인공지능에 대한 오해
근래 ‘인공지능(Artificial Intelligence)’이라는 단어처럼 과장되고 애매모호하게 쓰이는 단어는 없을 것이다.
2년전 인간의 영역으로 여겨졌던 바둑경기에서 이세돌이 알파고에 무릎을 꿇는 모습을 지켜보며 사람들은 기계가 인간 지능 이상을 학습할 수 있다는 것을 보게되었다.
이후 인공지능은 인간을 대체할 수 있는 존재로 공포와 호기심의 대상이 되었고 사회적인 트렌드로 자리매김 했다.
이후 인공지능은 사람들의 주목을 끌기 위한 마케팅 수단으로 무분별하게 사용되고 있는 모습이다.
‘인공지능을 사용한 분석’이라고 한다면 ‘무엇인지 정확히 모르겠지만 마치 대단한 것’처럼 보여지기 때문이다.
이와 같은 인공지능에 대한 오해와 과장은 끊임없이 나오고 있지만 모든 인공지능이 알파고와 같은 것은 아니다.
인공지능은 1950년대 중반 처음 쓰이기 시작한 용어로 현재 우리가 흔히 사용하고 있는 자동차 네비게이션도 과거 인공지능 개발 프로젝트의 하나였다.
이후 기술적 발달과 이에 따른 다양한 분야에서의 응용이 가능해지며 그 정의 또한 다각화 되고 있다.
하지만 ‘컴퓨터와 시스템을 이용해 원하는 목표를 최적의 방법으로 달성하는 방법’이라는 정의의 큰 틀 안에서 벗어나지 않는다.
인공지능? 머신러닝? 딥러닝?
인간의 영역을 침범하는 것은 ‘딥러닝’
딥러닝 등장 이후 인공지능은 인간보다 더 뛰어난 성과를 보이기 시작했다.
매년 이미지 내 사물 인식의 정확도를 경쟁하는 ImageNet7 경진대회에서는 2015년 마이크로소프트가 96.4%의 정확도를 달성하며 인간의 인식률 94.9%을 이미 추월했다.
딥러닝은 인간 신경망 뉴런의 작동 원리를 모방한 인공신경망을 이용해 복잡하고 방대한 데이터로부터 결과값을 뽑는 원리로 작동한다.
인공신경망은 방대한 데이터를 다룰 수 있는 빅데이터 기술 발전으로 인해 그 성능이 크게 발전될 수 있었다.
대용량의 데이터가 있다면 스스로 인공신경망 안에서 결과값에 가까운 것들을 군집화하고 분류할 수 있기 때문이다.
반면 머신러닝은 인간이 데이터에 대한 결과값을 미리 알려주어야 한다.
또한 목표치에 가까운 결과값의 특징을 미리 정의해야 한다.
이에 따라 더 높은 성과의 결과값을 얻기 위해서는 머신러닝뿐만 아니라 인간이 얼마나 결과값에 대한 특징을 잡아내는지가 중요하다.
따라서 빅데이터 시대에 딥러닝을 활용한 분석은 앞으로 무궁무진하다.
인공지능 애널리스트 ‘켄쇼’
그렇다면, 이러한 인공지능의 진화가 금융업계에 미치는 시사점은 무엇일까?
지난 3월 세계적인 신용평가사 스탠더드앤드푸어스(S&P)가 인공지능 분석 회사인 켄쇼(Kensho)를 5.5억 달러에 인수한 것을 들 수 있다.
이 거래는 구글의 딥마인드, 인텔의 너바나시스템 인수보다 큰 금액으로 월가내 인공지능 적용을 위한 역대 가장 큰 거래로 이루어졌다.
켄쇼는 금융기관내 투자자문, 트레이딩, 리서치에 활용되고 있다.
특히 리서치 업무에서 포털사이트에 검색하듯 찾고자 하는 내용을 자연어 그대로 입력하면 스스로 이와 관련된 데이터와 정보를 레포트 형식으로 만들어 보여준다.
사람이라면 40시간 걸릴 업무를 5분만에 수행함에 따라 금융권을 위협하는 로봇 애널리스트가 탄생했다는 반응이 나왔다.
실제로 주요 경제수치, 기업의 실적 등 새로운 뉴스가 있을 때마다 방대한 양의 데이터에서 자료를 모아 분석하고 보고서를 만들어 골드만삭스에 제공하고있으며, Brexit와 미국 대선 직후 정확한 환율 예측을 내놓은 것으로 알려져 있다.
하지만 켄쇼의 이러한 기능은 딥러닝보다 머신러닝에 가깝다.
자연어처리 기술을 이용해 구글 검색창에 검색하듯 값을 직접 입력하고 머신러닝으로 입력값에 대한 유의미한 데이터를 찾아주는 ‘보조 도구’로써의 역할이 큰 정도이다.
오히려 기존에 쓰고있는 블룸버그, 톰슨로이터, 팩트셋과 같은 기능으로 이들 중 가장 발달된 모델로 보아야 할 것이다.
딥러닝의 한계
딥러닝이 갖고 있는 치명적인 단점 중 하나는 오로지 결과값만 알 수 있다는 것이다.
왜 이런 결과가 나왔는지에 대한 분석 과정을 알 수 없기에 오류값이 나온다면 즉각 대처할 수 없다.
범용적으로 딥러닝이 쓰이기 위해서는 이런 오류를 파악해야 하지만, 오히려 딥러닝의 결과값이 최적으로 나오도록 하는 기술보다 최적의 결과값이 나왔는지에 대한 분석과정을 파악하는 기술은 개발되지 못하고 있다.
다시 2년전 알파고와 이세돌의 대결을 돌이켜 보자.
모두 바둑경기에 알파고의 승리에 주목하였지만 오히려 제4국에서의 패배를 더 충격적으로 봐야 할 것이다.
신의 한 수라 불리는 78수는 알파고가 예측하지 못한 변수로 작용하면서 우리는 딥러닝의 오류를 직접 볼 수 있었다.
바둑판이라는 제한된 조건을 넘어서 주식시장에 딥러닝기술을 적용시키는 것은 아직까지 넘어야 할 변수들이 수없이 존재한다.
지금의 인공지능 개발은 인간의 무능함을 증명하는 존재가 아닌, 인간이 더 효율적으로 합리적인 결과를 만들어낼 수 있도록 발달된 툴(tool)로 보아야 할 것이다.
리포트 원문 link : http://hkconsensus.hankyung.com/apps.analysis/analysis.downpdf?report_idx=502988
Investory 인베스토리 텔레그램 메신저 채널에 입장해서 새로운 글 알림 받기 : https://t.me/investory123
