이 문서의 번역:

최첨단 인공지능으로 업무 효율화






이세돌과 알파고의 바둑경기로 최근 인공지능에 관한 관심이 높아졌다.

인공지능(AI)기술 중, 화상영상인식을 중심으로 활용되고 있는 딥 러닝.

딥 러닝된 인공지능기술이 비즈니스에 응용되기 시작했다.

인간의 지능을 인공지능으로 재현할 수 있을까?

인간이 인공지능의 연구를 시작한지 반세기가 흐르고 있다. 그 동안 미로나 퍼즐, 체스, 장기, 바둑과 같은 게임을 효율적으로 풀기 시작했다. 축적된 지식으로 전문가처럼 의사결정을 하는 등 여러 분야에서 연구개발을 진행하여왔다.

그리고, 지금 인간의 학습능력에 근접한 <기계학습> 기술이 급속히 진전되어 “제3차 인공지능 붐”을 일으키고 있다. 이 붐의 불쏘시게 역할을 하고 있는 것이 기계학습에서 사용되었던 알고리즘 <뉴트럴 네트워크>를 다층화, 인식의 정도를 높인 <딥 러닝>이다. 인간의 뇌신경을 모방한 회로를 컴퓨터상에서 작성한 것으로 인간의 감성에 가까운 인식이나 판단을 하는 특징이 있다.

텍스트나 화상을 컴퓨터에 인식시킬 경우 그 특징을 수치화해야 한다. 예를 들어, 고양이의 얼굴을 인식시킬 경우, 눈과 귀의 거리는 이 정도, 귀 끝의 각도는 몇도로 할지, 털의 색은 갈색 등등과 같은 식이다.

종래의 기계학습은 이러한 특징량계산 로직개발을 데이터 분석 전문가들이 인식대상 별로 나누어 진행 하였다. 이 로직개발이 인식의 정도에 큰 영향을 주면서, 숙련된 스킬이 필요하였다. 이것이 기계학습에 있어서 최대의 난관이었다.

딥 러닝의 경우 대량의 데이터로부터 특징량을 자동설계하여 자동학습하기 때문에 데이터분석 전문가가 없더라도 인식이나 판단하는 모델을 작성할 수 있다. 이미 화상인식이나 음성인식분야에서는 상당히 높은 인식이 가능하여 인공지능의 최유력기술로 부상하고 있다.

딥 러닝을 비즈니스 현장에서 활용할 수 있을까?

딥 러닝을 비즈니스에 어떻게 활용할지 이미지가 좀처럼 떠오르지 않는 사람도 많겠지만, 이미 제조업의 검사공정에서 화상이나 영상으로 검사를 하고 있다. 공장의 생산라인에서 불량품검사나 작업자에게 위험상황을 알리는 분야에 활용하고 있다.

한 예로 불량품검사에 사용하는 경우, 검품대상인 제품의 화상(양품 또는 불량품)을 기계에 학습시켜, 제조라인에 설치한 카메라가 촬영한 화상을 토대로 불량품을 찿아 작업자에게 통보한다. 불량품에도 여러 유형이 있는 경우, 유형 데이터 증가에 따른 다양한 불량패턴에 유연하게 대응할 수 있고 사람이 눈으로 점검할 경우 점검스킬에 따라 품질판별이 다를 수 있는 위험을 줄이게 된다.

또한, 공장에서 작업자의 일상업무 화상을 인공지능에 학습시켜 특정한 위험행동(고온, 고압 등 위험지역에 들어가거나, 작업공정에서의 표준화되지 않은 오퍼레이션, 헬멧 미착용 등 의무위반)을 찾아 내, 자동으로 알리는 사례도 있다.

제조업 이외에 방범, 경비, 감시분야에도 이용되고 있다. 오토바이 탑승자 2명이 길거리 빽치기를 할 가능성이 있는지 없는지 실시간 영상자료를 분석하여 사전 범죄예방에 활용될 수 있는 방안도 연구되고 있어 주목된다.

이 외에도 공공시설이나 이벤트장소에서 이상행동자의 사전 검색이나 장애인 참석자를 인식하여 그들에 맞는 대응을 할 수 있고, 인프라설비의 외관점검지원, 교통위반차량검색, 유통소매점에서의 도난방지 등 여러 업종의 니즈에 따라 운용할 수 있게 될 것이다. 나아가 기업이 인재채용활동에서 채용조건과 과거의 직원채용 이력을 인공지능에 학습시켜 구직자와 구인기업을 중개하거나, 회사내에서는 채용한 인재를 적재적소에 배치하는 일에 활용될 것으로 전문가들은 내다보고 있다.

인공지능(AI)과 사물인터넷(IoT)기술을 융합하면, 제조업에 있어서의 스마트 팩토리 조기 실현 뿐 아니라 다양한 산업영역에서 예상치 못했던 비즈니스모델이 창조될 것으로 생각된다.




번역 : 김교헌 전문위원

편집 : 김수진 선임연구원

이 문서의 번역:
최첨단_인공지능으로_업무_효율화.txt · 마지막으로 수정됨: 2016/03/30 17:36 저자 wikiadmin
CC Attribution-Share Alike 3.0 Unported
Powered by PHP Driven by DokuWiki Recent changes RSS feed Valid CSS Valid XHTML 1.0 Valid HTML5