728x90

처음으로 가졌던 개인용 컴퓨터는 애플2, 정확히 이야기하면 애플2를 그대로 모방한 조립용 PC였다. 아직 개인용 컴퓨터라는 개념이 흔하지 않았던 80년대 중후반이었던지라 컴퓨터 자체도 주변에 많지 않았지만, 컴퓨터에서 돌아갈만한 게임이나 프로그램도 그다지 없었다. 그나마 컴퓨터 잡지를 구입하면 간단한 게임을 돌릴수 있는 프로그램 소스코드가 부록으로 제공되었고, 프로그래밍 언어도 모르면서 한자 한자 따라 입력해서 프로그램을 돌렸던 시절이 기억난다. 그 과정은 매우 느리고, 비효율적이고 고생스로운 과정이었다. 만일 이 당시 컴퓨터에게 바둑이나 체스 같은 게임을 가르치고 싶다면, 컴퓨터가 응대할 수 있는 한 수, 한 수를 모두 수고롭게 가르치고 입력해야만 하던 시절이었던 것이다. 프로그래머가 프로그램 뿐만 아니라 바둑이나 체스에도 달인이지 않고서는 혼자서 해낼 수 없는 일이었다.

그러나 머신러닝이 가져온 인공지능의 시대에는 더 이상 이런 수고로움이 필요하지 않다. 바둑이나 체스에 대한 아무런 배경지식이나 경험이 없더라도 머지않아 당신의 컴퓨터는 스스로 최고의 선수가 될 수 있기 때문이다. 2017년 구글의 인공지능을 개발하는 '딥 마인드(Deep Mind)팀은 스스로 학습이 가능한 체스 프로그램인 AlphaZero를 만들었고, 바둑 프로그램인 AiphaGo도 연이어 개발하였다. 이들 프로그램은 아무런 사전 지식없이도 시행착오를 통해서 처음부터 스스로를 훈련시킬 수 있게 디자인되었다. 알파제로는 체스의 게임법칙을 아무도 가르쳐주지 않는 조건 하에서 스스로 깨우쳤으며, 2016년도 전세계 컴퓨터 체스 프로그램 우승자인 'Stockfish 8'을 격파하기 까지 불과 4시간 밖에 필요하지 않았다. 마케팅 전도사인 말콤 글래드웰은 그의 저서 '아웃라이너(outliner)'에서 1만시간의 법칙을 주장하였다. 어떤 주제나 어떤 임무에서 최고의 전문가로 대성하기까지는 1만시간이 필요하다고 주장하였지만, 이는 오직 인간에 국한된 이야기일 뿐임을 증명하였다. 이제는 머신러닝이 가져온 완전한 자동화의 시대에 돌입하였다. 컴퓨터들은 데이터만 주어진다면 과거를 지배하던 경험이나 지식에 의존하지 않고, 스스로의 시행착오를 통하여 최적의 솔루션을 만들어낼 수 있는 단계까지 진화한 것이다.

인간이 다시 정상에 설 기회가 있을까?

인공지능의 전문가들은 인공지능에 대한 미래나 상상은 지나치게 과장되었다고 주장한다. 이들은 전반적인 수준에서 인간을 뛰어넘는 수준의 인공지능은 현재의 머신러닝으로 당분간 현실화되기 어려우며, 영화 터미네이터를 통하여 인류가 체득한 뿌리깊은 공포는 공상과학에 불과하다고 비판한다. 즉, 아직 인간을 완전히 대체할수 있는 기술이라는 것은 생각보다 먼 미래의 이야기일 수 있다. 동의한다. 그러나, 특정한 영역의 대체, 예를 들어 체스만 잘두는 인공지능이라든지, 사진 판독만 잘하는 인공지능이라든디 특정 영역으로 제한하면 이야기는 달라진다. 머신 러닝이 창출하는 인공지능은 적어도 과업과 관련된 문제해결이라는 국한된 영역에 있어서는 전인적인 성과를 보장한다. 인간은 개미와 마찬가지로 사회적인 동물이다. 혼자서 할 수 있는 일보다는 같이 그룹으로 뭉쳤을 때 보통 더 좋은 성과를 낸다. 게임을 하더라도 탱커, 힐러, 마법사 등 포지션별로 역할이 주어지고 각자 맡은바 역할을 통해서 게임을 클리어한다. 기업이나 군대 역시 각자 독립적 역할을 가진 다수가 모여 하나의 목표 해결을 추구한다. 혼자서 다 잘 해내기는 어렵고 비효율적인 것이 인간 사회이다. 그러나 머신러닝 기반이 되는 인공지능은 이런 제약으로부터도 자유롭다. 머신 러닝은 단 하나의 솔루션을 제공한다. 만일 게임에서 승리하는 것이 목적인 머신 러닝이라면, 혼자서 게임의 모든 포지션과 직업을 모두 소화하면서 자동으로 캐릭터를 육성해나갈 것이다. 머신러닝으로 게임 캐릭터를 육성한 인간 유저는 의자 뒷편에 커파 한잔을 들고 느긋하게 앉아 자신의 게임 캐릭터가 다른 인간 게임 유저를 무참하게 농락하는 것을 그저 지켜보기만 하면 된다.

- 전인적 인간을 능가하는 인공지능은 확정되지 않은 미래다 -

광고인의 일 이라는 것도 유사하게 변화하고 있다. 머신러닝이 적용된 광고는 정확한 시점에 적절한 고객에게 최저의 비용으로 광고 메시지를 전달하기 위하여 쉴 틈없이 일을 하고 있다. 고객에 대한 분석을 통하여 고객 페르소나를 구축하고 광고에 대한 새로운 통찰로 판단을 하며, 결과에 대한 분석과 피드백은 새로운 데이터로 머신 러닝에 다시 투입된다. 맥킨지 글로벌 연구소(McKinsey Global Institude)분석의 시대(The age of Analytics)’라는 보고서를 통하여 인공지능의 도입으로 인간의 개입이 사라질 수 있는 주요 산업들을 설명하였는데(The age of analytics: Competing in a data-driven world (mckinsey.com)), 주로 영향을 받는 부분들이 맞춤형 광고, 소비자 직관 발견, 미디어 관리 등 광고의 주요 영역들이 이에 포함된다.

하지만 여전히 많은 광고인들은 머신러닝을 그다지 미더워하지 못하는 것도 사실이다. 자동화된 셋팅이나 광고 시스템이 추천한 방식으로 광고 캠페인을 자동화하였더니 초반 성과가 기대보다 신통치 못하였다는 경험들이 있기 때문이다. 이는 초반에 일정한 학습량이 필요한 머신 러닝의 특성 상, 대부분 광고 자동화의 도입 초기에 겪기 쉬운 현상이다. 머신 러닝의 학습과정은 최초의 데이터 셋트를 통하여 머신 러닝 알고리듬을 훈련시키고 개선해나가는 과정을 의미한다. 초기 이후에도 광고 셋팅에 변화 요인이 있을 때에는 머신러닝은 새로운 변수나 조건들이 결과에 미치는 영향을 말 그대로 테스트하게 된다. 이 테스트 과정을 통하여 특정 변수나 조건들이 결과 값에 미치는 긍정적 혹은 부정적 영향의 정도와 크기를 계산하고, 이를 반영하여 미래 결과를 예측하게 되는 것이다.

머신 러닝의 기본 원리에 대해서 광고 전문가들도 이제는 크게 낯설지는 않다. 하지만, 그들이 배정한 소중한 광고 예산의 상당 부분이 단지 연습을 위해서 쓰여질 수 있다는 사실을 인지하거나 받아들이는 경우는 많지 않다. 머신러닝이 학습에 사용되는 광고 예산에 대하여 부정적인 인식을 가지고 있으며, 예산의 낭비 요인이라고 치부한다. 그러니 머신러닝에 의한 광고 자동화가 쉽사리 용납될 리가 없다. 그러나 학습 과정 없이 제 몫을 해낼 수 있는 방법은 없다. 사람이나 기계나.. 우리 모두 우리가 학창시절 벌였던, 혹은 성인이 된 후 지금도 벌이고 있을지 모르는 어처구니 없는 일들을 기억해야 한다. 실수를 통하여 배우며, 이는 더 나은 미래를 위한 투자 비용으로 인식하여야만 앞으로 나갈수 있다. 더 나은 광고 성과를 기대하는 광고인들은 이제 광고 자동화를 위한 '교육비'항목을 따로 만들고, 인내심을 가지고 기다리고 지켜봐줄 수 있어야 한다. 그러면 머신러닝에 기반한 광고 자동화는 절대 실망시키는 법 없이 더 나은 성과를 창출하게 될 것이다.  우리는 이미 알파고와 이세돌의 대결에서 정해진 결말을 확인하였다.

 

728x90

+ Recent posts