설명성

2 Contents

[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

[강연] AI의 사고과정을 설명할 수 있을까 _ by최재식 ㅣ 2020 가을 카오스강연 'Ai X' 6강 | 6강

인공지능(AI) 기술은 자율주행, 금융, 의료 등 우리 삶의 핵심적인 영역으로 깊숙이 침투하고 있습니다. 하지만 시스템이 복잡해질수록 그 내부 작동 원리를 파악하기 어려워지는 '블랙박스' 문제가 발생합니다. 만약 AI가 중대한 결정을 내렸을 때 그 이유를 설명하지 못한다면, 예상치 못한 오류가 발생했을 때 인간의 생명과 재산에 심각한 위협이 될 수 있습니다. 따라서 AI가 내린 결론의 근거를 사람이 이해할 수 있는 방식으로 제시하는 '설명 가능 인공지능(XAI)' 기술은 이제 선택이 아닌 필수적인 요소로 자리 잡고 있습니다. 유럽연합의 일반 데이터 보호 규정(GDPR)은 자동화된 의사결정에 대해 설명을 요구할 권리를 법적으로 보장하고 있습니다. 이는 AI가 대출 심사나 채용 등에서 편향된 판단을 내리지 않도록 감시하는 중요한 장치가 됩니다. 실제로 특정 딥러닝 모델이 성적 지향이나 인종과 같은 민감한 정보를 학습하여 편견을 가질 수 있다는 연구 결과는 설명 가능성의 중요성을 시사합니다. 기업들은 이제 알고리즘의 투명성을 확보하지 못할 경우 막대한 벌금을 부과받을 수 있으며, 이는 기술적 신뢰를 넘어 사회적 윤리를 지키는 토대가 됩니다. 복잡한 딥러닝 모델을 설명하기 위한 대표적인 방법 중 하나는 '계층별 관련성 전파(LRP)' 기술입니다. 이는 AI가 최종 결정을 내리는 데 있어 입력 데이터의 어떤 부분이 가장 큰 기여를 했는지 역추적하는 방식입니다. 예를 들어, 자율주행 자동차가 핸들을 왼쪽으로 꺾었다면 도로의 특정 픽셀이나 장애물이 그 결정에 얼마나 영향을 미쳤는지 수치화하여 보여줄 수 있습니다. 수천만 개의 뉴런이 얽힌 복잡한 구조라도 각 레이어의 기여도를 분석함으로써, 우리는 블랙박스 내부의 논리적 흐름을 시각적으로 확인하고 검증할 수 있게 됩니다. 인공지능(AI) 내부를 들여다보는 연구는 마치 해부학 실습처럼 정교하게 진행되고 있습니다. 특정 레이어의 노드들이 어떤 사물에 반응하는지 분석해 보면, 놀랍게도 딥러닝 내부에는 비행기, 하늘, 식물 등 특정 물체를 전담해서 인식하는 유닛들이 존재함을 알 수 있습니다. 이는 AI가 단순히 데이터를 암기하는 것이 아니라, 스스로 유의미한 특징을 추출하여 세상을 이해하고 있음을 보여줍니다. 이러한 내부 구조의 가시화는 AI가 학습 과정에서 무엇을 중요하게 여기는지 파악하게 해주며, 모델의 성능 개선과 오류 수정을 위한 결정적인 단서를 제공합니다. 고차원 공간에서 작동하는 생성 모델의 내부를 탐색하기 위해 로봇 공학의 알고리즘을 도입하기도 합니다. 수천 차원의 복잡한 경계면을 효율적으로 찾아내는 기술을 통해, AI가 생성하는 이미지의 미세한 변화가 어떤 노드의 영향인지 정확히 짚어낼 수 있습니다. 예를 들어 안경의 유무나 배경의 색감 변화가 결정되는 경계 지점을 찾아냄으로써, 모델의 작동 범위를 명확히 규정하는 것이 가능해집니다. 이러한 정밀한 분석 도구는 AI가 단순히 결과를 내놓는 수준을 넘어, 그 결과가 도출되는 전체적인 지형도를 인간에게 제시하는 역할을 수행합니다. 설명 가능 인공지능(XAI)은 실제 산업 현장에서도 혁신적인 성과를 거두고 있습니다. 거대한 용광로인 고로의 온도를 예측하고 제어하는 시스템에 이 기술을 적용한 사례가 대표적입니다. 숙련된 조업자들은 처음에는 AI의 판단을 불신하기도 했지만, AI가 특정 센서값과 압력을 근거로 제시하며 이유를 설명하자 기술을 신뢰하고 협업하기 시작했습니다. 그 결과 연료 절감과 생산성 향상을 동시에 달성하며 국가 핵심 기술로 지정되는 쾌거를 이루었습니다. 이는 기술적 완성도만큼이나 인간과의 소통과 신뢰 형성이 산업 현장에서 얼마나 중요한지를 증명합니다. 인공지능(AI)의 미래는 인간의 지능을 대체하는 것이 아니라 보완하고 확장하는 '증강 지능'의 방향으로 나아가고 있습니다. 설명 가능 인공지능(XAI)은 AI가 잘하는 것과 못하는 것을 명확히 구분해 줌으로써, 기술에 대한 막연한 두려움이나 과도한 기대를 걷어내는 역할을 합니다. 이는 과거 AI 기술이 한계에 부딪혀 겪었던 'AI 빙하기'를 방지하고, 지속 가능한 기술 발전을 이끄는 안전장치가 될 것입니다. 결국 인간과 AI가 서로의 사고 과정을 이해하고 협력할 때, 우리는 더욱 안전하고 효율적인 인공지능(AI) 시대를 맞이할 수 있을 것입니다.

[강연] AI의 사고과정을 설명할 수 있을까 _ by최재식 ㅣ 2020 가을 카오스강연 'Ai X' 6강

최재식

카오스재단카오스강연
  • 뇌인지과학