[황승진의 AI칼럼] 100년간 신봉해 온 통계적 품질관리 AI로 재고해야
AI가 사람보다 더 빠르고 비슷한 성능으로 유방암을 판독하는 것으로 나타났다. AI 이전에는 유방암의 최선 예방은 연간 또는 2년 간격으로 촬영을 통한 조기 발견이었다. 촬영 영상은 일반적으로 전문 방사선과 의사가 판독한다. 하지만 최근에는 AI가 판독을 더 잘할 수 있는 것으로 알려졌다. 돌이켜보면 이는 당연한 일이다. 사람의 눈은 영상에서 선과 형체를 읽을 수 있는 반면, 기계는 이런 선과 형체의 구성요소인 픽셀을 읽을 수 있다. 기계에게 많은 이미지를 주어 픽셀 단위로 특성과 패턴을 볼 수 있도록 훈련시키면 전문가보다 섬세한 점을 더 잘 볼 수 있다. 기계가 더 잘할 수 있는 것이 또 있다. 기계는 암의 발생을 '예측'할 수도 있다. 코넬대 연구팀은 총 7353명의 환자로부터 암 진단 결과가 나온 1413건을 포함해 총 1만9328건의 유방촬영 데이터 세트(과거 및 최신)를 수집했다. 그리고 연구원들은 새로운 유방암 환자의 경우, 1년 이상 전에 찍은 옛 유방촬영 사진을 살펴보았다. 당연히 당시에 찍은 유방촬영 사진은 깨끗했다. 즉 방사선과 의사의 눈에 암의 징후가 보이지 않았다. 하지만 학습된 AI의 눈은 달랐다. 이 새로운 유방암 환자와 비환자의 옛 촬영 사진을 구분해 기계에게 보여주면서, 기계는 암 발생을 예언하는 패턴을 학습시킬 수 있었다. 사실, 암 환자의 이전 유방촬영 사진은 비환자의 사진과 달랐다. 지도 학습을 통해 기계는 어제의 유방 영상 (현재 관찰 가능)과 내일의 암 (현재 관찰 불가능) 간의 관계를 파악할 수 있었다. AI 기계만이 이러한 차이점을 인식할 수 있었다. 예측되는 환자에게는 초기 조치를 취해 암의 진척을 막을 수 있다. 비슷한 예가 있다. 수 년 전 항조우에 있는 차이나텔레콤 지부를 방문한 적이 있다. 한 오피스에 30여명의 직원이 각자 부지런히 전화를 하고 있었다. 안내자의 말에 따르면, 그들은 유선전화 서비스를 곧 그만둘 듯한 고객에게 전화를 해, 가격 할인이나 인터넷, 와이파이와 이동전화를 섞은 패키지를 제안하는 것이었다. 기존 고객을 계속 잡아놓기 위함이었다. 그러면 어떻게 어느 고객이 그만 둘 지를 아느냐고 묻자, 그는 답했다. “유선전화 사용량이 급감할 때죠.” 이 경우 사전 징후가 단순해 구태여 AI의 힘을 빌릴 필요가 없지만, 다른 '고객 이탈'의 경우는 좀 더 복잡해 징후 찾기에 AI의 힘이 필요할 것이다. 예를 들어, 슈퍼마켓이 새로운 손님을 경쟁사에게서 빼앗는 가장 좋은 때는 그들의 결혼, 임신, 출산, 새 직장 같은 인생의 변곡점에서다. 이 말은, 다른 슈퍼마켓으로는 이때가 공격적으로 단골손님을 방어해야 할 때라는 것이다. 그 슈퍼마켓은 구매 데이터에서 그 패턴을 찾을 수 있다. 비타민, 애기 기저귀, 안 사던 브랜드의 맥주, 식품 종류나 양의 변화 등이다. 이때, 고객 이탈의 적신호를 얻는데 AI의 힘을 빌릴 수 있다. 이상의 사례를 일반화할 수 있다. 이렇게, 장기간에 걸쳐 동일한 변수를 반복적으로 관찰하는 연구 방법을 '종단적' 연구라 부른다. 종단적 접근법은 많은 다른 '실패' 사례에 적용할 수 있다. 예를 들어, 장비 고장이 발생하면 고장 직전의 장비와 주변 환경의 과거 데이터를 수집한다. 이를 정상적인 경우의 데이터와 함께 AI에게 보여 준다. 많은 데이터를 통해 AI는 예측 능력을 개발할 수 있다. 따라서 IT 네트워크 장애, 풍력 터빈 고장, 엘리베이터 고장 같은 경우에도 실패 전에 패턴이 존재할 수 있다. 이러한 패턴은 인간의 눈과 뇌로는 인식하거나 해석할 수 없다. 따라서 종단적 데이터를 제공하고 실제 실패 전에 패턴을 감지하도록 AI를 훈련시킨다. 어느 빌딩에 두 명의 엘리베이터 수선공이 나타난다. 빌딩 관리원이 그들에게 묻는다. “어떻게 왔습니까?” 그들은 답한다. “이 빌딩의 엘리베이터를 고치러 왔습니다.” “아니, 우리 엘리베이터는 고장이 안 났는데.” 그들은 답한다. “곧 고장 날 것입니다.” 마치 미래에서 온 아놀드 슈와츠네거 같을 것이다. 종단적 접근법이 효과적이라면, 우리가 100년 동안 신봉했던 통계적 품질관리 방식 (SQC)을 재고할 시간이 왔다. 쉬하트에 의해 개발된 SQC의 핵심은 콘트롤 차트다. 여기서는 평균을 중심으로 하여, 위 아래로 3*시그마만큼의 마진을 두고 박스권을 만든 후 그 밖에 나가는 경우 '불량'이란 라벨을 씌운다. 여기서 시그마는 표준편차를 뜻한다. 그런 '박스권 이탈 사건'이 아무 이유 없이 순전히 확률적으로 일어날 확률은 0.3 퍼센트에 지나지 않으니 무언가 불량요인이 생겼다는 결론이다. 이 SQC의 주요 목적은 문제의 '탐지'에 있다. 허나, 최근 AI는 이러한 프로세스의 데이터를 이용해 탐지뿐 아니라 '예측'으로 활용할 수 있다. IoT 센서에서 계속 수집되는 종단적 데이터는 입력과 출력의 관계를 AI로 하여금 배우게 한다. 결국, 출력이 아니라 '입력'에서 불량을 예측할 수준에 이르게 한다. 불량이 일어나기 전에, 제조 프로세스를 통제할 수 있다. 또한 설령 불량이 생기면 앞뒤 상황을 분석하고, 실시간으로 원인을 규명하고, 수정할 수 있는 조치를 제안한다. 이를 실현하기 위해서는 도메인 엔지니어, 프로세스 엔지니어, 장비관리사, 데이터 엔지니어 등의 전문 지식이 필요하다. 샌프란시스코에 위치한 스타트업 Facilis.ai는 AI멀티에이전트를 이용해 이런 기능을 자동화한다. SQC(통계적QC)에서 시작해, TQC(토탈QC)로, 그리고 100년 후 오늘 AIQC의 시대가 온 듯하다.
