Robert Ito

AI 분야의 실상 점검

지능형 컴퓨터라고 해도 가르치는 사람보다 똑똑해질 수는 없습니다.

여름이 세 번 지나는 동안 컴퓨터 과학자를 꿈꾸는 학생 20여 명이 업계 최고의 권위자들로부터 인공 지능에 관해 배우기 위해 스탠퍼드대학을 찾았습니다. 수백 명의 지원자 중에서 선발된 학생들은 인근의 첨단기술 기업을 방문하고, 소셜 로봇과 드론을 체험하며, 컴퓨터 언어학(여러 의미를 가진 단어를 기계로 처리하는 방식)과 시간 관리의 중요성을 배우게 됩니다. 프리스비를 즐기는 젊은 친구들이지만, 이런 친구들이 모여 자기가 좋아하는 비디오 게임에서 더 약삭빠른 적을 만들어 내는 것이 AI라고 생각하시면 안 됩니다. Stanford Artificial Intelligence Laboratory’s Outreach Summer(SAILORS) 프로그램에 참가하는 학생은 모두 막 9학년을 마친 여학생들입니다. 이 학생들은 더 재미있는 게임이 아니라 더 나은 삶을 만들어 나가는 것을 목표로 공부합니다. 어떻게 하면 AI를 사용하여 초대형 여객기가 서로 충돌하지 않고 비행하도록 할 수 있을까요? 의사가 집도하기 전에 잊지 않고 손을 씻게 할 수는 없을까요? Fei-Fei Li(스탠퍼드 AI 연구소장이자 SAILORS 프로그램의 설립자): "저희 목표는 다양성을 확보하고 다양한 배경을 지닌 학생이 참여할 수 있도록 AI 교육의 방향을 다시 잡는 것입니다. 다양한 배경의 기술자들을 육성하면 기술은 인류 전체를 위해 활용되는 방향으로 발전하게 됩니다."

다양한 배경의 기술자들을 육성하면 기술은 인류 전체를 위해 활용되는 방향으로 발전하게 됩니다.

—Fei-Fei Li Google 및 스탠퍼드대학교

Fei-Fei Li

2015년, Li와 당시 학생이었던 Olga Russakovsky(현 프린스턴대학 조교수)는 SAILORS를 설립했습니다. SAILORS의 설립 목표는 기술 업계의 성차별을 극복하는 것이었습니다. 이는 숭고하면서도 해결이 시급한 과제입니다. 최근 설문조사에 따르면 컴퓨터 공학 학위를 목표로 하는 여성의 수는 줄어들고 있으며, AI 분야에서 임원으로 활동하는 여성의 비율은 20%에도 미치지 못하는 것으로 나타납니다. 더 편하고 효율적인 삶을 위해 AI를 사용하는 사람은 매일같이 늘어 가고 있습니다. 이렇게 막대한 잠재력을 지닌 분야에서 여성을 배제할 수는 없는 일입니다. 사진 앱이 해변 사진에서 해변은 물론 여러분의 얼굴까지 인식할 수 있는 것은 모두 AI 덕분입니다. 내일 날씨를 물어보는 여러분의 말을 기기가 이해할 수 있는 것도 마찬가지입니다. 또한 널리 알려져 있지는 않지만, 실명으로 이어질 때가 많은 당뇨병 망막증을 진단하거나 접근하기 어려운 곳에 수색 및 구조를 목적으로 드론을 보내는 일에도 AI가 활용됩니다.

AI의 활용 분야가 넓어지고 있다는 점을 감안할 때, 이 분야에서 성별 균형이 실현되어야 하는 이유는 단순히 AI 목표에 정당성을 부여하기 위해서가 아닙니다. 기계 학습의 특성상 다양성이 AI에서 핵심적인 부분을 차지하기 때문입니다. AI의 목표는 인간이 자연스럽게 음성을 인식하고, 의사결정을 내리며, 부리토와 엔칠라다를 구분하는 것처럼 기계 역시 스스로 작업을 완료할 수 있도록 발전시키는 것입니다. 이를 위해서 기계는 수백만 가지 단어, 대화, 이미지 등 막대한 양의 정보를 습득합니다. 사람이 태어날 때부터 깨어 있는 모든 순간에 정보를 흡수하듯이 말입니다. 이러한 사람의 행동도 본질적으로는 기계 학습과 같습니다. 기계는 알고 있는 자동차 수가 많을수록 더 능숙하게 자동차를 구분하게 됩니다. 그러나 기계에 주어지는 데이터 세트가 제한적이거나 편향되어 있는 경우(연구자들이 트라반트 자동차 이미지를 포함하지 않는 경우 등) 또는 AI 연구자들이 이러한 제한이나 편향성을 인식하거나 고려하지 못하는 경우(연구자가 잘 알려지지 않은 동독 자동차에 관해 잘 모르는 경우 등), 기계와 기계가 만든 결과물에는 결함이 있을 수밖에 없을 것입니다. 이러한 일들은 이미 일어나고 있습니다. 한 이미지 인식 소프트웨어가 아시아인의 사진을 보고 눈을 깜빡이는 것으로 인식한 사례도 있습니다.

데이터의 투명성을 확보하는 것에서 멈추지 않고, 실제로 이 수치를 올바른 방향으로 이끌어야 합니다.

—Tracy Chou Project Include

Tracy Chou

다양한 사람들이 함께 일할 수 있는 실험실과 작업공간을 만들려면 어떻게 해야 할까요? 개별적으로 그리고 수많은 프로젝트를 통해 그 답을 찾기 위해 노력하고 있습니다. Google 클라우드의 AI 및 기계 학습 부문 수석 과학자인 Li를 비롯해 여러 사람들이 노력한 끝에 올해 AI4ALL이 출범했습니다. 정부 산하의 비영리단체인 AI4ALL에서는 AI 분야의 다양성을 극대화하는 것을 목표로 하고 있으며 유전체학, 로봇공학, 지속 가능성 분야의 전문가들을 멘토로 두고 있습니다. AI4ALL은 SAILORS가 거둔 성과를 바탕으로 설립된 단체입니다. 하지만 프린스턴대학교, 캘리포니아대학교 버클리캠퍼스, 카네기멜론대학교 및 스탠퍼드대학교와 협력하여 전국의 유색인종과 저소득층 학생을 대상으로 한다는 점이 다릅니다. Li: "동료들과 업계 리더들로부터 'SAILORS에서 하는 일은 칭찬할 만하지만, 스탠퍼드대학교 학생 몇십 명에게만 혜택이 돌아가고 그중 대부분은 베이 지역에 거주한다는 점이 아쉽다'는 말을 자주 들었습니다. 그래서 성별뿐만 아니라 모든 영역에서 다양성과 포용성을 목표로 하는 AI4ALL을 세운 것입니다."

그 밖의 유사한 이니셔티브로는 오클랜드 지역을 중심으로 라틴계와 아프리카계 미국인 학생들이 기술 분야의 직업을 체험할 수 있도록 지원하는 활동인 Code Next, 지원이 열악한 로스앤젤레스 커뮤니티를 대상으로 하는 교육 및 멘토링 STEAM(과학, 기술, 엔지니어링, 예술, 수학) 프로그램인 DIY Girls, 신규 및 중간 단계의 스타트업에서 더 많은 여성과 유색인종을 고용하도록 지원하는 Project Include가 있습니다. 이전에 Pinterest에서 일했던 Tracy Chou는 기술 산업 분야에서 이름을 높이고 있는 7명의 여성들과 함께 지난해 Project Include를 설립했습니다. 2013년 Chou가 기술 기업들을 대상으로 여성 직원의 비율을 공개하라고 요구했다는 것은 이미 널리 알려진 사실입니다. 그 숫자가 공개되면서 실리콘밸리에서 근무하는 사람이라면 모두 알고 있었던 사실이 드러났습니다. 대기업부터 작은 스타트업에 이르기까지 기술 산업에서는 백인과 남성의 수가 압도적으로 많다는 사실이 입증된 것입니다. Chou는 다음 단계로 나아가기 위해 Project Include가 꼭 필요했다고 설명합니다. Chou: “몇 년 동안 이러한 데이터 보고서가 발표되었지만 큰 변화가 일어나지 않자 담론이 바뀌기 시작했습니다. 데이터의 투명성을 확보하는 것에서 멈추지 않고, 실제로 이 수치를 올바른 방향으로 이끌어야 합니다.”

일반 사용자도 AI 분야의 성과를 더 쉽게 누릴 수 있도록 지원하는 것 역시 이러한 노력의 일환입니다. AI 분야에 종사하는 사람은 상대적으로 적은 데 비해, 사람을 도와주는 로봇과 사람의 요구를 예측하는 개인 비서는 이미 활용되고 있습니다. 데이터 및 규칙을 관리하는 사람과 실제로 작업을 실행하는 기계의 관계를 생각하면, 사람의 지식이 더 많이 투입될수록 더 나은 성과를 낼 수 있을 것입니다.

여러 측면에서 AI의 대중화는 이미 진행되고 있습니다. 예를 들어, 일본에서는 한 농부의 아들이 AI를 사용하여 수확한 오이를 다양한 특성에 따라 분류하는 데 성공했습니다. Li는 이러한 이야기에 관심을 가집니다. 중국에서 태어난 Li는 16살에 미국으로 건너왔는데, 미국이라는 나라에 관해 아는 것이 별로 없었습니다. 게다가 자신이 정착한 뉴저지에 관해서는 더더욱 아는 바가 없었습니다. 집 청소부터 개 산책시키기, 중국집 계산원 등 다양한 일을 경험했던 Li는 프린스턴대학에 진학했고, 이후에는 캘리포니아 공과대학 대학원에서 공부하게 되었습니다.

Li는 백인 남성으로 가득 찬 기술 업계에서 이민자, 여성, 유색인종이라는 3가지 불리한 요인을 지닌 아웃사이더입니다. 다른 사람들에게는 장애물이 될 수도 있는 조건들이 Li에게는 큰 자극이 되었습니다. 그녀는 스스로 기계 학습 분야 중 'AI의 핵심'이라고 부르는 컴퓨터 비전을 공부하는 데 많은 시간을 투자합니다. 컴퓨터 비전은 시각적 데이터를 분석하고 식별하는 기술입니다. 이 기술을 통해 언젠가는 반응성이 뛰어난 로봇팔을 만들거나 아주 복잡한 수학 증명을 풀어낼 수도 있을 것입니다. 그러나 다른 AI 분야에서와 마찬가지로 이 기술의 핵심은 다양한 위치와 관점에서 대량의 정보를 해석하도록 기계를 학습시키는 일입니다. 본질적으로는 Li 같은 사람들처럼 세상을 보는 눈을 길러 주는 것입니다.

ILMxLAB에서 매일 스토리 구성과 기술적 문제를 해결해야 하는 콘텐츠 전략가, Diana Williams에게는 상상 속 세계를 실현할 다양한 크리에이터 집단을 육성하는 일이 매우 중요합니다. 거대한 스타워즈 세계에서 영감을 받아 세워진 ILMxLAB은 개발자들이 몰입도 높은 대화형 엔터테인먼트 콘텐츠(예: 다스 베이더를 만나는 VR 체험)를 제작하는 Lucasfilm의 일급비밀 드림센터입니다. Williams는 Black Girls Code와 같은 기술 전문 단체에 깊이 관여하고 있으며, 대학생이던 80년대에 유색인종 여성 인재가 부족했던 상황을 기억하고 있습니다. Williams: "대학 시절에 수학과 경영 수업을 들을 때 강의실에 여학생은 저 한 명뿐이었습니다. 이러한 현실에 질릴 때도 있었고 무서울 때도 있었죠." Williams는 더 많은 여성이 기술 분야에 진출하기 위한 해결책을 이렇게 설명합니다. "어렸을 때부터 시작하고 자신감을 느끼도록 해야 합니다. 그렇게 해야 남학생들로 가득 찬 강의실에 들어가도 겁먹고 돌아서지 않을 수 있으니까요."

어렸을 때부터 시작하고 자신감을 느끼도록 해야 합니다. 그렇게 해야 남학생들로 가득 찬 강의실에 들어가도 겁먹고 돌아서지 않을 수 있으니까요.

—Diana Williams Lucasfilm

Diana Williams

Google의 기계 학습 연구자인 Maya Gupta는 다른 각도에서 AI를 개선하기 위해 노력하고 있습니다. Gupta는 스탠퍼드에 있을 때 노르웨이의 한 기업이 금이 간 수중 가스관을 탐지하는 일을 도왔습니다. Gupta: "직접 들어가 보기가 힘들기 때문에 부분적인 정보만을 사용하여 추측해야 했습니다." 기계가 세밀한 추측을 할 수 있도록 학습시키는 일은 Gupta에게 익숙한 일입니다. YouTube에서 테너 색소폰 연주자 Kamasi Washington의 'Truth'를 듣다가 마치 실력 있는 DJ가 솜씨를 발휘한 것처럼 음악이 Alice Coltrane의 화려한 'Turiya and Ramakrishna'로 자연스럽게 넘어간다면 Gupta에게 감사를 전해야 할 것입니다. 컴퓨터의 추천 기능을 세밀하게 다듬는 것이 바로 Gupta의 팀에서 하는 일이기 때문입니다. Gupta: “결국 가장 중요한 것은 예측입니다. 제한된 데이터를 사용하여 앞으로의 상황을 추측하는 것이죠.”

현재 Gupta는 Google R&D팀을 이끌면서 다른 업무와 함께 기계 학습의 정확도를 높이는 일을 맡고 있습니다. Gupta: "보스턴 억양과 텍사스 억양을 인식하는 정확도가 동일하면 좋겠는데, 내가 가지고 있는 음성 인식기는 텍사스 억양을 조금 더 잘 인식한다고 해 보죠. 정확도를 똑같이 만들기 위해 텍사스 억양 인식 기능을 보스턴 억양 인식 기능 수준으로 떨어뜨려서 텍사스 억양으로 말하는 사람들에게 불이익을 줘야 할까요? 보스턴 억양으로 말하는 사람들의 음성을 인식하는 것이 더 어려울 뿐이라면 어떨까요?"

또한 Gupta와 팀원들은 인간과 비교했을 때 훨씬 투명하게 운영되도록 시스템을 개선하는 중입니다. 기계는 인간의 사고를 방해하는 편견이나 잠재의식적 사고 과정 중 대부분으로부터 자유롭거나, 적어도 이러한 의식이 발생했을 때 발견하기가 더욱 쉬울 것이라고 기대할 수 있습니다. 기계는 피곤하거나 짜증이 나거나 배가 고파도 집중력을 잃지 않습니다. 한 연구에 따르면 판사는 검사 및 변호사와의 협의보다는 샌드위치를 떠올리게 되는 점심 직전에 가석방 처분을 내릴 확률이 더 낮다고 합니다. Gupta: "사람의 마음속에서 무슨 일이 일어나는지 측정하기는 어렵습니다. 저희는 기계 학습 시스템이 사람의 마음과는 다르게 명확하게 설명될 수 있길 바랍니다. 그리고 솔직히 말하자면, 이미 기계 학습 시스템의 대부분이 인간보다는 이해하기 쉽습니다."

저희는 기계 학습 시스템이 사람의 마음과는 다르게 명확하게 설명될 수 있길 바랍니다. 그리고 솔직히 말하자면, 이미 기계 학습 시스템의 대부분이 인간보다는 이해하기 쉽습니다.

—Maya Gupta Google

Maya Gupta

AI는 갈수록 더욱 유용해지는 것은 물론 사용하기 쉬워지고 있습니다. 이제는 AI를 가능한 한 많은 사람이 활용하도록 지원하는 것이 핵심 과제가 되었습니다. Google에서 근무하기 전에 IBM 연구자로 일했던 Christine Robson은 TensorFlow와 같은 오픈소스 소프트웨어의 열렬한 지지자입니다. TensorFlow는 언어를 번역하고, 질병을 찾아내고, 독창적인 예술 작품을 창작하는 등 다양한 작업에 활용될 수 있는 기계 학습 시스템입니다.

Robson에게 포용적인 AI란 자신과 같이 수학만 아는 괴짜뿐 아니라 모든 사람이 활용할 수 있는 AI를 의미합니다. Robson: "기계 학습을 누구나 사용할 수 있게 된다고 생각하면 신이 납니다. 기계 학습의 대중화에 관해 다양한 의견이 존재하지만, 저는 대중화가 반드시 이루어질 수 있다고 생각합니다. 이러한 AI 도구를 사용하기 쉽게 만들고, 모두가 AI 기술을 이용할 수 있도록 도와야 합니다."

공상과학 소설과 영화에서는 오랫동안 실패한 AI의 사례를 다뤄왔습니다. Mary Shelley의 프랑켄슈타인은 내년에 출간 200주년을 맞습니다. 오늘날 Li, Robson, Chou를 비롯한 업계 종사자들 대부분은 AI가 우리에게 미칠 수 있는 악영향보다는 인간이 AI에 미칠 수 있는 악영향에 관해 더 신경 쓰고 있습니다. 예를 들면, 프로그래머들은 디지털 비서에게 여성의 목소리를 입히는데, 그 이유는 남성과 여성 모두 여성의 목소리를 선호하는 경향이 있기 때문입니다. Chou: "하지만 그렇게 하면 비서는 여자가 해야 한다는 인식을 깰 수 없습니다. 이러한 디지털 비서를 사용할수록 사회적인 편견이 견고해지는 것이죠." 이 분야의 많은 지성인들은 실제 AI 시스템에 반영되는 편견과 이러한 편견으로 인해 발생할 일들을 걱정하고 있습니다. AI 분야에서 다양성을 추구해야 하는 중요한 이유가 바로 여기에 있습니다. 쉬운 일은 아닐 것입니다. 하지만 똑똑하고 재능 있는 지지자들이 이를 실현하기 위해 헌신적으로 노력하고 있습니다.

이러한 AI 도구를 사용하기 쉽게 만들고, 모두가 AI 기술을 이용할 수 있도록 도와야 합니다.

—Christine Robson Google

Christine Robson

Gupta는 모두가 환영받는다는 기분을 느끼도록 도와야 한다고 말합니다. 그녀는 모교인 라이스대학교의 벽에 걸려 있는 은퇴한 전기공학과 교수들의 사진을 보면서 괴리감을 느꼈다고 말합니다. Robson은 여학생들이 AI가 마술이 아니라 수학이라는 사실을 이해하도록 가르쳐야 한다고 덧붙입니다.

SAILORS에서 공부하는 학생들은 자연어 처리를 사용하여 소셜 미디어를 검색하고 재난구조를 돕는 방법을 배우고 있습니다. Li: "구조요원들은 Twitter 메시지를 사용하여 도움이 필요한 사람을 실시간으로 찾을 수 있습니다." 잊지 못할 여름이 한참 지난 후에도 SAILORS에서 참여했던 수업과 프로젝트의 여파는 지속됩니다. 학생들은 학교에서 직접 로봇공학 클럽을 만들고, 과학 저널에 논문을 게시하며, 중학교에서 워크숍을 열어 후배 여학생들에게 AI를 전파하기도 합니다. 캠프에서 씨름했던 수많은 프로젝트만큼이나 다양한 배경과 경험을 지닌 이 학생들에게 AI는 멋들어진 최신 유행이 아니라 지속적으로 활용할 수 있는 강력한 도구입니다. 2015년 첫 번째 SAILORS 모임이 시작되기 전에 프로그램에서는 캠프 참가자들에게 다음과 같은 야심 찬 소망이 담긴 메시지를 전달했습니다. "미래의 세상을 바꾸기 위한 AI 여정을 지금 시작하길 바랍니다."

맨 위로