전기전자/정보통신

Nikkei Computer_2021.1.21 특집 요약 (p24~36)

신종 AI의 폭발적 증가
독자적인 기계학습 모델이 위력 발휘

디지털 트랜스포메이션(DX)의 진전으로 신종 AI(인공지능)가 폭발적으로 늘어나는 ‘캄브리아기(지구의 생명 대폭발기)’에 접어들었다. 상품 컨셉트에 맞는 향료의 배합을 생각하는 AI, 고로 조업 지원 AI 등 많은 기업들이 자사의 업무에 맞는 AI를 독자적으로 개발하고 있다. 대형 클라우드를 중심으로 한 개발지원 툴의 충실화도 그 배경에 있다. 독자적인 AI 사례와 개발 툴의 최신 동향을 소개한다.

Part 1. 독자적 AI의 개발 러시
2021년은 예산이 50% 증가

의료, 제조 등 업종을 불문하고 최근 AI 개발 러시가 한창이다. 독자적인 AI는 디지털 트랜스포메이션(DX)에 없어서는 안될 수단이 되었다. 기업들의 올해 AI개발 예산이 50% 증가했다는 조사도 나오는 등 AI 개발이 폭발적으로 증가할 전망이다.

연간 약 8,000건의 안과 수술을 실시하는 산에이카이(三栄会) 쓰카자키병원(효고 현)은 수술 전 환자의 좌우 눈을 판별하는 독자적인 AI를 2020년 4월에 안과의 모든 수술에 도입했다. 병원이 보유한 눈의 화상 데이터를 바탕으로 심층학습을 이용해 자체 개발했다. 수술을 하는 눈의 위치에 착오가 없는지, 간호사의 육안 확인 후에 수술용 덮개를 얼굴에 씌운 환자를 태블릿 단말기로 촬영해 AI로 다시 확인한다.

의료 안전 차원에서 현장에서의 평가는 최상이라고 한다. 쓰카자키병원의 80%의 간호사가 ‘AI가 있는 편이 좋다’라고 답변. ‘없으면 불안하다’라는 목소리도 있었다고 한다.

의료뿐만이 아니다. 제조와 소매, 외식, 개호 등 업종을 불문하고 업무나 작업에 맞는 독자적인 AI를 개발하는 움직임이 가속화되고 있다. 예를 들어 일본제철은 2020년 11월에 재가동시킨 무로란(室蘭)제철소 제2고로에 고로의 온도와 압력 등을 기반으로 적절한 조업 오퍼레이션을 제시하는 AI를 도입했다. 전문 기술의 고로 조업을 지원해 현장 오퍼레이터의 부담을 줄일 수 있다.

미쓰이(三井)화학은 화학 플랜트에서의 온도·압력 조정 및 원재료 투입 등의 운전을 자동화하는 AI의 개발을 추진하고 있다. AI를 통해 플랜트의 생산성 향상과 리스크 저감을 도모할 계획이다.

후지타는 유압 굴삭기 자동 조종 AI를 개발 중으로, 올해 건설현장 굴착 작업에 투입할 예정이다.

개호 시설을 운영하는 사회복지법인 젠코카이(善光会)는 경험이 적은 개호 직원을 지원하기 위해 적절한 타이밍에 업무 지시나 경고를 내리는 AI를 개발하고 있다. 올해 이용을 개시할 예정이다.

IDC Japan이 2020년 6월에 실시한 조사에 따르면, 사용 기업의 AI 시스템용 지출액은 코로나 사태의 영향을 감안해 2020년에는 전년대비 43.2%, 올해는 45.7% 늘어날 전망이다.

IDC Japan의 이자카(飯坂) 소프트웨어&시큐리티리서치 매니저는 “AI의 용도는 다양화되고 있다. 콜센터 업무지원 등 기존의 용도뿐만 아니라 고객 및 직원의 체험 향상이라고 하는 고부가 가치로도 확산되고 있다”고 한다.

기업들이 디지털 트랜스포메이션(DX)에 주력하고 있는 것이 독자적인 AI 개발을 뒷받침하고 있다. ITR이 2020년 11월에 발표한 ‘국내 IT투자 동향 조사보고서 2021’에 따르면 DX를 중시하는 기업일수록 AI 기술에 대한 투자 의욕이 높다고 한다.

AI 개발 공정을 자동화하는 툴의 등장도 개발 확대에 순풍으로 작용하고 있다. “기계 학습의 자동화 플랫폼을 통해 자사의 데이터를 바탕으로 독자적인 AI를 개발하는 케이스가 증가하고 있다”(ITR).

-- 실제 산업에서의 AI 활용 추진 --

Part 2. 식기 인식, 피부 예측
5개 사의 독자적인 AI 개발

인력 부족 대책이나 업무 효율화, 서비스·제품의 부가가치 향상 등을 위해 기업들은 자사 업무에 맞춘 독자적 AI의 개발을 추진하고 있다. SRS홀딩스, 오르비스 등 5개사의 사례를 소개한다.

■ SRS 홀딩스
로봇팔 제어, 설거지 장소에서의 사령탑 AI

‘와쇼쿠사토(和食さと)’ 등의 외식 체인점을 운영하는 SRS홀딩스는 올 봄에 개점 예정인 ‘덮밥·튀김 원조 산텐(さん天)’의 신규 점포에 AI 탑재의 로봇 설거지 시스템을 도입. 설거지 작업을 자동화해 인력 부족 및 인건비 급등에 대응한다.

이 시스템은 식기를 인식하기 위한 3차원 카메라와 AI, 2개의 로봇팔, 식기세척기로 구성되어 있다. 점원이 식기 안 남은 음식을 버린 후 특정 구역에 놓으면 AI가 3차원 카메라의 영상을 통해 ‘사발’ '평평한 접시' '밥그릇' 등 식기의 종류와 로봇팔이 들어야 할 부분을 추정한다. 로봇팔은 식기를 흡착해 들어올려서 예비 세척장, 식기세척기에 차례로 옮겨가 마지막에는 수납장까지 운반한다.

SRS홀딩스는 자동 식기 시스템을 2018년부터 커넥티드로보틱스와 공동으로 개발을 해왔다. 복수의 AI 알고리즘을 조합한 것이 특징이다.

■ 오르비스
5~20년 후의 피부를 예측, AI를 고객과의 접점으로 활용

오르비스는 AI를 이용한 피부 상태의 미래 시뮬레이션을 자사의 스마트폰 앱을 통해 2020년 12월부터 제공하고 있다. 고객이 앱에서 12개의 질문에 답하고 자신의 얼굴을 카메라로 촬영하면, ‘기미’ ‘주름’ ‘늘어짐’과 같은 피부의 노화 상태와 ‘수분 감’ ‘피지 양’ ‘피부 결’과 같은 피부 상태의 분석 결과, 5년 후, 10년 후, 20년 후의 얼굴 시뮬레이션 결과를 표시한다.

오르비스는 화장품 홈쇼핑과 구매 포인트 관리가 가능한 앱을 2017년 2월부터 제공하고 있다. 하지만 온라인 판매는 점포 접객과는 달리, 피부의 상황 등 수집할 수 있는 고객 정보가 한정되어 있다. 이를 해결하기 위해 오르비스는 앱을 통해서도 고객과의 연계가 견고해질 수 있도록 AI를 이용한 미용 진단의 기능을 앱에 순차적으로 추가함으로써 고객의 흥미와 관심, 취향 등의 정보를 수집한다는 전략이다.

이번 피부 상태의 시뮬레이션 AI는 이러한 전략의 일환이다. IT컨설팅업체 퓨처와 공동으로 개발했다.

이번 AI의 개발에서는 우선 노화와 관련된 ‘다크서클’ ’주름’ ‘늘어짐’ ‘기미’ ‘모공’‘칙칙함’과 같은 피부의 요소 별로 기계 학습 모델을 작성했다. 예를 들면 AI에게 다크서클이 있는 얼굴 영상과 없는 얼굴 영상을 학습시켜 다크서클 유무를 판별하는 모델을 제작. 제작한 복수의 모델 및 질문의 응답 결과로부터 얻은 피부 상태의 정보를 추가해 5년 후, 10년 후, 20년 후의 피부 영상을 생성한다고 한다. 고객의 신뢰감을 높이기 위해 오르비스의 미용 이론 전문가가 내놓은 의견을 토대로 모델의 파라미터를 조정했다.

■ 후지타
유압 굴삭기를 자동화, 건설현장에서 활용

후지타는 유압 굴삭기를 자동으로 조작해 흙을 굴착하는 AI 개발을 추진하고 있다. 올해 건설현장에 투입해 유압 굴삭기의 주행에서 굴착, 적재까지 자동으로 조작하는 것을 실증할 계획이다.

유압 굴삭기의 조작에는 숙련된 기술이 필요해 인력 부족이 건설업의 과제가 되고 있다. 후지타는 ‘기계가 메인으로 조작하고 사람이 이를 보조한다. 1명의 조작자가 복수의 중장비를 담당할 수 있도록 해 생산성을 향상시키는 건설 현장’을 목표로 내걸고 2017년부터 AI 벤처기업 DeepX와 공동으로 유압 굴삭기의 자동 조작 AI 개발을 추진해왔다.

조작의 자동화에는 후지타가 국토교통성 등과 개발한 원격 조종 장치가 활용되었다. 운전석에 장치를 설치하고 리모컨으로 유압 굴삭기를 조작. 운전석 카메라와 AI로 로봇팔 및 버킷 등의 관절 각도를 파악해 상태를 추정한 다음, 로봇팔이나 버킷을 움직이는 경로를 AI가 결정해 레버를 자동으로 조작한다.

■ 일본제철
장인 기술을 요하는 고로 조업을 AI로 지원

일본제철은 무로란제철소 제2고로에서 자사 최초로 AI를 이용한 고로 내의 상황 예측 시스템을 도입했다. 이 고로는 개보수를 위해 조업을 중단, 2020년 11월에 재가동시켰다. AI가 열풍의 송풍량이나 원료의 투하량 등 장인의 기술인 고로의 최적의 조업 오퍼레이션을 현장 오퍼레이터에게 제시해 업무를 지원한다. 안정적인 조업과 동시에 업무의 부담 경감으로 연결하는 것이 목적이다.

고로는 철광석을 철강제품의 토대가 되는 쇳물로 만든다. 고로 내부는 2,200도가 넘기 때문에 상태 파악이 어렵다. 현장 오퍼레이터는 교대로 고로 1개 당 상시 1명씩 전담. 고로 외벽에 설치한 압력계 등의 정보를 통해 고로 내 상황을 추측하여 열풍 송풍량, 원료 투하량 등을 조절하는 것으로 “판단이 경험에 의한 것도 많아 장인 기술의 세계였다”라고 야마다 카즈하루제선기술부 주간은 말한다.

숙련된 고로 오퍼레이터가 감소하고 있는 가운데, 장인 기술에 계속 의지하는 것에는 한계가 있다. 이에 일본제철은 고로의 외부에 붙인 약 1,000개의 센서 정보를 기반으로 최적의 조업 오퍼레이션을 판단할 수 있는 AI를 개발했다.

AI는 생산 프로세스에 따른 룰 베이스의 알고리즘을 기반으로 기계 학습도 활용해 개발했다. 센서를 통해 수집한 데이터를 기계 학습 모델 등을 이용해 분석하는 것 외에 풍량 조절 등의 조작을 한 이후의 고로 내 상황을 시뮬레이션 하는 모델을 조합했다. “고로 내 상황이 변화하는 것은 조작하고 나서 수 시간 후이기 때문에 상황을 예측할 필요가 있다”(일본제철).

■ 라이온
AI로 향료의 '레시피' 작성, 개발 기간을 절반으로 단축

라이온은 치약용 향료 처방 레시피를 생성하는 AI를 개발했다. 올해부터 실제로 신상품 향료 개발에 활용할 예정이다. 2020년에 AI 시스템 도입 검토를 시작해 프로토타입을 만들었고 7월부터 시험 운용에 들어갔다.

라이온은 500가지가 넘는 향료를 조합해 다양한 맛과 향의 치약을 개발하고 있다. 향료란 입안의 상쾌함을 주기 위한 민트와 멘톨, 입에 치약을 머금었을 때 첫 느낌인 과일 플로럴, 맛의 토대가 되는 스파이스 등이다.

라이온에서는 플레이버리스트(Flavorist)라고 칭하는 약 10명의 향료 개발 기술자들이 시행착오를 거쳐 조합을 결정한다. 각 원재료를 어느 정도로 배합하는지를 요리에 빗대어 ‘레시피’라고 부른다. 타깃 층의 성별이나 연령, 제품 컨셉트에 근거해 청량감이나 약효 등의 레벨을 조정해 결정한다.

시험 운용에서는 AI 활용으로 향료의 개발 기간을 절반으로 줄일 수 있었다고 한다. 이전에는 숙련된 사람이라도 하나의 향과 맛을 개발하는 데 수 개월이 걸렸다.

Part 3. AI 개발 툴의 진화
유지보수 단계도 지원

독자적인 AI가 폭발적으로 증가하고 있는 배경에는 개발 툴의 진화가 있다. 개발 단계의 모든 공정뿐만 아니라 운용 유지보수 단계도 커버하게 되었다. 주요 3사의 AI 개발 툴을 예로 들어 특징적인 기능을 소개하겠다.

AI 개발에는 기존의 애플리케이션 개발과는 다른 특유의 공정이 있어 고도의 전문지식이 필요하다. 이것이 AI 개발을 어렵게 하는 원인 중 하나였다. 하지만 AI 개발 툴이 진화함으로써 그 허들이 크게 낮아져 독자적인 AI 개발 러시를 낳게 한 요인이 되고 있다.

기계학습을 이용한 AI 개발·운용 공정은 크게 ‘학습 데이터 작성’ ‘모델 개발’ ‘모델 운용 보수’라고 하는 3가지 단계로 구성된다.

학습 데이터 작성 단계에서는 데이터를 수집·가공한 후 학습 데이터를 작성한다. 구체적으로는 영상 하나 하나의 내용을 확인하고 라벨을 붙이는 작업을 한다. 이것을 ‘어노테이션(Annotation)’이라고 한다.

그 다음이 모델의 개발 단계. 여기에서는 우선 기계학습 모델의 골격이 되는 알고리즘을 선정·실험한다. 또한 학습 데이터를 모델에 투입해 트레이닝을 실시, 테스트를 통한 평가를 반복하면서 모델의 구조를 결정하는 하이퍼 파라미터(Hyper parameter)를 조정한다.

모델이 완성되어 출시해도 아직 끝난 것은 아니다. 운용 보수 단계에서는 새로운 학습 데이터를 이용해 다시 트레이닝 하는 등 수시로 모델을 갱신한다.

AI개발 툴의 주요 벤더인 미국의 데이터로봇, 아마존·웹·서비스(AWS), 마이크로소프트의 툴을 예로, 3가지 단계로 나누어 특징적인 기능을 살펴보자. 툴의 제공 형태의 경우 데이터로봇은 소프트웨어와 클라우드 서비스, AWS와 마이크로소프트는 클라우드 서비스이다.

■ 학습 데이터 작성
노코드(No Code) ETL 제공, 이미지 태그 지원

학습 데이터 작성 단계는 ‘데이터의 수집·가공’과 ‘데이터 태깅’이라고 하는 2가지 스텝이 있다. 데이터의 수집·가공은 이른바 ETL(Extract/ Transform/ Load)이며, AI 개발 툴은 이 기능을 갖추고 있다.

예를 들면 ‘Amazon SageMaker Data Wrangler’는 오브젝트 스토리지의 Amazon S3나 데이터분석서비스 Amazon Athena 등 AWS 상의 다양한 데이터 소스를 웹 화면을 통해 지정하는 것만으로 필요한 데이터를 수집하고 가공한 다음, 데이터 스토어에 출력할 수 있다.

가공 처리 기능으로 데이터의 이름의 변경과 삭제, 카테고리 수치의 인코딩 등 300종류 이상을 갖추고 있다. 데이터 보존을 위해 임의의 데이터 스토어를 선택할 수 있지만, 전용의 ‘Amazon SageMaker Feature Store’를 갖추고 있다. 이것을 이용하면 날짜가 수록된 데이터의 경우, 일·월·년의 순서인지 혹은 월·일·년의 순서인지 등 데이터의 정의를 보존, 팀에서 공유할 수 있다.

수집·가공된 데이터를 어노테이션을 거치지 않고 그대로 학습 데이터로서 사용할 수 있는 경우에는 트레이닝 기능을 갖춘 ‘Amazon SageMaker Pipelines’ 등의 서비스에서 GUI 설정으로 트레이닝이나 배치, 운용 보수를 자동으로 실행할 수 있다.

■ 모델 개발
알고리즘 선정, 튜닝도 자동

모델 개발 단계에서는 먼저 알고리즘을 선택한다. 알고리즘을 선택할 때는 화상인식이나 자연언어의 해석 등 모델의 용도와 함께 데이터의 규모나 추론의 소요시간 등 다양한 요소를 검토할 필요가 있다. 이 때문에 일반적으로 알고리즘의 선택에는 고도의 전문지식이 필요하다.

게다가 알고리즘을 선택한 후에도 모델의 추론 정도가 높아지도록 파라미터를 조정할 필요가 있다. 정밀도를 얼마나 높일 수 있는가는 엔지니어의 경험에 달려있다.

이에 3사(데이터로봇, AWS, 마이크로소프트)는 알고리즘을 자동으로 선택하거나 모델의 파라미터를 자동 조정하는 기능을 제공하고 있다.

여기에서는 마이크로소프트가 제공하는 ‘Automated Machine Learning’을 예로 들어 소개하겠다. 이 툴을 이용해 “AI에 대한 전문 지식이 없는 엔지니어도 기계 학습 모델을 개발할 수 있다”(일본 마이크로소프트 Azure비즈니스본부 프로덕트마케팅&테크놀로지부의 히구치(樋口) 씨)라고 한다.

Automated Machine Learning 에서는 메뉴 화면에서 가장 먼저 모델의 용도를 선택. 현재 선택할 수 있는 용도는 ‘분류’ ‘회귀’ ‘시간계열 예측’의 3가지다.

어느 하나를 선택하면 Automated Machine Learning이 자동으로 알고리즘의 후보를 선정. 훈련용과 테스트 평가용 데이터를 투입하면 알고리즘과 파라미터가 다른 다수의 모델을 작성 및 배치해 훈련과 테스트 평가를 실행한다. 화면에 표시된 테스트 평가 결과를 비교함으로써 최적의 알고리즘과 파라미터를 알 수 있는 장치다.

■ 모델의 운용 보수
CI/CD 지원 및 설명을 가능케 하는 기능도

모델을 개발한 후 시간이 지나면 추론의 정밀도가 낮아지는 경우가 있다. 트레이닝이나 테스트·평가에 이용한 데이터와 운용 보수 단계에서 추론에 사용하는 데이터와의 사이에 차이가 생기기 때문이다.

데이터로봇의 이지(伊地) 데이터사이언스부문 디렉터는 모델을 ‘(유통기한이 짧은)생물’이라고 표현한다. 운용 보수 단계에 들어간 후에도 새로운 데이터를 이용, 모델을 트레이닝 해 갱신해나갈 필요가 있다.

지금까지 살펴본 대로 AI개발 툴은 이미 모델의 개발 공정을 전체적으로 지원하는 기능을 제공하고 있다. 뿐만 아니라, 3사를 중심으로 기능 확충 경쟁이 지속되고 있다. 향후 독자적인 AI의 개발은 새롭게 등장하는 기능을 활용함으로써 한층 더 용이해질 전망이다.

 -- 끝 --

https://youtu.be/4DnhGreP-6g

Copyright © 2020 [Nikkei Computer] / Nikkei Business Publications, Inc. All rights reserved.