| 초록 |
1. 서론 기계학습(ML) 기술은 인공지능(AI)을 구현하는 기본 기술이며, ML의 단계별 과정은 전체 혹은 부분적 수동 및 자동 AI 구현 플랫폼을 통해 관리된다. ML 구현의 실무적 목표는 사용자 데이터를 ML 모델에 학습시키고 AI를 구현하는 알고리즘을 구성하는 것이다. 구글은 학습된 모델을 지식 추출 알고리즘과 학습 매개변수로 구성된 프로그램[1]으로 간단히 표현하기도 한다. 한편 AI 생태계는 AI 구현의 생산성을 높이기 위해 구현 기술인 ML과 심층학습(DL)의 고도화 및 자동화가 진행되고 있으며, AI가 AI를 생성하는 자동화 AI에 대한 이슈도 증가하고 있는 상황이다. AI 시장은 연평균 50% 이상의 고성장과 투자에도 기술적으로는 이미 성능이 입증된 DL의 상용화 한계나 프로젝트의 실패 사례에 대한 보고도 있다. 미국 뉴욕대학 인지심리학자인 Gary Marcus는 DL의 우려 사항[2]으로 데이터 효율, 전이학습, 계층적 지식, 개방형 추론, 설명성, 사전 지식 통합, 추론 원안, 안정적 모델링, 견고성, 적대적 사례, 실제 신뢰성 등을 지적하거나, DL의 한계로 학습 가능한 고품질 훈련 데이터의 부재, 인과관계에 의한 영향이 적고 외부 변동 요인에 강한 안정적인 AI의 부재, 소량의 비정형 데이터로부터의 편향적 학습에 의한 오류 상존, 도메인과 적용 특성에 맞는 전문적 AI 알고리즘의 최적화 실패 등을 지적하고 있다. 이런 우려나 한계에도 실용적 개선 방법으로, ML과 DL을 포함하는 AI 기술의 개발 생산성 향상을 위해 기존 AI로 또 다른 AI를 생성하는 자동화 AI 기술개발의 필요성이 강조되고 있다. 현재 AI 핵심기술인 ML 작업의 정형화 개발 프로세스의 대부분은 데이터의 수집, 분석, 전처리, 특이점의 선택 및 변환, 최적 학습 결과의 선택, 튜닝, 설계, 배포 단계로 구성된다. 이를 ML 파이프라인이라 지칭하며, 이들의 각 단계별 실무적 작업흐름과 성능 개선 방식에 대한 자동화를 자동화 ML 혹은 자동화 AI 기술이라 지칭하기도 한다. 한편, 최근 ML 프로세스에 AI 추론 과정을 부가하고 개발자나 사용자가 쉽게 프로세스 마이닝과 최적화를 위해 소프트웨어 봇을 구성하고 활용 가능하도록 하는, 클라우드 및 AI 기반 로보틱 프로세스 자동화(RPA)를 지능형 자동화 AI 기술로 표현하기도 한다. 이러한 ML 파이프라인의 주요 자동화 설계 영역은 학습 데이터의 수집 및 정제, ML 모델 적용을 위한 원시데이터의 해석과 변환 및 데이터세트의 생성, 하이퍼파라미터 미세튜닝 기반의 ML 알고리즘 개선과 신경망 토폴로지의 최적 구조 생성 분야 등으로 설명된다. 자동화 AI와 ML의 목적성은 신뢰성과 경제성에 있다. 이러한 ML 파이프라인 최적화를 위한 해외 솔루션으로 IBM의 AutoAI, MS의 AzureML, Google의 AutoML, Amazon의 SageMaker 등[3]이 있다. 이들 AI 범용화 프로젝트들의 배경은 과거 컴퓨터비전, 음성, 자연어, 번역 처리 API와 클라우드 ML 엔진의 훈련된 모델을 통한 서비스의 확대 과정 속에서, 최적화된 모델 구성에 자원 및 시간 소모 문제가 부각되자, 이의 해결을 위해 클라우드서비스 형태로 자동화 ML(AutoML) 솔루션 프로젝트가 시작되었다고 볼 수 있다. 이러한 AutoML은 학습을 위한 학습 혹은 전이학습(TL) 기반의 기술로, AI를 구축하는 AI 모델 생성기나 툴로 지칭되기도 한다. 이러한 AI의 인식은 룰 기반의 일반적 AI를 의미하는 약한 AI에서 독립적 다중지능과 상호작용 논리에 의한 자율적 AI를 의미하는 강한 AI를 거쳐 지능이 거대 증폭되는 슈퍼 AI로까지 진화하는 과정에서, 구현과 완성도 및 빙향성에 관한 비관 및 낙관론을 교차 생성하면서도 다양한 분야의 고부가가치 실현에 필수적인 기술로 인식되어가고 있다. 실무적으로 AI 형성을 위한 접근방식은 아직 ML의 반복적 결합방식에 의한 수동적인 접근방식이 대부분이긴 하나, 보다 효과적으로 학습된 자동화 ML 솔루션으로 진화하고 있다. 즉 일반적 AI 생성방식인 ML 파이프라인 처리방식을 자동으로 학습하게 하여 영역별 맞춤형 AI 생성 알고리즘(AIGA: AI generating algorithm)을 창출하는 접근방법이 이슈가 되고 있으며 독립적 해결 과제 형태로 부상하고 있다. 그 구현 및 개선 과정의 주요 부문은 메타학습 구조, 학습 알고리즘 자체의 메타학습, 효과적 학습환경의 생성[4] 분야로 설명되기도 한다. 시장은 AI의 도입과 실용화를 위한 모델 생성의 복잡한 과정을 자동화하여 AI 모델을 자동으로 생성하는 자동화 AI 모델과 솔루션들이 제시되어왔다. 이들은 다양한 유형의 학습을 통해 문제 발견과 해결을 위한 최적의 방법을 제시하며, 데이터 가공, 특징 추출, AI 모델 구축 등 일련의 과정을 자동화하는 툴로서 산출 근거의 설명이 가능한 AI를 구현하게 한다. 비즈니스의 관건은 최적화 모델링의 속도와 정밀도이다. 본 보고서는 자동화 ML 및 AI 관련 국내외 연구 및 기술 동향, 시장 동향과 전망, 시사점으로 구성하고, 관련 이슈를 검토하여 AI 개발 및 추진과 가속화에 도움을 주고자 정보를 공유한다. ** 원문은 파일 다운받기를 해주세요 :-) |
