xn--s39awrqin57eq9u52a.kr학교공간혁신.kr/research/data_download.php?file... · 2019-12-16 · - v - ² ¦é[& 56ê ë#ì è ² )í¢Û# 7Ñ&: îï ðñ ² +§ò ¢£OÌ ó ò

연구자료 RM 2018-16

KERIS이슈리포트

Ⅰ 인공지능 개요

Ⅱ 인공지능 윤리

Ⅲ 인공지능 제품·서비스

Ⅳ 인공지능과 미래교육

Ⅴ 결론

인공지능과 함께하는미래교육

본 리포트는 한국교육학술정보원의 공식의견이 아니라

연구자의 개인 견해임을 밝혀둡니다.

연구 집필진

권영선 교수(KAIST)

변순용 교수(서울교육대학교)

조영임 교수(가천대학교)

김경전 상무(한국IBM)

김민우 대표(키드앱티브 아시아)

기획 검토

한세기 연구위원(한국교육학술정보원)

계보경 부장(한국교육학술정보원)

- i -

차 례

요약

Ⅰ. 인공지능 개요 ·····························································································1

1. 지능이란? ············································································································1

가 . 인간의 지능이란? ····················································································1

나 . 인공지능이란? ···························································································2

다 . 인간지능과 인공지능의 차이 ······························································6

2. 인공지능 관련 기술 ·····················································································10

가 . 인공지능 연구의 역사 ·········································································10

나 . 인공지능을 가능하게 하는 알고리즘 ············································12

다 . 인공지능 기술 ························································································24

Ⅱ. 인공지능 윤리 ···························································································29

1. 인공지능에 왜 윤리가? ···············································································29

2. 인공지능 도덕성의 3유형에 대하여 ······················································31

3. 인공지능의 윤리원칙에 대하여 ·······························································33

4. 윤리적 가이드라인에 대하여 ····································································36

가 . 지능정보사회 윤리 가이드라인에 대하여 ···································36

나 . 인공지능·로봇 (의 개발과 이용 )에 대한 윤리가이드라인 ·······37

5. 윤리 가이드라인의 구체적 예시 : 자율주행자동차의 경우 ············39

Ⅲ. 인공지능 제품·서비스 ·············································································46

1. 산업분야 ···········································································································46

가 . 국내 제품·서비스 동향 및 사례 ······················································46

나 . 해외 제품·서비스 동향 및 사례 ······················································55

2. 교육분야 ···········································································································67

가 . 에듀테크 발전사 ····················································································70

나 . 에듀케이션과 AI의 만남 ····································································80

- ii -

다 . AI에듀케이션 서비스 사례 ································································86

라 . 시사점 ········································································································99

Ⅳ. 인공지능과 미래교육 ·············································································103

1. 정보통신기술 발전과 교육제도의 발전 ··············································104

2. 인공지능은 인간처럼 학습하고 이해하는가? ···································106

3. 인공지능과 미래교육 ·················································································109

가 . 인공지능과 교육방식의 혁신 ··························································109

나 . 미래 초·중등 교육 ··············································································113

다 . 인공지능이 가져올 교육 수요와 시스템의 변화 ····················117

4. 정책적 시사점 ······························································································119

Ⅴ. 결론 ············································································································120

참고문헌 ···········································································································122

- iii -

표 목 차

<표 Ⅰ -1> 알파고 제로와 알파고 리의 비교 ·················································24

<표 Ⅱ -1> 콜버그에 인지발달론에 따른 도덕판단 3수준 구분 ··············31

<표 Ⅲ -1> 국내 인공지능 제품·서비스 현황 ·················································47

<표 Ⅲ -2> 국내 AI스피커 현황 ···········································································52

<표 Ⅲ -3> 산업별 AI 적용분야 및 주요 AI기업 현황 ······························56

<표 Ⅲ -4> IBM 인공지능 솔루션 현황 ····························································57

<표 Ⅲ -5> 구글 클라우드 AI/머신러닝 빌딩블록 ·······································58

<표 Ⅲ -6> MS 애저 AI API 제품 현황 ···························································61

- iv -

그 림 목 차

[그림 Ⅰ -1] 인공지능과 컴퓨터의 비교 ·······························································3

[그림 Ⅰ -2] 인공지능의 정의 및 목표 ··································································3

[그림 Ⅰ -3] DNA와 게놈 ··························································································6

[그림 Ⅰ -4] 지능실현을 위한 뇌세포와 게놈의 상호적응성 ························7

[그림 Ⅰ -5] 신경회로망 원리 ···················································································8

[그림 Ⅰ -6] 인간의 사물인식 과정 ········································································8

[그림 Ⅰ -7] Cost function ·························································································9

[그림 Ⅰ -8] 인공지능의 역사 ·················································································10

[그림 Ⅰ -9] 인공지능의 성공요인 ········································································12

[그림 Ⅰ -10] 퍼셉트론 모델 ···················································································13

[그림 Ⅰ -11] 퍼셉트론의 한계점 ··········································································14

[그림 Ⅰ -12] 여러 퍼셉트론의 패턴 결정 형태 ··············································15

[그림 Ⅰ -13] 3층의 퍼셉트론 모델 ······································································17

[그림 Ⅰ -14] 오류 역전파 알고리즘의 순서도 ················································18

[그림 Ⅰ -15] 다층 퍼셉트론의 문제점 ·······························································19

[그림 Ⅰ -16] 컨볼루션 신경회로망에서의 필터기반 연산 ··························19

[그림 Ⅰ -17] 순환신경회로망에서 나타나는 사라지는 경사문제 ·············21

[그림 Ⅰ -18] LSTM 네트워크를 이용한 사라지는 경사문제 해결 ··········22

[그림 Ⅰ -19] 알파고 제로와 알파고 리 (알파고 )의 실력 비교 ···················22

[그림 Ⅰ -20] 강화학습의 개념 ···············································································23

[그림 Ⅰ -21] 신경회로망의 기본 구성 요소 ····················································26

[그림 Ⅰ -22] 다층 신경회로망과 딥러닝의 패턴분류 방법 ························27

[그림 Ⅲ -1] 아담 (ADAMs) 오픈API 서비스 ···················································48

[그림 Ⅲ -2] 카카오 ‘Kakao i’ 인공지능 플랫폼 ············································49

[그림 Ⅲ -3] 네이버 클로바 (Clova) 인공지능 플랫폼 ···································49

[그림 Ⅲ -4] LG전자 AI로봇 클로이 (CLOi) ·····················································50

[그림 Ⅲ -5] 삼성 빅스비 (Bixby) 개발자 생태계 구축 전략 ······················51

[그림 Ⅲ -6] 뷰노메드 본에이지 뼈 나이 영상 판독 例 ·····························53

- v -

[그림 Ⅲ -7] 루닛 인사이트 CXR 폐결절 의심 판독 例 ·····························54

[그림 Ⅲ -8] 라온피플의 AI NAVI를 이용한 불량품 검출 ························55

[그림 Ⅲ -9] 구글홈 AI스피커 기반 스마트홈과 구글렌즈 ························59

[그림 Ⅲ -10] 알렉사 탑재 AI스피커 ‘에코 ’와 ‘스킬 ’ 앱 사례 ·················60

[그림 Ⅲ -11] 애플 스마트홈 솔루션 (홈킷과 홈팟 ) ·····································61

[그림 Ⅲ -12] 변호사를 위한 AI 법률 연구검색 서비스 ·····························62

[그림 Ⅲ -13] 톰슨로이터의 AI법률서비스 ‘Westlaw Edge’ ·····················63

[그림 Ⅲ -14] AI 신약개발 지원도구 ‘왓슨 포 드럭 디스커버리 ’ ···········64

[그림 Ⅲ -15] AI기반 휴대용 초음파진단기기 ‘버터플라이 아이큐 ’ ······ 65

[그림 Ⅲ -16] 다크트레이스 AI기반 사이버보안 솔루션 ·····························66

[그림 Ⅲ -17] 소포스 인터셉트 엑스 대시보드 화면 ····································66

[그림 Ⅲ -18] 왓슨 포 사이버 시큐리티 학습도구 ········································67

[그림 Ⅲ -19] 우버 홍보 사진 ················································································68

[그림 Ⅲ -20] 에어비앤비 홍보 사진 ···································································69

[그림 Ⅲ -21] 김기훈 강사 외국 언론 기사 ·····················································70

[그림 Ⅲ -22] 인터넷 강의를 공부하고 있는 학생 ········································71

[그림 Ⅲ -23] 씽크유 화면 ·······················································································73

[그림 Ⅲ -24] 영어학원을 그만두는 이유 ··························································74

[그림 Ⅲ -25] 호두잉글리시 내 다양한 게임적 요소들 ·······························75

[그림 Ⅲ -26] 호두잉글리시의 다양한 학습적 장치들 ··································76

[그림 Ⅲ -27] 호두잉글리시 학습자의 학습 전 .후 fMRI이미지 ················76

[그림 Ⅲ -28] 웅진빅박스가 고객 맞춤형 동영상을 추천하는 화면 ·······77

[그림 Ⅲ -29] 웅진빅박스 메인 서비스 화면 ···················································77

[그림 Ⅲ -30] 웅진빅박스 화면 ··············································································78

[그림 Ⅲ -31] 클래스카드 교실 사용 장면 ························································79

[그림 Ⅲ -32] 에듀테크 프로젝트 흐름 ······························································82

[그림 Ⅲ -33] 스킬 프레임워크 예시 ···································································83

[그림 Ⅲ -34] 대시보드 예시 ··················································································84

[그림 Ⅲ -35] 인사이트 예시 (출처 : 키드앱티브 ) ···········································84

[그림 Ⅲ -36] 건너뛰는 행동의 위험성 ······························································87

[그림 Ⅲ -37] 문항 풀이 시간과 정답률의 상관 관계 ··································88

- vi -

[그림 Ⅲ -38] 빨리푸는 행동과 천천히 푸는 행동의정답률 ·······················89

[그림 Ⅲ -39] 웅진에서 출시한 AI코칭 서비스 홍보 화면 ························89

[그림 Ⅲ -40] 문항분석 예시 ··················································································90

[그림 Ⅲ -41] 고쳐야할 행동 분석 ·······································································90

[그림 Ⅲ -42] 웅진씽크빅 학습자역량 측정 모델 ··········································91

[그림 Ⅲ -43] AI코칭 론칭 전 후 , 국어과목의 성취도 곡선 ·····················92

[그림 Ⅲ -44] 산타토익 점수 향상 그래프 ························································93

[그림 Ⅲ -45] 뉴럴 네트워크 기반의 다차원 유저 모델링 ·························93

[그림 Ⅲ -46] 산타토익 진단평가 예시 ······························································94

[그림 Ⅲ -47] 딥러닝 기반의 평가 최소화 모델 ·············································95

[그림 Ⅲ -48] 스마트북 예시 화면 및 복습 기능 (오 ) ···································97

[그림 Ⅲ -49] 알렉스 화면 예시 ············································································97

[그림 Ⅲ -50] 스마트북 (왼 ) 및 커넥트 인사이트 (오 ) 예시 화면 ···············98

[그림 Ⅲ -51] 반도체 관련 기술의 혁신 ····························································99

[그림 Ⅲ -52] 디비스쿨 변환 화면 ·····································································101

[그림 Ⅲ -53] 스탠포드의 타임캡슐 복도 ························································102

[그림 Ⅳ -1] 과거 교육정보화 기본계획과 중점사항 ··································104

[그림 Ⅳ -2] e학습터 화면 ····················································································113

[그림 Ⅳ -3] 에듀테크 설문 응답 자료 ····························································114

[그림 Ⅳ -4] Intelligent adaptive learning model ·······································115

[그림 Ⅳ -5] VIP KIDS 수업 화면 ·····································································116

[그림 Ⅳ -6] 홀로그램 예시 ··················································································116

인공지능과 함께하는 미래교육

- 1 -

Ⅰ. 인공지능 개요

1. 지능이란?

가. 인간의 지능이란?

지능이란 일반적으로 개인이 어떤 사태나 상황에 처했을 때 발휘되는 정신기

능의 통합이라고 정의된다. 즉 지능은 그 사람이 잘 살아가기 위해서 필요한 판

단력이며, 사물의 본질을 꿰뚫어 보는 힘이다.

인간이 환경에 적응하여 잘 살아가기 위해서는 자기가 처한 상황을 의식하고,

그 속에서의 자신의 입장을 잘 알고, 생각하고, 그것에 의해서 지금 어떻게 활

동하면 좋은가를 올바로 판단할 것이 요구된다. 이 경우에 동원되는 정신기능이

지능이다. 따라서 지능에는 직감이라든가 순간적으로 마음에 떠오르는 판단력

에서부터, 순간적으로는 알 수가 없어도 오랜 숙고 끝에 겨우 어떠한 판단에 도

달하는 마음의 작용까지가 모두 포함된다.

지능이란 원래 하나의 개념이며, 그 형체가 눈에 직접 보이는 것도 아니고, 무

게를 달거나, 사진으로 찍거나 할 수 있는 실체도 아니다. 그 때문에 지능 자체

를 문제로 삼는다면 논의가 공전하기 때문에, 과학의 한 분야인 심리학은 실제

로 측정 가능한 수단으로서의 지능검사를 통해서 역으로 지능에 다가서려 했다.

정신 연령이 실제의 나이와 같은 사람, 즉 그 나이에 해당하는 『판단력』을 지

닌 보통 사람의 지능지수는 100이 기준이다. 사실 많은 사람들의 지능검사를 해

서 얻어진 지능지수 (IQ, Intelligent Quotient) 의 수치별로 인원수를 집계하여

그래프로 만들어 보면 100을 정점으로 하여 양단으로 완만한 경사를 이루면서

내려가 좌우 대칭의 그래프가 된다.

지능은 여러 가지 일들이 서로 어떻게 관련되어 있는가를 인식하여 올바른

판단을 내리는 정신의 활동이다. 이같은 인식과 판단을 하기 위해서는 과거의

체험과 눈 앞의 사물이 어떻게 결부되는가를 알지 않으면 안된다. 즉 지능이 작

용할 때는 기억과 그것에 바탕하는 판단의 양쪽이 필요하다. 그 기억과 판단을

관장하고 있는 곳이 대뇌 (cerebrum) 이다. 대뇌 안에 있는 신경회로 속의 신경

세포 (neuron)와 신경세포의 접속점인 시냅스 (synapse)에 어떤 종류의 변화가

일어남으로써 사물이 기억되는 것이다.

KERIS 이슈리포트

- 2 -

『방금 커피를 마셨다』고 하는 단기 기억은 신호가 신경회로를 전달해 갈

때 시냅스에서 방출되는 전달물질의 양이 변화해서, 그것에 의해 신호가 통과하

기 쉬워지거나, 통과하기 힘들게 되거나 함으로써 정보가 일시적으로 뇌에 저장

되게 된다. 장기 기억은 시냅스의 형태 변화, 즉 새로운 시냅스가 형성되거나

그 때까지 이미 형성되어 있던 시냅스의 형태에 변화가 일어나는 것에 의해서

뇌에 정보가 장기적으로 저장되게 된다. 지능이 작용한다는 것은 이를테면 “본

다”, “듣는다”와 같은 자극을 대뇌의 각 중추 (이 경우는 후두엽과 두정엽) 에서

지각하여 그것을 인식하는 것으로, 이 인식이라고 하는 판단 행위는 대뇌피질

(cerebral cortex) 의 넓은 영역이 관계하고 있다. 그 넓은 영역이 연합령이라고

불리는 곳이다.

나. 인공지능이란?

인간이 지닌 지적 능력의 일부 또는 전체를 인공적으로 구현하는 것이 인공

지능이다. 일반적으로는 범용 컴퓨터를 통해 소프트웨어적으로 구현하지만, 어

떤 것은 인간의 신경계를 모방한 특수한 회로를 칩으로 만들어 구현하기도 한

다. 현실에서는 걸음마 단계이나, SF물에서는 자주 나오는 소재이다.

인간은 호모 사피엔스, 즉 지혜를 가진 사람(man the wise)이라고 하는데, 이

것은 인간의 정신적 능력이 우리 일상생활에서 매우 중요하다는 것을 의미한다.

인공지능(artificial intelligence)이란 바로 이러한 인간의 지능적인 작용들을 이

해해 보자는 분야이다. 즉, 인간의 지능을 기계가 갖출 수 있도록 하는 일을 말

한다.

일반적으로 지능이란 ‘문제 해결 능력’이라고 정의할 수 있다. 우리가 여러 가

지 문제를 해결하는 데는 고도의 지능이 필요하기 때문이다. 예를 들면, 국어나

수학 문제를 푼다거나 하는 행위 등은 인간의 높은 지능이 요구되는 일이 된다.

인공지능은 철학이나 심리학과는 달리 지능 자체에 관심을 갖는다기 보다는 이

것을 어떻게 이해하고 컴퓨터로 구축하느냐에 더 관심을 두고 있다. 인간이 가

진 지능은 우리에게는 매우 쉬우나 컴퓨터는 이것을 갖기가 매우 어렵다. 우리

는 듣고 말하고 보는 행동이 매우 쉬우나 컴퓨터가 이러한 능력을 지니기는 매

우 힘들고 어려운 작업이며 현재 인공지능 분야에서 가장 힘든 연구대상이 되

고 있다.

인공지능은 다음 [그림 I-1]과 같은 배경에 의해 출발된 개념이다.


- 3 -

[그림Ⅰ-1] 인공지능과 컴퓨터의 비교

인공지능은 여러 학자들에 의해 개념이 정의되고 있으며 인공지능의 목표는 다음

[그림 I-2]에서와 같이 크게 4가지로 분류할 수 있다. 이러한 정의는 최근

ISO/IEC/JTC1/SC42 인공지능 표준화 회의에서 점점 구체화되면서 국제 표준화

되고 있다.

[그림Ⅰ-2] 인공지능의 정의 및 목표

1) 인간과 같은 사고 시스템(인지 과학적 접근 방법)

1985년 Haugeland와 1978년 Bellman은 인공지능의 목표를 인간과 같은 사고

시스템이라고 정의하였다. 이론적으로 인간처럼 생각하는 기계를 만들려면 우


- 4 -

선 인간의 사고 작용을 연구해야 하는데, 일반적으로 자기반성이나 심리학적 실

험을 통해 인간의 사고 작용을 이해할 수 있을 것이다. 이로부터 그럴듯한 가설

이 성립되면 프로그램을 통해 실현할 수 있게 된다. 만약 이렇게 생성된 프로그

램의 입출력 데이터가 인간의 그것과 동일하다면 인간처럼 사고하는 컴퓨터를

만드는데 일단 성공한 셈이 된다. 이렇게 연구하는 분야가 바로 인지과학

(cognitive science)이다. 인지과학은 인공지능에 기초한 컴퓨터 모델을 만들어

실제 실험을 통해 인간의 사고 작용을 모방하려는 분야이다. 그러나 인간의 복

잡하고 오묘한 사고 작용과 이것을 컴퓨터로 모델화한 것과는 여러 가지로 차

이점이 존재한다. 실제로 인지과학이 성과를 거두려면 여러 번의 사고 실험을

통해 조사하고 면밀히 연구하여야 할 것이다.

2) 합리적 사고 시스템(사고의 법칙적 접근 방법)

1985년 Charniak과 McDermott, 1992년 Winston은 인공지능의 목표를 합리적

으로(이론적이 아닌) 사고하는 시스템이라고 정의하였다. 이를 위해서 과거로

거슬러 올라가면 그리스의 철학자 아리스토텔레스는 올바르게 생각하고 사고하

는 과정에 대해 최초로 성문화한 학자이다. 그는 다음과 같은 유명한 논리로써

합리적 사고의 논리적인 과정을 제안하였다. 즉, “소크라테스는 사람이다. 사람

은 죽는다. 그러므로 소크라테스도 죽는다”. 소크라테스적인 논리적 흐름에 기

초하여 인간의 사고 과정을 컴퓨터로 프로그래밍화 하고자 하는 것이 인공지능

의 또 하나의 목표가 될 수 있다. 물론 이때 인간의 비형식적인 언어를 컴퓨터

의 논리 시스템에 적용하기 위해 형식적인 언어로 바꾸어주는 과정이 필요하며,

이미 저장된 여러 지식들로부터 입력에 대해 적당한 결론을 추론해 낼 수 있는

과정도 필요하게 된다. 즉, 정확한 추론 과정이 매우 중요하다.

3) 인간과 같은 행동 시스템(튜링 테스트적 접근 방법)

1990년 Kurzweil과 1991년 Rich와 Knight는 인공지능의 목표를 인간과 같은

행동 시스템이라고 정의하였다. 1950년 Turing이 제안한 튜링 테스트(컴퓨터가

인공지능을 갖추었는지를 판별하는 실험으로 컴퓨터와 대화를 나누어 컴퓨터의

반응을 인간의 반응과 구별할 수 없다면 해당 컴퓨터가 사고할 수 있는 것으로

간주한다)에 따르면 지능적인 행동이란 질문자를 바보로 만들 정도로 모든 인

지적인 작업들에 있어서 인간과 같은 수준의 성능을 이루어 내는 능력이라고

정의하였다. 튜링 테스트는 자연어 번역 및 처리, 지식 표현 및 저장, 내장된 지

식으로부터의 자동화된 추론, 패턴 인식, 기계 학습 등의 분야에 널리 응용되게

되었다. 또한 튜링 테스트는 테스트한 내용을 좀 더 정확히 전달하기 위해 컴퓨


- 5 -

터 비전, 로보틱스 등의 발전을 필요로 하는 계기가 되었다.

4) 합리적인 행동 시스템(합리적인 에이전트적 접근 방법)

1990년 Schalkoff와 1993년 Lugar와 Stubblefield는 인공지능의 목표를 합리적

인 행동 시스템이라고 정의하였다. 합리적으로 행동한다는 것은 주어진 확률 정

도가 있을 때 어떤 목표를 달성하기 위해 행동하는 것을 의미한다. 즉, 합리적

인 에이전트적 접근 방식을 말한다. 앞에서 설명한 인공지능의 목표 중 두 번째

의 합리적 사고의 접근 방식에서는 정확한 추론 과정을 매우 중요시한다. 물론

정확한 추론은 합리적인 에이전트가 되기 위한 일부분임에는 틀림없다. 왜냐하

면 합리적으로 행동한다는 것은 어떤 목표 달성을 위해 논리적으로 결론에 도

달하도록 추론을 해나가야 하기 때문이다. 그러나 정확한 추론이 항상 합리적이

라고는 볼 수 없다. 왜냐하면 정확히 증명할 수는 없으나 여전히 행해지는 일들

이 종종 있기 때문이다. 게다가 합리적으로 행동한다는 것이 반드시 추론 과정

을 통해서만 이루어진다고는 말할 수 없기 때문이다. 예를 들면, 뜨거운 난로가

있다고 하자. 만약 사람이 모르고 난로에 손을 댔다가 뜨거워서 손을 얼른 떼는

작용은 사람의 신중한 사고 과정 후에 행해지는 반응이 아니라 단순한 반사작

용에 불과하기 때문이다. 이때 빨리 손을 떼면 뗄수록 더 합리적일 테니까 말이

다. 합리적인 행동 시스템으로써의 인공지능을 설계할 경우 두 가지 장점이 있

다. 첫째, 이러한 접근 방법은 인공지능 목표 중 하나인 합리적인 사고 시스템

적인 접근 방식보다 더 일반적이다. 왜냐하면 정확한 추론이 합리적인 행동을

이루기 위해서 필요하고도 유용한 메커니즘이기 때문이다. 둘째, 인간의 사고

과정이나 행동에 의존하는 접근 방식보다 더 과학적이기 때문이다. 왜냐하면 인

간의 행동이란 외부 환경에 잘 적응되기 쉽고 목표 달성과는 거리가 먼 어떤

복잡한 과정의 한 부산물이 되기 쉬우나 합리적이란 말은 훨씬 더 정의하기 쉽

고 명백하기 때문이다.

인공지능은 일반적으로 자아를 지닌 '강인공지능(strong AI)'과 자아는 없으며

주어진 조건 하에서 지시를 따르는 '약인공지능(weak AI)'으로 크게 구분되어

진다. 강인공지능은 아직 개발되지 않았으며 강인공지능의 개발이 가능한지에

대해서도 의견이 분분하다. 자아를 지닌 인공지능이 도래할 것이란 증거가 없지

만, 반대로 나타나지 않을 것이라는 증거 또한 존재하지 않기 때문이다.

아마도 인공지능이 개발되는 순간부터 인류의 생물학적 진화로서의 지능의

발전은 거의 한계에 다다를 것이며, 이제는 인류의 지능보다 더 높고 뛰어난 인

공지능의 개발로 지능이 필요한 영역을 진보, 발전시켜나갈 것이다. 그리고 인


- 6 -

류의 지능과 인공지능이 결합된 형태 또는 인공지능+컴퓨터가 인간의 지능을

대체, 보완하는 형태로 인류는 인공지능을 매개로 지금보다 더욱 더 뛰어난 연

구, 기술개발, 기술발전이 가능할 것이다.

다. 인간지능과 인공지능의 차이

인간지능과 인공지능을 세 가지 측면인 소프트웨어 측면, 하드웨어 측면, 데

이터 측면에서 비교해보고자 한다.

인간은 다음과 같은 소프트웨어적인 지능 메커니즘을 갖고 있다.

[그림Ⅰ-3] DNA와 게놈

[그림 I-3]에서 보여주는 것처럼 DNA는 이중나선형 구조로 이루어져 있으며,

아데닌(A), 시토신(C), 구아닌(G), 티민(T)이라는 4가지 종류의 염기들의 조합을

통해 인간의 눈, 코, 입모양, 키, 성격 등의 유전정보를 표현한다. 이런 유전정보

를 갖고있는 DNA들의 집합체인 염색체들이 모여서 인간 게놈(genome)을 형성

하여 결국 인간을 만들어내는 것이므로 ‘인간은 DNA의 덩어리이다’라고 말하

곤 한다.

컴퓨터는 0,1의 비트에 의해 디지털적으로 정보를 표현한다는 면에서 인간유

전자와 유사하다. 하지만 인간 유전자는 4가지 종류의 염기를 이용해 유전정보

를 표현하고 있는데 반해, 컴퓨터는 0과 1이라는 2가지 종류를 이용해 정보를

표현하고 있다는 점에서 표현능력에 차이가 많이 난다.


- 7 -

그러나 소프트웨어적인 측면에서 컴퓨터의 표현능력 한계를 극복하기 위해

단순히 0,1만이 아니라 [0,1]사이의 수 많은 실수(float)에 의해 정보를 표현하고

처리할 수 있도록 하는 연구들을 수행하여 왔는데 이것이 인공지능의 알고리즘

적 연구이다. 딥러닝 알고리즘도 이 중의 하나이다.

두 번째로 하드웨어적인 측면에서 보면 다음과 같다. 인간의 뇌세포(신경세

포) 안에는 수많은 게놈들이 분포하고 있다. 이처럼 게놈은 뇌세포라는 하드웨

어안에 있으면서 상호작용을 하여 뇌세포가 변화하는 것을 돕도록 되어 있다

([그림 I-4]). 즉, 새로운 환경을 만나게 되면 뇌세포는 게놈의 작용을 끊임없이

변화시키게 되고 게놈은 이러한 뇌세포를 도와서 끊임없이 변화하게 된다. 왜

이렇게 할까요? 인간지능은 ‘smart’라는 것을 구현하기 위해 뇌세포와 게놈의

상호작용과 상호적응(adaptabillity)을 매우 중요시하고 있다는 뜻이다.

[그림Ⅰ-4] 지능실현을 위한 뇌세포와 게놈의 상호적응성

인공지능에서는 이러한 ‘smart’구현의 일환으로 ‘학습(learning)’을 하게 되는

데, 이 과정에서 신경회로망(뇌세포를 컴퓨터로 모델링한 네트워크 구조, neural

network이라고 함)을 통해 정보(neuron에 해당)를 끊임없이 반복시킴으로써,

input-output과의 관계를 학습하고 있다([그림 I-5]). 이때 중요한 것은 원래의

학습시키려는 desired output(target y)과 실제 프로그램에서 반복시키면서 나온

actual output(output)간의 오차인데, 이것을 줄이기 위해 수 만번의 반복과정을

거치는데 이것이 인간지능의 상호적응과정에 해당된다. 이러한 이유로 실선을

따라서 전방향 진행했다가 desired output과 actual output간의 오차를 줄이기

위해 빨간색으로 오류를 전파시키면서 후방향 진행하는 알고리즘을 반복하게

되는 것이다.


- 8 -

[그림Ⅰ-5] 신경회로망 원리

세 번째로 데이터처리방식적인 측면에서 살펴보면 다음과 같다. 인간은 다음

과 같은 데이터처리능력을 갖고 있다. 인간지능에서는 만약 [그림 I-6]과 같은

고양이 사진이 들어오면 우리 뇌의 여러 부분에서 뇌세포(뉴런)들이 서로 분담

하여 분산처리하는 방식으로 사물을 인식하고 상호작용함으로써 궁극적으로 서

로 협상하고 통합하여 하나의 완성된 데이터를 만들어내는 특징이 있다.

[그림Ⅰ-6] 인간의 사물인식 과정(출처: http://qiita.com/kazunori279/items/3ce0ba40e83c8cc6e580)


- 9 -

그동안 이러한 인간지능의 특징을 잘 구현하지 못해서 인공지능이 다소 침체

기에 있었으나 이러한 인간지능의 특징을 잘 이용하여 분산처리하는 방식으로

의 데이터처리 및 학습 알고리즘을 개발함으로써 보다 인간지능에 가까운 인공

지능을 구현하게 되었다.

인간은 가장 에너지가 적게 소모되는 점에서 사물을 인식하고 판단해왔다. 이

것이 처리해야 할 데이터의 소모가 가장 적고 또 가장 확실하게 판단을 할 수

있게 하는 방법이라는 것을 인간은 무의식적으로 이미 알고 있었기 때문이다.

인공지능에서는 이것을 비용함수(cost function)라고 하여 [그림 I-7]과 같은 함

수를 사용한다.

[그림 I-7]에서 H(xi)는 인공지능 학습과정에서 나오는 실제 출력값이며 yi는

원하는 이상적인 출력값이다. 이 둘의 차이를 가장 최소화 시키는 점이 비용

(cost)를 가장 적게 소모하고 판단할 수 있는 지점이 된다. 인공지능은 인간지능

의 특성을 반영하여 바로 이러한 비용함수를 학습알고리즘에 적용시키기 때문

에 반드시 하나의 답은 산출해줌을 보장하고 있음을 의미한다. 이것이 인공지능

에서 ‘지능(smart 혹은 intelligence)’을 실현시키는 나름대로 방법이며 철학이다.

[그림Ⅰ-7] 비용함수(출처: https://www.quora.com/Why-is-convexity-a-useful-property-for-a-function-to-have 수정)


- 10 -

2. 인공지능 관련 기술

가. 인공지능 연구의 역사

인공지능은 다음 [그림 I-8]과 같은 역사적 흐름을 갖는다. 과거 튜링에서부터

딥러닝에 이르기까지 많은 연구가 진행되었다.

[그림Ⅰ-8] 인공지능의 역사

인공지능을 4차산업혁명의 주요 개념으로 등장시킨 것은 2016년의 알파고 승

리라고 말할 수 있다. 인공지능의 역사를 설명하면 다음과 같다.

1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의

를 통해 처음으로 인공지능(AI)라는 용어가 사용되기 시작했다. 당시 인공지능

연구의 핵심은 추론과 탐색이었고, 이러한 인간처럼 생각하고 문제를 풀 수 있

는 인공지능을 구현하려는 연구는 1970년대까지 활발히 진행되다가, XOR와 같

은 단순하고도 간단한 문제를 풀지 못하였기에 인공지능은 잠시 암흑기를 맞이

한다.

인공지능의 연구는 1980년대에 다시 활성화 되는데, 이때에는 컴퓨터에 지식

과 정보를 학습시키는 연구가 이루어지면서 여러 가지 실용적 전문가 시스템들

이 개발되었기 때문이다. 그러나 방대한 데이터 관리에 문제점이 노출되면서

1990년대 초반까지 또 한 번의 암흑기를 맞이하게 된다.

그러나 1990대 후반 인공지능 연구는 인터넷과 함께 또 한 번 활성화되는데,

바로 검색 엔진 등을 통해 이전과는 비교도 할 수 없이 방대한 데이터를 수집


- 11 -

할 수 있게 되었기 때문이다. 즉 머신러닝을 통해 수많은 데이터를 분석하여 인

공지능 시스템 자신 스스로 학습하는 형태로 진화할 수 있었기 때문이다. 이것

이 빅데이터의 등장이다.

인간의 뇌를 모방한 신경회로망구조로 이루어진 딥러닝 알고리즘은 기존 머

신러닝의 한계를 더욱 뛰어넘게 했다. 2006년 캐나다 토론토대학의 제프리 힌튼

교수가 처음 발표하면서 알려지게 된 딥러닝은 얀 레쿤과 앤드류 응과 같은 세

계적인 딥러닝 구루들에 의해 더욱 발전했고 현재 이들은 구글, 페이스북, 바이

두 같은 글로벌 IT 회사에 영입되어 그 연구를 더욱 가속화하고 있다. 주로 음

성 인식, 영상 이해, 기계번역 등에 쓰이고 있는 딥러닝 알고리즘은 2012년 캐

나다 토론토대학의 알렉스 크리제브스키가 이미지넷(IMAGENET)이라 불리는

이미지 인식 경진 대회에서 딥러닝을 활용하여 자체적으로 이미지를 인식하는

컴퓨터로 우승을 차지하면서 또 한 번의 획기적인 전환점을 맞이하게 된다. 바

로 딥러닝 연구에 GPU가 전면으로 등장하게 된 계기이기도 하다.

알파고는 알파고 제로로 더욱 발전하여 인간의 지식없이도 학습할 수 있는

경지에 이르게 되었다. 알파고 제로는 지금까지 나온 알파고 버전 중 가장 강력

하다. 알파고 제로는 72시간 독학을 한 후, 이세돌 9단과 대결한 ‘알파고 리’와

대국하였는데 결과는 100전 100승이었다. 그뿐만 아니라, 세계랭킹 1위 커제 9

단을 3대 0으로 꺾었던 ‘알파고 마스터’와의 대국에서마저 100전 89승 11패의

성과를 거뒀다.

더 놀라운 것은 알파고 제로가 인간이 쌓아 놓은 바둑의 기술과 기보를 단 하

나도 참고하지 않았다는 사실이다. 인간의 가르침 없이 말 그대로 ‘제로 베이스’

에서 출발한 것이다. 데이터가 없는 백지상태에서 알파고 제로는 한 수에 0.4초

가 걸리는 ‘초속기’ 바둑으로 490만 판을 자기 자신과 대국하면서 약점을 고치

고 스스로 진화했다. 그렇게 72시간의 훈련을 끝마친 알파고 제로는 알파고 리

를 상대로 100대 0의 압승을 거뒀다. 그리고 다시 40일에 걸쳐 2,900만 판을 혼

자 둔 알파고 제로는 알파고 마스터까지 제압했다.

이와 같이 인공지능을 가능하게 하는 성공요인은 다음 [그림 I-9]와 같이 컴퓨

팅 능력, 빅데이터 능력, 알고리즘 능력의 조화에 있다고 볼 수 있다.


- 12 -

[그림Ⅰ-9] 인공지능의 성공요인

나. 인공지능을 가능하게 하는 알고리즘

이번 장에서는 인공지능에서 기본적인 학습알고리즘을 소개하고자 한다.

1) 퍼셉트론

퍼셉트론은 1957년 미국의 Rosenblatt가 단순히 패턴을 인식하기 위해 제안한

모델로 당시에는 상당한 주목을 받은 신경회로망 모델이다. 즉, 퍼셉트론은 입

력 패턴이 두 개의 클래스 중 어느 하나에 속함을 결정할 때 주로 사용되는 모

델이다. 퍼셉트론은 다음 [그림 I-10]에 나타난 계층적 입출력형 모델 구조를 가

진다.

이 그림에서 단일 노드는 입력값의 가중치합에서 임계값 를 뺀 다음 계단형

비선형 활성화 함수에 의해 출력값을 산출한다. 이때 출력값은 +1이거나 -1인

데, A 클래스에 속하면 +1을, 반대로 B 클래스에 속하면 -1을 출력한다. 퍼셉트

론과 같은 신경 회로망의 특성을 분석하기 위해서는 입력 패턴들의 집합을 다

차원 공간 내에 생성된 결정 영역(decision area) 지도를 작성하는 것이 효율적

이다. 결정 영역은 입력 패턴을 각 클래스로 분류해 준다.


- 13 -

(a) 구조 (b) 병렬적 계산 과정

(c) 기본적인 노드에서의 입출력 과정

(d) 3가지 대표적인 비선형 활성화 함수[그림Ⅰ-10] 퍼셉트론 모델

퍼셉트론에서는 입력 패턴이 결정 경계선(decision boundary)을 중심으로 두

영역으로 나뉘는데, 일반적으로 2차원인 경우는 직선으로, 차원인 경우는 차

원 초평면으로 나뉜다. 이 직선은 [그림 I-10] 의 가중치 w와 또는 a 값에 의

해서 결정된다.

그러나 퍼셉트론은 이동․확대․중복 및 회전된 패턴인 경우 결정 경계선이

계속적으로 진동함으로써 정확히 분류되지 못하는 단점이 있다. 이점을 보완하

고자 하여 제안한 방법이 최소 평균 자승(LMS, least mean square) 알고리즘으

로 원하는 출력값과 실제 출력값과의 평균 자승 오류(mean square error)를 최


- 14 -

소화시킨 것이다. LMS 알고리즘은 퍼셉트론 알고리즘에서 비선형 활성화 함수

중 계단함수인 대신 선형 또는 임계 논리 비선형 활성화 함수

(threshold-logic nonlinearity)를 사용한 방법으로 가중치는 단순 퍼셉트론보다

좀 더 정확하게 조절된다는 특징을 갖는다.

퍼셉트론의 문제점은 1969년 Papert와 Minsky에 의해 XOR 문제나 패리티

비트(pariby bit) 문제 등의 학습이 불가능함을 지적함으로써 더욱 가중되어 신

경 회로망이 한동안 침체기에서 벗어나지 못하는 원인이 되기도 하였다.

예를 들어, 가장 기본적인 XOR 문제를 생각해 보자. 이 경우 x, y 두 개의 입

력값이 서로 같은 값 ((0,0), (1,1))이면 출력값은 0을, 서로 다른 값 ((0,1), (1,0))

이면 출력값은 1을 가진다. 이때 퍼셉트론에 의해 패턴 분류를 해 보면 두 가지

패턴을 동시에 선형 분리할 수 없다는 것을 알 수 있다.

다음 [그림 I-11]은 선형 분리가 가능한 일반적 개념과 퍼셉트론에서의 한계점

을 나타낸 그림으로 위에서 설명한 것과 같다.

[그림Ⅰ-11] 퍼셉트론의 한계점

좀 더 다양한 퍼셉트론인 경우 패턴 분류 형태를 알아보기 위해 다음 [그림

I-12]는 단층 퍼셉트론과 퍼셉트론을 몇 개의 층으로 구성한 다층 퍼셉트론인

경우 A 클래스와 B 클래스를 구분하는 것에 관한 그림을 나타내었다. 그림에서

빗금 친 부분이 A이고, 흰부분이 B이다. 는 앞의 그림에서 계산함수를 나타내

는 비선형 활성화 함수를 말한다.


- 15 -

구 조 XOR 빗금으로 구분된 클래스결정 구역

단일층

2층

3층

수평면에 의해 두 구역으로

구분

컨벡스 오픈 또는 닫힌

영역들임의 구역

(처리기 수에 따른 복잡성

지님)

일반적인 영역모양

[그림Ⅰ-12] 여러 퍼셉트론의 패턴 결정 형태

이 그림에서 보듯이 다층 퍼셉트론(여기서는 3층)인 경우 2층보다는 잘 분류

함을 알 수 있다. 2층의 퍼셉트론은 그림에서 볼록한 영역인 컨벡스 홀(convex

hull)을 형성하고 있다. 여기서 ‘컨벡스’란 같은 클래스내 입력 패턴을 묶어주는

임의의 선을 의미한다. 2층의 퍼셉트론인 경우는 2개의 입력 노드를 갖는 XOR

문제를 해결하는데 한계가 있음을 나타내고 있다. 즉, 하나의 결정 경계선만으

로는 A와 B를 정확하게 분류하기 어렵다. 그림에서 어느 선으로도 두 그룹이

정확히 분류가 되지 않고 겹치고 있음을 알 수 있다.

그러나 3층의 퍼셉트론은 2층보다 보다 복잡한 컨벡스 홀을 형성함으로써

XOR 문제를 해결하고 있음을 알 수 있는데, 이 모델은 기존의 최근접 이웃 분

류기(nearest neighbor classifier)와 유사한 구조를 갖는다. Lippmann은 퍼셉트

론 형태의 전향적 신경 회로망 모델인 경우는 3층 정도면 임의의 컨벡스 영역

을 잘 형성해 주므로 효율적으로 분류 가능하다고 하였는데, 실제로도 4층이상

의 퍼셉트론은 별로 효과가 높지 않게 나타나고 있다. 따라서 3층 정도면 적당

한 퍼셉트론 모델임을 알 수 있다.

2) 다층 퍼센트론 : 오류 역전파 학습알고리즘

다층 퍼셉트론은 입력층(input layer)과 출력층(output layer) 사이에 하나 이

상의 계층을 갖는 신경 회로망을 말한다. 예를 들어, 3층의 퍼셉트론은 입력층

과 출력층 사이에 하나의 은닉층(hidden layer)을 가진다.


- 16 -

다층 퍼셉트론은 단층 퍼셉트론의 단점을 해결하기 위해 제안된 모델이지만

적당한 학습 알고리즘이 없다는 이유로 많이 사용되지는 못하였다. 그러나 새로

운 알고리즘의 개발로 많이 사용되고 있는데, 그것이 오류 역전파 알고리즘

(error back propagation algorithm)이다.

오류 역전파 알고리즘을 설명하기 전에 델타 규칙(delta rule)에 관해 간단히

설명하겠다. 먼저 입력층 와 출력층 에 각각 개와 개의 노드가 있는 2층

으로 된 퍼셉트론 모델을 생각해 보자. 만약 이 모델의 입력층에 입력 패턴 에

대한 입력값이 들어왔을 때 출력층의 번째 노드의 실제 출력 은 입력층의

번째 노드의 출력 와 가중치 로 결정된다. 즉,

이때 출력층에서의 오차를 원하는 출력값(교사 신호) 와의 차이라고 하면,

실제 출력값과 원하는 출력값과의 차이의 제곱 즉, LMS 함수가 입력 패턴

에 대한 오차 함수 가 되며 모든 입력값에 대한 오차 는 의 합으로써 구

해진다.

여기서, 가 최소일 때 신경 회로망은 최적 상태라고 한다. 우선 변화에

따른 의 영향을 계산하기 위해 오차 를 에 관해 편미분 해보면, 는

의 함수이며 는 의 함수이기 때문에 다음 식이 성립한다.

∗

여기에 위의 두 식을 이용하면,

∗

가 된다. 그러나 이 식이 반드시 최소값이라고 할 수 없으므로 경사 하강

(gradient descent) 방법을 써서 의 변화량을 계산하면,

∆

∗


- 17 -

가 된다. 이 식의 의미는 입력값 에 대해 오차 함수가 최소화되도록 가중치를

계속 변화하고 있음을 나타내는 식이다. 따라서 모든 입력값에 대해 전체 오차

함수의 합인 가 감소하는 방향으로 가중치가 계속적으로 조절되어 결국 는

가장 작은 극소점에 도달하게 된다. 이러한 과정을 델타 규칙이라고 한다. 이

델타 규칙에 하나 이상의 은닉층이 있는 3층 이상의 신경 회로망으로 확장한

학습 방법이 오류 역전파 알고리즘이며 다른 말로 ‘일반화된 델타 규칙

(generalized delta rule)’이라고도 한다.

다소 어렵게 보였지만 결론적으로 보면, 오류 역전파 알고리즘은 일반화된

LMS 알고리즘인 것이다. 이 알고리즘은 원하는 출력값과 실제 출력값과의 차

이의 제곱을 가장 최소화 하고자 경사 하강 방법을 적용한 알고리즘으로 에너

지(cost)를 가장 최소화하는 방향으로 점점 변화하게 된다. 따라서 입력 노드와

관련없는 클래스의 모든 노드의 원하는 출력값은 점점 낮아지고 반대인 경우는

높아지게 되는 원리를 적용한 알고리즘이다. 이러한 이유로 학습을 하면 할수록

관련된 출력값들이 점차 높은 값을 갖게 되므로 분류가 잘 되는 것이다.

오류 역전파 알고리즘은 전형적인 지도학습(supervised learning) 알고리즘을

사용한다. 먼저 신경 회로망이 다음 [그림 I-13]과 같이 3층인 다층 퍼셉트론으

로 구성되었다고 가정한다.

[그림Ⅰ-13] 3층의 퍼셉트론 모델


- 18 -

[그림Ⅰ-14] 오류 역전파 알고리즘의 순서도

오류 역전파 알고리즘은 [그림 I-14]의 알고리즘을 이용하여 XOR 문제나 음

성 인식 및 합성 문제, 시각 패턴 인식 문제 등에 많이 이용되어 좋은 결과를

보여주고 있다.

그러나 몇 가지 문제점이 있는데 첫째, 수렴을 위해 필요한 훈련 데이터의 입

력 횟수가 대개 100번 이상으로 매우 많다는 점이다. 특히, 음성 인식의 경우는

더욱 그러하다. 둘째, 가중치가 수렴하지 않고 발산하는 경우 심각한 문제점을

초래할 수 있다는 점이다. 그럼에도 불구하고 오류 역전파 알고리즘은 성능이

다른 학습 알고리즘보다 뛰어나기 때문에 다층 퍼셉트론 구조에서 많이 사용되

는 신경 회로망 학습 알고리즘이다.


- 19 -

그러나 다음 [그림 I-15]에서와 같이 현재 점에서 급경사면을 따라 내려오면서 전

역 최소점(global minima)이 아니면서 미분값이 0인 지역 최소점(local minima)

에 빠지는 현상이 발생하는 것이 다층 퍼셉트론의 가장 큰 문제점이다. 이러한

점을 개선하기 위해 시스템에 충격을 줌으로써 즉, 파라메터 값을 변화시킴으로

써 전역적 최소점에서 분류하고 인식하도록 하고 있다.

(a) 연결강도의 변화에 따른 복잡한 출력의 예 (b) 연결강도와 오차함수[그림Ⅰ-15] 다층 퍼셉트론의 문제점

3) 딥러닝 : 컨볼루션 신경회로망

딥러닝의 대표적인 알고리즘인 컨볼루션 신경회로망은 완전 연결 신경회로망

구조이며, 연결 개수의 증가에 따라 가중치의 개수가 기하급수적으로 증가하는

구조를 갖는다. 이러한 문제를 해결하기 위해 인접한 층 간의 모든 노드의 연결

을 고려하는 대신, 크기가 작은 필터(filter)가 존재한다고 가정하고 [그림 I-16]

과 같이 필터가 겹쳐지는 부분에 대해서만 가중치합 및 활성화 함수 연산을 하

도록 한다.

[그림Ⅰ-16] 컨볼루션 신경회로망에서의 필터기반 연산


- 20 -

하나의 필터는 그 크기만큼의 개수에 해당하는 가중치를 가지고 있으며, 이미

지 상의 어느 특정한 특징을 요인으로 추출하여 출력할 수 있도록 가중치의 학

습이 이루어진다. 이 그림에서 3×3 크기의 필터가 입력층의 가장 좌측 상단

3×3 영역에 적용되어, 이들 노드에 대한 가중치합 및 활성화 함수 연산을 수행

하고 그 출력값을 z22에 저장한다.

이렇게 필터는 원본 입력층 상에서 일정 간격만큼 가로와 세로방향으로 이동

하면서 가중치합 및 활성화 함수 연산을 수행하고, 그 출력값을 현재 필터의 위치에

놓는다. 이러한 연산 방식은 컴퓨터 비전(computer vision) 분야에서 이미지에 대한

컨볼루션(convolution) 연산과 유사하여, 이러한 구조를 채택하는 딥러닝 신경회

로망을 컨볼루션 신경회로망(CNN, convolutional neural network)이라고 한다. 컨

볼루션 연산 결과 생성되는 은닉층을 특별히 컨볼루션 층(convolutional layer)이라고

부르며, 복수개의 컨볼루션 층이 존재하는 신경회로망을 심층 컨볼루션 신경회로망

(DCNN, deep convolutional neural network)이라고 한다.

이렇게 컨볼루션 층에서는 현재 필터가 위치한 노드에서, 그 필터가 커버하고

있는, 물리적으로 가까운 곳에 위치한 노드만을 포괄하여 가중치합을 계산하는

데, 이는 가중치의 개수를 줄여주는 것 외의 또 다른 장점을 제공한다. 하나의

필터로 하여금 국부(local) 영역에 대한 특징에 집중할 수 있도록 한다는 것이

다. 이러한 특성 때문에, 컨볼루션 필터는 2차원 영역 상의 물리적 거리가 중요

한 판단 기준이 되는 이미지 등의 데이터에 대하여 효과적으로 적용될 수 있다.

예를 들어, ‘이미지 상의 특정 영역 상에서의 수직 방향 경계 존재 가능성’이

라는 요인을 추출하는 5×5 크기의 필터가 있다고 하자. 이 필터가 현재 이미지

상의 (23,35) 위치에 있을 경우, (21,33)에서 (25,37) 사이에 있는 정사각형 영역

상에 위치한 픽셀(pixel)들의 값만을 참조한다. 일반적 다층 퍼셉트론에서와 같

이 현재 위치에서 물리적으로 멀리 떨어져 있는 픽셀의 값은 조사하지 않는다.

실제로 컨볼루션 신경회로망에서는 컨볼루션 층 직전에 복수 개의 필터를 설

치하고 각 필터의 컨볼루션 연산을 통해 복수 개의 출력 결과물이 생성한다. 컨

볼루션 신경회로망은 본래 2차원적 속성을 지니는 데이터에 효과적으로 적용할

수 있다. 컨볼루션 신경회로망은 이미지 인식 분야에서 이 가장 많이 사용된다.


- 21 -

4) 딥러닝 : 순환 신경회로망

순환 신경회로망(RNN, recurrent neural network)을 이용하면 시계열 데이터

를 효과적으로 모델링할 수 있다. 하지만 순환 신경회로망은 시간에 따라 학습

이 계속 진행됨에 따라, 앞에서 입력으로 받은 정보가 학습에 미치는 영향이 점

점 감소하다가 결국에는 사라져버리는 vanishing gradient problem을 가지고

있다. 이를 그림으로 나타내면 [그림 1-17]과 같다.

[그림Ⅰ-17] 순환신경회로망에서 나타나는 사라지는 경사문제

이 그림에서 time 1에서 들어온 입력 데이터는 처음에는 네트워크 학습에 강

한 영향력을 끼치다가, 점점 새로운 입력이 들어오면서 time 1에서 들어온 입

력의 영향력은 감소하고, 결국에는 time 1에서 들어온 정보는 네트워크 학습에

아무런 영향을 끼치지 못하게 된다. 이는 네트워크 학습에 사용하는 경사도

(gradient)가 사라지는(vanishing) 현상이므로 이 문제를 ‘사라지는 경사문제

(vanishing gradient problem)’라고 한다.

이 문제를 해결하기 위해 좀 더 복잡한 순환신경회로망 구조인 LSTM(Long

Short Term Memory)가 [그림 I-18]에서 제안되었다. LSTM 네트워크는 순환 신

경회로망의 은닉층을 Input Gate, Output Gate, Forget Gate라는 세 가지 게이

트로 구성된 메모리 블록으로 대체한 구조이다. LSTM 네트워크가 어떻게

Vanishing Gradient Problem을 해결하는지 그림을 통해 설명하겠다.


- 22 -

[그림Ⅰ-18] LSTM 네트워크를 이용한 사라지는 경사문제 해결

[그림 I-18]에서 O는 gate가 열려있음을, -는 게이트가 닫혀있음을 뜻한다.

Time 1에서의 입력 데이터를 받은 이후에 input gate를 닫아버려서 새로운 입

력을 받지 않고, forget gate를 열어서 time 1에서의 입력데이터를 계속해서 전

달받으면, time 1에서의 입력의 영향력을 계속해서 가져갈 수 있다. 마지막으로,

output gate를 열고 닫으면서, time 1에서의 입력데이터의 영향력을 반영하거

나 반영하지 않을 수 있다.

5) 강화학습

인공지능은 기본적으로 방대한 양의 데이터가 필요하다. 알파고 리도 7개월간

기보 데이터를 학습했고 이세돌을 비롯한 수천 명의 인간 고수들과의 대국을 거

치면서 실력을 키웠다. 이런 방식의 인공지능 학습을 ‘지도학습(supervised

learning)’이라고 하며 앞의 퍼셉트론 및 오류 역전파 알고리즘이 이에 해당된다.

[그림Ⅰ-19] 알파고 제로와 알파고 리(알파고)의 실력 비교


- 23 -

허사비스는 인공지능을 훈련시키기 위해 방대한 데이터를 수집·입력하고 전

문가의 지식을 동원하기까지 너무 큰 비용이 들고 오랜 시간이 걸리며, 인간의

잘못된 지식이나 선입견이 인공지능의 학습에 걸림돌이 될 수 있다고 지적하였

다. [그림 I-19]는 학습시간에 따른 알파고와 알파고제로의 실력비교를 나타낸

그림이다.

이와 같이 학습으로 인한 문제를 극복하기 위해 등장하여 주목받고 있는 것이

인공지능 스스로 수많은 시행착오를 통해 요령을 터득하는 [그림 I-20]의 ‘강화

학습(reinforcement learning)’이다.

알파고 제로는 이 강화학습 방식을 기반으로 인간의 데이터에 의존하지 않고

다양한 지식을 스스로 익혔다. 이는 결국 인공지능이 데이터 없이도 독학을 통

해 인간의 지도를 받을 때보다 더 똑똑해질 수 있음을 증명한 셈이다. 또 알파

고 리를 학습시키는 데는 수개월이 걸린 반면, 알파고 제로가 훈련하는 데 걸린

시간은 단 3일에 불과했다.

16만 개의 기보와 3,000만 번의 대국을 익힌 알파고 리와 달리 알파고 제로는

단 500만 번의 국면만 학습했다. 기존 알파고가 수를 정하고 각 수별로 승률을

평가하는 2개의 신경망을 사용했다면, 알파고 제로는 이를 통합한 하나의 신경

망만 사용했다. 알파고 리는 정책망(policy network)과 가치망(value networ

k)，2개의 심층 신경회로망(deep neural network)을 사용한다. 정책망은 인간이

어디에 돌을 놓을지를 지도학습으로 훈련시키고, 가치망은 바둑돌을 두었을 때

누가 이길 것인지를 예측할 수 있도록 훈련시켰다. 훈련이 끝나면, 몬테칼로 나

무탐색(tree search)을 통하여 가장 확률이 높은 상대방 수에 대해 승리할 수 있

게 되어 있다.

[그림Ⅰ-20] 강화학습의 개념


- 24 -

하지만 알파고 제로는 신경망 2개를 하나로 통합해 효율을 획기적으로 높였

다. 알파고 제로는 컴퓨팅 파워도 크게 줄였다 알파고 리가 텐서 프로세싱 유닛

(TPU) 48개를 쓴 반면, 알파고 제로는 4 개로 구동한다. <표 I-1>은 알파고 제로와 알

파고 리를 비교한 것이다.

<표Ⅰ-1> 알파고 제로와 알파고 리의 비교이름 신 알파고(알파고 제로) 구 알파고(알파고 리)

상대 전적 100승 100패초기 데이터 없음 16만 개 기보 습득학습 방법 독학

*자기와 두면서 약점 보완독학과 레슨 병행

*인간의 사전 데이터 학습대국 횟수 500만 번 3,000만 번학습 시간 3일 40일

컴퓨터 사양 4TPU 48TPU딥러닝 신경망 1개로 통합 2개로 분리(기치망･정책망)

알고리즘의 큰 틀은 동일하다 다만 두 인공지능의 차이는 ‘인간으로부터 배웠

느냐, 아니냐’이다. 알파고 제로의 진화는 인간의 행동심리학을 적용한 결과이

다. 알파고 제로는 무작정 바둑을 두기 시작했고 승리를 통해 옳고 그른 것을

구분한다. 알파고 제로에게 최고의 칭찬은 승리하는 것이었다. 칭찬받기 위해서

는 승리해야 하고 옳은 수만 찾는다. 백지상태였던 알파고 제로가 인간의 지식

을 습득한 기존 버전들보다 강한 이유는 아이러니하게도 ‘인간 지식의 한계에

더 이상 속박되지 않기 때문’이었다.

다. 인공지능 기술

인공지능분야에서 지능을 어떻게 표현하는 것인가를 이해하는 것은 매우 어

려운 일이고 또 매우 다양해서 어느 하나로 정의하기 어렵다.

인공지능은 기본적으로 인간의 뇌를 기본적인 모델로 하고 있어서 인공지능

을 구현할 경우 지식의 정의, 지식의 표현, 지식의 조작 문제, 모델의 정당성이

문제가 된다. 사용자는 인공지능 시스템의 인터페이스를 통해 질의를 하고 인

공지능은 내부의 추론 엔진에 의해 질의를 처리하는데 이때 지식 베이스를 이

용하여 사용자의 질의에 대해 응답하고 인터페이스를 통해서 응답한다. 따라서

인터페이스의 지능화, 추론 방법의 지능화, 지식 베이스의 지능화 등이 모두 갖

추어져야 진정한 인공지능 시스템이 되는 것이다.


- 25 -

그러므로 인공지능의 3대 주요기술은 ‘학습, 추론, 인식’이며, 인공지능 시스템은

추론 엔진, 지식 베이스(규칙 베이스와 데이터베이스 포함), 사용자와의 인터페이스

(HCI, human computer interface) 등 4대 필수 요소가 포함된 시스템이다.

일반적으로 인공지능이 적용되기 적합한 영역은 어떤 절차적인 알고리즘이

존재하지 않고 휴리스틱한 방법만이 사용 가능한 영역, 소수의 전문가가 존재하

여 희소성이 있어서 필요하나 대중적이지 못한 영역, 주어진 데이터가 불확실성

을 내포한 영역, 다양한 진단, 추론, 예측 시스템 영역, 그리고 지식이 정형적이

어서 융통적이지 못한 영역 등에 필요하다.

인공지능의 3대 주요 기술은 다음과 같다.

1) 학습

인공지능의 3대 주요기술인 ‘학습’을 이해하기 위해 먼저 인간의 뇌를 이해하

는 것이 중요하다. 인간의 뇌를 단순화하여 구현한 것이 신경회로망이며 이것이

업그레이드된 기술이 최근의 딥 러닝(deep learning)분야이다.

신경회로망은 연결성 모델(connectionist model), PDP(parallel distributed pro-

cessing), 또는 뉴로 모르픽 시스템(neuromorphic systems)이라고 불리우는 것으

로서, 기본 단위는 뉴런이 된다. 신경회로망 모델은 모두 단순한 계산소자의 연

결을 통해 좋은 성능을 나타낸다는 것을 기본 가정으로 하고 있다.

Rumelhart와 McClelland는 [그림 I-21]에서와 같이 신경회로망의 기본 구성 요소를

다음과 같이 여덟 가지로 제시하였다: 처리기(processing units), 활성화 상태

(activation state), 각 처리기에 대한 출력 함수(output function), 각 처리기간의

연결패턴(connectivity pattern), 전파 규칙(propagation rule), 활성화 규칙

(activation rule), 학습 규칙(learning rule), 환경(environments).

[그림 I-22]에서 처리기는 원으로 표시되었다. 각 시점에서 처리기 는

라는 활성화값을 가진다. 이 값은 출력값 을 생성하기 위해 를 통해 전달

된다. 이 출력값 는 단방향으로 전달된다. 이때 각 연결선에는 첫 번째 처

리기값 가 두 번째 처리기는 에 미치는 영향을 의미하는 가중치(weight 또

는 strength) 를 갖게 된다.


- 26 -

이와 같이 한 처리기에 연결된 모든 입력값을 어떤 연산(보통 더하기 연산)에

의해 결합하여(이 그림에서는 ≠ ), 현재의 활성화값에 따라 새로운 활성화 상

태 를 생성한다. 이 그림에서 와 함수의 예로써, 쓰레숄드 출력 함수

(threshold output function)와 시그모이드 활성화 함수(sigmoid activation

function)를 말한다.

≠

처리기 처리기

≠

(a) 기본 구성 요소

-m m -m m 시그모이드(sigmoid) 활성화 함수쓰레숄드(threshold) 출력 함수

exp

≧

1

0

1

0

(b) 활성화 함수[그림Ⅰ-21] 신경회로망의 기본 구성 요소

여기서 ‘학습’이란 개념은 매우 중요한데, 한 처리기의 지식 변화는 인접된 다

른 처리기에도 변형을 주는데, 기존 연결의 강도수정으로 이루어진다. 이러한

연결 강도는 경험적으로 변형되며, 연결강도의 변화를 학습 규칙이라 한다.

신경회로망은 한마디로 가중치를 조절하는 과정이라고 말할 수 있는데, 이러

한 과정이 학습과정이다. 학습을 하려면 어떤 기준이 필요한데, 그 평가 기준에

의해 평가한 결과를 피드백하여 처리 기간의 가중치를 조절한다.

평가 방식은 교사 학습과 무교사 학습의 두 가지 방법이 있다. 외부에서 교사

신호(teaching input)로써 입력 신호에 대한 정답 출력을 주는 방식의 학습 방법

을 교사 학습(supervised learning)이라 한다. 또한 평가 기준은 있으나 일일이


- 27 -

교사 신호를 주지 않은 학습 방법을 무교사 학습(unsupervised learning)이라고

한다.

가장 일반적인 신경회로망은 [그림 I-22(a)]에서와 같은 다층 신경회로망으로

출력값(output)은 교사신호(target)값에 의해 반복적으로 오류(출력값과 교사신

호의 차)를 교정하면서 학습을 진행하는 알고리즘이다. [그림 I-22(b)]를 보면,

기존의 다층 신경회로망에서는 빨간색과 파란색의 두 패턴을 단일 선(decision

boundary)으로 분류하기 어려웠는데, 딥러닝에서는 데이터 공간을 구부리고 휘

고 회전시키는 방법을 사용하기 때문에 공간상 두 개의 패턴이 단일 선으로도

충분히 분류될 수 있다는 특징을 갖는다. 여기서 ‘분류’한다는 의미는 ‘학습’한

다는 것과 동일한 의미이다.

(a) 다층 신경회로망 구조

(b) 딥러닝 패턴분류 방법[그림Ⅰ-22] 다층 신경회로망과 딥러닝의 패턴분류 방법


- 28 -

2) 추론

추론방법이 여러 가지 있지만 가장 기본적이며 많이 사용하는 것은 Max-Min

CRI 방법으로 Mamdani가 제안한 최소 연산법칙(mini-operation)을 사용하며,

합성 기호로 , 연산을 이용하는 방식이다. Max-Min CRI 방법은 직접

법(direct method) 또는 Zadeh의 추론 방법이라고도 한다.

Max-Min CRI 방법은 규칙 베이스에 규칙이 If X is A THEN Y is B 형태로

있어서 규칙 베이스의 모든 규칙들은 , 형태의 가능성 분포로 표현될 경

우, 입력 사실 ′에 대한 추론 결과 ′를 구하기 위한 추론 방법이다.

⇒

′ ′∘→

′∘

이 식은 한 규칙에서 추론 결과 ′를 생성하는 의미를 가진 표현이지만 동시에 퍼지 추론 방법의 전체적 개요를 보여주는 식이기도 하다. 은 Zadeh가 제

안한 행렬 형태로 나타내기도 하는데 대부분 행렬 형태가 아닌 경우로서 다음

의 과정에 의해 결정된다. 이 식의 → 연산을 위해 몇 개의 단계를 거친 후

비퍼지화 과정에 의해 수치화된 비퍼지값을 산출한다.

신경회로망과 퍼지이론은 융합구조에 따라 뉴로-퍼지시스템으로 융합되는데,

뉴로 퍼지 시스템 모델의 기본 구조를 신경회로망을 기본 틀로 볼 것이냐 퍼지

이론을 기본 틀로 볼 것이냐에 따라 분류할 수 있다.

3) 인식

인식은 학습을 바탕으로 새로운 자료나 불확실한 자료가 주어졌을 때 추론을

통해 알아차리는 과정이며 그 결과를 표출하는 과정까지 포함한다. 인공지능에

서는 다양한 인식기술들이 있는데, 기본적으로 인식을 위한 단위를 패턴

(pattern)이라고 하고, 하나의 패턴은 하나의 유니트나 개념을 표현한다.

대표적인 패턴으로는 글자인식, 영상인식, 음성인식, 개인성향인식, 상황인식,

위치인식 등이며 미래예측, 결과예측 등과 같은 패턴도 인식의 범위에 포함시킬

수 있다. 학습과 추론을 바탕으로 불확실한 패턴을 인식하여 표현한다.

인식의 한 예로 구글에서 사용자의 성향을 파악하여 서비스의 차별화를 시도

하는 것은 이미 잘 알려진 바와 같다.


- 29 -

Ⅱ. 인공지능 윤리

1. 인공지능에 왜 윤리가?

인공지능은 특수한 속성을 지니는 인공물로서 현상 차원에서 사회적 영향력

을 지닌 행위주체에 상응하는 기능을 발휘할 수 있기도 하지만, 그 작동 혹은

행위의 결과에 대하여 도덕적-법적 책임을 질 수 있는 독립된 자율적 주체는 아

니다. 다시 말해 인공지능에 관한 윤리는 그것의 ‘인공성’(artificiality), 즉 그것

이 인간의 설계와 제작에 의하여 생성되고 속성이 결정된 산물이라는 사실에

대한 인식과 더불어 그것이 인공물임에도 불구하고 지닌 특이성, 특히 그것이

현상적으로 책임을 함축하는 행위주체성 내지 자율성(agency or autonomie)인

것처럼 지각될 수 있다는 사실에 대한 인식, 이 이중성의 인식에 토대를 두어야

한다.

인공지능에 대한 법적, 윤리적 지위에 대한 논의를 살펴보면 다음과 같다. 우선,

2017년 3월 유럽의회가 AI로봇의 법적 지위를 전자인격(electronic personhood)로 규

정하였다. Floridi와 Sanders는 도덕적 행위자의 특징을 상호작용성(Interactivity), 자율

성(Autonomy), 적응가능성(Adaptability)을 제시하면서1) 이를 근거로 인공지능의 행

위자성을 입증하고자 시도하였다. Moor는 인공적 도덕행위자를 윤리적 영향을 미치

는 행위자(ethical impact agents), 암묵적 윤리 행위자(implicit ethical agents), 명

시적 윤리적 행위자(explicit ethical agents), 온전한 윤리행위자(full ethical

agents)로 구분하고 있는데, 이 구분에 의하면 인공지능은 현재 윤리적 영향을

미치는 행위자와 암묵적인 윤리적 행위자의 단계에 처해 있으면서 점차 명시적

인 윤리적 행위자 단계로 이행하고 있다.

인공지능의 현대적 변화로 인해 이제는 인간과 유사하거나 인간의 지능을 뛰

어넘으면서 어느 정도의 자율성을 갖춘 인공지능이 등장하고 있다. 이러한 인공

지능은 “인간과 같은 자유의지를 지닌 자율적 존재로 자리매김하지는 않겠지

만, 적어도 현상적 차원에서 자율적 주체인 것처럼 행동할 수 있을 것이다. 이

런 맥락에서 ‘위임된 자율성’ 혹은 ‘준 자율성(quasi-autonomy)’이라는 개념이

도출되기도 한다.”2) 이러한 자율성은 인공지능에게 윤리적 사고 내지 판단 시

1) Floridi & Sanders, “On the morality of artificial agents”, Minds and Machine 14(3), (2004), pp.349-379 참조.


- 30 -

스템을 부여하려는 시도가 이뤄지면서 보다 강조되고 있다. “로봇이 윤리 추론

능력을 갖추게 되면, 로봇이 새로운 윤리를 학습하고 로봇의 도덕감을 개발하

고, 심지어 자신만의 윤리 시스템을 진화시킬 수 있다고 생각할 수도 있다.”3)

인공지능의 도덕적 권리의 문제를 두 가지, 즉 인공지능이 도덕적 권리의 소

유자 여부와 도덕적 고려대상에 포함되는 지의 여부로 나누어, 도덕적 행위능력

(자율성)과 도덕과 관련된 이해관심이라는 주제로 논의해볼 수 있다. 여기서 도

덕적 행위능력을 ‘도덕적 행위’ 능력과 도덕적 ‘행위능력’으로 구분해 볼 수 있

다. 전자는 행위자(agent)가 도덕적 사고를 통해 수행하기로 결정한 ‘도덕적 행

위’를 실행하는 능력이라면, 후자는 행위능력 즉 행위를 유발시킬 수 있는 능력

을 강조하면서, 이 행위가 만약 경제와 관련된다면 경제적 ‘행위능력’이라고 부

르는 것처럼, 도덕과 관련된다면 도덕적 ‘행위능력’이라고 할 수 있겠다. 이렇게

볼 때 인공지능을 탑재한 로봇의 행위능력은 현재로서는 후자로 보일 가능성이

높다. 보다 긍정적으로 본다면 인공지능이 약인공지능에서 강인공지능으로 개

발, 변화되어가면서 도덕적 ‘행위능력’자에서 ‘도덕적 행위’ 능력자로 인공지능

이 변할 수 있다고 볼 수도 있을 것이다.

인공지능 기술의 경우 단순한 자동화에서 복잡한 자동화의 과정을 거치면서

자율성의 외양을 갖춰나가고 있는 것으로 보인다. 인간이 허용한 범위 내에서

복잡한 메커니즘을 거쳐 주어진 환경을 인식하고, 대안을 평가하면서, 최선의

결정을 내리고 이 결정된 대안을 수행할 수 있는 인공지능의 경우에 ‘제한된’

내지 ‘위임된’ 자율성을 가지고 있다고 할 수 있다. ‘도덕적’ 행위자인지는 모르

겠지만, 적어도 ‘행위자’임에는 분명하고, 이 행위자의 행위가 다른 행위자에게

도덕적 영향을 미친다면 이 행위자는 도덕적으로 ‘의미 있는’ 행위자로 간주될

수 있을 것이다. 이렇게 인공지능에게 행위자의 자격(person as agent)을 부여

한다면, 인공지능은 어떤 권리를 부여받을 수 있을까하는 문제와 행위와 관련된

책임을 어떻게 부담할 수 있을까하는 문제로 연결된다. 아시모프는 로봇이 인간

에게 해를 가하지 않고, 명령수행에 어긋나지 않는 범위 내에서의 자기 보호권

을 주장하기도 하였고, 이것보다는 소극적인 의미에서 설정된 목적과 범위 내에

서의 적절하지 않은 명령 내지 지시에 대한 인공지능의 거부권을 주장할 수도

있다. 물론 이처럼 제한된 자율성으로부터 나오는 로봇의 권리는 적극적 권리의

성격이 아니라 소극적 권리의 성격을 가져야 한다.

2) 변순용 외(2015), 앞의 책, p. 20.3) 변순용 외, 『로봇윤리』(어문학사, 2013), p. 39.


- 31 -

이러한 논의는 인공지능의 책임문제와 더불어 논의되어야 한다. 인공지능의

책임 문제는 인공지능 자체의 책임과 인공지능에 대한 책임으로 구분되어야 할

것인데, 전자는 인공지능의 윤리모듈의 구성에서 논의되어야 할 것이고, 후자는

인공지능의 설계, 제작과 사용의 차원에서 논의되어야 할 것이다.

2. 인공지능 도덕성의 3유형에 대하여4)

인공지능에게 요구되는 도덕적 판단과 행위의 수준은 인공지능의 설계 및 제

작 목적과 사용되는 분야에 따라 달라질 수밖에 없다. 예를 들어 킬러 로봇이나

수술 로봇의 행위 결정 기준과 소셜 및 케어 로봇의 기준이 같을 수는 없을 것

이다. 그래서 콜버그의 인지발달론에 따른 도덕판단 3단계 구분으로부터 인공

적 도덕행위자의 도덕성의 3 유형을 도출하였다.

<표 Ⅱ-1> 콜버그에 인지발달론에 따른 도덕판단 3수준 구분수준 도덕판단의 기반 단계 발달의 단계

1도덕 가치는 사람이나 표준에 귀속하는 것이 아니라, 외적인 類似 물리적 사건에, 사악한 행위에 또는 유사 물리적 욕구에 귀속한다.

1 복종 및 처벌 정위(orientation)

2 순수 이기주의 정위

2도덕적 가치는, 훌륭하고 정당한 역할을 수행하는데서, 즉 인습적 명령과 타인의 기대에 부응하는 데서 성립한다.

3 착한 아이 정위4 권위와 사회질서 유지 정위

3 도덕 가치는 공유되거나 공유할 만한 표준, 권리, 의무에 대한 자아의 동조에서 성립한다.

5 계약맺음과 법 존중 정위6 양심 혹은 원리 정위

이를 토대로 인공적 도덕 행위자의 도덕적 사고유형을 명령의 무조건적 수행

단계(Stage of Imperative Order-Fulfillment Type), 상벌에 따른 결과주의 단계

(Consequential Stage Based on Prize-Punishment), 사회적 규약의 준수 단계

(Social Convention Stage)로 제시하고자 한다.

우선, ‘도덕가치의 외재성’ 수준으로부터 도출된 ‘명령의 무조건적 수행’ 단계

4) 이 부분은 다음 두 논문의 관련 내용을 수정 요약한 것임: 변순용 외, “10세 아동 수준의 도덕적 인공지능개발을 위한 예비 연구 - 인공지능 발달 과정을 중심으로 -”, 초등도덕교육, 57권(서울: 한국초등도덕교육학회, 2017), pp.105∼127, 변순용 외, “모럴튜링테스트 개발의 이론적 토대”, 윤리연구, 120호(서울: 한국윤리학회, 2018), pp.319∼339 참조.


- 32 -

를 살펴보면, 도덕의 가치가 행위자에게 귀속되어 있지 않고 외부에 존재한다는

것은 행위자 외부에 도덕가치가 있고 자신에게 명령을 내리는 누군가에게 어떠

한 방식으로든 유익이 된다면 이는 행위자가 행위를 함에 있어 아무런 도덕적

판단을 거치지 않고 이를 곧장 이행하는 것이 정당화될 수 있음을 의미한다. 이

러한 이유에서 ‘도덕적 가치의 외재성’단계는 도덕적 가치가 명령자에게 전적으

로 귀속됨을 의미하고, 명령자의 윤택한 삶을 위하는 것이 로봇의 존재이유로

간주되기 때문에, 이 차원이 인공지능 행위자에 대한 논의 안으로 들어오면, 이

는 명령의 무조건적 수행단계로 이행된다. 개인이나 가족 내에서 비교적 타인에

게 미치는 영향이 미미하거나 없을 경우에 이용되는 인공지능에게 요청되는 수

준의 도덕성이라고 할 수 있다.

둘째, 2단계 ‘도덕가치의 타자 의존성’으로부터 ‘상벌에 따른 결과주의’로의

이행을 살펴보자. 어떠한 가치가 자신을 포함한 공동체 구성원들에 귀속되어 있

다면, 많은 사람들에게 유익이 돌아가면 돌아갈수록 그 가치는 커질 것이다. 또

한 공동체 구성원 중 더 높은 수준의 가치가 귀속되어 있다고 합의된 사람의

판단은 다른 차원의 질적 가치를 부여받게 된다. 인공지능 행위자에게 상벌의

개념을 적용하는 것은 무리가 있다. 그렇기 때문에 우리는 관점을 전환하여 상

과 벌을 받는 객체가 아니라 상과 벌을 주는 주체의 입장에 주목한다. 인공지능

행위자의 명령 수행에 상을 준다는 것은 상을 주는 주체가 인공지능 행위자의

행위에 도덕적으로 가치를 부여한다는 것이다. 반면 인공지능 행위자의 행위에

벌을 준다는 것은 그가 이를 벌로 느끼는 것과는 별도로 벌을 주는 주체가 인

공지능 행위자의 행위에 도덕적으로 부정적인 평가를 내리는 것이다. 종합하여

말하자면, 인공지능 행위자와 관계하는 공동체 구성원들의 평가가 인공지능 행

위자의 행위를 결정하는 중요한 계기가 된다. 이러한 의미에서 이 단계를 인공

지능 도덕 행위자에게 적용시켜 ‘상벌에 따른 결과주의’로 제시한다. 이런 유형

의 도덕성은 다수의 선택이 중요한 기준으로 작용될 수 있는 사례들에 적용될

수 있는 인공지능에게 갖춰질 수 있을 것이다.

끝으로 ‘도덕가치의 사회적 공유-사회적 규약 준수’단계는 위의 ‘도덕가치의

타자 의존성-상벌에 따른 결과주의’보다 확고한 윤리적 입장위에 서 있다. 두

번째 단계가 공동체 구성원들의 유익의 총합에 관계하는 것이라면, 세 번째 단

계는 의무론적인 보편 윤리원칙에 관계한다. 전자는 최대다수의 최대행복이라

는 공리주의 입장을 전제로 한다면 후자는 의무주의를 전제로 한다고 할 수 있

다. 공리주의의 원칙은 결과적으로 공동체 구성원의 만족을 근거로 수립되는 반

면, 의무주의는 도덕적 원리가 이에 따른 행위의 결과와는 무관하게 독립적이고


- 33 -

선험적으로 존재한다는 입장을 취한다. 이러한 의미에서 선험적으로 존재하는

도덕원칙을 따르는 것이 의무인 것이다. 대전제로서의 도덕원칙의 가치에 대한

물음은 논증되지 않는다. 그것의 존재에 대한 물음의 답은 종국에는 인간성에

본유적으로 내재하는 도덕의식, 도덕적 감정에서 찾아진다. 그 이상의 전제물음

이 허락되지 않는다는 의미에서 의무론적 도덕원칙은 하나의 사실(Faktum)로

여겨진다.5) 이것은 인간의 존엄성이나 공공선의 문제와 관련될 수 있는 영역에

서 이용되는 인공지능에게 행위 결정의 중요한 요인으로 작용하도록 프로그래

밍되어야 할 것이다.

3. 인공지능의 윤리원칙에 대하여

인공지능에 대한 윤리적인 원칙을 설정함에 있어서 인간의 존엄성과 인류의

공공선을 가장 중요한 핵심가치 내지 최고심급(Instance)으로 제시하고, 이에 근

거하여 인공지능에게 도구적 존재로서의 존재론적 지위를 부여하고, 인공지능

의 설계 및 제작 목적이 행위 원칙과 그에 따르는 책임을 판단할 수 있는 기준

임을 포괄적으로 주장하는 인공지능의 윤리 4원칙을 다음과 같이 제안하고자

한다.

[인공지능 윤리 4원칙]

제 1원칙: 인공지능은 인간의 존엄성을 존중하고, 인류의 공공선을 실현하는데 기

여해야 한다(최고심급)

제 2원칙: 인공지능은 인간의 존엄성 존중과 인류의 공공선 실현의 범위 내에서

인간의 행복을 추구해야 한다(도구적 존재로서의 존재론적 지위)

제 3원칙: 인공지능은 위의 두 원칙들을 위배하지 않는 범위 내에서 사용자의 명

령을 수행해야 한다(행위의 목적)

제 4원칙: 인공지능은 설계 및 제작 목적에 부합하는 명령을 따라야 하며, 이 목적

을 벗어나는 사용자의 명령을 거부할 수 있다 (윤리적 판단기준 으로서

의 설계 및 제작 목적)

5) I. Kant, KpV, V31 참조.


- 34 -

인간의 존엄성은 인간에 내재하는 결코 상실될 수 없는 절대 가치이며6), 인간

과 인간이 아닌 존재를 구분하는 중요한 기준으로 작용한다. 인공지능이 지켜야

할 가장 최고의 원칙은 바로 인간의 존엄성 존중이 된다. 이는 우선, 인공지능

이 인간의 존엄성을 해하거나 해할 가능성이 있다고 판단되는 명령은 거부할

수 있도록 설계되어야 함을 의미한다. 둘째, 로봇은 인간과의 관계에서 목적적

인 지위보다는 수단적 내지 도구적 지위를 가진다는 것을 의미한다. 인공지능에

게 허용된 ‘준자율성’에 근거하여 로봇에게 목적적 지위를 부여해야한다고 주장

하게 되면 인간의 존엄성과 상충되는 경우가 발생할 위험이 나타난다. 인공지능

에 대한 수단적 대우와 목적적 대우의 문제는 군사용 로봇이나 수술용 로봇, 개

인서비스로봇(소셜로봇, 케어로봇, 반려로봇 등)이 도입되면서 AI 킬러로봇의

선제적 금지의 문제7), 수술로봇의 의학적 대리인과 도덕적 대리인의 지위의 충

돌 문제, 로봇과의 결혼 문제8) 등으로 실제로 나타나고 있는 실정이다. 셋째, 인

공지능은 인간을 목적적 존재로 대우해야 하며, 인간을 수단화하거나 도구화할

수 없다는 것을 의미한다.

인간의 존엄성에 못지않게 중요하게 제시되어야 할 가치는 바로 공공선이다.

인간의 존엄성을 위해 공공선을 해치는 경우가 발생한다면, 이러한 존엄성은 차

별적이고 폐쇄적인 존엄성이 될 것이다. 물론 역으로 공공선을 위해 인간의 존

엄성이 침해되는 경우에는 집단주의 내지 전체주의적인 공공선이 되어버리는

문제가 발생한다. 결국 인간의 존엄성이 존중되지만, 이것이 인류의 공공선을

침해하지 않는 범위 내에서 추구되어야 하며, 물론 그 역도 마찬가지이다. 즉,

인류의 공공선을 추구하되, 이것이 인간의 존엄성을 침해하지 않는 범위 내에서

추구되어야 한다. “공동선은 개인의 개별적인 이익과 연관되는 개념으로 공동

선은 개별적 이익과 다수의 공동체의 이익이 조화를 이루는 것을 의미한다. 그

러나 공공선은 개인의 이익보다는 국가와 사회 그리고 인류 전체를 위한 선의

개념인 것이다.”9) 따라서 “이 의미는 공공의 복지 혹은 공공의 이익을 뜻하는

개념이라고 할 수 있으며, 결과적으로 개인적인 선과 이익을 동시에 고려하여

사회 전체의 공공의 복리와 복지를 실현하는 것이 공공선이다.”10)

6) 변순용 외(2017), “로봇윤리헌장의 필요성과 내용에 대한 연구”, 『윤리연구』112호 (한국윤리학회: 2017), p.298 참조.

7) 인공지능 킬러로봇에 대하여 적극적인 제재방안을 마련해야 한다는 의견이 제기되고 있다: 검색일2017년 12월 30일http://www.irobotnews.com/news/articleView.html?idxno=9404 참조.

8) 프랑스 여성이 자신이 3D 프린터로 제작한 로봇 인무바타(Inmoovater)와 사랑에 빠졌으며, 사람과 로봇간의 결혼이 법적으로 허용되면 바로 결혼하겠다고 밝히고 있다: 검색일 2017년 12월 30일http://www.irobotnews.com/news/articleView.html?idxno=9442 참조.

9) 맹주만, “롤스와 샌델, 공동선과 정의감”, 『철학탐구』 제32집, (중앙철학연구소, 2012), pp.314～5 참조.


- 35 -

제 2원칙은 인공지능은 인간의 행복실현을 위한 도구적 존재임을 주장함으로

써, 로봇과 인간의 관계에서 로봇의 존재론적 지위를 주장하는 내용이다. 인간

의 명령을 수행하여 인간의 행복에 기여해야 하지만, 이것에는 인간의 존엄성과

공공선의 범위를 침해하지 않는 범위라고 한정되어야 한다. 이 원칙은 인공지능

이 특정 개인이나 집단의 이익을 위하여 행할 수 있는 비도덕적인 명령 수행을

금지할 수 있게 해준다.

로봇은 사용자의 명령을 수행해야 한다는 제 3원칙은 그 전제로서 제 1원칙과

제 2원칙을 갖는다. 사용자의 명령이 사용자 자신이나 타인의 존엄성을 해치거나

공공선에 위배되는 명령일 경우 로봇은 이를 거부하거나 명령수행을 중지해야 한

다. 물론 여기서 존엄성과 공공선이라는 추상적인 개념은 구체화의 작업을 필요로

한다. 예를 들어 킬러로봇과 케어로봇의 경우 인간의 존엄성은 각각 다르게 조작적

으로 정의되어야 한다. 전자의 경우는 적군의 살상 정도와 민간인에 대한 조치라는

측면에서 구체화가 되어야 한다면, 후자의 경우에는 개인의 프라이버시나 개인의

인권보호라는 측면에서 구체화가 될 수 있을 것이다.

제 4원칙은 아시모프의 로봇의 자기보호권이 가질 수 있는 위험을 제거하고,

로봇의 설계 및 제작 목적이 사용의 단계에 까지 연결될 수 있게 하여 로봇의

제작에 대한 책임을 강화하기 위해 주장된다. 이를 통해 로봇의 행위와 그에 대

한 1차적인 책임을 규정하고, 로봇의 설계 및 제작자들이 져야 할 책임도 여기

에서 파생한다. 로봇은 인간의 존엄성과 인류의 공공선을 해치지 않는 범위 내

에서 인간의 명령을 수행하도록 설계, 제작, 그리고 사용되어야 한다. 현재의 기

술적인 상황에서 보면 설계자와 제작자를 구분하지 않아도 되겠지만, 인공지능

의 활용이 일반화되면 설계자와 제작자를 구분해야 할 필요성이 제기되며, 이에

대해서는 보다 구체화된 윤리 원칙들이 제시되어야 한다. Asilomar AI

Principles나 일본의 AI 연구 개발에 관한 원칙의 경우처럼, 현재 수준에서는 인

공지능의 연구나 개발 시에 지켜야 할 원칙들이 제시되고 있다.

제 4원칙은 로봇 사용자의 책임을 두 가지로 구분하여 제시하고 있는데, 로봇

의 목적에 부합하여 사용해야 할 책임과 목적 외 사용에 대한 책임이다. 최근에

드러나는 드론이나 자율주행자동차의 부작용에 대한 문제(몰카용 드론의 등장

이나 자율주행차량의 사고로 인한 사망)들을 고려해보면 사용자의 책임을 규정

할 필요성이 정당화된다. 로봇이 인간 행위의 대리자로서의 성격을 갖는다 하더

라도 책임주체의 대리자가 될 수 없기에, 로봇의 설계 및 제작 그리고 사용 및

10) 변순용 외(2017), 앞의 논문, p. 303.


- 36 -

관리에 대한 법적 책임을 명시해야 할 필요성이 있으며, 이에 대한 부분이 바로

제 4원칙이다.

이러한 4원칙은 가장 기본적이며, 가장 상위에 놓이는 인공지능의 윤리적 가

이드라인으로 작용할 것이고, 이를 토대로 하여 로봇의 분야별, 기능별로 다양

하게 하부 원칙들이 체계화될 수 있을 것이다.

4. 윤리적 가이드라인에 대하여

최근에 각국에서 제시되고 있는 인공지능 윤리의 내용은 주로 인공지능이나

로봇의 연구 및 제작에 대한 실천적인 가이드라인 형태를 가지고 있다. 최근 우

리나라에서도 ‘Seoul PACT’라고도 불리는 4대 원칙 38개 세부지침으로 구성된

지능정보사회 윤리 가이드라인을 한국정보화진흥원에서 제시하였고, 3가지 기

본가치와 5대 실천원칙으로 구성된 인공지능 로봇 (의 개발과 이용)에 대한 윤

리가이드라인을 로봇산업진흥원에서 시험적으로 제안하고 있다.

가. 지능정보사회 윤리 가이드라인에 대하여

먼저 지능정보사회 윤리 가이드라인의 내용을 보면, 지능정보기술을 전제로

하여 이 기술이 우선 인류의 보편적 복지에 기여하고 사회변화를 야기하지만,

이 기술이 자기학습 및 진화하는 기술이며 설명이 필요한 알고리즘을 가지고

있는 기술이기 때문에 공공성(Publicness), 책무성(Accountability), 통제성

(Controllability), 투명성(Transparency)이 필요하다고 주장한다.11)

공공성은 “지능정보기술은 가능한 많은 사람들에게 도움을 주어야 하며, 지능

정보기술에 의해 창출된 경제적 번영은 모든 인류의 혜택을 위해 광범위하게

공유되어야 한다”로 설명되고 있다. 이 설명에서 강조하고 있는 것은 지능정보

기술의 공공재적 성격이지만, 일상 생활에 적용되는 모든 지능정보기술이 공공

재적 성격을 가질 수는 없을 것이다. “지능정보기술 및 서비스에 의한 사고 등

의 책임 분배를 명확히 하고, 안전과 관련한 정보공유, 이용자 권익 보호 등 사

회적 의무를 충실히 수행해야 한다”로 설명되는 책무성은 책임 분배의 주체, 책

임 주체에 대한 설정이 모호하다. 개발자는 개발부터 이용까지 책임을 공유해야

하고, 공급자는 공급 및 이용의 결과에 대해서도 책임을 공유하고 오작동 및 사

고에 대한 책임을 져야 하며, 이용자는 이용 시 발생할 수 있는 타인에게 미칠

11) 한국정보화진흥원(2018), 지능정보사회 윤리 가이드라인, p. 9 참조.


- 37 -

영향에 대한 책임과 개발자 및 공급자에게 책임을 제기할 수 있는 권리를 가진

다. 책무성이라는 개념을 법적 책임의 귀속가능성까지 포함된 개념으로 이해한

다면, 여기서는 책무성보다는 책임성이 보다 적절한 선택일 것이다. “지능정보

기술 및 서비스에 대한 인간의 제어가능성 및 오작동에 대한 대비책을 미리 마

련하고, 이용자의 이용선택권을 최대한 보장해야 한다”는 통제성에서 Kill

Switch나 One Big Red Button의 작동으로 인해 발생하는 또다른 피해나 오작

동으로 인해 파생할 수 있는 문제들에 대한 고려도 포함되어야 한다. 끝으로

“기술개발, 서비스설계, 제품기획 등 의사결정 과정에서 이용자, 소비자, 시민

등의 의견을 반영하도록 노력해야 하며, 이용 단계에서 예상되는 위험과 관련한

정보를 공개, 공유하고, 개인정보 처리의 전 과정은 적절하게 이루어져야 한다”

는 투명성은 지능정보기술을 개발하는 기업의 측면에서 매우 민감한 문제가 될

것이고, 투명성의 조건과 제한 사항에 대한 섬세한 규정이 요청된다.

나. 인공지능 로봇(의 개발과 이용)에 대한 윤리가이드라인

로봇산업진흥원에서 시도되고 있는 인공지능(의 개발과 이용)에 대한 윤리 가

이드라인은 인간의 존엄성 보호, 공공선 추구, 인간의 행복 추구라는 기본가치

와 투명성, 제어가능성, 책무성, 안전성, 정보보호라는 5대 실천원칙으로 구성되

어 있다.

범주

기본가치

인간의 존엄성보호(Protection of

Human Dignity)

∙ 인공지능·로봇의 제작목적이나 그 행위는 인간을 수단화하거나 도구화할 수 없으며, 인간의 존엄성을 존중하고 보호하도록 개발 및 사용되어야 한다.

∙ 인공지능·로봇은 모든 인간의 기본적인 자유, 사생활, 개인정보, 신변 안전 등의 기본적인 권리를 보호할 수 있도록 설계·제작·공급·사용·관리되어야 한다.

∙ 인공지능·로봇 제품 및 서비스의 설계·제작·공급·사용·관리에 있어서 성별·연령·장애·인종·종교·국가 등을 차별하지 않도록 한다.

공공선 추구(Pursuit of Public Good)

∙ 인공지능·로봇은 인류 전체의 복지향상과 공공복리에 기여하도록 설계·제작·공급·사용·관리되어야 한다.

∙ 인공지능·로봇 기술 및 서비스는 최대 다수의 사람들에게 혜택을 주고 그들의 역량을 강화시킬 수 있는 의도로 설계·제작·공급·사용·관리되어야 한다. 그리고 이러한 기술 및 서비스에 대한 사회적 약자 및 취약계층의 접근성을 보장하도록 노력해야 한다.

∙ 공공의 이익이 사적인 이익보다 현저하게 큰 경우를 제외하고는 개인의 사적 이익을 해하지 않는 범위 내에서 인공지능·로봇을 사용해야 한다.


- 38 -

범주

기본가치

인간의 행복 추구(Pursuit of Happiness)

∙ 인공지능·로봇의 존재 목적은 인간의 삶의 질 향상과 행복 증진을 위한 것이다.

∙ 인공지능·로봇은 인간과의 관계에서 주체적인 지위보다는 수단적 또는 도구적 지위를 가진다.

실천원칙

투명성(Transparency)

∙ 인공지능·로봇은 법으로 규정된 이해관계자의 요청 시 인공지능·로봇의 입력값, 데이터, 내부 프로세스, 동작의 종류 및 상태 등을 요청자가 이해할 수 있는 방식으로 표시 또는 설명해야 하며, 사고 발생 시 조사관에게 당시 인공지능·로봇의 전체 실행 과정이 적절히 설명될 수 있어야 한다.

∙ 제작자와 서비스 공급자는 사용단계에서 예상되는 위험에 대해 충분히 사전 테스트를 거쳐야 하고, 이 과정에서 도출된 정보를 사용자에게 고지하여야 한다.

제어가능성(Controllability)

∙ 제작자는 사용자가 인공지능·로봇을 작동하는 과정에서 사용자의 판단에 의해 그 작동을 즉각적으로 제어 또는 정지할 수 있는 기능을 인공지능·로봇에서 눈에 쉽게 띄는 위치에 탑재하고 반드시 서비스 공급자와 사용자에게 알려야 한다.

∙ 제작자는 탑재된 제어가능성 관련 기능을 서비스 공급자 및 사용자에게 충분히 알리고, 서비스 공급자 및 사용자는 이를 사전에 숙지할 의무가 있다.

책무성(Accountability)

∙ 인공지능·로봇이 사회적 문제를 일으키지 않고 발생 가능한 사고의 피해를 최소화하도록 제작자·서비스 공급자·사용자는 각 단계에서 (정해진 또는 합의된) 책임을 가져야 한다.

∙ 인공지능·로봇이 다양한 사고를 일으킬 경우를 대비하여야 하며, 제작자는 서비스 공급자에게, 제작자와 서비스 공급자는 사용자에게 일어날 수 있는 사고 및 그에 대한 배상체계와 책임소재에 대해 충분히 고지해야 한다.

∙ 제작자와 서비스 공급자는 인공지능·로봇 기술 및 서비스가 사용자의 안전을 최우선으로 보장하도록 노력해야 할 책임이 있다.

- 제작자와 서비스 공급자는 인공지능·로봇을 활용하는 과정에서 사고 발생 시 그 책임소재를 명확히 규명하기 위해 인공지능 소프트웨어 시스템의 판단 과정 및 결과를 기록하는 기능을 제품에 탑재하여야 한다.

∙ 서비스 공급자와 사용자는 제작자의 제작 의도 및 사용용도에 적합하지 않게 인공지능·로봇 제품을 사용할 경우, 파생되는 문제에 대하여 법적 책임을 져야 한다.

∙ 제작자 및 서비스 공급자, 사용자는 인공지능·로봇 사용과 관련된 법률 및 사용지침을 준수해야 한다.


- 39 -

범주

실천원칙

안전성(Safety)

∙ 제작자는 서비스 공급자에게, 제작자와 서비스 공급자는 사용자에게 인공지능·로봇의 사용 시 발생할 수 있는 위험 등 유의사항을 고지할 의무가 있다.

∙ 제작자와 서비스 공급자는 인공지능·로봇의 공급 이후에라도 결함 또는 위험 발생의 소지가 있을 경우 사용자에게 즉시 고지할 의무가 있다.

∙ 인공지능·로봇은 사용 연한 내 전반에 걸쳐 안전하게 작동하도록 제작되어야 하며, 제작자는 사용 연한이 만료된 제품의 관리에 대한 매뉴얼을 개발 및 제작단계에서 함께 마련해야 한다.

정보보호(Security)

∙ 인공지능·로봇을 이용하여 타인의 사생활을 침해하거나 부당한 정보를 취득해서는 안 된다.

∙ 제작자와 서비스 공급자는 인공지능·로봇이 만들어 낼 정보와 사용자의 비대칭성에 유의해야 하며, 사용자가 개인정보 수집에 대한 동의 및 부동의 의사를 표현할 경우 즉시 인공지능·로봇의 활동에 반영될 수 있도록 해야 한다.

이 가이드라인의 경우 실천원칙들이 인공지능의 윤리적 문제 해결의 중요한

기준이 되겠지만, 제기되는 윤리적 문제들의 해결에는 충분하지 않다는 원칙주

의 접근의 문제점을 가지고 있으며, 책무성의 개념도 책임성의 개념과 더불어

재고되어야 할 필요가 있다. 윤리 가이드라인의 경우에 이것을 법적인 의무의

개념보다는 윤리적인 권유의 형태로 이해되어야 한다. 윤리 가이드라인의 경우

에서 필수적이거나 핵심적인 사항들의 경우에는 경험적 사례에 근거하여 법제

화의 과정이 수반되어야 할 것이다.

5. 윤리 가이드라인의 구체적 예시: 자율주행자동차의 경우

자율주행자동차가 다른 일반적인 자동차보다 훨씬 안전하다 할지라고 100퍼

센트 안전하다고 할 수 없다면, 자율주행자동차가 처하게 될 수 있는 사고 시나

리오에서 어떻게 프로그래밍되어야 할까? 이 물음에 대한 대답에서 일반인들의

도덕적인 태도와 정서는 상반된 반응을 보여준다.

자율주행자동차가 사고 상황에서 어떻게 프로그래밍되기를 원하는가라는 질

문에 대해 다수의 사람들은 전체의 피해를 최소화하도록 해야 한다고 답하면서

도 실제로 자기가 원하는 자율주행자동차는 사고의 시나리오에서 자신들을 보

호해주는 차량을 선호한다고 답한다.12) 실제로 2016년 파리에서 열린 자동차쇼

12) J. F. Bonnefon, A. Sharrif & I, Rahwan(2016), “The social dilemma of autonomous vehicles”,Science, 352(6293), pp. 1573-1576 참조.


- 40 -

에서 메르세데스 벤츠의 대표자였던 폰 휴고(Christoph von Hugo)는 벤츠에서

는 자율주행자동차에서 차량소유자를 최우선으로 하겠다고 발표13)했다가, 이에

대한 논란이 확산되자 이러한 결정이 확정된 것은 아니라고 변경하기도 하였다.

이러한 불일치는 또 다른 트롤리 문제를 산출해낸다. 이것은 가상적인 사고

상황에서 피해자 입장, 차량의 탑승자 입장 그리고 제 3자적 입장의 충돌로 이

해될 수 있을 것이다. 이기주의적 자율주행자동차가 차의 탑승자를 먼저 고려한다

면, 이타주의적 자율주행자동차는 피해자 내지 피해가능자14)를 우선적으로 고려

할 것이고, 공리주의적 자율주행자동차는 전체 피해의 최소화(harm-minimizing

car)를 가장 먼저 고려할 것이다.

자율주행자동차의 불가피한 충돌로 발생하는 사고의 책임을 누구에게 물을

지에 대한 윤리적 논쟁도 제기 될 수 있다. 기계적 결함으로 인한 사고의 경우

에는 차량탑승자가 사고에 직접적 책임이 없을 것이다. 자율주행자동차의 기술

이 발달하더라도 그 자체로 완벽할 수는 없을 것이고, 비록 자율주행기술이 완

전(Hohe oder Volle Automatiserung) 자동화의 수준에 이르렀다 하더라도 어

느 상황에서도 운전자 내지 탑승자의 주의 감독의 의무에 대한 고지후 동의

(informed consent)가 전제될 가능성이 높아 보인다. 실제로 운전자 내지 탑승

자의 자율주행자동차의 자율주행에 대한 책임이 자율주행자동차의 도입단계에

서는 반드시 필요하다. 적어도 자율주행자동모드로만 운행이 되어야 하는 도로

구간에서는 이러한 책임의 필요성이 떨어지겠지만, 도입단계에서 일반적인 도

로 상황에서는 자율주행자동차와 비자율주행자동차가 혼재될 수밖에 없는 상황

에서는 운전자 내지 탑승자의 책임 인정의 필요성이 반드시 요청되어야 한다.

그런데 기계적 결함이나 운전자(내지 탑승자)의 부주의도 아니고, 도로교통

관련 법규도 준수되는 상황에서 발생하는 사고의 경우 차량 설계자, 제작자, 소

유자 중 누가 책임을 질지 아니면 인공지능을 가진 기계에게 책임을 물을 수

있는지에 대한 사회적 논의와 이에 근거한 사회적, 윤리적, 법적으로 합의가 필

요하다. 특히 자동차 보험사는 이해관계자들 간의 책임의 배분을 어떻게 나눌

지에 대한 논의도 책임과 관련된 중요한 윤리적 문제라고 할 수 있다(변순용,

2017).

13) https://www.caranddriver.com/news/self-driving-mercedes-will-prioritize-occupant-safety-over-pedestrians 참조.

14) 여기에는 다른 차량의 탑승자도 포함될 것이다.


- 41 -

자율주행자동차의 윤리 논쟁의 또 다른 이슈는 사회적으로 야기할 수 있는

다양한 문제들이다(변순용, 2017). 무엇보다도 자율주행자동차 운행을 위해 다

양한 정보를 취득하는 과정에서 개인의 사생활을 침해할 수 있으며, 그렇다고

개인정보보호 만을 강조하면 자율주행자동차가 제대로 된 기능을 수행할 수 없

는 문제가 발생한다. 해킹을 통해 차량 사고를 유발할 수 있고 경우에 따라서는

테러의 수단으로 악용될 소지도 크다. 또한, 자율주행택시가 보편화되면 택시기

사들이 직업을 잃게 되고, 자율주행트럭이 본격적으로 판매되면 트럭기사라는

직업이 사라질 위기에 처해 큰 사회적 문제로 비화될 가능성이 크다. 자율주행

자동차와 일반 차량들이 일반도로에서 운행할 경우 사고가 증가할 수 있고, 자

율주행자동차 운행이 본격화되면 오히려 차량의 총주행거리가 늘어나 혼잡이

심화될 수 있고, 사람들은 운동 부족으로 비만 등 건강상 문제도 제기될 수 있

다. 아직 자율주행자동차 운행에 따라 발생할 수 있는 다양한 문제들이 실제 어

떻게 나타날지는 아무도 모르지만 적어도 윤리가이드라인을 제정할 때 이러한

부문에 대한 고려가 필요할 것으로 판단된다.

또 다른 새로운 이슈로는 현재 자율주행자동차의 도입과 운용에 따라 발생가

능한 문제들은 자율주행자동차의 작동 방식이나 주행시 가능한 의사결정방식의

문제 못지않게 중요한 것이 바로 도로 및 교통의 상황에 대한 문제이다. 자율주

행자동차가 주행하게 될 교통상황에 대한 고려가 반드시 전제되어야 하는데, 예

를 들면 자율주행자동차의 도입단계에서는 자율주행자동차 내지 자율주행모드

로만 운행되는 도로, 자율주행자동차와 인간이 운전하는 자동차가 혼합되는 도

로 등에 대한 구분이 이뤄져야 한다.

이러한 다양한 윤리적, 법적 쟁점들을 가지고 있는 자율주행자동차에 대한 윤

리 가이드라인으로 소개된 것이 바로 독일의 윤리강령이다. 2017년 6월 독일에

서 세계 최초로 자율주행자동차의 윤리 강령이 발표되었다. 이 강령은 지난

2016년 9월 독일 연방 교통부 장관, 연방헌법재판소와 본 대학(Bonn

University)교수진을 중심으로 다양한 학제 전문가로 구성된 윤리위원회(The

Ethics Commission)에서 초안을 작성하였다. 독일자율주행자동차윤리헌장의 핵

심 내용을 정리하면 다음과 같다:

1. 자율주행이 인간이 운전할 때 보다 사고를 필연적으로 줄인다면 도입에

따른 일부 불가피한 위험에도 불구하고 자율주행 운행은 윤리적으로 수

용해야 한다.


- 42 -

2. 사고 상황에서 인간의 생명은 다른 어떤 것보다 우선적으로 보호되어야

한다.

3. 피할 수 없는 사고 상황을 대처할 때, 관계된 사람들의 개인적 특성(연령,

성별, 신체적 정신적 상태)을 고려해 우선순위를 정해서는 안 된다.

4. 운행 시 사람과 로봇 중 누가 운행에 책임이 있는 지 명확히 하는 규제가 필요

하다.

5. 사고 시 책임 소재를 분명하게 하기 위해 운행책임 여부는 문서로 저장되

어 한다.

6. 운행 중 수집되는 데이터에 대한 용처와 사용여부는 반드시 운전(행)자의

승인을 얻어야 한다.

7. 운영자와 제조사는 고객들에게 자율주행 관련 새로운 기술이 어떻게 활

용되고 프로그램 되었는지에 대해 명확하게 알려야 한다.

8. 운전자로의 제어권 전환은 급작스럽게 이루어져서는 안 되며, 이를 위한

기술이 인간행태에 적합하도록 개발되어야 한다.

9. 긴급 상황에서 자율주행차량은 인간의 관여 없이 작동을 멈출 수 있어야

한다.

10. 자율주행 운행 환경에서 각종 책임은 인간운전자에서 기술시스템 제조

사와 운영사, 인프라건설, 정치, 법적 의사결정자 등으로 이전하며, 자율

차 운행 중 발생한 사고에 대한 책임은 제조물책임법에 따른다.

11. Connected Vehicle이 도로이용자들을 감시하거나 차량 운행을 운전자의

의도와 상관없이 조작하는 것은 윤리적으로 문제의 소지가 있는 것으로

간주한다.

12. 자율주행차 관련 IT시스템이나 내부 시스템에 대한 외부의 공격으로 인

해 도로이용자들이 피해를 받지 않아야 한다.

13. 자율주행차에 내재해 데이터센터와 연계되어 차량 운행을 스스로 지원

하는 머신러닝 기능은 운행의 안전을 개선할 경우 수용할 수 있다.

14. 자율주행차량의 이용자는 자율운행시스템의 올바른 조작에 대해 운전교


- 43 -

그러나 이러한 20개 조항의 내용을 검토해보면 독일의 윤리 가이드라인에서는

자율주행자동차의 목표와 가치(1, 2, 3, 7), 운행에 관한 법적, 윤리적, 메타적 규칙

(5, 6, 9, 10. 16, 18), 자율차 제작사의 의무 (11, 12, 14, 15, 17), 관리자의 의무(6,

8, 13), 이용자의 의무(4, 20) 등 5가지 분야로 나누어 윤리가이드라인을 제시하고

있다. 이러한 5가지 주제영역을 통해 자율주행자동차의 한국형 윤리 가이드라인을

아래와 같이 구성해볼 수 있을 것이다.

습이나 운전면허 시험을 통해 교육을 이수해야 한다.

15. 딜레마 상황 시 운전행태의 불확실성 때문에 대처방안을 표준화하거나 윤리

적 법칙에 어긋나지 않도록 프로그래밍을 할 수도 없다. 다만 기계시스템은

사고를 회피하도록 디자인되어야 한다. 바람직하기는 독립된 권한을 가진 공

공기관이 설립되어 체계적으로 관련 사고를 통해 무엇을 배울지에 대해 논의

하는 것이 필요하다.

16. 수준 높은 자율주행차량 기술(자동충돌방지기술)은 사고에 따른 손실을

추가적으로 줄일 수 있다는 전제하에 사회적으로 윤리적으로 도입을 강

제할 수 있다.

17. 자율주행차량 기술은 사고를 미연에 방지할 수 있어야 하며, 피할 수 없

는 상황이 생기지 않도록 설계되어야 한다.

18. 자율주행차량을 운행하는 사람은 운행에 관련하여 자유의지에 따른 모

든 결정에 대해 일차적으로 책임을 진다.

19. 공공부문은 자율주행차량이 공공도로에서 운행하는데 필요한 안전성을

확보할 책임이 있다. 따라서 운전면허발부와 모니터링은 공공이 담담해

야 한다.

20. 자율주행차량의 운행 목적은 자율차이용자들의 안전을 개선하는데 있다.

또한, 이동의 기회를 늘리고 다양한 편익을 가져다주는 것을 목적으로

한다. 기술은 인간의 자율성과 책임성을 전제로 개발되어야 한다.

1. 자율주행자동차에 추구되는 목표 및 가치: 자율주행자동차 기술의 도입

및 활용에 따라 자율주행자동차가 본연의 목적에 비추어 제작에서 활용


- 44 -

에 이르기까지 발생할 수 있는 문제를 해결하기 위한 가이드라인이 필요

하다. 여기서 추구되는 자율주행자동차의 기본 목표는 인간의 행복과 자

유이다. 자율주행자동차 도입의 이러한 기본 목표는 인간의 안전하고 편

리하며 자유로운 이동성과 자동차 사고로 인한 개인적, 사회적 손실의 최

소화라는 가치를 통해 추구된다.

1.1 자율주행자동차는 안전한, 편리한, 그리고 자유로운 이동성(안전성,

편리성, 자유로운 이동성- 교통접근권의 보장)을 증진시켜야 한다. -

mobility

1.2 자율주행자동차는 자동차사고로 인한 개인적, 사회적 손실을 최소화

해야하며, 인간의 생명은 동물이나 재산의 피해보다 우선적으로 고려

되어야 한다. – human life & social resources

2. 자율주행자동차는 그 운행에 관한 법적, 윤리적, 메타적 운행규칙을 가지

고 있어야 한다(자율주행자동차의 법적, 윤리적 운행 규칙: 도로교통법의

규칙, 윤리 규칙, 메타규칙)

2.1 자율주행자동차는 자동차의 운행과 관련된 제반 법규의 규정을 준수

해야한다.

2.2 자율주행자동차는 제반 법규의 규정이 적용되지 않는 상황에서의 사

고 경우에 대하여 명백한 판단 기준을 가지고 있어야 한다(ethics of

car crash).

2.3 자율주행자동차는 법적 운행규칙과 윤리적 운행규칙의 충돌 상황에

대한 메타규칙을 가지고 있어야 한다.

3. 자율주행자동차 공급자의 의무:

3.1 공익의 범위 내에서 인간의 행복 추구에 도움이 되도록 정해진 목적

과 기능에 부합하도록 자율주행자동차를 제작해야 한다.

3.2 자율주행자동차 운행의 법적, 윤리적 기준에 대한 투명성을 보장해야

한다.

3.3 자율주행자동차의 안전과 보안에 대한 보장의 책임을 가져야 한다.


- 45 -

지금까지 살펴본 바와 같이 인공지능윤리는 아시모프류의 인공지능 자체의

윤리와 인공지능의 제작과 사용에 대한 윤리로 나눠볼 수 있었다면 현재의 추

세는 인공지능윤리헌장에서 인공지능의 윤리적 가이드라인이 강조되고 있다.

그렇다고 해서 전자의 중요성이 약화될 수는 없으며, 앞으로는 인공지능의 윤리

모듈을 둘러싼 인공지능의 윤리 헌장과 같은 성격의 윤리 규정과 제작 및 사용

에 대한 윤리적 가이드라인이 유기적 관련성을 가지면서 혼합되어 제시될 것이

다. 앞으로 인공지능 자체의 윤리도 킬러로봇, 수술로봇, 자율주행로봇, 홈서비

스 로봇, 교육로봇, 택배로봇 등과 같이 다양한 분야에서 윤리적 기준에 대한

논의와 함께 윤리인증에 대한 사회적 요청이 제기될 것이다.

4. 자율주행자동차 관리자의 의무(국가, 사회의 의무):

4.1 운행책임과 제어권 전환에 대한 규정

4.2 자율주행자동차의 도입과 활용을 위한 사회적 인프라의 확충

4.2 자율주행자동차의 도입, 안전 및 이에 대한 책임 관련 모니터링 의무

5. 자율주행자동차 소비자의 의무

5.1 자율주행자동차의 이용자 교육 및 자동차 면허 이수의 의무화를 준수

해야 한다.

5.2 탑승자 및 비탑승자의 자유와 안전에 대한 책임을 져야 한다.


- 46 -

Ⅲ. 인공지능 제품·서비스

1. 산업분야

미국의 전산학자이자 인지과학자인 존 매카시(John McCarthy) 교수가 1956년

다트머스 학회에서 인공지능(Artificial Intelligence)이라는 용어를 창안한 이래

로 전문가시스템으로 출발했던 AI는 기술적 한계로 인해 1974∼1980년 1차 침

체기, 1987∼1993년 2차 침체기를 거쳤고, 2000년대에 이르러 빅데이터 처리기

술, 컴퓨팅 처리용량의 향상, 딥러닝의 출현 등 관련 기술의 발전과 제반 환경

의 성숙 등에 힘입어 교육, 헬스케어, 자동차 등 산업의 각 분야에 빠르게 도입

되고 있다.

해외에서는 2011년 2월 IBM의 인공지능인 왓슨(Watson)이 미국 ABC방송의

인기 퀴즈쇼 ‘제퍼디!(Jeopardy!)’에서 74회 연속 우승자와 역대 최다상금 수상

자를 따돌리고 우승하며 주목을 받은 이래, 국내에서는 2016년 3월 구글의 알파

고가 이세돌 9단에게 승리하며 인공지능에 대한 세간의 관심을 끌었다. 오늘날

인공지능은 AI스피커, 암 진단·치료, 유전자 분석기반 치료, 기상예보, 조교, 개

인 맞춤형 학습, 챗봇, 쇼핑 도우미 등 개인과 산업의 다양한 영역에 도입·활용

되고 있다. 이에 국내·외 인공지능 관련 서비스·제품 동향과 활용 현황 등을 살

펴보고, 향후 우리나라 교육발전에 인공지능을 어떻게 활용할 수 있을지 제시하

고자 한다.

가. 국내 제품·서비스 동향 및 사례

1) 국내 인공지능 제품·서비스 동향

우리나라의 인공지능 관련 기술개발은 미래창조과학부의 소프트웨어 분야 국

가 혁신기술 개발형 R&D 과제로 시작한 엑소브레인(Exobrain)이 대표적이다.

엑소브레인은 한국전자통신연구원(ETRI) 주도로 솔트룩스, KAIST 등이 참여하

고 있으며, ① 자연어 분석 기술, ② 지식 학습 및 축적 기술, ③ 자연어 질의응

답 기술 관련 원천 기술을 개발하고 기업에 기술을 이전하여 상용화 서비스 및

제품 개발에 활용되고 있다. 기술이전을 받은 대표적인 AI서비스로는 솔트룩스

의 아담스(ADAMs), 마인즈랩의 마음(maum.ai), 인터웍스미디어의 온라인 맞춤

광고 솔루션, 마이다스아이티의 AI면접솔루션, 브리지텍의 콜센터 상담 솔루션


- 47 -

등이 있다.

LG·삼성 등 국내 대표적인 전자업체의 경우, 각각 ‘씽큐’, ‘빅스비’ 와 같은 AI

브랜드를 내세우고 일상생활 속에서의 AI를 주제로 사물인터넷(IoT), AI 등의

기술을 자사 제품에 결합하여 시장에 내놓고 있다. 일반인들이 가장 친숙한 AI

서비스라 할 수 있는 AI스피커의 경우, SKT(누구), KT(기가지니) 등 통신사업자

뿐만 아니라 카카오(카카오미니), 네이버(웨이브, 프렌즈) 등 인터넷기업까지 가

세하여 다양한 결합서비스를 출시하고 있다.

AI기술이 가장 활발하게 적용되는 분야 중 하나인 헬스케어는 해외솔루션들

이 전자건강기록(EHR; Electronic Health Recored), 의학저널, 영상기록 등을 학

습하여 진단에 활용하는데 비해 국내는 영상진단 분야에 초점을 둔 솔루션들이

주류를 이루고 있다. 대표적인 것으로는 골연령을 진단하는 ‘본에이지(뷰노)’,

흉부영상을 분석하여 폐결절여부를 진단하는 ‘루닛 인사이트(루닛)’, MRI 영상

으로 뇌경색 패턴을 추출·제시하는 ‘제이비에스-01케이(제이엘케이인스펙션)’ 등

AI기반 영상진단 소프트웨어가 있으며, 또한 국내 대학병원과 SK가 함께 개발

한 헬스케어 AI서비스인 ‘에이브릴 안티바이오틱스’, 마이스다스아이티와 삼성

서울병원이 함께 개발한 MRI 뇌영상 치매위험지수 산출 소프트웨어인 ‘인브레

인’ 등이 있다.

독일 인더스트리4.0에서 시작되어 사물인터넷, 빅데이터, 인공지능, 로봇 등의

기술이 종합적으로 융합된 스마트팩토리 분야의 경우, 카메라로 촬영된 영상을

딥러닝 알고리즘을 이용해서 판정하는 AI비전은 여러 솔루션들이 출시되고 있

으나, 협업로봇 분야는 인공지능 기술 적용이 해외에 비해 좀 더 활성화가 필요

한 상황이다.

<표 Ⅲ-1> 국내 인공지능 제품·서비스 현황적용분야 특징 제품·서비스AI서비스 플랫폼

∙ AI플랫폼에서 오픈API 형태로 서비스 제공∙ 가전, 스마트홈 제품, 아파트 등으로 생태계 확장

ETRI 인공지능 오픈API, 대화형 API (카카오, 네이버), 솔트룩스 아담 오픈API 등

AI스피커 ∙ 음성인식 대화형 스피커∙ 스마트홈, 커넥티드카 등으로 생태계 확장

SKT 누구, KT 기가지니, 카카오 미니, 네이버 프렌즈 등

스마트홈 ∙ IoT와 AI서비스를 결합하여 제품에 탑재 LG 씽큐, 삼성 빅스비 등헬스케어 ∙ 의학영상을 분석하여 특정질환을 진단 뷰노 본에이지, 루닛 인사이트 등스마트 팩토리

∙ 카메라, 3D스캐너 등과 연계하여 불량품 검사, 물류 등에 적용 AI머신비전, 3D빈피킹, 넥스플랜트 등


- 48 -

2) 국내 인공지능 서비스 플랫폼

음성인식, 음성합성, 이미지인식, 대화처리 등 다양한 AI역량을 수행하기 위

해서는 강력한 컴퓨팅 파워와 다양한 알고리즘 조합의 최적화가 뒷받침 되어야

제대로 된 성능을 낼 수가 있다. 따라서 클라우드 기반의 컴퓨팅 파워, 인공지

능 알고리즘, 데이터 및 학습된 모델 등으로 최적화 된 인공지능 서비스를 제공

하는 것이 AI서비스 플랫폼이며, 오픈API를 통해 챗봇, AI스피커, 사이버상담사

등 다양한 형태로 서비스되고 있다.

솔트룩스 아담(ADAMs) 플랫폼

- 솔트룩스의 인공지능 플랫폼인 아담 플랫폼 서비스는 데이터, 분석, 언어, 지

식, 지능으로 구성된 총 60여종의 RESTful 기반 오픈API를 제공하고 있으며,

회원가입 후 Key발급 요청, 관리자 승인 등의 절차를 거쳐 사용이 가능하다.

[그림 Ⅲ-1] 아담(ADAMs) 오픈API 서비스

카카오 카카오아이(Kakao i) 인공지능 플랫폼

- 카카오의 인공지능 플랫폼인 ‘Kakao i’는 음성엔진, 시각엔진, 대화엔진, 추천

엔진, 번역엔진 등의 역량을 보유하고 있으며, 주로 카카오미니 AI스피커, 카

카오홈 제휴 제품/아파트에 탑재(연동)하여 서비스를 제공해 왔으나 ’18년

12월부터 카카오아이 디벨로퍼스 베타 버전을 통해 오픈API로 공개할 예정

이다.


- 49 -

- Kakao i는 음성인식 개인비서 기능이 카카오택시, 카카오네비, 멜론 등의 자

사 서비스 뿐만 아니라, 현대 그랜저/아반떼 등의 차량에도 탑재되어 있다.

[그림 Ⅲ-2] 카카오 ‘Kakao i’ 인공지능 플랫폼

네이버 클로바(Cloba) 인공지능 플랫폼

- 클로바는 다양한 디바이스에서 사용 가능한 클라우드 기반의 AI서비스 플랫

폼으로서 AI서비스를 활용하기 위해 앱 및 디바이스용 ‘클로바 인터페이스 커

넥트(CIC)‘와 컨텐츠·서비스 개발용 ’클로바 스킬 툴(Clova Skill Tools)‘을 제

공하고 있다. AI역량은 음성엔진, 시각엔진, 증강현실(AR)엔진, 대화엔진, 추

천엔진, 번역엔진 등이며, 아마존 알렉사와 같이 사용자가 필요한 클로바 스

킬을 추가할 수 있다.

- 클로바는 자체 AI스피커 뿐만 아니라, LGU+ 및 LG전자의 AI스피커 등에도

탑재되어 음성인식기반 개인비서 서비스를 제공하는데 활용되고 있다.

[그림 Ⅲ-3] 네이버 클로바(Clova) 인공지능 플랫폼


- 50 -

3) 국내 AI기반 스마트홈

LG전자, 삼성전자 등 국내 전자기업은 자체 AI서비스 플랫폼 뿐만 아니라,

국내·외 전문AI플랫폼과의 제휴를 통해 제품에 AI역량을 탑재하고 있다.

LG전자 씽큐(ThinQ)

- LG전자는 ’17년12월 딥러닝 기반의 가전 및 서비스 브랜드인 ’싱큐‘를 론칭하

고, 전 제품에 WiFi칩 탑재, 공간학습 기능, 비전AI, 음성AI 적용 등 인공지

능, 사물인터넷 기반의 스마트홈 관련 제품 라인-업을 구축해 가고 있다.

- 또한 오픈파트너십 전략을 통해 네이버 클로바를 탑재한 자사의 AI스피커

‘LG씽큐 허브’ 외에 아마존 알렉사, 구글 어시스턴트 등 타사의 음성인식 개

인비서 역량도 자사의 생활가전과 연동시킴으로써 스마트홈 생태계를 확장하

고 있다.

- 주요 제품을 살펴보면, 비전AI, 음성AI를 탑재한 스마트폰은 최적의 촬영모드

추천, 피사체 기반 쇼핑정보를 제공하고, TV는 입력영상을 분석해 노이즈를 4

단계로 제거하여 최적의 화질을 구현하며, 음성인식을 통한 채널검색, 추천

등을 수행하고, 에어컨은 공간학습 기능을 통해 공기청정, 제습 등 상황에 맞

는 코스로 동작한다.

- 또한 한국어/영어/중국어/일본어 등 4개 국어를 구사하는 안내로봇, 자율주

행·장애물회피 기술 등이 적용된 청소로봇 등 AI를 로봇과 결합한 제품을 내

놓고 있다. [13]

[그림 Ⅲ-4] LG전자 AI로봇 클로이(CLOi)


- 51 -

삼성전자 빅스비(Bixby)

- 삼성전자가 ’16년11월 실리콘밸리 인공지능 플랫폼 개발업체 ’비브랩스(VIV

Labs)‘ 를 인수하며 출시한 ’빅스비‘는 음성인식 개인비서 서비스로서, 현재

한국어, 영어, 표준중국어를 지원하고 있다. ’빅스비 비전’은 카메라로 인식된

정보를 분석하여 표지판 번역, 메뉴의 칼로리 계산, 증강현실 기반 가상 메이

크업 체험 등의 서비스를 제공하고 있으며, ‘리마인드‘ 기능을 통해 음성으로

복잡한 알림을 안내하는 것도 설정할 수 있다.

- 삼성전자는 2020년까지 자사의 모바일기기 및 가전제품에 빅스비를 탑재할 계

획을 갖고 있으며, ’18년11월 ‘빅스비 개발자 스튜디오(Bixby Developer

Center)’를 공개하고 빅스비 생태계를 확장해 가는 전략을 추진하고 있다. [14]

[그림 Ⅲ-5] 삼성 빅스비(Bixby) 개발자 생태계 구축 전략

4) 국내 AI스피커

국내 AI스피커 시장은 이동통신사와 포털기업이 경쟁하고 있었으나 ’17년말

LG전자가 ‘씽큐 허브’로 진출한 이래, ’18년 하반기에 구글이 ‘구글 홈’을 출시

하였고, ’19년 상반기에는 삼성전자가 ‘갤럭시 홈’ 출시를 예정하고 있다. AI스

피커는 고유의 기능인 개인비서 서비스 뿐만 아니라, 사물인터넷 기술과의 연동

을 통해 음성으로 가전을 제어하는 스마트홈, 자동차에 탑재하여 음성으로 차량

네비게이션, 인포테인먼트 시스템, 공조 등을 제어하는 등 활용영역을 확대하고

있다.

처음에는 AI스피커가 기상정보, 음악재생 등 일상생활에 필요한 정보검색에

머물렀으나, 점차 생활기기 제조업체와 협업을 통해 조명기기, 공기청정기, 에

어컨, 로봇청소기, 블라인드 등을 음성으로 제어하는 스마트홈의 핵심 디바이스

로 자리를 잡아가고 있다. 뿐만 아니라, 음식배달 앱, 항공편 조회, 공항터미널

대기자 인원 조회 등 부가적인 생활편의 기능을 추가하며 활용도를 높여가고

있다.


- 52 -

<표 Ⅲ-2> 국내 AI스피커 현황구분 누구(NUGU) 기가지니 카카오미니 클로바 프렌즈 씽큐 허브공급자 SK텔레콤 KT 카카오 네이버 LG전자

제품 누구, 누구미니기가지니 1,2 /버디 / LTE

카카오미니C,보이스 리모트

프렌즈, 웨이브 LG 씽큐 허브

크기(mm) 94x94x219.8 122.5X125X167 76.6X76.6X110.2 72x72x166 103.5x221x 110

무게 1.1kg 950g 390g 378g 1.4 kg

연결방식 Wi-FiWi-Fi,

Bluetooth 4.1Wi-Fi,

Bluetooth 4.2Wi-Fi,

Bluetooth 4.2Wi-Fi,

Zigbee, Bluetooth

생태계B tv, T맵 등에 탑재,NUGU개발자용Play Kit 제공 등

유진 로봇청소기와연동, KT API Link개발자 포털 운영 등

‘카카오홈‘브랜드로 조명, 가습기 등가전제품과 연동

스마트홈에 초점을둔 Clova WAVE출시

네이버 클로바탑재, 자사가전제품과 연동

아마존 알렉사의 스킬(skills) 기능처럼 개발자/제조업체들이 생활편의 기능

또는 생활가전 제어기능을 앱(App) 형태로 개발하여 마켓플레이스에 올리면,

사용자가 필요한 스킬을 검색·설정하여 바로 사용하는 것과 같이, 네이버 스킬,

빅스비 캡슐 등도 유사한 전략을 취하고 있다. 따라서, AI스피커의 활성화는 스

킬 앱 생태계에 유용한 앱들을 얼마나 확보하느냐에 달려있다고 할 수 있다.

5) 국내 인공지능 헬스케어 솔루션

헬스케어에서 AI는 의학영상, 신약개발, 진단, 건강 위험도 분석, 의학연구, 환

자 모니터링/건강 관리, 영양학 등에 적용되고 있으며, 국내에서는 AI헬스케어

스타트업들이 활발하게 솔루션을 개발하고 있다.

뷰노 본에이지(VUNO Med-Bone Age)

- ’14년12월에 설립된 헬스케어 스타트업인 뷰노(Vuno)는 자체적으로 개발한

딥러닝 엔진인 뷰노넷(VunoNet)을 기반으로 뼈 나이 판독, 가슴 X-ray/CT,

안과 질환, 뇌신경 진단 등 영상이미지 분석 솔루션, 생체 시그널 분석기반 조

기경보 시스템, 의무기록 음성인식 등을 헬스케어 솔루션을 출시하고 있다.

- 인공지능 기술을 활용해 신체 뼈 나이를 판독할 수 있는 솔루션인 ‘본에이지

‘는 ’18년5월 식약처로부터 의료기기 허가를 취득했다. 그 동안 의사가 환자의

왼쪽 손 X-Ray 영상을 참조표준영상(GP)15)과 비교하면서 수동으로 뼈 나이를

판독했는데, AI가 X-Ray영상을 분석해 환자의 뼈 나이를 제시하면 의사가 제

15) GP(Greulich-Pyle, 그룰리히-파일) : 환자(0～19세)의 좌측 손 X-ray 영상을 남자 31개, 여자 27개 구간으로 구분해 참조표준 영상을 제시한 자료


- 53 -

시된 정보로 성조숙증이나 저성장을 진단하여 아이들이 호르몬 치료나 수술

등의 치료를 받을지 결정하는데 도움을 주는 의료기기이다.

- 뷰노의 연구결과에 따르면, 환자 200명 대상으로 진행한 ‘본에이지’와 전문의

간 판독결과 오차는 7개월 미만으로 판독속도는 20∼40%, 판독정확도는 약

10% 향상시키는 것으로 나타났다. [15]

[그림 Ⅲ-6] 뷰노메드 본에이지 뼈 나이 영상 판독 例

루닛 인사이트

- ’13년 설립된 헬스케어 스타트업인 루닛(Lunit)은 자체 딥러닝엔진에 기반하

여 흉부X-Ray 영상에서 폐암결절로 의심되는 이상부위를 검출하여 의사의 판

독을 보조하는 ’루닛 인사이트‘ CXR-NODULE / CXR-MCA, 유방촬영술 영

상에서 유방암으로 의심되는 이상부위를 검출하여 의사의 판독을 보조하는

‘루닛 인사이트’ MMG 등의 소프트웨어를 출시하고 있다.

- ’18년8월 식약처로부터 의료기기 허가를 취득한 ‘루닛 인사이트

CXR-NODULE’은 AI알고리즘이 폐결절로 의심되는 위치를 색상(heatmap)으

로 표시하고, 폐결절의 존재 가능성을 확률값으로 나타낸다. 이를 통해 크기

가 작거나 다른 장기에 가려져 있는 결절을 놓치는 비율을 줄일 수 있고, CT

영상이 아닌 흉부X-Ray 영상으로도 폐암 조기 진단율을 향상시킬 수 있으며,


- 54 -

비영상의학 전문의에 의한 폐결절 판독 정확도를 영상의학 전문의 수준으로

향상시키는 것을 기대할 수 있다.

- ’17년4월 서울대병원에서 실시한 연구에 따르면, 루닛 인사이트를 통해 폐결

절을 진단할 경우에 일반 내과의의 판독 정확도가 최대 20% 향상되는 것으로

나타났다.

[그림 Ⅲ-7] 루닛 인사이트 CXR 폐결절 의심 판독 例

6) 국내 스마트팩토리 솔루션

생산현장을 혁신하는 스마트팩토리는 빅데이터 분석의 한계를 인공지능의 역

량을 통해 극복하려고 시도하고 있다. 대표적인 분야로는 시간/순서적인 측면

을 고려해서 판단할 수 있는 특성을 가진 RRN(Recurrent Neural Network) 알

고리즘을 활용한 예지정비, 카메라로 촬영한 영상의 픽셀은 3원소(빨강·파랑·녹

색)의 디지털 숫자로 표현되는데 이를 정교하게 분석해 제품의 불량여부를 판

정하는 AI비전, 인공지능 알고리즘을 로봇에 적용하여 자가학습 기반으로 최적

의 작업방법을 습득하는 로봇자동화 등이 있다. 하지만, 국내의 경우에는 AI비

전을 제외한 나머지 분야는 독립된 제품·솔루션 형태 보다는 스마트팩토리 구

축을 위한 시스템통합(SI; System Integration) 서비스 성격이 강하다. [16],[17]


- 55 -

라온피플 NAVI AI

- ’10년01월 설립된 라온피플은 2D/3D카메라, 열화상카메라, 카메라 모듈 및

인공지능 비전검사 소프트웨어 등을 개발·생산하는 AI 비전검사 전문솔루션

기업이다. 인공지능 비전검사 솔루션인 ‘NAVI AI’는 사용자가 양품/불량품

학습데이터를 입력하면 딥러닝 알고리즘을 통해 수백∼수천 장의 이미지를

생성·학습하고, 작업공정에서 제품의 양품/불량 여부를 출력 및 불량위치를

표시해 준다.

[그림 Ⅲ-8] 라온피플의 AI NAVI를 이용한 불량품 검출

나. 해외 제품·서비스 동향 및 사례

1) 해외 인공지능 제품·서비스 동향

시장조사 전문기관인 마켓엔마켓(MarketsAndMarkets)에 따르면, 2017년 글

로벌 AI시장은 160.6억달러(약17.9조원)였으나 연평균 36.62% 성장하여 2025년

경에는 1906.1억달러(약219.5조원)에 달할 것으로 전망하고 있다. 또한, 글로벌

AI시장의 주요기업으로는 IBM, 구글, MS, 아마존, NVIDIA, Xilinx, 페이스북,

마이크론, 인텔 등 대부분이 미국기업이고, 해외기업으로는 삼성전자가 거론되

고 있다.


- 56 -

<표 Ⅲ-3> 산업별 AI 적용분야 및 주요 AI기업 현황산업 산업별 AI 적용분야 플랫폼 기업 단위솔루션 기업

헬스케어

∙ 환자 데이터 및 리스크 분석∙ 생활습관 관리/모니터링∙ 정밀의료∙ 외래환자관리/병원관리∙ 의료영상 및 진단∙ 신약개발∙ 사이버상담사∙ 웨어러블기기∙ 연구개발(R&D)

∙ AI플랫폼 : IBM, 구글, MS, 아마존, 바이두

∙ 제조산업용 AI : GE, Rockwell, Siemens

∙ GPU/FPGA : 엔비디아, 마이크론, Xilinx

∙ 신경망 Chip : IBM, 삼성전자, 인텔, HRL, General Vision, BrainChip, Applied Brain Research

IBM Health, Zephyr Health, Butterfly Network, Atomwise

제조

∙ 자재이관∙ 예지정비 및 설비점검∙ 생산계획∙ 필드서비스∙ 정화∙ 품질관리(QC)

Vicarious, Preferred Network, Progress DataRPM, Gamaya

자동차∙ 자율주행∙ 인간-머신 인터페이스(HMI)∙ 반자율주행

Didi Chuxing, Zoox Inc.

농업∙ 정밀농업∙ 가축 모니터링∙ 드론기반 분석∙ 농업용 로봇

Mythic, Koniku, Precision Hawk, Agribotix, Neurala, IRIS Automation

유통

∙ 상품추천 및 계획∙ 고객관리(CRM)∙ 시각화 검색∙ 사이버상담사∙ 가격 최적화∙ 지불서비스관리∙ 공급망관리 및 수요계획

Face++, Inbenta, Aibrain, Descartes Labs, Pilot AI Labs, Narrative Science

보안

∙ 신원/접근 관리∙ 리스크/컴플라이언스 관리∙ 암호화∙ 데이터유실 방지∙ 통합위협관리∙ 안티바이러스/안티멀웨어∙ 침입 탐지/방지 시스템

Darktrace, Cylance

인사(HR)

∙ 사이버상담사∙ 지원자 추적/평가∙ 개인맞춤형 학습/개발∙ HR분석∙ 직무추천∙ 직원감성 분석

IBM Talent Management, Texito, myInterview, Talla, Saberr, ServiceNow, workey, mya, Restless Bandit

마케팅

∙ 소셜미디어기반 광고∙ 검색기반 광고∙ 가변가격제(Dynamic Pricing)∙ 사이버상담사∙ 컨텐츠 큐레이션∙ 영업/마케팅 자동화∙ 어낼리틱스 플랫폼

Ec2ce, Sentient Technologies, Insidesales, Persado, Mariana, Drawbridge, Appier, Gumgum, Zensed

법률

∙ 전자적 증거개시절차(e-Discovery)

∙ 법률 검색∙ 계약 분석∙ Case Prediction∙ 컴플라이언스

ROSS, Zylab, Kira, LawGeex, casetext, eBrevia. Legal Sifter


- 57 -

해외의 AI 제품/솔루션은 IT공룡 뿐만 아니라, 수많은 AI스타트업들과 전통

적인 산업의 강자들도 AI관련 전문솔루션들을 시장에 출시하고 있으며, 헬스케

어, 제조, 자동차, 농업, 유통, 보안, 인사(HR), 마케팅, 법률 등 다양한 산업군에

걸쳐 수많은 AI 솔루션/제품이 존재하고 있다. 따라서 본 보고서에서는 시장의

주요 AI기업 중심으로 솔루션/제품 현황을 살펴보고자 한다. [18]

2) 글로벌 IT기업의 인공지능 제품·서비스 동향

글로벌 IT기업들은 자체 머신러닝/딥러닝 엔진을 기반으로 AI플랫폼과 이에

기반한 개발자 환경을 구축하고 헬스케어, 스마트홈, 미디어, HR 등을 위한 다

양한 솔루션을 시장에 내놓고 있다.

IBM

<표 Ⅲ-4> IBM 인공지능 솔루션 현황구분 솔루션 그룹 제품/솔루션 특징

오퍼링

AI생명주기

관리

Watson Studio, Watson ML AI 모델링 도구, AI 앱 개발도구AI 오픈스케일(OpenScale) AI의 의사결정 도출과정 모니터링, 데이터 편향성

제거, AI를 구축하는 신경망합성엔진 ‘뉴넷S’ 탑재Watson 통합 Watson + SalesForce, Watson + BOX 타 기업 솔루션과 AI역량을 통합

Watson APIWatson Assistant, Discovery, NLU, WKS, Visual Recognition, STT, TTS, NLC, Personality Insights, Tone Analyzer

IBM PaaS(bluemix.net)를 통해 제공, 한국어, 영어, 중국어, 일본어, 아랍어 등 11개 언어 지원, 일정수준까지 무료로 사용하고 초과시 종량제 요금 부과

Watson on ICP

Watson Assistant, Compare & Comply 등 고객 데이터센터에 설치해서 사용하는 AI왓슨

산업솔루션

Advertising 미디어, 데이터, 테크놀로지 AI기반의 마케팅 전략/의사결정 솔루션Customer

Engagement Marketing, Commerce, Supply Chain AI기반의 커머스, 공급망관리(SCM) 솔루션

교육 Watson Tutor, Watson Classroom, Teacher with Watson, 세서미 스트리트 자연어기반의 지능형 교수, 개인맞춤형 학습

금융 RegTech 규제 및 리스크 관련 솔루션(6종)헬스

(Health)암/유전자, 의학영상, 생명과학, 가치기반 케어, 개인맞춤형 케어

암 진단/치료, 유전자기반 진단/치료, 의학영상 진단, 신약개발, 스마트병원, 의학DB, 복지 등 100여종의 헬스케어 솔루션 보유

IoT 자산관리, 설비관리, 시스템 엔지니어링, IoT플랫폼 AI기반의 IoT 관련 솔루션

미디어 Captioning, Video Enrichment, 비디오 추천, 비디오 하이라이트 AI기반의 방송·미디어 업무지원, 비디오 도서관

인재관리(HR) 인재 영입, 평가, 개발 인재영입(5종), 인재평가(3종), 인재개발(6종) 관

련 다양한 솔루션 보유협업관리 왓슨 워크플레이스 AI기반의 팀 메시징 솔루션


- 58 -

- ’11년2월 ‘제퍼디!’ 퀴즈쇼 우승이후, IBM 인공지능 왓슨(Watson)은 발전을 거

듭하여 ’18년6월에는 인간 2명과 ‘토론 배틀’을 하는 수준에 이르렀다. 특히,

2017년에는 MIT대학과 공동으로 인공지능 과학자 100명으로 구성된

‘MIT-IBM Watson AI Lab‘을 설립하고 향후 10년간 공동연구를 진행할 계획

이며, ’18년9월 기준으로 48개의 AI프로젝트를 착수하였다.

- IBM은 AI왓슨을 기반으로 다양한 AI오퍼링(Offering)을 출시하고 있으며, 국내

에서도 헬스케어, 보안, Watson API 등에서 고객군을 늘려 나가고 있다. AI왓슨

은 클라우드 기반의 Watson API, 공공·금융 등 규제로 인해 클라우드환경을 사용

하기 어려운 고객을 위한 ‘설치형’ 인공지능 ‘Watson on ICP‘ 뿐만 아니라, 글로벌

사이버보안동향을 실시간 학습하여 사이버안전을 지원하는 W4CS, 100여종의

헬스케어 솔루션 등 다양한 AI기반 제품/솔루션을 내놓고 있다.

구글(Google)

- 구글은 2018년 Goolge I/O 행사에서 ‘구글 리서치’로 알려진 ‘구글 AI’를 발

표했으며, AI제품으로는 ‘OK 구글’로 널리 알려진 ‘구글 어시스턴트(Google

Assistant)’, 이미지 인식을 위한 ‘구글 오토 ML 비전(Google Auto ML

Vision)’, 머신러닝과 딥러닝 공개SW인 ‘텐서플로우(TensorFlow)’, 알파고로

널리 알려진 ‘딥마인드(DeepMind)’ 조직 등이 있다.

- 클라우드 기반의 구글 AI 솔루션은 ‘클라우드 탈렌트 솔루션(HR)’, ‘컨택센터

AI’ 등의 패키지형, 구글 클라우드 플랫폼 상에 텐서플로우와 클라우드 머신

러닝엔진으로 구현하는 ‘추천시스템’, 그리고 다양한 머신러닝 API로 구성되

어 있다. 특히, 구글은 머신러닝 도구, 컨택센터, 머신러닝 서비스 파트너, 유

통/미디어/프로세스 자동화/금융/농업 분야의 솔루션 파트너들과 협업하여

구글 머신러닝 역량을 통합해 가고 있다.

<표 Ⅲ-5> 구글 클라우드 AI/머신러닝 빌딩블록구분 제품/솔루션 특징

시각Cloud Vision API 이미지 인식 및 분류Cloud Video Intelligence API 장면단위의 비디오 어노테이션AutoML Vision 커스텀 이미지 분류 모델링

언어Cloud Translation API 언어 탐지 및 번역Cloud Natural Language API 텍스트 파싱 및 분석AutoML Translation 커스텀 도메인 특화 번역AutoML Natural Language 커스텀 텍스트 분류 모델

대화처리Dialogflow Enterprise Edition 대화형 인터페이스 (챗봇) 구축Cloud Text-to-Speech API 음성인식 APICloud Speech-to-Text API 음성합성 API


- 59 -

- 구글도 IBM과 마찬가지로 AI 빌딩블록 API를 일정수준까지는 무료로 사용토

록 하고 초과시에는 종량제 방식으로 요금을 부과하고 있다.

- 개인비서 서비스인 ‘구글 어시스턴트(Google Assistant)’는 안드로이드 스마트

폰, 구글 어시스턴트 내장 스피커, ‘안드로이드 오토(Android Auto)’ 지원 차

량, 안드로이드 TV 기기 등을 통해 라이프 스타일 관련 다양한 서비스를 제공

하고 있다. 특히, 음성인식 스피커를 통해 스마트홈 관련 다양한 생활기기 제

어 기능도 제공하고 있는데, 예를 들면 필립스 조명기기 제어, 하이클래스 전

자칠판 제어, 허니웰 온도조절기 온도/습도 제어, 크롬캐스트 연동 TV 제어,

LG씽큐 가전 제어 등을 할 수 있다.

- 카메라로 촬영한 이미지를 인식하여 물체에 대한 정보 제공, 쇼핑 정보, 랜드마크

정보, 식물/동물 정보 등을 제공하는 ‘구글 렌즈’ 서비스도 스마트폰을 통해 제공하

고 있다.

[그림 Ⅲ-9] 구글홈 AI스피커 기반 스마트홈과 구글렌즈

아마존(Amazon)

- 아마존은 개인비서 서비스 ‘알렉사(Alexa)’를 탑재한 ‘아마존 에코(Echo)’와 다

양한 라이프스타일, 스마트홈 앱 생태계인 ‘알렉사 스킬(Skills)’을 통해 음성인

식 AI스피커 분야에서는 독보적인 위치를 구축하고 있다. 특히, ‘알렉사 스킬’

은 애플 앱 스토어 처럼 누구나 서비스 앱을 개발/등록할 수 있고, 개인별로

필요한 스킬을 활성화시키는 즉시 AI스피커에서 사용할 수 있다. 또한 50,000


- 60 -

개에 이르는 다양한 유·무료 스킬 앱과 사용자 피드백은 알렉사 활성화의 근

간이기도 하다. ’18년12월 기준으로 영어, 독일어, 일본어, 프랑스어, 이탈리아

어, 스페인어 등 6개 언어를 지원하고 있으며, ‘스킬빌더’를 통해 스킬 개발도

구인 알렉사 스킬 키트와 가이드를 제공하고 있다.

[그림 Ⅲ-10] 알렉사 탑재 AI스피커 ‘에코’와 ‘스킬’ 앱 사례

- 아마존 AI플랫폼은 아마존 웹서비스(AWS) 클라우드를 통해 제공되며, 알렉

사와 유사한 기술로서 음성인식, NLU(Natural Language Understanding) 기

능을 제공하는 ‘아마존 렉스(Lex)’, 음성합성 서비스인 ‘아마존 폴리(Polly)’, 그

리고 AI비전 서비스인 ‘아마존 렉코그니션(Rekognition)’ 등의 API 서비스를

제공하고 있다.

애플(Apple)

- 애플은 자사의 제품군을 중심으로 인공지능 생태계를 구축해 가고 있다. 애플의

머신러닝 프레임워크인 ‘Core ML 2’는 시리(Siri), 카메라, 퀵타입(QuickType)

등 애플 제품에 사용되고 있으며, 또한 앱 개발자들이 수많은 머신러닝 모델

타입을 자신의 앱에 적용할 수 있도록 지원하고 있다.

- 애플의 스마트홈은 ‘애플 홈킷(HomeKit)’ 이라는 브랜드를 통해 브릿지, 카메

라, 조명기기, 도어락, 수도꼭지 제어, 플러그, 온도/공기질 센서 등 각종 생활

기기를 자사의 스마트폰, 태블릿 및 노트북 등을 통해 음성으로 제어하는 기

능을 제공하고 있다. ’18년12월 기준으로 벨킨, 로지텍, 허니웰, 필립스 등 22


- 61 -

개 브랜드의 스마트 기기를 홈킷에 연동하여 제어할 수 있으며, 최근에 음성

인식 AI스피커인 ‘홈팟(HomePod)’을 출시하고 스마트홈에 연동하고 있다.

[그림 Ⅲ-11] 애플 스마트홈 솔루션 (홈킷과 홈팟)

마이크로소프트(MS)

- MS는 애저(Azure) 클라우드 기반으로 AI서비스를 제공하고 있으며, MS오피스,

윈도우즈 등 자사의 제품에도 AI역량을 통합해 나가고 있다. 애저AI (Azure AI)

에서는 시각, 음성, 언어, 지식, 검색 등의 API 뿐만 아니라, 텐서플로우, MXNet,

Chainer 등의 딥러닝 프레임워크도 이용할 수 있도록 제공하고 있다.

- MS 애저 AI API 서비스는 IBM, 구글과 달리 첫 사용량부터 종량제 요금을

부과하나 Face API, Translator Text API, 머신러닝 스튜디오, 머신러닝 등 4

종의 AI관련 제품에 대해서는 ‘항상 무료’ 또는 ‘일정수준까지 무료’ 정책으로

차별화하고 있다.

<표 Ⅲ-6> MS 애저 AI API 제품 현황구분 제품/솔루션 특징시각 Computer Vision API, Video Indexer, Custom

Vision, Face, Content Moderator이미지/비디오 내 컨텐츠를 식별 및 분석,Face API는 월3만건까지 무료

음성 STT, TTS, Speaker Recognition, 음성번역 음성인식, 음성합성 등

언어텍스트 어낼리틱스, 빙 스펠체크, Language Understanding, Translator Text, Content Moderator

구조하되지 않은 텍스트 의미 해석, 화자의 발언에 숨겨진 의도 파악 등,Translator Text API는 문자 2백만건까지 무료

지식 QnA Maker 구조화되지 않은 텍스트에서 Q&A 추출

검색빙 웹 검색, 빙 커스텀 검색, 빙 비디오 검색, 빙 이미지 검색, 빙 로컬 비즈니스 검색, 빙 비주얼 검색, 빙 엔터티 검색, 빙 뉴스 검색, Bing Autosuggest

광고없는 검색엔진 기능 제공


- 62 -

3) 법률 인공지능 제품·서비스 동향

정보기술과 소프트웨어를 사용하여 법률서비스를 제공하는 것을 ‘리걸테크

(Legal Tech)’라고 하는데, 미국과 유럽을 중심으로 수백개의 리걸 스타트업들

이 탄생하고 있다. 리걸테크의 주요 서비스로는 로펌관리 자동화, 법률자료 검

색, 전자증거개시 분석, 법률자문 및 전략수립, 변호사소개 서비스 등이 있으며,

특히 이메일 등 소송사건에서 검토해야 할 문서가 폭발적으로 늘어나면서 변호

사들의 업무도 덩달아 늘어나자, 로펌들이 법률자료 검색에 자연어처리·인공지

능 기술, 클라우드 기반 서비스 등을 도입함으로써 변호사들의 생산성 향상을

꾀하고 있다. [19]

로스 인텔리전스(ROSS Intelligence)

- ’17년 5월부터 베이커호스텔러(BakerHosteler)라는 로펌에서 실제업무에 활용

되기 시작한 AI왓슨 기반 법률검색 도구인 ‘로스(ROSS)’는 직관적 질문, 정밀

하이라이트, 법률 모니터링 등의 서비스를 제공하고 있으며, 2018년에는 AI기

반 준비서면 무료 분석도구(Brief Analyzer)인 ’에바(EVA)‘를 출시하였다.

- ‘로스’의 연구검색 효율성 및 정확도 통계에 따르면16), 불리언(Boolean) 검

색17)에서 30.3% 시간단축, 자연어 검색에서 22.3% 시간단축, 변호사 1명당 연

간 미화 13,067달러의 수임료 증가 등의 생산성 향상 효과를 거둔 것으로 나

타나고 있다.

[그림 Ⅲ-12] 변호사를 위한 AI 법률 연구검색 서비스 ‘로스(ROSS)’

16) ROSS 홈페이지 (https://rossintelligence.com/#dash-1) 참조17) 불리언 검색(Boolean research) : 검색시에 OR, AND, NOT과 같은 연산을 이용해서 검색하는 방식


- 63 -

톰슨로이터(Thomson Reuters)

- 2008년 캐나다 정보서비스기업인 톰슨이 세계적 뉴스통신사인 로이터를 인수

하여 탄생한 톰슨로이터는 오랜 기간동안 법률관련 정보서비스를 제공해 왔

다. ’18년 7월에 기존의 Westlaw서비스를 업그레이드하여 출시한 AI기반 연

구검색서비스인 ‘웨스트 로우 엣지(Westlaw Edge)’는 변호사들의 일상적인

업무를 신속하게 처리하도록 지원하고, 복잡한 업무에서 실수를 방지하도록

도우며, 변호사들에게 새로운 인사이트를 제공하도록 개발되었다.

- 웨스트 로우 엣지는 연관성과 정확성을 가진 법률정보를 찾아내는 ‘법률 연구

검색(Legal search)’, 법률 서식 및 초안 작성과정을 신속하고 정확하게 돕는

‘법률 서식 및 초안(Legal forms and drafting)’, 정보기반의 의사결정, 고객 기

대수준 관리 및 기타 변호사가 필요한 정보를 신속하게 찾도록 돕는 ‘소송 전

략(Case strategy)’, 기타 변호사 업무를 스마트하게 수행하도록 관련 솔루션과

서비스를 통합하여 제공하는 ‘통합 데이터 및 솔루션(Integrated data and

solutions)’ 등으로 구성되어 있다. 또한 짧은 기간에도 불구하고 기존의 웨스

트 로우 고객들을 웨스트 로우 엣지 사용자로 유치함으로써 ’18년말 기준으로

1,000여 사용자를 확보하고 있다.

[그림 Ⅲ-13] 톰슨로이터의 AI법률서비스 ‘Westlaw Edge’

4) 헬스케어 인공지능 제품·서비스 동향

인공지능 기술을 접목한 제품들을 가장 활발하게 시장에 출시하는 산업 중

하나가 바로 헬스케어라 할 수 있다. 2011년 미국 임상 및 기후학회 저널에 따


- 64 -

르면, 의학지식이 2배로 증가하는 속도가 1950년에는 50년 걸리던 것이 2010년

에는 3.5년, 2020년에는 73일밖에 걸리지 않을 것으로 전망하고 있다. 이러한 의

학지식의 폭발적 증가는 환자를 치료하는 의사들이 학습해야 할 정보의 양이

엄청나게 늘어나고 있다는 사실과 함께, 일정 수준의 품질을 갖춘 의학정보를

가려내고 학습하여 의사들에게 효과적으로 전달할 수 있는 도구의 필요성이 높

아진다는 의미 또한 내포하고 있다. 이러한 다양한 필요성에 의해 인공지능이

헬스케어산업에 활발하게 도입되고 있다. [20]

IBM헬스(IBM Health)

- IBM헬스의 인공지능 기술 도입제품은 암 진단·치료 조언자인 ‘왓슨 포 온콜

로지(Watson for Oncology)’, 유전자 염기서열 분석 데이터를 바탕으로 변이

유전자를 찾아내어 적합한 치료약물을 제시하는 ‘왓슨 포 제노믹스(Watson

for Genomics)’, 생명과학 연구자들이 신약의 표적 및 기존 약제의 새로운 적응

증을 찾도록 지원하는 ‘왓슨 포 드럭 디스커버리(Watson for Drug Discovery)’

등의 솔루션을 출시하고 있다.

- 왓슨 포 드럭 디스커버리의 경우, 세계최대 신경질환 치료·연구 전문기관인

‘바로우 신경센터(BNI)’에서 루게릭병으로 알려진 ‘근위축성 측삭경화증(ALS)’

관련 새로운 약물요법을 개발하는데 활용되고 있는데, 연구과정에 참조해야

할 수백만 페이지의 연구자료, 1,500여 표적단백질, 산재된 임상데이터 등을

왓슨이 학습하여 연구자들이 보다 빠른 시간에 연구목표를 달성하도록 지원

하고 있다.

[그림 Ⅲ-14] AI 신약개발 지원도구 ‘왓슨 포 드럭 디스커버리’

버터플라이 네트워크(Butterfly Network)

- 고속 ‘Next-Gen’ DNA 시퀀스 장비 발명자인 조나단 로스버거 박사가 2011년


- 65 -

설립한 의학영상기기 전문 스타트업인 버터플라이 네트워크는 AI기반의 휴대

용 초음파기기인 ‘버터플라이 아이큐(Butterfly IQ)’를 출시하였다. 기존 초음

파진단에 활용되는 고가의 ‘압전 크리스털(piezo crystal)’ 대신에 프로그래밍

가능한 9천여 개의 ‘마이크로머신(micro-machine)’ 2D어레이를 장착하여 비용

을 획기적으로 낮춘 제품으로 초음파 기능을 칩에 구현한 ‘Ultrasound on a

Chip’ 기술과 무선충전 기능을 갖췄다.

- 버터플라이 아이큐는 프리셋(Presets) 기능을 통해 손쉽게 복부, 심장, 방광,

폐, 태아 및 산모검사, 순환기계 등 신체 전신에 대한 진단영상 관련 13개 분

야에 걸쳐 FDA 승인을 받았다.

[그림 Ⅲ-15] AI기반 휴대용 초음파진단기기 ‘버터플라이 아이큐‘

5) 사이버보안 인공지능 제품·서비스 동향

오늘날 사이버보안은 단순한 해킹 수준을 벗어나 수법이 지능화되고, 해커들

이 AI기술을 활용하여 새로운 기법을 개발하는 등 고도화되고 있으며, 아울러

인터넷으로 연결된 세상에서 글로벌 보안동향을 즉시 학습하여 실시간 대응하

는 것이 더욱 중요해지고 있다. 따라서 사이버보안에도 기존 룰(rule)기반 방식

을 넘어서 인공지능 기술을 적용한 서비스들이 속속 등장하고 있다.

다크트레이스(Darktrace)

- 다크트레이스의 플래그쉽 AI 사이버보안 솔루션인 ‘다크트레이스 엔터프라이즈

(Darktrade Enterprise)’는 머신러닝 기술을 이용하여 네트워크 이상징후를 스

스로 학습하고 이상징후를 판단하며, 사용자와 디바이스 네트워크 활동을 학

습, 추론, 시각화한다.

- 다크트레이스 엔터프라이즈는 네트워크 트래픽을 수동적으로 분석하여 사용

자, 디바이스, 서브넷 등의 ‘정상’ 상태를 이해하며, 스스로 주요 이상징후를


- 66 -

탐지하고 새로운 위협을 사이버보안 담당자에게 즉시 알려준다. 또한 자가학

습으로 동작하기에 별도의 설정이나 튜닝이 필요하지 않다고 한다.

[그림 Ⅲ-16] 다크트레이스 AI기반 사이버보안 솔루션

소포스(Sophos)

- 영국의 사이버보안기업인 소포스는 딥러닝 신경망 기술을 활용한 사이버보안

솔루션인 ‘인터셉트 엑스(Intercept X)’를 출시하고 있다. 적용된 딥러닝 기술

은 2010년 미국 DARPA의 사이버 게놈 프로젝트에서 말웨어와 기타 사이버

위협의 ‘DNA’를 찾아내어 개발한 알고리즘을 적용하고 있다.

- 소포스 인터셉터 엑스는 매주 2천8백만 개의 말웨어 샘플을 학습하고, 20MB

정도로 설치용량이 소규모라서 성능에 미치는 영향을 최소화하고 있다.

[그림 Ⅲ-17] 소포스 인터셉트 엑스 대시보드 화면


- 67 -

IBM시큐리티(IBM Security)

- IBM 인공지능 왓슨을 탑재한 사이버보안 솔루션인 ‘왓슨 포 사이버 시큐리티

(Watson for Cyber Security)’는 매일 발생하는 수천개의 사이버위협 관련 알

람을 AI가 개입하여 분별해 줌으로써 보안담당자들이 진짜 이슈가 되는 보안

에 집중하여 사이버보안 대응시간을 줄이는데 초점을 맞추고 있다.

- 왓슨 포 사이버 시큐리티는 정형·비정형 소스의 수십억 개 데이터 아티팩트를

학습하여 AI에게 사이버보안 위협과 사이버 리스크를 관련 지식을 향상시키

며, AI가 인사트를 수집·추론하여 악성파일, 의심되는 IP주소/내부자 간의 위

협관계를 파악하고, 보안분석가들이 의사결정을 신속하게 내릴 수 있도록 리

스크 분석 등을 제공한다.

[그림 Ⅲ-18] 왓슨 포 사이버 시큐리티 학습도구

2. 교육분야

“교육은 백년지 대계”라는 말에서 나타나듯이 교육에서는 혁신과 변화보다는

안정성, 지속가능성 등의 가치가 우선시 되어 왔다. 그로인해 교육은 다른 산업

에 비해, 보수적이라는 평가를 받아왔고, 그 성향은 테크놀로지의 수용과 활용

에도 반영되어, 타 산업에 비해 교육 분야에서 테크놀로지의 응용 및 발전이 느

렸던 것이 사실이다. 최근 알파고가 촉진시킨 사회의 전반적인 4차 산업혁명의


- 68 -

쓰나미 같은 흐름에 휩싸여, 교육 분야에도 변화의 바람이 불고 있으나, 그 속

도나 깊이는 아직 타 산업 분야의 그것과는 거리가 있는 것이 사실이다. 다만,

선진 기술의 수용 및 활용의 속도와는 상관없이 교육이라는 산업이 인류에 있

어 가지는 중대성과 밀접성 등을 고려할 때, 교육 분야의 기술 도입이, 타 산업

에서 일으켰던 변화와 개선의 정도 보다 훨씬 더 큰 잠재성을 가지고 있다는

것은 부정할 수 없는 사실이다. 미국 실리콘밸리의 투자 업계에서 한류를 주도

하고 있는 포메이션그룹의 노영래 부사장은 필자와의 인터뷰에서 다음과 같이

말한 바 있다.

“흔히들 말하는 이제 끝났다고 평가되는 전통적인 (Conventional) 산업에 최첨단

(High-end) 기술이 들어가서 퀀텀점프 (Quantum Jump)를 일으키며 산업을 혁

신시키는 일이 일어납니다. 모두들 구식이고 성장이 끝났다고 생각하던 숙박업

에 기술이 들어가서 에어비엔비 (Airbnb)를 만들어 냈고, 동일하게 하향산업이

라고 평가하던 운수업에 기술이 들어가서 우버(Uber)를 만들어 냈습니다. 동일

하게 교육은 산업의 규모는 매우 크고, 인류에게 중요한 영향을 끼치고 있지

만, 아직 기술로 인한 혁신이 미비한 영역입니다. 기술이 전통적 산업과 만나

만들어낸 놀라운 혁신과 변화가 교육 분야에서도 반드시 일어날 것이라고 확신

합니다.”

물론, 지금의 우버와 에어비앤비는 ‘공유경제’의 막을 열었던 처음 그 때와 시

간이 지난 지금 차이가 없는 것은 아니다. 그러나, 우버와 에어비엔비가 창출한

산업은 확실한 변화의 신호탄이었다.

[그림 Ⅲ-19] 우버 홍보 사진 (출처: 네이버)

2009년 미국에서 창립해 큰 인기를 끌며 전세계로 퍼져나간 우버는 그야말로

승객과 운전기사를 스마트폰 버튼 하나로 연결하는 기술 플랫폼이다. 원래의 컨

셉대로 자신이 차를 쓰지 않는 시간에 다른 이에게 빌려주거나, 마침 가는 방향

이 같은 파트너가 라이더를 태워주는 방식으로 활용되고 있지 않으나, 낭비되는


- 69 -

차량 자원에 대한 경각심을 불러일으키고 견고했던 택시 시장을 흔들어 새로운

교통서비스가 본격적으로 생겨나는데 중요한 역할을 하였다. 플랫폼이라는 단

어가 상징하듯 우버는 택시를 소유하지 않는 택시 서비스다. 운전기사 없는 운

송 서비스인 우버는 모바일앱을 통해 승객과 운전기사를 연결해주는 허브 역할

을 수행하는 대신 모든 결제는 우버 앱을 통해서만 진행된다. 우버는 시장에 진입할

때마다 해당 국가 택시 기사들의 파업을 비롯해 많은 논란의 대상이 되어왔으나, 견

고했던 택시 시장을 흔들고 새로운 교통서비스들이 생겨나게 된 계기가 되었다.

[그림 Ⅲ-20] 에어비앤비 홍보 사진 (출처: 네이버)

2008년 8월 창립된 숙박 공유 플랫폼 에어비앤비 역시 자신의 집을 상품으로

내놓는다는 아이디어에서 출발한다. 집주인(Host)이 사용하지 않거나, 잠시 집

을 비울 때, 혹은 집에 비는 방이 있을 때 ‘원하는 사람은 얼마를 내고 쓰라’고

내놓는다. 여행객이나 머물 곳이 필요한 사람(Guest)이 해당 집이 필요하다고

신청하면 상호 동의 아래 집을 빌려주고 쓸 수 있다. 에어비앤비는 이 과정에서

수수료를 챙긴다. ‘어차피 남는 방’을 돈을 벌 수 있는 수단으로 바꾼 에어비앤

비는 여행은 물론 부동산의 개념까지 흔들며 성장하고 있다.

국내 교육 업계에서는 사실 꽤 오래전 부터, “맞춤형 교육”, “에듀테인먼트”

등의 개념을 필두로 기술을 교육에 접목하려는 시도들이 있어왔다. 하지만, 대

부분의 시도가 의미있는 성과와는 연결되지 못했고, 이러한 경험들은 최근에 다

시 부각되고 있는 AI를 활용한 맞춤형 교육 등에 오히려 부정적인 선입견으로

작용하고 있기도 하다. 그럼 과연, 교육은 그 보수적 성향 때문에 4차 산업혁명,

AI 등과는 어울릴 수없는 것인가? 아니면, 이제는 교육도 변할 때가 된 것인가?


- 70 -

미리 말하자면, 필자는 이제는 그 때가 되었다고 생각한다. 그 이유를 이해하려

면, 오늘과 내일을 이야기하기 전에, 과거를 간단히 돌아보며 어떻게 오늘에 이

르렀는지를 살펴볼 필요가 있다.

가. 에듀테크 발전사

1) 1세대, 유명강사가 내 방안으로 (인터넷 강의 시대, 2000-2010)

교육산업에 종사하는 여러 사람들의 공통적이고, 핵심적인 고민 중 하나는 바

로 “러닝 갭 (Learning Gap)”에 대한 것일 것이다. 러닝 갭이란 빈부의 격차 혹

은 지역의 격차 등으로 교육 서비스에 대한 접근성에 차별이 일어나고, 이 차별

로 인하여 우수한 학교로 진학하는 것이나 장기적으로는 취업의 성공에 까지

영향을 끼쳐, 궁극적으로는 부의 대물림이라는 악순환을 일으키는 기본적인 원

인이라 일컬어지는 개념이다. 1900년대 후반, 인터넷의 빠른 보급은 장소와 시

간에 구애 받지 않고, 양질의 정보에 누구나 접근할 수있는 시대를 열었고, 메

가스터디는 이 기회를 적극 활용, 국내 인터넷 강의 시장을 열었다.

[그림 Ⅲ-21] 김기훈 강사 외국 언론 기사 (출처: Forbes, Financial Times)

포브스를 비롯한 유명 언론에 소개된 김기훈 강사 역시 메가스터디의 대표

강사 중 한명이다. 외국 언론에서는 NBA 선수의 연봉에 달하는 한국의 강사료

와, 일반적인 교사와 달리 더 많이 일할수록 더 많이 벌고 강사의 능력에 대한

수요로 연봉이 뛰는 시장에 대해 놀라움을 표했다. 메가스터디는 강남의 소수에


- 71 -

게만 허락되었던 국내 초일류 강사들을 연달아 영입하며, 사세를 키워 나갔다.

인터넷과 컴퓨터의 빠른 보급은 메가스터디의 성장세를 지속적으로 뒷받침 하

였고, 비상에듀케이션, 스카이에듀 등 후발 업체들의 출현과, 기존 교육업체들

의 있다른 인터넷 강의 시장 진출로, 인터넷 강의 시장의 성장은 끝이 없어 보

였다. 이 성장세를 기반으로 메가스터디는 2000년 초반에 상장에 성공, 2004년

에는 교육기업 최초로 시총 1조 클럽에 도달하는 기염을 토했다. 메가스터디를

선두로하는 이 시기의 에듀테크 기업들은 혁신적인 기술을 기반으로 교육 서비

스의 혁신을 도모했다기 보다는 강의실이라는 공간, 시간적인 제약을 인터넷이

라는 플랫폼을 활용하여 탈피했다는데에 그 의의가 있다고 볼 수 있다.

[그림 Ⅲ-22] 인터넷 강의를 공부하고 있는 학생 (출처: 구글)

한 때, 그 성공의 끝을 가늠하기 어려웠던 메가스터디의 사업 모델은 수 년

후, 사업모델에 있어 여러 한계를 노출하며 쇠퇴의 길을 걷기 시작한다. 메가스

터디 등 인터넷 강의에 기반한 기업들의 한계는 다음과 같다.

가) 기업경쟁력의 강사 의존도

메가스터디는 일견 IT기업인 것처럼 보였으나, 사실 콘텐츠의 경쟁력은 인기

강사에 있었다. 초기에는 메가스터디가 인기강사들을 선점하여 시장을 주름잡

는 것처럼 보였으나, 곧 경쟁자들의 추격이 시작되고, 강사들의 계약기간이 끝

나면서, 강사들의 이탈이 시작되었다. 고객들은 메가스터디라는 브랜드 보다 특

정 강사의 이름을 더 신뢰하였으며, 그 강사의 이탈은 곧 고객의 이탈로 이어졌

다. 경쟁업체들간 강사 영입에 대한 경쟁이 심화되면서, 강사의 몸 값이 올라가

고 이는 곧 기업의 수익률 악화로 이어졌다.


- 72 -

나) 핵심 테크의 부재

메가스터디의 사업모델의 핵심은 동영상 강의의 제공이었다. 이는 인터넷을

기반으로 한 동영상 스트리밍이라는 단순 기술에 기반한 것으로, 후발 주자들은

간단한 투자만으로 동일한 사업을 진행할 수 있었다. 기술적인 차원에서 핵심

경쟁력을 갖지 못하고 단지 시장 선도자(First mover)로서의 이점만 이용한 결

과, 메가스터디는 기술적 차원에서 경쟁자의 출현을 대비하지 못하였다.

다) 자체 콘텐츠의 부재

메가스터디의 모든 콘텐츠는 강사들의 소유였다. 초기 메가스터디는 해외진

출을 진행하며 시장의 기대감을 한껏 끌어 모았었다. 그러나, 해외의 기업들에

게는 좋은 사업모델만을 소개하며, 현지 인기강사의 확보 역량 등에서 뒤쳐지

며, 해외에서의 성과를 전혀 만들어내지 못했다. 특히 자체 콘텐츠의 부재는 현

지 강사를 보유하고 있는 해외 기업 입장에서 메가스터디와 함께 협력해야할

하등의 이유를 제시하지 못하는 결정적인 실패 요인이 되었다. 국내 교육기업

중 이투스는 학원 설립과 운영의 노하우를 경쟁력으로 인도 입시 시장에 진출,

소기의 성과를 거두었으나, 결국 인기강사의 확보가 경쟁력인 사업의 한계를 극

복하지 못하고, 현지 기업들에게 시장을 내주고 말았다.

이렇듯 1세대 에듀테크 기업들은 에듀케이션을 위해 특화된 기술이 아닌, 범

용적인 IT인프라를 기반으로 강의실에서의 경험을 안방으로 옮기는 데는 성공

했으나, 테크놀로지가 핵심경쟁력화 되지 못하고, 사교육 시장을 견제하기 위한

정부의 EBS 육성 정책 등의 여파로 사라지거나, 그 세가 확연히 위축되어, 학원

사업 등의 영역에서 명맥을 유지하고 있다.

2) 2세대, PC기반 쌍방향 디지털 교육의 시작 (2010 - 2015)

1세대가 일방적으로 강의를 보고 듣는 서비스였다면, 2세대는 1세대 때 디지털의

위력을 체험한 교육기업들이 보다 적극적으로 테크놀로지를 교육에 도입하게 된

시대를 의미한다. 이때에에듀테크를대표하는단어는 “에듀테인먼트 (Edutainment)”라

고할수있다. 초등교육에관련된기업들을중심으로교육 (Education)과엔터테인먼트

(Entertainment)를 결합한 에듀테인먼트 (Edutainment)를 표방하며, 교육에 재미

를 더하는 방법으로 테크놀로지를 적극 도입하게 되었다. 에듀테인먼트에 대한

접근은 두 산업에서 동시에 시도되었다. 교육기업들이 게이미피케이션

(Gamification)을 도입하여 접근한 초기의 의미있는 사례 (씽크유, 웅진씽크빅),

게임기업의 교육서비스 개발사례 (호두잉글리시, 엔씨소프트)를 살펴보고자 한다.


- 73 -

PC기반 전자학습지 씽크유 (웅진씽크빅)

종이기반의 학습지 사업을 영유해 오던 웅진씽크빅은 디지털에 익숙한 학부

모, 학습자의 출현에 대응하고 종이라는 플랫폼의 제약에서 벗어나고자 가지고

있던 학습콘텐츠의 OSMU (One Source Multi Use, 하나의 자원은 다양한 방식

으로 활용하는 것) 차원에서 PC기반의 학습서비스인 씽크유를 개발하였다. 웅

진씽크빅은 씽크유를 개발하면서 기존의 딱딱한 방식의 접근에서 벗어나기 위

하여, 롤플레잉게임 (Role Playing Game) 방식을 도입하였다. 진단-강의-문제

풀기-평가의 전통적 학습 흐름에 롤플레잉게임 형식의 캐릭터와 스토리를 도입

하여 학습의 시작 부분부터, 학습자의 흥미를 고취하는데 집중하였다. 저학년

아이들이 수학 같은 어려운 개념에 쉽게 접근할 수 있도록 각종 애니메이션을

도입하고, RPG 방식을 도입하여 캐릭터들과 대화하며 학습하는 등 게임의 요

소들을 도입하였다.

[그림 Ⅲ-23] 씽크유 화면 (출처: 네이버)

이를 통해 씽크유는 학습자들의 자연스러운 학습에 대한 몰입도 향상과 멀티

미디어 콘텐츠의 다양한 활용을 통한 학습경험의 제고효과를 얻게 되었다. 씽크

유는 비록 PC라는 플랫폼의 제약과 인쇄물에 익숙한 교사, 학부모의 호응부족

으로 서비스를 중단하게 되었으나, 웅진씽크빅의 이 시도는 나중에 언급할 북클

럽의 근간이 되어, 국내 최초로 AI 분석 서비스를 도입하는데 큰 자산으로 활용

된다.


- 74 -

교육기업들이 게임의 요소들을 도입하였던 시도와 더불어, 게임 쪽에서도 본

연의 장점을 활용하여 교육서비스를 개발하려는 시도가 있었는데 그 중 의미있

는 사례는 국내 최대 MMORPG 게임 기업인 엔씨소프트가 개발한 호두잉글리

시라는 서비스다.

게임 기반 학습(game-based learning) 호두잉글리시 (엔씨소프트)

2010년 게임의 중독에 대한 우려가 만연 하던 때에, 엔씨소프트의 윤송이 사

장은 게임의 장점을 활용한 교육서비스의 기획을 추진하였다. 윤송이 사장은 게

임이 가지고 있는 몰입도, 흥미, 보상, 스토리 등을 적절히 활용할 수있다면 교

육에 의미있는 진전을 가져올 것이라고 보고, 서비스의 기획을 시작하였다. 그

때 엔씨소프트가 주목했던 것은 1) 영어교육은 나날히 중요해 질 것임 2) 영어

의 4영역 (말하기, 듣기, 쓰기, 읽기) 중 말하기 영역이 교사의 의존도가 가장 큼

3) 영어교육의 가장 큰 문제점은 아이들이 영어에 대한 두려움을 가진다는 데에

있다는 사실 이였다.

[그림 Ⅲ-24] 영어학원을 그만두는 이유 54%, 영어가 재미없고 무서워서 (출처: 능률쥬니어랩)

호두잉글리시는 기획 단계 부터, “재미”라는 가치를 최우선으로 세계관, 다양

한 캐릭터, 아이템과 보상, 배틀, 랭킹 등 학습자의 몰입을 보장할 수있는 다양

한 게임적 요소를 적극 반영하였다.

호두잉글리시는 “재미”라는 게임적 요소들 외에도 학습의 효율을 위한 장치

들을 교육기업과의 협업을 통해 적극 반영하였다. 스토리의 핵심을 이루는 영어

문장은 청크(Chunk) 형태로 학습하는 청크 학습법과 스토리를 영어로 진행하

면서 실생활에 활용되는 표현을 익히도록 한 과업 중심 학습법, 다양한 상황을


- 75 -

제공하는 상황 중심 학습법, 그리고 한국전자통신연구원(ETRI)에서 개발한 음

성인식 엔진을 활용한 말하기 중심의 유저환경까지, 학습자의 학습적 효율을 보

장하기 위한 다양한 학습적 장치들이 게임이라는 형식을 기반으로 구현되었다.

그 결과 호두잉글리시는 중앙대학교 한덕현 교수팀의 연구 결과 “원어민처럼

해마와 측두엽의 연결성이 강해지고, 전두엽의 연결성은 없어지는” 효과를 입

증 받아, 학습자가 영어를 외국어로 받아들이는 것이 아니라, 모국어로 인식, 활

용하게 하는데에 도움이 되는 효과가 있음을 증명하였다.

[그림 Ⅲ-25] 호두잉글리시 내 다양한 게임적 요소들 (출처: 호두잉글리시)


- 76 -

[그림 Ⅲ-26] 호두잉글리시의 다양한 학습적 장치들 (출처: 호두잉글리시)

[그림 Ⅲ-27] 호두잉글리시 학습자의 학습 전.후 fMRI이미지 (출처: 중앙대 정신건강학과 한덕현 교수 연구팀)

이러한 PC기반의 교육과 게임, 게임과 교육의 콜라보 사례는 종이 기반을 탈

피하여, 쌍방향 교육 서비스의 시대를 열었다는 점과, 각 영역에서 기존의 교육

대비 의미있는 몇몇 시사점을 남겼다는 차원에서 그 의의가 있으나, 여러 부분

에서 개선의 여지도 남겼다. 일단, 초기 설계 때부터 확정된 스토리에 기반하여

기획이 되어져, 모듈별로 맞춤형 서비스를 도입하기에 불가능하다는 구조적인

문제점과 동시에 지금은 점점 그 사용이 모바일에 밀려 줄어들어가는 PC에 기

반하였다는 근원적 한계를 지니고 있다. 이러한 시도와 시행착오를 기반으로 교

육업계의 3세대 서비스는 급격하게 모바일로 진화하였다.

3) 3세대, PC를 넘어 Tablet으로

최근의 디지털 교육 서비스는 기획 단계에서 부터, 철저하게 모바일 플랫폼을

그 기반으로 하고 있다. 이는 최근 소비자들의 서비스 사용 행태를 반영하는 것

으로 향후 5G 시대의 도래 등 모바일 통신망과 디바이스의 지속적인 발달로 이

추세는 계속될 것으로 보인다.


- 77 -

웅진빅박스 (웅진컴퍼스)

웅진컴퍼스는 영어 교재 출판 및 온라인 영어 콘텐츠 전문 기업으로, 웅진빅

박스라는 영어학습 앱을 출시하였다. 웅진컴퍼스는 서비스의 기획 단계 부터 철

저히 모바일 사용자 경험을 중심으로 서비스를 기획하였으며, 이미 소비자들에

게는 익숙한 유튜브(Youtube)와의 연동을 통해, 자기 콘텐츠 뿐 아니라, 유튜브

내에 교육과 관련된 콘텐츠를 자동으로 큐레이션하여 보여주는 기능을 탑재하

여 콘텐츠의 풀을 확대하였다.

[그림 Ⅲ-28] 웅진빅박스가 고객 맞춤형 동영상을 추천하는 화면 (출처: 웅진컴퍼스)

3,000개의 주요 단어 학습 및 게임형 학습을 특징으로 내세운 빅박스는 아이

들을 영상 시청을 통해 자연스럽게 영어에 노출시키고, 단어 게임 등 다양한 학

습 액티비티를 통해 배운 단어들을 복습할 수 있게 하므로, 궁극적으로는 영어

의 유창성 확보에 도움을 줄 수있다고 설명한다. 웅진컴퍼스는 기획 초기부터,

게임 넥슨 시절 큐플레이를 개발했던 멤버들이 주축이 된, 게임 전문 기업 타임

캐스트와 협업을 통해 서비스의 재미 요소를 확보하였다.

[그림 Ⅲ-29] 웅진빅박스 메인 서비스 화면 (출처: 웅진컴퍼스)


- 78 -

웅진빅박스는 비디오 시청, 퀴즈쇼, 워드챌린지 등 다양한 기능을 제공하며,

학습자들이 단순히 단어를 듣고 보는 데에 그치지 않고, 게임 형식의 퀴즈쇼와

워드챌린지 등을 통해 지식의 확인을 시험이라는 고통스러운 경험이 아닌, 게임

이라는 흥미로운 경험을 통해 확보할 수 있도록 하고 있다. 이와 같은 웅진빅박

스의 노력은 최근 진행한 워드 챌린지에 대한 소비자들의 반응에서 그 효과를

가늠해 볼 수 있다. 워드챌린지는 스피드 단어 게임으로 단어와 뜻을 매칭하는

형태의 게임으로 얼핏 단순해보이지만, 연속적으로 문제를 맞춰야함은 물론 문

제를 풀수록 난이도가 올라가며 시간 제한이 있어 도전 요소를 극대화하고 있

다. 또한, 문제를 틀리거나 제한 시간이 끝날 때까지 점수를 기준으로 학습자

간 주간 랭킹 시스템을 도입해 경쟁과 도전을 장려하였다.

실제로 워드 챌린지에 참여하는 학습자들은 자신의 랭킹을 올리는데 재미를

느껴, 하루 평균 13회를 참여하였다. 5세부터 11세 이상을 아우르는 11,336명의

참가자 중 상위 약 10%의 학습자들은 362개의 단어를 연속으로 맞추는 성과를

기록하였다. 그 중 한 플레이어는 43분이라는 긴 시간 동안 끈기있게 플레이해

819개의 정답을 맞춰 전국 단위의 컨테스트에서 1위를 차지하였다. 전통적인 방

식처럼 단어장을 들고 단어의 암기를 강요하였다면 이런 결과를 기대하기는

어려웠을 것이다. 이러한 재미를 통한 경쟁과 도전은 학습자들의 더 많은 참여

를 이끌어 내어 학습하는 내용의 노출 빈도를 높이고, 이에 따라 학습이 자연스

러운 형태로 이루어지도록 하고 있다.

[그림 Ⅲ-30] 웅진빅박스 화면 (출처: 웅진컴퍼스)


- 79 -

디지털 교육이 학교 교육 속으로 (클래스카드)

사교육에서 먼저 시작한 태블릿PC로의 전환이 우리나라 빅데이터 교육 시장

에 많은 잠재력을 열어준 것은 사실이나, 성장을 거듭하기 위해서는 학교 단위

까지 확장이 필요한 시점이다. 외국의 학교들은 적극적으로 에듀테크 기업들의

서비스를 도입하고 학교 단위에서 아이들의 데이터를 축적하는데 비해, 한국 공

교육에서는 아직 현실화되지 않은 일이다. 공교육 단위에서 데이터를 모을 수

있는 교육 환경이란 어떤 풍경일까? 클래스카드의 예시를 들어 살펴보려 한다.

[그림 Ⅲ-31] 클래스카드 교실 사용 장면 (출처: 클래스카드)

클래스카드는 2016년 3월에 베타 서비스를 시작하여, 2017년 8월에 정식 출시

었다. 클래스카드는 2년여라는 짧은 시간 동안 16,000여개의 초/중/고/대학 및

교실에서 약 2.6만명의 선생님, 26만명 학생 수업 활용 중으로 이는 국내 영어

교사 20%이상에 달하는 수치이다. 이 성과를 바탕으로, 클래스카드는 2016 이

러닝코리아 우수상을 수상하였다.

클래스카드는 교실중심의 수업용 플래시카드 서비스 플랫폼으로 이전에는 교

사가 일일이 해야 했던 수업 자료 제작, 숙제 검사, 시험지 제작과 인쇄, 시험지

채점, 시험 점수 입력 등을 간편하게 해결해준다. 기본적으로 단어만 입력하면,

발음, 뜻, 이미지, 예문을 자동으로 제공해주고 만들어진 플래시카드로 교실에

서 수업은 물론 학생의 PC, 스마트폰으로 보내 과제로 시험도 출제 가능하다.

수업시간에 활용 가능한 타이머, 카메라, 제비뽑기 등의 도구는 물론 시험의 경

우 문제 푸는 시간을 제한하거나 주관식 효과를 줄 수 있게 객관식 문항을 구

성할 수도 있다. 목표점수까지 반복테스트함으로써 실제로 암기를 해야만 좋은

점수를 획득할 수 있고, 시험을 마치면 리포트 또는 성적표 역시 자동으로 생성

된다.


- 80 -

나. 에듀케이션과 AI의 만남

필자가 서두에 이야기했던 것처럼, 그럼 과연 지금은 AI 등의 선진 기술을 도

입하여, 교육을 혁신하기에 맞는 때인가에 대한 답을 살펴보자. 이 답은 교육

내부와 외부에서 동시에 찾아볼 수있다. 우선 교육 내부에서는 위에 설명한 다

양한 사례들을 통해 축적되어온 몇가지 유산에서 그 답을 찾아볼 수있다.

첫째, 기술에 대한 경험과 인적 자원의 축적이다.

교육에서 IT는 애초에 서비스를 설명하기 위한 홈페이지를 만들고, 성적표를

생성하고, 학부모에게 자동으로 문자를 보내주는 등 단순한 역할만을 담당하였

다. 하지만, 위에서 설명한 다양한 사례들과 그를 통한 경험의 축적으로 교육분

야에도, 게임, 영상, 인터넷, 데이터베이스 등 다양한 분야의 전문 인력들이 영

입되기 시작하였고, 이는 교육이 더 진보된 기술을 습득하는데 근간을 확보하였

음을 의미한다.

둘째, 디지털 콘텐츠의 확보이다.

초기 교육에서 디지털을 이야기할 때, 가장 장애로 작용하는 부분이 바로, 콘

텐츠의 디지털화와 그에 따른 시간, 예산에 대한 부담이였다. 교육은 수십년간

종이를 기반으로 콘텐츠를 축적하여 왔으며 그 모든 콘텐츠를 디지털화 하여야

한다는 사실을 교육기업이 끝까지 디지털에 대해 저항해왔던 중요 요소로 꼽힌

다. 하지만 최근 수십년간 다양한 시도들은 교육기업들이 이제는 콘텐츠는 생산

단계부터 디지털을 기본으로 하는 것과 동시에 그 동안 쌓여온 수 많은 콘텐츠

를 이미 디지털화 하도록 하였다. 이를 통해 확보되고, 앞으로 확보될 디지털

콘텐츠들은 교육이 보다 적극적으로 IT 기술을 도입하는데 기여할 것이다.

셋째, 디지털 플랫폼을 통한 데이터의 생성이다.

종이 시절과 다르게, 다양한 디지털 플랫폼을 활용하는 교육 서비스들은 교육

기업들이 인지하고 있던 그렇지 않았던, 기획했던 그렇지 않았던지 여부와 상관

없이 서비스를 통해 이용하는 학습자들과 연관된 수많은 데이터를 생성하게 하

였다. 단순하게는 학습자들의 프로필 등 인적 특성과 관련된 데이터들부터, 로

그인을 비롯한 사용 시간에 대한 정보, 또 학습 콘텐츠의 사용 유무, 각 콘텐츠

별 사용시간, 문항의 정오답, 평균점수 등 기존에는 종이에 흩어져 있어 활용조


- 81 -

차 불가능했던 정보들이 한군에의 데이터 베이스로 모여, 기존에는 알 수 없었

던 엄청난 인싸이트를 제공할 준비를 갖춰가고 있다.

이와 더불어 교육 외 적인 분야에서는 큰 규모의 데이터를 오류 없이 빠르게

수집하고 처리할 수 있는 빅데이터 기술, 처리된 데이터를 물리적 서버에 대한

부담 없이 저장할 수 있는 클라우드 컴퓨팅 기술, 저장된 데이터를 분석하여,

다양한 활용안을 제시할 수 있는 딥러닝, 머신러닝 등의 AI 기반 분석 기술 등

이 동시에 발달하였다. 이러한 기술들의 발달과 데이터라는 것을 확보하게 된

교육 분야의 결합이 이제 큰 기대를 해도 좋을 시기에 이르렀다는 주장의 근거

이다.

이제 이 의미있는 조합의 시대를 맞이하면서 우리가 고민해야 할 내용들에

대해 살펴보고자 한다.

1) 에듀케이션 + AI 프로세스 및 개요

에듀케이션과 테크놀로지가 만나 생겨난 에듀테크라는 분야는 학습의 과정

동안 발생하는 수많은 데이터를 핵심으로 한다. 아래의 그림처럼 데이터는 수집

된 후 처리 및 저장되고, 분석되어 활용되는 과정을 거친다. 이 때, 에듀케이션

즉 교육의 영역은 주로 데이터 수집의 영역과 관련이 깊고, 그 외 영역들은 AI

를 비롯한 테크놀로지의 활용에 기반을 두고 있다.

학습하는 동안 생성되는 데이터 지점은 아주 다양하다. 학습하는 주체인 학습

자에 대한 정보는 물론, 학습하는 내용, 시간, 매체 및 방법, 목표 등 교육은 그

야말로 수많은 요소들로 이루어진 현상이다. 지금까지 종이와 펜을 가지고 모아

올 수 있었던 정보는 학습자의 인적사항 및 수기 채점한 중간고사, 기말고사 점

수 정도였다. 그러나, 전자교과서와 같은 전자기기에서 학습을 하고 OMR과 같

이 데이터를 전자화 할 수 있는 방법이 많아지면서 학습 동안 발생하는 과정도

데이터로 표현할 수 있게 되었다.


- 82 -

[그림 Ⅲ-32] 에듀테크 프로젝트 흐름 (출처: 키드앱티브)

핸드폰, 태블릿, 그리고 PC와 같은 전자 기기의 데이터를 서버 또는 SDK 방

식을 통해 활용할 경우, 문항 당 소요 시간, 집중 시간 등 세밀한 정보의 파악이

가능하다. 단, 이를 파악하기 위해서는 전자 기기 내 맞춤형 구현이 요구되어

상당한 인프라 투자가 필요하다. 이에 반해 QR코드와 이미지 스캐너, OMR과

같은 하이브리드 방식은 기존 수업 방식에 최소한의 변화만 있으면 구현이 가

능하다는 장점이 있으나, 완전 디지털 방식에 비해 얻을 수 있는 데이터가 적다

는 단점이 있다. 비디지털이라고도 볼 수 있는 교사 및 학부모만 볼 수 있는 학

습자의 특징도 설문의 형태로 데이터 인풋이 가능하다. 시험으로는 파악하기 어

려웠던 학습자의 행동, 성격 등도 반영이 가능해진 것처럼 교육의 주체가 이루

어지고 있는 교육 현상에 대해 다방면으로 바라볼 수 있게 되었다.

위의 많은 데이터는 교육 제공자가 생각하는 스킬 프레임워크 하에 모아지게

되는데, 즉 데이터의 인풋별로 스킬 프레임워크의 변화를 추적한다는 의미이다.

수학능력시험 수학 과목의 모든 문항에는 수학 내 어떤 개념 그리고 어떤 능력

을 측정하기 위해 출제되었는지 목적이 존재한다. 이처럼 에듀테크에서는 각 데

이터가 어떤 스킬 또는 역량과 관련이 있는지를 정의하게 되고, 이 과정은 데이

터의 데이터라고 할 수 있는 메타 데이터 구축을 통해 이루어진다.


- 83 -

[그림 Ⅲ-33] 스킬 프레임워크 예시 (출처: 키드앱티브)

데이터도 학습 데이터와 비학습 데이터인 행동 데이터로 분류되듯이, 스킬 프

레임워크 역시 꼭 커리큘럼을 기반으로 만들어질 필요는 없다. 행동 데이터의

특징은 학습하는 동안 보이는 습관과 같이 과목과 관계없이 수집이 가능한 점

이다. 문제에 집중하지 않는 습관이 전 과목에 걸쳐 발생할 수 있는 것처럼 말

이다. 따라서, 사고력, 끈기, 창의력과 같은 역량들은 커리큘럼과 무관하게 스킬

프레임워크의 스킬 중 하나로 포함될 수 있다.

이렇게 모인 데이터는 AWS, Hadoop과 같은 플랫폼을 활용하여 클라우드에

저장 및 처리 과정을 거친다. 더 고도화된 분석을 위해 고급 통계 기법 나아가

머신 러닝 및 AI기술이 사용되고, 비로소 에듀케이션과 AI의 만남이 이루어지

게 된다. 마지막으로, 분석을 거친 데이터는 이를 생산한 교육의 주체들에게 다

시 해석 가능한 형태로 전달되어야 한다. 분석 결과를 보여주는 방식에는 가장

간단한 대시보드를 활용하는 방법부터, 학습한 내용에 대해 더 깊이 있는 정보

를 알려주고 실질적인 개입이 가능한 인사이트의 형태로 만들거나 어댑티브한

문항의 형태로 제공하는 방안까지 다양하다.

대시보드는 개별 데이터 포인트보다 더 큰 단위의 집단 정보를 제공하기 용

이한 방안이다. 따라서, 다수의 학생들을 관리하는 선생님의 위치에 있는 교육

주체가 효과적으로 활용할 수 있다.


- 84 -

[그림 Ⅲ-34] 대시보드 예시 (출처: 키드앱티브)

위의 예시는 키드앱티브에서 제공하는 대시보드의 화면으로 대상 교육 활동

의 효과성, 참여도, 유지율, 인구통계적 정보를 포함하는 KPI를 한눈에 볼 수 있

다. 뿐만 아니라, 나이, 성별, 위치, 스킬 프레임워크에 따라 정보가 세분화되어

제공되고, 출판사 수준, 앱 수준 , 앱 내 게임 수준, 또는 하나의 학습 스킬 수준

별로도 정보를 분석 가능하다.

[그림 Ⅲ-35] 인사이트 예시 (출처: 키드앱티브)


- 85 -

인사이트란 명칭 그대로 분석된 데이터를 토대로 학습 활동에 대해 제공하는

유의미한 정보이다. 대시보드에 그래프로 표현되는 데이터만으로는 학습자, 학

부모, 교사 등의 교육 주체가 실질적으로 교육이 어떻게 이루어지고 있는지, 무

엇이 더 필요한지 등을 알기 어렵다. 따라서, 데이터를 줄글의 인사이트로 제공

하면 데이터 상 중요하고 필요한 정보를 직접적으로 강조하거나 개입할 지점들

을 보다 손쉽게 짚어줄 수 있다는 장점이 있다. 인사이트의 활용 예시는 이후

설명될 웅진씽크빅의 사례에서 확인할 수 있다.

마지막으로 어댑티비티는 학습자의 능력치나 선호도 등에 맞춤형으로 문항

및 콘텐츠를 제공하는 방안이다. 적응형 문항 및 콘텐츠는 칸 아카데미, 맥그로

우힐의 ALEKS를 비롯한 교육 서비스에서 이미 구현되어 제공되고 있다. 어댑

티브한 학습은 서로 다른 학습자들이 모두 같은 내용의 교재와 문항을 학습하

지 않고 개별적으로 조정되어 제공되는 콘텐츠를 소비하기 때문에, 참여집중도

와 같은 태도적인 측면은 물론 학습 효과 역시 향상시킨다는 장점이 있다. 최근

강조되고 있는 ‘학습의 개인화(personalized learning)’ 흐름과 가장 직접적으로

닿아 있는 데이터 활용안이다.

2) 에듀케이션 + AI 주요 고려 사항

데이터를 수집하여 저장, 처리하고 분석을 통해 활용하는 과정을 성공적으로

거치기 위해서는 크게 세 가지 고려 사항이 있다. 먼저, 기술과 교육 양쪽 모두

를 깊이 이해하고 있는 팀이 필요하다. 흔히 떠올릴 수 있는 고도화된 기술 역

시 중요하지 않은 것은 아니다. 기술은 계속 빠르게 발전해 나갈 것이며, 안정

적으로 쏟아지는 대량의 데이터를 더 쉽게 활용하기 위해서는 최신 기술에 뒤

쳐지지 않는 것도 분명 중요하다. 그러나, 학습자에게 더 큰 영향을 미치는 부

분은 데이터를 어떻게 해석하여 제공할 것인가에 대한 판단이고, 이는 단순히

기술적으로 데이터를 어떻게 처리하느냐 그 이상의 의미를 갖는다. 따라서, 데

이터를 학습자에게 맞는 최적의 방법으로 활용하기 위해서는 교육(콘텐츠, 커리

큘럼, 메타데이터, 측정)와 기술(빅데이터, 클라우드 컴퓨팅, 머신 러닝, 딥러닝,

SDK)적 기반이 모두 탄탄하여야 한다.

다음으로 가치가 있는 데이터의 생성과 수집이 필요하다. 최신 기술로 다량의

데이터를 처리할 수 있는 것은 사실이나 무작정 필요 없는 데이터까지 생성해

도 좋다는 뜻은 아니다. 실질적으로 가치를 더할 수 있는 데이터를 모아야함은

물론, 가치 있는 방식으로 해당 데이터를 모아야 한다. 전자와 후자는 각각 두

번째, 세 번째 고려 사항에 해당한다. 먼저, 전자인 두 번째 고려 사항에 대해


- 86 -

이야기하자면, 데이터의 수집에 앞서 데이터를 통해 측정하고자 하는 목표에 대

한 정의가 선행되어야 한다. 예를 들어, 문항을 푸는데 걸린 소요 시간에 대한

데이터를 수집한다고 할 때 이를 어떤 목적 하에 활용하려고 하는지에 따라 분

석 방법은 완전히 달라질 수 있다. 시간에 따른 정답률을 개선시키기 위함이라

면 학습자에게 적정 풀이시간을 제공하기 위해, 집중력을 향상시키기 위함이라

면 집중도를 파악하기 위해 다른 방식으로 분석되어야 할 것이다. 이에 반해,

학습자들의 독해력을 향상시키기 위해 데이터를 수집하고 싶은 교육 주체라면

문항 소요 시간에 대한 데이터는 꼭 필요하지 않을 수 있다.

마지막으로, 데이터의 가치 있는 수집 방식이란 하나의 데이터를 모아도 최대

한 많은 정보를 얻을 수 있는 설계를 뜻한다. 같은 맥락의 예시로, 시간 데이터

는 수집 단위를 어떻게 정의하느냐에 따라 제공하는 정보에 손실이 생길 수 있

다. 초 단위로 데이터를 생성한다면 0.5초에 걸쳐 OX퀴즈와 같은 단순 문항을

맞춘 학습자들은 0초 또는 1초의 풀이 시간을 갖게 된다. 문항의 정답을 맞췄지

만 내림하여 풀이 시간이 0초가 되는 경우 데이터 분석에 상당한 곤란을 겪게

된다. 그러나, 풀이 시간을 밀리세컨드(ms)와 같이 더 작은 단위로 쪼갠다면 같

은 시간에 대한 데이터라도 더 정확하고 많은 정보를 제공한다. 따라서, 데이터

를 본격적으로 수집하기 전에 어떻게 무엇을 위해 수집을 시작할 것인지 고민

을 시작해야 한다.

이제까지 우리는, 교육 분야에서의 기술 활용이 어떻게 발전되어 왔으며, 지

금의 교육이 왜 이전의 교육에 비해 기술을 접목하여 혁신할 가능성이 많아졌

는지와 더불어, 교육에 기술을 접목할 때에 유의해야 할 내용들에 대하여 살펴

보았다. 이제는 교육에 AI를 적용하여 실제로 구현된 서비스를 바탕으로, 교육

과 기술의 나가야 할 방향성에 대해 살펴보고자 한다.

다. AI 에듀케이션 서비스 사례

웅진 AI 코칭 서비스

위에 양방향 디지털 교육의 사례에서 언급한 것처럼, 웅진씽크빅은 씽크유라

는 디지털 학습지의 시도를 통하여, 관련 경험, 인재, 디지털 콘텐츠 등 다양한

디지털 자산을 확보하게 된다. 이 자산에 대한 확보를 바탕으로 웅진씽크빅이

론칭한 서비스가 디지털 기술과 다양한 콘텐츠를 태블릿 PC 기반으로 결합한

북클럽 서비스이다. 웅진씽크빅은 기존의 핵심 역량인 방문 판매 조직을 디지털


- 87 -

서비스의 확장에도 적극 활용하여, 2년 남짓한 시간 동안 국내에 50만명의 회원

을 확보한다. 타 기업이 특정 과목, 특히 영어, 수학만을 디지털화 하여 서비스

한것에 비교하여, 웅진씽크빅은 전과목을 디지털화하여, 단순 상품이 아닌 기업

의 DNA를 디지털로 전환하는데 성공하였다. 이는 단순한 종이에서 디지털로의

전환 뿐 아니라, 기업으로 하여금 위에 언급한 디지털적 자산을 축적하도록 해

주었다. 매일 17만명의 학습자가 태블릿 PC에서 학습을 진행하며 쌓은 데이터

의 숫자만 6개월 간 111억 건에 이르렀다.

데이터라는 새로운 자산을 발견한 웅진씽크빅은 외부의 전문가들과 함께, 데

이터의 분석을 시작하였다. 웅진씽크빅에서 수집하고 저장한 데이터의 종류는

다음과 같다.

•학습 시작/종료 : 무엇, 시작/종료 시점

•문항 풀이: 문항 정보, 시도 횟수, 정오답 여부, 입력한 답안, 채점여부, 풀이

소요시간

•강의관련: 영상 정보, 학습 시간, 마지막 학습 위치 등

•힌트관련: 관련 문항 정보, 힌트 종류, 학습 시간 등

전 과목, 전 학년에 걸쳐 수집된 학습자의 행동과 관련된 데이터를 기반으로

웅진씽크빅은 다양한 유의미한 결론을 확보하게 된다. 그 중 흥미로운 몇가지를

공유한다.

1) 웅진씽크빅 학습자의 데이터를 분석한 결과, 연구팀은 흥미로운 사실을 발

견하게 된다. 바로, 학습자의 “틀리는 것”에 대한 두려움과 그로인한 연관

행동의 유발에 대한 것이다.

[그림 Ⅲ-36] 건너뛰는 행동의 위험성 (출처: 웅진씽크빅)


- 88 -

위에서 나타난 것처럼, 특정 문항을 맞춘 학습자가 다음 문항을 맞출 확률은

65%, 틀릴 확률은 17%로 나타났다. 또한 특정 문제를 틀린 학습자가 다음 문제

를 또 틀릴 확률은 27%, 그 다음 문제를 건너뛸 확률은 41%로 나타났다. 그런

데 여기서 주목할 것은 한번 문제를 건너뛴 학습자가 다음 문제를 연속으로 건

너뛸 확률이 81%나 되었다는 사실이다. 웅진씽크빅과 연구팀은 이 분석을 통

해, 학습자들은 틀림을 회비하는 경향이 있으며, 이 경향이 나타나기 전에 개입

하는 것이 매우 중요함을 확인하였다.

2) 연구팀은 일반적으로 개별 문항에 대해 시간을 많이 쓰면 쓸수록 문항을

맞출 확률이 비례하여 높아질 것이라 판단하였다. 하지만, 실제 데이터의

분석 결과는 연구팀의 예상과 달랐다. 시간과 정답률의 관계가 급격하게

상승하는 최소 필수 시간이라는 지점이 거의 모든 문제에서 존재한다는 사

실을 확인한 것이다.

[그림 Ⅲ-37] 문항 풀이 시간과 정답률의 상관 관계 (출처: 웅진씽크빅)

위의 그래프에서 보는 것처럼, 문항을 맞출 확률은 시간과 비례하여 증가하는

것이 아니라, 특정 시간 후에 급격하게 증가하고, 그 이후에는 오히려 정체하는

경향을 보였다. 또한 연구팀은 문항을 빠르게 푸는 것이, 느리게 푸는 것에 비

해 오답률에 결정적인 영향을 끼치고 있다는 사실도 데이터의 분석을 통해 발

견하였다.


- 89 -

[그림 Ⅲ-38] 빨리푸는 행동과 천천히 푸는 행동의정답률(출처: 웅진씽크빅)

이러한 데이터의 분석을 통해, 웅진씽크빅과 연구팀은 학습자의 성과와 밀접

한 영향을 끼치는 다양한 행동들 및 학습에 교사가 개입해야할 상황과 시점에

대한 깊은 이해를 구축할 수 있었다. 또한, 해당 규칙 (Rule)을 AI가 분석하여,

수십만 학습자의 정보를 실시간으로 담당 교사들에게 제공하는 AI 코칭 서비스

를 론칭하였다.

[그림 Ⅲ-39] 웅진에서 출시한 AI코칭 서비스 홍보 화면

웅진씽크빅의 AI코칭 서비스는 위에 언급한 데이터에 대한 면밀한 분석과,

빅데이터, 클라우드 컴퓨팅, 머신러닝 등의 기술을 조합하여, 그 동안 알지 못했


- 90 -

던 학습자에 대한 다양한 정보를 교사에게 제공하므로, 교사들이 학생들을 지도

하는 효율성을 극대화 하도록 구성되었다. 예를 들어 예전에는 단순히 문제의

정오 여부를 측정하였다면, AI코칭에서는 문항의 정오 뿐 아니라, 학습자의 역

량, 성향, 타 학습자와의 비교분석 등을 종합하여 문항 풀이의 결과를 “몰라서

틀린 것으로 예상되는 문제”, “맞출 수 있었지만 틀린 문제”, “찍은 것으로 예

상되는 문제” 등으로 세부 분석한 결과를 제공해준다. 이를 통하여, 교사는 어

느 문제를 학습자가 정말 몰라서 틀린 것인지를 알게 되고, 그 문항에 집중적으

로 도움을 주는 방식의 지도를 할 수 있게 된다.

[그림 Ⅲ-40] 문항분석 예시 (출처: 웅진씽크빅)

문항에 대한 분석 뿐 아니라, AI코칭에서는 “힌트보지않기”, “문항건너뛰기”,

“틀린문제재시도않기” 등 학습자의 습관 중, 성적에 유의미한 영향을 미치는 나

쁜 행동들을 교사에게 지속적으로 알려주므로, 교사가 행동의 교정을 지도하고,

개선을 통해, 학습의 성과가 증가할 수있는 서비스도 제공하고 있다.

[그림 Ⅲ-41] 고쳐야 할 행동 분석 (출처: 웅진씽크빅)


- 91 -

웅진씽크빅의 AI코칭 서비스 중 가장 주목할 만한 부분은 AI를 기반으로 한

IRT (Item Response Theory] 기반의 역량 예측 서비스이다. 모두 알고 있는 것

처럼, IRT는 교육 분야에서 광범위하게 사용되고 있는 이론 이지만, 특정 문제

에 대하여 IRT를 제대로 적용하기 위해서는 문항의 난이도를 확정하기 위한 문

항 측정 (Calibration)이 선행되어야 한다는 제약이 존재했다. 웅진씽크빅과 연

구팀은 이 제약을 AI를 통해 해결하였다. AI를 활용한 다중 연산과, IRT에 베이

지안 (Bayesian) 통계이론을 동시에 접목한 Rule로 별도의 문항 측정 없이, 학

습자들이 문항을 풀어감에 따라, 그 신뢰도를 자동으로 높여가는 방식을 통해,

문항의 난이도와 학습자의 역량을 동시에 업데이트하는 방식을 체택한 것이다.

이를 통해, 웅진씽크빅은 개별 문항의 난이도, 학습자 역량의 매칭을 통해, 학습

자의 미래 성과를 예측할 수 있는 서비스도 개발하였다.

[그림 Ⅲ-42] 웅진씽크빅 학습자역량 측정 모델 (출처: 웅진씽크빅)

웅진씽크빅의 AI코칭은 여러가지 측면에서 의미를 갖는다.

첫째, 전 과목에 걸친 학습자 행동 데이터를 기반으로 유의미한 분석을 제공

하므로, 콘텐츠의 메타데이터라는 제약을 극복하였다.

둘째, 태블릿이라는 디바이스를 통하여, 실시간 데이터의 수집이 가능한 인프

라를 확보하였다.

셋째, AI의 도입을 통하여, 사람이 확인하기 힘든 행동과 성과와의 연과 관계

를 지속적으로 모니터링하고 발전 시켜나갈 수있는 토대를 마련하였다.

위와 같은 노력으로 최근 웅진씽크빅은 특정 과목에서 서비스 전과 후의 매

우 유의미한 성과의 변화를 확인하였다.


- 92 -

[그림 Ⅲ-43] AI코칭 론칭 전 후, 국어과목의 성취도 곡선 (출처: 웅진씽크빅)

아직 초기 단계지만, 데이터의 지속적인 축적과 관련 기술의 발전으로 AI코

칭은 지속적으로 발전할 것으로 그 귀추가 주목된다.

뤼이드 산타토익

산타토익은 뤼이드(Riiid!)에서 출시한 인공지능 기반 토익 학습 서비스이다.

17년 가을부터 올해 9월까지 누적 다운로드 50만을 달성하였고, 약 32만 명의

가입자가 누적 71,744,690건의 토익 학습 데이터를 생성해내었다.

산타토익의 핵심 장점은 맞춤형 토익 학습을 제공하는데 있다. 본격적인 학습

에 앞서 학습자는 진단 테스트 30문제를 기반으로 LC(청해)와 RC(독해) 파트의

등급, 취약 부분, 향후 학습 목표 등을 설명하는 진단서를 받게 된다.

진단된 내용을 기반으로 인공지능 기술이 적용되어, 현재까지 이용자가 푼 문

제는 무엇이고 그 중 불필요한 문제는 무엇인지를 판단한다. 그리고 이용자에게

가장 부족한 유형은 무엇인지를 분석, 꼭 필요하다고 판단되는 문제만 제시해

풀게끔 유도한다. 실제로 인당 평균 1,720개의 불필요한 문제를 제거해, 최단

학습 동선에 따라 약 28시간의 공부시간을 절약해 준다고 산타토익 측은 설명

한다.


- 93 -

[그림 Ⅲ-44] 산타토익 점수 향상 그래프 (출처: 산타토익)

문항에 어댑티비티를 부여하기 위해서는 많은 문항의 문제 은행이 필요하다.

산타토익은 실제로 파트별로 수천 개, 전체적으로는 13,000여개의 문제를 직접

생산하여 활용하는 전략을 취했다. 이 전략은 콘텐츠의 품질을 보장할 수 있다

는 장점이 있지만, 그 확장성에 있어서는 취약할 수 있다.

어댑티비티를 가능하게 하는 산타토익의 인공지능은 santAInside라 불린다.

산타토익에 탑재된 santAInside 모델은 인지 모델, 학습자 모델, 교수자 모델 그

리고 UI 모델로 이루어져 있다. 산타토익 안에서 학습자들을 가이드 해주는 인

공지능 튜터는 위 구성 요소들을 하나의 통합 솔루션으로 구현한 완성형 인공

지능 튜터링 플랫폼(Integrated AI tutor Platform)이다. 그리고 santAInside는

어댑티비티 구현과, 매순간 분석되는 취약 유형 및 정답률 자료, 그리고 이를

기반으로 95% 정확도를 달성했다고 산타토익 측은 이야기 한다.

[그림 Ⅲ-45] 뉴럴 네트워크 기반의 다차원 유저 모델링 (출처: 산타토익)


- 94 -

어댑티비티의 결과로 주어지는 문항이 학습자에게 가장 필요한 내용이기 위

해서는 학습자가 컨텐츠를 학습하면서 드러나는 강점과 약점, 역량 등을 정확히

파악해야 한다. santAInside는 뉴럴 네트워크 기반의 다차원 유저 모델링으로

학습 콘텐츠와 학습자 사이의 관계를 마치 신경망(뉴럴 네트워크)처럼 파악한

다. 왼쪽의 콘텐츠와 오른쪽의 사용자가 개별의 뉴런이고, 그 사이에서 발생하

는 수많은 연관성을 통해 뉴럴 네트워크가 구성된다. 수많은 연관성을 십수 차

원으로 확장하여 구조화함으로써, 인공지능은 학습자와 콘텐츠 간 상관관계를

정확히 규명하여 최적의 어댑티비티를 구현하기 위한 발판을 마련한다.

인공지능은 학습하는 동안 어댑티비티를 제공할뿐만 아니라 학습을 본격적으

로 시작하기 전에 치루는 진단평가에서도 빛을 발한다. 인공지능 업계에서는 유

저의 데이터가 전혀 없는 상태에서 분석을 시작해야 하는 문제(Cold start

problem)가 상당히 까다로운 부분이다. 산타토익에서 LC와 RC 문제를 모두 포

함하여 평균 30문제 정도를 진단평가로 치루는 이유 역시 이러한 문제를 해결

하기 위한 방안이다.

[그림 Ⅲ-46] 산타토익 진단평가 예시 (출처: 산타토익)


- 95 -

이 때, 30문제가 도출된 근거 역시 딥러닝 기술을 기반으로 하고 있다. 아래의

그래프에서 30문제 풀이 지점에 가까워질수록 그래프가 아주 빠르게 안정화되

는 것을 확인할 수 있을 것이다. 다시 말해, 30문항은 santAInside의 평가 최

소화 모델을 기반으로 도출된 학습자에 대한 분석을 시작하기 위한 최소 개수

이다.

[그림 Ⅲ-47] 딥러닝 기반의 평가 최소화 모델 (출처: 산타토익)

뤼이드는 실제 산타토익 서비스에 활용되고 있는 인공지능 기술들을 학계에도 널

리 알리고 있다. ICML과 더불어 세계 2위의 인공지능 학회인 NIPS(세계신경정보처

리시스템 학회)에서 한국 최초로 “학습효과 분석에 대한 머신러닝 접근법(Machine

Learning Approaches for Learning Analytics: Collaborative Filtering Or Regression

With Experts?)”라는 제목의 연구로 KAIST 연구진과 함께 발표하여 머신러닝 알

고리즘의 기술력을 글로벌 인공지능 학계에서 인정을 받은 바 있다.

맥그로힐 알렉스(ALEKS)

알렉스(ALEKS) 역시 산타토익과 마찬가지로 어댑티비티가 구현된 교육 프로

그램이다. 단, 맥그로힐에서 개발한 만큼 맥그로힐의 교재와 연계하여 수업 관


- 96 -

리가 가능하다는 특징이 있다. 알렉스는 맥그로힐의 커넥트(Connect) 플랫폼 중

수학에 특화된 어댑티브 러닝 플랫폼(Adaptive Learning Platform)으로, 커넥트

수학(Connect Math)이라고도 불린다.

커넥트에 대해 먼저 소개를 하자면, 커넥트는 적응형 학습 기술을 고등 교육

분야에서 최초로 적용한 플랫폼으로 약 5백만명 이상의 사용자, 100백만건 이상

의 과제 제출, 90개 이상의 분야에서 서비스 되고 있다. 커넥트는 교수자와 학

습자용 각각의 다른 인터페이스로 운용 되어지며, 교수자에게는 맥그로힐 교재

를 중심으로 학습 자료들이 탑재되어 있는 학생관리 LCMS를 학습자에게는 스

마트 북(SmartBook)과 어댑티브 문항이 구현된 개별 학습 플랫폼을 제공한다.

학습콘텐츠관리시스템 또는 LCMS(Learning Contents Management System)

란 기존의 LMS와 CMS를 합친 개념으로 ICT기반 학습환경에서 콘텐츠를 관리

하는 시스템이다. LMS가 학습자의 학습과정을 지원, 관리하였다면, LCMS는

LMS가 요청하는 내용을 전달하고 그에 따른 콘텐츠도 체계적으로 관리, 전달

하는 기능을 수행한다. 다시 말해, LCMS는 주요관리 대상이 콘텐츠인 반면,

LMS는 학습자의 학습을 지원하는 사람 중심의 관리 시스템이다. 따라서,

LCMS는 학습자의 특성에 맞는 적응적인 콘텐츠를 제공하기 용이하다는 장점

이 있다.

반면에 관리해야할 콘텐츠가 필요하므로, 맥그로힐의 경우 자사 컨텐츠가 풍

부하여 LCMS를 구현하기에 유리하다는 장점이 있다. 그리고, 위 콘텐츠의 핵

심이 바로 커넥트의 학습 교재인 스마트북이다. 스마트북은 플립 러닝(flipped

learning)에 특화된 e-Book 서비스로 커넥트의 어댑티브 문항과 더불어 어댑티

브 리딩 경험을 제공하고자 한다. 여기서 어댑티브 리딩이란 개개인의 학습 수

준을 파악, 그 차이를 줄여 그 순간에 개인별로 최적화된 학습 자료를 추천하는

기능을 말한다. 스마트북이 플립 러닝에 최적화된 이유는 학습하면서 간단한 연

습문항 등을 통해 학습자별로 난이도에 대한 정보를 파악하여 이에 기반한 맞

춤 컨텐츠를 제공하기 때문에 혼자서도 공부하기 용이하다는 점이다. 뿐만 아니

라 모바일 인터페이스에서도 접속이 가능하다는 이동성의 측면이나, 전에 학습

한 내용을 기억할 수 있게 돕는 ‘복습’ 기능을 제공한다는 측면에서도 수업에

들어오기 전 미리 혼자 학습해 올 수 있는 유용한 도구임을 알 수 있다.


- 97 -

[그림 Ⅲ-48] 스마트북 예시 화면 및 복습 기능(오) (출처: 맥그로힐)

알렉스를 시작하는 첫날 학습자들은 기초 지식 수준을 평가하는 어댑티브 테

스트(Initial Knowledge Check)를 치루게 된다. 알렉스는 AI를 사용하여 학습자

들이 무엇을 알고, 무엇을 모르고, 또 특정 강의 영역에서 무엇을 배울 준비가

되어 있는지를 정확히 판단한다. 학습을 하는 동안 시스템은 마치 교사처럼 각

학습자와 상호작용하여, 충분히 숙달할 준비가 된 내용들만 제시한다. 맞춤형으

로 학습이 제공되므로 학습자들은 지나치게 어려운 또는 쉬운 난이도로 인한

좌절감이나 지루함을 겪지 않고, 훨씬 높은 참여도와 집중도를 보이게 된다. 또

한, 선행 지식이 충분히 갖춰지지 않은 상태라면, 다음 주제로 넘어가기 전 숙

지해야할 주제들을 먼저 학습하도록 지시한다. 위와 같이 시스템에서 충분히 주

의를 기울이기 때문에 학습자가 준비되었다는 판단 하에 제시되는 주제들은 평

균 94%라는 높은 학습 성공률을 보인다고 업체 측은 설명하고 있다. 학습이 끝

난 이후에도 주기적인 확인 문제를 통해 배운 내용의 기억 주기를 늘리고, 시험

과 다음에 배울 내용에 손쉽게 대비할 수 있도록 학습 단계를 설계해준다.

[그림 Ⅲ-49] 알렉스 화면 예시 (출처: 맥그로힐)


- 98 -

알렉스는 언급한 바와 같이 수업 관리에 강점을 보이는 시스템이기 때문에

학습자가 거치는 각 학습과정 동안 교수자 역시 도움을 받는 구조이다. 학습 시

작- 학습 - 복습의 과정에서 학생들의 정보는 LCMS 관리창을 통해 교수자에게

전달되어 강의 시작날 학습자의 지식 및 준비 수준, 학습하는 동안의 변화 등에

대한 상세한 정보를 제공한다. 예를 들어, 교육자용 커넥트인사이트(Connect

Insight®)는 과제, 평가, 분야별 성취도를 기간별로 보여줌으로써 손쉽게 종합

결과와 개별 결과를 확인할 수 있게 도와 준다.

알렉스와 같은 AI기반의 학습 생태계에서 교수자는 학습자들이 알렉스를 학

습하는 동안의 정보만 제공받는 수동적인 주체가 아니다. 제공받은 정보들을 기

반으로 수업에서 알렉스를 얼만큼, 어떻게 활용할 것인지를 주체적으로 결정한

다. 데드라인을 어떻게 설정하느냐에 따라 알렉스를 보다 학습자들의 자율적인

결정에 맡길 수도 있고, 더 구조화된 학습 형태로 가져갈 수도 있다. 또한, 알렉

스가 제공하는 다양한 커리큘럼 중 그때그때 수업에 필요한 추가 및 보충해야

할 내용들을 선택해 연계하거나, 전체 성적의 최소 15-20%부터 그 이상까지 알

렉스의 비중을 자유롭게 반영하는 등 교수자가 유연성을 발휘하기 용이하다.

[그림 Ⅲ-50] 스마트북(왼) 및 커넥트 인사이트(오) 예시 화면 (출처: 맥그로힐)

이러한 AI 기반의 자가 학습 시스템들의 발전은 기존 교실의 풍경도 온오프

라인을 넘나들며 더 맞춤화된 모습으로 바꿔나가고 있다.


- 99 -

라. 시사점

황의 법칙으로 대표되는 반도체 분야의 혁신을 기반으로, IT, 전자, 금융, 바

이오 등의 산업은 혁신에 혁신으로 그 발달의 속도를 배가하여 왔으며, 그 속도

는 4차 산업혁명 시대가 도래하면서 더 빨라지고 있다. 이 흐름 속에서 교육은

원래 보수적이라는 산업의 특성을 방패로 삼아 변화에 저항하며, 구태적이라는

비판을 감내하여 왔던 것이 사실이다. 하지만, 지난 수십년간 교육 내.외부의 환

경의 변화는 교육이 타 산업에서 IT 기술이 이루어낸 비약적인 도약, 퀀텀점프

(Quantum Jump)를 할 수있는 환경을 조성하는데 꾸준히 기여하였다.

[그림 Ⅲ-51] 반도체 관련 기술의 혁신 (출처: 네이버)반도체 관련 기술의 혁신으로 매년 그 용량을 2배씩 증가시키며 발전하였다.

위에 살펴본 여러 사례에서 알 수 있듯이, 교육에서 IT로 인한 퀀텀점프의 가

능성을 점치는 데는 여러가지 근거가 있다.

첫째, 교육 내부의 변화이다.

교육은 지난 수십년간 다양한 시도를 통해, IT와의 접목을 도모하여왔다. 그

결과의 좋고 나쁨을 떠나, 그 경험을 토대로, 교육 내부에는 다양한 자산이 축

적되었다. 2000년대 초반만 해도, 사내 인프라를 담당하는데 그쳤던 교육기관

내부의 IT 조직과 인원들이 지금은 교육기관의 미래를 준비하는 핵심부서로 성

장하였고, 콘텐츠의 제작 등에도 기획 단계 부터 디지털을 기반으로 시작하는

것이 일반화 되었다. 과거, 종이, CD 등 전통적인 채널에 머물렀던, 수 많은 양

질의 콘텐츠들이 지난 10년 동안 집중적으로 디지털화되었으며, 태블릿 PC 등


- 100 -

디바이스의 공격적인 보급은 교육기관들이 더 이상 과거에 머무를 수없는 환경

을 조성하였다. 교육은 이렇듯, IT와의 끊임없는 접점의 확대를 통하여, 내부에

디지털 자산과 역량을 축적하였고, 이런 내부 자산과 역량은 외부 기술의 보다

적극적 검토와 도입의 도화선 역할을 수행 중에 있다.

둘째, 시장의 변화이다.

X세대로 일컬어 지던 세대는 어느 덧 성장하여, IT와 인터넷에 익숙한 신부모

(New parents)가 되었다. 신부모는 디지털 디바이스를 통한 서비스의 활용에

능하며, 미디어를 통한 지식의 습득을 당연한 것으로 생각한다. PC는 게임이라

직접적으로 단정짓던 과거의 부모와 달리, 오늘 날의 부모들은 인터넷과 디바이

스의 선용에 우호적이다. 이들은 자녀들의 미래가 어떻게 변할지에 대해 과거의

부모들보다 논리적으로 과학적으로 추론하며, 그 시대에 맞는 교육을 시키는 것

이 미래를 살아갈 아이들에게 필수적이라 생각한다. 코딩이 더 이상 전문가들만

의 영역이 아니라는 생각에 동의하며, 생활 속에서 디지털 리터러시 (Digital

Literacy)를 길러주는 것이 자녀들을 위해 꼭 필요하다 생각한다. 이러한 부모의

등장은 교육기업과 기관들로 하여금, IT 기술을 도입하는 것에 대한 명분과 필

요성을 배가 시키고 있다.

셋째, 외부 기술의 변화이다.

영상 콘텐츠의 기획과 제작이 전문기업의 영역이었던 시절을 이미 지나, 이제

는 개인이 콘텐츠를 직접 생산하고 소비하는 기술이 보편화되었다. 이러한 시대

에 기업의 경쟁력은 더 이상 콘텐츠에 머물러 있지 않는다. 콘텐츠 기술은 이미

영상을 지나 가상현실 (Virtual Reality)와 증강현실 (Augmented Reality)과 사물

자동인식 기술에 까지 이르고 있으며, AI가 필요한 영상과 자료를 자동으로 찾

아 추천하는 기술도 이미 개발되어 있다. 빅데이터 기술과 클라우드 컴퓨팅의 발

달은 서버나 데이터베이스 등이 더 이상 장애가 아닌 시대를 만들어 냈고, 과거

수천명의 인력이 붙어도 해낼 수 없던 인과관계 분석이나, 고차원 연산도 이제는

AI가 수분 수초만에 해결해 내고 있다. 빠른 시일 내에 사물 인터넷 기술이 교육

현장에 도입될 것이고, 이런 기술들은 오직 데이터의 중요성을 이미 파악하고,

준비된 교육 기관과 기업들에게만 그 효용을 제공하게 될 것이다. 심지어 디비스

쿨과 같은 기업은 아직 디지털화 하지 못하고 있는 기업들의 PDF파일을 간편하

고 빠르게 디지털화 해낼 수 있는 솔루션까지 개발, 제공하고 있으나, 더 이상 우

리는 디지털이 아니다라는 핑계로 통용되지 않을 시대가 열릴 것이다.


- 101 -

[그림 Ⅲ-52] 디비스쿨 변환 화면 (출처: 네이버)디비스쿨은 pdf 파일을 드래그 엔 드롭만으로 인터엑티브 이북으로 변환해 준다.

교육은 다른 산업과 달리, 산업이 생산하는 데이터의 질과 양의 측면에서 압

도적인 우위에 있다. 쉬운 예로, 검색엔진의 검색창에 어떤 사람이 입력하는 키

워드와, 시험문제에 적어넣는 답변을 비교해 본다면, 어떤 경우에 더 질이 높은

데이터가 생성될지는 자명한 논리이다. 미국 스탠포드 대학교에는 해마다 우등

졸업생들의 물건을 넣고 땅속에 넣고 밀봉하는 타임캡슐 복도가 있다. 필자가

그 복도를 안내 받으면서, 안내해주는 스탠포드대학교 졸업생에게 이렇게 물었

던 적이 있다. “이렇게 매해 타임캡슐을 묻다보면, 공간이 모자르지 않을까요?”

그때 돌아온 대답은 이랬다. “우리는 200년 전에 이 프로젝트를 시작하면서,

500년 동안 계속할 수있는 부지를 확보했고, 그 이후에도 확장할 수있는 부지를

이미 보유하고 있다.”


- 102 -

[그림 Ⅲ-53] 스탠포드의 타임캡슐 복도 (출처: 네이버)

교육은 점점 디지털로 향할 것이고, 그 과정에서 엄청난 데이터가 생겨날 것

이다. AI 등의 첨단 기술은 지속적으로 예측할 수 없는 만큼 발달할 것이고, 이

제는 교육 관계자들이 선택해야 할 시점이 되었다. 미래를 예측하고 지금부터

준비해 나갈 것인가? 미래를 예측하지 못하고 교육이라는 인류의 가장 중요한

영역을 가장 후진적인 모습으로 방치할 것인가? 이 결정에 따라 우리 교육의

미래 모습은 확연하게 달라질 것이다.


- 103 -

Ⅳ. 인공지능과 미래교육

유사 이래 기술발전은 인류사회 발전의 원동력이었다. 기술발전과정에서 기

존 산업은 새로운 산업으로 대체되었고, 생산성과 소득이 향상되었으며, 시민계

층이 두텁게 형성 되었고 민주주의가 인류의 보편적 가치로 자리 잡게 되었다.

교육제도도 기술발전에 따라 지속해서 진화되어 왔고 인류사회가 산업사회로

전환되어 가면서 근대 교육제도도 전 세계적으로 확산되었다. 근대 교육제도는

전형적인 대량교육제도로서 인류사회가 산업사회로 전환되어 가는데 필요한 인

력을 양성하고 공급하는 중추적 역할을 수행해 왔을 뿐만 아니라, 인권 및 민주

주의와 같은 사회 보편적 가치를 가르쳐 근대 시민사회의 형성과 통합에도 기

여하였다. 정보통신기술이 발전하면서 다양한 매체를 이용한 원격교육, 온라인

학습, 인터넷 교육 등 새로운 교육혁신이 진행되었고 앞으로도 교육제도는 기술

발전과 함께 진화・발전되어 나갈 것이다(Kwon & Jang, 2017).

인공지능기술이 지난 10여 년간 비약적인 발전을 하면서 멀지않은 미래에 그

파급효과가 사회・경제 전반으로 확산되어 나갈 전망이다. 인공지능기술이 발

전을 거듭해 나가면서 교육산업과 제도에도 많은 변화를 가져올 것으로 예상된

다. 흥미로운 것은 인공지능기술의 발전이 교육산업과 교육제도의 변화를 야기

할 것이나, 반대로 인간을 대상으로 한 교육방식이 인공지능 개발에도 기여한다

는 것이다. 이는 인공지능을 교육시키는 것이 인간을 교육시키는 것과 유사한

면이 있기 때문이다.

이 장의 목적은 인공지능이 미래 교육에 미칠 영향을 조망해 보는 것이나, 우

선 제1절에서 정보통신기술이 지난 30여 년간 교육제도에 가져온 변화를 고찰

하고 그 함의를 도출하고자 한다. 고찰의 대상을 우리나라로 한정하고 시기적으

로는 정보통신기술의 발전과 확산이 본격 진행된 과거 30년에 초점을 맞추어

논의가 지나치게 확대되지 않도록 했다. 아울러 인공지능의 발전과 활용이 5세

대 이동통신네트워크의 확충으로 더욱 빠르게 사회경제 전반으로 확산되어 나

갈 것이기 때문에 정보통신기술의 발전에 초점을 맞추었다. 제2절에서는 교육

자의 인공지능기술에 대한 이해를 높이기 위해 인공지능 개발에 사용된 교육기

법을 소개하고 인공지능의 지적역량과 관련된 철학적 논의를 소개한다. 제3절에

서는 인공지능이 미래교육에 미칠 영향을 필자의 교육 참여경험, 스마트 교육정

책 개발 경험, 인공지능 연구경험을 기반으로 논의한다. 제4절에서는 소결론으로

서 이 상에서 논의된 정책적 시사점을 요약 정리하면서 이 장을 마무리 한다.


- 104 -

1. 정보통신기술 발전과 교육제도의 발전

어느 한 공동체의 교육제도는 후세대에게 지식을 전달하고 축적하는 기능을

하고, 한 사회가 공동체를 형성해서 함께 살아가는데 필요한 공통의 규칙과 윤

리를 공유하는 기반으로서 역할을 한다. 초중등 교육과정에서는 한 사회구성원

으로서 함께 살아가는 과정에서 필요한 기초적 소양을 습득하고, 고등교육에서

는 직업인으로서 개별적으로 살아가는 과정에서 필요한 지식과 기술을 습득한

다. 교육제도를 이처럼 교육서비스를 효율적이고 효과적으로 제공하기 위해 개

발된 시스템이라고 이해할 때, 새로운 기술을 이용해 교육제도를 보다 효율적이

고 효과적으로 개선해 나가는 것은 정부의 당연한 역할이라고 할 수 있다.

산업사회에서 정보사회로 전환되면서 우리 정부는 새로운 정보통신기술 인프

라와 매체를 이용해서 교육서비스 이용대상을 지속적으로 확장해 왔고, 교육시

스템의 유연성을 제고하고자 노력하였다. 우리나라 교육부의 교육학술정보화는

90년대 중반 초고속인프라가 확충되면서 본격화 되었고, 정책추진 주체로 1999

년 한국교육학술정보원이 설립되면서 포괄적이고 체계적으로 추진되기 시작했

다. 교육학술정보화 정책 초장기에는 교육정보화 인프라 구축 및 활용기반 확충

에 초점이 맞추어져 있었고 2000년대 후반 스마트교육 정책이 추진되면서 교육

정보화 정책이 기존의 대량교육시스템에서 개별화되고 유연한 교육시스템으로

전환해 나가는 교육혁신에 중점을 두게 되었다([그림 Ⅳ-1] 참조).

[그림 Ⅳ-1] 과거 교육정보화 기본계획과 중점사항(출처: Kwon & Jang(2017))


- 105 -

이로 인해 기존 교육제도와 교육생태계에 전반적인 변화가 발생하게 되었고,

교육환경 개선, 교육방식 혁신, 새로운 교사의 역할 제시 및 교사양성 시스템

혁신, 교육 컨텐츠의 개발과 유연한 학기제 도입 등 교육수요자의 욕구를 반영

한 개별화된 학습(Learning) 중심의 교육방식을 확산시키기 위한 다양한 노력이

진행되고 있다.

혁신적이고 파괴적인 기술발전은 우리사회 모든 분야에 구조적 변화를 가져

온다. 교육 분야도 그러한 구조적 변화의 예외가 될 수 없으며 얼마나 적극적으

로 변화를 수용하여 체화하는가에 따라 한 국가의 교육 및 학술 경쟁력이 결정

된다.

교육 분야는 상대적으로 다른 분야보다도 새로운 기술을 활용한 혁신에 둔감

한 보수적인 분야였다. 교육정보화 담당 공무원은 교육정책의 중심에 서기 어려

웠고 여전히 교육정책을 주도하지 못하고 있다. 그러다 보니 교육정보화를 교육

행정정보화 수준에서 이해하는 좁은 시각이 여전히 지속되고 있고, 신기술을 전

반적인 교육시스템의 혁신에 적극 활용하려는 노력은 찾아보기 어려웠다. 교육

정책을 주도하는 공무원은 새로운 기술에 대한 이해의 수준이 낮은 상태이고,

교육정책을 과거의 프레임 속에서 과거의 방식으로 추진하는 타성을 보이고 있

다.

무수히 많은 학습 자료가 국내외 인터넷에 산재해 있는 상태에서 교과서 검

인정 문제는 여전히 중요한 교육정책 이슈를 점하고 있고, 학생들이 보다 많은

정보와 학습 자료를 교육제도권 밖에서 쉽게 구해 학습할 수 있는 상황에서 기

존 6-3-3-4 학제는 견고히 유지되고 있다. 컴퓨터를 이용한, 인공지능을 활용한

학력평가가 가능한 상황이나 여전히 우리나라에서는 매년 단 한 번의 시험으로

학생의 학력을 평가하는 전국동시 시험제도가 시행되다 보니 시험 날에는 비행

기 이착륙도 시험시간에 영향을 받는 촌극이 지속되고 있다.

컴퓨터 기반의 자동화된 방식으로 토플시험과 GRE 시험을 주관하는 미국의

ETS (Educational Testing Service) 사례에 따르면, 이미 1999년부터 수백만 개

의 GMAT시험 에세이 채점에 기계를 사용해 왔으며 기계의 에세이 평가결과가

인간 평가자의 평가결과와 97% 일치한다고 한다(Russell & Norvig, 2010). ETS

의 연구자료에 의하면 컴퓨터와 인간 평가자의 GRE 에세이 평가 일치수준이

현재 98%인 것으로 보고되어 있다(Breyer et al., 2014). 아직 컴퓨터 평가는 인

간 평가자의 왜곡이나 변동성을 통제하기 위한 보조수단으로 쓰이고 있으나, 기


- 106 -

술이 계속발전하고 있고 ETS가 연구를 지속하고 있기 때문에 미래에는 인공지

능에 의한 에세이 평가가 인간의 평가와 함께 본격 사용될 것으로 예상된다.

우리도 새로운 정보통신기술을 이용하면 우리가 직면한 교육계의 많은 문제

를 해결할 수 있다. 우리나라와 같이 주관적 평가에 대한 수용성이 낮은 환경에

서는 주관식 평가의 도입이 어렵다보니 전국연합학력평가시험에서 객관식에 크

게 의존한 평가가 지속되고 있다. 더욱이 1년 1회 평가로 학생들의 학력을 평가

하다 보니 시험성적이 실력 외에 그날의 운이나 난이도 등 실력외적 요인에 또

한 크게 영향을 받는 문제점이 발생하고 있다.

2017년과 같이 어느 지역에서 지진과 같은 큰 자연재해가 발생할 경우 국가

전체의 시험이 연기되기도 하고, 그에 따라 많은 사회경제적 비용이 발생하기도

한다. 결국 학생들에게 시험 기회를 다수 제공해 학생의 실력을 정확히 측정 하

고, 주관식 평가 방식을 도입해 보다 전인적인 평가를 하면서도 비용을 크게 증

가시키지 않으려면 ETS의 평가방식과 같은 인공지능을 활용한 평가방식을 개

발해 사용할 필요성이 있다. 물론 오랜 기간 동안 연구와 개발이 필요하나 전

세계적으로 웃음거리가 되는 우리의 대입 및 학생평가 제도를 개선하기 위해서

는 반드시 필요한 투자라고 할 수 있다.

2. 인공지능은 인간처럼 학습하고 이해하는가?

인공지능에 대한 개념정의는 아직 일반적으로 정립되어 있지 않다. 여기서는

간단히 인간에 의해 만들어진 지적(Intelligence) 존재라고 정의하나 인간과 같

이 생각 하는 (또는 생각할 수 있는) 존재로 정의하기에는 아직 이르다고 할 수

있다. 그 개념을 상술하면, 인공지능은 어떤 환경에서 지적인 인간의 행태와 유

사하거나 같은 행태를 보이는 존재라고 개념을 정의할 수 있다. 이는 인공지능

을 행태론이나 기능주의 시각에서 이해하는 것으로서, 두 존재의 관찰가능한 행

태가 같으면 그러한 행태를 결정하는 두뇌(또는 정보처리 단위)의 활동도 같거

나 유사하다는 시각이다. 마치 먹이를 찾는 두 동물의 두뇌 상태는 유사할 것이

라는 추론인 것이다.

현재 시점에서 인공지능이 갖는 인간과 가장 유사한 특징은 학습(Learning)을

한다는 것이다. 인공지능 연구에서 학습이란 어떤 인공적 존재(소프트웨어)가

데이터로부터 배우는 현상을 의미한다. 좀 더 구체적으로 기술하면 데이터에 포


- 107 -

함되어 있는 경험을 통해 성과가 향상되면 그 인공지능은 학습을 하는 것이 된

다(Goodfellow et al., 2016). 이러한 인공지능공학자의 학습에 대한 개념정의는

실수를 줄이는 과정을 통해 성과를 향상시켜나가는 것이 학습이라는 구성주의

에서 정의하는 학습의 개념과 어느 정도 일치한다고 할 수 있다.

인공지능과 인간의 학습사이에 개념적 유사성이 있다는 것은 인간의 학습방

법이 인공지능의 학습에도 사용될 수 있다는 것이 된다. 인간은 단순한 개념에

서 복잡한 개념으로 학습해 나가고, 개념간의 연관성을 토대로 교육과정

(Curriculum)을 계획해서 학습을 발전시켜 나간다.

똑 같은 방법이 인공지능의 학습에도 활용되고 있다(Goodfellow et al., 2016).

인공지능을 개발하는데 있어서도 처음부터 복잡한 의사결정 함수를 학습시키면

너무 오랜 시간이 걸릴 수도 있고 실패할 수도 있다. 이런 경우 복잡한 의사결

정 함수를 난이도가 다른 여러 개의 함수로 변형시킨 후 쉬운 함수형태부터 학

습을 시켜 복잡한 의사결정 함수를 학습시키면 성공적으로 인공지능을 개발할

가능성이 더 높아지는 것이다. 또는 쉽게 구분이 가능한 프린트된 문자나 선명

한 이미지를 이용해 학습을 시킨 이후 필기체나 희미하거나 그늘이 진 이미지

를 학습시키는 방식으로 어려운 문제를 풀게 하는 학습방식을 사용하는 것이다.

이러한 학습방식이 인공지능의 학습에도 효과적으로 작동한다고 보고되어 있고

그러한 접근방법이 실제 인공지능 교재에도 소개가 되어 있다(Goodfellow et

al., 2016).

인간을 대상으로 한 교육방식이 기계의 교육에도 사용될 수 있다면, 과연 인

공지능도 인간처럼 생각(Thinking)하고 이해(Understanding)하는가라는 의문이

자연스럽게 생길 수 있다. 이 질문에 대한 답은 아직은 없다. 지난 수십 년간 철

학자와 인공지능학자 사이에서 논의가 진행되어 왔으나 아직 답은 없다. 가장

큰 이유는 우리가 인간의 두뇌와 생각과정에 대해 아직 너무나 많이 모르기 때

문이다. 과거에 마음(Mind)과 육체 이원론(Dualism)이 받아들여지던 시기에는

인간의 육체 어느 곳엔가 마음이 머무르는 곳이 육체와 별도로 존재할 것으로

생각되었다. 그러나 이제 이원론을 받아들이는 사람은 없다고 보아도 될 정도로

우리 몸에 대한 과학적 이해가 높아졌다. 두뇌의 상태가 곧 마음이라는 일원론

(Monism)이 일반적으로 받아들여지고 있으나 실제 우리 두뇌에서 마음이 어

떻게 형성되고, 무엇을 이해한다는 것이 어떤 상태인지에 대해 우리는 현재 모

른다.


- 108 -

‘인공지능이 사람처럼 생각을 하는가?’라는 질문에 대한 논쟁에서 가정 유명

한 사례가 바로 “중국어 방(Chinese Room)” 사례이다(Russell & Norvig, 2010).

중국어 방 사례는 영국의 철학자 존 썰(John Searle)이 기능주의(Functionalism)

적 추론에 반박하기 위해 인위적으로 고안한 생각실험(Thought Experiment)이

다. 기능주의적 관점에서는 만약 두 시스템(인간과 인공지능)이 동일한 인과관

계를 발생시킨다면 두 시스템의 마음상태(Mental State)는 같은 것이라는 주장

을 편다. 즉, 입력되는 정보와 출력되는 정보가 같다면 중간에 정보를 받아 처

리한 후 동일한 결과를 낳는 두 시스템의 마음상태는 같은 것이라는 견해이다.

이러한 기능주의적 사고에 반박하기 위해 썰 교수는 중국어 방 사례를 제안

했다. 중국어 방에는 중국어를 전혀 모르는 사람이 있고 중국어 문장이 방으로

전달되면 그 사람은 그 문장의 의미는 모르지만 그 문장에 상응하는 문장을 찾

을 수 있는 영어로 된 책에서 문장을 찾아 거기에 적힌 대로(또는 그려진 대로)

한자 문장을 만들어 방 밖으로 전달한다. 즉, ‘중국어를 아는가?’라는 질문이 들

어가면 그 책에 적힌 것에 따라 ‘그렇다 또는 아니다’라는 답을 출력하는 것이

다. 중국어 방에 있는 사람은 컴퓨터의 중앙연산장치(CPU)에 해당하고 답을 제

공하는 책은 기억장치에 해당하는 것이다. 썰 교수는 이 경우 그 방에 있는 사

람은 중국어를 전혀 모르지만 입력정보를 받아 답신을 하고 중국어를 아는 사

람에게 같은 질문을 했을 때 얻을 수 있는 정보와 동일한 결과를 창출한다는

것이다. 즉, 컴퓨터 두뇌는 중국어를 모르지만 중국어 처리를 할 수 있다는 것

이고, 결국 동일한 입력정보를 받아 중국어를 아는 인간의 두뇌가 만들어낸 것

과 같은 출력정보를 만들어 냈지만 그렇다고 해서 컴퓨터가 중국어를 이해하고

있다고 할 수는 없다는 주장이다.

물론, 여기서 논박이 끝나지 않는다. 썰 교수의 주장에 반박하는 학자들은 중

국어 방에 있는 사람은 중국어를 이해하지 못하지만 ‘중국어 방’이란 시스템 전

체는 중국어를 이해하는 것이라고 주장했다. 중국어 문장을 받아서 그에 상응하

는 의미 있는 답신을 하는 시스템이라면 그 시스템은 중국어를 이해한다고 보

아야 한다는 주장인 것이다. 썰 교수는 이러한 논박(Rebuttal)에 또 다시 반론을

편다. 그러면 중국어 방 시스템 전체를 인간의 두뇌로 옮겨보자는 것이다. 즉,

썰 교수는 영어만 알지 중국어를 모른다고 하자. 그런 썰 교수가 특별한 재능이

있어서 사전과 같은 중국어 답신을 하는 책의 내용을 사진으로 찍어서 기억을

한다고 할 때, 썰 교수는 중국어를 모르지만 중국어 문장을 보면 그에 상응하는

중국어 답신 문장을 자신의 두뇌 속에서 찾아 그려줄 수 있다고 할 때 여전히

자기는 중국어를 이해하지 못하지만 중국어 하는 것처럼 정보를 출력할 수 있


- 109 -

다는 것이다. 즉, 중국어를 아는 사람이 만들어 내는 것과 동일한 입출력 인과

관계를 자신이 만들어 냈지만 그렇다고 자신이 중국어를 이해하는 것이 아니라

는 주장이다.

썰 교수의 재반박이 과연 반박인지 오히려 그 상태면 중국어를 이해하는 것

이라는 주장을 뒷받침 하는 논거인지는 분명하지 않지만, 여전히 우리는 인간의

생각이나 이해한다는 두뇌의 상태를 알지 못하고 ‘인공지능은 생각하는가?’란

질문에 분명한 답을 할 수 없는 상태이다. 결국, 인간의 두뇌에서 발생하는 생

각의 과정에 대한 이해가 깊어져야 비로소 확정적인 답이 가능해 질 것이다.

3. 인공지능과 미래교육

인공지능이 미래 교육제도에 미칠 영향을 일관성 있게 논의하기 위해서는 우

선 교육제도가 우리사회에서 수행하는 역할에 대한 틀을 제시해야 한다. 이는

인공지능 기술이 발전하면서 교육제도 자체가 변화하기도 하나 교육제도를 둘

러싼 환경이 변화하면서 교육제도에게 요구되는 역할도 변화될 것이기 때문이

다. 한마디로, 직접적인 효과와 간접적인 효과를 동시에 고찰해 보아야 한다는

것이다.

앞서 논의한 것과 같이 한 국가에서 교육제도는 지식과 공동체 가치의 공유

시스템이기도 하지만 국가경제활동에 필요한 다양한 재능을 지닌 인력을 양성

하는 시스템이기도 하다. 따라서 한 국가의 교육경쟁력은 그 국가 전체의 경쟁

력을 결정하는 중요한 요소의 하나이다. 인공지능 기술의 발전에 따라 직접적으

로 교육방식이 변화할 것이고, 동시에 인공지능 기술발전이 경제 환경에 변화를

가져와 교육수요의 변화를 초래할 것이며 순차적으로 하나씩 논의하면 다음과

같다.

가. 인공지능과 교육방식의 혁신

앞서 정보통신기술의 발전에 따라 교육방식과 서비스 제공방식에 있어서 진

행된 혁신을 간단히 소개했었다. 인공지능 기술의 발전은 그 자체의 발전도 있

으나 5세대 이동통신망의 도움을 받아 그 발전의 속도가 가속화될 전망이고 교

육산업에 미치는 영향은 더욱 확대될 전망이다. 흔히 모든 사물이 네트워크로

연결되어 우리사회의 다양한 정보가 실시간으로 축적되고 활용되는 사물인터넷

이 도입된다는 것이다. 우리나라는 전 세계 최초로 2018년 12월1일부터 제한적


- 110 -

이기는 하지만 5세대인터넷이 시작되었다.

미국 시애틀에 있는 워싱턴대학의 페드로 도밍고스 교수는 “인공지능이 우리

가 도착하려는 행성이라고 할 경우 기계학습은 로켓에 해당하고 빅 데이터는

로켓의 연료에 해당 한다”라는 비유를 통해서 빅 데이터와 인공지능의 관계를

설명했다. 나는 여기에 5세대 인터넷을 하나 더하고자 한다. 5세대 인터넷은 분

석 가능한 데이터의 양을 이전 세대의 인터넷에 비해 폭발적으로 증가시키는

기반이 될 것이기 때문에 바로 로켓(기계 학습)의 발사대(Launch Pad)에 해당

하는 역할을 할 것이다. 즉 앞으로 인공지능의 발전속도는 더욱 가속화되고 그

활용영역도 이전보다 훨씬 넓게 확산되어갈 것이다.

교육방식의 혁신도 더욱 가속화될 것이다. 5세대 네트워크가 구축되면 이미

스마트교육 정책에서 미래의 모습으로 제시되었던 가상현실 기술을 이용한 교

육이 가능해질 것이고, 나아가 가상현실 기술이 인공지능 기술과 접목되면서 이

론으로 배우는 교육이 시뮬레이션을 통해 학생들 눈앞에 구현되는 실감형 교육

으로 전환되어갈 것이다. 학생들은 단순히 그러한 시뮬레이션을 관찰자로 구경

하는 것에 그치지 않고 구현된 가상현실 세계에 투입된 본인의 아바타를 통해

서 상호작용하면서 이론에서 배운 것이 어떻게 현실에서 구현될 수 있을 것인

지를 학습하게 될 것이다.

또한 인공지능 기술이 발전되면 학생들의 개별화된 학습이 더욱 심화될 것으

로 보인다. 학생 개인별로 학습로봇을 갖게 될 것이고 학습로봇은 개별 학생의

선호, 학습습관, 미래 희망에 따라 차별화된 학습지도를 하게 될 것이다. 학습로

봇은 학생에게 맞춤형 학습서비스를 제공함으로써 학습에 대한 몰입수준을 조

절해 나갈 것이다. 학습로봇은 다양한 기기를 통해 자유롭게 이동해 가면서 학

생의 동반자이면서 학습친구로서 함께 지낼 것이고 미래 학교의 선생님과 친구

들을 연결해주는 소통의 창구가 또한 될 것이다.

앞서 소개한 가상현실 기술을 이용한 실감형 교육혁신은 교육방식의 변화를

초래하는데 그칠 것이나, 학습로봇의 도입과 활용은 현 교육제도 전반의 창조적

파괴와 재구조화를 초래할 것이다. 우선, 학습현장에서 요구되는 교사의 역할이

더욱 축소되거나 변화될 것이고 학교와 학제라는 단체교육제도의 재편이 발생

할 것이다. 먼 미래에는 인공지능이 교육산업에서 교사의 입지를 더욱 좁게 만

들 것이고 6-3-3-4 학제에서 경계가 희미해질 것이며 교육내용의 검정제도 또한

의미 없어질 것이다. 교사가 인공지능과 함께 협력해서 학생들에게 개별화된 학


- 111 -

습경로를 제공하고 상담해주는 시대가 올 것이다.

MIT의 멀론 교수는 인간이 인공지능과 협력을 통해 초지능(Superminds)을

형성하고 업무를 처리함으로써 생산성을 향상시키고 다양한 복잡한 문제를 풀

어나갈 수 있을 것이라고 전망했다(Malone, 2018). 먼론 교수의 주장은 인간의

두뇌를 보면 언어, 시각, 청각 등 다양한 정보처리에 특화된 영역이 있고 그러

한 영역이 상호 협력하는 과정에서 인간의 지능이 발현된다는 인공지능학자 마

빈 민스키의 “지능의 협력사회(Society of Mind)” 개념에 토대를 두고 있다. 인

공지능은 현재 특정 목적 또는 특정 기능을 수행하는 형태로 개발되고 있다.

아직까지 인간과 같은 범용인공지능(Artificial General Intelligence)은 개념적

으로 제시되고 있으나 개발까지는 오랜 시일이 걸릴 것이고, 따라서 우리는 인

공지능과 인간이 협력을 통해 서로의 약점을 보완함으로써 초지능을 구현해 낼

수 있다고 주장한다. 멀론교수는 인공지능이 인간과 협력하는 형태로 4가지를

제시하였다. 인간은 인공지능을 도구(Tools)로 사용할 수 있고, 조력자

(Assistants)인 인공지능으로부터 도움을 받을 수 있고, 하나의 동료(Peers)로서

함께 일할 수 있고, 관리자(Managers)인 인공지능의 지시를 받아 일을 할 수 있

을 것이라고 보았다.

예를 들면, 도구로서 인공지능의 경우는 인공지능이 특정 기업의 재무분석을

인간에게 재공해 주는 것이고, 조력자로서 인공지능의 사례는 인공지능이 수많

은 대안가운데 몇 가지를 골라주면 인간이 추천된 대안 중에서 하나를 선택하

는 업무처리 방식이다. 동료로서 인공지능의 경우는 대 고객응답서비스를 제공

하는 과정에서 표준화된 온라인 문자질문에 대한 답은 대화로봇(Chatbot)이 맡

고, 로봇이 답할 수 없는 업무는 직원에게 전달되어 직원이 처리하는 경우로 이

미 미국에서는 보험업무처리에 사용되고 있다. 관리자로서의 인공지능은 아직

받아들이기 어려울 수 있으나 이미 인간은 신호등과 같은 기계의 지시를 받아

행동하는데 익숙해져 있다고 멀론 교수는 지적하면서, 인공지능이 복잡한 업무

를 다수의 인간에게 나누어 배정한 후 이를 모아서 전체 업무를 처리할 수 있

고 실제로 문서작성에서 사용된 예를 제공한다.

멀론 교수는 나아가 인간이 초지능(집단지성)을 형성해 함께 일할 때 인공지

능을 활용하면 더욱 효과적으로 일할 수 있으며 그 과정에서 인공지능이 기여

할 수 있는 5가지 업무 형태를 제시했다. 업무처리에 있어서 창의적 대안 도출

(Create), 의사결정(Decision), 상황인지와 탐색(Sense), 자료의 축적(Remember),


- 112 -

경험에서의 학습(Learn)이란 5단계에 걸친 순환과정을 통해 인간과 인공지능으

로 구성된 초지능(Superminds)은 보다 효율적이고 효과적으로 업무를 처리해

나갈 수 있고 경영에서뿐만 아니라 사회의 모든 영역에서 이러한 접근법을 사

용할 수 있을 것이라고 주장했다.

교육방식이 개인별 맞춤형 방식으로 전환되어갈 것이나 토론과 아이디어 교

류과정을 통해서 함께 배우고 문제를 풀어가는 인간의 학습방식은 여전히 유지

될 것이다. 즉, 학습과정도 멀론 교수가 제시한 집단지능을 통한 자연에 대한

이해와 문제해결의 과정으로 이해할 때, 인공지능을 학습과정에 참여시켜 학습

의 효과를 향상시킬 수 있을 것이다.

그 과정에서 인공지능은 학습의 도구로서 지수함수와 로그함수를 비교해 보

여주기도 할 것이고 학습자가 요구하는 자료를 찾아주는 조력자 역할을 하고

학습자에게 조언과 질문을 던지고 토론을 함께하는 동료가 되기도 할 것이다.

또한, 나아가 개별 학습자의 학습이력을 점검하여 최적화된 학습경로를 제시하

는 한편, 집단 토론에 있어서는 토론 주제를 제시하고 필요시 관련 시청각 자료

를 제시하며 토론내용을 정리해 토론주제와 관점별로 내용을 즉시 정리해 보여

주는 토론 관리자 역할도 할 수 있을 것이다.

이상에서 제시한 인공지능이 가져올 미래 교육방식의 혁신을 구현하는 데는

오랜 시간이 걸릴 것이고 아직은 현재 우리의 교육현실과는 많이 동떨어진 이

야기로 들릴 수 있다. 보다 직접적으로 와 닿는 사례는 아마도 미국의 ETS와

같이 인공지능을 이용해 시험에 주관식 평가를 도입하는 것이라 생각한다.

이미 1절에서 상술한 것과 같이 인공지능을 평가에 사용하면 학생들의 암기

력 시험에서 벗어나 전인적 평가가 가능해지고 적은 비용으로 여러 번 평가함

으로써 학생들의 평균적 학업성취도룰 평가할 수 있다. 이러한 평가방식이 구현

되면 학력평가제도에 대한 학생과 학부형의 신뢰도가 제고될 것이고, 학생들은

단일 평가에 모든 것을 걸어야 하는 부담에서 벗어나게 될 것이다.

나. 미래 초·중등 교육

우리 나라의 교실에는 이미 아이엠스쿨, 클래스팅 등의 알림장 앱이 교사와

학부모를 이어주는 데에 큰 역할을 하며 성장하고 있고, 아이스크림으로 대표되

는 교사용 교수 자료가 거의 모든 초등학교의 교실에서 사용되고 있으며, 한국


- 113 -

교육학술정보원에서 개발한 e학습터 등이 현장에 보급되어 활발하게 사용되고

있다. 정부는 전자교과서의 도입을 추진하고 있으며, 곧 코딩이 정규 과목으로

채택될 예정이다.

[그림 Ⅳ-2] e학습터 화면 (출처: 네이버)

e학습터에서는 모든 학생이 인터넷 강의와 문항 콘텐츠를 무료로 활용할 수

있다.

이러한 기반에 AI의 도입은 우리의 교실을 어떻게 변화 시킬 것인가? 중앙일

보에서 올해 10월 5일 발표한 자료에 따르면 국내에서는 이미 전문가의 79%가

AI를 비롯한 에듀테크의 도입이 시급하다는 의견을 나타냈고, 도입이 가장 시

급한 분야로는 빅데이터 기반의 개인별 맞춤 학습 플랫폼 구축과, 오픈 소스 콘

텐츠의 확대를 답했다.


- 114 -

[그림 Ⅳ-3] 에듀테크 설문 응답 자료 (출처: 중앙일보)

이미 진행된 다양한 기술의 도입과 향후 도입될 더 다양한 기술에 대해 하나

씩 살펴보기 보다, 필자는 AI의 도입이 해결해야 할 교실 내의 문제점들을 중심

으로 미래의 교실에 대해 제안해 보고자 한다.

1) 진정한 맞춤형 교육의 기반 조성

맞춤형 교육 (Adaptive learning)이라는 용어는 벌써 수십년간 현장에서 눈높

이 교육, 수준별 학습 등의 다양한 표현으로 주장되어 왔지만, 하나의 교실에서

수십 명의 수준이 다른 학생들을 가르쳐야 하는 교사들의 입장에서, 맞춤형 교

육을 실현하는 것은 거의 불가능에 가까웠다. 에듀테크와 AI의 도입은 이 불가

능에 가까운 미션을 보다 가능하게 도와줄 수 있다. 이 어려운 과제를 위해 활

용될 수 있는 관련 개념과 기술들은 다음과 같다.


- 115 -

가) 전자교과서

과거의 종이 교과서와 시험으로는 학습자의 데이터를 수집하는데 큰 제약이

존재했다. 하지만, 미래에 보급될 전자 교과서를 통해 수집된 데이터는 보다 세

밀한 학습자에 대한 정보를 교사 뿐 아리나 AI 분석 엔진에 제공하게 된다.

나) 빅데이터, 클라우드 컴퓨팅

빅데이터와 클라우드 컴퓨팅의 활용은, 물리적 서버의 확보라는 제약으로 부

터의 자유를 제공한다. 학교와 학생들은 서버실에 대한 구매, 구축, 관리 등에

대한 걱정 없이, 다양한 데이터의 처리와 저장을 진행할 수있다.

다) AI 엔진

학습 분석 엔진은 전자교과서 등을 통해 확보된 데이터를 분석하여, 개개 학

습자에 맞는 정보와 맞춤형 콘텐츠를 교사, 학부모, 학생에게 제공한다.

라) 플립드러닝 (Flipped learning)의 구현

학생들은 교실에 앉아 획일화된 강의를 듣는 것이 아니라, AI가 제공한 맞춤

형 콘텐츠를 집에서 미리 학습한다. 학습을 마친 학생들의 정보는 교실에 있는

교사에게 실시간으로 제공되고, 교사는 일방적인 강의가 아닌, 학생들의 약점을

고려한 수업을 미리 계획하여 시행할 수 있게 된다.

[그림 Ⅳ-4] Intelligent adaptive learning model (출처: Lemke (2014))


- 116 -

2) 시간, 공간을 초월해 교육격차 (Learning gap)의 해소

화상통신과 관련된 솔루션은 이미 2차원 영상에서는 원격 회의나 강의가 전

혀 문제되지 않는 수준으로 발전하였다. 관련하여, 사교육 기업들에서는 화상영

어회화 프로그램 등이 큰 인기를 얻고 있다. 중국의 대표 교육 기업인 VIP

KIDS는 중국 대륙의 교육격차를 극복하고, 중국에서 북미 원어민들의 강의를

실시간으로 들을 수있다는 사업 아이템으로 상장하여 3조원의 시장 가치를 인

정받고 있다.

[그림 Ⅳ-5] VIP KIDS 수업 화면 (출처: 구글)

가) 5G 기술

5G 통신망의 보급은 현재 보다 2,000배 빠른 속도의 인터넷 서비스를 공급하

게 된다. 이를 통해 음성 뿐 아니라, 화상, 더 나아가 3D 이미지의 전송도 그 속

도와 안정성 면에서 지금과는 차원이 다른 수준의 서비스를 제공할 것이다.

나) 홀로그램 등 영상 기술

3차원 영상의 처리 기술은 몰입의 부족이라는 기존 동영상 혹은 2차원 영상

기반의 소통과 강의가 가지고 있던 한계를 극복하도록 도울 것이다. 학습자들은

어디에 있던 홀로그램 기술 등을 활용해 교사가 마치 옆에 있는 것처럼 느끼며

수업을 받을 수 있다.

[그림 Ⅳ-6] 홀로그램 예시 (출처: 구글)


- 117 -

다) AI를 활용한 표정 인식 기술

원격이라는 제약에서 발생하던 학습자의 흥미 감소, 학습자에 대한 모니터링

의 비정교함 등의 문제는 AI를 활용한 표정 인식 기술의 발달로 해소될 전망이

다. AI와 화상기술이 결합하여, 학습자의 표정을 통해, 학습자의 몰입 정도 뿐

아니라, 흥미를 느끼는 정도, 어려움을 느끼는 정도까지 읽어낼 수 있는 시대가

도래할 전망이다. 이를 통해, 교수자는 학습자와 함께 있지 않아도, 학습자의 참

여를 진단할 수 있으며, 학습자의 개인 학습 시간에 대한 정보 또한 세밀하게

전달 받을 수 있게 될 것이다.

여러 기술의 발달을 통한 궁극적인 교육 개혁은 AI를 기반으로 한 학습 분석

플랫폼에서 완성되어 질 것이다. 디지털 디바이스와 사물인터넷 등의 발달은 끊

임 없이 데이터의 양을 증가 시킬 것이고 AI는 이 데이터들을 활용해 학습자에

대한 보다 정확한 진단과 처방을 제안하게 된다. 교사는 이를 통해 과거 의사들

이 MRI와 CT 등의 기술에서 얻을 수있었던 효익과 유사하게 보다 정확하고,

세밀한 학습자에 대한 정보를 확보, 활용할 수 있게 될 것이다.

다. 인공지능이 가져올 교육 수요와 시스템의 변화

인공지능이 우리사회에서 확산되는 과정에서 여러 가지 문제가 제기되고 있

다. 현재 직면한 문제는 바로 인공지능 기술인력이 매우 부족하다는 것, 특히

다양한 분야의 전문지식을 갖춘 인공지능 개발자는 더욱 부족하다는 것이다. 시

차를 두고 나타날 또 다른 문제는 인공지능이 인간의 일자리를 대체하면서 많

은 인력이 일자리를 찾지 못하는 사회가 도래할 수 있고 그럴 경우 그 사람들

을 위한 교육시스템이 필요할 것이라는 점이다.

인공지능은 우리 사회의 모든 영역에서 다양한 목적을 위해 사용되어가고 있

다. 고객의 선호를 예측해서 상품과 서비스를 추천하고 생산과정과 재고관리를

최적화하며 사거리에서 교통흐름을 실시간 인지해 교통신호주기를 최적화하여

대기시간을 최소화 하는 등 수많은 성공적인 인공지능 사례가 발표되고 있다.

중국의 텐센트 기술기업이 2017년 발표한 인공지능 백서(2017 Global AI Talent

White Paper)에 따르면 인공지능 개발인력에 대한 수요는 전 세계적으로 100만

명 수준이나 현재 활용인력은 30만명 수준으로 공급이 수요에 비해 턱없이 부

족한 상태이다(나영식·조재혁, 2018). 일본의 기업들이 인공지능 인력 확보를 위

해 우리나라의 주요 대학을 방문하는 등 국내외 주요 기업들은 인공지능 인력

확보에 노력하고 있으나 공급은 못 따라가고 있다.


- 118 -

특히, 인공지능 개발 교육이 전산학과 중심으로 진행되다 보니 경제사회 각

분야의 전문지식을 갖춘 인공지능 개발인력은 더욱 찾아보기 힘든 상황이다. 이

는 인공지능 관련 교육이 전산학부에만 머물러 있어서는 안 된다는 것을 의미

한다. 인공지능이 우리의 일상생활 모든 영역에 영향을 미칠 것이란 것도 함께

고려할 때 대학의 거의 모든 학과에서 인공지능 학습을 교과과정에 포함시켜

나가야 한다. 이미 2절에서 소개한 인공지능의 인지능력과 관련한 철학적 논쟁

에서 알 수 있는 것과 같이 철학과에서도 인공지능 관련 연구가 필요한 시점인

것이다.

인공지능에 대한 교육을 보다 효과적으로 추진하기 위해서는 기존 학문의 경

계를 허물어야 한다. 이제는 어느 한 기술로 제품이나 서비스를 창출하는 시대

는 가고, 여러 가지 지식과 기술을 융합해야 혁신적인 제품이나 서비스를 만들

어 내는 시대가 되었다. 의료기기 제작에도 인공지능이 필요하고, 자동차를 비

롯한 모든 이동수단에도 인공지능이 필요하며, 날씨 예측과 독서모임에도 인공

지능이 이용되는 시대가 되어가고 있다. 그동안 과학과 공학에서 분화의 시대가

지속되었다면 이제는 다시 통합의 시대가 열리고 있고 그 기반에는 인공지능과

5세대 인터넷이 자리 잡고 있다.

카이스트는 2019년부터 기초 융합학부를 새로 설립해 운영해 나가려고 한다.

기초융합학부는 학사과정에 설치되어 깊이 보다는 넓은 지식을 습득할 기회를

제공하고 기초 이론교육과 함께 제작 및 경영교육을 포함해 현실의 문제해결

능력을 배양하는데 초점을 맞춘 융합교육 프로그램이다. 기초융합학부는 또한

학생들에게 자신의 진로에 따라 맞춤형 학습이 가능하도록 학사과정의 유연성

을 최대한 보장하고 있다. 그렇다고 해서 기존 전공분야별 학사조직을 허무는

것은 아니다. 전문성을 빠르게 깊이 키워나가려는 학생들은 기존 분야별 학과를

선택할 것이고, 보다 문제 해결형 학습을 원하는 학생은 기초융합학부를 통해

자신만의 학습 분야를 찾아가면서 학습의 깊이를 심화시켜나가는 경로의 다양

성을 제공하려는 것이 기초융합학부의 취지이다.

기초융합학부를 선택한 학생들은 다른 학생보다 일찍 인공지능을 활용하는

교육을 경험할 것이고 그 과정에서 ‘인공지능은 과연 인간과 같이 생각과 이해

를 하는가?’라는 질문에 호기심이 가는 학생은 추후 철학과나 뇌과학과 대학원

에 가서 인간의 마음이 어떻게 형성되는가에 대해 연구를 할 수 있을 것이다.

물론 반대로 철학과나 뇌과학을 처음 공부하고 인공지능 학습을 통해 두 분야

를 융합시킬 수도 있다. 한 종류의 학생집단만 존재할 때 보다 다르거나 유사한

지식배경의 두 학생집단이 존재할 때 학문분야별 경계를 넘나드는 초지능


- 119 -

(Superminds)의 형성이 촉진될 것이고 궁극에는 국가 경제의 경쟁력 향상에 기

여할 것이다.

미래 인공지능이 확산되면서 직면할 또 다른 문제가 많은 사람이 일자리 없

이 살아가는 시대가 올 수 있다는 것이다. 이 경우 우리 사회는 경제적으로 함

께 살아가는 시스템의 구축도 필요하나 노동 없이 살아가는 인간의 자아실현

내지 자존감 성취 기회를 어떻게 제공할 것인가의 문제에 직면하게 된다. 이 문

제를 교육제도로 해소가 가능할지는 모르나 인간이 자신의 선호와 재능에 따라

자아실현 기회를 찾아갈 수 있도록 돕는 서비스는 여러 사회제도 중에서 교육

제도가 가장 적합하다고 생각된다.

4. 정책적 시사점

인공지능 기술이 발전하면서 교육산업과 제도에 대한 영향도 점차 확대되어

나갈 것이다. 가장 시급한 문제는 인공지능 개발인력의 공급을 확대하는 것이고

학과단위로 파편화된 대학의 인력양성체계를 융합교육이 가능한 형태로 학과별

경계를 낮추는 것이다. 중장기적으로 추진할 과제는 우리 교육산업에서 직면한

문제를 풀어가는데 인공지능을 효율적으로 활용하는 것이다. 앞서 소개한 것과

같이 인공지능은 학습의 도구로, 학습의 조력자로, 학습의 동료로, 학습의 관리

자로 역할을 수행할 수 있게 될 것이다. 그동안 축적된 학생의 학습 및 시험자

료를 이용해 학생의 개인별 특성을 이해하고 학습경로를 추천하는 인공지능을

개발하고 우리말 주관식 채점이 가능한 인공지능을 개발하는 등 교육 분야의

인공지능 개발 투자를 기획하고 지속해 나가야 한다.

인공지능을 교육혁신에 활용하기 위한 정책을 속도감 있고 일관성 있게 추진

하기 위해서는 정책수립자들의 기술에 대한 이해가 선행되어야 한다. 시장의 변

화에 따라 학교는 변화해 나가려하나 정책수립자들의 기술진보에 대한 이해가

기술발전의 속도를 따라가지 못할 때 그 국가는 정책지체에 빠지고 국제경쟁력

을 상실한다. 교육정책수립의 주체도 기술변화를 이해하는 공무원이 주도할 때

미래지향적 교육정책의 수립이 가능해진다. 기술을 아는 공무원의 외부 충원도

필요하나 기존 교육공무원을 대상으로 한 기술교육 또한 중요하다. 특히 기술진

보가 빠르고 그러한 기술진보를 주도하는 분야가 선명해지는 현재 주요 정책개

발 주체임에도 불구하고 일상의 행정에 빠져 기술변화를 간접적으로라도 경험

할 수 없었던 국과장급 공무원에 대한 기술 동향 및 주요 기술요소의 교육산업

에 대한 파급효과에 대한 교육이 필요하다.


- 120 -

Ⅴ. 결론

인간은 지적 존재이다. 지적 존재라는 말은 인간이 지능을 가진 존재로서 어

떤 주어진 상황 속에서 독립적으로 판단을 하고 의지에 따라 행동을 하고 그

결과에 대해 사회적, 경제적, 윤리적 책임을 지는 존재라는 것을 의미한다. 인공

지능은 이러한 인간의 지적 역량의 일부 또는 전체를 인공적으로 구현하기 위

해 만들어진 인공물(Artifact)이고, 지적 기능을 수행하다 보니 인공지능의 사회

경제적 및 윤리적 책임과 의무가 새로운 논의와 연구의 주제로 떠오르고 있다.

인간은 태어나 자라면서 학습을 통해 자연스럽게 지적역량을 발전시켜나간

다. 그 과정에서 사회 및 교육기관은 교육서비스를 제공해 왔다. 우리 사회에서

는 다양한 형태의 교육방식과 교육제도가 상호 밀접한 연관성을 갖고 있는 가

운데 경제 및 기술발전과 함께 성장 및 발전해 왔다. 또한 우리나라는 전통적으

로 교육을 중시해온 유교국가로서 사교육과 공교육이 상호 보완관계를 유지하

는 가운데 교육산업의 성장이 지속되어 왔다. 이 과정에서 우리의 교육산업은

우수한 인재양성을 통해서 우리나라 경제성장에 직접적으로 기여하였고 신기술

을 빠르게 교육산업에 활용함으로써 제3장의 에듀테크 발전사 부분과 Kwon &

Jang (2017)에 소개된 것과 같이 교육서비스의 생산과 소비에 있어서 혁신을 지

속하였다.

인공지능 기술이 발전하면서 이를 실제 교육서비스 제공에 성공적으로 활용

하는 사례가 국내외적으로 나타나기 시작하면서 과거 정보통신기술이 교육혁신

에 기여한 것 보다 훨씬 더 파괴적인 혁신이 교육산업에서 발생할 것으로 전망

되고 있다. 인공지능은 학습자의 새로운 학습도구로 이용될 수도 있고, 학습자

가 원하는 바를 즉시 찾거나 지원해 주는 조력자가 될 수도 있고, 학습자의 친

구나 동료로서 서로 대화하고 질문을 주고받을 수도 있으며, 학습자의 학습상황

을 관찰하고 분석해서 가장 적합한 학습경로를 제시하는 학습관리자로서 역할

을 할 수도 있다. 학습관리자의 역할은 그동안 교육자가 수행해온 역할이었다.

그러나 제한적이지만 이미 인공지능이 많은 데이터를 이용해 학습자의 장단점

을 정확히 분석한 후 학습자의 성향에 따라 최적화된 학습경로를 제공하기 시

작했다. 결국 교육에 인공지능 기술을 활용하는 영역이 확산되면서 교육산업의

구조적 변화도 점차 선명하게 우리에게 다가올 것이다.


- 121 -

그러면 교육산업에 곧 밀어닥칠 변화에 대응해 우리는 무엇을 해야 하는가?

아직까지 그 변화가 시작단계이기 때문에 닥쳐올 변화의 속도와 폭과 깊이에

대해 예측하기 힘든 상황이다. 따라서 학생과 학부형과 우리 사회와 정부가 대

응해야할 방안을 포괄적으로 상세히 열거하기는 어려운 여건이기 때문에 몇 가

지를 중요한 것부터 정리한다면 다음과 같다.

첫째, 인공지능을 활용한 맞춤형 학습서비스는 공교육보다는 사교육분야에서

우선 도입되고 있고 앞으로도 그러할 것이다. 이는 인공지능을 교육서비스에 활

용하기 위해서는 교육영역별로 특화된 인공지능을 개발해야 하나 인공지능 개

발인력이 아직 희소하기 때문에 수익성이 높은 분야부터 높은 연봉을 주고 전

문 인력을 유치할 수 있는 민간 기업에 의해 개발 및 제공되기 시작할 것이기

때문이다. 만약 민간 기업이 대입 인공지능을 성공적으로 개발해 비싼 가격에

제공하기 시작한다면 우리나라와 같은 경쟁적인 교육환경에서 그 파괴력은 상

상하기 어려울 정도로 클 수 있다. 교육기회의 불균형, 특히 소득수준에 따른

불균형은 큰 사회문제로 대두될 것이다. 결국 공공부문에서 보다 선제적으로 누

구나 교육에 사용할 수 있는 교육용 인공지능 개발에 대한 투자를 이끌어 가야

한다. 물론 공공부문에서 추진하는 연구개발 활동이 민간기업의 이윤동기에 기

반을 둔 연구개발 속도를 따라 가기는 어렵다. 그렇다면 공공부분이 민간기업의

연구개발투자에 공동투자자로 참여해서 지원하면서 그 결과를 보다 많은 수요

자가 저렴하게 이용할 수 있도록 하는 등 협력하는 것도 대안이 될 수 있다고

생각한다.

둘째, 교육 컨텐츠의 전달이나 학습이 과거와 같이 교과서 형태가 아니고 시청

각자료화 되고 게임과 놀이 기능이 부가되고 있기 때문에 다양한 기술과 배경의

인력이 교육산업에 영입되어야 한다. 동시에 교육전문가가 필요한 기술을 배워

직접 교육 콘텐츠와 인공지능의 개발에 참여할 수 있도록 다양한 기술교육 기회

를 교육전문가들에게 제공해야 한다.

셋째, 학교에 교육 디지털 플랫폼을 개발해 제공하고 학생들의 학습데이터가

축적되면 익명화 처리를 해서 학생들의 동태적인 학습행태와 학습결과에 대한

데이터를 축적해 민간에 제공함으로써 창업가들이 공개된 데이터를 이용해 다

양한 목적의 교육용 인공지능을 개발할 수 있도록 여건을 조성해야 한다. 물론

이미 앞서 가는 민간 기업들이 있으나 데이터를 축적한 기업은 결코 데이터를

공개하지 않을 것이므로 경쟁을 활성화 시켜 민간기업의 우수한 인공지능 서비

스 가격을 낮추기 위해서라도 공공부문의 데이터 제공 정책은 긴요하다.


- 122 -

참고문헌

[1] 조영임, 인공지능시스템, 홍릉과학출판사, 2012.9

[2] ECOsight 3.0: 미래사회 전망, 한국전자통신연구소, 2015.6

[3] Neural Networks, Manifolds, and Topology, 2014.6

http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/

[4] Li Deng, Dong Yum, “Deep Learning methods and applications”, Foundations

and trends in signal processing, vol.7, issues 3-4, pp.197-387, ISSN:1932-8346,

2013

[5] 과학기술정보통신부, I-Korea 4.0 실현을 위한 인공지능 (AI) R&D 전략, 2018.5

[6] IoT 융합 신산업 발전방향 및 정책대응방향, IT & Future Strategy, 한국정보

화진흥원, 2015.9

[7] 4차산업혁명과 지역혁신을 위한 정책과제 100선, 한국정보화진흥원 2018.07.25

[8] 빅데이터와 AI, IT & Future Strategy, 한국정보화진흥원, 2012.7

[9] 미국의 인공지능(AI) 기술 R&D 추진동향, 정보통신기술진흥센터, 2015

[10] 2017 인터넷정보보호 10대이슈, 한국인터넷진흥원, 2017.12

[11] ICT 트랜드, 한국정보화진흥원, 2018

[12] ISO/IEC/JTC1/SC42 인공지능 국제표준화 현황 자료

[13] Social LG전자, “LG전자 제품으로 살펴보는 인공지능”, LG전자 공식블로

그, 2018. 03

[14] 삼성전자, “인포그래픽 : 빅스비, 개방형 AI플랫폼으로 탈바꿈”, 삼성전자 뉴스룸,

2018. 11

[15] Vuno, “VUNO Med®-BoneAge is the first in Korea to receive MFDS

approval”, News & Events, 2018. 05

[16] 김호인, “스마트팩토리, 인공지능으로 날개를 달다”, 포스코경영연구원,

2017. 05

[17] 고광본, “스마트팩토리 핵심 ‘AI비전검사’”, 서울경제, 2018. 06

[18] “Artificial Intelligence Market by Offering, Technology, End-User Industry,

and Geography–Global Forecast 2025, MartketsAndMarkets, 2018. 02

[19] 임영익, “AI와 법률시장의 미래”, 국회 심포지엄, 2018.06

[20] Peter Densen, “Challenges and Opportunities Faciang Medical Education”,

American Clinical and Climatological Association, vol.122, pp.48-58, PMCID:

PMC3116346, 2011.


- 123 -

[21] 김덕한, <공유 경제'의 역풍… 우버기사도 택시기사도 눈물>, ≪조선일보≫,

2018.05.18, https://bit.ly/2FxKM3b

[22] 우버, 네이버 지식백과, 2018.11.19, https://bit.ly/2Dzjvee

[23] 에어비앤비, 네이버 지식백과, 2018.11.19, https://bit.ly/2FyXA9L

[24] 박해리, <방문 학습지가 만든 교육 빅데이터 '노다지' 한국>, ≪중앙일보≫,

2018.11.14, https://bit.ly/2KlPnnT

[25] James Marshall Crotty, “South Korean Tutor Makes $4 Million A Year.

Can you?”, Forbes, 2013.08.11, https://bit.ly/2ORrAwJ

[26] Simon Mundy, “South Korea’s millionaire tutors”, Financial Times,

2014.06.16, https://on.ft.com/2TuvK19

[27] 산타토익 홈페이지, 2018.11.20, https://bit.ly/2DzkyLc

[28] 성시윤 외, <“에듀테크, 한국선 사교육 취급 … 공교육은 정부 일괄 보급품

만 써”>, <<중앙일보>>, 2018.10.05, https://bit.ly/2OUcqqs

[29] 나영식·조재혁. 인공지능(SW). KISTEP 기술동향리포트 2018-16호.

[30] Breyer, F.J., Attali, Y., Williamson, D.M., Ridolfi-McCulla, L., Ramineni,

C., Duchnowski, M., & Harris, A. (2014). A Study of the Use of the

e-rater Scoring Engine for the Analytical Writing Measure of the GRE

revised General Test. ETS Research Report, RR-14-24.

[31] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning.

Cambridge, MA: The MIT Press.

[32] Kwon, Y., & Jang, S. (2017). Building and sustaining national educational

technology agencies: Lessons from Korea (KERIS). In M. Trucano & G.

Dykes (Eds.), Building and Sustaining National Educational Technology

Agencies: Lessons, Models and Case Studies from Around the World (pp. 33–

47). Washington, DC: The World Bank.

[33] Malone, T.W. (Summer 2018). How Human-Computer 'Superminds' are

Redefining the Future of Work. MIT Sloan Management Review.

[34] Russell, S.J., & Norvig P. (2010). Artificial Intelligence: A Modern Approach

(3rd Edition), Upper Saddle River, NJ: Pearson.

연구자료 RM 2018-16


발 행 일 2018년 12월 17일

발 행 인 한 석 수

발 행 처(w w w .ke ris .o r.k r)

주 소 41061 대구광역시 동구 동내로 64

전화 : (053)714-0114팩스 : (053)714-0198

등 록 제22-1584호(1999년 7월 3일)

인 쇄 처 학교인쇄 (053)254-3255I S B N 978-89-5984-860-7 (93370)

본 내용의 무단 복제를 금함. <비매품>

이저작물은 “공공누리” 출처표시조건에따라이용할 수 있습니다.

▪교육정보종합서비스 에듀넷 : www.edunet.net▪학술정보종합서비스 리 스 : www.riss.kr▪교육행정정보서비스 나이스 : www.neis.go.kr▪대학공개강의서비스 KO CW : www.kocw.net▪사이버대학 종합정보시스템 : www.CUinfo.net

Documents

xn--s39awrqin57eq9u52a.kr학교공간혁신.kr/research/data_download.php?file... · 2019-12-16 · - v - ² ¦é[& 56ê ë#ì è ² )í¢Û# 7Ñ&: îï ðñ ² +§ò ¢£OÌ ó ò