인공신경망
Neural Network
인공신경망이란?
- 뇌 뉴런을 본뜬 AI 기본 구조
- 패턴을 층층이 학습
- 딥러닝·생성형 AI의 토대
인공신경망이 실제로 바꾼 것은 개발자가 하던 일의 성격입니다. 예전에는 '이 픽셀이 이만큼 어두우면 불량'처럼 사람이 조건문을 하나씩 짜 넣었지만, 신경망을 쓰면 정답표가 붙은 데이터를 모아 던져 주고 기계가 스스로 판별 규칙을 만들어 내게 합니다. 그래서 프로젝트의 승부처가 로직 설계에서 데이터 확보와 라벨 품질로 옮겨갑니다. 사내에서 'AI 잘하는 개발자 한 명 뽑으면 되지 않나'라는 말이 자주 어긋나는 이유도 여기에 있습니다. 정작 일정을 잡아먹는 쪽은 데이터를 모으고 이름표를 붙이는 작업입니다.
구조는 입력층·은닉층·출력층으로 나뉘고, 은닉층이 여러 겹 쌓인 것을 딥러닝이라고 부릅니다. 다루는 데이터에 따라 계열이 갈립니다. 이미지는 CNN, 음성이나 수요 데이터처럼 순서가 있는 값은 RNN·LSTM, 언어는 트랜스포머 계열을 씁니다. 규모 차이도 큽니다. 손글씨 분류기는 가중치가 수만 개면 충분하지만 대형 언어모델은 수천억 개에 이릅니다. 머신러닝과 신경망이 같은 말은 아니라는 점도 짚어야 합니다. 결정트리나 회귀분석도 엄연한 머신러닝이고, 보유 데이터가 수백 건 수준이면 신경망보다 부스팅 계열이 더 정확한 경우가 흔합니다.
가장 자주 보는 오해는 신경망이 사람처럼 '이해한다'고 여기는 것입니다. 신경망은 학습 데이터에 담겨 있던 분포를 따라갈 뿐이라, 야간 조명에서 찍은 사진으로만 배웠다면 주간 라인에서 성능이 뚝 떨어집니다. 정상 이미지가 95%인 데이터로 학습해 놓고 '정확도 95%'를 보고하는 일도 흔한데, 전부 정상이라고 찍어도 나오는 숫자입니다. 불량 검출률과 오탐률을 따로 보지 않으면 검증 없이 라인에 올렸다가 유출 불량이 그대로 남고, 책임 소재만 흐려집니다. 왜 그렇게 판단했는지 설명하기 어렵다는 점까지 감안해, 사람이 재확인하는 단계를 최소 몇 달은 남겨 두는 편이 안전합니다.
1943년 매컬럭과 피츠의 인공 뉴런 모델에서 출발해, 1958년 퍼셉트론, 1980년대 역전파 알고리즘을 거쳐 2010년대 딥러닝으로 꽃피웠습니다.
가상의 사례로 살펴보겠습니다. 자동차 부품을 만드는 A사는 임직원 420명, 연매출 900억 원 규모입니다. 도장 표면 외관 검사를 검사원 3명이 하루 1만 2천 개씩 육안으로 보다 보니, 최근 3개월간 고객사에서 반송된 유출 불량이 27건 나왔습니다. 품질보증팀이 6개월짜리 신경망 검사 파일럿을 시작했습니다.
- 품질보증팀 김 팀장이 반송 기록 27건을 뜯어보니 19건이 야간조에서 나왔고, 'A사 눈이 나쁜 게 아니라 새벽 3시에 사람 눈이 안 보이는 것'이라는 결론을 임원회의에서 꺼냈습니다.
- 생산기술팀이 라인 카메라로 이미지 6만 장을 모았지만 불량 이미지는 800장뿐이었고, 데이터 담당 이 과장이 정상만 많으면 전부 정상이라고 찍어도 98점이 나옵니다라고 제동을 걸었습니다.
- 3주간 불량품을 따로 재촬영하고 회전·밝기 변형을 더해 불량 이미지를 4,200장까지 늘린 뒤, 공개된 CNN 사전학습 모델에 전이학습을 걸어 GPU 한 대로 이틀 만에 1차 모델을 뽑았습니다.
- 검증 데이터에서는 96%가 나왔지만 실제 라인에 붙이자 오후 조명이 바뀌는 시간대에 82%로 떨어져, 검사 부스에 조명을 고정하고 그 조건으로 다시 학습시켰습니다.
- 6개월 뒤 유출 불량은 월 9건에서 2건으로 줄었고, 재검 작업 시간은 하루 4시간에서 50분으로 내려갔으며, 검사원 3명 중 2명은 조립 공정으로 재배치했습니다.