[데이터넷] 인공지능(AI)이 기업 비즈니스 성장에 중요한 도구로 여겨지면서 점차 적용 사례가 늘어나고 있다. 비록 AI 도입이 결코 쉬운 것은 아니지만, 시뮬레이션 기술과 개발 도구 등이 발전하면서 높게만 느껴졌던 AI 기술 장벽이 낮아지고 있다. AI 분야에 어떤 변화가 일어나고 있는지 살펴본다. <편집자>

그동안 인공지능(AI) 프로젝트를 시작하려면 준비 과정에만 최소 몇 달이 걸리는 등 많은 어려움이 있었지만, 다양한 AI 모델과 자동화 도구 등이 개발되면서 이제는 AI 프로젝트를 보다 빠르고 성공적으로 진행할 수 있게 됐다.

더욱이 AI가 연구 분야뿐만 아니라 기업 비즈니스에도 필요한 존재로 부각되면서 그 쓰임새는 점차 늘어나고 있는 추세이다. 현재 AI 발전 과정을 토대로 내년에 AI 분야에서 두드러지게 나타날 주요 트렌드 5가지를 알아보고, 이를 통해 AI 기술이 어떻게 확산될지 전망해본다.

1. 낮아지는 기술·데이터 품질 장벽
AI가 업계에서 점점 더 많이 도입됨에 따라 데이터 과학자 외에도 많은 엔지니어와 과학자가 AI 프로젝트에 참여할 것으로 예상된다. 오늘날 커뮤니티에는 딥러닝 모델 및 관련 연구결과들이 공개돼 있기 때문에 AI 프로젝트 초기 단계에서 엔지니어와 과학자는 이러한 리소스를 활용해 해당 프로젝트를 보다 쉽게 시작할 수 있다.

또한 과거에 AI 모델은 대부분 이미지를 기반으로 구축됐지만, 이제는 시계열 데이터, 텍스트 및 레이더를 비롯해 더 많은 센서 데이터를 포함할 수 있도록 진화했다. 엔지니어와 과학자는 데이터에 대한 지식을 갖고 있어 AI 프로젝트의 성공에 결정적인 영향을 줄 수 있으며, 이는 도메인 영역에 익숙하지 않은 데이터 과학자에 비해 유리하다.

엔지니어와 과학자는 자동 라벨링(Automated Labeling)과 같은 도구들을 통해 대규모 고품질의 데이터 세트에 도메인 전문 지식을 적용하고 빠르게 큐레이션할 수 있다. 이를 통해 엔지니어와 과학자가 사용 가능한 고품질 데이터를 보다 많이 확보할수록, AI 모델의 정확도를 더욱 높여 AI 프로젝트를 성공으로 이끌 가능성도 높아지게 된다.

2. 시스템 설계 복잡성 증가
엔지니어들은 더 많은 유형의 센서(IMU, 라이다, 레이더 등)를 처리하도록 AI를 훈련시킴에 따라 자율주행차량, 항공기 엔진, 산업 플랜트, 풍력 발전용 터빈과 같은 다양한 시스템에 AI를 적용하고 있다. 이러한 복잡한 멀티 도메인 시스템에서 AI 모델의 작동은 전체 시스템의 성능에 영향을 미치는 중대한 요소다. 오늘날 AI 모델 개발은 그 자체가 목표가 아니며, 복잡한 시스템 작업을 효과적으로 처리하는 목표를 향한 과정의 한 단계로 여길 필요가 있다.

설계자들은 복잡한 AI 기반 시스템을 보다 효율적으로 개발하기 위해 ‘시뮬레이션’, ‘통합’ 및 ‘연속 테스트’를 지원하는 모델 기반 설계 도구를 도입할 것을 진지하게 고려하고 있다. ‘시뮬레이션’은 AI가 시스템의 다른 부분들과 상호 작용하는 방식을 이해할 수 있도록 지원하고, ‘통합’은 설계자가 완전한 시스템 컨텍스트 내에서 다양한 설계 콘셉트들을 시도해 볼 수 있도록 지원하며, ‘연속 테스트’는 설계자가 AI 훈련 데이터 세트의 약점 또는 다른 구성요소들의 설계 결함을 빠르게 찾아낼 수 있도록 돕는다. 모델 기반 설계는 AI 기반 시스템 설계의 복잡성을 완화하는 엔드투엔드(End-to-end) 워크플로우를 제공한다고 할 수 있다.

3. 저전력 임베디드 디바이스에 AI 배포
지금까지 AI는 GPU, 클러스터, 데이터센터 등 고성능 컴퓨팅 시스템에서 사용되는 것과 동일한 32비트 부동소수점 연산을 사용해왔다. 이를 통해 더욱 정확한 결과를 얻고 모델을 보다 쉽게 훈련시킬 수 있었지만, 고정소수점 연산을 사용하는 저렴한 저전력 장치에서는 사용할 수 없었다.

그러나 이제는 소프트웨어 도구의 발전으로 인해 다양한 수준의 고정소수점 연산을 지원하는 AI 추론 모델을 제공할 수 있게 됐다. 저렴한 저전력 장치에 AI를 배포할 수 있게 돼 엔지니어가 AI를 설계에 적용할 수 있는 새로운 장이 펼쳐진 것이다. 예를 들어 AI를 차량 안의 경제적인 ECU(Electronic Control Unit)와 기타 산업용 임베디드 애플리케이션에 적용할 수 있게 됐다.

4. 산업용 애플리케이션에 적용되는 강화학습

2020년에 강화학습은 기존 게임 분야를 넘어서 자율주행, 오토노머스 시스템(Autonomous System), 제어설계 및 로보틱스와 같은 실세계 산업용 애플리케이션으로 확대 도입될 전망이다. 특히, 강화학습은 대규모 시스템의 작동을 개선하는 요소로 성공적으로 활용될 것으로 기대된다.

이를 가능케 하는 핵심요소는 엔지니어가 강화학습 정책을 보다 쉽게 구축·훈련시키며, 대량의 훈련용 시뮬레이션 데이터를 생성하고, 시스템 시뮬레이션 툴에 강화학습 에이전트를 손쉽게 통합하며, 임베디드 하드웨어로의 배포를 지원하는 코드 생성을 돕는 툴이다.

자율주행 시스템의 운전 성능 향상을 예로 들면, AI는 해당 시스템에 강화학습 에이전트를 추가해 속도를 높이고, 연료 소비를 줄이며, 응답 시간을 최소화하는 등 성능을 향상·최적화함으로써 시스템의 컨트롤러 기능을 개선할 수 있다.

또한, 강화학습은 차량 동역학 모델, 환경 모델, 카메라 센서 모델 및 이미지 처리 알고리즘을 포함하는 완전 자율주행 시스템 모델에도 통합할 수 있다.

5. 낮은 데이터 품질 문제 해결
애널리스트 조사 결과에 따르면, 낮은 데이터 품질은 성공적인 AI 도입의 가장 큰 장애물이다. 2020년에는 시뮬레이션이 이러한 데이터 품질 문제의 장벽을 낮출 수 있도록 도울 전망이다.

훈련을 통해 AI 모델의 정확성을 향상시키는 데는 다량의 데이터가 필요하다. 그러나 정상적인 시스템 작동을 지원하는 데이터와 달리, 정말로 필요한 이상 조건 또는 심각한 장애 조건 데이터는 쉽게 확보하기 어렵다.

예를 들어 산업 현장에서 펌프의 잔여 수명을 정확하게 예측할 수 있는 건전성 예측관리 애플리케이션의 경우, 물리적인 장비에서 장애 데이터를 만들고자 장비의 고장을 인위적으로 유발해야 하기 때문에 추가 비용이 발생한다.

그래서 AI 모델 훈련을 위한 고품질 데이터를 다량 확보하는 최고의 방법은 기능 장애를 모사할 수 있는 시뮬레이션을 실행해 데이터를 생성하고, 합성된 데이터를 통해 정확한 AI 모델을 훈련시키는 것이다.

이처럼 시뮬레이션은 AI 기반 시스템의 핵심 요소로 자리매김할 것으로 예상된다.