기계학습이란 무엇인가?(1)

가장 인간 본연의 욕구를 중심으로 기계학습의 정체에 대해 접근해보자.

우리는 눈에보이는 것들을 생존과 번영을위해 분류하고 현상들 간의 관계를 파악하는 것들을 많이 해왔다.

예를 들면, 신선한 사과와 썩은 사과를 보는 것으로 구분하고 그것을 먹을 수 있는지 아닌지 구분할 수 있다. 적절하게 구분할 수 있는 능력이 없는 학습 수준에 있는 인간은 과거에 생존에 불리하고 도태되었을 것이다.

사과의 이미지를 통해 식용가능한 사과인지 불가능한 썩은 사과인지 구분이 가능하다

그리고 나이에 따른 평균적인 신체 크기를 고려할 수 있다. 5살이면 100cm가 안되고, 10살쯤에는 130cm, 15살쯤에는 170cm쯤 되는 신장을 가질것으로 보통 기대할 수 있다. 그리고 키와 나이의 관계를 통해서 나이를 가늠해볼 수도 있다.

이런 단순한 것 외에도 우리는 다양한 사실들을 끊임없이 경험하면서 미래에 일어날 일을 예측 가능하도록 지식을 쌓는다.

하지만, 이런 활동을 우리가 직접 하기에는 점점 어려워지고 있다.

 

왜냐하면 구분의 대상, 지식을 쌓기 위해 필요한 관찰대상이 점점 더 큰 이익을 위해 추상적으로 변해가고 있기 때문이다.

예를들면, 패션 쇼핑몰에서 어떤 사용자가 어떤 '취향'을 갖는지 '구분'하는 것은 추상적인 관찰대상인 취향에 집중해야하는 어려운 문제지만 그 쇼핑몰 운영자 입장에서 아주 중요한 문제가 될 것이다. 사용자의 반복적인 소비 패턴을 확인하면 그에 맞는 물건을 추천해서 더 만족스러운 구매를 유도할 수 있을 것이고, 매출 증대에 도움이 될 것이기 때문이다. 하지만 전통적으로 오프라인 쇼핑몰 같은 현장에서는 인간의 감에 의존해서 그런 학습이 일어났다. 어떤 이유로든 그런 추상적인 학습에 대한 어려움이 있는 쇼핑몰 사업자는 매출이 증대되는 방향을 선택하지 못하고 구매자들을 다른 현명한 사업자에게 뺏겨서 실패했을 가능성이 높다고 볼 수 있을 것이다.

 

그리고 그런 추상적인 분별력을 갖기위해 필요한 관찰대상(변수)의 숫자와 그 대상의 변화 가능성 또한 너무나 크게 증가하고 있다.

패션 쇼핑몰의 예로 돌아가보자. 취향이라는 것을 정의하는 것은 애매모호하다고 여길 수 있다. 그리고 그런 모호한 것을 구분하기 위해 필요한 관찰대상이 무엇인지가 아주 다양할 수 있다. 노인의 취향과 20대의 취향, 노인의 여성과 남성의 취향 차이를 고려하면 나이, 성별에 따라 선택하는 패션스타일이 다를 수 있을 것이다. 추가적으로 평소에 사는 패션 용품이 악세사리에 치중되어 있다면 패션 스타일을 선택할 때 그런 요소를 많이 고려하는 취향임을 알 수 있고, 반면에 평소에 사는 패션 용품에 향수 같은 물건이 많다면 그런 취향을 가짐을 알 수 있다. 따라서 개개인의 소비패턴이라는 복잡한 관찰대상이 취향을 파악하는데 중요한 결정 요소가 된다.

나이와 성별로 구분되는 패션 취향이 존재한다고 여길 수 있는 패션 차이를 드러내는 이미지

 

쇼핑몰의 사용자가 매우 적어서 이런 작업을 본능적으로 해내는데 문제가 없을 수 있다. 하지만 사용자의 수가 늘어나면 늘어날 수록 많은 사람들의 요구를 디테일하게 맞춰주기에는 에너지가 너무 많이 들 것이다. 즉, 개개인의 특성의 변화가 매우 증가하여 패턴을 기억하고 요구에 대응하기 어려워진다. 이런 인간 학습능력의 한계를 넘어서 고난이도 학습을 해내는 기계가 있는지 탐구하는 것이 머신러닝이라고 볼 수 있겠다.