[기고] 엔지니어가 주목해야 할 2023년 AI 트렌드

[매스웍스=조하나 핀겔] 챗GPT(ChatGPT)의 등장은 전 세계적 인공지능(AI) 열풍을 불러왔다. 폭발적인 신기술의 열풍에 힘입어, 많은 산업에서 AI 기술을 활용한 서비스 고도화에 한층 힘을 싣는 양상이다.

엔지니어들에게도 AI가 주요 원동력으로 자리 잡은 지 오래다. 최근 가트너는 AI 엔지니어링으로 ‘적응형 AI 시스템(Adaptive AI System)’을 구축하고 관리하는 기업이 그렇지 않은 기업에 비해 AI 모델의 운용하에 있어 최소 25% 높은 성과를 낼 것으로 전망했다.

2023년은 AI 분야에 있어 중요한 한 해가 될 것이다. 매스웍스가 예측하는 2023년 엔지니어들이 주목해야 할 주요 AI 트렌드를 소개한다.

◆ 기계에게 현실 세계를 가르치는 물리 정보 기반 AI

AI의 발전은 접근법에도 변화를 불러일으켜, 기존 데이터 중심 AI 접근법 외에 최근 ‘모델 중심 AI’ 접근법이 주목받고 있다.

데이터 중심 AI 접근법이란 AI에 학습된 데이터만 체계적으로 개선하는 법으로, 데이터의 품질에 초점을 맞춘 방식이다. 이 접근법은 데이터 품질을 높일 수는 있지만 현실 세계에 존재하는 실제 규칙이나 모델 원리와 동떨어진 결론을 낸다는 한계를 가지고 있다.

모델 중심 AI 접근법은 데이터가 고정된 상태에서 AI 모델을 반복적으로 훈련시키는 기법이다. 데이터를 최대한 모으고, 문제가 없을 정도로 모델을 최적화하는 것에 집중한다. 데이터 최적화뿐 아니라 모델의 물리적인 조건까지 고려한다. 앞으로 AI 연구 모델이 전 세계에 유연하게 적용되려면 모델 중심 AI 접근법도 필요하다.

물리적 조건을 고려해 복잡한 AI 모델을 구축한 사례도 등장했다. 한 MIT 연구원은 물리 기반 AI로 생물의학 기기를 설계해 경도 외상성 뇌손상의 검출 방법을 개선한 바 있다. 물리 제약 조건까지 고려해 나온 긍정적 사례다.

현재 AI 기술은 엔지니어드 시스템과 같은 복잡한 연구 분야까지 확장하고 있다. 엔지니어들은 데이터 중심 연구뿐 아니라 모델 중심 연구까지 고려해야 한다.

물리적 제약을 고려하는 모델 중심 AI의 핵심에는 시뮬레이션이 있다. 엔지니어는 복잡한 모델을 시뮬레이션 내 변종(Variant)으로 구성해 모델을 유연하게 전환하고 가장 정확한 최적의 솔루션을 도출하고, 물리적 제약을 쉽게 극복할 수 있다.

◆ AI에 대한 개방적 협업은 계속될 것

AI에 대한 연구가 증가함에 따라 연구원, 엔지니어, 데이터 과학자 등 전문가 간 상호 협업이 더 필요할 전망이다. 늘어나는 AI 연구에 대한 수요에 발맞춰 최신 모델을 빠르게 제공해야 할 필요성도 커졌다. 엔지니어가 깃허브에서 최신 연구 모델로 몇 시간 내에 새로운 솔루션을 만드는 것도 놀랍지 않은 세상이 왔다. 특히 고충실도 모델의 수가 증가해 엔지니어는 과거보다 훨씬 빠르게 최신 연구를 활용할 수 있다.

오픈소스 솔루션에 대한 의존도 역시 높아지고 있다. 엔지니어링 팀은 다양한 프레임워크로 모델을 작성할 수 있어 그들이 선호하는 시스템과 최종 솔루션 사이의 간극을 극복할 수 있는 솔루션을 찾는다. 따라서 프레임워크 간에 상호운용성을 추가해 AI를 더욱 다양한 연구 분야에 통합할 수 있다.

기업은 자사의 특정 응용 분야에, AI에 초점을 맞춘 연구를 활용하기 위해 학계와의 협업을 늘리고 있다. AI에 대한 학술 협업은 기업들이 물리 기반 머신러닝 등 주제에 대한 학계 내 연구를 활용해 새로운 당면 과제를 해결하는 데 활용할 수 있다.

◆ 기업들은 더욱 작고 설명 가능한 AI 모델에 집중할 것

엔지니어와 과학자들은 더 가볍고, 결과를 설명할 수 있는 모델에 집중할 전망이다. 모델의 정확성을 기존보다 끌어올릴 수 있기 때문이다.

최근 저비용, 저출력 기기의 요구사항을 충족할 뿐 아니라 설명할 수 있는 출력값까지 도출하는 전통적인 머신러닝 모델 활용이 트렌드로 떠올랐다. 특정 공식과 파라미터에 맞춰 보장된 결과를 원하는 기업들이 늘어가면서 모수적 모델(parametric model) 역시 이러한 '복고풍적 트렌드'의 사례가 된 것이다.

전통적인 머신러닝 기법은 가장 최신 기술은 아니지만, 이해할 수 있고 반복할 수 있는 방식으로 작업을 수행한다. 이러한 모델들은 가볍기 때문에 메모리가 작은 하드웨어의 요구사항을 충족하고, 이해관계자들이 쉽게 해석할 수 있는 출력값을 얻을 수 있다.

만약 더 새롭고 메모리 사용량이 많은 모델을 사용하려면, 양자화(quantization)와 가지치기 기법(pruning)으로 모델을 압축할 수도 있다. 규모를 줄여도 정확도에 지장이 가지 않을 정도로 모델을 축소하는 것이다. 설명 가능한 AI 방법론도 적극적으로 활용된다. 모델이 복잡한 과정을 거쳐 내놓은 결과에 대한 설명을 제공할 수 있어 모델 출력값 신뢰성을 높인다.

엔지니어와 과학자는 모델의 해석 가능성과 양자화, 가지치기를 통해 AI 적용 범위를 확장함으로써 다양한 산업에 적용할 수 있다.

◆ 최신 엔지니어드 시스템의 설계, 개발 및 운영에서 AI 활용 증대

엔지니어링에서 AI 없이는 혁신이 불가능하다. AI가 모든 업계와 응용 분야에서 주류로 부상하면서 AI가 없는 복잡한 엔지니어드 시스템이 사라지고 있으며, 시계열이나 센서 데이터를 다루는 기존 분야에 계속 영향을 미치고 있다.

전동화 기술 트렌드가 심화하며 AI는 배터리 관리, 가상 센싱, 차수 축소 모델링과 같은 더 많은 응용 분야에 적용되고 있다.

그러나 최근 AI를 도입한 기술 장벽 높은 산업에 종사하는 엔지니어들은 AI 기술에 대한 배경지식이 필요할 수 있다. 엔지니어들은 구체적인 배경지식과 참고 사례를 통해 경직된 기존 산업 분야에 큰 지장을 주지 않고 AI를 적용하고자 한다. 엔지니어들은 AI를 자신의 산업에 어떻게 효과적으로 접목할 수 있을지에 대한 레퍼런스와 예시를 찾고 있다.

예를 들어, 배터리 관리 시스템을 개발하는 엔지니어는 검증된 레퍼런스나 사례에 기반해 자신의 데이터와 전문 지식을 담아 AI를 배터리 관리 분야에 효과적으로 적용할 수 있다.

AI가 모든 산업 분야에 영향을 미치고 있는 지금, 우리는 이제 AI가 언제, 어떤 모습으로 영향을 미칠지 파악하고 대비하는 것이 중요하다. 기업의 지속적인 AI 도입은 다양한 영역에 걸친 협업부터 독자적인 구성요소 설계에 이르기까지 조직 전체에 영향을 미치게 된다. 엔지니어는 반드시 자신의 장단기 목표에 부합하는 활용 사례를 찾고 그에 맞춰 구현해야 할 것이다.