[ISTQB - AI] 제1장 인공지능 소개

1.1 인공지능의 정의와 인공지능 효과

인공지능(AI)은 1950년대 처음 사용된 용어로, 당시에는 인간처럼 "지능형" 동작을 모방할 수 있는 기계를 만드는 것이 목표였다. 현재는 엔지니어링된 시스템이 지식과 기술을 습득, 처리, 적용할 수 있는 능력으로 정의된다. 인공지능에 대한 인식은 시대에 따라 변해왔다. 예를 들어, 1970년대에는 체스에서 인간을 이길 수 있는 컴퓨터 시스템을 AI라고 여겼지만, 오늘날 사람들은 체스 프로그램의 "무작위 대입" 방식을 진정한 인공지능으로 간주하지 않는다. 이러한 인식의 변화를 "인공지능 효과"라고 하며, 이는 시대와 기술의 발전에 따라 AI의 정의가 달라짐을 의미한다.

1.2 약인공지능, 강인공지능, 초인공지능

인공지능은 크게 세 가지 범주로 나눌 수 있다.

약인공지능: 특정 작업에 특화된 인공지능으로, 현재 널리 사용되고 있는 형태이다. 예시로는 게임 플레이 시스템, 스팸 필터, 테스트 케이스 생성기, 음성 도우미 등이 있다.

강인공지능: 인간과 유사한 범용적인 인지 능력을 갖춘 인공지능이다. 인간처럼 환경을 이해하고 추론하며 행동할 수 있지만, 2021년 기준으로는 아직 구현되지 않았다.

초인공지능: 인간의 인지를 뛰어넘고 방대한 처리 능력, 사실상 무제한의 기억력, 그리고 인간의 모든 지식을 사용할 수 있는 인공지능이다. 초인공지능은 기술적 특이점 시점에 도달할 것으로 예상된다.

1.4 인공지능 기술

• 퍼지 논리 (Fuzzy logic)
• 검색 알고리즘 (Search algorithms)
• 추론 기법 (Reasoning techniques)
  • 규칙 엔진 (Rule engines)
  • 연역적 분류기 (Deductive classifiers)
  • 사례 기반 추론 (Case-based reasoning)
  • 절차적 추론 (Procedural reasoning)
• 기계학습 (Machine learning techniques)
  • 신경망 (Neural networks)
  • 베이지안 모델 (Bayesian models)
  • 결정 트리 (Decision trees)
  • 랜덤 포레스트 (Random forest)
  • 선형 회귀 (Linear regression)
  • 로지스틱 회귀 (Logistic regression)

1.3 인공지능기반 시스템과 전통적 시스템

전통적인 컴퓨터 시스템은 사람이 if-then-else와 같은 명령어를 사용해 프로그래밍하며, 입력이 출력으로 변환되는 과정을 사람이 쉽게 이해할 수 있다. 반면, 인공지능기반 시스템, 특히 기계학습(ML)을 사용하는 시스템은 데이터의 패턴을 학습해 미래의 데이터를 처리하는 방식을 결정한다. 예를 들어, 고양이 이미지 식별 시스템은 학습한 패턴을 바탕으로 새로운 이미지에 고양이가 있는지 판단한다. 이러한 인공지능의 예측 절차는 사람이 이해하기 어렵다. 인공지능기반 시스템과 전통적 시스템은 기술적 접근 방식과 "인공지능 효과"에 따라 구분된다.

1.5 인공지능 개발 프레임워크

다양한 인공지능 개발 프레임워크가 있으며, 이들은 CPU, GPU, TPU 등 다양한 프로세서에서 실행되고 데이터 준비, 알고리즘 선택, 모델 컴파일 등을 지원한다. 프레임워크 선택은 프로그래밍 언어와 사용 용이성에 따라 다르다. 2021년 기준 주요 프레임워크는 다음과 같다.

• Apache MxNet: AWS용 딥러닝 오픈소스 프레임워크
• CNTK: Microsoft Cognitive Toolkit 오픈소스 딥러닝 툴킷
• IBM Watson Studio: 인공지능 솔루션 개발 도구 모음
• Keras: 파이썬 기반 오픈소스 API, TensorFlow와 CNTK와 함께 사용 가능
• PyTorch: Facebook 운영 기계학습 라이브러리, 이미지 처리 및 NLP에 사용
• Scikit-learn: 파이썬용 오픈소스 기계학습 라이브러리
• TensorFlow: 구글의 오픈소스 기계학습 프레임워크

이러한 프레임워크는 지속적으로 발전하고 있으며, 결합되거나 새로운 것으로 대체되기도 한다.

1.6 인공지능기반 시스템을 위한 하드웨어

인공지능기반 시스템은 다양한 하드웨어에서 실행되며, 기계학습 모델 훈련과 구현에는 클라우드 컴퓨팅, CPU, GPU, ASIC, SoC 등이 사용된다.

기계학습 하드웨어의 일반적인 특성

• 낮은 정밀도 산술: 계산에 더 적은 비트를 사용해 효율적으로 처리
• 대규모 데이터 구조: 행렬 곱셈 등 지원
• 대규모 병렬 처리 능력: GPU처럼 수천 개의 코어를 사용하여 간단한 작업을 병렬로 수행

주요 인공지능 하드웨어 제공업체

• NVIDIA: GPU와 Volta 같은 인공지능 전용 프로세서 제공
• Google: TPU와 Edge TPU 제공
• Intel: Nervana 신경망 프로세서와 Movidius Myriad 비전 처리 장치 제공
• Mobileye: 차량용 저전력 비전 처리 SoC EyeQ 제공
• Apple: 아이폰의 바이오닉 칩 제공
• Huawei: 스마트폰용 Kirin 970 인공지능 칩 제공
• GPU는 기계학습에서 높은 성능을 발휘하며, ASIC 및 SoC와 같은 인공지능 전용 하드웨어는 에지 컴퓨팅에 적합하다.

1.7 서비스형 인공지능

서비스형 인공지능(AIaaS)은 인공지능 기능을 웹 서비스로 제공하여 조직이 자체적으로 개발하지 않고도 쉽게 활용할 수 있도록 한다. AIaaS는 데이터 준비, 저장, 모델 훈련, 검증, 튜닝, 테스팅, 배포 등을 지원하며, AWS, Microsoft 같은 공급자가 얼굴 인식 및 음성 인식 등 다양한 인공지능 기능을 제공한다. 이를 통해 자원이나 전문성이 부족한 조직도 인공지능 기술을 활용할 수 있게 한다.

1.7.1 서비스형 인공지능 계약

AIaaS는 일반적으로 SaaS와 유사한 계약 형태로 제공된다. 서비스 수준 계약(SLA)을 통해 가용성과 보안 책임을 정의하며, SLA는 보통 서비스 가동 시간과 결함 수정을 위한 응답 시간을 포함한다. 하지만 기계학습의 정확도 같은 기능적 성능은 SLA에 포함되지 않는 경우가 많다. 요금은 구독 형태로 부과되며, SLA가 충족되지 않으면 보통 서비스 크레딧을 제공한다. 이러한 계약은 대체로 서비스 손실에 대한 책임이 제한적이기 때문에, 리스크가 낮은 애플리케이션에서 AIaaS를 사용하는 경우가 많다. 또한 대부분의 서비스는 무료 평가 기간을 제공하여 사용자가 요구사항을 충족하는지 평가할 수 있게 한다.

1.7.2 서비스형 인공지능 사례

아래는 2021년 기준 주요 서비스형 인공지능 사례다.
IBM Watson Assistant: 인공지능 챗봇으로, 가격은 월간 활성 사용자 수에 기반하여 책정한다.
Google Cloud 인공지능과 ML 제품: 문서 기반 인공지능 기능을 제공하며, 양식 분석과 문서 OCR 등을 포함한다. 가격은 처리한 페이지 수를 기준으로 책정한다.
Amazon Code Guru: Java 코드 리뷰를 통해 개발자에게 코드 품질 개선을 위한 권장 사항을 제공하며, 가격은 분석된 소스 코드 라인 수에 기반한다.
Microsoft Azure Cognitive Search: 인공지능 클라우드 검색을 제공하며, 검색 단위(사용 처리량과 스토리지)에 따라 가격을 결정한다.

AIaaS는 인공지능의 도입을 쉽게 하고, 특히 자원이나 전문성이 부족한 조직에서도 빠르게 인공지능 기술을 활용할 수 있는 기회를 제공한다. 또한 이러한 서비스로 제공되는 기계학습 모델은 다양한 훈련 데이터를 사용하여 더 나은 성능을 제공할 수 있다.

1.8 사전 훈련 모델

1.8.1 사전 훈련 모델

기계학습 모델을 훈련하는 데는 많은 비용과 자원이 필요하다. 사전 훈련된 모델을 사용하면 비용과 자원을 절약할 수 있으며, 실패 리스크를 줄일 수 있다. 이러한 모델은 신경망이나 랜덤 포레스트 등의 기법으로 사전에 훈련되며, 예를 들어 ImageNet 같은 대규모 데이터 세트로 훈련되어 새로운 프로젝트에서 재사용될 수 있다. 사전 훈련된 모델을 그대로 사용하면 쉽게 시스템에 통합하거나 서비스 형태로 제공할 수 있다.

1.8.2 전이 학습

전이 학습은 사전 훈련된 모델을 가져와 새로운 요구사항을 충족하도록 수정하는 과정이다. 예를 들어 딥러닝 신경망에서 초기 층은 기본적인 작업을 수행하고, 후기 층은 구체적인 작업을 수행하므로, 새로운 문제에 맞게 후기 층만 다시 훈련시킬 수 있다. 전이 학습의 효과는 기존 모델의 기능과 새로운 요구사항 간의 유사성에 따라 달라진다. 예를 들어, 고양이 품종을 식별하는 모델을 개의 품종을 식별하도록 수정하는 것이 훨씬 더 효율적이다. 이미지 분류를 위한 Inception, VGG, AlexNet, MobileNet, NLP용 Google BERT 등이 대표적인 사전 훈련된 모델이다.

1.8.3 사전 훈련 모델과 전이 학습 사용 리스크

사전 훈련 모델과 전이 학습을 사용할 때는 다음과 같은 리스크가 존재한다

• 사전 훈련 모델은 내부적으로 제작한 모델에 비해 투명성이 부족할 수 있다.
• 모델이 제공하는 기능과 필요한 기능의 유사성이 부족할 수 있으며, 데이터 과학자가 그 차이를 이해하지 못할 수 있다.
• 모델 훈련 시 사용된 데이터와 적용 시 사용된 데이터 준비 절차의 차이가 성능에 영향을 줄 수 있다.
• 모델의 단점이나 데이터 편향성 등이 승계될 가능성이 높으며, 이런 정보가 충분히 문서화되지 않을 수 있다.
• 전이 학습을 통해 만들어진 모델은 원래 모델과 동일한 취약성(예: 적대적 공격)에 민감할 수 있다.
• 이러한 리스크는 모델에 대한 상세한 문서를 통해 완화할 수 있다.

1.9 표준, 규정, 인공지능

인공지능 분야에서는 국제 표준을 개발하고 있으며, IEC와 ISO의 정보 기술 공동 기술 위원회(ISO/IEC JTC 1)가 주요 역할을 맡고 있다. 예를 들어, ISO/IEC JTC 1/SC42는 인공지능 소위원회로 2017년에 설치되었으며, ISO/IEC JTC 1/SC7에서는 "인공지능기반 시스템 테스트"에 대한 기술 보고서를 발간했다.

지역 및 국가 표준: 유럽연합의 일반 개인정보 보호법(GDPR)은 데이터 취급자가 개인정보 및 자동화된 의사결정에 대해 지켜야 하는 의무를 정의하며, 시스템의 예측이 사용 목적을 충족하기 위한 정확도를 갖추도록 요구한다. 독일의 DIN도 인공지능 품질 메타모델을 개발하고 있다.

산업계 표준: IEEE는 인공지능과 자율 시스템의 윤리적 지침을 포함한 다양한 표준을 개발하고 있으며, 일부 표준은 아직 개발 중이다. 인공지능이 안전 관련 시스템에 사용될 경우 ISO 26262(자동차 시스템 안전성)와 ISO/PAS 21448(SOTIF) 같은 관련 규제 표준이 적용된다. 이러한 규제 표준은 정부 기관에 의해 의무화될 수 있으며, 규정을 준수하지 않을 경우 해당 제품의 판매가 불법이 될 수 있다.

표준은 자발적 문서이지만, 많은 사용자들이 높은 품질의 제품을 만들기 위해 표준을 채택하며, 법률이나 계약에 의해 의무화될 수도 있다.

예상문제

1. 다음 중 인공지능 효과의 예로 가장 적절한 것은?
a) 기계학습 모델이 자율적으로 학습할 수 있는 능력을 갖춘다.
b) 규칙 기반 전문가 시스템이 더 이상 인공지능으로 간주되지 않는다.
c) 인공지능이 사람과 동일한 수준의 의사결정을 할 수 있다.
d) 인공지능 시스템이 자율적으로 환경을 이해하고 조정한다.

2. 다음 중 약인공지능과 강인공지능의 차이점으로 가장 적절한 것은?
a) 약인공지능은 특정 작업에만 사용되며, 강인공지능은 일반적인 인지 능력을 갖춘다.
b) 강인공지능은 항상 사람보다 더 우수한 성능을 보인다.
c) 약인공지능은 자율적으로 데이터를 생성할 수 있다.
d) 강인공지능은 특정 문제를 해결하도록 설계된다.

3. 다음 중 인공지능 시스템과 전통적인 컴퓨터 시스템의 차이로 가장 적절한 것은?
a) 인공지능 시스템은 모든 명령어를 사람이 작성한다.
b) 전통적인 시스템은 데이터를 학습하여 예측을 수행한다.
c) 인공지능 시스템은 패턴을 학습하여 예측을 수행한다.
d) 전통적인 시스템은 모델을 자율적으로 훈련할 수 있다.

4. 다음 중 인공지능 기술로 사용되는 것이 아닌 것은?
a) 신경망 (Neural Networks)
b) 결정 트리 (Decision Tree)
c) 퍼지 논리 (Fuzzy Logic)
d) 직접 코딩 (Direct Coding)

5. 기계학습 모델 훈련에 GPU를 사용하는 주된 이유로 가장 적절한 것은?
a) GPU는 더 많은 코어로 병렬 처리가 가능하기 때문이다.
b) GPU는 모델 훈련에 높은 정밀도를 제공하기 때문이다.
c) GPU는 항상 CPU보다 저렴하기 때문이다.
d) GPU는 모든 인공지능 모델에만 사용할 수 있기 때문이다.

6. 다음 중 서비스형 인공지능(AIaaS)의 장점으로 가장 적절한 것은?
a) 데이터 준비와 모델 훈련을 클라우드에서 수행할 수 있다.
b) AIaaS는 반드시 GPU가 필요하다.
c) 모든 AI 기능을 사용자가 직접 개발해야 한다.
d) 시스템의 모든 예측이 정확할 필요가 없다.

7. 다음 중 사전 훈련 모델을 사용하는 주된 이유는 무엇인가요?
a) 모델 훈련 비용과 시간을 줄일 수 있다.
b) 사전 훈련 모델은 성능 향상이 불가능하다.
c) 모델의 정확도를 무조건 높일 수 있다.
d) 모든 모델이 사전 훈련된 형태로 제공된다.

8. 다음 중 전이 학습을 가장 잘 설명하는 것은?
a) 사전 훈련된 모델을 수정하여 새로운 문제에 적용하는 것
b) 처음부터 모델을 훈련하는 것
c) 데이터 라벨링을 통해 기계학습 모델을 튜닝하는 것
d) 비지도 학습으로 데이터를 분류하는 것

9. 다음 중 GDPR이 인공지능 시스템에 요구하는 주요 요건은 무엇인가요?
a) 시스템은 모든 예측에서 100% 정확해야 한다.
b) 개인정보는 사용 목적을 충족하는 정확도를 가져야 한다.
c) 시스템은 내부 알고리즘을 공개해야 한다.
d) 모든 데이터는 반드시 수작업으로 처리해야 한다.

10. 다음 중 사전 훈련 모델과 전이 학습의 리스크로 가장 적절한 것은?
a) 사전 훈련 모델의 정확도를 항상 보장할 수 있다.
b) 모델의 초기 훈련 데이터와 새로운 시스템의 데이터 간 차이로 성능 문제가 발생할 수 있다.
c) 전이 학습은 모든 경우에서 항상 유효하다.
d) 전이 학습된 모델은 기존 모델보다 설명 가능성이 높다.