[Industry 4.0] Part3 인공지능, 내 일자리 빼앗을까?

인공지능에 대한 기고를 준비하며 고민이 많았다. 사실 이미 많은 책과 글을 통해 이미 인공지능에 대해 너무 많은 이야기들이 회자되고 있기 때문이다. 그래서 지금에 와서 ‘알파고가 어쩌고’ 하기에는 요즘같이 빠른 세상에서 철지난 이야기가 될 것이 뻔했다. 반대로 깊이 들어가서 인공지능의 기술적 요소를 설명하기에는 나 자신의 한계는 물론 독자의 기술적 한계가 있어 보였다. 무엇보다 이 글에서 그러한 것을 기대할리 만무하다는 생각이 들었다.

이번 기고는 상대적으로 이해가 쉽지만 잘 이야기 되지 않는 ‘인공지능’의 기본 원리에 대해 기존에 우리가 컴퓨터를 대하는 방식과 비교해 보고자 한다. 이 글을 다 읽고 난 뒤 쯤이면 다수의 독자가 인공지능의 기본적 동작 원리 이해를 통해 현재에 우리 비즈니스에서 무엇을 해야할 지에 대한 힌트를 얻을 수 있기를 기대한다.

# 인턴을 인재 만들기

직장생활을 하던 시절 인턴사원을 선발해서 함께 일을 해 본 경험이 있다. 마침 동일한 시기에 유사한 일을 하던 다른 몇 부서도 함께 인턴을 선발했고 그러다 보니 본의 아니게 부서별로 뽑힌 인턴들간에 역량이 비교되곤 했다. 물론 인턴들 사이에서도 그들의 상사라 할 수 있는 각 부서 직원들의 모습이 하나하나 비교되고 있었다. 인턴들과 함께 일을 시작한 지 얼마 지나지 않아, 우리팀 인턴들과 저녁을 먹던 중 다른 인턴들 사이에서 우리팀의 인턴들이 부러움의 대상이 되고 있다는 소식을 들었다. 사실 유사한 일을 하는 부서다 보니 일에 큰 차이가 없었는데 그들이 부러움의 대상이 된 이유가 궁금해서 물었다.

“우리 팀 인턴들은 진짜 일을 배우고 실제 성과를 내고 있잖아요. 그게 다들 부럽대요. ”

사실이 그랬다. 타 팀은 그 때 그 때 필요한 일에 인턴들을 부(?)렸다. 하지만 우리팀의 팀장님은 팀의 업무 계획 속에 인턴을 이미 넣고 있었다. 그래서 그들에게 적어도 그들이 함께 일을 하는 기간 중에 벌어질 큰 일의 맥락을 설명해 주었고, 그 안에서 그들이 무슨 일을 해야할지 소개해주었다. 그리고 특정 일을 맡기기 보다는 오히려 그들에게 먼저 선택 기회를 주었다. 그리고 그들이 선택한 일에 대해서는 특별한 이유가 없는 경우 모든 정보를 다 공개했다. 그들은 그 정보를 통해 스스로 배우고 창의적으로 기획을 해 볼 수 있었다.

초반에는 제공된 자료들을 읽는 것도 어려워했다.  왜냐하면 자료 행간에 숨겨진 역사나 배경지식 등이 없었기 때문이다. 그래서 그들에게 업무 이해를 돕는 도서나 인터넷 자료를 추천해 주었고, 그들은 정말 인턴답게 미친(?)듯이 그 자료를 소화해냈다. 물론 자료의 소화가 끝이 아니었다. 그들이 생산해내는 기획의 내용도 수없는 지도와 코칭과정을 통해 그들의 창의성에 현실성이 더해져서 좋은 결과를 낼 수 있게 되었다.

물론 그 과정에는 오히려 직원들의 야근이 늘었었다. 결국 얼마 지나지 않아 그들도 일반 사원 한 명의 몫을 거뜬히 해낼 수준의 인재가 되었다. 그래서 다른 팀이 인턴을 교체할 때, 우리 팀은 주저하지 않고 계약 기간을 연장했다. 그렇게 반년간 함께 생활한 우리 팀의 인턴은 실제 우리 부서에 많은 성과를 남겨주었고 그들 스스로도 성취감을 갖게 되었다. 그리고 최종적으로 그들이 실제 일하고 싶은 회사에 입사지원서에 우리 팀장님의 성의 있는 추천서가 함께 동봉되었다. 그리고 결국은 각자 좋은 직장에 취직했고 지금은 어엿한 회사의 인재가 되었다.

인공지능에 대한 이야기를 하면서 뜬금 없이 과거 직장에서 인턴과 함께 일했던 이야기를 꺼낸 이유는 늙은 직딩의 무용담처럼 들리는 이 이야기 속에 ‘인공지능’의 태생적 원리가 담겨져 있기 때문이다. 그 원리는 간단하다. 위에 글에 ‘인턴’을 ‘컴퓨터’로 바꾸면 곧 ‘인재’가 ‘인공지능’이 된다.

# 컴퓨터, 프로그래머가 시키는 허드렛 일이나 하던 인턴

컴퓨터는 이제 우리에게 일은 물론 일상에서 빼놓을 수 없는 우리의 동반자가 되었다. 그러나 사실 우리는 컴퓨터를 쓰는 것이 아니라 컴퓨터에서 돌아가도록 만들어진 소프트웨어를 쓰고 있었다. 만일 그러한 소프트웨어가 없다면 컴퓨터는 그저 고철덩어리에 불과하다. 그럼 그 소프트웨어는 누가 어떻게 만들었을까? 우선 소프트웨어를 만들기 위해서는 실제 그 소프트웨어가 어떻게 동작해야하는가를 결정하는 ‘비즈니스 로직’이 필요하다. 그 비즈니스 로직은 이미 사람에 의해 행하여지던 업무의 규칙이나 프로세스 등을 참고하여 만들어진다.

예를 들면 회계 부서에서 장부를 다루던 이들이 어떤 계산을 어떻게 하는가 하는 업무 규칙에 따라 만들어진 소프트웨어가 바로 ‘엑셀’이다. 그리고 과거 흰색 종이에 적어서 발표하던, 그리고 이후에 OHP(OverHead Projector)를 이용하던 발표 현장에서 필요를 참고하여 만든 것이 바로 ‘파워포인트’이다. 그리고 이러한 소프트웨어는 그 필요를 가진 사람이 직접 만들지 못하고 ‘프로그래머’라 불리는 IT전문 집단들을 통해서만 생산되어질 수 있었다. 이와 같이 컴퓨터는 이미 익숙해진 비즈니스 로직을 컴퓨터를 통해 보다 쉽게 할 수 있도록 만든 장치였다. 마치 이미 복사하는 방법을 알고 있는 이들이 인턴에게 복사를 시켰던 것과 유사하다. 그리고 프로그래머는 컴퓨터에게 복사하는 방법을 알려주던 직원과 같다.

그러나 실제적인 성과를 위해서는 잘 알려진 일의 반복만으로는 부족하며 창의성과 결합된 기획력도 함께 요구된다. 하지만 소프트웨어는 기획력이 없다. 그들은 자신을 만든 프로그래머가 사전에 입력한 명령대로만 움직일 뿐이다. 실제 우리가 컴퓨터에게 시키는 일을 가만히 살펴보면 똑같은 일의 수 없는 반복에 불과하다. (엑셀 시트에 수 없이 반복되는 계산들을 생각해보면 이해가 쉬울 것이다.) 그래서 컴퓨터는 훌륭한 업무의 동반자이기 하지만 그 수준은 ‘허드렛 일을 아주 잘 하는 인턴’수준에 불과했다. 결코 그들에게 중요한 의사결정을 맡기는 일은 없었다. 그것은 오롯이 반복을 귀찮아하는 인간의 몫이었다.

# 빅데이터, 컴퓨터에게 새로운 가능성을 제시하다

이런 허드렛 일만 하는 인턴(인턴을 비하 하는 의미가 아니라 현실에서 고통받고 있다는 의미로 이해 바란다)수준에 컴퓨터에게 ‘볕들 날’이 찾아오게 된 것은 다름 아닌 지난 기고에서 살펴본 빅데이터의 등장 때문이었다. 지루하게 반복되던 귀찮은 일을 컴퓨터에게 다 미룬 사람들은 의사결정과 같은 중요한 일에 집중할 수 있게 되었다. 그런데 그 의사결정이라는 것은 항상 위험이 도사리고 있다. 이를 위해서는 상대적으로 경험이 풍부한 이들에게 의존할 수 밖에 없었다. 그런데 아무리 뛰어난 경험을 갖고 있는 이들도 기억력이나 분석의 한계가 있게 마련이었다. 그러던 차에 등장한 것이 바로 빅데이터였다.

빅데이터는 쉽게 말해 ‘경험’을 ‘데이터화’한 것이다. 이 ‘경험’은 기억력 한계도 없고 엄청나게 발전한 컴퓨터 기술은 분석의 한계도 거의 없다. 실제 분석을 해 본 결과는 지난 기고에서 살펴본 대로 ‘구글 신은 모든 것을 알고 있다’라는 말이 딱 어울리는 수준이었다. 물론 여전히 컴퓨터는 분석을 대신해줄 뿐이다. 결정은 아직은 그 분석 결과를 받아든 인간의 몫이다. 그러나 이제 인간의 귀차니즘은 극을 향해 달려가기 시작한다.

‘결정도 컴퓨터한테 시킬 수 없을까?’

그래서 마치 과거 우리 팀의 ‘인턴’과 같이 주어진 정보를 통해 스스로 ‘학습’하도록 할 수 있는 방법에 대한 연구가 진행되었다.

# 인공신경망, 인간의 뇌에서 배우다.

그런데 이미 이 분야에서는 인간의 뇌구조에서 영감을 받은 ‘인공신경망(artificial neural network, ANN)’이 개발되어 있었다. 이는 단순하게 말하면 인간이 학습하여 판단하는 데에 가장 중요한 기능을 하는 ‘뇌’의 구조를 컴퓨터로 구현하는 것이다. 그 결과 과거 인간이 컴퓨터 소프트웨어를 학습하듯, 컴퓨터가 인간세상을 ‘데이터’ 학습을 통해 배울 수 있게 되었다.

이제 컴퓨터의 새로운 가능성이 생겼다. 그것은 바로 ‘컴퓨터도 배울 수 있다’라는 개념이다. 원래 컴퓨터는 ‘프로그래머가 시키는대로 한다’라는 원칙을 가지고 있었다. 그래서 컴퓨터는 프로그래머의 기획력의 한계를 넘어서지 못했다. 사전에 설계되지 않는 기능을 컴퓨터에게 요구하면 에러만 발생했다. 하지만 빅데이터를 분석하는 역할을 수행하는 과정에서 ‘컴퓨터도 배워서 성장’할 수 있게 되었다. 대표적인 예가 그 유명한 ‘알파고’의 사례이다. 알파고를 프로그램한 프로그래머는 이세돌 9단의 적수가 되지 못한다. 그러나 그가 프로그램해서 탄생시킨 알파고는 스스로 학습을 통해 성장했다. 그래서 하수 프로그래머에 의해 초기 프로그램이 되었지만 그 프로그래머를 뛰어넘고 심지어는 세계 최고의 이세돌이나 커제를 가뿐하게 뛰어넘는 실력을 갖게 된 것이다.

이와 같이 컴퓨터가 학습을 하는 것을 ‘머신러닝(Machine Learning)’이라고 부른다. 사실 ‘인공지능’이라는 단어는 다소 ‘마케팅’적이 요소가 가미된 단어이다. ‘인공지능’이라고 하면 마치 어렸던 시절 TV드라마에 나오던 인공지능 자동차 ‘키트’나 얼마 전 영화’그녀(HER)’에 등장한 거의 인간에 가까운 인공지능을 상상한다. 하지만 안타깝게도 현재 인공지능의 수준은 아직 그 정도는 아니다. 요즘 여기저기서 ‘인공지능’이라 불리는 서비스나 제품 이면에 기술은 기초적인 머신러닝 기법이 적용되어 있는 정도이다. 물론 머신러닝의 경이적인 진화속도는 머지않아 우리의 상상을 현실로 만들어줄 수 있을 것이다. 그럼 이제 도대체 컴퓨터가 배운다는 ‘머신러닝’이 무엇인지 한번 살펴보자.

# 머신러닝, 컴퓨터도 인간과 똑같이 배우다.

주입식 입시 대비 공부를 해 온 우리는 주로 'A는 B이다'식에 정의를 외우는 것에 익숙하다. 하지만 사실 이건 학습이라고 보기 어렵다. 왜냐하면 학습은 단순한 과거의 어떠한 사실을 아는 것만을 목적으로 하지 않기 때문이다. 학습은 과거의 혹은 현재의 사실을 통해 미래에 비슷한 환경에서 우리의 대처능력을 키우는 하나의 자기방어 본능 같은 것이다. 그래서 학습은 단순히 ‘정의’를 익히는 것에 그치지 않고 그 정의가 만들어지는 과정에 투영되는 ‘패턴(Pattern)’이나 ‘유형(Type)’에 주목을 한다.

아래 그림을 보자. 일련에 서로 다른 고양이 사진들이 있다. 잘 보면 무늬도 다르고 색도 다르다. 그럼에도 우리는 각각 사진 속의 동물을 ‘고양이’로 이해한다. 우리는 어떻게 이렇게 할 수 있는 것일까?

이를 이해하기 위해 아이들의 학습환경을 살펴보자. 아이들의 대표적인 학습도구인 ‘그림카드’에는 앞면에 고양이 사진, 그리고 그 뒷면에 ‘고양이’라는 글자가 적혀있다. 그 카드를 통해 아이들은 고양이 사진과 ‘고양이’라는 언어를 일치시킨다. 이 때는 정확하게 그 사진 속 이미지만을 고양이라고 이해할 것이다. 하지만 엄마 손을 잡고 나선 길에서 ‘길고양이’를 만난다. 그런데 엄마는 엄밀히 말해 전에 본 사진과 다르게 생긴 그 동물을 보고 ‘고양이’라고 부른다. 하지만 아이는 혼란스러워하지 않고 오히려 머리 속으로 그 때 보았던 고양이 사진과 길고양이의 모습의 공통된 형태(귀모양, 무늬, 앉은 자세, 꼬리 등)를 하나의 패턴(Pattern)으로 끄집어 내어 ‘고양이’라는 단어에 연결시킨다. 이후에 또 다른 고양이를 만나면 똑 같은 일이 벌어진다. 그렇게 많은 고양이를 만나면서 ‘고양이’라는 단어와 눈으로 본 이미지 속 패턴(Pattern)을 통해 고양이라는 동물의 유형을 머리속에 만들어간다. 그리고 시간이 지날수록 머리속 고양이 유형은 보다 정교하고 정확해진다.

한 발 더 들어가 보자. 한 아이에 엄마가 아이에게 그림 카드를 가지고 노는 장면을 상상해보라. 엄마는 아이에게 카드에 이미지를 보여주며 '이게 뭘까?'라고 묻는다. 만일 아이가 고양이 그림을 보고 강아지라고 하면, 엄마는 그 자리에서 '아니야, 이건 고양이라고 해'라며 바로 가르쳐 준다. 이렇게 ‘정답’을 명확하게 제시되는 환경에서 학습하는 방식을 ‘지도학습(Supervised Learning)’이라고 한다.

다른 방식으로는 부모님들이 잠시 비운 사이 아이 혼자 여러 동물의 사진이 그려진 카드를 방바닥에 늘어뜨려놓고 비슷하게 생긴 것끼리 카드를 모으며 노는 장면을 상상해보자. 이 때는 강아지 카드가 고양이 카드 사이에 들어가도 아무도 그것은 '강아지'라고, 틀렸다고 말해주지 않는다. 그럼에도 불구하고 아이들은 묘하게 그 차이를 가지고 이 카드를 어느 정도 분류해 낸다. 이러한 학습의 방식을 ‘자율학습(unsupervised learning)’이라고 한다.

마지막으로 자율학습 방식으로 놀던 아이들이 글자를 알고 있다고 가정해보자. 자율학습 놀이가 끝난 뒤 그 아이는 카드를 일일이 뒤집어 자기 선택이 맞는지 틀린지를 확인한다. 그래서 자신들이 고양이라고 착각한 강아지의 모양을 다시 주목해서 보다 정교한 개의 Pattern을 학습한다. 그렇게 되면 또 다른 놀이에서 좀더 정확하게 강아지와 고양이를 분류할 수 있게 될 것이다. 이러한 학습의 방식을 ‘강화학습(Reinforcement Learning)’이라고 부른다.

아이들의 카드놀이는 언뜻 ‘아~ 재미있게 잘 놀았다’라고 끝나는 듯 보이지만 사실 아이의 머리 속에는 ‘고양이’와 ‘강아지’ 이미지 패턴에 대한 어떤 지식이 자리 잡게 된다. 그리고 그렇게 자리한 지식은 이후 다른 동물 이미지를 볼 때 우리가 흔히 말하는 ‘직관’의 형태로 작동한다.

‘아 귀가 뾰족하고 꼬리가 길고 느리고, 점프를 잘하는 걸 보니 저건 고양이야’라고 머리 속으로 분석하여 생각하는 것이 아니라 그냥 그 모습을 보는 순간 나도 모르게 ‘고양이’라는 단어가 떠오르게 되는 것이다.

이는 일종에 ‘선입관(stereo type)’이다. 한번 선입관이 생기면 학습할 때와 달리 매우 빠른 속도로 대상에 대한 판단이 이루어진다. 처음 카드 놀이 할 때는 사진을 보며 ‘이게 고양이 일까, 강아지일까?’ 고민하는 시간을 가진다. 그러나 그러한 학습이 끝난 뒤, 길가다 만난 고양이를 보고는 언어적 분석과정 없이 ‘고양이’라는 결론에 도달한다. 이것이 우리 학습의 성과다. 이때 우리의 뇌 작용은 어떠한 논리적인 추론 과정을 거치지 않고 거의 본능적으로 판단을 한다. 길 고양이의 이미지가 눈으로 통해 뇌로 들어가는 순간 귀모양, 꼬리모양에 고민 없이 그냥 바로 ‘고양이’라는 답을 척척 내어 놓는다.

인간이 이러한 학습이 가능한 것은 바로 ‘뇌’의 역할과 관련되어 있다. 그리고 컴퓨터 과학자들은 이러한 인간 뇌의 구조를 컴퓨터로 구현하기 위해 노력했고 그 결과 머신러닝의 다양한 방법들을 개발했다.

컴퓨터의 학습 구조인 '머신러닝(Machine Learning)’은 인간의 지도학습, 자율학습, 강화학습과 유사하게 작동한다. (본 기고에서는 구체적인 사례나 기술적 방법론에 대해서는 다루지 않을 것이다. 관련하여 보다 상세한 내용이 궁금한 분들은 ‘머신러닝’이라는 키워드로 인터넷 검색을 활용해 보길 권한다.)

머신러닝의 결과, 사람의 ‘학습’결과로 만들어진 ‘선입관’과 유사하게 ‘모델’이 만들어진다. 이것은 우리의 뇌의 선입관과 거의 유사하게 동작한다. 그래서 고양이 이미지가 입력되면 더 이상 인터넷을 뒤지지 않고도 스스로 ‘고양이’라고 판별해 낸다. 결과적으로 오랜시간 많은 데이터로 학습하여 만들어진 ‘모델’은 상대적으로 직관적으로 빠르고 비교적 바른 답을 던져줄 수 있게 된다. 물론 분명 처음 접하는 것에 대해서는 판별 능력이 떨어지고 상당한 정도에 오류도 갖고 있다.

게다 아직은 여전히 학습의 주제가 인간에 의해 주어진다. 요즘 ‘데이터 과학자(Data Scientist)’라는 이들이 주로 그 역할을 담당한다.  추구하는 목적에 맞는 판단을 잘 하도록 보다 컴퓨터가 이해하기 쉽고 오류를 줄일 수 있는 데이터를 선별하여 컴퓨터에게 제공한다. 그렇다보니 현재 인공지능이라는 것은 완벽하게 스스로 생각하고 판단하기 보다는 특정 목적에 부합된 기능을 매우 뛰어나게 수행하는 수준이다. (그런 측면에선 아직은 그저 좀 더 똑똑해진 인턴직원 수준이라 볼 수도 있다.) 그러나 최근 들어서는 학습의 주제 마저도 인간이 아닌 인공 지능 스스로가 결정하도록 하는 시도도 나타나면서 결국은 마치 정규 교육과정을 마친 인간이 사회생활을 하며 스스로 필요한 공부를 찾아서 하는 것과 비슷한 수준까지 성장할 수 있다. 그러한 측면에서 어쩌면 인공지능이 무서운 엄친아를 넘어 ‘신’으로 등장하는 것도 시간문제일 수도 있겠다는 생각이 든다.

# 패션, 인공지능에게 물을 수 있을까?

과거 패션회사에서 MD를 도와 QR(Quick Response)를 위한 판매 분석을 한 적이 있다. 회사의 판매 데이터를 가지고 입고 후 초기 판매 추이를 통해 향후 판매를 예측하고 QR 대상과 그 양을 결정하는 작업이었다. 그 일을 원래 담당하던 MD는 그것을 위해 몇 일씩 밤을 세웠다. 하지만 분석의 대상이 되는 데이터는 고작해야 전 시즌 판매, 멀리 봐서 작년 동시즌 판매 데이터를 참고할 뿐이었다. 게다 그 MD는 선배로부터 방법만 전수 받을 뿐, 과거 데이터는 거의 갖고 있지 않았다. 마치 군대 같았다. 뭔가 좀 일을 할만하면 제대 해버리는…... 회사의 경우 담당자가 바뀌어 버리니 업무가 나아질 기미가 보이지 않았다. 그리고 윗분(?)들 역시 MD가 만들어내는 결과물을 크게 신뢰하지 않았다. ‘참고’하지만 결정은 ‘맘대로’했다.

만일 아직 그러한 환경이 그대로 남아 있다면 비즈니스 과정에서 생성되는 데이터를 빅데이터화하여 분석할 수 있는 환경이 주어지는 것만으로도 분명한 개선이 이루어질 것이다. 그런데 여기에 머신러닝을 통해 그러한 빅데이터를 학습한 QR을 위한 ‘모델’이 만들어진다면 MD들은 입고 이후 매일 매일 거의 실시간으로 판매 예측에 따른 QR 지수가 포함된 리포트를 받아 볼 수 있을 것이다. 더 나아가 해당 모델에 대한 신뢰도가 90%이상으로 올라가면 사람의 개입없이 인공지능이 직접 QR발주 지시를 할 수 있게 될 수도 있다. 이와 같이 이론적으로는 기존에 마치 군대와 같이 단절된 지식관리 환경이나 ‘근자감’으로 똘똘 뭉친 ‘내 맘대로 의사결정’을 빅데이터를 포함한 인공지능이 획기적으로 개선할 수 있을 것이다.

그렇다면 실제 패션에서 이러한 일이 이루어진 사례가 있을까? 아마 전 세계 다양한 현장에서 인공지능이 활용되고 있겠지만, 최근 가장 많이 회자가 되고 있는 것은 미국의 Stich-Fix社(이하 SF)의 사례이다. 인터넷 의류 회사임에도 해당 홈페이지에는 옷을 팔지 않는다. 홈페이지에서 회원가입을 하는 과정에서 개인별 옷의 치수와 TPO정보, 취향정보 등을 꼼꼼히 입력 받는다. 그렇게 회원가입을 끝내면 얼마 가지 않아 내가 주문한 적이 없는 옷이 담긴 박스가 배송되어 온다. 물론 배송비 20$를 먼저 지불해야 한다. 그리고 마음에 드는 옷이 있다면 해당 의류 가격에서 20$를 빼고 지불하면 된다. 다 마음에 들지 않는다면 그냥 돌려보내면 된다. 다만 마음에 들지 않는 이유 등에 대해서 인터넷상에 의견을 등록해야 한다.

그들은 고객이 회원 가입 시에 입력한 정보와 그들이 보낸 박스에 대한 고객의 반응에 기반하여 빅데이터를 구성했다. 그리고 그들은 실시간으로 이 데이터를 분석하여 여러 가지 현장에서 활용할 수 있는 모델들을 만들었다. 대표적인 것이 의류 추천 모델이다. 이 모델은 어떤 고객에게 어떤 옷을 배송할지를 추천하는 역할을 한다. 처음 고객이 회원 가입하며 입력했던 정보가 이 모델에 들어가면 그 고객에게 어떤 옷을 보내야 할 지 후보군 리스트가 제공된다. 그럼 전문 MD가 최종 검토하여 배송 박스를 구성하여 배송한다. 그 결과 약 80%이상의 고객이 박스 속 의류 중 하나 이상을 구매했다. 게다 그들 추천 모델의 정확도는 계속해서 좋아지고 있다. 2016년 83%의 적중율은 2017년 86%까지 올라갔다. 게다 그들의 훌륭한 의사결정자는 퇴사의 걱정도 없고 1년 365일 24시간 쉬지도 않는다. 적중율이 올라 매출이 증가해도 그들의 인공지능은 전기세 말고는 비용의 증가가 거의 없어 이익은 극도로 증가할 것이다.

만일 이 글을 읽는 독자 중에 규모있는 패션 회사에서 IT전략을 담당하고 있는 분이 있다면 제일 먼저 해야 할 것은 훌륭한 ‘데이터 과학자(Data Scientist)’를 구하는 일일 것이다. 그래서 회사 내에 데이터 생성, 접근, 분석 등에 데이터 관리 전략과 함께 실제 업무에서 데이터를 활용할 수 있는 환경을 조성해 나가야 한다. 물론 하루 아침에 대단한 성과를 얻어 내기를 원한다면 실망할 것이다. 몇주에서 몇달짜리 프로젝트로 쓸만한 인공지능을 만드는 일은 거의 불가능하다. 하지만 그렇게 만들어진 ‘인공지능’은 인건비가 오르지도 않고 정년도 없이 지속해서 일해줄 것이다. 게다 다행인 것은 훌륭한 인재를 만드는 것보다는 상대적으로 적은 시간이 들 것이라는 사실이다. 세상을 떠들썩하게 만든  ‘알파고’도 세계를 제패하는데 구글에 인수되고 3년 밖에 걸리지 않았다.

# 인공지능, 사지 마세요, 빌려 쓰세요!

하지만 독자들의 대부분은 아마 앞선 이야기가 그림의 떡과 같을 것이라 생각한다. IT전략에 대한 거시적 안목을 가지기엔 패션 사업환경은 변화무쌍하다. 그럼 인공지능은 대기업이나 글로벌 기업의 전유물이 될 수 밖에 없을까? 일단 나의 생각은 ‘그렇다’이다. 작은 기업이 자신의 인공지능을 만들어서 비즈니스에 적용하는 것은 거의 불가능하다고 생각한다. (이는 생산되는 데이터 양만 봐도 그러하다.) 그러나 다행인 것은 마치 소프트웨어 시장에서 엑셀이나 파워포인트를 만들어서 팔던 것처럼 인공지능시장에서도 특정 목적에 맞는 인공지능을 만들어 경제적인 가격에 빌려주는 사례가 등장하고 있다는 것이다.

우선 인공지능이 가장 활발하게 활용되는 분야 중 하나인 ‘이미지 인식(Image Recognition)’분야는 구글, 아마존, 마이크로소프트 등 이미 굴지의 대기업이 자신들만의 인공지능 모델을 클라우드 컴퓨팅의 형태로 제공하고 있다. 대표적으로 구글의 Vision API는 이미지 분석에 특화된 인공지능이다. 특정 이미지를 올리면 해당 이미지의 특성을 주요 키워드로 뽑아낼 뿐 아니라 인터넷상 어디에서 찾을 수 있는 지를 보여준다. (예시된 의류 상품이미지를 올렸더니 해당 제품을 구매할 수 있는 인터넷 쇼핑몰 리스트가 제공되었다.) 사람의 얼굴이 포함된 사진의 경우 해당 사진에 등장하는 인물의 감정 상태까지 분석해서 제공해 주는 것을 볼 수 있다.

(Vision API는 본 이미지에서 “Kirkland”라는 키워드를 도출했고 직접 인터넷에서 이 제품을 구입할 수 있는 링크까지 제공해준다.

IBM의 인공지능 ‘왓슨(Watson)’은 이미 의료 분야에서 그 명성이 자자하다. 하지만 최근에 필자가 주목하는 왓슨의 진출분야는 바로 ‘대화(Conversation)’분야이다.

필자도 가끔 새로운 옷이 필요할 때가 있다. 그러나 모바일로 바지라도 하나 사러 들어가면 너무나 많은 옷이 기다리고 있다. 그런데 필자는 패션 기업에서 근무하면서 알게 된 패션 전문가들이 주변에 있다. 그래서 카톡으로 그 지인에게 패션 조언을 구한다. 그들은 이미 나의 치수는 물론 나의 스타일도 안다. 그래서 그들은 알아서 적당한 옷을 추천해서 알려준다. 굳이 인터넷 바다를 헤엄칠 필요도 모바일에 깨알 같은 글자를 읽어내려갈 필요가 없다.

그런데 만일 내게 옷을 추천해 주는 지인 같은 인공지능 챗봇(Chatbot)이 제공된다면 어떨까? 왓슨의 Conversation은 이와 같은 꿈을 가능하게 도와 준다. 물론 상세한 추천 알고리듬은 패션 기업의 몫이다. 하지만 왓슨은 카톡의 상대가 던지는 수많은 다양한 패턴의 문장들 속에서 핵심적인 의도를 파악해서 마치 대화하듯 자연스럽게 추천을 전달할 수 있도록 하는 대화 기능을 제공해준다. 개인 기업에서 이러한 대화 기술을 개발하는 것은 상당한 시간과 비용이 드는 일이다. 하지만 이미 왓슨은 해당 기능을 영어로 오랫동안 제공해 왔고 최근 들어서는 한글에 대해서도 거의 완벽하게 적용이 가능한 수준이 되었다고 한다. 이를 잘만 활용하면 보다 고객 친화적인 한국판 Stich-Fix를 만들어낼 수 있지 않을까? (패션에서 챗봇 활용에 대한 사례는 “패션유통가에 불고 있는 챗봇열풍(https://goo.gl/K4xR8f)”기사를 참고해 보길 권한다.)

카톡과 같은 챗봇이 어색하다면 ‘아마존 웹서비스’에서 제공하는 폴리(Polly)와 트랜스크라이브(Transcribe)를 활용해 보는 것을 어떨까?  트랜스크라이브는 사용자의 음성을 Text로 변환시켜주고 폴리는 반대로 텍스트를 자연스러운 음성으로 변환시켜주는 서비스이다. 게다가 이러한 인공지능 서비스들은 다른 인공지능 서비스와도 원활하게 소통이 가능한 API형태로 제공되어 제공하는 회사가 달라도 함께 적용하여 사용이 가능하다. 그래서 앞선 왓슨의 Conversation과 폴리, 트랜스크라이브를 결합하면 이론적으로는 완벽한 인공지능 콜센터 구축이 손쉽게 가능하게 되는 것이다.

# 인공지능, 결국 내 일자리를 빼앗아 갈까?

최근 인공지능이 유행하면서 늘어나는 고민 중에 하나는 바로 ‘일자리’문제이다. 그렇게 인공지능 스스로가 훌륭하게 일을 해낸다면 그들이 오늘 내 일자리를 빼앗아가지 않을까 하는 걱정이 된다. 이에 대해서는 다양한 의견이 분분하다. 필자의 개인적인 생각으로는 ‘빼앗길만한 일자리는 빼앗기는 것이 오히려 좋다’라고 생각한다. 왜냐하면 지금 우리에게 주어진 ‘일자리’ 자체에 문제가 있다고 생각하기 때문이다.

과거 콜센터를 운용해 본 경험이 있다. 콜센터에는 이른바 ‘스크립트’라는 것이 있다. 이는 고객이 질문할 수 있는 경우의 수에 여러 가능한 표준 답안을 사전에 마련해 둔 것이다.  이 스크립트 덕분에 콜센터 직원은 마치 자동응답기 마냥 그 스크립트에 따라 고객을 응대할 수 있다. 그렇다 보니 상대적으로 응대경험이 부족한 직원도 쉽게 업무에 적응할 수 있다. 하지만 그들과의 전화 통화는 그리 유쾌하지 못하다. 수화기 건너편이 사람인지 아니면 자동응답기인지 조차 헷갈린다. 전화를 거는 고객 입장에서는 어차피 그렇다면 상대가 기계냄새 풀풀 풍기는 인공지능이든 사람이든 별로 상관이 없을 것이다. 게다 그러한 환경에서 일하는 콜센터 직원들은 과연 행복하고 인간다운 일을 한다고 할 수 있을까?

반면 신발 통신 판매회사 ‘자포스’의 콜센터에는 스크립트가 없다. 그들은 하나의 인간으로 고객을 대한다. 차가운 인공지능의 분석으로는 절대로 따라갈 수 없는 인간적인 융통성과 고객에 대한 애정이 넘친다. 그들은 고객에게 ‘행복’을 판다는 자부심에 넘쳐 있다. 심지어 그들은 고객이 찾는 신발이 자포스에 재고가 없을 때, 경쟁사 사이트를 뒤져서 대신 주문해 주기까지 한다. 자포스에서 효율성이라고는 찾아볼 수 없다. 그런데 놀랍게도 그들은 아마존에 12억 달러라는 경이적인 금액에 인수되었다. 엄청난 인수금액을 결정한 것은 그들의 매출이나 시스템이 아니었다. 오로지 그 회사가 가지고 있는 기업 문화 때문이었다.

만일 앞서 효율성을 중시하는 회사와 자포스가 경쟁한다면 어떻게 될까? 결과는 뻔하다. 결코 자포스를 이길 수 없다.

인공지능을 통해 효율성만을 추구한다면, 아니 그렇게 효율성이 추구될 수 있는 일은 이미 인간이 할 만한 일이 아니며 그런 일은 오히려 빨리 인공지능으로 대체해야 한다. 왜냐하면 그곳에서 일 하는 이들도 그 일로 행복하지 못할 것이 뻔하기 때문이다. 그리고 가장 인간답게 인간을 대하는 일처리 문화가 만들어질 수 있다면 단지 가격이 싼 제품이 아니라 그 제품이 내 손에 들어오기까지 얼마나 많은 사람을 행복하게 만들어주었는지 생각하는 소비 문화로 이어질 수 있을 것이다. 물론 낙관적이고 꿈같은 이야기이다. 하지만 인공지능이 일자리를 빼앗아 간다고 걱정만 하기 전에 이미 우리의 ‘일자리’에 만연한 인간답지 못한 현실을 한번 돌아보는 것도 중요한 일임에 틀림없다.

3차례의 연재를 통해 4차 산업혁명의 개요부터 핵심이 되는 빅데이터와 인공지능에 대해 살펴보았다. 지금 무엇인가 큰 변화가 일어나고 있다는 것은 분명하다. 하지만 필자는 그렇게 생각한다. 무엇인가 큰 변화는 조선이 건국될 때에도, 일제 강점기에도, 그리고 지난 겨울 광장에도 있었다. 그리고 그러한 변화 뒤에는 인간은 더 성숙해졌고 세상은 조금 더 진보했다. 4차 산업혁명의 결과도 그와 같기를 소망하며 분명 그러할 것이라는 장미빛 예상을 해본다.  다만 과거와 미래에 양발을 걸친 나와 같은 과도기에 낀 세대가 겪을 어려움은 참 안타깝다. 부디 건투를 빈다.