MBC 장학퀴즈의 추억과 IBM 왓슨
필자가 중고등학교 다닐 때, 매주 주말 아침 MBC 에서 진행하는 ‘장학퀴즈’ 프로그램을 관심 있게 시청한 기억이 있다.
김정호 교수 |
1973년 2월 18일부터 방영된 고등학생 대상의 퀴즈 프로그램으로 TV프로그램 중 가장 긴 역사를 자랑하고 있다. 차인태 아나운서가 진행하고 주식회사 선경이 지원하는 프로그램이었다. 방송 오프닝 음악으로 트럼펫 연주 음악이 지금도 귀에 생생한데, 그 곡이 요제프 하이든의 ‘Trumpet Concerto in Eb Major’ 이다.
그 장학 퀴즈 쇼에서 다양한 질문에 빨리 버튼을 누르고 맞추면 점수가 올라간다. 지금도 조금 형태가 바꾸어 주말에 고등학교 대항 형태로 진행되고 있다. 그때 장원을 차지한 학생들에게 선경그룹에서 장학금을 지원하였으며 기장원에게는 4년간 대학 등록금, 월 장원에게는 입학금 혹은 1년 등록금을 약속하는 장학증서가 수여됐다.
그 때 장학퀴즈에 장원을 한 학생은 수재로 통했고, 그 학생을 배출한 학교도 영예를 같이 받았다. 그런데 지금 4차 산업혁명 인공지능 시대에 장학퀴즈 장원이 우수 학생의 증표가 되는가는 큰 의문이다.
1973년에 시작한 MBC 장학 퀴즈 프로그램의 TV 장면 사진. [출처=tistory] |
한편 MBC 장학퀴즈 프로그램이 시작하고 약 40여년이 지난 2011년 미국에서는 ‘IBM 왓슨’이라고 불리는 소프트웨어가 인간의 퀴즈쇼 ‘제퍼디(Jeopardy)’에서 인간과 경쟁하며 처음으로 참가하였다. 마침내 퀴즈 쇼가 인간만을 위한 프로그램이 아니라 컴퓨터도 참가하게 되었다. 어찌 보면 인공지능 시대의 서막 중에 하나의 사건이다.
왓슨(Watson)은 인간이 쓰는 자연어 형식으로 된 질문에 답할 수 있는 인공지능 컴퓨터였다. IBM 최초의 회장 토머스 J. 왓슨에서 이름을 땄으며, 데이비드 페루치가 주도한 IBM의 DeepQA 프로젝트를 통해서 개발되었다. 2011년 2월 14일부터 16일까지 세 개의 제퍼디 쇼에 참가하여 2명의 인간과 경쟁하였다. 제퍼디 쇼의 금액 기준 사상 최대 우승자 브레드 러터, 가장 긴 74번 연속 우승자이며 챔피언십 기록 보유자 켄 제닝스와 대결하였다. 첫 상금에서 켄 제닝스와 브레드 러터가 각각 30만 달러와 20만 달러를 받는 사이 왓슨은 100만 달러를 수상하였다. IBM은 왓슨의 승리 상금을 자선 단체에 기부했다.
이제 4차 산업혁명의 ‘인공지능’ 시대에 인간이, 또는 고등학생이 주어진 질문에 대해 빠르고 정확하게 답하는 능력은 더 이상 의미가 없다. 간단한 질문에 대해서는 구글이나 네이버 검색하면 아주 빠르고, 정확에게 알려준다. 암기를 통해서 많은 지식을 알고 있는 능력은 ‘대학입학 시험’과 ‘공무원 시험’ 이외에는 앞으로 쓸 일이 없다. 아쉽게 우리 교육은 1970년대 ‘장학 퀴즈’ 시대에 머물러 있고, IBM 왓슨은 ‘인공지능’ 시대를 준비하고 있었다.
2011년 미국 TV 방송 ‘제파디(Jeopardy)’에서 IBM 왓슨이 인간과 대결한 퀴즈 대회 사진. [출처=tistory] |
인공지능도 호기심이 있다
사실 질문에 답을 하는 능력보다 질문 자체를 만드는 능력이 더욱 깊이 있고 중요한 능력이다. 교육의 궁극적인 목적이 답을 내는 것 보다는 질문을 찾는 과정이 아닌가 한다. 그렇다면 언제 질문이 생길까? 질문이 생기려면 먼저 관찰을 거친 후 이에 따라 호기심이 생긴다. 다르게 이야기 하면 사건이나 물리적 현상에 관심이 가고, 관찰하고, 열정이 생기고, 깊이 빠져들면, 마침내 더 호기심이나 궁금증이 생긴다. 그래서 일단 호기심이 생기는 것이 첫 걸음이 아닌가 한다.
인공지능 학습 방법 중에 사람의 도움이 없이 스스로 시행착오를 거치면서 학습하는 방법을 강화 학습(Reinforcement Learning) 이라고 한다. 알파고가 바둑을 두면서 어떤 ‘수’를 두게 되면 상대방이 어떤 ‘수’로 대응하고 그 경우 승률이 어떻게 되는가 탐색할 때 쓰는 학습 알고리즘이다. 이러한 과정은 인간이 가르쳐 주지 않아도 학습하는 ‘비지도 학습’ 방법의 일종으로 분류할 수 있다.
강화학습에서 학습 방법은 기본적으로 시행착오를 거치면서 최적의 정책(Policy)를 찾아 간다. 다양한 시도를 거치면서 그 행동(Action) 결과를 점수(Value Function)화 한다. 높은 점수를 얻는 정책이 최적의 정책이 된다. 그래서 다양한 시도를 수없이 진행하다 보면 점수가 높은 정책을 찾게 된다. 바둑으로 보면 이기는 ‘수’를 찾게 된다. 이때 어떤 시행을 하면서 경험을 쌓는 것이 중요한데, 처음에는 임의의(Random number) 경우의 수를 하게 된다. 하지만 경험이 쌓이면서 승률이 높은 수를 시도하게 된다. 어찌하거나 시행착오를 거치면서 시도해 보는 행동(Action)은 ‘호기심’이 발동한다고 본다. 이러면 어떨까 저러면 어떨까 다양한 시도를 한다. 이 과정에서 인공지능도 ‘호기심”이 있다고 이야기 할 수 있다. 그 호기심의 결과는 최선의 보상(Reward)이 기다리고 있다.
호기심을 이용해 시행착오를 거치면서 학습하는 인공지능 강화 학습(Reinforcement Learning) 과정을 설명하는 강의 노트. [출처=KAIST] |
인공지능도 질문할 수 있다
인공지능 강화학습에서 호기심이 생긴다는 것은 확장해서 생각해 보면 ‘이렇게 시도하면 어떤 결과가 나올까?‘하고 질문하는 행동과 같다. 현재의 강화학습은 질문에 대한 최고의 승률이나 보상의 값을 통해서 최적의 결정을 추천한다. 하지만 조금 더 발전하면 단순한 점수가 값을 묻는 것이 아니라 아니라 ‘이렇게 선택하면 어떤 결과가 나오나?’ 와 같은 질문 자체를 만들 수도 있다. 그러면 강화 학습이 아니라 ‘질문 학습: Question Learning’ 이라는 완전히 진보한 인공지능 알고리즘이 나올 수 있다. 이직은 없지만 이런 인공지능이 나온다면 인간의 능력을 뛰어넘는 우수한 지능이라고 본다.
학교에서 강의를 할 때 최고의 강의는 학생들이 질문을 하도록 유도하는 수업이다. 수업에서 학생들이 질문을 많이 한다는 것은 강의도 재미있고, 학생들의 흥미도 끌고, 참여가 활발한 수업이라는 사실이다. 그런 질문이 많은 강의를 준비하려면 일방적인 강의보다 2-3 배는 많은 노력과 준비 시간이 필요하다. 마찬가지로 ‘답을 찾거나’ ‘호기심이 있는 인공지능’ 수준을 넘어서 인간에게 질문을 하는 인공지능의 개발에는 조금 더 시간이 걸릴 전망이다.
강의의 최고 수준인 질문이 활발한 강의 장면, [출처=123rf] |
joungho@kaist.ac.kr
[김정호 카이스트 전기 및 전자공학과 교수]