머신러닝 : 세상에 대한 우리의 이해를 어떻게 바꿀까?

디지털 시대에는 기술과 철학의 교차점이 논의의 중심이 되고 있습니다. 이 교차점에서 가장 획기적인 기술 중 하나가 바로 머신러닝(Machine learning)입니다. 추천 시스템부터 의료 진단에 이르기까지 우리 삶의 모든 측면에서 사용되면서 이에 대해 깊이 생각해 볼 필요가 있습니다. 머신러닝이 세상에 대한 우리의 이해를 어떻게 바꾸고 있을까요?

데이비드 와인버거: 기술과 철학의 접점에 선 선구자

저명한 철학자이자 저널리스트인 데이비드 와인버거(David Weinberger)는 오랫동안 인터넷이 지식에 미치는 영향을 분석하는 데 앞장서 왔습니다. 그는 Google에서 일했고 특히 잡지 Aeon에 기고한 글 덕분에 이 분야의 리더로 자리매김했습니다.

그의 저서인 “일상의 혼돈: 기술, 복잡성, 그리고 새로운 가능성의 세계에서 우리가 번창하는 방법(Everyday Chaos : Technology, Complexity, and How We’re Thriving in a New World of Possibility)”이라는 그의 저서는 이 주제에 대한 그의 깊은 통찰력을 보여줍니다.

세계: 잘 관리된 철도인가, 아니면 고속도로 정체인가?

우리는 종종 기차가 정해진 시간표에 따라 정시에 운행되는 잘 관리된 철도처럼 예측 가능성이라는 렌즈를 통해 세상을 바라봅니다. 이러한 관점은 수 세기에 걸쳐 확립된 인간이 이해하고 적용할 수 있는 원칙, 법칙, 일반화를 기반으로 합니다.

그러나 때로는 세상은 수많은 요인이 작용하여 구체적인 세부 사항을 예측하거나 설명하기 어려운 고속도로처럼 보이기도 합니다. 실제로 주식 시장 폭락이나 팬데믹과 같은 실제 사건은 종종 예측할 수 없고 혼란스러운 고속도로와 비슷합니다.

데이터 기반 접근 방식을 사용하는 머신러닝은 우리가 사는 세상이 예측 가능한 철도가 아닌 우연의 사건이 연속되는 고속도로에 더 가깝다는 사실을 밝혀내고 있습니다.

예를 들어 2008년 금융 위기는 기존 모델로는 예측할 수 없었던 ‘고속도로 위기의 산물’이었습니다. 그러나 방대한 양의 데이터를 분석하는 머신 러닝 모델은 이러한 경고 신호를 더 일찍 감지했을 수 있습니다.

기존 프로그래밍과 머신 러닝: 패러다임의 전환

전통적인 프로그래밍은 아이에게 규칙 기반 게임을 가르치는 것과 비슷합니다. 부모가 명시적인 지침을 제공하면 아이는 이를 따릅니다.

반면 머신 러닝은 아이에게 다양한 새 그림을 보여주면서 새를 인식하는 방법을 가르치는 것과 같습니다. 시간이 지남에 따라 부리 모양이나 색상에 대한 명시적인 규칙이 없어도 아이는 새를 식별하는 방법을 배우게 됩니다. 규칙 기반 학습에서 예제 기반 학습으로의 전환이 바로 머신러닝을 혁신적으로 만드는 요소입니다.

예를 들어, 손으로 쓴 숫자를 인식하려면 기존 프로그램에는 각 숫자의 모양에 대한 규칙이 필요합니다. 반면, 머신러닝 모델은 수천 개의 손글씨 숫자 예시를 통해 학습하여 픽셀 간의 통계적 관계를 파악합니다.

머신러닝으로 학습한 구글의 알파고는 바둑 게임에서 세계 챔피언 이세돌을 물리쳤는데, 이전에는 컴퓨터가 바둑의 전략을 학습하지 않고는 불가능하다고 여겨졌습니다.

머신러닝으로 바둑의 규칙을 가르치지 않고 분석할 수백만 개의 수를 제공하면서 바둑을 두도록 시스템을 훈련시키는 것은 직관적이지 않은 것처럼 보일 수 있습니다. 하지만 결과적으로 머신러닝은 인간보다 바둑을 더 잘 두게 되었습니다.

머신러닝의 불투명성: 양날의 검

머신러닝의 강력한 성능은 부인할 수 없지만, 그 내부 작동 원리는 전문가들에게도 미스터리로 남아 있는 경우가 많습니다. 이러한 불투명성은 신뢰성과 잠재적 편견에 대한 우려를 불러일으킵니다.

예를 들어, 머신러닝 모델이 대출 신청을 거부하는 경우 편향된 데이터의 영향을 받지 않았는지 어떻게 알 수 있을까요? 머신러닝의 불투명성의 또 다른 예로 한 민족의 데이터로 주로 학습된 얼굴 인식 시스템이 다른 민족의 개인을 잘못 식별하여 내재된 편견에 대한 우려를 불러일으키는 경우가 있었습니다.

지식과 확실성의 변화하는 환경

서구 세계에서는 오랫동안 지식과 확실성을 동일시해 왔습니다. 그러나 확률적 결과를 도출하는 머신러닝은 이러한 관념에 도전합니다. 머신러닝이 주도하는 세상에서는 가장 정확한 예측에도 오차 범위가 있을 수 있습니다. 이러한 변화로 인해 우리는 단순한 확실성의 추구보다 적응성과 회복탄력성을 더 중요하게 여길 수 있습니다.

일기 예보는 고급 머신러닝 모델을 사용하더라도 100% 정확도를 보장할 수 없습니다. 하지만 확률적 예측을 통해 잠재적인 결과에 대비할 수 있습니다.

현실 세계의 복잡성 포용하기

와인버거의 말처럼, 머신러닝은 복잡하고 서로 얽혀 있으며 항상 단순한 규칙으로 환원될 수 없는 세상의 본질을 드러내고 있는지도 모릅니다. 이러한 복잡성을 외면하지 말고 포용하는 것이 더 깊은 통찰력과 혁신을 이끌어내는 열쇠가 될 수 있습니다.

예를 들어 의학 연구에서는 질병의 단일 원인을 찾는 대신 머신러닝 모델이 수천 개의 변수를 분석하여 보다 총체적인 치료법을 찾을 수 있습니다.

글을 마치며

머신러닝 모델이 만들어내는 일반화는 인간의 일반화와는 다릅니다. 인간은 이해할 수 있고, 추론 가능하며, 적용 가능한 전통적인 일반화를 선호하는 반면, 머신러닝 일반화는 종종 이해할 수 없고, 통계적이며, 확률적이고, 주로 귀납적인 경우가 많습니다.

하지만 머신러닝이 작동한다는 사실만으로도 우리는 세상과 그 안에서 우리의 역할에 대한 새로운 이해를 얻을 수 있습니다.

머신러닝은 단순한 기술 혁명이 아니라 철학적 혁명입니다. 머신러닝은 지식, 예측 가능성, 확실성에 대한 우리의 오랜 믿음에 도전함으로써 세상에 대한 우리의 이해를 재구성하고 있습니다. 기술과 철학의 교차점에 서 있는 지금, 호기심과 개방성, 기꺼이 적응하려는 자세를 가지고 탐색하는 것이 중요합니다.