경제와 머신러닝 기반의 인공지능

post-thumb

이 포스팅에서는 경제와 머신러닝, 그리고 인공지능 사이의 관계를 명확히 하고 우리가 AI의 시스템을 통해 경제에 대해 어떠한 시각을 가져야하는 지에 대해 이야기를 펼쳐보려고 합니다.

‘빅데이터’라는 한 단어로 정의되는 데이터 혁명은 우리에게 많은 변화를 가져왔습니다. 수많은 변화 중 우리 주위에서 심심치 않게 들리는 ‘인공지능 (AI)’ 혁신 또한 그 첫 시작을 생각해 보면 이 또한 데이터 혁명의 결과라고 할 수 있습니다. 이를 이해하기 위해서는 ‘고전적 AI’와 우리가 누리고 있는 ‘새로운 AI’를 이해할 필요가 있습니다.

고전적 AI와 새로운 AI

‘고전적 AI’는 다양한 문제에 접근함에 있어서 ‘합리적인 인간이 취할 만한 선택의 논리적 모방’에 그 중점을 두고 있습니다. 일단, ‘합리적인 인간이란 무엇인가’ 같은 철학적 논쟁을 덮어두더라도 이러한 접근법에는 몇 가지 문제점이 있습니다. 논리적 규칙으로 문제에 접근하기 위해서는 선택에 따라 발생할 수 있는 모든 경우의 수에 대해 복잡하지만 명확하고 논리적인 목록화가 필요합니다. 이러한 명확한 구분이 없이는 외부에서 입력되는 정보에 대해 정확한 인식을 할 수 없을 것입니다. 혹여 운 좋게도 정확한 정보가 입력되었다고 하여도 이를 바탕으로 문제 해결을 하기 위해서는 상세한 ‘데이터 스키마 (data schema; database schema)’가 필요하게 됩니다. 이는 인간의 복잡한 의사 결정에 대한 완벽한 논리적 알고리즘을 미리 정립시켜 놓을 필요가 있다는 것을 의미합니다. 이러한 유형의 AI는 매우 결정론적입니다. 즉, 같은 질문에 대해 항상 같은 대답밖에 얻을 수 없습니다.

하지만 우리가 알고 있는 ‘새로운 AI’는 이러한 한계점들을 지니고 있지 않습니다. 이러한 AI 시스템은 최소한의 인위적 개입으로 데이터를 통해 학습하고 패턴을 식별하며 의사 결정을 내릴 수 있다는 생각에 그 기반을 두고 있습니다. ‘고전적 AI’와 달리 명시적으로 프로그래밍이 된 규칙을 따르지는 않지만 훈련된 데이터에서 학습하고 더 많은 데이터에 노출됨에 따라 성능을 향상시킬 수 있습니다.

이메일의 스팸필터 기능을 통해 이 차이에 대해 생각해 볼 수 있습니다. 우선 고전적인 AI에서는 프로그래머가 모든 필터 규칙을 수동으로 입력할 필요가 있습니다. 예를 들어서 이메일에 ‘대출’, ‘당첨’, ‘로또’, ‘김미영 팀장’ 등의 단어가 포함되어 있으면 스팸으로 분류해야 한다고 코딩을 할 수 있습니다. 이러한 조건에 부합되는 한 필터링 시스템은 잘 작동하지만, 스팸 발송자가 전략을 변경하여 다른 단어나 문구 등을 사용하기 시작하면 필터링 시스템이 인간의 직접적 개입을 통해 갱신되지 않는 한, 이 새로운 형식의 스팸메일을 AI는 스팸으로 인식하지 못합니다. 하지만 새로운 AI는 규칙을 수동으로 코딩하는 대신에 ‘스팸’ 혹은 ‘스팸 아님’으로 표시된 수천, 수백만 개의 전자 메일을 이용해 스팸 전자 메일의 특징과 패턴을 스스로 학습하고 이 학습된 정보를 바탕으로 새롭게 수신된 이메일을 분류합니다. 이 필터링 시스템은 특정 단어뿐만이 아니라 단어의 빈도, 이메일이 전송된 시간 등 다양한 요소를 고려함으로써 스팸 발송자의 변경된 전략에도 지속적 학습을 통해 쉽게 적응을 할 수 있습니다.

이를 통해 우리가 알 수 있는 점은 현재 우리가 누리고 있는 AI 혁신은 데이터에서 스스로 특징과 패턴을 학습하는 ‘기계학습 (머신러닝, Machine Learning; ML)’에 의해 유도된 인공지능 혁신이라는 것입니다. 그리고 이러한 머신러닝이 가능하게 된 그 배경에는 학습을 위한 수많은 데이터를 이용 가능케한 데이터 혁명이 그 배경에 있습니다.

AI의 기업적 정의를 통한 경제적 개념의 확장

하지만 아직 머신러닝 기반의 인공지능이라는 정의는 경제의 영역과 함께 이를 이해하는데 충분하지 않습니다. 이 관계를 좀 더 명확하게 하기 전에 세계를 선도하는 대형IT기업은 인공지능을 어떤 관점으로 보고 있는지를 먼저 알아보겠습니다. 각 기업은 AI에 대해 다음과 같이 정의를 하고 있습니다:

  • 아마존 (Amazon): “AI는 학습, 문제해결, 그리고 패턴 인식과 같은 인간의 지능과 일반적으로 관련된 인지 문제를 해결하는데 집중하는 컴퓨터 과학 분야입니다.”
  • 마이크로소프트 (Microsoft): “AI는 지능적인 인간의 행동을 모방하는 컴퓨터의 능력입니다. 인공지능을 통해 기계는 이미지를 분석하고, 말을 이해하며, 자연스러운 방식으로 상호작용하고, 데이터를 사용하여 예측할 수 있게합니다.”
  • 구글 (Google): “AI는 컴퓨터가 음성 언어를 보고, 이해하고, 번역하는 능력을 포함하여 다양한 고급 기능을 수행할 수 있게 해주는 일련의 기술입니다.”
  • 메타 (Meta) AI: “Meta AI는 다양한 형태의 인공지능을 개발하고 증강현실과 인공지능 기술을 향상시키는 것을 목표로 하는 인공지능 연구소입니다. AI 커뮤니티를 위한 지식 창출에 초첨을 맞춘 학술 연구소입니다.”

위의 정의에서 알 수 있듯, 서로 유사하지만 각 기업이 주력하고 있는 산업에 따라 조금씩 다른 정의를 취하고 있음을 알 수 있습니다.

  • 우선, 아마존은 AI의 문제 해결 측면에 집중하고 있습니다. 이는 AI를 학습, 문제 해결 및 패턴 인식과 같은 일반적으로 인간의 지능과 관련된 인지 문제를 다루는 컴퓨터 과학의 한 분야임을 강조합니다. 이것은 아마존이 AI를 전통적으로 인간의 정신을 요구하며 복잡하고 지능적인 작업을 해결하기 위한 도구로서 간주한다는 것을 알 수 있습니다.
  • 반면, 마이크로소프트 는 AI가 인간의 행동을 모방하는 점을 강조합니다. 마이크로소프트 는 AI가 지능적인 인간의 행동을 모방할 수 있는 능력을 컴퓨터에 제공한다고 명시하고 있습니다. 이것은 AI가 자연스럽고 인간과 같은 느낌으로 인간과 세계와 상호 작용할 수 있으며 이를 만드는 것이 마이크로소프트 의 목적임을 시사합니다.
  • 구글은 AI가 수행할 수 있는 발전된 고급 기능에 중점을 둡니다. 구글은 AI를 다양한 기능을 수행할 수 있는 기술의 집합으로 생각합니다. 이것은 구글의 AI가 기본적인 계산을 넘어선 음성인식, 및 번역 등의 고급 기능을 기계에 장착하는 광범위한 기술의 모음으로 본다는 것을 알 수 있습니다.
  • 마지막으로 메타는 Meta AI라는 인공지능 연구소를 기반으로 AI의 전반적인 발전과 증강 현실 및 인공 현실 기술의 향상을 위한 AI의 역할을 강조합니다. 이는 메타가 특히 사용자가 컴퓨터 생성 환경 및 다른 사용자와 상호 작용할 수 있는 몰입형 가상 현실 공간인 메타버스의 맥락에서 보다 몰입되며 상호작용적인 디지털 미래에 대한 비전에 AI를 적용하는 것을 목표로 한다는 것을 알 수 있습니다.

이러한 점들이 우리에게 시사하는 바는AI의 여럿측면들 중 경제라는 영역과 가장 적합한 부분을 선택하고 이해할 필요가 있다는 것입니다. 다시 말해, 경제학이 1992년 노벨 경제학상 수상자인 개리 베커 (Gary Becker, 1930-2014)를 통해서 전통적 경제학을 넘어 사회학의 영역으로 확장된 것과 같이, 지금 우리는 한 개인이 아닌, AI라는 기술적 발전을 통해 새로운 영역으로의 확장을 준비하는 단계로 들어선 것이라고 할 수 있습니다. 이를 위한 첫 단계로 우선 AI의 구조와 AI가 어떻게 작동하는 지를 이해하는 것이 중요합니다.

AI 시스템 구조를 통한 경제분석

AI 시스템의 구조를 개념화하는 유용한 방법은 다음의 상호 연결된 세 가지의 구성 요소로 나누는 것입니다: (1) 도메인 구조 (domain structure), (2) 데이터 생성 (data generation), (3) 범용 ML (general purpose machine learning)이 이에 해당됩니다. 이 프레임워크는 AI가 제로에서 생성되는 것이 아니라 AI가 해결하도록 설계된 문제(도메인 구조), 학습에 사용하는 데이터(데이터 생성), 학습을 주도하는 알고리즘(ML)과 밀접하게 관련되어 있음을 알 수 있습니다. 각 구성 요소는 AI 시스템의 개발 및 성능에 중요한 역할을 합니다. 도메인 구조는 AI가 작동하는 범위와 맥락을 정의하고, 데이터 생성은 AI가 학습할 수 있는 풍부하고 정확한 정보 소스를 확보하도록 보장하며, 범용 ML 알고리즘은 AI가 데이터로부터 학습하고, 추론을 도출하고, 예측 또는 결정을 내릴 수 있는 메커니즘을 제공합니다. 다시 말해, AI란 복잡한 알고리즘에 관한 것만이 아니라, 문제에 대한 깊은 이해와 고품질의 관련 데이터를 수집, 생성하는 능력이 필요하다는 것을 보여줍니다.

예를 들어 현재 우리가 주식 시장 동향을 예측하기 위한 AI 시스템을 구축하고 있다고 가정해 보겠습니다. 이러한 경우, 각각의 구성요소는 다음과 같이 해석될 수 있습니다.

  • 도메인 구조는 거래 규칙의 이해, 재무 보고서, 세계 경제 뉴스, 소셜 미디어의 감정 분석 등과 같은 주가에 영향을 미치는 다양한 요소들과 주식 시장의 세부 사항 등을 포함합니다.
  • 데이터 생성의 영역은 주식 시장 예측 AI를 위해 과거 주식 시장 데이터는 물론이며 기업의 재무 보고서, 및 세계 경제 지표 등이 필요할 것입니다. 데이터가 충분하지 않은 경우, 다른 모델을 사용하여 데이터를 생성하거나, 시뮬레이션을 통한 작업들도 이에 포함될 수 있습니다.
  • 이제 우리는 범용 ML 알고리즘을 사용하여 이 데이터에서 주식시장에 대한 특징과 패턴을 학습할 것입니다. 여기에는 선형 회귀, 의사 결정 트리, 인공 신경망 또는 문제의 복잡성 및 특성에 기반한 더 정교하고 다양한 ML 모델들이 포함될 수 있습니다.

따라서 AI의 생성구조와 작동원리의 개념적 이해는 경제를 분석하는 도구를 제공할 있습니다. 뿐만 아니라 AI가 우리 경제에서 점차 무시할 수 없는 부분이 됨에 따라 더 넓은 경제적 의미를 이해하는 데 도움이 될 것입니다. 특히 경제현상의 분석적 관점에서 중요한 부분은 해석 및 추론과 결론을 제시해주는 범용 ML의 영역일 것입니다.

다음 포스팅에서는 경제분석과 관련된 ML의 영역에 대한 분류를 보고 각 하위 영역에 해당되는 부분을 경제적 예시를 통한 관점에서 방법론적 접근을 생각해 볼 것입니다.

참고문헌

Amazon Web Services. (n.d.). What is Artificial Intelligence (AI)? Retrieved June 25, 2023, from https://aws.amazon.com/machine-learning/what-is-ai/

Agrawal, A., Gans, J., & Goldfarb, A. (Eds.). (2019). Economics of Artificial Intelligence: An Agenda. National Bureau of Economic Research. https://www.nber.org/books-and-chapters/economics-artificial-intelligence-agenda

Google Cloud. (n.d.). What is Artificial Intelligence (AI)? Retrieved June 25, 2023, from https://cloud.google.com/learn/what-is-artificial-intelligence

Haugeland, John. (1985). Artificial Intelligence: The Very Idea. Cambridge, MA: MIT Press.

Meta AI. (n.d.). About Meta AI. Retrieved June 25, 2023, from https://ai.facebook.com/about/

Microsoft. (n.d.). Artificial intelligence (AI) architecture. Retrieved June 25, 2023, from https://learn.microsoft.com/en-us/azure/architecture/data-guide/big-data/ai-overview

인공지능경제연구소(AIEconLab)는 좋은 정보의 자유로운 교류를 통한 지식 발전을 지향합니다. 동 블로그의 모든 저작물은 자유롭게 퍼나르셔도 됩니다만, 출처를 밝혀주시면 감사하겠습니다. (출처: 인공지능경제연구소(AIEconLab) 블로그(aieconlab.com))