Jan 11, 2023

Web Pages

etriware, etri, etrij, library, pn, pms, dooray, aiopen, nanum, iic, mroom, atc, opal

iitp, keit, kiat, kaia, koti, ezbaro, ezone, kezbaro, iris anaconda, ncia, kea, ntis, ntb, kotef, istk, ernd, startup, analytic, bigdata, alio, jwa, hanog, gdocs, kblog, wt, gblog, ghd, ddtm, imap, kippco, igoogle

k-hub, redmine_t, cloudsc, etnews, dt, eet, wiki, mbap, linux, w3, wlang, ndsl, kosen, xplore, etlib, dict, idc, inyx, apps, lgu+, mobiz, scratch, slideshare, digikey

google, daum, nate, naver, col, freechal, korea, atfile, auction, dizzo, coupang, timon, groupon, cjmall, gsshop, hdshop, danawa, yavis, bugs, soribada, mnet, congnamul, neophoto, kair, asiana, skt, ktf, hangame, ohmy, hide, krail, law, gdata, slife, stimes, fedu, sedu, rise, inaturalist, sowo, ecoi, yangpa, scenary, dcsoop

kbs, mbc, sbs, chosun, joins, donga, khan, kukmin, hankook, hani, dj, daejon, cctoday, dtnews/ Schosun, Sseoul, Stoday, dailyS, hot, icorss, govnews

finance, sema, nps, 8p, onbid, kseed, korbit, bokji, maeil, hanky, dart, woori, nh, kw, kb, citi, hana, kb, mirae, epost, cu, ssfn, slife, hantoo, hcard, moneta, pax, morstar

interpark, onoffmix, arsnova

icon, embed, youtube

IV. 인공지능 요소 기술

1. 알고리즘 (Algorithm)

머신러닝 알고리즘 마인드맵 (출처:https://www.kaggle.com/getting-started/153090)

  • Bayesian 
  • Decision Tree
  • Dimensionality Reduction
  • Instance Based
  • Clustering
  • Deep Learning
  • EnSemble
  • Neural Networks
  • Regularization
  • Rule System
  • Regression

2. 자연어 처리 (NLP, Natural Language Processing)

  • 머신러닝을 사용하여 언어 데이터를 처리하여 텍스트의 구조와 의미를 파악. 자연어 인식 및 자연어 생성이 NLP의 유형입니다.
  • NLU(Natural Language Understanding)는 텍스트 본문의 실제 의미를 이해하기 위해 사용됩니다. NLU는 텍스트를 분류, 아카이브, 분석할 수 있습니다. NLP는 한 단계 더 나아가 그러한 의미에 기반한 의사결정을 도와줍니다.
출처: https://www.researchgate.net/figure/Terminology-of-NLU-versus-NLP-41_fig1_332654801

3. 인공지능망 (Neural Networks)


4. 탐색(search)

  • 문제의 답이 될 수 있는 것들의 집합을 공간(space)으로 간주하고 문제에 대한 최적의 해를 찾기 위해 공간을 체계적으로 찾아 보는 것

  • 무정보 탐색
    • 너비우선 탐색(breadth-first search), 깊이우선 탐색(depth-first search)

  • 휴리스틱 탐색
    • 언덕오르기 탐색, 최전 우선탐색, 빔탐색, A* 알고리즘

  • 게임 트리 탐색
    • mini-max 알고리즘, a-B 가지치기(pruning), 몬테카를로 트리 탐색

 5. 지식표현

  • 문제해결에 이용하거나 심층적 추론을 할 수 있도록 지식을 효과적으로 표현
    • IF-THEN 규칙
    • 프레임
    • 의미망
    • 지식 그래프
    • 논리 : 명제논리, 술어논리
    • 스크립트
    • 온톨로지 기술언어
    • 불확실한 지식 표현
    • 확률 그래프 모델
    • 함수 기반 지식 표현

6. 추론

  • 가정이나 전제로 부터 결론을 이끌어 내는 것
    • 규칙기반 시스템의 추론
      • 전향추론
      • 후향추론
    • 확률 모델의 추론
      • 관심 대상의 확률 또는 확률분포를 결정하는 것
      • 베이스 정리, 주변화 이용 

  • 음성인식 - 자동 음성 인식(ASR), 컴퓨터 음성 인식 또는 음성-텍스트 변환(Speech-to-text)이라고도 부르는 음성 인식은 프로그램이 사람의 음성을 텍스트 형식으로 처리할 수 있도록 해주는 기능

8. 기계학습 (Machine Learning)

  • 컴퓨터가 지식을 갖게 만드는 일
  • 경험을 통해 나중헤 유사하거나 같은 일을 더 효율적으로 처리할 수 있도록 시스템의 구조나 파라미터를 바꾸는 것 
  • 머신러닝 마인드맵


9. 심층강화학습 (DRL, Deep Reinforcement Learning)

  • 심층강화학습 


    
   

II. 인공지능 역사

1. 세 차례의 봄 


2. 1960년대 이전 

  • 기원전 3세기 중국 춘추전국시대
    • 얀스 : 인간 모습의 거대 인형
  • 기원전 2~3 세기  : 이집트 
  • 1세기 중반 : 이집트 
    • 헤론의 공 : 헤론(Heron, AD 10~70) 
  • 8세기 중반 : 이슬람
    • 바그다드 풍력 동상 
  • 9세기 : 이슬람 
    • 바누무사 형제 : 음악 시퀀스, Automata
  • 12세기 : 이슬람 
    • 알 자자리(1136~1206) : 코끼리 시계, 자동 여닫이 문, 연주하는 악단 
  • 18세기 후반
  • 19세기 
    • 찰스 배비지 : 미분 엔진 
    • 에이다 러비레이스 : 배비지 엔진 기반 최초의 프로그램 
  • 20세기 초반
    • 니콜라 테슬라 : 원격 조정 보트
    • 니시무라 마코토 : 카쿠텐소쿠(1928, 원시적 휴머노이드 로봇)
    • 앨런 튜링 : 애니그마, 튜링 테스트  
    • 버트런드 러셀(Bertrand Russell)
      • 인간처럼 생각하고 추론할 수 있는 기계를 만들기 위해 형식 논리를 사용한다는 아이디어를 제안
  • 1946년 펜실베니아 대학, ENIAC 개발 
    • 큰 기대와 여러 가지 시도, 매우 제한된 성공 
  • 1955년 
    • 딘 에드몬드 : 기초적인 신경망 기계 SNARC 제작 
    • 허버드 사이먼, 앨런 뉴얼 : 논리 이론가(Logic Theorist) 
  • 1956년 : Dartmouth Conference (Dartmouth University, USA)  
    • John McCarthy가 AI 용어 제안
  • LISP 언어 개발 (McCarthy, 1958) 
  • Advice Taker – 공리(axiom) 기반 지식표현 및 추론 (McCarthy) 
  • Perceptron – 신경망 모델 (Rosenblatt, 1958) 
  • 수단-목표 분석(means-ends analysis) 기법 (Newell & Simon, 1958) 
    • 범용 문제해결을 목표로 한 GPS(General Problem Solver) 개발
  • 수단-목표 분석
    • 해결해야 하는 문제를 상태(state)로 정의
    • 현재 상태와 목적 상태(goal state) 간의 차이 계산
    • 목적 상태로 도달하기 위한 조작자(operator, 연산자) 선택 적용하는 과정 반복



    3. 1970년대 - 80년대 초반

    • 특정 문제 영역에 효과적인 방법을 찾는 연구 
    • 전문가 시스템
      • MYCIN
        • 전염성 혈액 질환 진단
      • PROSPECTOR
        • 광물탐사 데이터 분석
      • DENDRAL
        • 화학식과 질량 스펙트럼 데이터로 부터 유기화합물 분자구조 결정 

    4. 1980년대 - 90년대

    • 신경망 모델 발전
    • 다층 퍼셉트론(MLP)
      • 오차 역전파 알고리즘
      • 신경망의 르네상스
      • XOR 문제와 같은 비선형 분할 문제 해결 가능
    • 퍼지이론
      • 언어적인 애매한 정보를 정량화
    • 진화연산
      • 유전자 알고리즘
    • 확률적 그래프 모델
      • 그래프 이론과 확률 이론 결합
    • 서포트 벡터 머신
    • 수치계산 위주의 비기호적 인공지능 발전(기호적 인공지능 보다)

    5. 2000년대 이후

    • 최근 AI 인공지능의 역사적 10대 사건
    • 공유 문화
      • 논문 사이트 공유
        • arXiv(아카이브)
      • 강의 사이트 공유
        • 무크(MOOC) : 코세라(Coursera), 에덱스(edX), 유다시티(Udacity) 
      • 코드 공유
        • GitHub
        • Kaggle 
      • 질의 / 문답
        • 스택오버플로우(Stackoverflow), 쿼라(Quora) 
      • 최신기술트랜드
        • 레딧(Reddit), 트위터(Twitter)_
    • 에이전트 
      • 위임받은 일을 자율적으로 처리
    • 시맨틱 웹
      • 컴퓨터가 웹 상의 자원을 이해하여 처리
    • 기계학습
    • 데이터 마이닝
    • 딥러닝


    I. 인공지능?


    0. 들어가며...

    • AI는 완성된 기술이 아님
    • 토머스 쿤 Tomas Kuhn, 1922-96, 과학혁명의 구조
      • "과학적 발견이란 결코 완결되지 않는다"
      • "여러단계의 진화 과정을 거쳐 가는 것"
    • 아이작 뉴턴 Issac Newton, 1642-1727
      • "내가 멀리 볼 수 있었던 것은 고인의 어깨 위에 있었기 때문"
    • 얀 르쿤
      • "현상만을 읽을 줄 아는 것은 위험하다. 거대한 역사적 흐름을 느낄 줄 알아야 한다"
    • 모라벡의 역설 (Moravec's Paradox)
      • "어려운 것은 쉽고, 쉬운 것은 어렵다", Hans Moravec(1948~)
      • 인간에게 쉬운 것은 컴퓨터에게 어렵고 반대로 인간에게 어려운 것은 컴퓨터에게 쉽다는 역설 

    1. 지능(知能, intelligence) 

    • 본능적이나 자동적으로 행동하는 대신에, 생각하고 이해하여 행동하는 능력 
      • 지능은 다양한 방식으로 정의되고 연구된 복잡하고 다면적인 개념입니다. 일반적으로 지능이란 새로운 상황에 대해 배우고, 이해하고, 추론하고, 적응하는 능력을 의미합니다.
      • 심리학자들은 종종 지능을 문제를 해결하고 추상적으로 생각하며 경험을 통해 배우는 능력으로 정의합니다. 그들은 또한 지능이 단일 특성이 아니라 언어 이해, 공간 추론 및 지각 속도와 같은 다양한 능력의 조합임을 인식합니다.
      • 지능은 기억력, 추론 및 처리 속도와 같은 인지 능력을 평가하도록 설계된 IQ 테스트와 같은 다양한 표준화된 테스트를 사용하여 측정할 수 있습니다.
      • 지능의 본질과 측정 방법에 대한 논쟁이 계속되고 있지만, 대부분의 전문가들은 지능이 학업 성취, 경력 성공 및 전반적인 웰빙을 포함하여 인간 삶의 여러 측면에서 중요한 요소라는 데 동의합니다.

    2. 인공지능(人工知能, Artificial Intelligence) 

    • 인공 지능(AI)은 자연 언어 이해, 이미지 및 음성 인식, 의사 결정 및 학습과 같이 일반적으로 인간 지능이 필요한 작업을 수행할 수 있는 지능형 기계를 만드는 것을 다루는 컴퓨터 과학의 한 분야입니다. 
      • 간단히 말해서 AI는 얼굴 인식, 구어 이해 또는 자동차 운전과 같이 일반적으로 인간 지능이 필요한 작업을 수행할 수 있는 컴퓨터 시스템을 말합니다. AI 알고리즘은 대량의 데이터를 분석하고 인간이 놓칠 수 있는 패턴을 식별하여 해당 데이터를 기반으로 예측이나 결정을 내릴 수 있도록 설계되었습니다.
      • AI는 자율주행차와 스마트 홈 기기에서 의료 및 금융에 이르기까지 다양한 애플리케이션에서 사용되고 있습니다. AI 기술이 지속적으로 개선됨에 따라 미래에 우리가 살고 일하는 방식을 형성하면서 사회에 점점 더 큰 영향을 미칠 것으로 예상됩니다.
    • 인공적으로 만든 지능
      • 기계가 경험을 통해 학습하고 새로운 입력 내용에 따라 기존 지식을 조정하며 사람과 같으 방식으로 과제를 수행할 수 있도록 지원하는 기술
      • 오늘날 대부분의 인공지능 사례는 딥러닝과 자연어 처리에 크게 의존하며, 대량의 데이터를 처리하고 데이터에서 패턴을 인식함으로써 특정한 과제(알파고, 자율주행차량 등)을 수행하도록 컴퓨터를 훈련시킴 

    •  튜링 테스트(Turing test)  (1950년, Alan Mathison Turing)
      • 기계는 생각할 수 있는가? Can Machines Think?
      • 기계가 인간의 생각을 모방하는 것이 가능한가?
        • 인간이 기계와 대화하고 있다는 사실을 깨닫지 못한 채로 5분간 대화를 할 수 있다면, 그 컴퓨터는 테스트를 통과한다는 것 
      • 지능의 조작적 정의 (operational definition) 
        • 조작적 정의: 측정할 수 있는 조건으로 어떤 속성을 기술
      • 튜링상
        • ATM에서 컴퓨터과학 분야에 업적을 남긴 사람들에게 매년 시상하는 상. 컴퓨터과학의 노벨상"이라고도 불림. 
    • 규칙기반 인공지능 모델
      • 에이다 러브레이스 (Ada Lovelace, 1815-52) : 세계 최초의 프로그래머 
        • "기계는 인간이 시키는 일만 한다. 어떤 해석 관계나 진실을 예측할 능력은 없다"
      • 전통적인 방식의 컴퓨터 프로그래밍 개념 
        • if-then 규칙 
    • 기계학습 인공지능 모델
      • 규칙 입력없이 기계가 스스로 학습하는 방식 
      • 사람이 찾아내지 못하는 규칙도 컴퓨터가 학습을 거쳐 찾아 낼 수 있음

    3. 인공지능(人工知能, Artificial Intelligence) 정의 

    • 인공지능 용어 시작 
      • 1956년 '다트머스 회의(Dartmouth)' - 인공지능(AI, Artificial Intelligence)
      • 고도의 지능을 가진 컴퓨터 디바이스를 만들기 위한 과학과 공학 
      • 퍼셉트론(Perceptron, 1958) : Frank Rosenblatt
        • 인공 신경망 (Artificial Neural Network) 초기 모델 
        • 인간의 두뇌가 뉴런이 서로 연결된 상태에서 전기신호를 보내어 정보를 전달하는 모델을 차용해 인공 뉴런이 연결된 인공 신경망 구현 
    • 다양한 정의
      • 사람의 생각과 관련된 활동, 예를 들면 의사 결정, 문제 해결, 학습 등의 활동을 자동화하는 것 (Bellman, 1978)
      • 사람이 하면 더 잘 할 수 있는 일을 컴퓨터가 하도록 하는 방법을 찾는 학문 (Rich & Knight, 1991)
      • 지능이 요구되는 일을 할 수 있는 기계를 만드는 예술 (Kurzweil, 1990)
      • 지능적인 에이전트를 설계하는 학문 (Poole et al. 1998)
      • 인지하고, 추론하고, 행동할 수 있도록 하는 컴퓨팅에 관련된 학문(Wilson, 1992)
      • 인공물이 지능적인 행위를 하도록 하는 것 (Nisson, 1990)
    • 목표에 따른 정의 (Thinking vs Act / Human vs Rationality)
      • 인간처럼 생각하는 (Thinking Humanly)
      • 인간처럼 행동하는 (Acting Humanly)
      • 이성적으로 생각하는 (Thinking Rationally)
      • 이성적으로 행동하는 (Acting Rationally)

    4. 인공지능 종류 

    • 강한 인공지능 (strong AI) 
           -  바둑, 번역 등 특수 분야뿐 아니라 모든 분야에서 사람과 같거나 우월한 인공지능
           -  범용인공 지능, SF나 영화 속에 자주 등장하는 인공지능 로본 등
           - 마음을 가지고 사람처럼 느끼면서 지능적으로 행동하는 기계
           -  추론, 문제해결, 판단, 계획, 의사소통, 자아 의식(self-awareness), 감정(sentiment), 
              지혜(sapience), 양심(conscience)
           - 튜링 테스트(Turing test) 
    • 약한 인공지능 (weak AI, narrow AI)
           -  특정 문제를 해결하는 지능적 행동
           -  사람의 지능적 행동을 흉내 낼 수 있는 수준
           -  대부분의 인공지능 접근 방향
           -  중국인 방 사고실험(Chinese room thought experiment, John Searle, 1980)
              • 문 밑으로 중국어로 쓴 질문지를 전달
              • 방 안에서 중국어를 모르는 사람이 글자모양에 따른 중국어 단어 조합 방법
              • 매뉴얼을 참조하여 답변에 대한 단어 조합
              • 조합된 단어들을 문 밖으로 내보냄
              • 문 밖 사람은 중국어를 이해하는 사람이 방안에 있다고 생각
              • 단지 흉내만 내고 이해하는 것은 아님
              • 이해하지 못하고 흉내 낼 수 있어도 지능적(intelligent) 행동
           - 구글 알파고, 사진검색, 기계 자동번역기, 메일필터링, 숫자 판별 등 
    • 초인공지능 (strong AI) 
           -  모든 면에서 인간의 능력을 훨씬 초월하는 인공지능 
           -  자체 기능 개선을 통해 초인공지능으로 이행되어 인류는 이해하기 어려움
           -  초인곤지능이 구현되면 인류는 영생을 누리거나 열등한 종으로 분류되어 멸종 가능

    5. AI / ML / DL 정의 (참조)

    • AI 인공지능(Artificial Intelligence)
      • 인간의 학습능력, 추론능력, 지각능력, 언어 이해능력 등을 컴퓨터에 구현한 기술
    • ML 머신러닝(Machine Learning)
      • 머신 러닝은 과거의 경험을 바탕으로 추론 및 결정을 하는 방법을 머신에게 알려줘, 패턴을 파악하고 과거의 데이터를 분석하여 이러한 데이터들의 의미를 추측하고, 인간의 경험을 필요로 하지 않고서도 가능한 결론에 도달. 이러한 머신 러닝를 통해 데이터를 평가하고 결론을 낼 수 있으며, 기업은 인적인 시간을 절약하고 더 나은 판단을 내림
      • 많은 데이터를 기반으로한 학습
      • 뇌의 구조와 같은 인공신경망, 결정 트리 등의 기계학습
      • 클라우드 컴퓨터가 학습 모형을 기반으로 외부에서 주어진 데이터를 통해 스스로 학습
      • 빅데이터를 분석하고 가공해서 새로운 정보를 얻어 내거나 미래를 예측하는 기술
      • 축적된 데이터를 토대로 상관관계와 특성을 찾아내고 결론을 도출
    • DL 딥러닝(Deep Learning)
      • 머신 러닝 방식의 일종입니다. 결과를 분류하고 추측하기 위해서, 레이어를 통해 입력을 처리하는 것을 기계에 가르칩니다
      • 뇌의 구조와 같은 인공신경망 네트워크로 이루어지는 기계학습
      • 알고리즘을 통한 ML로 인해 통계분석가들이 일일이 데이터를 입력하지 않아도 데이터값을 출력
      • 컴퓨터가 여러 데이터를 이용해 마치 사람처럼 스스로 학습할 수 있게 인공신경망을 기반으로 구축한 기계 학습 기술
      • 축적된 데이터를 분석만 하지 않고 데이터를 학습까지 하는 기계 학습 능력을 활용하여 결론을 도출

    6. ML / DL 차이 (참조)

    • ML, DL 프로세스 
      • ML 
        • Fearturing engineering을 통해, 각각의 문제를 여러 파트로 쪼개고 답을 구해서 합치는 방법을 사용
        • 처리 데이터 : 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터
        • 학습 방법 : 높은 수준에서 입력에서 출력에 이르는 기능들을 대략적으로 학습하는데 중점으로 데이터 기반으로 한 다양한 기술을 학습하는 데 사용
          • 알고리즘 : 랜덤 포레스트, ...
        • 결과 분석 방법 : Engineering한 범위내에서 결과에 대한 명확한 이유와 원인등을 알수 있음
        • 활용처 : 암진단, 암수술, 등의 의료분야 사업, 구글 서치, 메일 스팸, 아마존 추천
      • DL 
        • Input Data, Feature에 대한 Enginneering이 필요 없음
        • 처리 데이터 : 이미지, 영상, 음성, 택스트(Text), 소리 등의 비정형 데이터
        • 학습 방법 : 학습을 위한 실제 알고리즘을 제공하는 것 외에도 다양한 알고리즘의 가중치 분석, 가능한 가상 공간 이해등을 위한 이론 도구(VC 치수 등)를 제공
          • 알고리즘 : cnn, rnn 
          • 뉴럴 네트워크 : 뉴럴 네트워크는 인간의 신경 세포와 같은 유사한 원리. 뉴럴 네트워크는 마치 인간의 뇌처럼 다양한 기초 변수들 사이의 관계를 파악하고 데이터를 처리하는 일련의 알고리즘
        • 결과 분석 방법 : 왜 어떠한 근거로 이러한 결과를 내었는지를 말해주지 않기 때문에, 사람이 그 결과를 해석하지 못함. 결과에 대한 해석 방법 : Desion Tree, 선형회귀모형 등과 같은 해석가능한 알고리즘을 활용
        • 활용처 : 알파고, 스타그래프트 등 게임분야, 자율주행 자동차, 자율택시 등과같은 교통산업, 자연어
          • 자연 언어 처리(NLP : Natural Language Processing) : 자연어 처리는 기계에 의한 언어의 판독, 이해, 해석의 과학. 기계는 사용자가 무엇을 의도하고 있는지를 사용자의 의사소통을 이해하면 그에 따라 응답.
          • 컴퓨터 비전(Computer Vision) : 컴퓨터 비전 알고리즘은 이미지를 분석하여 객체의 다양한 부분을 조사함으로써 이미지를 이해. 이를 통해 기계는 일련의 이미지로를 분류하고 학습을하여 이전의 관찰 결과에 근거하여 보다 적절한 출력을 결정.
          • 인지 컴퓨팅(Cognitive Computing) : 인지 컴퓨팅 알고리즘은 인간이 하고 원하는 결과를 제공하려고 하는 방식으로, 텍스트, 음성, 이미지, 객체를 분석함으로써 인간의 뇌를 모방.




    인공지능 (AI, Artificial Intelligence)

    I. 인공지능?

    • 들어가며 
    • 지능
    • 인공지능
    • 인공지능 정의
    • 인공지능 종류
    • AI / ML / DL 정의
    • ML / DL 차이 

    II. 인공지능 역사


    III. 인공지능 장단점

    • 인공지능 장점
    • 인공지능 단점
    • 인공지능 위험성
    • 인공지능 6가지 위험성  
    • 인공지능 윤리

    IV. 인공지능 요소 기술 

    • 알고리즘
    • 인공지능망 : 퍼셉트론
    • 탐색
    • 지식표현
    • 추론
    • 기계학습


    VI. 인공지능 최근 동향  

    • 문장으로 그림 생성
    • 생명과학 응용 

    VII. 인공지능 활용(코딩)

    • 인공지능 프로그래밍 

    VIII. 인공지능 활용(앱)

    • 인공지능 활용 앱 

    참조 : 
      1. 박상길, "비전공자도 이해할 수 있는 AI 지식", 반니, 2022.03.
      2. 정지훈, "AI 101 : 인공지능 비즈니스의 모든 것", 틔움출판, 2021.09.

    Oct 16, 2019

    최악의 클라우드 보안 위협 11가지

    Bob Violino | CSO

    클라우드 컴퓨팅은 기업이 데이터와 애플리케이션, 워크로드를 사용하고, 보관하고, 공유하는 방식을 혁신하고 있다. 하지만 동시에 여러 새로운 보안 위협과 도전과제도 생겨난다. 많은 데이터가 퍼블릭 클라우드 서비스를 중심으로 클라우드로 이동하면서 자연스레 해커의 표적이 되었다.

    가트너의 클라우드 보안 리서치 책임자 제이 하이저는 “퍼블릭 클라우드 이용이 급증하면서 많은 민감한 정보가 잠재적인 위험에 노출된 상태이다”라고 지적했다다. 많은 사람의 생각과 달리 클라우드에 보관된 기업 데이터를 보호하는 책임은 클라우드 서비스 업체가 아니라 클라우드 서비스 고객인 기업에 있다. 하이저는 “우리는 클라우드 보안에 있어 변환기에 있다. 초점이 공급자에서 고객으로 이동하는 단계이다. 기업은 특정 클라우드 서비스 업체가 안전한지, 해당 서비스에서 ROI를 회수할 수 있을지 여부를 파악하는데 많은 시간을 투자하고 있으며, 이를 학습하고 있다”라고 말했다.

    클라우드 보안 협회(Cloud Security Alliance, CSA)는 기업이 클라우드 보안에 관한 최신 정보를 기반으로 올바른 클라우드 도입 의사결정을 내릴 수 있도록 지원하기 위해 매년 클라우드 컴퓨팅 보안 위협 관련 보고서를 발표한다. 이 보고서는 현재 클라우드의 가장 중대한 보안 문제에 있어, CSA 공동체의 보안 전문가들이 동의하는 내용이 반영되어 있다.

    올해 보고서는 ‘클라우드 컴퓨팅 최고의 위협 : 심각한 11가지(Top Threat to Cloud Computing: Egregious Eleven)’란 제목으로, 특히 클라우드 컴퓨팅의 특징 중 공유, 온디맨드에 관련된 11가지 보안 문제로 초점을 맞췄다. 지난 해 보고서는 12가지 위협 요소를 제기했는데, 이중 서비스 거부 공격, 공유 기술의 취약점, 클라우드 서비스 업체의 데이터 손실 및 시스템 취약점 등은 새 보고서에서 빠졌다. 대신 기술 스택에서 더 높은 곳에 위치한 보안 문제들을 해결할 필요성이 커졌다.

    CSA는 가장 중대한 우려사항들을 규명하기 위해 업계 전문가들을 조사, 클라우드 컴퓨팅과 관련해 가장 중대한 보안 문제에 대한 전문가의 의견들을 종합했다. 다음이 조사 결과를 토대로 ‘중대한 정도’ 순으로 열거한 가장 중대한 클라우드 보안 문제들이다.

    1. 데이터 침해
    데이터 침해 위협은 지난 해 조사와 마찬가지로 중요성에서 1위를 차지했다. 이유는 명확하다. 데이터 침해는 평판과 금전적 측면에서 아주 큰 피해를 초래할 수 있기 때문이다. 지적재산(IP)을 잃어버릴 수도 있고, 아주 막대한 법적 책임이 뒤따를 수도 있다. CSA가 제시한 데이터 보안 위협과 관련된 주요 시사점은 다음과 같다.

    - 공격자는 데이터를 원하기 때문에 기업은 보유한 데이터의 가치와 이를 잃어버렸을 때 초래되는 영향을 규정해야 한다.
    - 데이터를 보호하기 위해 풀어야 할 핵심 질문은 데이터에 액세스 권한이 있는 사람이다.
    - 잘못된 구성이나 악용에 가장 취약한 데이터는 인터넷을 통해 액세스할 수 있는 데이터이다.
    - 암호화로 데이터를 보호할 수 있지만, 성능과 사용자 경험을 양보해야 한다.
    - 기업은 클라우드 서비스 업체를 고려한 견고하고 검증된 사고 대응 계획을 수립해야 한다.

    2. 잘못된 구성과 부적절한 변경 관리
    올해 CSA 목록에 새로 추가된 위협이다. 그렇지만 클라우드의 데이터가 실수로 노출된 사례가 많다는 점을 고려할 때예상치 못한 요소는 아니다. CSA는 서비스 업체가 잘못 구성을 하는 바람에 일래스틱서치(Elasticsearch) 데이터베이스에 보관된 미국 소비자 2억 3,000만 명의 개인 데이터가 공개적으로 액세스 가능한 상태가 된 이그잭티스(Exactis) 사고를 예로 들었다. 이에 못지 않은 피해가 초래된 사고가 또 있다. 역시 백업 서버가 잘못 구성되는 바람에 100여 제조업체의 IP가 노출된 레벨 원 로보틱스(Level One Robotics) 사고이다.

    데이터 손실만 문제가 아니다. CSA는 비즈니스를 방해하려는 의도로 리소스를 제거하거나 수정할 수 있다고 지적했다. 보고서에 따르면, 변경 관리가 미흡해 잘못된 구성이라는 실수를 저지르는 경우가 많다. CSA는 잘못된 구성과 부적절한 변경 관리와 관련된 주요 시사점을 제시했다.

    - 클라우드 기반 리소스는 복잡하고, 이 때문에 환경 구성이 어려워진다.
    - 전통적인 제어(통제, 관리) 및 변경 관리 기법이 클라우드에도 효과가 있을 것이라고 기대해서는 안된다.
    - 잘못 구성된 리소스를 지속적으로 검사하는 기술과 자동화를 활용한다.

    3. 클라우드 보안 아키텍처와 전략 미흡
    클라우드만큼 역사기 깊은 문제이지만, 올해 CSA의 심각한 위협 목록에 새로 추가됐다. 보안보다는 시스템과 데이터를 클라우드로 마이그레이션하는 시간을 최소화하려는 욕구가 앞서는 경우가 많다. 이로 인해, 클라우드에서 데이터와 애플리케이션을 운용하면서 클라우드에 맞지 않는 보안 인프라와 전략을 사용하게 된다. 2019년 중대 위협 목록에 이 문제가 추가된 것은 이를 문제점으로 인식하는 기업이 증가하고 있음을 방증한다. CSA가 미흡한 보안 아키텍처와 전략과 관련해 제시한 주요 시사점은 다음과 같다.

    - 보안 아키텍처와 비즈니스 목표, 목적을 일치시켜야 한다.
    - 보안 아키텍처 프레임워크를 개발해 적용한다.
    - 위협 모델을 최신 상태로 유지한다.
    - 지속적인 모니터링 기능을 배치한다.

    4. ID, 크리덴셜, 액세스, 키 관리 불충분
    역시 올해 목록에 새로 추가된 위협이다. 서버실과 건물 같은 물리적 리소스, 데이터와 시스템 관리, 액세스 관리가 미흡해 초래되는 위협이다. 보고서는 클라우드를 도입한 기업은 IAM(Identity and Access Management)에 변화를 줄 필요가 있다고 강조한다. 변화를 주지 않으면, ▲부적절하게 보호된 크리덴셜 ▲암호 키, 비밀번호, 인증서의 자동화된 순환 사용 부족 ▲확장성 부족 ▲이중 인증 미사용 ▲강력한 비밀번호 미사용 등이 보안 사고로 이어질 수 있다고 지적했다. CSA는 불충분한 신원, 크리덴셜, 액세스, 키 관리에 대해 다음과 같은 시사점을 제시했다.

    - 이중 인증을 사용하는 것을 포함, 계정에 보안 조치를 취한다.
    - 루트 계정 사용을 제한한다.
    - 비즈니스 필요사항과 ‘최소 권한 원칙’에 입각해 계정과 가상 프라이빗 클라우드, 신원 그룹을 분리한다.
    - 키 순환에 중앙집중화된 프로그래밍 방식을 사용한다.
    - 사용하지 않는 크리덴셜과 액세스 권한을 제거한다.

    5. 계정 하이재킹
    지난 해와 마찬가지로 5번째로 중대한 클라우드 위협으로 계정 하이재킹이 꼽혔다. 피싱이 더욱 효과적이고 표적화되면서, 공격자가 권한이 높은 계정에 대한 액세스 권한을 탈취하는 위험이 커졌다. 공격자가 크리덴셜을 획득하는 수단이 피싱에만 국한되는 것은 아니다. 다른 수단으로 클라우드 서비스를 침해해 크리덴셜을 획득할 수도 있다.

    공격자가 적법한 계정을 사용해 시스템에 침입하면 많은 문제를 초래할 수 있다. 중요한 데이터를 훔치거나 파괴하고, 서비스를 정지시키는 것, ‘금융 사기’ 행위를 하는 것 등을 예로 들 수 있다. CSA는 위험을 최소화하기 위해, 사용자를 대상으로 계정 하이재킹을 알리는 신호와 위험을 교육하는 것이 좋다고 강조한다. 다음은 계정 하이재킹과 관련된 주요 시사점이다.

    - 계정 크리덴션을 도난당했을 때 비밀번호를 재설정하는 조치만 해서는 안된다. 근본 원인을 다뤄야 한다.
    - 심층 방어 접근법과 강력한 IAM 관리가 가장 좋은 방어책이다.

    6. 내부자 위협
    신뢰하고 있는 내부자로부터 초래되는 위협은 클라우드나 온프레미스 시스템이나 똑같이 중대하다. 현재 재직 중인 직원, 과거 재직했던 직원, 계약업체, 믿고 있는 비즈니스 파트너 등 기업의 방어 체계를 뚫지 않아도 시스템에 액세스할 수 있는 사람들이 이런 내부자가 될 수 있다.

    악의적인 의도를 갖고 있는 경우에만 피해가 초래되는 것이 아니다. 의도하지 않은 상태에서 데이터와 시스템을 위험에 빠뜨릴 수 있다. CSA는 포네몬 인스티튜트의 ‘2018년 내부자 위협의 비용 연구(Cost of Insider Threats Study)’ 조사 보고서를 인용, 내부자 관련 사고의 64%는 직원이나 계약업체의 부주의가 원인이라고 설명했다. 클라우드 서버를 잘못 구성하고, 민감한 데이터를 개인 장치에 저장하고, 피싱 이메일의 피해자가 되는 것 등을 예로 들 수 있다. 다음은 내부자 위협과 관련된 CSA의 주요 시사점이다.

    - 직원들을 대상으로 적절히 데이터와 시스템을 보호하는 방법을 교육시킨다. 지속적인 과정의 하나로 교육을 실시한다.
    - 잘못 구성된 클라우드 서버가 있는지 정기적으로 감사해 바로잡는다.
    - 핵심 시스템에 대한 액세스를 제한한다.

    7. 안전하지 못한 인터페이스와 API
    중대한 위협 순위가 지난 해 3위에서 올해 7위로 하락한 ‘안전하지 못한 인터페이스와 API’는 아주 자주 악용되는 공격 요소이다 2018년, 소셜 미디어 서비스인 페이스북에 5,000만 건 이상의 계정이 영향을 받은 침해 사고가 발생했다. 뷰애즈(View As) 기능의 취약점 때문에 발생한 침해 사고였다. 특히 사용자 인터페이스와 API의 취약점은 공격자에게 사용자나 직원의 크리덴셜을 쉽게 훔칠 수 있는 경로를 제공한다.

    CSA에 따르면, 기업과 기관은 가장 많이 노출되는 시스템 구성요소가 API와 사용자 인터페이스라는 점을 인식할 필요가 있다. 따라서 이를 구현할 때 ‘시큐리티 바이 디자인(Security by Design)’ 원칙을 적용하는 것이 좋다. CSA가 제시한 안전하지 못한 인터페이스와 API와 관련된 주요 시사점은 다음과 같다.

    - 인벤토리나 테스트, 감사, 비정상 활동 보호 등의 아이템을 감시와 같은 좋은 API 프랙티스를 적용한다.
    - API 키를 보호하고, 재사용을 피한다.
    - OCCI(Open Cloud Computing Interface)나 CIMI(Cloud Infrastructure Management Interface) 같은 오픈 API 프레임워크를 고려한다.

    8. 취약한 제어 영역
    제어 영역에는 데이터 중복(이중화), 마이그레이션 및 스토리지 관련 프로세스가 포함된다. CSA에 따르면, 이런 프로세스를 책임진 사람이 데이터 인프라의 논리, 보안, 검증을 완전하게 통제 및 관리하지 못할 때 제어 영역이 취약해진다. 제어 영역 담당자들은 보안 구성, 데이터 흐름, 아키텍처 측면의 맹점이나 약점을 이해하고 있어야 한다. 이렇게 하지 않을 경우, 데이터 유출, 데이터 사용 불능, 데이터 손상 같은 문제가 발생할 수 있다. 다음은 취약한 제어 영역과 관련해 CSA가 제시한 주요 시사점이다.

    - 클라우드 서비스 업체가 법과 규정에 입각한 의무나 책무를 충족하기 위해 필요한 보안 통제책을 제공하도록 만든다.
    - 실사를 통해 클라우드 서비스의 제어 영역이 적절한지 확인한다.

    9. 메타스트럭처와 애플리스트럭처의 실패
    클라우드 서비스 업체의 메타스트럭처에는 시스템 보호 방식에 대한 보안 정보가 들어 있으며, API 호출을 통해 이런 정보를 공개한다. CSA는 메타스트럭처를 클라우드 서비스 업체와 고객의 ‘경계선’이라고 부른다. API는 고객이 승인되지 않은 액세스를 감지하도록 도움을 준다. 그러나 동시에 로그나 감사 시스템 데이터 같이 아주 민감한 정보도 들어있다.

    이 ‘경계선’은 공격자가 데이터에 대한 액세스 권한을 획득하거나, 클라우드 고객에 문제를 초래할 수 있도록 만드는 ‘실패 지점’이 될 수 있다. 취약점 때문에 API가 적절히 구현되지 않는 경우가 많다. CSA에 따르면, 미숙한 클라우드 서비스 업체는 적절히 고객에게 API를 제공하는 방법을 모를 수도 있다.

    또 고객이 클라우드 애플리케이션을 적절히 구현하는 방법을 모를 수도 있다. 특히 클라우드 환경에 맞춰 설계되지 않은 애플리케이션을 연결할 때 이런 경우가 많다. 다음은 메타스트럭처 및 애플리스트럭처 실패와 관련된 주요 시사점이다.

    - 클라우드 서비스 공급자가 가시성과 노출 경감책을 제공하도록 한다.
    - 클라우드 네이티브 디자인으로 적절히 기능과 통제책을 구현한다.
    - 클라우드 서비스 공급자가 침입 테스트를 실시하고, 그 결과를 고객에게 제공하도록 한다.

    10. 클라우드 사용과 관련된 가시성이 제한되는 문제
    보안 전문가들이 많이 하는 불평 중 하나는 클라우드 환경은 악성 활동을 감지 및 방지하는데 필요한 데이터 상당수가 감춰져 있다는 것이다. CSA는 이런 ‘제한된 가시성’이라는 문제를 두 범주로 구분하고 있다. 허가받지 않은 앱을 사용하는 문제, 허가된 앱을 오용하는 문제이다.

    허가받지 않은 앱은 섀도우 IT이다. 직원들이나 IT나 보안 부서의 승인이나 지원 없이 사용하는 애플리케이션이다. 기업 보안 지침을 충족하지 못하는 앱에는 보안 팀이 인식하지 못하는 위험이 존재한다. 승인된 사용자가 허가된 앱을 오용하는 경우, 외부의 위협 주체가 훔친 크리덴셜을 사용하는 경우 모두에서 허가된 앱의 오용 문제가 발생할 수 있다. CSA 보고서는 보안 팀은 기준에서 벗어나는 행동을 감지, 정당한 사용자와 그렇지 못한 사용자를 구분할 수 있어야 한다고 강조했다. 다음은 클라우드 사용과 관련된 가시성이 제한된 문제에 대한 주요 시사점이다.

    - 하향식으로 사람과 프로세스, 기술을 연결해 클라우드 가시성을 발전시킨다.
    - 클라우드 사용 정책, 집행과 관련해 전사적으로 의무 교육을 실시한다.
    - 클라우드 보안 아키텍트, 외부 위험 관리 전문가가 승인되지 않은 클라우드 서비스에 대해 평가를 한다.
    - 아웃바운드 활동을 분석하기 위해 CASB(Cloud Access Security Broker)나 SDG(Software-Defined Gateways)에 투자한다.
    - 인바운드 연결을 분석하기 위해 웹 애플리케이션 방화벽에 투자한다.
    - 전사적으로 ‘무신뢰(zero-trust)’ 모델을 도입해 적용한다.

    11. 클라우드 서비스 오용 및 악
    공격자들이 적법한 클라우드 서비스를 악용하는 사례가 증가하고 있는 추세이다. 예를 들어, 깃허브 같은 사이트에 악성코드를 은닉해 호스팅하고, DDoS 공격을 감행하고, 피싱 이메일을 발송하고, 디지털 화폐를 채굴하고, 자동화된 클릭 공격을 감행하고, 크리덴셜을 훔치기 위해 무차별 대입 공격을 하기 위한 목적에서 클라우드 서비스를 사용할 수 있다.

    CSA에 따르면, 클라우드 서비스 업체는 결제(지불) 수단과 관련된 부정행위, 클라우드 서비스 악용 같은 문제을 감지 및 방지할 수 있는 경감책을 도입해야 한다. 또 서비스 오용이나 악용에 대응하고, 고객들이 이에 대해 알릴 수 있는 사고 대응 프레임워크를 제공하는 것도 중요하다. 다음은 클라우드 서비스 오용 및 악용과 관련된 주요 시사점이다.

    - 직원들이 클라우드를 오용, 악용하고 있는지 모니터링한다.
    - 클라우드 DLP(데이터 손실 방지) 솔루션을 이용, 데이터 유출을 모니터링해 막는다.
    editor@itworld.co.kr

    원문보기:

    Jul 10, 2019

    뇌파 읽어주는 ‘언어해독기’ 개발

    환자에게 적용 시 43% 언어 해독 가능해

    뇌세포와 얼굴, 성대의 미세한 움직임을 분석해 말 못하는 사람의 말을 대신 표현해줄 수 있는 언어 해독기가 최초로 개발됐다. 25일 ‘가디언’, ‘사이언스 뉴스’, ‘네이처’ 등 주요 언론에 따르면 이 장비를 개발한 곳은 미국 샌프란시스코에 소재한 캘리포니아 대학 에드워드 창(Edward Chang) 교수가 이끄는 연구팀이다.

    뇌신경학학자인 창 교수는 “그동안 연구를 통해 뇌 활동(Brain Activity)을 문장으로 언어화할 수 있는 장치를 세계 최초로 개발했으며, 이를 말 못하는 환자에게 적용해 치료에 활용할 수 있다”고 말했다.

    ‘무언의 소리’ 들을 수 있는 신형 BMI

    그동안 과학자들은 다양한 방식을 통해 뇌세포와 기계를 연결해 말을 못하는 환자 뇌 속에서 무슨 생각을 하는지 뇌 활동을 해독할 수 있는 방안을 연구해왔다. 그리고 뇌파로 컴퓨터와 같은 기계를 조정할 수 있는 ‘뇌-기계 인터페이스(BMI: Brain Machine Interface)’를 개발해왔으나 대부분 실험 단계였다. 이 과정에서 해독 시간이 너무 걸리고, 언어해석 역시 불완전해 많은 환자들이 어려움을 겪어왔다. 루게릭 병으로 말을 하지 못했던 고 스티븐 호킹(Stephen William Hawking) 박사가 대표적인 경우. 호킹 박사가 사용한 해독기의 경우 눈과 얼굴 근육 움직임을 통해 1분에 8개 단어를 해독할 수 있었다. 정상적인 사람이 1분에 100~150개 단어를 사용하고 있는 것과 비교해 10분의 1도 안 되는 것이다. 또한 눈과 얼굴 근육 움직임을 통해 포현하고 있는 언어를 해석해야 하는 만큼 소통을 위해 전문적 이해가 필요했다. 하지만 이번에 개발한 BMI는 어느 때나 수시로 환자에게 적용할 수 있는 표준화된 장치로 첨단 기술을 통해 불편했던 점을 대폭 해소하고 있다.

    뇌에 설치된 전극을 통해 뇌파 움직임을 분석하고, 영상 분석 시스템을 통해 혀와 입술, 후두, 턱 등의 움직임을 측정해 종합적으로 그 사람이 표현하고자 하는 언어를 빠른 시간에 해독하는 것이 가능하다. 연구팀은 뇌파와 입술 등의 언어 동작을 연계해 소리 없이 표현되고 있는 언어를 분석해낼 수 있는 이 BMI의 명칭을 ‘가상 성도(virtual vocal tract)’라 명명했다. 여기서 성도(聲道)란 성대에서 입술 또는 콧구멍에 이르는 통로를 뜻한다. 일상에서 이 성도 기능이 작동하지 않지만 새로 개발한 BMI를 통해 소리 없이 표현되고 있는 환자들의 언어를 파악할 수 있다는 의미로 해석된다.

    머신러닝으로 뇌파‧신체 움직임 분석

    연구팀은 또 사람의 성대 움직임을 모방해 환자가 표현하는 것을 실제 언어로 재현해냈다. 아마존의 ‘아마존 미캐니컬 터크(Amazon Mechanical Turk)’ 플랫폼을 통해 100개의 문장을 제시한 후 100명의 참가자들을 통해 어느 정도 그 문장들을 이해했는지 집계한 결과 43%의 언어를 해독할 수 있었다. 이번 연구 결과와 관련, 옥스퍼드 대학의 인지과학자 케이트 왓킨스(Kate Watkins) 교수는 “캘리포니아대 연구진을 통해 의료현장에서 적용이 가능한 BMI가 최초로 개발됐다”며, 큰 놀라움을 표시했다. 그는 또 이 기기를 의료장비화 함으로써 중풍, 알츠하이머, 인후암, 근위축측삭경화(증), 루게릭 병 등으로 인해 목소리를 잃은 환자들을 치료하는데 큰 도움을 줄 수 있을 것으로 기대했다.

    관련 논문은 국제학술지 ‘네이처’ 지 24일자(현지 시간)에 게재됐다. 논문 제목은 ‘Speech synthesis from neural decoding of spoken sentences’이다. 이전까지 BMI에 관한 과학자들의 논문은 뇌파를 언어로 만드는 과정에 머물러 있었다. 뇌파를 분석하는 일이 그만큼 어려웠기 때문. 그러나 이번에 개발한 BMI는 혀와 입술, 턱, 인두 등의 움직임을 관장하는 뇌 활동을 종합적으로 분석하는 일이 가능하다.

    논문 저자인 캘리포니아대 고팔라 아누만치팔리(Gopala Anumanchipalli) 교수는 “그동안 많은 과학자들이 BMI 개발에 노력을 기울여왔지만 신경망의 움직임이 매우 미묘하고, 복잡한데다 속도 역시 매우 빨라 어려움을 겪어왔다”고 설명했다. 연구팀은 이를 개발하기 위해 뇌 안에 삽입한 전극과 연결해 전기신호를 즉시 해독할 수 있는 기계학습 알고리듬(machine learning algorithm)을 개발했다. 이 알고리듬은 뇌파와 인간의 성대, 얼굴 표정, 입술과 혀 움직임 등의 상관관계를 면밀하게 분석해 환자가 어떤 내용의 언어를 표현하고 있는지 분석하는 일이 가능하게 했다.

    BMI를 완성한 후에는 임상실험에 들어갔다. 실제 치료 현장에 적용하기 위해 수술을 앞두고 있는 뇌전증 환자 5명을 모집한 후 수술 과정에서 뇌 안에 전극을 삽입했다. 전극을 안전하게 삽입한 후에는 환자들과 큰 소리를 대화를 나누며 언어를 관장하는 뇌 안에서 어떤 일이 일어나는지 관찰했다. 그리고 뇌 안에서 발생한 전기 신호(electrical signals)가 사람의 언어 표현에 어떤 영향을 미치고 있는지 파악할 수 있었다. 이 과정에서 연구팀은 언어와 관련된 대량의 정보가 발생하고 있으며, 매우 정교하고 치밀하게 사람의 성대, 얼굴 표정, 입술과 혀 움직임 등에 영향을 미치고 있다는 사실을 발견할 수 있었다고 밝혔다.

    왓킨스 교수는 “지금 상황에서 말을 못하는 환자의 언어 표현을 43%까지 확인할 수 있지만 추가 연구를 통해 그 정확도를 더 높여나가겠다”고 말했다. 뇌파로 언어를 주고받을 수 있는 시대가 다가오고 있는 중이다.

    원문보기

    미래 ICT의 핵심은 ‘의식기술’

    미래의 ICT는 지금과 비교하여 얼마나 다른 모습을 하고 있을까? 이 같은 궁금증에 대한 답을 ‘M.A.G.I.C’이란 5개의 철자로 제시한 행사인 ‘2019 퓨처 ICT 포럼’이 지난 27일 웨스틴조선 호텔에서 개최되어 주목을 끌었다.
    ‘M.A.G.I.C’이란 이른바 ICT 분야의 게임 체인저(game changer)로 불리는 △모빌리티(Mobility) △인공지능(AI) △5세대 이동통신(5G) △사물인터넷(IoT) △클라우드(Cloud)의 철자를 따서 만든 조합어다. 현실 세상을 이들 ICT 분야가 마치 마술과도 같이 신비롭게 변화시킨다는 의미를 담고 있다.
    과학기술정보통신부가 주최한 이번 행사는 다가오는 4차 산업혁명의 핵심 연결고리 이자, 21세기 초연결 시대를 이끌 ICT의 미래상을 전문가들과 함께 조망하면서 각자의 견해를 공유하기 위해 마련됐다.

    인간과 지식이 연결된 네트워크가 힘이 되는 세상

    올해로 10회째를 맞이하는 이번 포럼이 특히 화제가 된 것은 기조발제를 맡은 ‘제롬 글렌(Jerome Glenn)’ 박사의 유명세 때문이다. 미래학자들의 모임인 ‘밀레니엄 프로젝트(Millenium Project)’와 ‘세계미래연구기구협의회’ 회장을 맡고 있는 글렌 박사는 40여 년간 미래를 연구해 온 세계적 미래학자이다.
    ‘다음 세대는 의식기술(conscious technology)의 시대’라는 주제로 발표한 글렌 박사는 “정보화 시대를 넘어 의식기술의 시대가 다가오고 있다”라고 예측하면서 “산업혁명 시대에는 기계가, 정보화 시대에는 정보가 우선이 됐다면 의식기술 시대에는 모든 것이 연결되는 네트워킹이 가장 주요해질 것”이라고 전망했다.
    글렌 박사의 설명에 따르면 의식기술의 시대는 디지털 기술이 신체와 융합하고, 통신을 통해 인간과 인간, 인간과 사물들이 다양하게 연결되는 시대를 의미한다. 다시 말해 인간과 지식이 연결된 네트워크가 힘이 되고, 돈이 되는 시대라는 것이다.
    그는 “2030년쯤이 되면 인간은 로봇화되고, 주변 환경은 지능화되어서 인간과 주변 환경이 센서를 통해 네트워킹되는 의식기술의 시대가 올 것”이라고 주장했다.
    의식기술 연구의 대표적 사례로는 페이스북이 추진하고 있는 ‘빌딩 8(Building 8)’ 프로젝트가 꼽힌다. 이 프로젝트는 페이스북이 구글의 비밀 연구조직인 구글 X와 미 고등방위연구계획국(DARPA)에 몸담았던 ‘레지나 듀건(Regina Dugan)’을 최고 책임자로 영입하면서 본격적으로 시작됐다.
    그녀는 인터뷰에서 “뇌파로 말하고 피부로 듣는 시스템을 만들고 있다”라고 밝히면서 “이 외에도 초감각의 의식기술을 만날 수 있는 수많은 ‘BCI(Brain Computer Interface)’ 과제들을 추진할 예정”이라고 말한 바 있다.
    뇌파를 통해 대화하는 페이스북의 프로젝트 명칭은 ‘사일런스 스피치(Silence Speech)’라고 알려져 있다. 해당 프로젝트를 추진하고 있는 팀은 뇌파를 이용하여 분당 100자 문자 메시지를 보내고, 피부로 듣는 방법을 통하여 인류에게 새로운 감각을 제공한다는 야심찬 목표를 갖고 있다.

    범용 인공지능의 등장에 대비해야

    글렌 박사는 의식기술의 발전을 인간 지능의 능력이 증강될 수 있는 기회로 보았다. 그는 스티브잡스와 빌게이츠가 1991년에 함께 찍었던 사진을 보여주면서 “대략 2030년에서 2050년 사이가 되면 수백만 명의 사람들이 스티브잡스와 빌게이츠처럼 증강된 천재가 될 수 있을 것”이라고 전망했다.
    평범한 사람을 증강된 천재로 만들 수 있는 방법을 연구하고 있는 기업으로는 ‘뉴럴 링크(Neural Link)’를 들 수 있다. 테슬라 창업자인 일론 머스크 CEO가 설립한 이 회사는 인간의 뇌에 작은 전극을 심어 무선으로 컴퓨터와 연결한 뒤 생각을 공유하는 기술인 ‘뉴럴 레이스(Neural Lace)’를 개발하고 있다.
    머스크 CEO가 뉴럴 링크를 설립한 이유는 인공지능을 대단히 위험한 존재로 보는 그의 근본적 인식 때문이다. 머스크는 수많은 인터뷰를 통해 인공지능의 위험성에 대해 경고하면서 “인공지능에 맞설 수 있는 유일한 길은 인간이 인공지능보다 더 똑똑해지는 것밖에 없다”라고 강조해 왔다.
    그는 “디지털 시대를 사는 인간은 뇌에 입력되는 정보량에 비해 출력량이 못 따라가는 한계를 겪고 있다”라고 우려하며 “두뇌 속에 뉴럴 레이스를 삽입하면, 뇌에서 디지털 디바이스로 직접 정보를 전송할 수 있게 되므로 그런 한계를 해결할 수 있게 될 것”이라고 전망한 바 있다.
    글렌 박사도 머스크 CEO의 이런 의견에 어느 정도는 동조하고 있다. 인공지능이 사람을 다스리는 것 같은 극단적 상황까지는 가지 않더라도, 일자리 등을 통해 생존을 위협할 가능성은 충분하다는 것이다.
    글렌 박사는 “분명한 사실은 시간이 갈수록 인공지능이 사람을 대신하여 결정을 내리는 경우가 많아질 것이라는 점”이라고 전망하며 “당장 ‘좁은 의미의 인공지능(narrow AI)’은 전 세계적으로 실업과 관련된 문제를 야기하고 있다”라고 말했다.
    바둑이나 번역 등 특정 분야에서만 능력을 발휘하는 인공지능을 ‘좁은 의미의 AI’라고 한다. 이는 ‘범용 인공지능(general AI)’과는 상반된 개념으로서 스스로 학습하고 목표를 설정할 줄 아는 범용 인공지능이 출현한다면, 일자리뿐만 아니라 사람 중심의 생태계에 근본적 변화를 미치게 된다는 것이 전문가들의 의견이다.
    발표를 마무리하며 글렌 박사는 “한국은 ICT 기술이 고도화되었으면서도, 인간의 정신과 관련한 전통이 내려오는 거의 유일한 국가”라고 평가하며 “만약 한국이 인간의 지능을 높이는 기술에 관심을 갖고 집중적으로 연구한다면 미래의 위상은 지금과는 크게 달라질 것”이라고 기대했다.

    원문보기


    실사에 가까운 전신 이미지를 인공적으로 만들어낼 수 있는 기기학습 알고리즘의 탄생

    일본계 스타트업의 연구진들은 최근 인위적으로 만들어진 사람들에 대한 실질적인 전신 이미지를 만들어낼 수 있는 기기학습 알고리즘을 개발한 것으로 나타나 기기학습 알고리즘의 활용 동향에 대해 살펴보고자 한다.

    일본의 Kyoto University로부터 파생된 정보기술 스타트업인 DataGrid社는 최근 자신들이 개발한 기기학습 알고리즘 기술의 성능을 시연하기 위해 자신들의 웹사이트에 새롭게 개발한 알고리즘을 접목시킨 동영상을 공개하였다고 한다. 해당 내용을 살펴보면 이들이 개발한 도구를 통해 다채로운 의상들이 자연스럽게 접목된 모델들이 자유롭게 움직이며 각기 다른 의상을 입은 형태로 변환되는 영상을 볼 수 있다.
    [출처]

    연구진들에 의하면 해당 알고리즘은 이른바 '적대적 생성신경망(Generative Adversarial Network)'이라 불리우는 기술이 접목되어 진짜와 같은 허위모델을 생성해 이를 판별하는 모델이 상호 경쟁을 통해 진짜와 같은 가상의 이미지를 만들어내는 차세대 딥러닝 알고리즘을 활용하였다고 한다. 해당 기술은 현실 세계에 존재하는 무언가의 모방물을 만드는데 흔히 사용되는 기술로서 DataGrid社는 적대적 생성신경망 기술을 활용해 하연 배경에 고해상도의 자동적인 모델들의 이미지를 만들어냈으며, 지난 과거에도 얼굴 이미지를 생성하기 위해 유사한 도구들이 사용되었다.

    하지만 인위적으로 생성된 사람의 얼굴과 머리결, 그리고 옷을 포함해 모든 알고리즘이 고정밀 수준의 전신 이미지화로 탄생한 것은 이번이 처음이라 볼 수 있어 산업계의 주목을 받고 있으며, 가상의 모델이 동작하는 범위를 확대시키기 위해 알고리즘을 보다 세분화하는 작업이 병행되고 있는 것으로 알려지고 있다.

    연구진들이 개발한 알고리즘들은 최초 인간 모델의 실사 이미지를 통해 최초 훈련되었으며, 훈련 이후에는 각각의 알고리즘이 역할을 분담하여 한쪽은 반복적으로 인간 모델에 대한 이미지를 생산하고, 다른 한쪽은 가상의 이미지로부터 진짜 이미지를 구별하는 임무를 담당하게 되었다고 한다. 이후 최초의 알고리즘이 두번째 알고리즘이 만들어낸 실제 이미지와 인공지능이 생성한 이미지 간의 차이점을 구별해낼 수 없을때 까지 가짜 이미지를 개선하는 작업을 반복하게 된다고 한다.

    상기 기술은 신제품을 전시하기 위한 사진제작이 필요한 모델을 촬영하기 위해 소요되는 인간 모델과 촬영비용에 소요되는 비용을 절약할 수 있을 것으로 기대되고 있으며, 이로 인해 패션업계나 광고업계에 활용될 것으로 예상되고 있다. 또한 전신 모델을 자동적으로 생성하기 위한 인공지능의 정확성이 보다 향상될 경우, 보다 다양한 분야에서 활용될 수 있는 가능성 또한 예상되고 있어 향후 보다 정교한 기술력의 도입에 관심이 집중되고 있는 시점이다.
    [출처]

    원문보기

    감정을 인지하는 인공지능의 탄생이 멀지 않았다

    최근 Computing IT Leaders Summit에 참가한 미래학자 Shivvy Jervis씨가 감정을 인지하는 인공지능의 탄생에 관한 언급을 한 것으로 나타나 인공지능의 미래기술에 대한 트렌드를 살펴보기로 한다.

    스페인의 통신사업체인 Telefonica社의 임원이었던 Jervis씨는 현재 정부와 기업체들의 신기술 관련 자문위원이자 미래학자로 불리우고 있으며, 런던 시장을 위한 프로젝트에 참여해 향후 25년 뒤의 도시가 어떤 형태로 구성될 것인지를 규명하는 업무를 수행하고 있는 것으로 나타났다.

    추진되고 있는 기술프로젝트들 중 하나는 대화형 상거래라 불리우며 사람과 기기 간의 상호작용에 대한 모든 장애물이 제거되어 마찰없이 상시 사용가능한 인터페이스를 유지하며 최종 목표에 도달하기 위해 가능한 단계를 최소화하여 낮은 비용으로 상거래를 개시 가능하게 해줄 수 있는 장점을 지니고 있다고 한다. 이러한 기술은 시초부터 사람의 필요에 의해 개발이 되어지고 있는 형국으로 변모해나가고 있다.

    여기에 감정인식 인공지능이 주목받고 있으며, 대화형 상거래의 대중적 얼굴은 실사에 가까운 아바타 형태라 볼 수 있겠으며, 인공지능에서 파생된 외모 중 대중적인 접근을 위해 선택되었다 볼 수 있겠다. 향후 아바타는 인간이 다수의 기업 및 조직과 접촉할 수 있는 가장 우선적인 접근점이 될 것으로 예상되며, 채팅봇과 같이 자주묻는 질문들에 대한 응답 뿐 아니라 인간의 도움요청에 대한 지원 또한 해줄 수 있을 것으로 예상되고 있다 하겠다. 뿐만 아니라 스마트폰 카메라나 음성인식기술을 활용해 사용자의 감정에 따라 반응도를 조절할 수도 있을 것으로 예상되는데, 이를 통해 보다 자연스러운 대화가 가능해질 수 있을 것으로도 기대되고 있다.

    상기 시스템은 Soul Machines社와 기타 업체들에 의해 이미 개발이 진행 중이며, 수주 내 미국의 주요 은행권을 비롯한 정부 부처의 대민지원서비스에서도 활용될 예정이며, 대시보드 장착형 카메라인 Veoneer와 같이 운전자의 얼굴을 모니터링하여 집중력 유무를 카메라가 판단하여 운전자에게 직접적인 경고를 보내는 감정적 스캐닝 기법으로도 활용될 예정이라고 한다.

    위와 같은 시스템들이 다수의 트렌드와 같은 교차범위에서 점차 진화하고 있으며, 데이터 과학자들이 예측분석을 가능하게 만들어주는 방대한 데이터를 만들어내는 창구가 되고 있다고도 한다. 물론 대다수 기업 및 조직들은 데이터로부터 가치를 창출하기 위해 기본적인 구조물 조차도 활용하지 못하고 있기는 하지만, 향후 데이터에 기반을 둔 지능형 시스템이 주된 역할을 차지함에 따라 앞으로의 활용도와 범용성 또한 높아질 것으로 예상되고 있다.

    이처럼 인간과 자동화된 봇들의 상호작용은 앞으로 보다 활발해질 것으로 예상되고 있으며, 새로운 가상 도우미가 인력으로 취급됨에 따라 기업의 정보에 대한 무결성을 취급하는 최고 신뢰담당자를 비롯, 인간과 봇의 상호작용을 상담해주는 카운셀러 등과 같은 새로운 역할에 대한 정의와 구현 또한 필요할 것으로 예상되는 시점이다.

    원문보기