10번째 이야기 - 인공지능 하이프 사이클, 인공지능 분야

● 오늘은 70여 년의 역사를 자랑하는 인공지능 기술의 분야를 정리해보도록 하겠습니다(장동인, 2022). 시작해봅시다.

● 먼저, 전통적인 인공지능 분야에는 어떤 것들이 있을까요? 컴퓨터 비전 분야가 있습니다. 여기에는 이미지 인식, 영상 인식, 자율주행자동차 등이 포함됩니다. 자연어 처리 분야가 있습니다. GPT-3 모델이 나온 후, 빅 테크 기업들이 개인이나 중소 조직은 가질 수 없는 초대형 거대 모델 개발에 집중하고 있습니다. 엄청나게 복잡한 하이퍼 파라미터와 깊은 신경망 구조를 자랑하는 이러한 초대형 거대 모델을 통해 사람과 비슷한 언어 구사를 하게끔 하려는 시도를 하고 있습니다. 자연어 처리 분야에는 번역, 요약, 기사쓰기, 챗봇 등이 포함됩니다. 이밖에도 음성 인식과 말하기를 포함하는 음성 이해, 날씨, 주식 등의 시계열 데이터 분석 및 예측, 시행착오와 보상을 통해 특정 행동을 강화시키는 강화 학습 등이 있습니다.

● 새롭게 떠오르는 인공지능 분야에는 무엇이 있나요? 블랙박스인 신경망을 설명가능하게 바꾸는 설명 가능한 인공지능(XAI), 이미지, 비디오, 음성, 소리 등을 생성해내는 생성적 적대 신경망(GAN), 자율 주행 및 로보틱스, GPU(그래픽 처리 장치), 신경망 처리장치(NPU), 뉴로모픽칩(폰 노이만 구조와 달리 인간의 뉴런과 뉴런을 연결하는 시냅시스를 모사해 만든 반도체 칩)을 연구하는 AI 하드웨어 , 사람의 뇌와 컴퓨터를 연결하는 BCI, 룰 기반과 신경망을 결합하는 뉴로 심볼릭 인공지능. 즉, 기호주의+연결주의로써 룰(상식) 기반의 신경망 기술

● 이외에도 다양한 인공지능 기술들이 새로이 등장하며 이목을 집중시키고 있습니다. 데이터만 충분히 잘 정리되어 있다면, 그 분야는 인공지능이 발을 딛고 설 수 있는 분야가 될 수 있습니다.

● AI + X. 즉, 인공지능 각기 다른 분야에 연결되고 융합됨으로써 수많은 부가가치를 창출해내고, 다양한 문제를 해결해낼 수 있습니다. 지능형 교육, 지능형 농업, 지능형 관리공정, 지능형 자동차, 지능형 마케팅, 지능형 의료 및 헬스 케어 등 말이죠.

● 하지만 분야마다 AI만 추가로 붙인다고 저절로 일이 다 해결되는 것은 아닙니다. 장밋빛 미래가 보장되는 것도 아니고요. 사실 업계에는 아직도 거품이 많고, 충분한 수익으로 이어지는 사례는 극히 드물다고 합니다. 이는 이미지 인식을 제외한 다른 분야에서 인공지능이 압도적인 성능을 거두고 있다 보기 어렵다는 뜻이기도 할 겁니다..

● 다음에는 인공지능과 교육에 대해 언급해보도록 하겠습니다. 미국의 정보 기술 연구 및 자문 회사인 가트너의 하이프 사이클은 기술의 성숙도를 표현합니다.

기술의 성숙도

기술의 발전단계

● 가트너는 인공지능에 대한 하이프 사이클(2021)을 발표했습니다.

인공지능 하이프 사이클

● 단순한 캐즘(Chasm)에 그치는 것이 아니라 기술의 안착과 성숙으로 이어져 가기 위해서는 인공지능 기술의 분야별로도 아직 약간의 시간이 더더욱 필요합니다. AI와 교육(AI + 교육)이 맞닿게 되면 어떤 변화들이 그려질까요? 현재 정책입안자들이 가장 관심을 많이 갖는 것은 '학생 맞춤형 개별화 학습' 입니다. 학생들의 학습 수준에 따라 학습 경로를 달리하여 짜주고, 결국 완전학습으로의 도달을 돕는다는 것이 골자입니다. 또 인공지능이 교사들의 업무 가중을 덜어주고, 본질적인 활동에 집중할 수 있도록 해준다고 합니다. 얘기만 들었을 때는 멋지군요.

참고 자료

● 하지만 맞춤형 개별화 학습만을 강조하다 보면AI의 활용에만 치우칠 우려가 있습니다. 또, 그간 눈부시게 발전한 교육학을 반영하지 못한채, 행동주의를 비롯한 아주 전통적이고 단편적인 교육학 베이스의 철학만을 추구할 위험이 있습니다.

● 또한 학습자의 학습 과정과 경로만을 개별화했지 학습자의 최종 상태와 도달하고자 하는 목표는 여전히 획일화한다는 비판을 받고 있습니다. 무엇보다 아직 학계에서조차 인공지능을 활용한 맞춤형 개별화 학습의 효과가 제대로 검증되지 못했습니다. 그저 산타 토익의 사례 정도가 검증이 되었다 볼 수 있는데 사실 토익시험은 점수로 추산되면 그뿐이지만,, 공교육에서의 일반 교과목을 통한 교육적 효과는 점수로 추산되는 것이 전부가 아닐뿐더러 각 교과별 특성으로 인해 일반화하여 적용하기에는 무리가 따릅니다.

● 이렇게 보았을 때, 맞춤형 개별화 학습을 돕는 AI만 부각하기보다는 AI 이해교육, 개발교육 등을 통해 사고력, 문제해결력을 길러주는 역량중심 교육과 융합교육의 일환으로 방향성을 갖는 것이 중요할 것으로 사료됩니다. 교사의 평가기능을 인공지능을 통해 대체하려는 움직임은 시작되었습니다. 그 명분은 편의성과 효율성 그리고 공정성일 겁니다. 그런데 과연 인공지능이 하는 평가는 공정할까요? 또한 인공지능이 하는 평가는 그 타당성과 신뢰성을 담보할 수 있을까요?  교육에 대한 본질적인 질문과 물음에 답해나가면서 제한적이나마 명징하게 검증된 인공지능 활용의 접점을 성급하지 않게 하나씩 찾아나갈 때에 인공지능과 교사 간 교육 협력의 프레임인 켄타우로스 모델이 비로소 위력을 발휘하리라 생각합니다.

● “직관은 사실을 모를 때 사용하는 것이고, 당신은 사실을 모르기 때문에 직관이 소중하다. 하지만 증거가 눈앞에 있다면 거부할 이유가 없다.” (페드로 도밍고스, 2016)  과연 사람들이 그리고 있는 인공지능 교육에 대한 '직관'은 무엇일까요? 반인반마가 증강된 사람을 뜻한다면 인공지능으로 증강된 교사의 모습은 과연 어떤 것일까요? 과연 반인반마가 되면 좋기만 할까요? 반마반인은 좀 그런가요? 등 여러 질문들이 있을 수 있습니다.

반인반마 사진

● 최소한 '인공지능이 이렇게 해 줄 것이다'라는 식의 막연한 '직관'보다는 '증거'를 탐색하는 일이 먼저이지 않을까 합니다.