다양한 기계학습 방법 중 딥러닝 기술의 비약적인 발달.

1960

1965

1970

1975

1980

1985

1990

1995

2000

2005

2010

2015

Perceptron

Decision TreeDeep Learning

* 인공신경망?(Neural Network)

인공신경망은 , 뇌의정보처리 방식을 기계에 적용해보자는아이디어에서 1942년한 의대 교수로 부터도출됐다. 컴퓨터 과학과 의학, 심리학 등여러 학문이 개입해탄생한 융합적 결과물이다.

위의 그림과 같이뉴런과 인공신경망 모델은 비슷한 모습을 가지고 있다.

딥러닝(Deep Learning)이란?

딥러닝(Deep Learning)은 기계학습(machine learning)의 한 분야로 인공

신경망 모델의 후예이다. 스스로 학습하지 못하고 인간이 수동으로 정보를

입력했던 과거와 달리, 딥러닝 기술을 적용할 경우 사람이 생각하지 못했

던 특징을 발견해 이를 기반으로 스스로 학습을 할 수 있다. 이러한 딥러닝

기술은 인간의 인지과정처럼 A-to-B 의 모델이 수식으로 명확히 정의되지

않는 상황, 주체할 수 없는 빅데이터로 인해 수동으로 규칙을 찾을 수 없는

경우에서 데이터만 있으면 규칙과 패턴을 파악하고 앞으로의 패턴을 예측

하며 원하는 모델을 학습할 수 있다. 또한 전통적인 알고리즘의 경우 투입

되는 데이터의 양이 많아질수록 속도가 느려지고 결국 작동을 멈추는 반면,

딥러닝 알고리즘은 데이터를 많이 넣을수록 잘 작동한다는 특징을 가진다.

딥러닝 기술을 사용하여 이미지, 목소리 인식률의 정확도가 약 20퍼센트

증가하였고 데이터 처리 속도가 가파르게 상승하였다.

우리의 뇌, 그리고 뉴런을 통해 물체를 인지하는 과정은 한번에 이루어 지지않는다. 사람의 얼굴을 예로 들자면 눈, 코, 입과 같이 각각을 따로 인지하여정보가 상위 뉴런을 거치게 되고 그것을 특정인으로 인지하게 된다. 이와 마찬가지로 뉴럴 네트워크에 기반한 딥러닝은 뉴런의 정보 전달 과정과 같이픽셀 단위에서 부터 각각의 단계(노드)를 거치게 되고, 기존에 학습한 데이터의 패턴과 비교하여 결과값을 얻게 된다.

Inp

ut

Ou

tpu

t

인공신경망은 높은 분류 정확도에 비해 속도가 느린 것이 단점이었다 이 때문에 비교적오랜 기간 실무에선 배척 당하기도 했다. 많은 양의 데이터와 빠른처리 속도를 필요로 하는 딥러닝 기술은 현대의 빅데이터 그리고 향상된 컴퓨터 성능으로인해 그 힘을 발휘하고있다. 이것은 현재 우리의 시대적 상황과 맞물려 있다고 볼 수 있다.

왜 다시 딥러닝인가?

Big Data

Computer

Algorithm

딥러닝 기술의 활용 분야

딥러닝 학습을 사용한 분야는 비즈니스를 포함한 거의 모든 industry라고 할 수 있습니다.이러한 딥러닝이 최근의 사물인터넷과 결합한다면 그 파급력은 예측할 수 없을 정도입니다.

서울대학교 컴퓨터공학과. 장병탁 교수님 3월 20일 인터뷰 中

홍콩 지하철의 유지 및 보수 스케쥴 계획에 사용된 딥러닝 기술

딥러닝이 적용되기 전에는 지하철이 운행하지 않는 짧은 시간 내에 지하철 선로를 다듬거나 정비하는 일

들을 분배하기 위해 5-6분야의 전문가들을 한데 불러모아 유지보수 스케쥴을 계획하였다. 그동안 무려

10,000명의 기술자들이 해야하는 2600가지의 업무를 효율적으로 분배하기 위해 오랜 시간에 걸쳐 정비

계획을 수동으로 짰다.하지만 딥러닝의 적용 이후로 홍콩 지하철 측은 보수 정비 업무를 효율적으로 분

배할 수 있게 되었고 100%에 가까운 홍콩 지하철의 정시성의 근간이 되었다.

정 보

인식 제어

예측

텍스트 마이닝스팸필터문서분류

고객 분석시장 분석마케팅

상품추천

문자 인식패턴 인식물체 인식얼굴 인식지문 인식

장애물 인식

학습 로봇무인자동차

생산공정 제어화학물질 합성

사회/ 복지적 활용

장애인들을 위한 딥러닝 기술

현재 미국의 TAPTAPSEE 라는 기업에서는 시각 장애인들을 위해 어플을 개발하였다. 어플을 이용해 스

마트폰에 달린 카메라로 특정 물체를 찍으면, 어플이 딥러닝 기술을 이용해 물체가 무엇인지 파악하고, 그

것을 큰 소리로 읽어준다. 또한 아직 연구중에 있는 어느 기업에서는 걷고있는 방향의 길을 분석하여 길을

알려주기도 한다. 이렇듯 딥러닝 기술은 비즈니스 뿐만 아니라 사회적 약자들을 위해서도 사용 될 수 있다.

‘가트너(Gartner, Inc.)’는 2014년, 주목할 만한 기술 분야 중 하나로 딥러닝을 꼽았다. 전문가들은

2017년이 되면 컴퓨터의 10%는 데이터 처리가 아닌 딥러닝기반의 학습을 할 것이라 전망하고 있다.

하이퍼 그래프에서 보았듯이 음성대화인식은 생산 인정 단계이지만, 다른 수많은 기술들이 현재 연구

중에 있으며, 상업화가 되지 않고 있다.

이처럼 딥러닝은 이제 시작하는 기술로서 감정 분석, 가상개인비서 등 활용방향이 무궁무진하다.

딥러닝 기술활용의 잠재성

기술 촉발 최고점 저점 재조명 생산안정

기술 별 시장 성숙(안정)시기 전망

5~10년 2~5년 2년 내

1

2

3

4

5

6

(자료. 가트너)

1. 가상개인비서 2.인지 컴퓨팅 3.자율주행차 4. 자연어 질의응답 5. 감정분석 6. 음성대화인식

가트너의 ‘하이프 사이클’

하이프 사이클(Hype Cycle)은 기술의 성숙도를 표현하기 위한 시각적 도구이다. 과대광고 주기라고도

한다. 미국의 정보 기술 연구 및 자문 회사인 가트너에서 개발하였다.

경제적 측면에서 본 딥러닝 기술

세계 인공지능 시장규모

약 900억 달러2013년

약 1270억 달러2015년

약 1650억 달러2017년

음성인식 시장

약 840억 달러2015년

약 1130억 달러2017년

영상처리 시장 자율주행자동차 시장

약 765억 달러2015년

약 1090억 달러2017년

2025년까지 ‘지식활동의 자동화’와 ‘자율 주행 차량 ’의 시장 파급효과 연간 5.4조~8.6조달러 예상

그 동안 현상 유지에 가까웠던 인공지능 시장에서 딥러닝이 본격적으로 상업

화에 들어선 2013년 이후 많은 투자유치에 성공하여 미국의 실리콘 벨리를

비롯한 전 세계의 IT업계들에 활기를 불어넣었다

( 시장조사업체 마켓앤드마켓) ( 시장조사업체 BCC리서치) (* Mckinsey Global Institute)

Mckinsey Global Institute

는 ‘지식활동의 자동화’와 ‘자

율주행 차량’을 포함하여 ’25

년 까지 전 산업에 파괴적인

영향을 미칠 12가지 기술을

선정하고 파급효과를 추산

• 국방고등연구계획의 ‘시냅스프로젝트’는 인간의 뇌를 모방하는 인지컴퓨팅아키텍처를

만들기 위한 프로젝트로 현재 IBM 과 HP등이 참여하고 스탠포드, 코넬대학 등 다양한

대학 및 연구소와 협업 중

• 미국 과학재단은 2013년 MIT, 하버드대학이 구성한 ‘두뇌, 마음, 기계 센터를 지원 중

• 'Human Brain'프로젝트를 EU 6대 미래 유망 기술 중 하나로 선정, 10억 유로를 투입하여

2013 ~ 2023년 10년간 추진 중

• 인간의 인지 형태를 프로그램화시켜 향후 인간의 지식 처리 형태를 가진 인공지능 개발 예

정, 활용을 통해 컴퓨팅 아키텍처, 신경과학, 의학 분야 등에 적용 예정

• 국가 미래발전과 연관된 중대 과학기술 프로젝트 중 하나로 '중국대뇌계획'을 위해 적극적

으로 준비 중

• 푸단대, 저장대 등 10개 대학교와 중국과학원 연구소가 손을 잡고 인공지능의 연구, 개발

과 활용을 위해 ‘뇌 과학 협력 창조센터'를 설립함

• 2016년까지 대학입시센터 시험에서 높은 점수를 마크하고 또한 2021년도에 도쿄대학 입

시를 돌파하는 것을 목표로 연구 활동을 진행 중

• 1980년 이후 인공지능 연구를 통해 인공지능로봇을 대학에 보내는 프로젝트를 진행 중

국가별 인공지능 투자 현황

“MS의 아담 프로젝트”

￭ 영상 인식 인공지능 프로젝트

￭ 인공 지능 코타나를 통해 사용자의 맞춤형 개인비서를 제공 하는 것이 목표.

￭ 22,000개의 품종까지 구분해 낼 수 있는이미지 인식을 위해 수십 조개의 인경 신경망 구축.

“구글의 멘해튼 프로젝트”

￭ 실리콘밸리 50여 개 ICT 업체가진행 중

￭ 영국의 인공지능 기술 기업 ‘딥마인드’를 인수(약 6억 5000만달러)

￭ 최 단 시일 내 컴퓨터가 자연어를 이해하고 사람과 상호작용하도록 도와주는 것을 목표

“IBM의 왓슨그룹”

￭ 인공지능 컴퓨터 왓슨을 이용한 자연어분석 및 질의응답에 특화

￭ 10억달러를 투자, 인공지능 생태계 조성작업을 본격화 함

￭ 전세계적 지명도를 가진 암 전문 병원의종양전문 의사들을 도와 암 여부를 판별하고 치료방법 을 제안

￭ 의사의 수작업에 의존할 경 우 최장5~10개월 걸리던 이런 일련의 작업을왓슨의 경우는 유전자 데이터를 탑재 하고 버튼만 누르면 단 몇 분만에 수행

“바이두의 딥러닝 연구소”

￭ 구글 따라잡기, 실리콘밸리에 딥러닝 연구소 설립 후 연구 촉진

￭ 실리콘밸리 지역에 3억 달러를 투자해 R&D 센터 조성

￭ 머신 러닝 기술을 통한 이미지와음성 중심의 검색을 통해 기존 중국시장의 고객들 뿐 아니라 이들 미개척 시장의 고객들이 언제, 어디서든쉽고 편리하게 사용할 수 있는 이미지나 목소리 중심의 직관적 검색서비스를 제공

“애플의 시리”

￭ 벤츠,, BMW 등 자동차 회사와손을잡고 핸즈프리 서비스 제공.

￭ 현대자동차가 쏘나타와 그랜저에 시리 기반의 카플레이를 적용

￭ 시리의 개인 비서화를 목표

“페이스북의 딥페이스”

￭ 2014년 3월 인공지능 연구그룹구성

￭ 사람의 얼굴 인식을 통한 자동태깅 기능 제공

￭ 사람의 옆얼굴 이미지도 인식할 수 있도록 하는 것이 목표

해외 대기업의 인공지능 기술 투자 현황

벤처 투자자약 2700여명

스타트업약 300여개

20배 이상

2010년 약 3억 920달려

현재 실리콘 밸리에서는 70여 개의 직업 군이 음성인식, 이미지 인식, 언어인식을 제시하

는‘딥러닝’을 기반으로 다양한 산업분야에 맞춰 연구개발을 진행 중이다 딥러닝 등 기계학

습 분야 기술개발 스타트업에 대한 투자자금 중 대다수가 출범 후 유치했던 전체 금액의

70% 이상을 최근 1년 사이에 확보했다

SILICON VELLEY

인터넷 상거래 기업인 이베이(eBay)는 판매자의 포스팅 이미지를 제품별로 카테고리화하는

데 심화학습 기법을 사용하고 있다. 이를 통해 이베이는 판매자가 태그를 붙이지 않은 경우에

도 제품을 분류할 수 있어 검색성능을 개선할 수 있는 것이다. 아마존 역시 심화학습을 통해 검

색엔진의 성능을 끌어 올렸으며, 페이팔(Paypal)은 결제사기를 막는 데 심화학습 기법을 적용

하고 있다. 이외에도 최근 널리 회자된 획기적인 인공지능 활용 사례로는 내러티브 사이언스

(Narrative Science)의 기사작성 알고리즘을 들 수 있다. 이미 미국의 LA타임즈, 경제주간지 포

브스, AP, 영국의 가디언 등은 내러티브 사이언스의 알고리즘을 이용해 기상예보, 금융시장 및

기업재무, 스포츠 등 데이터에 기반해 사실 만을 전달하는 스트레이트성 기사를 다수 송출하고

있다. 이 알고리즘은 뉴스 뿐만 아니라, 증권사 애널리스트가 작성하는 기업분석 보고서를 자

동으로 만들어주는 서비스를 제공하기도 한다.

여타 보안, 광고, 금융거래, 신약개발, 범죄예방 등의 분야에서도 인공지능, 특히 심화학습 기법

을 활용한 다양한 비즈니스 기회가 탐색되고 있다. 통화가치의 돌연한 급등락과 같은 시장의

변동을 예측하기 위해 심화학습 기법을 사용하는 스타트업이 출현하는가 하면, 인공위성에서

촬영한 영상 이미지를 인공지능 기법으로 분석해 유통업이나 부동산 건설 경기, 국제원유의 재

고 수준과 가격 트렌드 등을 예측하는 스타트업이 등장하기도 했다. 신약개발과 관련해, 수억

개의 후보 가운데서 잠재적으로 유용한 약물 분자를 골라 내도록 컴퓨터를 훈련하는 데 심화학

습 알고리즘을 사용한 사례도 학계에 보고되었다.

또한 갑상샘 종양을 가진 환자의 유전자 정보를 추출해 기계 학습 알고리즘으로 해석하고, 해

당 종양이 암으로 진전될 지 여부를 판단하여 불필요한 갑상선 제거수술을 크게 줄이도록 한

스타트업도 있다. 심화학습 기법이 널리 알려지고 많은 연구자와 혁신적 기업들이 인공지능 분

야에 참여하면서 인공지능을 이용해 지구촌 인류가 당면하고 있는 다양한 문제의 효과적 솔루

션을 발견하는 사례들이 속속 등장하고 있는 것이다.

심화학습을 비롯한 현대 인공지능 기술은 인터넷과 SNS가 만들어 내는 거대한 훈련(학습) 데

이터, 그리고 강력한 연산 능력을 갖춘 컴퓨터 시스템과 결합하면서 음성과 이미지 인식에서

극적인 발전을 이루어 왔다. 따라서 인공지능 기술은 그 자체로도 수많은 비즈니스 기회를 창

출하겠지만, 이런 인공지능 기술 기반 위에 빅 데이터, 클라우드, 애널리틱스 등 IoT 관련 기술,

그리고 헬스케어와 신재생 에너지, 무인자동차, 드론, 로봇 등 다방면의 미래 기술이 상호 융합

할 경우 지금으로서는 예측조차 하기 어려운 새롭고 창의적인 비즈니스 모델이 다수 만들어 질

수 있을 것이다.

삼성테크노글라스이동열대표 - IT 강자들의인공지능패권경쟁中

기계학습을 활용한 스타트업 기업들의 다양한 솔루션

국내 기업 그리고 스타트업들의 딥러닝 활용

네이버

￭ 네이버 앱 음성인식,뮤직서칭,

지식iN과 N드라이브의 이미지 자

동 분류 등에 적용됨

다음카카오

￭ 2014년, 2015년에 선보인 즉

답 검색 ‘바로이거’와 여행지 추

천 서비스 ‘추천 가볼 만한 곳’

의 검색 서비스에 기계학습을

적용해 수작업을 줄이고, 서비

스 품질을 높임.

‘ 한국 전자 통신 연구원의 ‘엑소브레인 소프트웨어’

￭ 음성인식 기술을 통해 번역 프로그램인 ‘지니’는 높은 정확도를 자랑

￭ 인공두뇌를 개발. 2013년부터 10년 간 26개 기관, 총 1070억 원 (정부 800억 원,

민간 270억 원)이 투입되는 대형프로젝트

￭ 1단계가 종료되는 2017년 에는 IBM 왓슨을 따라잡고 2단계부터는 컴퓨터 스스

로의 지식 학습을 통해 지식을 축적하는 기술을 확보하는 것을 목표

클디

￭ 2013년에 시작해서 딥러닝 알

고리즘을 적용한 이미지 인식의

정확도를 높이는 연구를 하고 있

으며 이미지넷 경진 대회에서 7

위를 자랑하는 정확도를 기록한

수상 경력.

코노

￭ 2014년11월 설립된 신생 스타

트업으로 인공지능 기반의 개인

스케쥴러,인 코노(KONO) 어플리

케이션을 개발해오고 있다.

2015년 2월 알파버전 출시에 이

어, 현재 비공개 베타 서비스를

진행 중이다.

하지만 아직 해외의 많은 기업 수에 비해서실제로 활용 하고 있는 기업은 많이 존재하지 않는다.

2. 국내탐방

1) LG

2) NAVER

3) 한국 소프트웨어 정책 협회

4) 한국 정보화 진흥원

5) 스타트업 기업 – 코노, 클디

LG 경제연구소조용수 수석 연구원

Q. 인공지능 기술의 발달에 따른 경제적/직업적 문제에 대해서는 어떻게생각하시나요?

LG 경제 연구소?

1986년 기업의 비즈니스 경쟁력 강화와국민경제 발전에 기여하기 위해 설립된민간 Think Tank기업 비즈니스의 현

재와 10년 후 미래 비

즈니스의 진화 방향

을 가장 잘 읽어내고

미래지향적일 수 있

도록 노력하고 있다.

“인공지능 방법 중 특히 ‘심화학습(Deep Learning)’ 기법으로 인공

지능 연구에 돌파구가 열린 것이 최근 기업과 연구자들의 관심 고

조에 기여했습니다.

저는 인공지능의 구현 즉 인간과 같은 지능을 구현하는 것은 모든

기술 구현의 최고 정점이 있다고 생각합니다. 그것이 언제가 되었

든 실현 될 것이고요. 딥러닝 기술이 진정한 인공지능을 구현하는

방법이 될지는 의문이지만 진정한 인공지능 구현과 국가 경쟁력을

위해 꼭 장기간 연구되어야 할 분야라고 생각합니다.”

“인공지능 기술 연구의 활성화를 위해서는 기업의 혁신적인 투자와

정부의 지원이 필요하다고 생각합니다. 하지만 여러 기업들이 즉시 팔

수 있는 제품을 팔아야 한다는 점에서 새로운 분야에 과감히 투자를

한다는 것에는 제한적인 점이 있습니다. 그렇기 때문에 정부가 나서서

정부,대기업,스타트업들이 함께 협력하여 공존할 수 있는 생태계를 조

성하여주고 지원해준다면 국내에서도 충분히 인공지능 분야에서 큰

성과를 거둘 것이라고 생각합니다.”

Q; 최근 딥러닝 기술에 따른 인공지능 기술의 미래는 어떻게 생각하시나요?

Q. 인공지능 그리고 딥러닝 기술의 연구가 활성화 되기 위해서는 어떠한 노력이 필요할까요?

“인공지능이 점점 현실화 됨에 따라 윤리적 ,경제적, 직업적 문제

가 대두되고 있고 많은 사람들이 걱정하는 문제라고 생각합니다.

역사 속에서 기술의 발전이 있을 때마다 항상 직업적 문제는 있어

왔고 많은 논란 또한 있어왔습니다. 이러한 상황을 우리가 미리

대비하고 준비 할 수 있다면 직업적 문제는 어느 정도 해결 할 수

있을 것이라고 생각합니다.

또한 여러 장/단점들이 존재하지만 저의 개인적인 생각으로는 인

공지능이 인간의 단순 노동을 대신한다면 사람들은 더욱더 가치

있는 일을 할 수 있는 기회가 많아 질 것이라고 생각합니다. 인간

본연의 문제를 다룰 수 있거나 우리가 해결 하지 못했던 많은 철학

/윤리적 문제나 과학문제 그리고 예술 문제 등에 집중 할 수 있게

되어 더욱더 가치 있는 사회가 만들어 질 수 있을 것 이라고 생각

합니다.

그리고 그러한 날이 실현된다면 사람과 사람들이 서로를 그리고

사람 자체를 더 잘 이해할 수 있도록 직업교육이나 학교교육을 재

정비 해야 할 필요가 있습니다.”

1.딥러닝 기술 적용의 활성화를 위해 정부 차원에서의 대기업, 학교, 스타트업 기업 등이 교류할 수 있

는 생태계를 만들어 주는 것이 필요하다.

2. 인공지능 기술의 구현에 앞서 교육제도 정비와 융복합적인 대비가 필요하다.

Q. 국내에서 딥러닝 기술이 활성화 되기 위해서는 어떠한 노력들이 필요하다고생각하신가요?.

“현재 네이버에서는 딥러닝 기술을 다양하게 적용하고 있습니다. 딥

러닝 기술을 음성 인식 기술에 적용, 앱을 사용하여 음악을 들려주게

되면 어떠한 음악이 나오고 있는 지를 알려주는 음악검색기능, 그리고

클라우드 시스템인 N드라이브에 사진을 올릴경우 기계학습/딥러닝

기술을 활용하여 사진이 어떠한 사진인지 인식하고 그것을 자동으로

테마나 주제에 따라 분류 해주는 서비스 외에도 지식iN 서비스, 지식

쇼핑 음성 검색 등을 실시하고 있습니다.’

“네이버에서는 포털 사이트를 운영하고 있는 특성상 개인 맞춤화 서

비스를 하기에는 제한이 따릅니다. 그렇기 때문에 저희 네이버에서는

많은 다양한 사람들이 검색을 편리하게 그리고 검색을 쉽게 하도록

하기 위해서 NLP(Natural Language Processing) 즉, 자연어 처리 시

스템 서비스에 적용하여 제공하는 것이 향후 목표입니다.”

“딥러닝 기술이 적용될 수 있는 분야는 무궁무진 합니다. 많은 해외의

대기업들이 그렇듯이 현재 영상이나 음성처리 부분에서는 많은 성과

를 거두고 있고 많은 서비스에 이용되고 있습니다. 하지만 아직까지

딥러닝을 이용한 개인 맞춤형 비서서비스는 시장이 많이 활성화 되지

않았을 뿐만 아니라 잠재력도 큰 분야라고 생각합니다. 그렇기 때문에

많은 전문가들이 개인 맞춤형 비서 서비스에 도전해 보시는 것이 좋

다고 생각합니다.”

“국내에서 딥러닝 기술이 활성화되기 위해 가장 중요한 점은 데이터라

고 생각합니다. 아직까지 접근성 이나 사용이 불편한 많은 데이터들을

정부측에서 가지고 있다고 생각합니다. 국가적으로 기계학습 연구자들

을 위해 데이터를 공급하는 것이 필요하다고 생각합니다”

Q. 네이버에서는 딥러닝 기술을 어떻게 활용 하고 있나요?

Q. 앞으로 네이버 에서는 딥러닝 기술을 활용하여 어떤 계획을 가지고 계신가요?

Q. 딥러닝 기술을 활용하여 어떤 분야에서 활용 될 수 있을까요?

김정희 수석 연구원

1. 딥러닝 활용은 무궁무진하다 그 중 개인 맞춤화 비서 분야의 활용 분야가 기대된다.

2. 딥러닝 학습을 위해서는 데이터가 가장 중요하다.딥러닝 기술 활성화를 위해 정부 차원에서 막대

한 데이터를 푸는것이 중요하다..

김진형 소장님

“인공 지능 기술은 항상 최고점과 최저점을 반복하며 주목을 받아왔

습니다. 제 생각에는 현재 딥러닝 기술 자체는 많은 해외의 거대 기업

들이 집중하면서 높은 수준에 달아 있습니다. 기술 자체는 최고를 향

해 가고 있지만 아직까지 응용은 많이 되지 않고 있습니다. 딥러닝 기

술의 응용은 어떤한 비즈니스든 무궁무진하기 때문에 국내에서도 딥

러닝 기술의 응용에 힘쓰는 것이 필요합니다. “

“수 년 전까지 다수의 딥러닝 쪽 연구자들이 다른 분야의 연구에 주

로 수행하였기 때문에 딥러닝을 지속해 온 전문가가 적을 뿐더러 대

학에서 오랫동안 딥러닝 엔진에 대한 연구가 적었기 때문에 딥러닝

분야의 고급 인재가 절대적으로 부족한 상황입니다.

2013년에 이르러서야 여러 기업과 대학에서 딥러닝 연구를 다시

시작하였는데, 기술적으로 따라가기 위해서는 시간이 많이 필요합니

다. 이러한 연구자들을 많이 키우기 위해서는 대학 등 교육기관에서

학생들을 가르치고 접할 기회를 많이 만들어 주어야 합니다 또한 인

공지능이나 딥러닝 전문가들이 서로의 지식을 교류하고 경쟁 할 수

있도록 국가 차원에서 경쟁과 교류의 장을 조성해 주어야 한다고 생

각합니다.”

“앞에서 말했듯이 딥러닝 기술 자체는 좋지만 아직 응용은 많이 되지

않고 있습니다. 딥러닝 기술 응용의 분야는 의료, 농업, 마케팅등과

같이 무궁무진 합니다. 일차적으로는 비즈니스에 이용하기 위해 기술

응용에 집중해야 한다고 생각합니다.

또한 인공지능 기술은 딥러닝 기술이 마지막이 아니라 항상 새로 고

안되고 개선되어 새로운 기술이 나옵니다. 그렇기 때문에 국가적으로

단기간이 아닌 장기적인 관점으로 접근하여 지원해서 연구 분위기 조

성과 전문가들을 양성하여 다음 인공지능 기술에 대한 대비를 위해

기초과학 연구소에 인공지능 분야 연구의 설립이 필요하다.”

Q. 딥러닝 기술의 발전 정도는 어느 정도이고 가능성은 어떠한가요?

Q. 이러한 딥러닝 기술의 전문가가 많이 없는 이유가 무엇인가요?

Q. 딥러닝 기술이 국내에 활성화 되기 위해서는 어떠한 노력들이 이루어 져야 하나요?

한국 소프트웨어

정책 연구소?

소프트웨어정책연구

소는 산업과 사회 변

화를 선도하는 소프

트웨어 정책 개발이

목표로 설립된 국책

연구기관이다.

1. 딥러닝 기술은 많이 발전되어 있다. 기술을 어떻게 다양한 비즈니스 모델에 적용 할 것인지 노력

해야 한다.

2. 전문가들의 양성을 위한 경쟁/교류의 장을 만들어 주어야 한다

3. 딥러닝 다음 기술을 대비하여 기초과학 연구소에 인공지능 분야 설립 및 장기간 연구 지원이 필

요다하다.

빅데이터전략센터

남명기 선임

“최근에 빅데이터를 이용한 인공지능,기계학습,그리고 딥러닝이 화제

가 되다 보니 저희도 자연스럽게 관심을 기울이고 있습니다. 현재 국

가 차원에서도 기계학습을 이용한 다양한 대회도 많이 준비하고 있는

실정입니다. 경진대회인 해커톤을 주최하거나, 기계학습을 이용해서

야구 경기 결과를 예측할 수 있는 대회도 준비하고 있습니다. 이 외에

도 빅데이터와 기계학습 전문가 양성을 위해서 많은 노력을 기울이고

있습니다.”

“빅데이터 관련 정책을 제안하고 국민들이 빅데이터를 활용해서 가치

를 창출 할 수 있도록 지원해주는 사업을 하고 있습니다. 다양한 시범

사업을 통해서 빅데이터를 이용할 수 있는 유통생태계를 만들어 주는

것이 저희의 목표입니다.”

“빅데이터 그리고 기계학습 전문가가 많이 부족한 실정인 만큼 저희

빅데이터 전략 센터에서도 많은 과정을 지원해 주고 있습니다. 대학교

에 전문가 육성을 위한 데이터지원이나 대학생들을 위해 공공적으로

가상서버를 통하여 *하둡 등을 교육하고 있습니다. 또한 중소기업을

위해 캐글 플랫폼을 지원하고도 있습니다.”

“두 기관은 데이터를 다루기 때문에 비슷한 성격을 지녔다고 보이지

만, 일단 두 기관이 속해있는 산하 기관부터 다릅니다. 공공데이터 포

탈은 기관의 공공데이터를 공급하기 위해 이용자와 기관을 연결해 주

는 역할을 띈다면 빅데이터 전략 센터는 현대 사회에 쏟아져 나오는

빅데이터를 이용해서 어떻게 민간 사업자들이 가치를 창출 할 수 있

는지 고민하기 위해 존재합니다.”

Q. Kbig 전략센터에서는 어떠한 일을 하시나요?

Q. 정부 기관 중 공공데이터 포탈과 빅데이터 전략센터는 어떻게 다른가요?

Q. 기계학습과 딥러닝 기술에 대해 들어보셨는지 들어보셨다면 kbig에서는 기계학습을 활성화 하기 위해 어떠한 노력을 하고 계시는지?

Q.그렇다면 기계학습의 전문가 양성을 위해서 Kbig에서는 어떠한 일을 하시나요.

기업이 쏟아지는 데이

터를 자유롭게 분석할

수 있는 환경을 구축하

는 것은 힘들었다. 그

래서 기존 데이터를 비

용 대비 효율적으로 처

리할 수 있는 방법론이

꾸준히 요구됐다.

그 때 등장한 게 하둡이

다. 하둡은 여러 개의

저렴한 컴퓨터를 마치

하나인 것처럼 묶어 대

용량 데이터를 처리하

는 기술이다.

*하둡(Hadoop)이란?

기계학습을 통한 야구경기 결과 예측?

“딥러닝 기술이 활성화 되기 위해서는 학습을 시키기 위한 데이터, 전

문가, 그리고 전문가들이 서로 경쟁과 교류를 할 수 있는 장이 필요하

다고 생각합니다. 하지만 그 중 제일 중요한 요소는 데이터라고 생각

합니다.기계를 학습시킬 때 데이터가 필요할 뿐만 아니라 데이터가 없

다면 전문가를 양성시키기 위한 모듈 제공도 힘듭니다. 그렇기 때문에

빅데이터 문제가 우선 해결되어야 전문가 양성과 딥러닝 기술 활성화

를 이룰 수 있다고 생각합니다.”

Q. 딥러닝 기술이 국내 적용 활성화 되기 위해서는 어떠한 노력들이 선행되어야 하는지?

Q. 데이터를 모으는데 있어서 가장 큰 걸림돌은 어떠한 것이 있는지?

“현대 사회가 빅데이터 시대인 만큼 많은 사람들이 데이터를 모으고

이용하려고 노력합니다. 하지만 데이터를 모으는데 있어서 가장 큰 어

려움은 프라이버시 문제라고 생각합니다. 최근 SNS나 블로그 같은 곳

에서도 정보가 많이 나오는 실정입니다. 하지만 이러한 정보들은 프라

이버시 문제가 많이 달려있기 때문에 사용하기 조심스러운 부분입니

다. 그렇기 때문에 빅데이터의 사용을 위해서는 어떻게 사람들의 프라

이버시 문제를 해결하면서 사용해야 할 지 생각해 보아야 할 것 같습

니다”

미래 창조 과학부와 한국 빅데이터 연합회

주관의 기계학습 대회로써 대학생들과

전문가들을 대상으로 2015년 구장 별 일일

입장객 수 자료, 팀 통산 전적 자료, 연도별 전적

자료,개인 선수별성적 등을 주어 준 뒤, 앞으로의

관객수나 경기 결과를 기계학습을 통해 예측하는

대회

1. 기계학습 적용을 위해서는 데이터가 중요하다. 이러한 데이터만 잘 되어 있다면 전문가들의 양성,

비즈니스 모델 등 다양한 문제들이 해결 될 수 있다.

2. 데이터 공급을 위한 프라이버시에 대한 해결책이 필요하다.

Q. 딥러닝 기술을 적용하는데 어떠한 어려운 점이 있으신지?

민융정 대표

“코노랩스에서는 기계학습 기술을 통해서 모바일 개인비서 어플리케

이션을 제공하고 있습니다. 예를 들어 어플을 통해 무엇을 할 것인지

누구를 초대할 것인지 말을 하면 장소,교통 등을 스스로 계산하여 사

용자의 일정 시간과 장소를 자동으로 제공해 줍니다. 또한 스마트 리

마인더 기능을 사용하여 꼭 필요한 알림 메시지를 전송해주는 기능도

가지고 있다.”

“해외, 특히 미국의 경우는 많은 기업들이 Platform전략을 구사하다

보니, API형태나 정제된 형태의 데이타를 제공하고 대신 수익쉐어를

한다거나, 시너지를 낼 수 있는 모델이 더 많이 고도화되서 구현되어

있습니다.그렇기 때문에 딥러닝 모델의 구축에 훨씬 유리한 점이 있습

니다. 국내의 경우도 일부 사업자들의 경우, 데이터를 API화해서 제공

한다거나, 연동할 수 있도록 제공하는 시도들이 늘어난다면 딥러닝을

통한 모델 창출에 큰 도움이 될 것입니다. ”

“클디는 딥러닝 기술을 통해 이미지 기반 모델을 제공하고 있습니다.

이러한 기술을 의료학 적으로 적용하여 이미지 속에서 암조직을 찾아

낼 수 있는 모델을 제공하고 있습니다.”

“미국은 API business가 굉장히 잘 정착되어 있어 회사 간 협업이 활

발하게 진행될 수 있는 문화를 가지고 있습니다. 그렇기 때문에 딥러

닝 모델 구축에 양질의 데이터가 공유 되고 있습니다. 또한 연구개발

을 위해 필요한 public dataset은 거의 대부분 영어로 되어 있고, 한글

에 특화된 dataset은 그리 많지 않고 규모도 상대적으로 작습니다. 공

공데이터의 경우는 외국, 특히 미국의 경우는 정부 big data에 대한

접근성이 굉장히 좋은 것으로 알고 있습니다”

Q.코노랩스에서는 딥러닝으로 어떠한 비즈니스모델을 제공하고 계시나요?

Q. 딥러닝을 이용하여 많은 스타트업 기업들이 더 활성화 되기 위해서는 어떠한 일들이 선행되어야 할까요?

Q. 클디는 딥러닝 기술을 통해 어떤 비즈니스모델을 제공하고 계신가요?

백승옥 대표

1. 미국의 경우에는 영어로 된 dataset이 많아 데이터 교류문화가 잘 되 있을 뿐더러 정부 big data에대한 접근성이 매우 좋다.

1) 프라이버시

데이터를 모으는데 있어서 문제가 되는 프라이버시 문제를 어떻게 해결하고 있는지 본다.

2 ) 데이터 모으기

기계학습 전문가들이 양질의 데이터를 얻을 수 있는 시스템을 배워온다.

무엇을 배워 올 것인가?

1. 데이터

1) 경쟁/교류의 장

미국에 있는 다양한 수의 기계학습, 딥러닝 기술 전문가들이 어떻게 경쟁하고 교류 하고 있는지 알아본다.

2) 전문가 양성

기계학습,딥러닝 전문가들을 양성하기 위해서 미국에서는 어떠한 시스템과 커리큘럼을 제공하고있는지 알아본다.

2. 전문가

1) 다양한 비즈니스 모델을 통한 가치창출

미국의 대기업과 스타트업들은 딥러닝 기술을 통해 어떠한 비즈니스 모델을 통해 가치창출을 하고있는지 알아본다

3. 비즈니스모델

3. 해외탐방

1) 대기업 – IBM

2) 스타트업-ERSARZ,

EMOTIENT

3) 대학 – UC BERKELEY

4) 정부 – SF DATA

POINT

IBM Watson Research Center

1961년에 설립된 Thomas J. Watson Research Center는 전 세계에 존재하는 12개의 IBM 연구실 중 가장

크고 중심이 되는 연구실이다. 이 센터는 20~21세기의 가장 주목할만한 기술과 과학 산업의 중심에

위치해있다. 이 연구실에서 발달시킨 대표적인 기술으로는 DRAM, 포트란 프로그래밍언어, 관계형

데이터베이스, 구리케이블의 발달 등이 존재하는데, 이러한 것들의 발견은 세계의 컴퓨터 산업의 현

대적 모델을 창조하고 만들어내는데 기여했다.

- IBM 과 같은 인공지능 연구의 선두기업에서는 데이터를 어떻게 수집하는지 알아본다

- 많은 프로젝트를 시행할 수 있었던 원동력에 대해서 알아본다

박영자 박사님

뉴욕의 IBM research

center 근무.

자연어처리.

보안,헬스케어 및

비즈니스 지능 에

머신러닝 적용 중.

“예전까지는 기계학습을 통해 자연어 처리, 헬스케어 및 비즈니스 지

능 등에 대해서 연구 했습니다. 하지만 최근 빅데이터 시대를 맞아서

기업들의 보안이 중요해 짐에 따라서 기계학습을 적용한 보안 시스템

을 연구하고 있습니다. 예를 들어 회사내의 cctv 나 메일 내용 등을 분

석하여 회사 내의 중요 정보를 유출하거나 손실 시킬 수 있는 인원을

미리 판별 할 수 있는 것이죠.“

Q. IBM 에서 최근 어떤 연구를 진행하고 계신가요?

“자체 연구를 위한 public data는 옐프 dataset / dblp / 위키피디아 /

스탠포드 소셜네트웍, 그래픽 데이터 / uc urban( computer secret,

medical data) 등 에서 얻고 있습니다. 하지만 IBM 의 기본 구조는 기

계학습을 필요로 하는 기업과 함께 프로젝트를 하며 기업이 가지고 있

는 데이터를 이용한 기계학습 서비스를 제공하고 있습니다.”

“뉴욕시 opendataset 에서 제공하는 데이터를 종종 사용하지만 분류

되지 않은 raw데이터들이 많아 선호하지 않습니다. 기계학습을 시키

기 위해서는 정제된 데이터가 필요한데 그렇지 않아 사용하는데 불편

함을 줍니다. 하지만 최근 떠오른 딥러닝 기술은 조금 다른 양상을 띄

고 있습니다. 기존의 기계학습 기술과는 달리 딥러닝 기술은 분류되지

않은 RAW 데이터가 주어지더라도 스스로 분류가 되기 때문에 정제되

지 않은 데이터들을 정부가 효율적으로 제공하는 것도 큰 도움이 될

것입니다.”

Q. 기계학습을 시키기 위한 데이터는 주로 어디서 얻으시나요?

Q. 그렇다면 정부에서 제공하는 PUBLIC 데이터는 사용하시지 않으신가요?

IBM THINK LAB에 가다.

IBM THINK LAB 은 외부 손님들이 왔을 때

IBM에서 진행 중인 프로젝트를 제한적으로

공개하거나 미팅을 가지는 곳이다. 그림과

같이 THINK LAB에 설치되어 있는 장치는 손

에 쥐고 있는 리모컨으로 화면을 선택하여

옆 화면으로 넘길 수도 있으며 당길 경우 확

대 할 수도 있다. 이 장치는 마이너리티 리포

트의 과학 기술 감독이 설립한 회사에서 만

든 장치라고 한다. 현재 그의 회사에서는 진

짜 마이너리티 리포트에서 나온 첫 번째 사

진과 같은 기술의 구현을 위해 개발 중이다.

1.기계학습 기술을 이용한 Fashinista 프로젝트.

“기계를 학습 시키기 위해서는 데이터를 분류하는 과정이 매우 중요합

니다. 하지만 그 과정은 사람들이 일일이 작업해주어야 되어야 함으로

시간과 인력이 많이 들어 갑니다. 하지만 딥러닝 기술을 통해 기계가 어

느정도 스스로 데이터를 분류할 수 있고, 기계가 스스로 분류 했기 때문

에 그 데이터를 학습했을 경우 정확도가 더욱 상승하게 되었습니다. 이

러한 딥러닝 기술의 트랜드는 최소 10년 이상으로 당분간 지속 될 것으

로 보입니다. 그 이후에는 새로운 기계학습 기법이 나올 수도 혹은 개선

된 딥러닝 기술이 계속 지속 될 수도 있습니다. 그렇기 떄문에 언제나 다

음의 기술을 위해 대비하고 준비해야 합니다.”

Q. 최근 기계학습 기법중 딥러닝이 대두되고 있는데 딥러닝 기술의 미래에 대해서는 어떻게 생각하시나요?

“모든 기계학습이 그렇지만 제일 중요한 것은 데이터라고 생각합니다.

공공의 데이터 만이 아닌 어떻게 데이터를 효율적으로 축적하고 사용해

야 할 지도 중요하게 생각해 보아야 합니다.”

Q. 딥러닝 기술을 활성화 하기 위해 제일 중요한 것은 무엇이라고 생각하시나요?

IBM에서 연구중이신 한 한국 연구원은 기계학습을 이

용한 Fashionista 서브프로젝트를 진행 중이시다. 만약

내가 갖고 싶은 옷의 사진을 사이트에 올리게 되면 그

옷이 어디서 팔고 있는지 가격이 얼마인지 등을 나타내

어 주거나, 내가 입고 싶은 옷과 어울리는 코디를 찾고

싶으면 여러 사이트와 선호도 등을 분석하여 사용자에

게 자동으로 알맞은 옷을 추천해 주게 된다. 자신이 입

고 싶은 계열의 색을 설정하여도 그에 맞는 옷이나 코

디를 추천해 주기도 한다.

박영자 박사님이 진행 중인 프로젝트로 기계학습

기술을 이용하여 보안에 위반되는 사람을 예측하는

것이다. CCTV나 메일 혹은 행동 패턴을 분석하여 회

사의 정보를 빼내가거나 금방 회사를 나갈 것 같은

사람들의 순위를 매겨 예측하는 프로젝트.

2. 기계학습 기술을 이용한 회사 보안 프로젝트

“IBM 에서는 인공지능 기술에 대해서 예전부터 많이 투자했고 연구를

하고 있습니다. 슈퍼컴퓨터 WATSON을 구현하기 위해 노력해왔죠. 첫

번째로 제일 중요한 것은 기초가 되는 기술들이라고 생각합니다. 어떻

게 많은 비즈니스 모델과 응용하기를 생각하기 전에 기본적인 기술들

이 잘 되어 있다면 어떠한 응용분야에도 적용할 수 있다고 생각합니다.

두 번째로 IBM에서는 스스로 팀을 꾸려 다양한 분야에 도전 할 수 있는

분위기가 조성되어 있는 것이 큰 장점으로 작용한다고 생각합니다. 그

래도 무엇보다 가장 중요한 것은 기본이 되는 기술이라고 생각합니다.”

“기계학습은 딥러닝 이외에도 액티브 러닝, SVM 모델 등이 있습니다.

그리고 이 각각의 모델들은 시각인식, 음성인식, 예측, 패턴 분석 등 다

양한 분야에 효율적인 기계학습 방법이 있습니다. 그렇기 때문에 딥러

닝 분야가 최근 가장 강세를 띄고 있는 기계학습 모델이지만, 분야에 따

라서 어떤 것이 가장 효율적인지 판단하고 실험해보며 쓰는 것이 중요

합니다. 딥러닝 기술도 슈퍼컴퓨터 왓슨에 쓰여진 일부 기술에 불과 하

다고 볼 수 있습니다”

“딥러닝 기술의 수준은 많이 올라 와 있지만 딥러닝 기술이 주 기술이

된지는 얼마 되지 않았습니다. 그렇기 때문에 장기간 동안 훈련하고 연

구를 한 필요한 전문가들은 아직 많이 존재하지 않습니다.

하지만, IBM에서도 딥러닝 기술이 굉장히 효율적이고 중요한 기술임을

알고 있기 때문에 딥러닝 기술에 기반한 여러 프로젝트가 진행되고 있

습니다”

Q. IBM 에서는 현재 딥러닝 기술의 전문가가 많이 존재 하고 있나요?

Q. IBM에서 기계학습을 통해 이렇게 많은 프로젝트를 진행 할 수 있었던 이유는 무엇이라고 생각하시나요?

Q. 딥러닝 기술이 가장 효율적이라면 딥러닝 기술만 사용하면 안되나요?

1. 기술의 기본이 제일 중요하다. 기본이 잘되어 있었기 때문에 많은 프로젝트들이 진행 될 수 있었다.

2. 정부의 데이터는 RAW 데이터가 많으므로 사용하기에 제한이 있다. 각자의 데이터를 구축하는 것 또한 한 방법이 될 것이다.

UC BERKELEY

* 방문했을 때 교수님과 박사 급 연구원 들이 급한 일로 자리를 비우셔서 연구실에 있던 학생들과 인터뷰를 진행하였다.

UC BERKELEY의 로봇 연구실은 시행착오를 통해서 작업방식을 배우게 하는 로봇의

알고리즘을 개발하였다 . 학습하는 알고리즘이 로봇을 인간에 근접하게 할 수 있고 ,

휴머노이드의 기본이 될 것이라고 예상하고 있으며 학습하는 알고리즘을 개발하였다는 것은

인공지능의 분야에 있어 중요한 획을 그었다.

UC BERKELEY

POINT

- 로봇을 학습시키기 위한 데이터는 어떻게 얻는지 알아본다

- 연구실에 있는 학생들은 어떻게 딥러닝에 대해서 알게 되었는지 알아본다

“현재 연구실에서는 딥러닝 기술을 적용한 개인 비서용 로봇을 만드는

것을 목표로 연구를 진행 중에 있습니다. 딥러닝 기술은 로봇에게 새로운

경험을 학습 시키는데 용이하게 이용되고 있습니다.”

“이러한 로봇을 학습 시키기 위해서는 외부에서 데이터를 가져 올 필요

가 없습니다. 그 이유는 저희가 직접 하나하나 로봇에게 상황을 쥐어주

고 로봇이 직접 실패를 거듭하면서 학습을 하는 방법이기 때문에 로봇이

스스로 데이터를 얻는다고 할 수 있습니다.”

Q. 연구실에서는 어떠한 연구가 진행 중이 신가요?

Q. 로봇을 학습 시키는 데이터는 어떻게 얻으시나요?

가정 내에서의 생활을 도와주는 휴머노이드를 만드는 것이 목적인 버클리대학교 랩.

입력 된, 특정 상황 속에서 작동하는 로봇이 아닌, 스스로 생각하는 로봇을 만드는 것이

최종 적인 목표이다.

박스에 블록 넣기, 수건 접기 등 간단하지만 스스로 생각해야 하는 작업을 로봇에게 주어

주고 학습하게 하는 실험을 진행 중이다. 로봇은 딥러닝 기술을 적용하여 1차적으로는 카

메라를 끈 뒤 센서로만 학습을 하게 되며 2차로는 카메라를 켠 뒤 재 학습을 시도하여 큰

정확도를 자랑한다. 하지만 아직까지는 위의 사진에서 보는 것과 같이 주변의 장애물들을

초록색으로 덮지 않았을 경우에는 인식의 정확도가 낮아지는 경우가 발생한다.

“기계학습과 딥러닝은 학부생이 알기 어려운 주제라고 생각한다. 하지만

교수님께서 수업에 들어오셔서 이러한 기계학습 기술 등이 있고 앞으로

어떠한 방향으로 기술이 나아가고 어떻게 사용 될 것인지에 대해서 수

업시간에 자주 언급해 주신다. 수업시간을 통해 이러한 것들에 대해서

알게 되었고 흥미를 느껴 현재 연구실에 들어와서 박사님과 교수님들이

하는 과정을 직접 보고 많은 것들을 배우고 있습니다.”

Q. 딥러닝은 어떻게 알게 되셨나요?

정확한 프로젝트 등은 교수님이 알고 계시겠지만, 현재 저희 연구실에서

는 다른 여타 기업과 함께 무인 자동차를 만드는 것을 다음 목표로 하고

있다고 알고 있습니다.

Q. 앞으로는 어떠한 프로젝트를 실시할 예정이신가요?

딥러닝 로봇은 어떠한 방식으로 움직이는 것일까?

아래의 사진은 로봇의 간단한 작동 프로세서를 나타낸다. 학습한 정보를

Linear 하게 변환 시키는 작업을 통하여 로봇이 가진 모터의 토크 수를 조정하

며 가사를 진행하게 된다.

1. 로봇의 학습을 위한 데이터는 따로 수집하지 않는다. 스스로 생각하는 로봇을 만

들기 위해서이다.

2. 수업 시간의 교수님이 자주 딥러닝에 대해서 언급해 주신 것이 딥러닝에 대해서

가장 큰 관심을 가질 수 있었던 계기였다.

Ersatz labs는 뉴럴 네트워크와 딥러닝에 대한 전문적으로 연구하고 상품을 개발한다. 2013년에

시범적으로 사업을 시작했으며, 2014년 2월에 Ersatz라는 이름을 만들어 스타트업 기업으로

운영되었다. Ersatz labs는 사용자들의 요청을 받아들여서 데이터 보호 기능을 추가하고 Api

기능을 개선시켰다고 한다. 아직 사업의 초기단계에 위치하고 있지만, 안정적이고 현대 생활에

반드시 필요한 상품을 개발하고 있다. .

Ersatz labs

POINT

- 비 전공자이지만 어떻게 딥러닝을 접하고 배울 수 있었는지 알아본다.

- 다른 스타트업 사업자나 딥러닝 전문가들과의 교류는 어떻게 이루어 지는지 알아본다.

- 장기간 투자자와의 관계를 이어올 수 있었던 이유를 알아본다.

Q. 이렇게 긴 시간 동안 투자자와 관계를 지속 할 수 있었던 이유가 무엇 인가요?

“딥러닝이라는 생소한 주제를 가지고 시작한 사업이었기 때문에 회사

의 굴곡이 많은 편이였습니다. 하지만 제가 계속 회사를 이끌고 밀고 나

갈 수 있었던 것은 투자자와 기업인과의 신뢰와 투자자가 딥러닝 기술

에 대한 이해와 가능성을 믿었기 때문이라고 생각합니다. 그렇기 때문에

에르사츠는 사업을 시작할 때 함께 있었던 투자자와 계속 일 하고 있습

니다”

“저의 어릴 적 꿈은 이러한 로봇을 만드는 과학자가 되는 것이었습니다. 하

지만 어쩔 수 없는 계기로 인해 역사를 전공하게 되었습니다. 그렇지만 역

사를 전공하다 보니 이것이 제 길이 아니라는 것을 알았고 다시금 인공지

능 분야에 발을 디디게 되었습니다. 결정적으로 딥러닝 기술을 빨리 습득

하고 적용할 수 있었던 큰 이유는 제가 어릴 때 부터 학교에서 배워온 코딩

기술 덕분이라고 생각합니다.”

“딥러닝 기술을 사용한 비즈니스 모델은 무궁무진 합니다. 그 중에서도 크

게 예를 들자면 저희 에르사츠 랩에서는 경제, 비디오 인식, 감정 인식, 농

업, 광고분석, 사진 태그 등에 적용하여 사용자들에게 플랫폼을 제공하고

있습니다. 이러한 딥러닝 기술은 앞으로 인공지능 기술의 미래가 될 수 있

을만한 중요한 기술이라고 생각합니다.”

Q. 에르사르츠에서 제공하는 플랫폼은 어떠한 분야에 적용될 수 있나요?

Q. 전공이 컴퓨터가 아니시던데 어떻게 딥러닝을 접하게 되셨나요?

Ersatz labs ceo

Ersatz labs 에서 제공중인 딥러닝 기반 모델

Ersatz 는 다양한 분야에 딥러닝 기술을

적용하여 서비스하고 있다. 딥러닝 기술

을 적용하는 과정은 첫번째 고객이 학습

시키고자 하는 모델의 데이터를 고객에

게 받아서 정제하고, 두번째 그 데이터를

바탕으로 딥러닝 모델을 만들게 된다. 마

지막으로, 그렇게 구축한 딥러닝 모델을

API 형식으로 사용하기 쉽게 만들어서

고객에게 제공하게 된다.

옆의 사진은 차례로 의료 사진에서 암세

포를 구별하거나, 비디오에서 달리는 자

동차를 인식하거나, 알아보기 힘든 자연

어를 컴퓨터가 인식하는 과정 이다.

Q. 다른 기업과의 API 교류나 데이터 교류는 잘 이루어 지나요?

MEET UP?

공통의 관심사를 가

진 사람들 끼리의 모

임을 주선해 주는 커

뮤니티 사이트 이다.

국내와 미국의

machine learning

그룹만 검색해 보아

도 국내는 1개의 그

룹만 검색되지만 미

국의 경우에는 무수

히 많은 machine

learning 그룹이 존

재함을 알 수 있다.

“기계학습 공부를 하면서 인터넷에서 많은 정보를 찾아 봤었습니다. 분

명히 미국의 시장이 클 뿐더러 관심을 가진 사업자와 기술자들이 많기

때문에 관련된 많은 API 가 존재하고 사용하기 편하게 되어있습니다. 하

지만 필요한 데이터의 경우에는 딥러닝 모델을 필요로 하는 사업자들이

많이 가지고 있는 편입니다. 딥러닝 모델을 적용 시킬 때 데이터가 중요

한 만큼 많은 데이터를 가진 사업자가 더 유리한 측면이 있습니다.”

“현재 미국에서는 *MEET UP이라는 시스템이 잘되어 있습니다. MEET

UP 사이트를 통해 많은 전문가들이 한 달에 3~4번 그리고 한번에 100

명 정도가 모여서 자신의 기술적 의견이나 아이디어를 서로 공유하고

많은 정보를 얻어 갑니다. 이러한 MEET UP 시스템이 잘 되어 있기 때문

에 이러한 회사를 운영하거나 기술에 대한 최신 트랜드 그리고 사업에

대한 아이디어 등을 많이 얻을 수 있는 장점이 있다고 생각합니다.”

“현재 에르사츠와 타 여타 기업과 합께 딥러닝 기술을 의료에 어떻게 적

용할 지 같이 고심 중에 있습니다. 딥러닝 기술을 의료에 적용해 촬영된

환자의 사진 등을 보고 어떠한 병을 가지고 있는지 혹은 어떠한 문제점

때문에 이러한 증상이 나타나는지를 자동으로 분석하여 정보를 찾아주

고 의사의 진료에 도움을 주는 것 등에 사용 될 수 있도록 하고 있습니

다.”

Q. 현재 다른 기업과의 진행중인 협업이 있나요?

Q. 다른 전문가들과 교류할 수 있는 기회는 어떻게 만드시나요?

1. 비전공자 이지만 기계학습을 쉽게 배울 수 있는 온라인 시스템이 잘 구축되있다.

2. 어렸을 때 부터 코딩교육을 했던 것이 큰 도움이 되었다.

3. MEET UP 사이트에서 많은 전공자들과 교류 할 수 있었다.

4. 투자자의 인공지능 기술에 대한 이해 그리고 신뢰와 투자자와 기업가의 신뢰 또한

중요하다.

EMOTIENT

주목과 분석을 회사의 모토로 하는 EMOTIENT는 감정 분석이라는 새로운 물결의 선두주자

이며 표정을 통해서 미세한 감정을 분석하며, 캘리포니아 대학의 Machine Perception Lab에

서 시작되었다.

많은 회사들이 다양한 산업에 걸쳐서 회사와 시장조사 측에서 표정분석을 통해서 감정을

분석하길 요구한다. Emotient는 그런 회사와 결정자들이 더 나은 선택을 할 수 있게 그들에

게 분석된 데이터를 제공하고, 더 나은 의사결정을 통해 그들의 산업을 발달시키는데 도움을

주고 있다.

EMOTIENT

POINT

- 스타트업 기업에서는 데이터를 어떠한 방식으로 모으는지 알아본다.

- 얼굴특징 데이터의 프라이버시 문제는 어떻게 해결하고 있는지 알아본다.

- 인공지능의 윤리적 문제나 딥러닝 기술이 거품 기술이라는 말에 대한 기업가들의 생각을 들어

본다.

“데이터를 모으거나 실험을 진행할 때 사용자들의 동의를 얻는 과정이

우선시 됩니다. 이러한 이용자들의 동의를 얻기 위해서는 이모시언트의

기술이 프라이버시 문제를 불러 일으키지 않을 것이라는 확신을 주는

것이지요. 저희가 추구하는 모델은 얼굴 인식이 아니라 얼굴

측정입니다.

저희가 가진 특허를 통해 사용자의 얼굴에서 표정에 대한 정보만을 픽

셀 단위로 저장하고 사용자의 얼굴은 잠시 후 자동으로 삭제가 됩니다.

이러한 과정을 거치는 것을 사용자에게 알리고 안심할 수 있도록 하여

프라이버시 문제에 대처하고 있습니다.”

“저희가 데이터를 모으는 방법은 크게 2가지 입니다. 첫 번째로는 기업

들과 함께 진행하는 프로젝트에서 그 기업의 광고를 이용자에게 보여

주고 광고를 보는 동안의 사용자의 얼굴 표정의 변화에 대한 데이터를

받아서 이용합니다. 두 번째로는 특별한 행사에 참여 하는 것입니다.

이모시언트의 기술은 한 사람의 표정 변화만이 아닌 모여있는 다수의

표정 변화도 함께 읽어 낼 수 있는 기술력을 가지고 있습니다. 그렇기

때문에 저희는 많은 사람들이 모이는 행사에 참여하여 데이터를 얻기

도 합니다. 예를 들어서 야구장에 찾아가 사람들이 어떠한 포인트에서

더 집중을 하고 즐거움을 느끼는지 혹은 많은 사람들이 모이는 페스티

벌에 참석하여 저희의 기술력으로 재미를 제공하고 데이터를 모으기도

합니다.”

“사람들이 상대방의 표정에서 그 사람의 기분을 읽어 낼 수 있는 정확도

는 약 50퍼 센트 정도 됩니다. 하지만 딥러닝 기술을 적용 하였을 때 사

람의 얼굴 표정 인식 정확도는 약 95 퍼센트 정도로 사람보다 높은 정확

도를 자랑합니다. 인간은 다른 사람의 결정을 예상할 때 큰 변화만을 감

지하지만, 컴퓨터는 마이크로 익스프레션이라고 불리 우는 작은 변화들

을 가집니다. 그래서 컴퓨터가 인간보다 더 높은 결정 예상률을 보이는

것입니다.”

Q. 이모시언트에서 딥러닝 기술을 적용 하였을 때 얼굴 표정 인식 정확도가 어느 정도 되나요?

Q.데이터는 어떠한 방법들로 모으시나요

Q. 데이터를 모음에 있어서 프라이버시 문제는 어떻게 해결하시나요?

삭제

보존

EMOTIENT의 프라이버시 특허 개요도.

Ken DenmanPresident and CEO

“ 딥러닝 기술은 망치에

비유 할 수 있다. 망치의

크기와 무게 그리고 쓰

임새를 파악해서 필요한

곳에 정확하게 내리쳐야

한다“

-EMOTIENT 인터뷰 中

“인공지능에 대해서는 많은 사람들이 엄청난 관심을 가지고 있는 분

야입니다. 사람과 같은 지능의 컴퓨터를 만든 다는 것은 환상적인 일

이라고 생각하기 때문이죠. 하지만 이렇게 사람들이 많은 관심을 가

지고 있는 만큼 인공지능 기술이 사람들의 관심 속에서 수면위로 떠

오르고 가라앉기를 반복하는 것은 사람들에게 집안에서 리모컨을 들

었다가 놓는 것처럼 쉬운 문제 중 하나라고 생각합니다.인공지능 기

술은 발전 그리고 사람들의 무관심 속에서 점점 발전해 나왔습니다.

이렇게 인공지능 기술이 발달 할 수 있는 것은 사람들이 리모컨을 들

었다 놨다 하는 동안에도 꾸준히 지속적으로 안 보이는 곳에서 연구

를 해왔기 때문입니다.

현재 이러한 딥러닝 기술도 언젠가는 한계에 직면하게 될 것이고 사

람들의 무관심 속으로 사라질 수도 있을 것입니다.그렇기 때문에 딥

러닝 기술로 인해서 수면위로 드러나 있는 인공지능에 대해 누군가

는 거품이라고 생각 할 수 있겠지만 이러한 과정 또한 다음 단계의

인공지능 기술의 발전을 위해 꼭 필요한 단계라고 필요합니다. 그렇

기 때문에 저희는 꾸준히 연구를 계속 해야만 한다고 생각합니다.”

“인공지능이 정말 인간처럼 구현 될 지는 많은 전문가들의 의견 또한

분분하며 저 또한 예측이 힘든 문제인 것 같다. 인간의 감정과 마음은

복잡하다. 그렇기 때문에 그것이 언제 구현될 것인지를 예측하는 것은

매우 힘들일 입니다. 예전에 핵 원료를 개발 하였을 때 그것이 전쟁과

같은 나쁜 목적으로 쓰일지는 몰랐을 것이다. 핵을 개발함에 있어서 충

분한 대비가 되어 있지 않았기 때문이라고 생각한다. 만약 인공지능이

실제로 구현되었을 때도 군사적 목적과 같이 인류를 위협하는 쪽 으로

이용 될 수 있다고 생각합니다. 그렇기 때문에 과학자가 주체성을 가지

고 그러한 상황을 막고 대비하기 위해 노려해야 한다고 생각합니다.”

Q. 딥러닝 기술이 거품기술이라는 소리가 많던데 어떻게 생각하시나요?

Q. 인공지능의 윤리적/직업적 문제에 대해서는 어떻게 생각하시나요

“어떠한 비즈니스 모델에 적용하여 다양하게 이용할 것인가에 대한

고민보다 먼저 선행 되어야 하는 것은 내가 가진 기술의 기술력과 정확

도를 얼마나 끌어 올려야 하나라는 고민입니다. 만약 내가 가진 기술의

기술력과 정확도가 사업가들에게 확신과 믿음을 준다면 그때부터 어떠

한 비즈니스 모델에 적용 해야 할지는 고민을 하지 않아도 됩니다. 저

희의 기술을 이용하는 사업가들이 자신이 실행하고 하고 있는 비즈니

스 모델에 적용 시키기 위해 먼저 저희들에게 제안을 할 것이기 때문입

니다. 즉, ‘어떻게 많은 비즈니스모델을 창출할까?;라는 고민보다는 ‘어

떻게 내 기술력과 정확도를 끌어올릴까?’ 입니다. 기본이 항상 중요하

다고 생각합니다.”

Q. 이모시언트의 기술을 이용해 다양한 비즈니스 모델에 접합 할 수 있었던 이유는 무엇인가요?

Q. 정부의 지원은 어떠한가요?

“미국은 시장이 클 뿐만 아니라 많은 대기업 그리고 투자자들이 딥러닝

기술에 대해서 이해하고 잘 알고 있기 때문에 많은 곳에서 투자가 활발

이 이루어 지고 있는 편입니다. 그렇기 때문에 인공지능 기술 기반 스타

트업들에게 따로 추가적인 지원은 있지 않습니다. 하지만 한국과 같이

시장이 미국처럼 크지 않고 이제 시작하는 기술이라면 정부 차원에서의

생태계 조성과 지원은 꼭 필요하다고 생각합니다.”

1. 자신들 만의 특허를 통해 프라이버시 문제를 해결하고 있었다.

2. 이용자들에게 프라이버시 문제에 대한 두려움을 없애주어야 한다.

3. 전공자들 뿐만이 아닌 다양한 사람들이 기계학습을 배울 수 있는 툴이

잘 되어 있다.

4. 큰 행사의 참여를 통해 데이터를 모으기도 한다.

5. 비즈니스 모델의 고민보다는 기술의 정확도의 고민이 먼저 선행되어야

한다. 기술의 정확도가 높아진다면 비즈니스 모델은 기술을 이용하기를

원하는 사람들에 의해 자동적으로 해결 될 것이다.

“기계학습이라는 기술은 꼭 전공학과생 혹은 전문가들 만이 접근 할 수

있는 기술이라고들 생각을 많이 합니다. 하지만 인터넷에 찾아보면 기계

학습을 쉽게 접할 수 있는 툴들이 많이 제공되고 있다. 그렇기 때문에

기계학습 그리고 딥러닝 기술에 관심을 가지고 있는 비전문가들도 충분

히 자신이 원하는 모델에 기계학습 기술을 적용 시킬 수 있을 것이라고

생각합니다.”

Q. 기계학습을 대학교 정규 과정 외에도 어디서 접하셨나요?

‘Sound of Emotion’

최근 Emotient에서는 공공 프로젝트 ‘The Sound of

Emotion’을 통해서 사람들에게 딥 러닝의 유용성을 알

리고, 프로젝트에 참여하는 대중을 통해서 자신의 데이

터베이스를 보강하였다. 이 프로젝트는 San Francisco

Street prototype Festival 2015에 선정, 출품된 50가지

의 프로그램 중 하나로, 이 프로그램의 목적은 샌프란시

스코 근교의 하이테크기술의 노하우를 널리 알리고 대

중에게 참여시키기 위함이다. 이 프로젝트를 참여하기

위해 대중은 거리에 설치된 아이패드에 다가가 음악을

듣고 자신의 표정만 보여주면 된다. Emotient가 자신의

기술을 접목한 프로그램을 통해 아이패드는 참여자의

음악의 절이나 음의 고저의 단위로 변하는 표정을 분석

하고 보여줄 수 있다

EMOTIENT의 딥러닝을 이용한 다양한 비즈니스 모델

위의 그림과 같이 기분에 따라 뇌가 활성화 되는 위치와 그 위치에 따라 바뀌는 얼굴 근육의 위치가 정해져 있다. 이러한 사실을 기반으로 EMOTIENT는 소비자의 감정을 파악한다.

EMOTIENT의 기본 기술

1. 광고 적절성

소비자에게 광고를 보여준뒤 광고주가 의도 했던 방향의 광고가 만들어 졌는지를알 수 있게 해준다.

2. 졸음운전 예방 측정 3. Google Glass 적용

운전자의 눈감김 정도 눈썹, 입술 떨림과 머리의 흔들림정도를 측정해서 졸음 운전을 예방하게해준다

Google Glass에 적용 되어서다른 사람들이 어떠한 기분을 가지고 있는지 알 수 있는APP을 지원 중이다.

Q. 사람들의 감정을 파악 하는 데는 뇌 과학을 이용한 측정이 더 정확하지 않나요?

“뇌 과학을 이용한 감정 측정이 정확도가 더 높을 수는 있습니다. 하지만 뇌 과학을 이용한 측

정을 하기 위해서는 비싼 실험 도구들과 시간들이 걸립니다. 하지만 딥러닝을 이용한

EMOTIENT의 기술을 이용하게 된다면 경제적인 가격에 뇌 과학으로 측정한 수치에 버금가는

정확도로 측정 할 수 있을 것 입니다.”

SANFRANCISCO DATA

샌프란시스코 오픈 데이터는 도시와 국가의 공식 포털 사이트이다. 2009년 처음 열게 되었

고 포탈에 존재하는 수백 개의 데이터는 각각 개발자, 분석가, 거주자에게 사용되고 있다. 샌

프란시스코 오픈 데이터의 최종 목적은 오픈 데이터로 인해 잠재적인 결정과 지식의 범위를

넓히고, 시민들의 삶의 질이 더 상향될 수 있도록 하는 것이 목표이다.

SANFRANCISCO OPEN DATA

POINT

-샌프란시스코 데이터는 사용자들의 쉬운 접근을 위해 어떠한 노력을 하고 있는지 알아본다.

-전문가들을 위한 생태계조성을 위해 국가적으로 어떻게 노력하는지 알아본다

-프라이버시 문제를 어떻게 해결하고 있는지 알아본다.

Q. 샌프란 시스코는 사용자 친화적인 포탈을 만들기 위해 어떠한 노력을하는지?

샌프란시스코에서 직접 관리하는 주택 경제. 부동산과 관련된 정책을 주로 담고 있으며,주택과 관련된

정책을 만드는 사람, 샌프란시스코에서 거주하는 사람(혹은 거주를 계획하고 있는 사람)을 대상으로 만

들어졌다. 저렴한 주택을 사고 싶은 사람에게 도움을 주고자 하는 목적도 가지고 있다.

샌프란시스코 지역의 인구나 인구 이동 수, 최근 몇 년 간의 추이 등을 보여주고 있으며 실제로 집을 매

매하는 자료를 가지고 있는데,매매, 월세, 구매자의 연령이나 목적, 가지고 있는 예산을 기준으로 집과

관련된 자료들을 확인할 수 있다.

SF HOUSING HUB 정책이란?

“현재 우리도 사용자 친화적인 포탈을 만들기 위해 *하우징 데이터

허브 같은. 다양한 시도 중이다. 정부 쪽에서는 이런 지속적 변화

노력이 가장 중요하다고 봅니다 또한 저처럼 시장이 임명해서

직책이 생겨서 책임감이 생기는 것이 가장 중요한 부분이라고

봅니다 . 예를 들어 저희는 정부 기관이 올린 데이터 셋을

실시간으로 공개하는 포탈을 만들었습니다. 단순히 시 정부 기관이

올린 정보의 수만 올린 것이 아니라, 해당 기관이 현재 하는 일을

보여줘서 책임감 또한 부여하는 기능이 있습니다.

또한 담당자들에게 책임감을 부여하기 위해 책임자를 선정하고,

해당 책임자가 하는 일을 대중에 알려 줘 대중이 사용하고

평가하도록 합니다.

저희의 최종 목표는 플랫폼 툴이 사용하기 쉽도록 만드는 것이

목표이며,데이터를 민간인, 전문가도 만들어 다른 사람에게 제공할

수 있도록 하는 것도 목표로 삼고 있습니다. 단순히 데이터의 양만

늘리는 것이 아니라 실제적으로 사용될 수 있는 데이터의 질을

늘리도록 해야 합니다. 아직 퍼블리싱이 되지 않은 데이터에 대한

접근과 서로의 의견을 나눌 수 있는 버튼도 개발 중에 있습니다.”

“프라이버시 데이터를 3그룹으로 나눕니다.퍼블릭 데이터, 민감한

데이터(주소 등), 보안이 필요한 데이터를 구분한 뒤 퍼블리싱에 있어서

내부적 리뷰를 거치고, 프라이버시 알고리즘을 사용하여 최종적으로

데이터를 분류하게 됩니다. 저희 또한 프라이버시 프레임워크에 대한

문제가 많은데 사회적 정의 문제 얽힌 문제라서 아직 드러나지 않고 있는

실정입니다.”

Q. 샌프란시스코에서 프라이버시 문제는 어떻게 하시나요?

Chief Data Officer Joy Bonaguro

“미국 내에서는 데이터를 활용한 해커톤 대회들이 활성화 되어있습니다.

샌프란시스코 같은 경우 이미 전문가가 많고 해커톤이 많이 있어서

국가차원에서 이를 지원하지 않습니다. 해커톤은 초창기에 커뮤니티를

만드는 상태에서는 도움이 됩니다. 하지만 일시적으로 발생만 하고

장기적인 사회 망 형성에 도움이 되지 않는 경향이 있는 것 같습니다.

그렇기 때문에 일시적 이벤트보다는 전문가 커뮤니티 형성에 주력해야

합니다.그러한 전문가 커뮤니티 형성을 위해서 샌프란시스코

데이터에서는 전문가 커뮤니티를 위해 현재 질의 응답 같은 서비스들을

준비하고 있습니다.”

Q. 샌프란 시스코 데이터에서 주최하는 데이터 활용 대회가 있나요?해커톤?

마라톤을 하는

것처럼 정해진

시간 동안 해

킹(프로그래밍)

을 하는 프로

그램 마라톤

1. 정확한 책임자에게 임무를 부여할 필요가 있다.

2. 사용자가 접근하기 쉬운 다양한 인터페이스를 올리고 있다.

3. 미국에서는 이미 기계학습과 딥러닝에 관심의 정도가 높기 때문에 따로 대

회를 정부측에서 지원하지는 않는다. 하지만 초창기에 흥미와 관심 유발

을 위해서는 정부주도의 대회 개최가 필요하며 장기적으로 전문가들의 커

뮤니티 형성에 힘써야 한다.

샌프란시스코 데이터의 데이터 공급 과정

1 단계시 단위 부처에서는 가로축의 요구(낮음,중

간,높음)와 세로축의 분류(보호, 민감, 공공)

으로 총 9개의 그리드로 분류하여 각 오픈

데이터의 초기 중요도 레벨을 선정하게 합

니다.

2단계사용자들에게 데이터 셋의 선호도를 조사하

여 해당 데이터 셋의 공급승인을 받습니다.

3단계‘Housing Data Hub’처럼 어떤 특정 주제에

맞게 데이터 셋을 공급합니다.

P2 P2 P1

P3

P4

P2

P3

P2

P2

Demand

Cla

ssif

icat

ion

Low Medium High

Pre

dic

ted

Sen

siti

veP

ub

liic

4. 우리들의 제안

1) 데이터

2) 전문인력

3) 기술연구

1. 데이터

정부에서 기계학습에 사용 할 수 있는 양질의 데이터를 제공하는 방법을 제안한다.

다양한 행사를 개최하여 데이터를 모으는 방법을 제안한다

프라이버시 문제를 해결할 수 있는 툴의 개발과 동시에 데이터를 제공하는 국민들의 프라이버시

에 문제가 되지 않음을 알린다.

로봇 그리고 인공지능 구현에서의 하드웨어 측면 만이 아닌 아이들에게 소프트 웨어 적인 접근을

할 수 있도록 할 필요가 있음을 알린다.

전문가들의 경쟁 유도 및 초창기 커뮤니티 형성을 위한 다양한 대회를 개최한다.

2. 전문인력

기계학습과 딥러닝 기술의 유용성과 확신성을 투자자들에게 심어줘 투자를 유도한다.

기계학습 대회와 해커톤에서 나온 과제와 데이터 그리고 다양한 모델들을 학생들이나 비 전문가

에게 다시 제공하여 교육 프로그램을 만들 수 있도록 하는 인터넷 시스템이 필요함을 알린다.

여러 대회에서 끝나는 것이 아닌 대회에 참가한 전문가들이나 학생들이 서로 교류 할 수 있도록 장

기간 커뮤니티를 조성 할 수 있도록 해주어야 한다.

따로 문제들을 해결하는 것이 아닌 통합적 솔루션이 필요하다.

Solution

행사대 회 커뮤니티

학 습

통합적솔루션 1

다양한 기계학습/딥러닝 대회 개최

전문가들의 경쟁 유도 및 초창기 커뮤니티 형성을 위한 다양한 대회를 개최한다

다양한 대회의 개최를 통해서 기계학습 전문가들의 경쟁 및 교류 유도 및 기계학습/딥러닝의 전

문가들이나 학습을 원하는 사람들의 초창기 커뮤니티 형성을 목표로 한다, 또한 단순히 대회에서

끝나는 것이 아닌 기계학습/딥러닝 기술 박람회 개최, 장기간 커뮤니티 형성 그리고 딥러닝을 배

우고 싶어하는 사람들의 학습에 까지 도움을 줄 수 있도록 한다.

- 정부에서 기계학습에 사용 할 수 있는 양질의 데이터를 제공하는 방법을 제안한다.

대회에 주어지는 데이터 중 정부의 공공데이터에서 제공하는 데이터와 함께 제공하여 대회를 진

행 함으로써 정부에서 제공하는 데이터의 유용성 판단과 즉각적인 피드백이 이루어 질 수 있도

록 한다. 프라이버시가 문제 되지 않는 자연과학이나 공업분야는 정부가 나서서 데이터 공급이

필요하다

또한 국내 데이터 포탈에 전문가 Q n A 란과 실시간 데이터 량을 제시해서 데이터 포탈에서 공

급하는 데이터에 대한 즉각적인 피드백과 공공기관들에게 책임감을 부여 할 수 있도록 한다.

프라이버시 문제를 해결할 수 있는 툴의 개발과 동시에 데이터를 제공하는 국민들의 프라이버시에 문제가 되지 않음을 알린다.

프라이버시 문제는 사회적 문제가 많이 엮여 있기 때문에 해결하기 어려운 문제가 아닐 수 없다.

정부는 데이터 공급에 있어서 데이터 공개나 사용 전 철저한 검증과 알고리즘을 통해서 데이터

를 걸러 내야 한다. 기업 측면에서는 EMOTIENT의 경우처럼 개인의 정보가 들어가지 않도록 특

허나 기술을 통하여 사용자들에게 프라이버시가 문제가 생기지 않을 것임을 충분히 인식 시켜

주어야 한다. 빅데이터 시대에 앞서 가장 민감한 문제 중 하나일 수 밖에 없다.

미국의 스타트 업 기업 ‘EMOTIENT’에서는 행사에 참여하여 사람들의 표정에 관한 데이터를 모

은다. 이와 마찬가지로 국내에서도 행사에 참여한 사람들에게 여러 인공지능 기술을 체험할 수

있게 함과 동시에 사람의 음성,이미지 등의 다양한 데이터를 모을 수 있는 기회가 될 수 있도록

한다.

다양한 행사를 개최하여 데이터를 모으는 방법을 제안한다

로봇 그리고 인공지능 구현에서의 하드웨어 측면 만이 아닌 아이들에게 소프트웨어 적인 접근을 할

수 있도록 유도한다.

기계학습과 딥러닝 기술의 유용성과 확신성을 투자자들에게 주어 투자를 유도한다.

행사대 회 커뮤니티

학 습

인공지능 행사에서는 국/내 외 다양한 대기업, 스타트업, 대학, 전문가 그리고 기계학습 대회에서 나

온 다양한 인공지능 기술들에 대해서 시현하고 투자자들, 전문가, 일반인, 그리고 아이들을 초청하

여 방문자들에게 인공지능 기술을 체험 할 기회를 주게 된다.

미국의 딥러닝 기업을 운영하는 CEO는 어릴 때 부터 배워온 코딩이나 체험학습이 훗날 딥러닝

을 접했을 때도 손쉽게 할 수 있었던 이유라고 했다. 그러므로 행사에서 아이들에게 인공지능 기

술을 접할 수 있도록 기회를 만들어 주어 꿈을 심어줌과 동시에 자신이 직접 프로그래밍 할 수

있다는 것을 느낄 수 있도록 코딩 체험을 실시한다.

다양한 투자자들에게 딥러닝 기술을 직접 체험하게 함으로써 기술에 대한 확신과 신뢰감을 주어

스타트업 기업들이나 대학 연구에 투자를 유도 할 수 있도록 한다.

통합적솔루션 2

인공지능 기술 행사

행사대 회 커뮤니티

학 습

통합적솔루션 3

장기적인 커뮤니티 형성

미국의 경우는 기계학습과 딥러닝 전문가들이 많을 뿐만 아니라 전문가들이 정기적으로 모여 정보

교류를 하는 커뮤니티 시스템이 잘 갖추어져 있다. 아직 국내의 경우 전문가가 부족하기 때문에 정

부, 대기업, 스타트업, 그리고 전문가들이 서로 소통하고 교류 할 수 있는 단기간이 아닌 장기간의

커뮤니티를 이어 나갈 수 있도록 정부와 대기업이 주도하여 한 달에 한번 이상의 정기적인 커뮤니

티가 필요하다.

MEET UP 과 같은 장기간 커뮤니티 조성

대회와 박람회를 거쳐 서로의 교류가 이루어진 대기업,스타트업, 연구소 그리고 대학들은 단순히 대

회와 박람회 참여만이 아닌 서로를 알고 서로의 시너지를 극대화 할 수 있는 장기간 커뮤니티를 이

어 나가야 한다.

대기업, 스타트업,생태계를 위한 시스템 제안

NIA

대기업,투자자 한국 정보화 진흥원스타트업

과제등록과제제시

솔루션

경쟁 혹은 협력

행사대 회 커뮤니티

학 습

통합적솔루션 4

전문가 양성을 위한 학습 데이터 지원

기계학습 대회와 해커톤에서 나온 과제와 데이터 그리고 다양한 모델들에 대해서 학생들이나

비 전문가에게 다시 제공하여 교육 프로그램을 만들 수 있도록 하는 인터넷 시스템이 필요함

을 알린다

기계학습의 기본을 배우기 위한 과정은 곳곳에 존재 할 것이다.하지만 실질적인 모델을 구축

하기 위해서는 많은 경험, 그리고 직접 기계를 학습 시켜 볼 수 있는 데이터가 필요하다. 앞에

서 진행한 대회, 박람회, 그리고 형성된 커뮤니티에서 나오는 데이터를 그냥 흘려 보내서는 안

된다.

1. 정부 주도 하에 전문가들(혹은 형성한 커뮤니티)을 모아 딥러닝을 공부하기를 원하는 학

생이나 비 전문가를 위한 온라인 툴을 구성한다.

2. 질 좋은 정부의 공공데이터나 박람회에서 수집된 데이터들을 딥러닝 모델 구축 실습을 위

한 대학의 수업이나 비 전문가를 위한 온라인 사이트에 제공한다

3. 기계학습 대회에서 나온 다양한 모델들을 보고 참고 할 수 있도록 대학의 수업이나 온라

인 사이트에 제공한다

4. 앞장의 대기업, 스타트업,생태계를 위한 시스템 제안에서 대기업들이 제시한 문제들과

함께 스타트업 기업들이 경쟁,협력을 통해 제시한 여러 솔루션들을 참고 할 수 있도록 대

학의 수업과 온라인에 제공한다.

(이러한 데이터를 제공하기 위해 중간매개 역할을 한국 정보 진흥회가 있어야 하는 이유이다.)

대 회 행사

커뮤니티 학 습

1

2

3

4

5

6

7

8

9

10

11

1. 대회 후에도 전문가들의 지속적인 장기적 커뮤니티 형성

2. 커뮤니티를 통한 지속적인 교류를 통한 대회에서의 다양한 솔루션 형성

3. 대회에서 나온 다양한 솔루션을 행사에서 시연 및 교류

4. 행사에서 얻은 데이터와 , 행사를 통해 본 다양한 딥러닝/기계학습 모델을 통한 학습

5. 학습을 통한 전문가 양성 그리고 행사에 참여하여 딥러닝/기계학습 모델 구현

6. 커뮤니티에서의 노하우 및 다양한 정보를 딥러닝/기계학습 학습을 위해 제공

7. 학습을 통한 전문가 양성 그리고 커뮤니티 참석 및 교류

8. 대회에서 나온 다양한 딥러닝/기계학습 접근법을 학습

9. 학습을 통한 전문가 양성 그리고 대회에 참여하여 다양한 솔루션 제시

10. 행사에 참여한 투자자,대기업,스타트업, 학교 등이 장기간 커뮤니티 형성

11. 커뮤니티 내의 행사 정보 공유, 다양한 사람들이 참석하여 교류 및 딥러닝 모델 제시

솔루션간의상관관계

2) 융합적 기초연구가 필요하다.

지원및연구

1) 장기간의 지원과 연구가 필요하다.

SW

HW

뇌과학

현재 국내의 기계학습 SW 연구소는 포항공과대학에 존재하고 있다. 포항공과대학의 최승진

교수 연구팀이 2014년 인간 수준의 평생 기계학습 SW 기초연구를 수행하기 위한 기계 학습

연구센터를 설립하였으며, 향후 4년간 기계학습 SW플랫폼을 개발할 예정이라고 한다.

하지만 현재 이슈가 되고 있는 뉴럴 네트워크 기술은 대중이 관심을 가지지 않고 있을 때에도

꾸준히 10년 이상 연구되어온 분야이다. 국내의 4년 연구과정으로는 현재의 기계학습기술을

겨우 따라가기 바쁠 것이다. 정부에서는 최소 10년 이상의 장기간의 프로젝트를 통해 현재 딥

러닝 기술 이후의 다음세대기계학습 방법을 고안하고 수정하는 노력이 필요하다.

인공지능의 말 뜻은 사람과 같은 지능을 가진 기계라는 뜻이다. 인공지능을 구현하기 위해서

최근에는 사람의 뇌를 모방하려는 노력이 많이 이루어 지고 있다. 딥러닝 기술도 근본적인 원

리는 뇌의 뉴런과 닮은 알고리즘 구조를 가지고 있다. 또한 최근에 미국, 유럽 ,일본 등 여타 선

진국이나 IBM과 같은 대기업 그리고 국내에서도 뇌를 닮은 뉴런 시냅스 칩을 하드웨어 적으

로 구현하기 위해 노력 중이다. 이러한 모든 것들은 사람의 뇌의 구조 그리고 뇌 과학으로 부

터 기계의 지능을 인간과 같이 만들기 위해 다양한 노력이 진행 중이다. 인공지능 연구가 단순

히 소프트웨어만이 아닌 다양한 융합적 연구가 필요한 까닭이 이것이다. 이러한 인공지능을

구현하기 위해서는 국내의 기초 과학 연구소에 인공지능 분야 또한 설립 할 필요가 있으며 인

공지능에 대한 다른 여타 분야와의 융합적 연구도 필요하다.

빠르게 발전하는 현대 과학은 인간과 같은 혹은 그 이상의 지능을 가진 인공지능

을 곧 구현시킬 것이다. 우리에게 인공지능이라는 주제는 손에 잡히지 않는 막연

함이지만, 인공지능이 구현 되는 멀지 않은 미래가 다가 왔을 때, 그것은 우리의

삶에 큰 파장을 가지고 올 것이다.

처음 증기기관이 발명 되었을 때 있었던 사회의 혼란스러움을 우리는 알고 있다.

인간의 노동력을 뺏어 증오의 대상이 되었던 증기 기관은 현재 우리 삶에서 빼 놓

을 수 없는 발명이듯, 우리와 다른 생각하는 존재들에 대해 준비되어 있지 않다

면, 또 다시 우리는 인간의 사고를 묘사하는 인공지능을 적대할 것이다.

인간이 아닌 지능과 함께 생각하는,

사람이 더욱 사람답게 사는 세상이 올 것을 기대한다.

인간과같은기계들을맞이하기위한우리의준비

참고문헌

기사

· 머니투데이 과학분야 2015.3 기사

· 머니투데이 뉴스, 산업계 빅이슈 'AI'…"장밋빛 미래인가, 또한번의 거품인가", 2015.7 기사

· YTN 과학분야 2015.4 기사

· 테크엠 TECH M(인공지능과 딥러닝)2015.3 기사

· slownews '쉽게 풀어쓴 딥 러닝의 거의 모든 것'2015.5 기사

· 테크홀릭 2015.3 기사

· 디지털타임스 경제신문, 2015.7 기사(http://www.dt.co.kr/contents.html?article_no=2015071402101860718001)

· MK뉴스 IT과학부문 앨런 튜링, 2015.8 기사

· 사람처럼 시행착오 통해 배우는 로봇 등장, YTN뉴스 2015.6 기사

· etview 전자신문(인공지능시장, 새로운 격전지로 급부상)2014.9 기사

· COMPUTING NEWS, MIT Technology Review 2015.7

· 'What is deeplearning?', techworld 2015.8

· 네이버 블로그 R data (http://blog.naver.com/lk3436)

· 공공데이터포털 블로그

· 미국 공공 빅데이터 포털 data.gov

· SF OpenData (https://data.sfgov.org/)

· 글로벌 조사기관 테크프로리서치

· Scimago Lab, Copyright 2007-2015. Data Source: Scopus®

사전

· 네이버 백과사전

· 위키피디아

보고서

· LG경제연구원(www.lgeri.com)·

· 빅데이터 시장동향 - 한국과학기술정보연구원 KAIST(2013. 4)

· 딜로이트 글로벌 보고서[인공지능의 정의] 2015.2

· 중국 상하이의 인공지능 발전 계획[CCTV.com 한국어방송]

· machine intelligence landscape - BloombergBETA(www.shivonzilis.com/machineintelligence)

· 빅데이터 지식처리 인공지능 기술동향 -ETRI 2014소프트웨어기술동향특집

· 실리콘밸리에 부는 제5의 물결 ‘인공지능’(AI) - 방보경

· timeline of machine learning created by Eren Golge

· Interest over time. web search. Worldwide - View full report in Google Trends

· Forecast: IoT Endpoints-Sensing, Processing and Communications Semicoductors, Worldwide, 2013-2020, Gartner, 2014.

· 시장동향자료 IDC, EU "Market Report" 2013

· 뉴로시냅틱 인지컴퓨팅 기술동향 - 장준영,윤장우,이전우,배창석,정호영,이주연,김주엽,임지연,민옥기

· 기계학습 -장병탁[2015.3.27 딥러닝 아키텍쳐 발표자료]