‘인공지능’이란 무엇일까? 꼭 인간처럼 행동하는 기계를 생각하고 있지는 않은 것일까? 이것은 옳다고도 할 수 있고, 틀리다고도 할 수 있다. 왜냐하면 인공지능이란 분야는 두개의 측면이 있기 때문이다. 하나는, 인간의 지능 그 자체를 가진 기계를 만들려고 하는 것, 또 하나는 인간의 지능을 사용하여 ‘하고자 하는 것'을 기계에 ‘시키는 것’이다. 현재의 연구는 거의 모두가 후자의 내용이 주류를 이루고 있다. 그렇기 때문에 인공지능 연구라고 해도 인간과 같은 기계를 만들려고 하는 것은 아니다. 그렇다면 실제 어떠한 연구를 하고 있을까? 인공지능 연구에는 인공지능 자체의 연구로 여러 접근방법, 표현 방법 등이 있는데, 여기서는 ‘추론(推論)’과 ‘학습(学習)’에 대해 설명하고자 한다. ‘추론(推論)’은 지식을 바탕으로 새로운 결론을 얻는 것이다. ‘학습(学習)’은 기계가 지식을 얻는 듯 하지만, 이미 취득한 정보에서 앞으로 사용 가능할 것 같은 지식을 발견하는 것이다. 그럼, 추론과 학습의 구체적인 예를 알아보자.

추론(推論) – “오세로” 게임

우선, 추론의 한 예를 컴퓨터가 상대하는 오세로로 설명해 보겠다. 오세로라는 게임의 룰은 (1)바둑판의 8×8의 눈금에 서로의 바둑알을 상호 바꿔가면서 놓는다. (2)선택한 바둑알이 상대의 바둑알을 사이에 두면 상대의 바둑알을 자기의 바둑알로 변경시킬 수 있다(바둑알은 양면이 서로 다른 색으로 되어 있다. 즉, 하얀색과 검은색이 한 바둑알로 되어 있다.) (3) 바둑알을 놓을 수 있는 것은 상대 바둑알을 끼울 수 있는 곳만 놓을 수 있다. (4) 서로가 바둑알을 더 이상 놓을 수 없으면 게임은 끝난다.(5)자기 색의 바둑알이 많으면 승리한다.

그럼, 인공지능이 어떤 “사람”인지 보자. 지금 시작하는 인공지능은 위의 규칙을 알고만 있는 상태이다. 추론(推論)은 ‘지식을 바탕으로 새로운 결과를 얻는 것’이라고 하였는데, 이러한 규칙은 지식이라고 하겠다. 또한, 바둑판의 바둑 상태도 지식이라는 범주에 포함된다.

인공지능은 이러한 지식을 여러 가지 조합하여 ‘많은 상대의 바둑 알을 자기의 바둑알 사이에 끼우면, 자신이 이긴다’고 하는 새로운 결과를 얻게 된다. 이것을 ‘추론(推論)’이라고 한다. 이 결과를 바탕으로 ‘많은 상대의 바둑알을 사이에 끼워 넣는다’라는 정보를 바탕으로 파란 화살표에 바둑알을 놓는다고 결론을 내린다.

그런데, 상대(사람)는 자기 순서에서, 빨간 화살표에 바둑알을 놓는다. 그렇게 되면, 인공지능은 많은 바둑을 잃게 된다. 따라서 인공지능은 ‘상대는 자기의 순서일 때, 자기의 바둑알 사이에 많이 끼우게 되는 곳에 바둑알을 놓는다’라는 지식을 얻게 된다. 그러면, 새로운 지식도 고려하여, 인공지능은 ‘많은 바둑알을 끼우지만, 상대 순서일때 상대가 조금밖에 끼울 수 없는 곳에 바둑알을 놓는다’라는 새로운 결과를 얻을 수 있게 된다. 이와 같이 순서를 전부 알려주지 않아도 지식을 이것 저것 바꾸는 것으로 목표를 달성하기 위하여 필요한 사항을 얻는 것이 중요한 것이다.

1997년에 체스 세계챔피언과 대국을 벌인 컴퓨터도 여러 개량과 개선을 하였는데, 위에서 설명한 내용이 기본 바탕으로 실행되고 있다. 이 추론(推論)은 기본적인 기술로서 여러 방면에 응용되고 있다. 예를 들면, 인공지능을 탑재한 로봇 축구대회 ‘로보컵(RoboCup)’의 로봇 등이 시합 중간에 카메라를 이용해 주위 상황을 지식(知識)으로 습득하고 있다. 또한, 어떠한 상황으로 어떠한 플레이를 해야 하는가 라는 지식(知識)도 있다. 이러한 지식(知識)을 통합하여 ‘슛을 하라’는 새로운 행동 결과를 얻어내어, 그것을 바탕으로 실행하고 있다.

학습(学習) – 물건 구입의 조사

학습(学習)의 예를 손님이 물건 구입하는 내용을 조사하는 것을 통해 설명 하겠다.

인공지능이 탑재된 카운터가 있는 편의점에 손님이 어떤 물건을 구입하였는지 기록이 되도록 설치되었다고 하자. 첫 번째 손님이 빵, 김밥, 우유를 하나씩 구입하였다. 학습(学習)이라는 것은 ‘정보에서부터 앞으로 사용 가능한 지식(知識)을 발견하는 것’이라고 하였는데, 이 손님의 물건구입은 이러한 정보에 해당한다.

정보를 얻었기 때문에, 인공지능이 탑재된 카운터는 ‘앞으로 사용할 수 있는 지식’을 발견하려고 하였지만, 정보부족으로 발견할 수 없었다. 따라서, 조금 더 정보 수집에 노력을 한다. 두 번째 손님이 들어와 우유와 신문을 구입하였다.

세 번째 손님은 도시락과 차, 네 번째 손님은 빵과 우유, 껌을 구입하였다. 네 번째 손님까지의 물건구입 내용을 정리하면 위와 같다. 여기서 빨간 원으로 표시한 빵, 파란 원으로 표시한 우유에 주목해 보자. 첫 번째와 네 번째의 손님은 빵을 샀지만, 함께 우유를 구입하였다. 따라서, 이에 대한 정보를 바탕으로 '빵을 구입한 손님은 우유도 함께 구입한다'는 것이 파악되었다. 이것은 장래에 유용한 데이터가 될 것이다. 즉, 빵과 우유를 서로 가깝게 진열하면 우유가 판매될 수 있다는 것이다. 따라서, 인공지능탑재 카운터에는 손님이 물건구입한 정보로부터 장래에 사용될 가능성이 있는 지식을 얻을 수 있게 되었다. 이것이 인공지능 연구 분야에서 말하는 학습이라는 것이다. 또한, 여기서 예를 든 것은 매우 단순하지만, 온라인 쇼핑에서 지금 온라인을 보거나, 등록한 사람들에게 권유하는 제품은 모두 이러한 것이 기본바탕으로 되어 있다.

인공지능의 학습이란 이것뿐이 아니다. ‘정보’에는 문자나, 카메라로 찍은 사진이나, 마이크로 녹음한 음성 등 여러 형태가 있다. 반면 ‘장래에 사용될 가능성이 있는 지식’에도 여러 종류가 있다. 덧붙여서, 정보에서부터 장래에 사용될 가능성이 있는 지식을 어떠한 방법으로 찾을까, 또한 정보나, 장래에 사용될 가능성이 있는 지식을 어떻게 컴퓨터에 넣을 수 있을까 등 많은 문제가 있고, 많은 연구를 계속하여 하고 있다. 학습(学習)과 추론(推論)은 단독보다 조합으로 이용되는 경우가 많다. 예를 들면, 최근 네비게이션 시스템은 목소리로 조정되기도 한다. 이것을 실현하기 위하여 우선 여러 사람의 목소리를 녹음하여 많이 수집한다. 그리고, 그러한 목소리를 정보로서, 목소리와 이야기하고 있는 내용의 대응으로 ‘장래에 사용될 가능성이 있는 지식’으로서 학습한다. 그리고, 찾은 지식을 네비게이션에 미리 등록을 하여 마이크에 의하여 네비게이션에 목소리를 듣게 한다. 그렇게 하면 이 학습한 지식을 바탕으로 추론(推論)의 수법에 의하여 목소리에 대응하는 명령의 내용(예를 들면 “지도를 확대하라”라던가 “경로를 재 검색하라”)라는 새로운 결과를 찾을 수가 있게 되는 것이다.

* 히로유키 다카노 본지 객원 기자의 '인공지능 이야기'가 계속 됩니다. 많은 관심 부탁드립니다.(편집자 주)