“캐나다에게 한국은 최고의 AI 협력 동반자”
캐나다 김한돌 박사 인터뷰…양국 B2B 협력 기대
인공지능(AI) 전성시대다. 주인 말만 듣는 스피커에 이어 TV, 에어컨, 냉장고 등 가전제품에도 AI 기술 도입이 한창이다. 최근에는 의료, 법률 등 다방면으로 기술이 확대되는 추세다. 캐나다는 글로벌 AI 기술의 허브로 제프리 힌튼, 요슈아 밴죠를 비롯한 많은 AI 리더 양성의 산실이자 AI 연구의 보고로 명성이 높다. 삼성, 엘지를 비롯해 구글, 아마존, 마이크로소프트(MS) 등 글로벌 디지털 기업들이 앞 다퉈 연구소를 세웠고 다른 많은 IT 기업들도 진출하고 있다. 캐나다의 AI 기계학습 전문가인 김한돌 박사로부터 현지 AI 기술현황과 한-캐나다 협력에 대한 생각을 들어봤다(영어 인터뷰를 국문으로 번역).
(질문) 간단한 자기 소개를 부탁합니다.
제 이름은 김한돌입니다. 서울에서 태어나 한 살 때 부모님과 함께 캐나다로 이주해 이곳에서 자랐습니다. 지금은 퀀텀 컴퓨팅 분야의 글로벌 선두 기업인 D-웨이브시스템에서 기계학습 부문인 쿼드런트의 총괄 책임을 맡고 있습니다(김 박사는 인터뷰 이후인 지난 9월 D-웨이브를 나와 AI 기반 신약 개발 기업인 배리에이션AI를 창업했으며 현재 이 회사의 공동 창립자이자 최고경영자(CEO)다).
쿼드런트는 AI 알고리즘과 솔루션 개발을 전문으로 합니다. 작년 5월 사업부가 만들어졌으며 1년 3개월 동안 지멘스 헬시니어즈, 코니카 미놀타, SK텔레콤 같은 글로벌 기업의 프로젝트에 참여했습니다.
(질문) 캐나다의 AI 기술 수준은 어느 정도인가요?
캐나다는 명실상부한 AI 기술의 글로벌 리더입니다. 캐나다에서 태동한 AI 핵심 기술이 오늘의 AI를 만들었다고 해도 과언이 아닙니다. 제프리 힌튼(토론토 대학)과 요슈아 벤죠(몬트리올 대학)가 대표적입니다. 두 사람 모두 AI, 특히 딥러닝(Deep Learning) 및 딥뉴로넷(Deep NeuroNet)을 중심으로 지금의 AI 붐을 일으키는데 선구자 역할을 했습니다. 2012년 이후 두 분의 오랜 연구 성과물들이 논문과 학술지를 통해 소개되면서 AI 기술의 혁신적인 발전을 가져오게 되었습니다.
앨버타 대학의 리차드 수튼도 있습니다. 수튼 교수는 강화학습(reinforcement learning)의 창시자 중 한 명입니다. 강화학습은 매우 강력한 AI 기술로 한국에서도 인간 대 인공지능 바둑대국으로 잘 알려진 ‘알파고’가 사용했던 기술입니다.
캐나다가 AI 분야에서 두각을 보이는 이유는 캐나다고등연구원(CIAR)이 소위 ‘AI의 겨울’이라 불리는 1980~90년대에 연구지원을 아끼지 않았기 때문입니다. 당시에는 아무도 AI에 관심을 두지 않았습니다. 하지만 캐나다 정부는 AI 분야 연구개발(R&D) 예산을 꾸준히 지원했으며 바로 이것이 밑거름이 돼 오늘날의 AI 강국을 만들었습니다.
(질문) 캐나다를 대표하는 AI 도시는 어디인가요?
캐나다에는 ‘4대 AI 성지’가 있습니다. 바로 토론토, 몬트리올, 에드먼턴, 밴쿠버입니다. 한 가지 특징적인 것은 이들 4개 지역이 각기 차별화된 강점을 보유하고 있다는 점입니다.
예를 들어 토론토와 몬트리올에는 페이스북, 구글, 삼성, LG 같은 대기업 연구소가 진출해 있으며 이들은 심층신경망(Deep Neural Net) 기반 딥러닝 기술을 즐겨 사용합니다. 에드먼튼에는 강화학습으로 유명한 구글 딥마인드 연구소가 있구요. 반면 밴쿠버의 강점은 주로 컴퓨터 비전 또는 비주얼 컴퓨팅이라고 불리는 영역입니다. 사이머프레이저대학(SFU)은 컴퓨터 비전, 비주얼 컴퓨팅 영역에서 특히 강합니다. UBC는 우리가 의사결정(Decision Making) AI라고 부르는 영역에서 탁월합니다. 그리고 AI 기업으로 생성모델(Generative Model)에 특화된 쿼드런트가 있습니다.
(질문) 생성모델이란 용어는 다소 생소합니다. 어떤 기술인가요?
AI를 구현하는 핵심 기술이 기계학습 또는 머신러닝이며 종류가 여러 가지입니다. 각각의 기계학습은 특정 유형의 문제를 해결하는데 익숙합니다. AI와 기계학습을 잘 모르는 사람들은 AI나 기계학습이 어떤 한 가지 것이라고 생각하지만 실제로는 많은 다른 유형의 알고리즘과 접근법이 있습니다. 따라서 우리는 해결하려는 문제에 적합한 최적의 알고리즘을 선택해야 합니다.
이러한 기계학습 방식 중 널리 사용되는 방식이 바로 딥러닝입니다. 그러나 여기에는 한 가지 큰 문제가 있습니다. 이러한 심층 인공신경망(Deep artificial neural networks) 방식을 사용하려면 어마어마한 양의 데이터가 필요합니다. 빅데이터 시대에 이런 것이 어째서 문제가 될까 생각하겠지만 각 데이터마다 레이블(일종의 값)을 지정해야 하기 때문에 실제로 컴퓨터가 활용할 수 있는 데이터의 양은 상대적으로 많지 않습니다.
예를 들어 폐의 컴퓨터단층촬영(CT) 스캔 이미지가 100만 장이 있다고 하면 의사가 일일이 암이 있는지 여부를 확인해주어야 하는 것과 같습니다. 이런 식으로 모든 데이터에 레이블을 지정해야 하며 레이블 없이는 이러한 알고리즘의 기계학습 방식은 거의 무용지물입니다. 생성모델 방식의 강점은 바로 기계학습에 많은 데이터가 필요하지 않다는 것입니다. 생성학습 방식은 조건부 확률분포가 아닌 결합 확률분포를 기반으로 하며 딥러닝과는 다른 유형의 알고리즘을 사용합니다.
어린아이에게 집이라는 사물을 이해시킬 때 모든 집 구조를 일일이 보여주며 설명할 필요가 없듯이 기계학습에서도 소수의 샘플만으로도 매우 빠르게 이해시키는 것이 가능합니다. 이것이 생성학습 방식입니다.
(질문) 오늘날 AI의 한계는 무엇이라고 보는지요?
우스갯소리로 들릴지 모르지만 우리 시대 AI의 가장 큰 한계는 바로 인력 부족입니다. AI 기술 발전의 핵심 요소는 바로 사람, 전문 연구 인력입니다. 흔히 AI 전문 인력이라고 하면 많은 사람이 기계학습 엔지니어나 AI 기계 엔지니어를 생각합니다. 하지만 AI는 기계공학 분야가 아닙니다. AI는 과학입니다. 수학, 물리, 화학 등과 같은 기초과학입니다.
물론 공학 엔지니어도 필요합니다. 하지만 오늘날 AI 혁신의 많은 부분이 기초연구에서 비롯되고 있습니다. 최첨단 AI 솔루션 개발에는 생명, 물리, 화학처럼 AI 학문을 전문적으로 다루는 기초연구 인력이 필요합니다. AI는 학문이며 과학이기 때문입니다.
이 때문에 구글, 아마존, 바이두 같은 대부분의 기업에서는 AI 연구자에게 연구주제나 기한을 따로 정해주지 않습니다. 연구자가 원하는 연구를 마음껏 수행할 수 있도록 하기 위함이지요.
2012년 이후 갑자기 AI 열풍이 불었습니다. 불과 7년 전인 2012년까지도 AI를 연구하는 사람이 거의 없었고 이 때문에 지금까지도 AI 분야는 전문 인력이 부족합니다. 하지만 5년에서 10년 안에 인력수급에 균형이 잡힐 것으로 생각합니다. 이제 AI에 대한 관심이 높아져 더 많은 학생이 AI 연구에 몰리고 있으니까요.
참고로 현재 AI 분야에서 엘리트 수준의 연구자는 전 세계적으로 3만 명 정도입니다. 많은 것 같지만 사실은 신경 과학자 수보다 적습니다. 그리고 이중 80%가 페이스북, 아마존, 넷플릭스, 구글, 알리바바 등 글로벌 기업에서 근무하고 있습니다.
(질문) 요즘 뜨고 있는 최신 AI 기술 트렌드는 무엇인가요?
AI 관련 핵심기술 트렌드 중 하나는 바로 칩(Chip)입니다. 오늘날 칩의 연산처리 속도는 그야말로 기하급수적으로 증가하고 있습니다. 특히 AI 분야에서는 그래픽처리장치(GPU)가 빠른 딥러닝 연산처리로 중앙처리장치(CPU)가 담당했던 자리를 빠르게 대체하며 새로운 AI 칩으로 각광받고 있습니다. 이러한 GPU의 인기 비결은 저렴한 비용과 병렬 연산처리 방식으로 더욱 강력해진 학습능력입니다.
최근 실리콘밸리에서 가장 큰 화두는 AI 프로세서 입니다. 기계학습은 막대한 시간과 에너지, 비용이 수반되기 때문에 최소의 설비로 최대의 성능을 내려면 최적의 고성능 칩을 확보하는 것이 무엇보다 중요합니다. 때문에 최근 주요 칩 제조사들은 AI 전용의 완전히 새로운 칩 아키텍처를 개발하는데 역량을 집중하고 있습니다.
예를 들면 기존 폰 노이만 구조로부터의 탈피입니다. 이 구조는 CPU와 메모리 사이를 데이터가 끊임없이 이동하기 때문에 칩 발열이 심하고 메모리에 병목현상이 발생해 최상의 성능을 기대하기 어렵습니다. 그래서 새로운 AI 칩은 이러한 설계방식을 버리고 있습니다. 메모리를 CPU에 넣거나 CPU를 메모리에 삽입해 데이터 이동과 전력사용을 최소화하고 발열량도 낮아 하나의 칩에 더 많은 CPU와 메모리를 삽입함으로써 칩 성능을 극대화 시키는 것입니다. 이러한 칩 아키텍처의 변화는 삼성이나 SK 하이닉스 등 한국의 모든 칩 생산기업들이 반드시 고민해봐야 합니다. 오늘날 실리콘밸리의 많은 기업도 칩 성능 향상에 막대한 예산을 투입하고 있습니다.
또 다른 AI 기술 트렌드는 디지털화입니다. 기업의 AI 기술 도입이 늘면서 디지털 트렌드가 더욱 가속화되고 있는데 대표적인 예가 기업의 최고디지털책임자(CDO)입니다. 특히 미쯔비시, 히타치 등 대부분의 일본 대기업에는 CDO가 있습니다. 왜일까요? 모든 기업 관련 데이터를 디지털 방식으로 전환해야 하기 때문입니다. 그래야만 AI를 활용할 수 있으니까요. 하지만 이 작업은 수 년이 걸릴 만큼 시간 소요가 커 기업 입장에서는 끊기와 노력이 필요합니다.
한 가지 첨언을 드리자면 데이터 관리가 중요한 이유는 이러한 데이터들로부터 새로운 비즈니스 가치가 창출되기 때문입니다. 그러나 때때로 이 모든 데이터를 얻고 준비하기 위한 노력이 힘들어 결국 데이터를 제대로 활용하지 못하고 방치하는 경우가 많습니다. 누구나 자신이 보유한 데이터의 양과 질을 뽐냅니다. 그러나 당신의 데이터는 생각만큼 가치가 없을 가능성이 큽니다. 거대한 데이터 속에서 서로의 연관성을 찾고 새로운 비즈니스 가치를 만들어내기 위해서는 고비용 프로세스가 반드시 수반되어야 합니다.
(질문) 한국의 AI 기술수준은 어떻게 보십니까?
일반적으로 국가나 연구기관의 연구역량을 평가하는 척도로 인기 저널에 출판된 논문 수, 인용빈도 수 등이 활용됩니다. 그런데 한 가지 의문이 있습니다. 한국에서는 한국인 연구자와 비한국인 연구자를 어떻게 구분하나요? 미국, 캐나다의 유명 대학교만 해도 많은 한국 출신의 연구자가 있습니다. 그들의 연구실적이나 성과를 한국의 것으로 봐도 되나요? 즉 해외에 거주하고 있는 많은 교포 연구자들은 한국인인가요? 아니면 외국인인가요?
한국의 인구는 5000만 명으로 결코 작은 나라가 아닙니다. 그렇다고 그렇게 큰 나라 또한 아닙니다. 한국에는 인구에 비해 정말 많은 교육기관이 있습니다. 하지만 정작 AI 분야 전문 인력 양성 기관과 전문 인력 수는 많지 않습니다. 하지만 이것은 한국만의 문제는 아닙니다. 중국을 제외한 대부분의 국가가 동일한 문제를 안고 있으며 일본도 예외가 아닙니다.
AI 기업에는 두 가지 종류가 있습니다. 우선 핵심 AI 기업입니다. 핵심 AI 기업은 기계학습 알고리즘을 개발하는 회사입니다. 그리고 응용 AI 기업이 있습니다. 응용 AI는 핵심 AI에서 한 단계 더 발전한 것입니다. AI를 활용해 디지털 마케팅을 수행하거나 은행고객의 대출 신용점수를 매기고 네트워크 트래픽을 분석합니다. 이것이 응용 AI 입니다. 전체 AI 기업의 0.01%만이 핵심 AI 기업이며 나머지는 응용 AI 기업입니다.
한국은 응용 AI 도입 속도가 상당히 빠릅니다. 이미 대부분의 기업에서 부분적으로 AI를 도입했거나 도입을 적극 검토하고 있습니다. 또한 모든 재벌기업은 자신의 주력 사업에 AI를 중심에 두고 다양한 성장전략을 추진하고 있습니다. 응용 AI 분야에서 한국은 이미 꽤 발전했으며 일본과 거의 같은 수준으로 보입니다.
한국은 기본적으로 AI에 열린 마음가짐을 가지고 있으며 이 점이 다른 나라와 가장 큰 차이를 보이는 부분 중 하나라고 생각합니다. 이런 점에서 저는 한국이 AI를 바라보는 개방성에서 상당히 앞서있다고 생각합니다.
(질문) 한국-캐나다간 AI 분야 협력방안에 대해 의견을 부탁합니다.
AI에서 캐나다와 한국은 서로 매우 다른데 이 때문에 오히려 양국 간 상생협력 사업을 촉진하고 파급효과를 극대화할 수 있습니다.
캐나다는 기초연구에 강한 반면 한국은 응용연구에 강합니다. 따라서 양국의 상호 보완적인 강점을 고려해 협력의 틀을 만드는 것이 가장 합리적일 것입니다. 먼저 양국 AI 협력 양해각서(MOU) 또는 새로운 AI 협력 전담조직을 신설하고 이를 통해 캐나다 R&D 성과를 한국의 주요 기업을 통해 상업화하는 상생협력 사이클을 촉진시키는 것입니다.
사실 AI R&D는 생명, 물리, 화학 등 순수 기초과학 R&D와 어떤 면에서 작은 차이가 있습니다. 예를 들어 기초과학 R&D의 성과가 상용화로 이어지기까지 수 년 이상 소요될 수 있지만 AI R&D는 그 기간이 훨씬 짧습니다. 새로운 기계학습 알고리즘의 경우 ‘NeurIPS’(2019년 12월 밴쿠버에서 개최)와 같은 국제학술 콘퍼런스를 통해 외부에 공개되고 몇 개월 안에 구글, 바이두, 아마존 같은 대표 디지털 기업에서 신기술 활용이 가능해집니다. 어떻게 보면 AI R&D는 빠르게 상품을 회전시키는 패션산업과 같다고 할 수 있습니다. 고급 패션 상품이 파리에서 전시되고 나면 한 달도 안돼 포에버21, 자라 또는 H&M과 같은 중저가 매장에서 판매되니까요.
(질문) 캐나다 시장 진출을 계획하고 있는 한국의 AI 기업에 조언을 해준다면?
캐나다 응용 AI 시장은 자연어 처리(Natural Language Processing), 챗봇 등이 기반이며 한국에 비해 규모가 작고 제한적입니다. 또한 이들 시장은 성숙단계로 접어들어 이미 많은 기업이 참여하고 있습니다. 따라서 이들 분야는 한국의 AI기업이 새롭게 진출하기는 적합하지 않을 것으로 보입니다.
한국의 응용 AI 기업은 궁극적으로 세계 최대 시장인 미국 진출을 목표로 해야 합니다. 이런 관점에서 캐나다 시장은 지역별 특화산업에 따라 일종의 테스트베드로서 전략적 활용이 가능합니다. 밴쿠버 주는 임업 또는 광업 분야에서 의미가 있고 로봇 공학이나 자동차부품 예측 및 유지관리 분야라면 온타리오 주가 적합하며 철강 관련 솔루션은 해밀턴 지역이 미래 시장의 실험실로 제격입니다.
마지막으로 AI 기업의 해외시장 진출전략과 관련해 기업전략은 국가가 아닌 산업에 포커스를 맞춰야 합니다. 산업의 AI 활용 수요를 바탕으로 산업별 진출 전략을 세우고 미국, 독일, 한국 시장에 도전하는 방식이 특정 국가에 집중해 산업별 진출 전략을 마련하는 방식보다 더욱 효과적입니다. 따라서 국가가 아닌 산업과 고객에 맞춘 전략이 필요하다는 점을 강조하고 싶습니다. 이것이 해외 진출을 계획 중인 한국 AI 기업에 드리는 조언입니다.
[한국무역신문 제공]
한국
중국
미국
지원/혜택
