사물지능 혁명

사물지능 혁명

이성호, 유영진 지음

이새 / 2017년 7월 / 344쪽 / 17,500원





디지털 - ‘제품’ 중심의 경제가 ‘체험’ 중심의 경제로



명사에서 동사로

디지털의 원리와 컴퓨터 아키텍처: 새로운 불인 디지털 기술의 근본 속성을 먼저 생각해보자. 과거에는 정보를 유용한 것으로 만들려면 눈에 보이고 손으로 만질 수 있는 물리적 매체에 담아야 했다. 즉 디지털 기술이 등장하기 이전의 모든 정보는 아날로그 신호를 이용해 물리적으로 저장, 전송, 그리고 재생되었다. 예를 들어, 음악을 저장하는 LP를 생각해보자. 공기의 진동으로 만들어진 음향 정보를 레코드판 표면의 홈(groove)이라는 저장매체로 변환하여 음악을 저장하고, 전송하고, 재생한다. 이 경우 음악이라는 콘텐츠는 LP라는 전달매체로부터 분리될 수 없다. 오랫동안 마치 노예처럼 물리적 매체에 붙잡혀 있던 정보를 해방시킨 것은 다름 아닌 디지털 기술이다.

디지털 정보의 특징은 모든 콘텐츠를 비트(bit, 0 또는 1)로 변환하여 하나의 통신 네트워크를 통해 각종 콘텐츠를 전송할 수 있다는 점이다. 정보가 디지털화되면서 콘텐츠 역시 더는 특정 전달 매체에 구속될 필요가 없게 되었다. 즉 오늘날 인터넷으로 대표되는 디지털 통신은 콘텐츠와 매체의 분리를 가져왔다. 인류가 불이라는 수단을 온갖 일에 두루 사용할 수 있었던 것처럼, 디지털 신호는 어떤 콘텐츠도 디지털 표준을 따르기만 하면 마음대로 저장하고 전송하고 재생할 수 있도록 해주었다.

명사 중심의 세상: 지나간 산업화 시대는 소위 ‘명사’ 중심의 세상이었다. 모든 경제활동의 중심이 물리적 제품이었다. 따라서 산업화 시대에 경쟁의 핵심은 새로운 제품 아이디어를 먼저 생각해내고, 그런 아이디어를 더 싸고 더 빠르고 더 좋은 품질의 제품으로 완성해 공급하는 데 있었다. 결국 기업의 경쟁력은 그 기업이 어떤 제품을 갖고 있느냐에 달려 있었다. 그래서 20세기를 풍미한 유명 기업들을 살펴보면, 모두 자기만의 명사를 가지고 있는 회사들이다. 예로 AT&T는 전화기를, IBM은 컴퓨터를, GM은 자동차라는 명사를 소유하고 있었다. 즉 제품으로서의 명사를 만들어냈고, 그 명사는 고유한 의미를 지녔다. 예컨대 소니는 ‘워크맨’이라는 명사를 만들어냈고 그 명사로 세상을 바꾸었다.

동사 중심의 세상: 『나이키의 상대는 닌텐도다』라는 책이 있다. 이 책의 제목이 의미하는 바는 나이키가 파는 제품은 단순히 신발이 아니라는 얘기다. 거꾸로 닌텐도가 파는 제품 또한 단순히 게임기가 아니라는 말이다. 명사 중심으로 세상을 보면 나이키는 신발을, 닌텐도는 게임기를 판다. 둘은 각각 다른 시장에서 경쟁자를 상대한다. 그러나 동사 중심으로 세상을 보면 이 둘은 직접적 경쟁자이다. 나이키와 닌텐도는 둘 다 청소년들에게 여가시간의 ‘놀이(play)’를 제공하는 사업을 영위한다. 닌텐도 같은 게임기가 유행하기 전에는, 미국 청소년들은 나이키 운동화를 신고 농구를 하면서 제2의 마이클 조던이 되는 꿈을 꾸었다. 그러다 닌텐도 게임기가 등장하면서, 미국 청소년들이 농구공을 내려놓고 게임기에 열중하기 시작했다. 그들의 놀이 도구가 농구화에서 게임기로 바뀐 것이다. 명사는 바뀌었지만, 동사는 사실상 변한 것이 아니다. 이제 시장에서 경쟁의 핵심은 ‘물건’이 아니다. 그 물건을 가지고 무엇을 하는가, 즉 행동이고 그 행동을 대표하는 ‘동사’가 바로 새로운 경쟁전략의 핵심이 되었다.

명사 중심의 세상이 동사 중심으로 바뀐 근본적인 이유는 무엇인가? 이제는 물리적 제품 자체보다 그 제품을 통해 얻는 소비자의 경험이 가치창출의 근본이기 때문이다. 다시 말해 소비자는 자신이 구입한 제품, 즉 명사를 자신의 행동인 동사를 통해 경험으로 변환시킨다. 그리고 그 변환된 결과인 경험이 바로 가치창출의 근본이 되는 것이다. 제품이 점점 디지털화되어가면서, 물질적 제품 자체의 가치보다 그 제품을 이용하는 소비자의 행동, 즉 동사가 가치창출의 중심으로 자리를 잡게 되는 것이다.

동사 시대의 핵심역량은 애자일 기법과 오픈 이노베이션: 고객의 니즈가 불확실하고 급변하는 경우에는 불분명한 가설을 토대로 순차적 연구개발을 수행하다가는 시간과 비용만 낭비할 가능성이 크다. 그보다는 신속히 신제품을 만들어 잠재고객 반응을 듣고 빨리 수정하는 방식이 더 효과적인데, 이처럼 시장 변화에 신속ㆍ유연하게 대응하는 연구개발 방법을 ‘애자일(Agile) 기법’이라고 부른다.

미국의 헬스케어 스타트업 스카나두(Scanadu) 사는 언제든지 자신의 몸 상태를 체크할 수 있는 의료기기를 개발하고는 2013년 크라우드 펀딩 사이트 인디고고에서 선판매를 했다. 선구매자들은 임상시험의 공동 연구자로 참여하고 자신이 측정한 데이터를 임상시험에 제공한다. FDA의 승인을 받지 못하면 판매가 불가능한 것을, 크라우드 소싱을 통해 임상시험 참여 및 투자 명분으로 판매한 것이다. 이처럼 심지어 규제산업에서도 판매 허가 전에 투자자들에게 사용자 피드백을 받는 방식이 가능하다. 그래서 미래의 리더에게는 ‘한다’ 또는(or) ‘안 한다’를 결정하는 최고 의사결정자의 역할보다, 조직 내에서 다양한 실험이 신속하게 수행할 수 있도록 문화를 조성하는 역할이 점점 더 중요해지고 있다.

인지혁명과 사물지능, 비즈니스 모델을 바꾼다

사물지능의 등장, 디지털화 확대: 과거의 디지털화는 산업과 사회 곳곳으로 확산되었음에도 적용되는 공간과 지능 측면에서 한계가 있었다. 한편 공간과 지능이라는 두 축에서 살펴볼 때 공간은 가상공간과 현실공간으로 구성되며 지능은 형식지와 암묵지로 구성된다. 그런데 우리의 실제 삶에서는 가상공간보다 현실공간이, 형식지보다는 암묵지가 더 큰 비중을 차지한다. 모바일(무선) 인터넷 기술이 등장하기 전 디지털화는 가상공간으로 한정되어 있었고 기계학습이 보급되기 전의 정보화는 형식지라는 제한된 지식밖에 다루지 못했다.

앞으로 스마트폰뿐 아니라 다양한 사물이 인터넷으로 연결되면 디지털화의 영역은 현실공간 전체로 확장될 것이다. 사람이 일일이 입력한 정보를 가상공간에서 처리하는 대신, 현실공간에서 스스로 데이터를 수집하고 상황을 인식하며 적절한 대응이 실시간으로 가능하게 된다. 이를 ‘사이버-물리 통합 시스템(CPS)’이라고 부른다. 특히, 인공지능을 통해 암묵지를 다룰 수 있게 되면서 상황 인식 및 대응 능력이 대폭 개선되고 인간과 자연어로 상호작용하는 것도 가능해질 전망이다.

디지털 기술이 제품 기능을 소프트웨어로 구현할 수 있게 했다면, 인공지능은 여기에 상황맥락 인식과 자율적 대응 역량을 추가하는 것이다. 때로 사물인터넷 기술과 인공지능 기술은 경합하기도 하는데, 매장 자동화를 위해 RFID를 모든 상품에 부착하려던 시도가 지지부진하다가 최근 아마존이 영상 인식 인공지능으로 다시 도전하고 있다. 향후에는 경쟁하면서도 서로의 장점을 보완해 융합하는 방식으로 발전해갈 것이다. 사물인터넷 기술과 인공지능 기술이 결합된 ‘사물지능(Intelligence of Things / Smart Things)’ 기술을 토대로 이제 인간의 개입 없이 센서가 외부환경으로부터 데이터 수집과 분석을 하고 다른 사물 및 인간과 자율적으로 상호작용하는 일이 가능해질 것이다.

사물지능 혁명이 견인하는 산업 패러다임 시프트: 사물지능 혁명은 표준상품을 대량 생산ㆍ유통하던 경제를 상황 인식에 기반한 체험 중심 서비스 경제로 전환시킬 것이다. 과거에는 표준화를 통한 규모의 경제 창출과 이로 인한 비용 절감이 수익창출의 핵심 견인차였다. 그러나 미래에는 사물지능이 사용자와 상호작용하며 몰입도와 성취감 등 고객가치를 극대화하는 것이 가장 중요한 수익창출 요인이 될 것이다. 기업 조직도 제품ㆍ브랜드 단위(공급자 중심)로 구성되기보다는 고객 세부집단 단위(수요자 중심)로 구성되는 방향으로 변화할 것이다. 지금까지 기업의 브랜드 정체성을 고정된 이미지인 로고가 대표했다면, 향후 사물지능 시대에는 대화형 인공지능이 대신할 것이다. 예로 많은 미국 소비자가 아마존의 브랜드 정체성으로 상표나 원클릭 구매버튼 아이콘보다 인간 언어로 친근하게 상호작용하는 알렉사를 떠올리기 시작했다. 아직까지는 시리, 알렉사, 코티나, 구글 어시스턴트가 대화를 구사하는 개성 면에서 대동소이하지만, 앞으로 어떻게 차별화를 기하며 진화할지 주목된다.

R&D 측면에서도 변화가 있을 것이다. 이전까지 제품 스펙을 개선하는 하드웨어 엔지니어링이 중심이었다면, 앞으로는 사물지능이 수집한 데이터로부터 사용자 니즈를 도출하고 더 나은 체험을 개발하는 소위 ‘서비스 R&D’가 중심이 될 것이다. 또 사용자 체험 개선 연구에서는 전산학과 공학뿐 아니라 개인의 행동 및 조직의 상호작용을 다루는 행태과학과 사회과학이 중요한 역할을 담당하게 될 것이다.



데이터 - 학습을 통한 지능증강과 개인화 서비스



지능증강 - 개인맞춤 서비스 개발과 스마트 규제 구현

개인 단위의 예측분석: 미국 프로그레시브 보험사는 ‘스냅숏’이라는 운전행태 기반 보험을 판매한다. 이러한 보험상품을 팔기 위해 프로그레시브 사는 2012년 기준 가입자 100만 명을 대상으로 누적 주행거리 50억 마일의 데이터를 분석했다. 그 결과 주행거리 주행시간, 급제동 같은 운전행태가 벌점 기록이나 성별, 연령, 지역 같은 인구통계 정보보다 사고 위험을 2배 이상 정확히 예측한다는 점을 밝혀냈다. 과거 및 현재의 행동이야말로 미래의 행동을 예측하는 데 가장 유용한 변수가 되어준다는 의미다. 프로그레시브 보험사는 원격 모니터링 기술에 관한 특허를 취득했는데, 인구통계 데이터보다 훨씬 정확하게 사고 위험률을 예측할 수 있는 운전행태 데이터를 축적한 덕분에 특허가 만료되더라도 다른 보험사가 모방하기는 쉽지 않다.

세분화된 인과효과 분석과 향상모형의 장점: 앞의 사례에서 짐작할 수 있듯이 향후에는 보험료의 핵심역량이 안전운전행태를 유도하는 방향으로 진화할 것으로 보인다. 기존에는 고위험 운전자였을지라도 운전행태를 개선시켜 사고 위험을 낮추면 결국에는 보험사에 이익이 되기 때문이다. 그런데 예측분석에 널리 활용하는 기계학습은 단지 상관관계만 예측할 뿐 인과적 효과를 추정하지 못한다는 점이 한계로 지적된다. 예를 들어 CCTV 설치 대수와 범죄율은 상관관계가 매우 높아 그 지역 CCTV 수를 알면 범죄율도 얼추 예측할 수 있다. 그렇다고 CCTV의 설치 증가가 범죄 증가를 가져오는 것이라고 인과적으로 해석하면 곤란하다. 범죄율 증가가 CCTV 설치 증가를 가져온다고 보는 편이 타당하다.

사용자 체험을 개선하려는 특정 조치를 디자인한 뒤 그 조치가 실제로 인과적 효과를 발휘하는지 여부를 검증하는 가장 효과적인 방법 중 하나는 그 특정 조치로부터 무작위적으로 격리된 통제집단과의 비교 실험을 수행해보는 것이다. 예로 사용자들을 대상으로 다양한 실험을 수행하기 용이한 가상공간의 인터넷 서비스, 전자상거래, 모바일앱, 게임 등에서 A/B 테스트(randomized experiment with two variants A and B)라고 불리는 무작위 실험을 수행하고, 이를 토대로 서비스 개선방안에 대한 의사결정을 내린다. 데이터 분석이 이미 기업문화가 되어버린 구글에서는 디자이너들도 다양한 형태의 사용자 인터페이스 반응을 정량적으로 측정해 다수의 사용자들이 가장 선호하는 형태를 선택한다고 한다. 한편 기업들은 시간 경과에 따른 인과효과 변화뿐 아니라, 개인 또는 세부 인구집단별로 상이한 인과효과를 추정하는 데도 관심이 크다. 그동안 통계학은 모집단 전체 대상의 평균적 처치효과만을 추정했는데, 사실 각 개인에게 미치는 효과가 동일할 수는 없기에 한계가 많았다. 그런데 평균 효과가 아닌 각 개인별로 처치의 인과적 효과를 도출하려면 한 개인에게 동시에 두 가지 조치를 취해본 뒤 그 차이를 비교해야 하는데, 이는 사실상 불가능한 일이다. 대신 관찰된 처치 상황에서의 결과로부터 그 개인이 반대의 처치 상황에 놓였을 때의 결과를 추정한 값의 차이를 계산한다. 처치 변수의 값은 반대이면서 나머지 설명변수들의 값이 가장 유사한 개체와 각각 짝을 지어 비교하는 방법으로 개인별 처치효과를 추정하는 것이다. 이러한 개인 단위의 짝짓기 기법은 무작위 실험이 수행되지 못한 사례를 관찰한 데이터로부터도 인과적 효과를 추정할 수 있는 차선책(관측되지 못한 변수의 영향을 설명하지 못한다는 한계는 여전히 존재)으로 널리 활용되고 있다.

그런데 모든 예측은 개별 사례들에 과잉학습되는 것을 경계하며 개인화와 일반화 사이의 균형을 이루어야 한다. 예컨대 홍길동 등 특정 개인의 인과적 효과를 사후에 파악하는 것보다는 주요 속성들로 구분된 세부집단(예컨대 20대 서울 지역의 영업직 남성)별로 인과적 효과를 도출해야만 이후에 예측모형으로 활용할 수 있기 때문이다. 무작위 실험을 수행한 데이터 또는 무작위 실험이 없더라도 유사한 개체끼리 짝짓기를 수행한 데이터에서 의사결정트리 모형 등으로 모집단을 체계적으로 분할하면 각 세부집단별로 상이한 인과적 효과를 추정할 수 있다.

세부집단별 처치효과 모형을 이용하면 단순히 개인의 행위를 예측하는 것을 넘어 기업ㆍ정부의 개입ㆍ조치에 각 개인이 어떻게 반응할지(개입에 대한 영향)를 예측할 수 있다. 한 개인이 어떤 조치의 영향으로 인해 특정 행동을 수행할 가능성이 얼마나 증가하는지를 평가하는 예측모형을 ‘향상모형(Uplift Model)’이라고 부른다. 모든 개입은 역효과를 초래할 수 있는데, 향상모형을 활용할 때의 장점은 효과가 없거나 심지어 역효과를 발휘하는 개인들에게는 불필요한 조치를 취하지 않도록 해준다. 향상모형은 마케팅ㆍ금융ㆍ사회복지ㆍ의료 등 다양한 분야에서 개인맞춤 서비스를 활성화할 수 있다.

장기적ㆍ동태적 전략 도출: 앞서 살펴본 방법론들은 정태적 관점에서 해법을 모색한 것으로, 단기적 이익은 극대화하지만 장기 성장에 필요한 구조적 변화를 이끌어내지는 못할 수 있다. 예를 들어, 약을 처방할 때 A, B, C, D 중 하나를 선택하자면 D가 가장 효과적이지만 실제로는 A→B→C를 단계적으로 처방하면서 효과가 있을 때 다음 단계로 진행하는 방식이 부작용을 최소화하며 장기적 치료효과를 극대화할 수 있다는 것이다. 대다수의 사회문제는 사실 이처럼 동태적 관점에서 순차적으로 해법을 제시하는 것이 더 효과적인 경우가 많다. 그렇다면 특정 조치가 각 개인에게 미치는 단기적 효과를 예측하는 수준을 넘어 생애주기에 걸친 장기적 효과를 예측하는 방법론으로는 무엇이 있을까.

우선, 마이크로시뮬레이션(Microsimulation) 모형이 있다. 개인 단위의 마이크로 데이터로부터 주요 속성 및 우리가 관심을 갖는 상태의 ‘전이확률’을 도출한 뒤 성별, 연령, 교육 수준, 결혼 여부, 취업, 임금 수준 등 일련의 속성을 가진 개별 행위자가 전이확률에 따라 속성과 상태가 변화하는 과정을 순차적으로 시뮬레이션하는 기법이다. 예컨대 시간이 경과하면서 사망에 대한 전이확률에 따라 개체가 소멸되거나, 혼인에 대한 전이확률에 따라 독신 상태에서 결혼 상태로 전이하게 되는 것이다. 참고로 우리가 사는 세상을 더 잘 이해하기 위해서는 추상력과 상상력이 나란히 필요한데, 수많은 사례 데이터에서 보편적 규칙을 도출하는 통계학은 추상력을 강화하고, 간단한 규칙과 확률분포의 조합으로부터 수많은 사례를 도출하는 시뮬레이션은 상상력을 확장시킨다. 마이크로 통계분석과 시뮬레이션을 결합한 마이크로시뮬레이션은 바로 추상력과 상상력의 결합으로서 실증연구에 굳건히 기반하면서도 다양한 미래 시나리오에서 개인ㆍ기업 개체들의 행태 변화를 대상으로 삼아 사고실험을 해볼 수가 있다. 마이크로시뮬레이션 모형이 사용자 행태나 사업ㆍ정책 효과를 장기적으로 예측하는 데 효과적이라면, 이런 예측을 토대로 최선의 순차적 대응전략을 찾아내는 방법론이 바로 구글 딥마인드의 알파고가 채택했던 강화학습이다. 이러한 장점을 살려 최근에는 강화학습을 의료(만성질환 치료), 마케팅(고객생애가치 관리), 금융 등에 적용하는 연구들이 속속 등장하고 있다.