예측모델

12 Contents

[카오스 짧강] 교육 AI는 실력을 어떻게 측정할까? 구조주의 vs 구성주의

교육 인공지능 분야에서 학생의 실력을 진단하는 방식은 크게 두 가지 학파로 나뉩니다. 먼저 구조주의 관점에서는 지식을 하나의 거대한 지식 그래프로 시각화합니다. 이 그래프의 각 점은 '두 자릿수 덧셈'과 같은 개별적인 지식 개념을 의미하며, 점들을 잇는 선은 먼저 배워야 할 선수 지식의 관계를 나타냅니다. 예를 들어 올림이 없는 덧셈을 익혀야 올림이 있는 덧셈을 배울 수 있다는 논리입니다. 인공지능은 이러한 지식 개념들을 학생이 얼마나 이해하고 있는지 측정하여 숫자로 표현하며, 이를 통해 학습자의 현재 위치를 정교하게 파악합니다. 반면 구성주의 관점은 학생마다 지식을 머릿속에 구성하는 방식이 다르다는 점에 주목합니다. 같은 피타고라스의 정리를 배워도 누군가는 수식을, 누군가는 증명 과정을 떠올리는 것처럼 지식의 형태는 획일적이지 않습니다. 따라서 구성주의 모델은 학생에게 다양한 과제를 부여하고 그 수행 결과를 종합하여 실력을 대변합니다. 단순히 정답을 맞히는 것을 넘어 사진 찍기나 달리기와 같은 다채로운 과제에 대한 반응을 측정함으로써, 학생이 가진 고유한 역량과 지식의 농도를 입체적으로 분석하는 것이 이 모델의 핵심적인 특징입니다. 최근의 교육 인공지능은 적은 수의 문항만으로도 전체적인 실력을 예측하는 모델을 활용합니다. 수만 개의 문항을 모두 풀게 하는 대신, 약 30개의 핵심 문항을 통해 나머지 문항들의 정답 확률을 계산하는 방식입니다. 이를 시각화한 것이 바로 '열지도'로, 학습자가 취약한 부분과 향후 어려워할 개념을 한눈에 보여줍니다. 인공지능은 매 순간 데이터의 효율성을 극대화하는 방식으로 학습자에게 필요한 자극을 제공합니다. 이러한 과정을 통해 학생의 학습 데이터를 정밀하게 수집하고 미래의 성취도까지 정확하게 예측할 수 있게 됩니다.

[카오스 짧강] 교육 AI는 실력을 어떻게 측정할까? 구조주의 vs 구성주의
카오스재단질토과 + 짧강

[인터뷰] 박건웅_예측을 넘어 인과관계를 해석하는 데이터 사이언스🧑‍💻📊🖥️|제31회 서울대 자연과학 공개강연_"세상을 바꾼 과학, 과학이 여는 미래"

현대 데이터 과학의 핵심은 단순히 정보를 수집하는 것을 넘어, 데이터 이면에 숨겨진 복잡한 관계를 파악하는 데 있습니다. 특히 그래피컬 모델과 네트워크 분석은 변수들 사이의 함수 관계나 인과관계를 규명하는 데 초점을 맞춥니다. 기존의 인공지능이 주로 상관관계에 기반하여 미래를 예측했다면, 이 연구 분야는 원인이 바뀌었을 때 결과가 어떻게 변하는지 그 시스템 자체를 이해하고자 합니다. 이러한 접근은 인공지능이 인간의 의사결정 과정을 보다 정교하게 보조하고 대체할 수 있는 지식의 토대가 됩니다. 현재 우리가 사용하는 인공지능은 여러 한계점을 지니고 있습니다. 가장 큰 문제는 데이터의 편향성으로, 주로 선진국 위주의 데이터가 수집되다 보니 보편적인 판단을 내리는 데 어려움이 있습니다. 또한 모델이 지나치게 복잡해지면서 결과가 도출된 이유를 인간이 이해하지 못하는 '블랙박스' 현상이 발생합니다. 이는 고성능 컴퓨팅 자원의 과도한 사용으로 이어져 환경 문제까지 야기하고 있습니다. 따라서 다음 세대의 인공지능은 이러한 불투명성과 비효율성을 극복하는 방향으로 진화해야 합니다. 미래의 인공지능은 단순히 예측 성능을 높이는 것을 넘어, '설명 가능한 AI'를 지나 '해석 가능한 AI' 혹은 '인과관계 AI'로 나아가야 합니다. 이는 특정 변수가 결과에 어떤 영향을 미쳤는지 단순히 나열하는 수준을 넘어, 왜 그런 결과가 초래되었는지 논리적으로 설명할 수 있는 능력을 의미합니다. 데이터가 생성되는 시스템 자체를 이해하는 방법론이 개발된다면, 인공지능은 단순한 도구를 넘어 인간의 논리적 사고를 뒷받침하는 강력한 파트너로서 그 역할을 수행하게 될 것입니다. 인과관계를 추론하는 그래피컬 모델은 다양한 실무 분야에서 혁신적인 변화를 이끌어낼 수 있습니다. 신약 개발 과정에서는 약물이 인체 면역 시스템에 미치는 영향을 분석하여 치료 효과를 극대화하고, 예상치 못한 부작용을 사전에 예측하는 데 활용됩니다. 사회 정책 분야에서도 특정 정책이 사회 전반에 미치는 파급 효과를 분석하여 의도한 목표를 달성할 수 있는지, 혹은 예기치 못한 사회적 부작용이 발생하지는 않을지 미리 판단할 수 있게 해줍니다. 이는 데이터 기반의 정밀한 의사결정을 가능케 합니다. 과학자의 길을 걷기 위해서는 연구가 세상을 어떻게 바꿀지에 대한 거시적인 시각을 갖는 것이 중요합니다. 하지만 장기적인 레이스를 완주하기 위해서는 자신만의 스트레스 관리법 또한 필수적입니다. 운동이나 등산과 같은 신체 활동은 연구 과정에서 쌓인 스트레스를 해소하고 다시 몰입할 수 있는 에너지를 제공합니다. 결국 좋아하는 일을 지속할 수 있는 힘은 학문적 열정과 건강한 생활 습관의 균형에서 비롯됩니다. 이러한 균형은 과학자로서의 삶을 더욱 풍요롭고 지속 가능하게 만들어 줄 것입니다.

[인터뷰] 박건웅_예측을 넘어 인과관계를 해석하는 데이터 사이언스🧑‍💻📊🖥️|제31회 서울대 자연과학 공개강연_"세상을 바꾼 과학, 과학이 여는 미래"

박건웅

카오스재단서울대자연과학공개강연
  • 수학

빅데이터 기반 치매 조기예측 기술 - KISTI 전홍우

치매는 현대 사회의 급격한 고령화와 함께 인류가 직면한 가장 큰 건강 과제 중 하나입니다. 현재까지 치매를 완벽히 치료할 수 있는 약제는 개발되지 않았기에, 질병의 진행을 최대한 늦추고 삶의 질을 유지하기 위한 치료의 적기를 찾는 것이 무엇보다 중요합니다. 이에 따라 4개 연구 기관과 소프트웨어 업체는 협력을 통해 빅데이터 기반의 조기 예측 시스템을 구축하였습니다. 연구의 핵심은 치매 전 단계인 경도인지장애를 스마트 디바이스와 인공지능 기술로 선제적으로 파악하여, 발병 위험이 높은 이들에게 적절한 관리 시점을 제시하는 데 있습니다. 연구팀은 국민건강보험공단에서 제공하는 10년 치의 노인 코호트 데이터를 심층 분석하였습니다. 60세 이상 고령층의 방대한 병력 기록을 토대로 과거의 진료 정보가 미래의 치매 발병에 미치는 영향을 추적한 결과, 병력 데이터의 변화 경로가 치매 진단과 밀접한 상관관계가 있음을 밝혀냈습니다. 특히 비타민 D 결핍과 같은 특정 영양 상태의 변화가 인지 기능 저하와 연관된 사례를 학술적으로 검증하며, 빅데이터 분석이 임상 현장에서 신규 위험 인자를 조기에 발견하는 강력한 도구가 될 수 있음을 증명하였습니다. 치매의 위험 인자는 성별에 따라 다르게 작용하기 때문에 정밀한 모델링이 필수적입니다. 남성과 여성의 데이터를 분리하여 분석했을 때 예측 모델의 정확도가 더욱 향상되었으며, 이는 성별 특성을 반영한 개인별 맞춤형 관리가 필요함을 시사합니다. 또한 병원에서 증상이 명확히 나타나기 전인 경도인지장애 단계를 포착하기 위해 5년 장기 예측 모델을 설계하였습니다. 비록 단기 예측에 비해 난도가 높지만, 유의미한 수치의 정확도를 확보함으로써 보험이나 예방 의학 분야에서 실질적으로 활용 가능한 데이터 기반의 관리 체계를 마련하였습니다. 연구는 병력 기록을 넘어 일상생활 수행능력(ADL)의 객관적 측정으로 범위를 확장했습니다. 기존의 주관적인 인터뷰 방식 대신 스마트홈의 동작 감지 센서를 활용해 거주자의 생활 패턴을 실시간으로 분석하였습니다. 흥미로운 점은 인지 능력이 저하될수록 행동의 자유도가 낮아져 이동 경로의 엔트로피가 감소한다는 사실입니다. 평소 생활 환경에서 나타나는 미세한 행동 변화와 특정 구역 통과 패턴을 정량적으로 분석함으로써, 의료진의 문진만으로는 구분하기 어려운 치매 초기 단계의 환자를 보다 과학적으로 식별할 수 있는 가능성을 열었습니다. 최종적으로 개발된 기술은 개인별 임계치를 적용한 맞춤형 모바일 서비스 형태로 구현되었습니다. 사람마다 서로 다른 라이프스타일과 인지 능력을 갖추고 있기에, 일률적인 기준 대신 과거의 행동 패턴과 비교하여 이상 징후를 감지하는 방식을 채택하였습니다. 가족들은 모바일 앱을 통해 대상자의 활동성을 모니터링할 수 있으며, 건강검진 결과와 연동된 치매 위험도 분석 리포트를 제공받게 됩니다. 이번 연구는 코호트 데이터와 일상 로그를 결합한 통합적 접근을 통해, 치매 잠복기를 정밀하게 관리하고 조기 대응할 수 있는 지능형 헬스케어의 미래를 제시하였습니다.

빅데이터 기반 치매 조기예측 기술 - KISTI 전홍우
한국과학기술정보연구원
  • 생명과학
  • 뇌인지과학
  • 융합
  • 공학·기술

인공지능이 의료에 쓰여야 하는 이유? ㅣ 김휘영교수(연세대학교) [토요과학강연#1-3부]

현대 의료는 정밀 의료 시대로 접어들며 의사가 고려해야 할 데이터의 양이 기하급수적으로 늘어나고 있습니다. 과거에는 몇 가지 증상과 혈액 검사 결과만으로 진단이 가능했지만, 이제는 유전체와 단백체 정보 등 수천 가지 이상의 요인을 종합적으로 분석해야 합니다. 짧은 진료 시간 내에 인간의 두뇌로 이 모든 데이터를 계산하여 정확한 결정을 내리는 것은 현실적으로 불가능에 가깝습니다. 바로 이 지점에서 인공지능이 복잡한 정보를 빠르게 처리하고 분석함으로써 의사의 의사결정을 돕는 필수적인 도구로 주목받고 있습니다. 의료 인공지능의 성능이 단순히 병을 잘 찾는 것만으로는 충분하지 않습니다. 최근 학계에서는 인공지능의 판독이 실제 임상 현장에서 환자의 예후를 개선했는지에 대한 근본적인 질문을 던지기 시작했습니다. 아무리 작은 병변을 잘 발견하더라도 치료가 불필요한 경우까지 과잉 진단하게 되면 의료 자원의 낭비와 환자의 불안감을 초래할 수 있기 때문입니다. 기술의 유효성은 기술적 정확도를 넘어 환자의 건강한 삶에 기여하는 실질적인 결과로 입증되어야 합니다. 인공지능은 의료 시스템의 효율성을 극대화하여 경제적 가치를 창출합니다. 안과 질환 진단의 경우, 인공지능은 단일 검사만으로도 전문의가 여러 단계의 정밀 검사를 거친 것 이상의 높은 정확도를 구현해 냈습니다. 이는 환자가 병원을 방문하는 횟수와 검사 비용을 획기적으로 줄여주며 의료 기관의 인력 부족 문제도 동시에 해결할 수 있는 방안이 됩니다. 정확한 진단에 기반한 자원의 최적 배분은 현대 의료가 직면한 고비용 저효율 문제를 해결하는 열쇠가 됩니다. 팬데믹 상황이나 응급 의료 현장에서 인공지능의 가치는 더욱 빛을 발합니다. 코로나19와 같은 상황에서 환자가 향후 중증으로 악화할지 여부를 미리 예측함으로써 한정된 병상을 효율적으로 배정할 수 있게 돕습니다. 또한 격리 중인 환자의 상태를 실시간으로 모니터링하거나 인공지능 상담원이 증상을 체크하여 위험 상황을 사전에 알리는 시스템도 이미 활용되고 있습니다. 이처럼 인공지능은 현재의 상태를 진단하는 것에서 나아가 미래의 위험을 예측하고 관리하는 예방적 차원의 의료를 실현하고 있습니다. 고가의 면역 항암제 치료 효과를 예측하거나 복잡한 심장 질환의 발병 가능성을 분석하는 등 인공지능은 정밀 치료의 핵심 동력입니다. 특히 우리나라는 세계 최고 수준의 의료진과 체계적인 의료 시스템 덕분에 고품질의 데이터를 보유하고 있어 의료 인공지능 분야에서 강력한 경쟁력을 갖추고 있습니다. 인공지능은 결코 의사를 대체하는 존재가 아니라, 의사가 더 정확하게 판단할 수 있도록 돕는 조력자입니다. 다양한 학문이 융합된 이 기술은 의료 사각지대를 해소하고 환자 개개인에게 최적화된 맞춤형 의료를 제공할 것입니다.

인공지능이 의료에 쓰여야 하는 이유? ㅣ 김휘영교수(연세대학교) [토요과학강연#1-3부]
서울시립과학관
  • 생명과학
  • 뇌인지과학
  • 융합

[강연] 딥러닝으로 엘니뇨 예측하기 _ by함유근 | 2020 가을 카오스강연 'Ai X' 4강 | 4강

엘니뇨는 적도 태평양의 해수면 온도가 평년보다 0.5도 이상 높은 상태가 6개월 이상 지속되는 현상을 말합니다. 페루 어부들이 수온 변화로 물고기가 잡히지 않는 시기에 붙인 이름에서 유래한 이 현상은 단순한 지역적 변화를 넘어 전 지구적인 기후 시스템에 막대한 영향을 미칩니다. 엘니뇨가 발생하면 인도네시아와 호주에는 극심한 가뭄과 산불이 발생하고, 남미 지역에는 폭우와 홍수가 이어지는 등 이상기후가 빈번해집니다. 우리나라도 엘니뇨의 영향권에서 자유롭지 못하며, 겨울철 기온이 상승하거나 강수량이 증가하는 등 뚜렷한 기상 변화를 겪게 됩니다. 기후 예측은 내일의 날씨를 맞히는 것보다 훨씬 긴 시간 규모의 변화를 다루는 도전적인 과제입니다. 기존에는 지구를 격자로 나누어 구름, 강수, 해류 등 복잡한 물리 과정을 계산하는 수치 모델을 주로 사용해 왔습니다. 하지만 이러한 수치 모델은 수십만 줄의 코드로 이루어져 있어 실제 지구의 모든 프로세스를 완벽하게 구현하기 어렵습니다. 또한, 초기 상태의 아주 작은 차이가 결과에서 거대한 차이를 만들어내는 '나비효과'로 인해 예측 기간이 길어질수록 정확도가 급격히 떨어지는 한계가 있었습니다. 특히 6개월 이상의 중장기 예측은 기후학자들에게 여전히 어려운 숙제였습니다. 최근에는 이러한 한계를 극복하기 위해 인공지능, 특히 딥러닝 기술이 기후 예측 분야에 도입되고 있습니다. 엘니뇨 예측에는 이미지 인식에 탁월한 성능을 보이는 합성곱 신경망(CNN) 기법이 주로 활용됩니다. 엘니뇨는 특정 지점의 수온 변화뿐만 아니라 서태평양, 인도양, 대서양 등 전 지구적인 해수면 온도 분포의 상관관계를 파악하는 것이 중요하기 때문입니다. 2차원 또는 3차원 지도 형태의 데이터를 분석하여 복잡한 패턴 속에서 엘니뇨의 전조 현상을 찾아내는 인공지능의 능력은 기존 수치 모델이 놓치기 쉬운 미세한 신호들을 포착하는 데 매우 효과적이라는 사실이 증명되었습니다. 딥러닝 모델을 학습시키기 위해서는 방대한 양의 데이터가 필요하지만, 관측된 기후 데이터는 역사적으로 매우 한정적입니다. 엘니뇨는 1년에 단 한 번 발생 여부가 결정되기에 실제 가용 샘플은 170여 개에 불과합니다. 이를 해결하기 위해 연구자들은 '전이 학습'이라는 기법을 도입했습니다. 이는 수치 모델 시뮬레이션이 생성한 수많은 가상 엘니뇨 데이터를 먼저 학습시킨 뒤, 그 지식을 실제 관측 데이터에 적용하는 방식입니다. 비록 가상 데이터에 오차가 있더라도 기본적인 물리 메커니즘을 학습하는 데는 충분하며, 이를 통해 데이터 부족 문제를 해결하고 모델의 예측 성능을 획기적으로 높일 수 있었습니다. 딥러닝 기반의 예측 모델은 기존 수치 모델보다 훨씬 앞선 성능을 보여주었습니다. 기존 시스템이 약 1년 정도의 예측 신뢰도를 가졌다면, 인공지능 모델은 이를 18개월까지 연장하는 데 성공했습니다. 1년 반 앞을 내다볼 수 있다는 것은 사회적, 경제적으로 엄청난 가치를 지닙니다. 이상기후에 대비해 재난 방지 시스템을 정비할 충분한 시간을 확보할 수 있을 뿐만 아니라, 곡물 가격 변동에 선제적으로 대응하여 경제적 손실을 최소화할 수 있기 때문입니다. 실제로 1997년이나 2015년의 강력한 엘니뇨 사례에서도 딥러닝 모델은 매우 높은 정확도로 미래를 예측해 내는 성과를 거두었습니다. 인공지능의 예측 결과가 단순히 통계적 우연이 아님을 증명하기 위해 '히트맵' 분석 기법이 사용됩니다. 이는 인공지능이 데이터의 어느 부분을 중점적으로 보고 판단을 내렸는지 시각화하는 기술입니다. 분석 결과, 딥러닝 모델은 엘니뇨 발생 1년 전 서태평양의 따뜻한 해수 분포나 대서양의 특정 온도 패턴을 주목하고 있었습니다. 이는 기존 기후학계에서 밝혀낸 물리적 메커니즘과 일치하는 결과로, 인공지능이 엉뚱한 정보가 아닌 과학적 근거에 기반하여 결과를 도출하고 있음을 시사합니다. 이러한 설명 가능한 인공지능 기술은 블랙박스로 불리던 딥러닝 모델의 신뢰성을 높이는 핵심적인 역할을 수행합니다. 인공지능 기술은 이제 엘니뇨의 발생 여부를 넘어, 발생 위치에 따른 다양한 유형의 엘니뇨를 구분하는 단계까지 발전했습니다. 중태평양 엘니뇨와 동태평양 엘니뇨는 육지에 미치는 영향이 서로 다르기에 이를 정확히 구분하는 것은 매우 중요합니다. 앞으로 딥러닝 기법은 태풍의 강도 변화, 극한 강수, 장마 패턴 등 더욱 다양한 기후 현상을 예측하는 데 폭넓게 적용될 전망입니다. 인공지능은 기후학자의 자리를 대체하는 것이 아니라, 복잡한 지구 시스템을 이해하고 미래의 불확실성에 대비하는 강력한 도구로서 인류의 생존과 번영에 기여하는 동반자가 될 것입니다.

[강연] 딥러닝으로 엘니뇨 예측하기 _ by함유근 | 2020 가을 카오스강연 'Ai X' 4강

함유근

카오스재단카오스강연
  • 지구환경과학

[코로나TALK-18] 트럼프는 틀렸다! 지금 데이터가 가장 중요한 이유 _장원철 교수 | 18강

코로나19라는 전 지구적 위기 상황에서 데이터는 단순한 숫자를 넘어 방역의 핵심 지표로 활용되었습니다. 인도의 사례를 보면, 확진자가 수백 명에 불과하던 초기 단계에서 데이터 과학자들의 예측 모델을 근거로 13억 인구에 대한 전국 봉쇄라는 과감한 결단을 내렸습니다. 이는 감염병의 기하급수적인 증가 추세를 미리 파악하고 선제적으로 대응한 결과로, 만약 이러한 데이터 기반의 의사결정이 없었다면 인도의 확진자 수는 예측치인 2,000만 명을 훨씬 상회하며 통제 불능의 재앙으로 이어졌을 것입니다. 데이터는 정책의 효과를 검증하고 미래를 설계하는 데에도 결정적인 역할을 합니다. 인도의 전국 봉쇄는 단기적인 확산 억제를 넘어 사회적 거리두기와 여행 금지 등 다양한 방역 전략이 결합되었을 때 비로소 장기적인 효과를 거둘 수 있음을 보여주었습니다. 특히 누적 확진자 수의 증가 폭을 완만하게 조절하는 '플래트닝 더 커브(Flattening the curve)' 전략은 의료 시스템의 붕괴를 막는 핵심이 되었으며, 이는 정교한 데이터 분석을 통해 각국 정부가 방역의 강도를 조절하는 과학적 근거가 되었습니다. 정보의 홍수 속에서 올바른 정보를 선별하기 위해 데이터 시각화의 중요성은 더욱 커지고 있습니다. 단순히 누적 검사 횟수만을 강조하는 그래프는 실제 방역 현황을 왜곡할 수 있으며, 매일 시행되는 신규 검사 수와 양성률을 함께 살펴봐야 정확한 진단이 가능합니다. 시각화는 복잡한 통계 수치를 직관적인 그림이나 지도로 변환하여 대중이 감염병의 확산 경로와 위험도를 쉽게 이해하도록 돕습니다. 이는 잘못된 정보로 인한 혼란을 방지하고 사회적 합의를 이끌어내는 강력한 도구가 됩니다. 뉴욕 타임스와 파이낸셜 타임스 같은 주요 언론들은 로그 스케일과 스무딩 스플라인 기법을 활용해 국가별 확진 추세를 정교하게 시각화했습니다. 로그 스케일은 확진자 수가 급격히 차이 나는 국가들을 동일한 선상에서 비교할 수 있게 해주며, 변동성이 큰 일일 데이터를 매끄러운 곡선으로 표현함으로써 전체적인 유행의 흐름을 명확히 보여줍니다. 이러한 시각적 분석은 바이러스가 특정 도시에서 시작해 비행기 경로를 타고 전 세계로 퍼져나가는 과정을 입체적으로 묘사하여 방역의 사각지대를 찾아내는 데 기여합니다. 대규모 인원을 효율적으로 검사하기 위한 방안으로 1943년에 제안된 '집단 검사(Group Testing)' 기법이 다시 주목받고 있습니다. 이는 여러 사람의 샘플을 하나로 섞어 검사한 뒤, 양성이 나올 경우에만 해당 그룹을 세분화하여 재검사하는 방식입니다. 이 방법은 감염자가 적은 집단에서 검사 횟수를 획기적으로 줄여 시간과 비용을 절감할 수 있게 합니다. 과거 성병 검사를 위해 고안된 오래된 통계적 아이디어가 현대의 분자 진단 기술과 결합하여 팬데믹 상황을 타개할 새로운 해결책으로 부활한 셈입니다. 미국의 코넬 대학교와 스탠퍼드 대학교 병원은 이러한 집단 검사 시스템을 도입하여 캠퍼스 정상화를 시도하고 있습니다. 수만 명의 구성원을 주기적으로 검사하기 위해서는 막대한 비용이 발생하지만, 집단 검사 알고리즘을 적용하면 검사 효율을 극대화할 수 있습니다. 특히 유병률이 낮은 환경에서는 한 번에 수십 명의 샘플을 섞어 검사함으로써 전체 검사 비용을 10분의 1 수준으로 낮추는 것이 가능합니다. 이는 경제 활동을 유지하면서도 감염원을 조기에 발견하여 격리할 수 있는 현실적인 대안이 되고 있습니다. 현대 통계학자와 데이터 과학자들은 이제 연구실이라는 '뒤뜰'을 벗어나 사회의 중요한 의사결정이 이루어지는 '앞뜰'에서 활약하고 있습니다. 코로나19 대응 과정에서 보여준 데이터 기반의 예측과 시각화, 그리고 효율적인 검사 알고리즘은 공공보건 정책의 신뢰도를 높이는 데 결정적인 역할을 했습니다. 시시각각 변하는 데이터 속에서 숨겨진 진실을 찾아내고 이를 바탕으로 최선의 선택을 내리는 과정은, 앞으로 우리가 마주할 수많은 사회적 난제를 해결하는 데 있어 가장 강력한 무기가 될 것입니다.

[코로나TALK-18] 트럼프는 틀렸다! 지금 데이터가 가장 중요한 이유  _장원철 교수

장원철

카오스재단코로나19 과학토크
  • 생명과학
  • 융합

[ENG 1-2] COVID-19_Nudging Data Science-Based Exit Policycrafting | 2세션 ③

현대 사회에서 정책 결정의 핵심은 객관적인 증거에 기반한 '증거 기반 정책'입니다. 이는 1997년 영국에서 처음 정립된 개념으로, 한국은 2007년부터 이를 도입하여 미국보다 앞서 체계적인 기틀을 마련해 왔습니다. 특히 감염병 확산과 같은 국가적 위기 상황에서 과학적 데이터에 근거한 의사결정은 불확실성을 해소하고 효율적인 대응 방안을 마련하는 데 필수적입니다. 통계적 방법론과 혁신적인 연구를 통해 미래를 예측하는 것은 단순한 수치 계산을 넘어 국가의 안녕을 지키는 중요한 토대가 됩니다. 감염병 확산을 이해하고 통제하기 위한 핵심 지표는 감염재생산지수(R)입니다. 이는 감염 확률(P), 접촉 빈도(C), 감염 지속 기간(D)의 곱으로 산출됩니다. 손 씻기와 마스크 착용은 감염 확률을 낮추고, 사회적 거리두기는 접촉 빈도를 줄이는 역할을 합니다. 또한 한국의 강점인 '3T 시스템'은 신속한 검사와 추적, 치료를 통해 감염 지속 기간을 단축하는 데 기여합니다. 이러한 요소들을 명확히 이해하고 측정하는 것은 방역 조치의 당위성을 확보하고 대중의 자발적인 참여를 이끌어내는 과학적 근거가 됩니다. 미래의 위기에 선제적으로 대응하기 위해 한국과 캐나다 연구진은 공동으로 감염병 예측 모델링을 수행해 왔습니다. 특히 IDEA 모델은 역학 기반의 SIR 모델 원리를 반영하여 감염의 기하급수적인 증가나 감소를 정밀하게 예측합니다. 감수성자, 감염자, 회복자의 관계를 분석함으로써 감염재생산지수가 1보다 큰지 작은지를 판단하고, 이를 통해 방역 정책의 효과를 시뮬레이션할 수 있습니다. 이러한 과학적 모델링은 단순한 추측이 아닌, 데이터에 기반한 정교한 분석을 통해 정책 입안자들이 최적의 봉쇄 완화 시점이나 강화 시점을 결정하도록 돕습니다. 실제 한국의 코로나19 대응 과정에서 예측 모델링의 정확도는 매우 높게 나타났습니다. 3월 초에 예측한 확진자 발생 추이와 정점 시기는 실제 결과와 상당히 유사했으며, 이는 선제적인 방역 조치가 얼마나 효과적이었는지를 증명합니다. 만약 아무런 대응이 없었다면 확진자 수가 수백만 명에 달했을 것이라는 시뮬레이션 결과는 과학적 대응의 중요성을 다시금 일깨워 줍니다. 또한 팬데믹은 한 국가만의 문제가 아니기에, 글로벌 확산 추세를 함께 고려하며 국지적인 소규모 확산에 대비하는 동적 사회적 거리두기 전략이 필요합니다. 데이터 과학과 인공지능 기반의 예측 모델링은 앞으로 다가올 새로운 위기 대응에 있어 더욱 중추적인 역할을 할 것입니다. 하지만 기술보다 더 중요한 것은 이를 설계하고 정책에 반영할 수 있는 '사람'입니다. 증거 기반 정책에 능숙한 전문가와 데이터를 정교하게 다루는 모델러, 그리고 정책 결정자 간의 긴밀한 협력이 이루어질 때 비로소 데이터 경제와 과학적 방역의 시너지가 발생합니다. 결국 미래의 위기를 극복하는 힘은 정밀한 데이터 분석 역량을 갖춘 인재를 양성하고 이들의 지혜를 모으는 데서 시작됩니다.

[ENG 1-2] COVID-19_Nudging Data Science-Based Exit Policycrafting

전영일

카오스재단코로나19 과학토크
  • 생명과학
  • 융합

[ENG1-3] 1st Discussion_The COVID-19 Pandemic: Korea’s Response and Challenges Ⅱ | 2세션

팬데믹은 우리 사회의 디지털 전환을 가속화하며 기업 가치의 지형을 완전히 바꾸어 놓았습니다. 특히 클라우드 기술과 온라인 협업 도구를 선제적으로 도입한 기업들은 위기를 기회로 전환하며 전례 없는 성장을 기록했습니다. 이러한 변화의 중심에는 엠비언트 AI(Ambient AI) 기술이 자리 잡고 있습니다. AI 칩을 통해 실시간 데이터를 수집하고 분석함으로써 방역 조치의 효율성을 높이는 시도가 이어지고 있으며, 이는 물리적 세계와 디지털 세계를 더욱 긴밀하게 연결하는 가교 역할을 합니다. 다만 이러한 디지털화의 속도 차이가 국가와 개인 간의 불평등을 심화시킬 수 있다는 점은 우리가 해결해야 할 과제입니다. 불확실성이 지배하는 시대에는 객관적인 데이터가 가장 신뢰할 수 있는 길잡이가 됩니다. 한국은 선제적인 검사와 확진자 곡선 평탄화를 통해 의료 체계의 붕괴를 막고 대응을 위한 소중한 시간을 확보하는 데 성공했습니다. 특히 유전자 기반의 RT-PCR 진단 방식은 감염 초기 단계의 확진자와 무증상 감염자까지 조기에 식별해 내는 결정적인 역할을 수행했습니다. 축적된 데이터를 분석하여 감염의 부채를 줄이고 치명률을 체계적으로 관리하는 것은 과학적 방역의 핵심입니다. 앞으로도 미래의 위기에 대비하기 위해 정밀한 데이터 축적과 활용 방안을 지속적으로 고민해야 합니다. 단순히 확진자 수라는 수치에 집중하는 단계를 넘어, 이제는 사망자 데이터와 임상 정보의 세밀한 분석에 집중해야 할 때입니다. 환자를 경증과 중증으로 신속하게 분류하고, 기저 질환과의 상관관계를 파악하는 것은 한정된 의료 자원을 효율적으로 배분하기 위해 필수적입니다. 예를 들어 암 환자와 같은 고위험군의 치명률이 일반 환자에 비해 현저히 높다는 사실은 방대한 데이터 분석을 통해서만 명확히 드러납니다. 이러한 구체적인 임상 데이터를 투명하게 공개하고 학계와 공유함으로써 시민들의 이해를 돕고, 더욱 정교하고 선진적인 방역 체계를 구축할 수 있는 토대를 마련해야 합니다. 정부의 소통 방식 또한 팬데믹의 장기화라는 흐름에 맞춰 진화해야 합니다. 초기에는 신속하고 투명한 정보 제공으로 국민의 불안을 해소하는 데 주력했다면, 이제는 의료 시설의 준비 상황이나 물류 시스템 등 보다 심층적인 정보를 공유하여 신뢰를 쌓아야 합니다. 지속 가능한 방역을 위해서는 국민들이 일상 속에서 실천할 수 있는 구체적인 예방 조치를 명확히 인지하고 사회적 공감대를 형성하는 것이 무엇보다 중요합니다. 2차 유행의 가능성을 항상 염두에 두고, 가용한 자원을 최적화하여 피해를 최소화하는 장기적인 관점의 전략적 접근이 요구되는 시점입니다. 감염병 확산의 정확한 예측을 위해서는 적은 데이터로도 견고한 결과를 도출할 수 있는 통계적 모델링 기법이 적극적으로 활용됩니다. 특히 무증상 감염자의 규모를 파악하기 위한 항체 조사는 과학적 방역의 완성도를 높이는 데 크게 기여합니다. 무작위 설문조사와 지역별 인구통계학적 분석을 통해 숨겨진 감염원을 식별하면 보다 정교한 치명률 측정과 맞춤형 대응책 마련이 가능해집니다. 이러한 과학적 방법론은 단순히 현재의 위기 상황을 진단하는 것을 넘어, 미래에 발생할 수 있는 또 다른 팬데믹에 대비하여 사회적 회복 탄력성을 높이는 강력한 무기가 될 것입니다. 인공지능과 머신러닝 기술을 임상 데이터에 적용하면 환자의 상태 변화를 사전에 예측하여 치명률을 낮추는 선제적인 조치를 취할 수 있습니다. 이러한 데이터 활용의 지평은 보건 의료 분야에 국한되지 않고 경제 영역으로도 과감하게 확장되어야 합니다. 빅데이터를 활용해 주 단위로 경제 상황을 정밀하게 측정함으로써 방역 조치가 민생 경제에 미치는 영향을 실시간으로 파악할 수 있기 때문입니다. 건강한 사회와 안정된 경제라는 두 마리 토끼를 모두 잡기 위해서는 보건 데이터와 경제 데이터를 통합적으로 분석하고 관리하는 범국가적인 데이터 거버넌스 구축이 시급합니다. 팬데믹의 종식은 단기간에 마법처럼 이루어지기 어려우며, 작은 파도가 반복되는 순환 과정을 거칠 가능성이 높습니다. 우리는 바이러스와 공존하는 법을 익히고, 일상생활 속에서 방역 수칙을 준수하며 상황 변화에 유연하게 대처하는 능력을 길러야 합니다. 방역의 성공은 결국 경제 활동의 재개로 이어지는 든든한 토대가 됩니다. 소상공인과 취약 계층을 위한 실질적인 경제적 지원책과 더불어 소비 활성화를 위한 정책적 노력이 병행되어야 합니다. 미래에 마주할 더 큰 위기에 대비하기 위해, 현재 우리가 겪고 있는 시련을 소중한 학습과 훈련의 기회로 삼아야 할 것입니다.

[ENG1-3] 1st Discussion_The COVID-19 Pandemic: Korea’s Response and Challenges Ⅱ

구인회, 김강립, 김미곤, 김진숙, 박원호, 박종화, 신종호, 이광재, 이현숙, 전영일, 차상균, 홍성욱, 홍준형

카오스재단코로나19 과학토크
  • 생명과학

[코로나TALK-1] 코로나19 확산 모형, 김범준 교수 연구발표 | 1강

데이터 사이언스 분야에는 '데이터를 아주 오래 고문하면 데이터가 자백한다'는 흥미로운 격언이 있습니다. 이는 방대한 데이터를 끈기 있게 분석하고 이해하려 노력하다 보면 그 속에 숨겨진 진실과 패턴을 찾아낼 수 있다는 긍정적인 의미를 담고 있습니다. 감염병 확산 역시 개별적인 사례에 매몰되기보다 국가별로 축적된 방대한 데이터를 기반으로 접근할 때 비로소 전체적인 흐름을 파악할 수 있습니다. 다만 데이터가 들려주는 모든 이야기가 진실이라고 맹신하기보다, 데이터에 담긴 맥락을 세심하게 살피는 태도가 무엇보다 중요합니다. 모든 감염병 확산 데이터는 전형적인 알파벳 S자 모양의 곡선을 그리는 경향이 있습니다. 초기에는 환자 수가 급격하게 늘어나며 아래로 볼록한 형태를 띠지만, 확산이 진정세에 접어들면 곡선의 기울기가 변하며 위로 볼록한 형태로 바뀌게 됩니다. 이 과정에서 곡률이 변하는 변곡점이 존재하게 되며, 이를 통해 확산의 정점과 종료 시점을 직관적으로 이해할 수 있습니다. 국가마다 곡선의 구체적인 모양에는 차이가 있지만, 이러한 S자 곡선의 특성을 파악하는 것은 현재의 방역 상황을 진단하고 미래를 예측하는 데 핵심적인 지표가 됩니다. 감염병의 확산 양상을 시각화하는 방법 중 하나인 카토그램은 확진자 수에 비례하여 국가의 면적을 왜곡해 보여줍니다. 이를 통해 관찰한 코로나19의 초기 확산은 주로 동서 방향의 축을 따라 진행되었습니다. 중국에서 시작된 바이러스가 한국을 거쳐 유럽과 미국으로 번져나가는 과정은 지리적 거리보다 항공망 연결성이 더 큰 영향을 미쳤음을 시사합니다. 이후 4월 중순을 기점으로 확산의 축은 남북 방향으로 이동하여 러시아, 인도, 남미 국가들의 면적이 급격히 커지는 양상을 보였으며, 이는 전 지구적인 경계가 필요함을 일깨워 줍니다. 과학자들은 감염병 확산을 이해하기 위해 '구획 모형'이라는 이론적 틀을 사용합니다. 가장 대표적인 SIR 모형은 전체 인구를 미감염자(S), 감염자(I), 격리 및 회복자(R)의 세 그룹으로 나누어 이들 사이의 상호작용을 미분방정식으로 기술합니다. 이 모형은 지리적 요소를 배제한 단순한 가정을 바탕으로 하지만, 감염병 확산의 본질적인 역학을 파악하는 데 매우 유용합니다. 특히 확진 판정을 받고 격리되는 과정을 포함하는 SIR 모형은 현실의 방역 시스템이 감염 확산을 억제하는 원리를 수학적으로 명확하게 보여주는 도구가 됩니다. 한국의 확진자 발생 패턴을 분석해 보면 단일한 S자 곡선이 아닌, 여러 개의 곡선이 중첩된 형태임을 알 수 있습니다. 초기 해외 유입 사례와 대구·경북 지역의 대규모 확산, 그리고 이후 수도권을 중심으로 나타난 산발적 감염이 각각 독립적인 곡선을 형성한 것입니다. 주목할 점은 후속 곡선으로 갈수록 곡선의 기울기가 완만해졌다는 사실입니다. 이는 보건당국의 적극적인 진단과 방역 노력, 그리고 시민들의 사회적 거리두기가 실질적으로 감염 확산 속도를 늦추는 데 기여했음을 데이터로 증명하는 결과라고 볼 수 있습니다. 메타포퓰레이션 모형은 국가 간 이동 데이터를 결합하여 감염병의 전 지구적 확산을 시뮬레이션합니다. 연구 결과에 따르면, 국가 간 이동을 물리적으로 제한하는 것보다 지역 내에서의 감염 확률을 낮추는 것이 최종 확산 규모를 줄이는 데 훨씬 효과적입니다. 항공망을 통한 이동 제한은 확산 시점을 늦추어 대비할 시간을 벌어줄 뿐, 근본적인 해결책이 되기는 어렵기 때문입니다. 따라서 마스크 착용이나 사회적 거리두기와 같은 개인의 방역 수칙 준수가 전체 공동체의 안전을 지키는 데 있어 가장 강력하고 실질적인 수단이 됩니다. 감염병 대응의 핵심 지표인 재생산 지수는 한 명의 환자가 전염시키는 평균 인원수를 의미하며, 이는 감염 확률, 접촉 횟수, 격리 전 활동 기간의 곱으로 결정됩니다. 미래에 닥칠 또 다른 감염병인 '질병 X'에 대비하기 위해서는 이러한 물리적 변수뿐만 아니라 사회·경제적 비용까지 고려한 확장된 모형이 필요합니다. 이번 사태를 통해 얻은 데이터와 과학적 통찰을 바탕으로 국가 간 공조 체계를 강화하고 투명한 정보 공유 시스템을 구축한다면, 인류는 다음 팬데믹 위기 앞에서 더욱 지혜롭고 신속하게 대응할 수 있을 것입니다.

[코로나TALK-1] 코로나19 확산 모형, 김범준 교수 연구발표

김범준

카오스재단코로나19 과학토크
  • 물리학
  • 생명과학

[강연] 우주탐사 _ by황정아, 채연석 | 2020 봄 카오스강연 '첨단기술의 과학' 1강 | 1강

태양은 우리 태양계의 모든 에너지와 생명력의 근원입니다. 하지만 태양은 단순히 빛을 내는 존재를 넘어, 끊임없이 플라스마 입자를 뿜어내며 우주 공간에 거대한 흐름을 만들어냅니다. 이를 '태양풍'이라 부르며, 이로 인해 발생하는 물리적 현상을 우리는 '우주 날씨'라고 정의합니다. 지구인으로서 우리가 우주 날씨를 이해해야 하는 이유는 명확합니다. 우주에서 벌어지는 변화가 지구의 통신망, 전력망, 그리고 인공위성의 안전에 직접적인 영향을 미치기 때문입니다. 인류가 보낸 가장 먼 인공 물체인 보이저 1호는 현재 태양권계면을 넘어 성간 우주로 나아가고 있습니다. 보이저가 보내오는 데이터는 우리가 한 번도 가보지 못한 미지의 영역에 대한 소중한 정보를 담고 있습니다. 과학자들은 이 데이터를 통해 태양풍의 영향력이 어디까지 미치는지, 그리고 그 너머의 우주 공간은 어떤 상태인지를 분석합니다. 인공위성은 단순한 기계 장치를 넘어, 인류의 호기심을 우주 끝까지 전달하는 현장 관측의 핵심 도구로서 그 역할을 다하고 있습니다. 과학의 진보는 우리가 보지 못했던 것들을 선명하게 드러내 줍니다. 과거에는 희미한 점으로만 보였던 명왕성이 탐사선을 통해 구체적인 지형을 드러냈고, 인류 역사상 최초로 블랙홀의 그림자인 '사건의 지평선'을 촬영하는 데 성공하기도 했습니다. 이러한 성과는 수십 년에 걸친 임무 설계와 정밀한 관측 기술의 축적이 있었기에 가능했습니다. 지상 망원경에서 허블 우주 망원경으로, 그리고 더 먼 우주를 향한 탐사선으로 이어지는 여정은 인류의 지식 지평을 끊임없이 넓혀가고 있습니다. 한국의 인공위성 개발 역시 우리별 1호에서 시작하여 차세대 소형 위성으로 그 계보를 이어가고 있습니다. 최근에는 단일 위성의 한계를 극복하기 위해 여러 대의 위성이 대열을 갖추어 비행하는 '편대 비행' 기술이 주목받고 있습니다. 이는 위성을 작고 가볍게 만들면서도 정밀한 자세 제어 기술을 결합하여 시간적, 공간적 분해능을 동시에 확보하는 혁신적인 방식입니다. 이러한 기술적 도약은 우주 환경을 더욱 입체적으로 관측하고 분석할 수 있는 새로운 가능성을 열어주고 있습니다. 과학은 기술의 발전을 넘어 사회 제도의 근거를 마련하는 중요한 역할을 수행합니다. 예를 들어, 북극 항로를 비행하는 승무원과 승객이 노출되는 우주 방사선을 측정하고 분석하는 연구는 관련 안전 법령을 제정하는 기초가 됩니다. 과학적 지식이라는 단단한 기반이 없다면 우리 사회의 안전을 지키기 위한 법과 규칙은 정당성을 얻기 어렵습니다. 이처럼 과학자는 보이지 않는 곳에서 데이터를 통해 사회에 기여하며, 인류가 더 안전하고 합리적인 방향으로 진화할 수 있도록 돕고 있습니다. 우주 탐사의 핵심 동력인 로켓은 수백만 개의 부품이 완벽하게 조화를 이루어야 하는 공학의 결정체입니다. 아폴로 계획을 성공시킨 새턴 5호 로켓처럼 거대한 발사체는 액체 추진제와 고체 추진제의 특성을 활용하여 엄청난 무게를 우주로 밀어 올립니다. 특히 액체 로켓 엔진은 추진력을 정밀하게 조절할 수 있어 복잡한 우주 임무에 필수적입니다. 로켓 엔진 기술은 전체 발사체 비용의 상당 부분을 차지하는 만큼, 전 세계는 더 효율적이고 경제적인 엔진을 개발하기 위해 치열하게 경쟁하고 있습니다. 우리나라는 고려 시대 최무선의 화약 무기부터 조선 시대의 로켓인 신기전에 이르기까지 독창적인 로켓 기술의 역사를 가지고 있습니다. 이러한 역사적 자산은 현대의 나로호와 누리호 개발로 이어지며 한국형 발사체 완성이라는 꿈을 향해 나아가고 있습니다. 독자적인 발사체 기술을 보유한다는 것은 우리가 원하는 시기에 원하는 우주 공간으로 나갈 수 있는 '우주 자가용'을 갖는 것과 같습니다. 끊임없는 실패와 도전을 통해 축적된 기술은 대한민국이 우주 강국으로 도약하는 든든한 발판이 될 것입니다.

[강연] 우주탐사 _ by황정아, 채연석 | 2020 봄 카오스강연 '첨단기술의 과학' 1강

채연석, 황정아

카오스재단카오스강연
  • 천문학

[강연] 디지털인문학과 데이터과학 (6)_ by장원철 | 2018 봄 카오스 강연 '모든 것의 수數다' 4강 | 4강 ⑥

통계학에서 표본의 크기보다 중요한 것은 그 표본이 전체를 얼마나 잘 대변하느냐 하는 대표성입니다. 1930년대 미국 대선 당시 한 잡지사는 1,000만 명이라는 대규모 조사를 시행하고도 예측에 실패해 파산에 이르렀습니다. 반면 갤럽은 단 1,000명의 표본만으로도 정확한 결과를 맞혔는데, 이는 당시 전화기나 잡지 구독권을 소유한 부유층에 편중된 표본 추출의 오류를 극복했기 때문입니다. 현대의 여론조사 역시 유무선 비율 설정 등 대표성을 확보하기 위한 정교한 설계가 핵심적인 역할을 수행합니다. 단순히 빈도를 세는 것을 넘어, 통계학은 복잡한 수학적 모형을 통해 인문학적 데이터를 분석합니다. 문학 작품 속 단어 길이의 분포는 '멱함수 법칙(Power Law)' 모델을 따르며, 이를 분석하기 위해 푸아송 분포나 카이제곱 분포 같은 고등 통계 지식이 활용됩니다. 야구와 같은 스포츠 데이터 분석에서도 누적된 기록을 바탕으로 승률을 예측하는 등 통계는 실생활의 다양한 영역에 깊숙이 침투해 있습니다. 이러한 과학적 방법론은 미래의 불확실성을 완화하고 합리적인 의사결정을 내리는 데 중추적인 역할을 수행합니다. 데이터의 결합은 강력한 힘을 발휘하지만, 동시에 심각한 프라이버시 침해 문제를 야기할 수 있습니다. 익명화된 정보라 할지라도 다른 데이터베이스와 연동되면 개인의 신원이 노출될 위험이 크기 때문입니다. 특히 범죄 예측이나 희귀 질병 정보의 경우, 특정 개인에게 불이익을 주는 도구로 악용될 소지가 있어 도덕적 논란이 뒤따릅니다. 따라서 통계학자들은 데이터를 비식별화하면서도 분석의 유효성을 유지할 수 있는 정교한 방법론을 개발하는 데 매진하며, 기술 활용의 윤리적 가이드라인을 끊임없이 고민하고 있습니다. 학문적 성과 뒤에는 수많은 실패의 과정이 숨겨져 있습니다. 대중에게 공개되는 성공적인 연구 결과는 빙산의 일각일 뿐이며, 실제 연구 현장에서는 가설이 틀리거나 유의미한 결과를 얻지 못해 머리를 맞대고 고민하는 날이 훨씬 더 많습니다. 통계적 검정 역시 완벽한 진리를 보장하는 것이 아니라, 결론이 틀릴 확률을 함께 제시함으로써 객관성을 확보합니다. 중력파 탐지와 같은 정밀 과학 분야에서는 오차 확률을 극도로 낮추어 검증의 신뢰도를 높이는 등, 통계는 끊임없는 자기 검증의 과정을 거치며 발전해 나갑니다. 통계학은 문과와 이과의 경계를 허무는 융합 학문으로서 독특한 매력을 지닙니다. 이론적 토대는 수학에 두고 있지만, 그 응용 범위는 유전공학부터 천문학, 인문학에 이르기까지 사실상 모든 학문 분야를 아우릅니다. 수학적 역량이 기본이 되어야 하는 것은 사실이나, 다양한 데이터를 해석하고 가치를 창출하려는 의지만 있다면 누구나 도전할 수 있는 길입니다. 복잡한 현대 사회에서 데이터를 읽어내는 능력은 필수적인 소양이며, 통계학은 세상을 바라보는 가장 과학적이고 객관적인 창이 되어줄 것입니다.

[강연] 디지털인문학과 데이터과학 (6)_ by장원철 | 2018 봄 카오스 강연 '모든 것의 수數다' 4강

임채영, 장원철

카오스재단카오스강연
  • 수학

[강연] 디지털인문학과 데이터과학 (1) _ by장원철 | 2018 봄 카오스 강연 '모든 것의 수數다' 4강 | 4강 ①

현대 사회는 그야말로 정보의 홍수 속에 살고 있습니다. 2003년까지 인류가 축적한 전체 데이터의 양이 이제는 단 이틀 만에 생성될 정도로 그 규모가 거대해졌습니다. 이러한 빅데이터 시대에 무엇보다 중요한 것은 단순히 데이터의 양이 아니라, 그 속에서 유용한 정보를 찾아내는 분석 능력입니다. 과거에는 정보가 부족해서 문제였다면, 이제는 너무 많은 정보 중에서 우리에게 진짜 필요한 가치를 추출하는 데이터 과학의 역할이 강조되고 있습니다. 이는 마치 거대한 원석에서 보석을 찾아내는 과정과도 같습니다. 통계학적 관점에서 데이터는 구조에 따라 크게 두 가지 형태로 나뉩니다. 수많은 고객의 소비 패턴을 분석하는 신용카드 데이터처럼 항목보다 관측치가 압도적으로 많은 '길쭉한 자료'가 그 첫 번째입니다. 반대로 유전자 분석처럼 대상은 적지만 분석해야 할 항목이 수만 개에 달하는 '뚱뚱한 자료', 즉 고차원 데이터가 존재합니다. 이러한 데이터의 구조적 차이를 명확히 이해하는 것은 현대 데이터 과학이 직면한 복잡한 문제들을 해결하는 출발점이자, 상황에 맞는 효율적인 분석 모델을 설계하는 데 있어 가장 핵심적인 기초가 됩니다. 빅데이터 분석의 가장 흥미로운 점 중 하나는 인과관계보다 연관성에 주목한다는 것입니다. 트위터에 올라오는 사람들의 기분 변화가 주가 흐름과 높은 상관관계를 보이거나, 검색어 빈도를 통해 독감 유행을 예측하는 사례가 대표적입니다. 물론 구글 독감 예측의 실패 사례처럼 데이터의 구조 변화나 알고리즘의 한계로 인해 오류가 발생하기도 합니다. 하지만 이러한 시행착오를 거쳐 모델을 보정하고 정교화하는 과정 자체가 데이터 과학이 더욱 정밀한 학문으로 발전해 나가는 중요한 동력이 되고 있습니다. 최근 '데이터 사이언티스트'는 21세기 가장 매력적인 직업으로 꼽히며 큰 주목을 받고 있습니다. 과거의 통계학자가 다소 딱딱하고 지루한 이미지로 인식되었다면, 데이터 사이언티스트는 방대한 자료 속에서 새로운 가치를 창출하는 창의적인 전문가로 받아들여집니다. 실제로 구글 트렌드 분석을 보면 통계학자라는 용어의 사용은 점차 줄어드는 반면, 데이터 사이언티스트에 대한 대중의 관심은 급증하고 있습니다. 이는 데이터 분석이 단순한 수치 계산을 넘어 사회 전반의 문제를 해결하는 핵심 도구로 자리 잡았음을 보여줍니다. 데이터 과학의 영역은 이제 숫자의 세계를 넘어 인문학의 영역까지 확장되고 있습니다. '디지털 인문학'은 구글 도서관 프로젝트처럼 방대한 문헌을 디지털화하여 정량적으로 분석하는 새로운 학문 분야입니다. 이를 통해 셰익스피어 작품의 진위 여부를 가리거나 이름 없는 연설문의 작성자를 추론하는 '양식 측정학' 연구가 가능해졌습니다. 숫자로 검증할 수 없을 것 같던 인문학적 가치들이 데이터를 만나면서, 우리는 인류의 문화적 유산을 더욱 객관적이고 다각적인 시각으로 바라볼 수 있는 새로운 창을 갖게 되었습니다.

[강연] 디지털인문학과 데이터과학 (1) _ by장원철 | 2018 봄 카오스 강연 '모든 것의 수數다' 4강

장원철

카오스재단카오스강연
  • 수학