The Importance and Future Direction of Intelligent Information Technology in the Age of the Fourth Industrial Revolution
A technology chain through Internet of things, Bigdata and Artificial intelligence
제4차 산업혁명은 거부할 수 없는 변화의 흐름으로 우리 곁에 다가왔다. 제4차 산업혁명의 궁극적 실현을 가능하게 하는 핵심 기술인 지능정보기술(AI, ICBM)은 산업과 사회전반에 걸쳐 융합되고 있다. 오늘은 이 중 사물인터넷(IoT)과 빅데이터(BigData), 인공지능(AI)간의 상관관계에 대해서 논하고자 한다.
먼저, 사물인터넷은 Internet of Things(IoT)를 직역한 표현으로 모든 사물을 인터넷으로 연결하는 것을 의미한다. 좀 더 광의적으로는 사물간의 센싱(Sensing), 네트워킹(Networking), 정보처리(Information Processing)등을 인간의 개입 없이 상호 협력하여 지능적인 서비스를 제공해 주는 연결망이다. 이전 호에서도 설명한 바 있는 지능정보사회의 실현을 위한 토대가 되는 기술영역이며, 사물인터넷이라는 표현에 이르기까지 유비쿼터스 센서 네트워크(Ubiquitous Sensor Netwokr, USN)(1)로 통칭된 바 있다.
사물인터넷은 소형 칩(Chip)에 각종 정보를 저장하고 무선으로 데이터를 송신하는 장치인 RFID(Radio Frequency Identification) 태그를 활용하는 형태에서부터 기계와 기계간의 통신인 M2M(Machine to Machine)에 이르기까지 다양한 변화를 거쳐 왔다. 오늘날에는 만물인터넷(Internet of Everything, IoE), 만물지능, 사물지능 등의 형태로까지 발전하는 변환점에 있다. 이것은 사물간의 연결 뿐 아니라, 사람과 데이터 및 프로세스에 이르는 세상 모든 것이 지능을 가지고 연결되어 새로운 가치와 비즈니스를 창출한다는 의미이다.
사물인터넷의 궁극적인 목적은 앞서 기술한 바와 같이 우리 주변의 모든 사물이 연결을 통해서 정보를 공유하고, 그 사물이 보다 지능적으로 동작할 수 있도록 하는 것이다. 이것은 자동화를 통해 인간의 개입을 최소화하고, 사물간의 정보교류 및 가공을 통해 인간에게 더 좋은 서비스를 제공하는 것을 의미한다.
사물인터넷을 구현하기 위해서는 크게 세 가지의 기반 기술이 필요하다. 첫째는 센싱 기술이다. 센서(Sensor)에는 온·습도, 조도, 열감지, 가스·연기감지, 풍량·풍향감지, 움직임감지, 초음파, 레이더, 위치(GPS), 영상(카메라) 등 그 종류가 매우 다양하며, 주변 환경으로부터 얻을 수 있는 다양한 물리적인 정보를 탐지한다. 현재 상용화 된 센서들 중에는 단순한 물리적 정보의 감지뿐만 아니라 수집한 정보에 대한 처리능력을 내장한 제품들도 있으며, 점차 스마트 센서로 진화해 나가고 있다. 스마트 센서들은 수집한 정보들 중 특정 정보를 추출하는 기능을 가지며, 기존의 개별 센서에 비해 보다 고차원적인 정보를 이용한 지능적 서비스를 가능하게 해준다.
두 번째는 유·무선 통신 및 네트워크 인프라 기술이다. 사물인터넷을 지원하기 위한 통신 기술로는 Wi-Fi, Zigbee, Bluetooth를 비롯하여 저전력 장거리 통신(LPWA : Low Power Wide-Area)인 SigFox, LoRa WAN 등이 있다. 이동통신표준화기구인 3GPP에서도 사물인터넷 전용통신 규격인 LTE-M(LTE-MTC)에 대한 표준화를 점점 발전시켜 나가는 중이다. 이 부분에 대한 내용은 다음 호에 보다 상세하게 다룰 예정이다.
세 번째는 서비스 인터페이스 기술이다. 서비스 인터페이스는 수집한 정보(데이터)(2)에 대한 저장과 추출, 가공, 처리, 상황인식과 판단, 보안과 인증, 미들웨어, 웹서비스, 소셜네트워크 등 서비스를 제공하기 위한 방법과 수단 전반을 의미한다.
사물인터넷 환경에서 많은 사물과 기기들이 네트워크를 통해 연결된다고 해서 그것만으로 비즈니스 가치가 만들어 지는 것은 아니다. 사물들로부터 얻은 데이터들을 분석하고, 분석한 정보를 통해 사용자에게 효과적으로 전달 할 수 있어야 한다. 이 과정에서 빅데이터 분석과 인공지능이 요소기술로써 필요하다.
빅데이터는 기존의 데이터 분석역량을 넘어서는 분량의 방대한 데이터를 의미한다. 오늘날에는 디지털 기기와 센서 등의 보급화를 통해 산업분야 뿐만 아니라 실생활에서도 규모를 가늠하기 힘들 정도로 많은 데이터가 생성되고 있다. 이렇게 생성된 데이터는 그 종류와 속성이 매우 다양하고, 지속 또는 비지속적으로 빠르게 생성되어 방대한 양을 갖는다. 이러한 특징은 통칭 3V(Volume: 데이터의 양, Variety: 다양성, Velocity: 생성속도)라고도 하며, 최근에는 가치(Value), 진실성(Veracity)을 포함하는 개념인 5V로 확장되었다.
빅데이터의 궁극적인 목적은 생성된 방대한 양의 데이터를 필요한 목적에 맞게 가공하고 분석하여 새로운 결론을 얻고, 이를 통한 최적의 답안을 제시하는 것에 있다. 이는 결국 빅데이터에서 얻을 수 있는 기존의 패턴 분석으로 향후에 일어날 현상이나 상태를 예측하고 대응하는 것을 의미한다. 얼마 전 취임한 미 대통령 트럼프의 당선에 대한 인공지능의 예측이나, 구글의 알파고 또한 이러한 빅데이터의 분석에 기인한 것이다.
사물인터넷 환경은 필연적으로 빅데이터를 생성한다. 인간이 주변사물을 오감(시각, 청각, 후각, 미각, 촉각)을 통해서 인지하듯 사물인터넷의 수많은 센서네트워크는 인간의 오감처럼 수많은 데이터를 수집한다. 사물인터넷 환경의 데이터‘들’은 빠르고 지속적으로 생성되며, 수집한 데이터는 방대한 양의 비정형 데이터들이다. 이 데이터들은 역시 빅데이터의 특성(3V 또는 5V)을 갖는다.
사물인터넷이 적용되어 발생하는 빅데이터에 대한 간단한 예를 들어보자면, 보잉사의 787 여객기는 매 비행 시 마다 가속도계를 통해 500기가바이트(GB)의 난기류 대응을 위한 정보를 수집한다. 최근 SW기업으로의 전환을 선언한 GE는 비행기 엔진 제조로도 유명한데, 자사에서 제작한 제트엔진에 센서를 부착하여 전 세계에 비행기로 부터 1500테라바이트의 데이터를 수집하고 분석한다. 이 밖에도 해저 유전을 탐사하기 위한 시추선은 매주 약 75테라바이트 이상의 데이터를 수집하고, 기상관측을 위한 전 세계의 인공위성 및 관측소의 각종 센서들은 시간당 22억 5천만개 이상의 데이터를 생성한다. 이처럼 사물인터넷은 방대한 양의 빅데이터를 생성한다.
2015년 기준으로 약 1%수준의 사물만이 전 세계적으로 연결되어 있었고, 현재 점점 그 연결되는 사물의 숫자가 가파르게 증가하며 2020년에는 500억대 이상의 장치가 인터넷을 비롯한 통신망으로 연결될 것으로 추정하고 있다. 사물인터넷 환경에서는 이처럼 엄청난 양의 데이터를 빠르게 분석하고 가공 및 추출하여 최적화된 결론을 얻기 위한 기술이 반드시 필요하다.
반대로, 빅데이터의 분석을 위해서는 대량의 데이터가 공급되어지는 구조가 필요하다. 사물인터넷 환경은 바로 이러한 데이터 분석을 위한 풍부한 양의 ‘재료’를 제공한다. 물론 빅데이터는 사물인터넷뿐만아니라 인터넷상에서 사용자가 직접 제작하는 컨텐츠들과 이들이 SNS등을 통해 재생산·가공·전파됨으로도 생성되지만, 사물인터넷이 생성하는 데이터의 양은 이보다 훨씬 더 많으며, 점차 그 정도는 센서가 늘어나고 사물들이 연결됨에 따라 가속화 된다. 이처럼 분석할 데이터들은 점점 늘어날 것이고 효율적으로 분석할 수 있는 알고리즘 또한 필요하게 된다.
앞서 언급하였지만 사물인터넷 환경의 센서들로부터 수집된 데이터들은 주로 비정형 데이터이고, 사물인터넷 환경이 목적에 맞게 제대로 동작하기 위해서는 빅데이터에 대한 분석과 가공이 필요하다. 빅데이터 처리 기술이 지향하는 모델은 인공지능 딥러닝(Deep Learning)이다. 딥러닝은 수많은 데이터를 학습하고 해당 데이터가 의미하는 바를 스스로 해독하여 목적에 맞는 최적의 답안을 찾는 것이다.
특히 빅데이터에서 정형화된 데이터 보다 영상이나 소리 같은 비정형화된 데이터의 경우에는 특이점을 추출해내고 분석하는 것이 어려워지는데, 이때 딥러닝은 해결책을 제시하기에 특화되어 있다. 딥러닝에서는 정밀한 데이터 인식을 위하여 복잡한 수십에서 수백 개 이상의 학습 신경망 계층을 이용하기도 하는데, 이는 상당한 계산량을 요구한다. 최근에는 하드웨어의 성능이 올라가고 상대적으로 가격이 저렴해지면서 결과적으로 계산환경이 향상되어, 많은 계산량을 필요로 하는 딥러닝 알고리즘이 그 성능을 입증하며 부각되고 있다.
우리는 딥러닝을 통해서 방대한 양의 데이터로부터 목적에 맞는 최적의 답안을 찾을 수 있다. 예를 들면, 의료분야의 경우 수많은 임상실험 빅데이터와 환자 치료 빅데이터를 기반으로 학습하여 사람보다 정확한 진단과 치료방 안을 제시하는데, IBM 왓슨이 대표적인 예이다. 자동차분야의 경우 차량 비전시스템으로부터 수집된 영상 빅데이터와 위치, 거리 등을 탐지하는 GPS 및 레이더 센서로부터 습득한 빅데이터를 학습하여 차량 주변을 판독하고 안전하고 정확하게 차량 움직임을 제어하는 스마트 카(자율주행차량)가 있다. 이 밖에도, 천체 시뮬레이션, 기상예 측, 유전체 돌연변이 연구 등 빅데이터를 갖는 모든 분야에 인공지능 딥러닝이 활용된다.
정리하면, 완벽한 사물인터넷을 구현하기 위해서는 센서네트워크, 빅데이터, 인공지능이 모두 필요하고, 반대로 빅데이터 분석을 위해서는 데이터가 필요한데, 이는 사물인터넷에서 필요한 센서네트워크들로부터 수집하는 데이터들도 해당된다. 인공지능 또한 보다 정확하고 최적화된 판단을 위해 지도학습과 강화학습을 거치는 과정에서 빅데이터가 필요하다. 즉, 사물인터넷과 빅데이터 그리고 인공지능은 상호 보완적인 관계이면서 서로의 요소기술로써 기술체인을 형성하고 있다. 이 세 가지의 상호관계와 범위는 [그림 1]과 같이 나타낼 수 있다.
[그림 1] 사물인터넷, 빅데이터, 인공지능의 상관관계
구글의 알파고를 비롯하여 자율주행차, 스마트 가전 등 인공지능의 적용 범위와 발전은 이제 우리 실생활에서 나타나기 시작했다. 인공지능이 보다 정확하고 올바른 상황 인지 및 판단을 통해 서비스를 제공하기 위해서는 빅데이터를 통해 얼마나 많이 학습했는가가 중요하다. 인공지능은 이제 우리 주변의 모든 사물들에도 점점 탑재되면서, 결국에는 만물인터넷을 넘어 사물지능의 형태로 진화할 것이다. 미래사회에는 거의 모든 사물에 센서가 부착되며, 여기서 생성되는 데이터를 어떻게 처리하느냐에 따라 해당 정보를 처리하는 기관 및 단체의 가치가 달라질 것이다.
