고객 관련 변수, 기업이 실시간으로 알아챌 수 있다면?

위 세 상황의 공통점은 곤란한 순간, ‘흑기사’처럼 등장한 스마트폰 메시지다. 각각의 메시지에 은행과 부동산 개발 회사, 파티 업체의 명칭과 로고까지 선명히 박힌다면 광고 효과 측면에서 ‘이보다 더 좋을’ 수 없을 것이다. 그런데 여기서 생기는 궁금증 하나. 메시지를 발신한 기업은 그 순간 자사 고객이 처한 상황을 무슨 수로 알게 됐을까? 정답은 일명 ‘액셔너블 애널리틱스(actionable analytics)’. 최근 선진국 기업 경영진 사이에서 가장 뜨거운 화두 중 하나인 알고리즘 명칭이다. 해석하면 ‘실용 가치를 찾아주는 분석’ 정도가 될까?

영단어 ‘actionable’의 사전적 정의는 ‘(어떤 일에 대해) 행동을 취할 능력이 있는, 혹은 실용적 가치가 있는’이다. 자주 짝을 이루는 단어는 ‘인사이트(insight)’. 역시 사전에서 찾아보면 ‘(어떤 일에 대한) 정확하고도 깊은 이해’라고 나와있다. 예컨대 누군가 “액셔너블 인사이트가 광고에 효과적으로 쓰이면 브랜드 가치는 올라간다”고 말한다면 그 의미는 “고객의 상황을 잘 이해해 실제로 요긴하게 쓰일 수 있는 상황에서 광고가 적용되면 브랜드 가치를 높일 수 있다”가 된다.

기업 입장에서 고객 명의의 스마트폰은 그야말로 정보의 보고(寶庫)다. 고객이 지금 어디에 있는지, 어떤 행동을 하고 있으며 뭘 원하는지 등을 실시간으로 파악할 수 있다. 그뿐 아니다. 스마트폰엔 △주요 거래처 △가입 이동통신사 △신용카드 사용 내역은 물론, △신체 조건 △건강 상태 같은 사용자 신상 정보도 전부 담겨있다. 액셔너블 애널리틱스는 이 같은 스마트 기기 내 정보를 (사용자 동의 하에) 열람할 수 있다, 는 전제에서 출발하는 개념이다. 다시 말해 ‘기업이 자사 고객 정보(와 행동)에 영향을 끼칠 수 있는 변수 등의 정보를 빠르게 분석, 개별 고객에게 딱 맞는 광고나 서비스를 제공하는 알고리즘’을 일컫는다.

사실 액셔너블 애널리틱스의 효용과 가치는 지난 회차 스페셜 리포트 ‘온라인 광고, 변화상을 읽으면 지향점이 보인다’의 메시지와도 일정 부분 맞닿아있다. 요즘 소비자는 더 이상 기업이 제공하는 광고 콘텐츠를 가만히 앉아서 수용하지 않는다. 변화무쌍한데다가 선택 가능성마저 무한한 뉴미디어의 속성상 조금이라도 마음에 안 들면 얼마든지 다른 콘텐츠를 찾아 떠나버릴 수 있기 때문이다.

소비자는 미풍에도 이리저리 나부끼는 마른 잎새 같은, 또 끊임없이 모습을 바꾸며 왔다 가버리는 바닷물결 같은 존재다. 도무지 한 지점에 붙들려 있지 않으려는 그 마음, 무슨 수로 사로잡을 수 있을까? 지난 회차 스페셜 리포트에서 살펴본 내용에 따르면 대안은 네이티브(native) 광고와 스토리텔링(storytelling) 광고 등 크게 두 가지다[1]. 하지만 오늘날 효과 측면에서 더 인정 받는 형태는 단연 후자다. ‘이야기로 포장된 광고’에 대한 반감 없이 단시간에 긍정적 브랜드 이미지를 각인시킬 수 있기 때문이다. 그리고 액셔너블 애널리틱스는 그 단계에서 썩 괜찮은 솔루션으로 제안되는 대표적 기술이다.

여러 데이터 폭넓게 결합시켜 ‘실용성’ 더한 분석 기법

액셔너블 애널리틱스에 활용되는 기술은 빅데이터다. 당초 ‘그저 엄청 많은(big) 정보(data)’쯤으로 인식돼온 빅데이터가 ‘활용 가능성이 무궁무진한 첨단 컴퓨터 기반 기술’로 재조명되기 시작한 건 2008년 무렵[2]. 이후 약 10년간 무수한 빅데이터 기반 알고리즘이 개발돼왔다. 인터넷 포털 서비스 검색 창에서 검색 서비스를 이용할 때 흔히 경험할 수 있는 검색어 자동 완성 기능이 대표적 예. 온라인 쇼핑 애플리케이션(이하 ‘앱’)에서 뭔가를 구매하면 그 다음부터 계속 따라 다니는 유사 제품 광고, 대부분의 SNS가 보유한 ‘친구 추천’ 서비스 등도 이 같은 알고리즘이 적용된 결과물이다.

빅데이터 기반 알고리즘의 핵심은 ‘맥락적 연관성(contextual connectivity)’에 있다. 아무리 많은 데이터도 그 자체로선 아무런 기능이 없다. 굳이 비유하자면 ‘꿰어지지 않은 구슬 서 말’과 같다. 당신이 웨어러블 기기에 탑재된 신체 상태 모니터링 앱을 연 후 조깅을 시작했다고 가정해보자. 그와 동시에 혈압·체온·맥박 등 당신의 데이터가 웨어러블 기기를 거쳐 클라우드에 저장된다. 하지만 그 정보만으론 할 수 있는 게 없다. 동일 클라우드에 저장돼있던 데이터가 여기에 결합되고 당신의 나이·성별·병력·가족력과 최근 신체(활동) 상태까지 연관되면 그제서야 데이터는 ‘의미’라는 외피를 두르게 된다. 이때 의미란 이를테면 이렇게 정리되는 문장이다. ‘당신은 최근 운동할 시간이 없을 정도로 격무에 시달린 나머지, 줄어든 근육량을 보충하기 위해 사흘 전부터 조깅을 시작했다.’

데이터가 좀 더 폭넓게 결합되면 그때부턴 실용성이 부여된다. 조깅 장소의 대기 질 상태, 즉 기온·습도·오염도 같은 맥락이 더해지면 운동 상태의 쾌적함 여부를 판단할 수 있게 되는 것이다. (여기까진 최신 헬스 모니터링 앱에 실제로 탑재된 기능이다.)

액셔너블 애널리틱스 적용 앱이라면 여기서 한 걸음 더 나아간다. 당신이 조깅을 시작한 후부터 일어나는 신체적 변화가 앞서 말한 데이터들에 실시간으로 통합, 분석되기 때문이다. ‘호흡이 갑자기 빨라지고 맥박이 불규칙해지기 시작하며 그 진행 속도마저 심상치 않은’ 상황이 발생했다고 치자. 당신이 착용한 웨어러블 기기는 시끄러운 경고음, 또는 요란한 진동 자극으로 당신에게 “지금 당장, 최소 5분간 휴식을 취하고 심호흡을 시작하라”는 메시지를 보낼 것이다. 그 지시에 따라 심호흡을 몇 차례 하면 신체 상태가 평정을 되찾는다. 이번엔 “이제 보통 속도로 걷기 시작하라”는 메시지가 뜬다. 그 과정을 통해 당신은 어쩌면 발생했을지 모를 심장 발작을 피했을 수 있다. 사용자를 심도 있게, 제대로 이해한 후 신속하게 올바른 결정을 내려준 앱 덕분이다.

헬스케어 서비스, 기업 내 의사결정 등 적용 분야 다양

액셔너블 애널리틱스는 광고 분야에서 그 효과가 가장 두드러지게 나타나고 있다. 하지만 꼭 광고에만 적용되는 개념은 아니다. 위 사례에서처럼 헬스케어 분야에서도 탁월한 효과를 발휘할 수 있다. 실제로 타라 그래보스키(Tara Grabowsky) HVH[3] 최고의료경영인(Chief Medical Officer, CMO)은 사전 징후를 포착하기 어려운 병, 이를테면 △근위축성 축색경화증(일명 ‘루게릭병’) △다발성 경화증 △비알콜성 지방간질환 등에 대해 “일반적 병례(病例)와 개인의 병력, 신체 상태 등을 종합적으로 고려해 진찰과 동시에 실행에 옮길 수 있는 진단을 내린다”며 “임상 경험 결과, 바로 이 단계에서 액셔너블 애널리틱스가 유용하게 쓰일 수 있단 사실이 밝혀졌다”고 말했다.

액셔너블 애널리틱스의 적용 가능성은 이 밖에도 무궁무진하다. 기업을 예로 들어보자. 회사에선 ‘여러 옵션 중 하나를 선택해야 하는’ 상황이 끊임없이 벌어진다. 어떤 제품을 생산할 건지, 그 제품 제조에 필요한 원자재를 ‘언제 어디서 얼마나’ 구입할 건지, 관련 업무를 누구에게 맡길 건지 등등 회사 일은 하나부터 열까지 모두 선택의 연속이다. 그리고 이런 결정은 종종 ‘지체 없이, 즉각’ 내려져야 한다. 자연히 결정권을 지닌 책임자는 자신이 내리는 결정이 매번 옳은지 여부를 놓고 엄청난 심리적 압박을 느낄 수밖에 없다. 액셔너블 애널리틱스는 바로 그럴 때 모든 정보를 조합, 책임자가 최선의 결정을 내릴 수 있도록 정보를 제공한다.

온라인 마케팅 정보 분석 웹사이트 마케츠앤드마케츠에 따르면 글로벌 데이터 분석 시장 규모는 2016년 현재 47억6000만 달러(약 5조4000억 원) 수준이다. 이 수치는 2021년이면 234억9000만 달러(약 26조5200억 원)에 이를 전망이다. 연평균 성장률[4]로 계산하면 매해 37.6%씩 성장하는 시장인 셈이다. 실로 거대한 ‘퍼플 오션’이며, 이 대양(ocean)을 선점하기 위한 물밑 경쟁은 이미 시작됐다. 그리고 그 한복판엔 액셔너블 애널리틱스가 자리 잡고 있다.

ICT 생태계서 벌어지는 ‘공진화’, 그 최전선에 우뚝 서다

위 발언은 환경과 생명 분야에서 탁월한 저술로 잘 알려진 마이클 폴란(Michael Pollan) 미국 캘리포니아대학교 버클리분교(UC Berkeley) 대학원 교수(저널리즘 전공)가 남긴 명언이다. 그런데 이 얘기, 과연 야생에만 해당할까. 그의 진단은 정보통신기술(ICT)을 기반으로 하는 현대 사회 생태계에도 정확히 적용된다. 인터넷이 실용화되면서 데이터 양은 엄청난 속도로 늘었다. 그와 동시에 데이터 저장·처리 기술이 등장했고, 기술 개발에 따른 환경 변화는 소비자 행태를 변화시켰다. 문제가 생기면 그걸 극복하기 위한 기술이 나오고, 그 기술은 다시 생산자의 행동 방식을 바꾸는 식(式)이다. 폴란 교수가 언급한 공진화 과정과 똑 닮았다. 어쩌면 액셔너블 애널리틱스는, 저항과 정복이 쉼 없이 맞서는 ‘데이터 프로세싱’ 장르의 최전선에 위치한 춤사위인지도 모르겠다.

[1] 두 광고의 정의와 특성 비교는 해당 콘텐츠(바로 가기는 여기 클릭)를 참조할 것
[2] 길 프레스(Gil Press)의 포브스(Forbes) 기고문 “빅데이터의 아주 짧은 역사(A Very Short History of Big Data)”에서 발췌(2013. 5. 9<현지 시각>)
[3] 미국 필라델피아에 본사를 둔 의료 서비스 예측·분석 전문 기업
[4] Compound Annual Growth Rate(CAGR). ‘연평균복합성장률’이라고도 하며, 특정 대상이 매년 일정한 성장률을 지속한다고 가정했을 때 환산한 평균 성장률을 일컫는다

알파고와 함께 다가온 인공지능은 산업계는 물론, 사회의 근간까지 뒤흔들고 있다. 인간의 지적 능력을 모방하는 인공지능 기술은 1956년 태동된 이래 불과 60여 년 만에 시대극에서나 가능한 등락을 보였다. 태동기엔 너무 쉽게 여겨졌고 시간이 좀 흐른 후엔 끝없는 다양성과 예외성을 보이며 인류를 좌절시켰다. 다행인 건 크고 작은 문제에 봉착할 때마다 다양한 대안이 고안됐단 사실이다. 수 차례 부침을 겪으며 기대와 실망 사이를 오간 결과, 시나브로 도달하고 있는 인공지능 시대의 생존 전략은 뭘까?

IT 기업이 인공비서 시장에 뛰어드는 이유

최근 인공지능의 대표적 응용 분야로 급부상하고 있는 것 중 하나가 ‘인공비서’다. 말 그대로 개인 비서 역할을 하는 인공지능 시스템을 의미한다. 애플과 구글, 마이크로소프트는 물론이고 온라인 쇼핑으로 유명한 아마존 등이 저마다 인공비서를 개발해 상용화에 나서고 있다. 올 초 구글 연례 개발자 회의 ‘구글 I/O 2018’에서 발표된 ‘듀플렉스(Duplex)’는 주인을 대신해 식당이나 미용실을 예약하는, 놀라운 시연을 보이기도 했다. 국내에서도 SK와 KT를 필두로 삼성까지 이 시장에 나서고 있지만 아직은 완벽하지 않은 음성 인식으로 메뉴 선택 방식을 대체하는 수준에 그치고 있는 듯하다.

IT 기업이 굳이 인공비서를 개발하는 이유는 뭘까? 기업은 일반적으로 소비자가 요구하는 제품을 개발, 가급적 완벽한 상태로 시장에 내고자 한다. 그런데 인공비서는 애플 아이폰처럼 고객이 요구한 것이라기보다 고객이 필요로 할 새 제품을 내놓은 것이다. 아직 미완성 형태지만 △일단 출시해 고객을 끌어 모은 후 △그 과정에서 수집된 데이터로 음성 인식 등 제품 자체 성능을 향상시키고 △데이터 분석을 통해 사용자 성향과 선호를 파악, 다른 서비스 추천과 같은 신규 비즈니스를 창출한다. 이때 API(Application Programming Interface)를 공개해 개발자들도 함께 끌어 모아 일종의 생태계를 형성함으로써 훨씬 큰 시장을 만들어 새로운 가치를 창출하는 방식으로 발전하고 있다.

공유경제 사업 계획 중이라면 AI에 주목을

우버(Uber) 사례를 보면 최근 불고 있는 공유경제와 인공지능의 활용에 대한 시사점을 얻을 수 있다. 우버는 자동차를 필요로 하는 사람과 보유하고 있는 사람을 중개하는 사업이다. 보통 이런 비즈니스를 하려면 디지털 지도가 필요한데 우버는 구글맵을 사용한다. 교통비를 결제할 땐 애플페이를 쓴다. 이미 공개된 온라인 플랫폼을 연계해 자신만의 서비스를 제공하는 것이다. 일견 ‘현대판 봉이 김선달’처럼 보이는 사업을 하는 우버가 기존 자동차 제조 기업보다 시가총액에서 크게 앞서는 상황, 어떻게 설명할 수 있을까? 앞으론 공개된 온라인 플랫폼을 적극적으로 활용, 고객에게 큰 편의를 제공하는 새로운 비즈니스 모델이 성행할 텐데 인공지능은 단연 그 핵심 기술이다.

최근 인공지능 성공 사례가 속속 발표되며 기업과 정부에서도 관련 분야에 관심을 갖고 투자를 계획하는 경우가 늘고 있다. 이런 현상이 단발적 해프닝으로 끝나지 않으려면 장기적 관점에서의 인력 양성과 지원이 필요하다. 이를 통해 인공지능이 일부 IT 업계의 전유물이 아니라 금융·제조·건설·물류 등 산업 전 분야에서 활발하게 도입돼야 한다. 오픈소스와 빅데이터로 무장한 원천기술을 바탕으로 현재 비즈니스를 강화하고 새로운 비즈니스를 창출하는 방향으로의 발전이 모색돼야 할 것이다.

‘빅데이터 기반 의사 결정’ 분야 활용 기대

다음으로 궁금해지는 건 일반인을 위한 인공지능 활용 요령이다. 일단 단기적으론 원래 인간이 잘하지 못하는 문제 해결에 쓰일 수 있다. 많은 양의 데이터를 분석해 결론을 내리는 형태의 객관적 의사 결정 문제 등이 대표적 예다. 구체적으로 △의학 치료 △법률 상담 △기후 예측 △교통 제어 △금융 투자 등에서 의사 결정을 돕는 방향으로 활용될 수 있을 것이다.

장기적으로 볼 때 인공지능은 핵가족(1인가족)화에 따른 고독감이나 소외감 같은 사회 문제를 해결하는 동반자로 사용될 것이다. 이미 일본이나 구미 선진국에선 실버 세대의 심리적 안정을 위해 인공지능이 탑재된 로봇 개발이 한창이다. 효율성이나 생산성을 넘어 ‘인간과 교감하며 인류에 도움을 주는’ 방향으로의 활용 방안이 모색되고 있는 것이다. 인간화된 지능 기술을 적극적으로 활용하면 인공비서나 가상친구 같은 인공지능 시스템이 실제 사회 구성원이 돼 건전한 사회를 형성하는 동반자가 되리라 기대한다.

기업, 인재 발굴 시 오픈소스 전략 참조할 만

전 세계적으로 불고 있는 인공지능 열풍은 국내 기업 입장에선 위기이자 기회다. 실제로 적지 않은 기업이 인공지능을 화두로 다양한 투자를 기획 중이다. 매우 고무적인 현상이지만 한편으론 뚜렷한 목표 없이 우왕좌왕하는 형국이기도 하다. 가장 먼저 고려돼야 할 사항은 인공지능의 실체를 정확히 이해하고 그 결과를 기반으로 달성하려는 목표를 명확히 하는 것이다. 일정 자본과 인력을 보유한 기업이라면 모든 기술을 자체적으로 개발하려 하기보다 핵심 기술을 보유한 스타트업을 적극적으로 인수, 합병(M&A)해 최대한 빨리 필요한 기술을 확보하는 전략이 유효할 수 있다.

오픈소스(open source) 정신에 입각해 기존의 폐쇄적 시각에서 벗어나 기술 플랫폼을 공개함으로써 우수 인재를 발굴, 훈련시키는 전략도 필요하다. 최근 애플·구글·마이크로소프트 등 글로벌 IT기업이 오픈소스 전략을 구사 중인 이유를 곱씹어봐야 한다. 완성된 인재를 찾기보다 저변을 확대해 우수한 인재를 키우고, 그들이 참신한 아이디어를 창출하도록 도와 필요한 인력을 자연스레 확보하는 편이 좋겠다.

칼럼 연재를 마치며

이제까지 총 다섯 차례에 걸쳐 인공지능의 기본 원리와 핵심 기술인 딥러닝을 소개하고, 알파고를 통해 인공지능 기술 개발 전략을 알아본 후 일자리 변화와 대처 방안까지 생각해봤다. 길지 않은 기간이었지만 관심 갖고 읽어주신 모든 분께 감사 말씀을 전한다.

인공지능은 먼 미래에나 있을 법한 막연한 기술이 아니다. ‘지금, 여기’ 유효한 오늘의 기술이다. 그 점을 충분히 이해, 활용해 각자의 분야에서 큰 성공을 거두길 바란다. 그 성과가 기업이나 국가 발전에도 기여할 수 있다면 더할 나위 없겠다.

인공지능은 모두에게 다양한 기회를 제공해줄 수 있는 기술이다. 그런 만큼 보다 많은 사람이 신명 나게 도전했으면 하는 바람이다. 우수 인재들이 인공지능에 대한 사회적 공감대를 바탕으로 앞다퉈 아이디어를 내고, 인공지능 기술을 지렛대 삼아 각종 서비스를 출시하며 글로벌 경쟁에 뛰어들어 새로운 부가가치를 창출할 수 있길 기대한다.

※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다

마침내 단둘이 남게 되자, 잇자크 스턴은 평온한 자세와 표정으로, 하지만 대단히 빠르고 긴박하게 쉰들러에게 뭔가 귀띔한다. 미국 영화감독 스티븐 스필버그의 1993년작 ‘쉰들러 리스트(Schindler’s List)’ 중 한 장면이다. 극중 잔인한 박해 대상이던 유태인으로, 또 쉰들러의 회계사 겸 경영 파트너로 일하던 스턴은 쉰들러에게 중요한 지침을 전달한다. 대단한 명장면까진 아니어도 줄거리 이해를 돕는 데 결정적인 대목 중 하나다.

든든하고 영민한, ‘나만의 조력자’에 대한 로망

극중 스턴은 전쟁(제2차 세계대전) 중 전개되는, 긴박하고도 복잡한 과정에 관한 정보를 전부 꿰고 있다. 평소처럼 사업을 해나가다가도 수용소에서 죽음에 직면한 유태인을 빼돌려 목숨을 구해주고, 그 일을 가능케 하기 위해 독일군 요인을 매수한다. 굵직굵직한 결정에서 아주 사소한 사항까지 아우르는 정보를 바탕으로 독일인 경영주 쉰들러에게 지침을 건네 그가 시기적절한 판단을 내리고 그 판단을 행동에 옮기도록 돕는다. 현명한 조언과 인간미 넘치는 배려심으로 ‘별 생각 없이 인생을 즐기는’ 부류였던 쉰들러를 일약 ‘대단한 성공을 거둔 사업가인 동시에 역사에 길이 남을 영웅적 휴머니스트’로 바꿔놓는다.

이 영화가 주는 충격과 감동은 상당 부분 ‘사실적으로 그려낸 유태인 박해 현장’에 기인한다. 하지만 실제로 영화를 다 보고 나면 한편으로 이런 생각이 드는 것도 사실이다. ‘내게도 스턴 같은 조언자가 있다면 인생이 달라질까?’ 특히 회사를 경영하는 입장이라면 누구나 스턴 같은 파트너의 존재가 얼마나 절실한지 공감할 것이다.

‘인생은 B와 D 사이의 C’란 말이 있다. 탄생(Birth)과 죽음(Death) 간 선택(Choice)의 연속이 곧 삶, 이란 얘기다. 실제로 인간은 살면서 무수히 선택의 기로에 놓인다. 그리고 그럴 때마다 ‘믿을 만한 누군가’에게 기대고 싶어진다. 모든 정보를 꿰고 있을 뿐 아니라 그걸 정확히 분석한 후 적재적소에 올바른 지침을 내려주는, 스턴이나 (영화 ‘배트맨’ 시리즈의 집사) ‘앨버트’ 같은 존재 말이다.

오랫동안 간절하게 품어온 꿈은 어떻게든 이루고야 마는 게 인간이다. 그런 의미에서 ‘풍부하면서도 정확한 정보’를 쉽게 획득하는 일은 컴퓨터 기술이 발전되며 확실히 개선됐다. 인공지능(Artificial Intelligence, AI)과 빅데이터 기술의 발달은 이렇게 얻은 정보를 분석, 정확한 판단 근거를 확보하는 일에도 비약적 발전을 가져왔다. 하지만 기껏 수집∙분석한 결과를 특별한 장소, 이를테면 책상 위 컴퓨터에서만 볼 수 있다면? 그걸 가리켜 “늘 내 곁에서 필요한 조언을 해주는 존재”라고 말하긴 어려울 것이다.

21세기 들어 급속도로 개발, 보급된 모바일 기기는 쉽게 말해 ‘사용자 손 안의 컴퓨터’라고 할 수 있다. 특히 2010년대에 진입하면서부턴 온라인 공간에서 오가는 정보량 자체가 폭발적으로 늘었다. 그와 함께 데이터 저장∙분석 기술로 분류되는 빅데이터나 머신러닝 등의 기술도 발전을 거듭하고 있다. 과거 엄청나게 큰 컴퓨터와 저장 장치가 있어야 활용할 수 있었던 수준의 정보를 이젠 누구든, 언제 어디서든 쉬이 다룰 수 있게 된 것이다. 이처럼 모바일 기기 내에서 방대한 데이터를 손쉬운 형태로 심층 분석할 수 있게 해주는 프로그램을 통틀어 지능형 애플리케이션(Intelligent Application, 이하 ‘지능형 앱’)이라고 부른다.

2015년 본격 개발… “10년 내에 상용화될 것”

지능형 앱은 모바일 기기에 탑재되는 애플리케이션(응용 프로그램) 중에서도 특히 △빅데이터∙인공지능 기술을 활용해 △방대한 정보를 빠르고 심도 있게 처리, 분석한 후 △그 결과를 손쉽게 활용할 수 있도록 해주는 앱을 일컫는다. AI의 머신러닝 기능이 휴대전화에 앱 형태로 탑재됐다고 생각하면 이해가 빠를 것이다.

빅데이터니 인공지능이니 하는 기반 기술 자체가 새로운 것인 만큼 지능형 앱이 본격적으로 개발되기 시작한 건 불과 3년 전인 2015년이다. 하지만 그에 반해 진화 속도는 놀라울 정도다. 이미 무수한 지능형 앱이 세상을 바꿔가고 있으며, 전문가들은 “향후 10년 내에 거의 모든 디지털 소프트웨어에 지능형 앱이 적용될 것”이라고 입을 모은다.

이처럼 놀라운 발전 속도를 구현할 수 있는 비결은 머신러닝 기능 자체의 구조적 특성에서 찾을 수 있다. 흔히 “고도의 기능을 수행하는 컴퓨터 프로그램은 인코딩(encoding∙부호화) 구조 역시 그에 상응할 정도로 복잡할 것”이라고들 생각한다. 하지만 머신러닝의 경우, 인코딩 과정에서 세세한 지시사항을 일일이 입력할 필요가 없다. 대신 처리 대상이 되는 데이터가 많아질수록 분석 결과도 그에 비례해 정확해진다.

안면인식 기술을 예로 들어보자. 머신러닝 구조에선 사람 얼굴 사진 데이터가 더 많이 입력될수록 기기도 그만큼 정교하게 얼굴 유형을 추려낼 수 있다. 안면인식 카메라 앞에 선 사람의 모습을 정확히 파악, 그의 정체성을 찾아내 연결하는 작업의 정확도가 높아지는 것이다. 이는 흡사 공부를 더 많이 한 학생일수록 새로운 문제에 직면해서도 정답을 어렵잖게 찾아내는 것과 마찬가지 이치다.

따라서 머신러닝 기술은 모바일 기기가 널리 보급되며 온라인상에서 더 많은 정보가 오갈수록 자체 동력에 따라 점점 더 진화한다. 클라우드 시스템이나 엣지(edge) 컴퓨팅 기술 따위를 활용, 그 정보를 빠르고 안전하게 처리할 수만 있으면 소형 모바일 기기에서도 얼마든지 최첨단 머신러닝 기술 활용이 가능해지는 것이다.

모든 선택을 ‘최적의 타이밍’에 내릴 수 있다?!

지능형 앱은 크게 두 가지 측면에서 활용된다. 첫째, 비교적 단순한 작업을 자동화해 고급 인력을 좀 더 부가가치 높은 활동에 투입할 수 있게 해준다. 둘째, 딱 맞는 시각과 맥락에서 최적의 데이터와 분석 결과를 제시해 사용자가 올바른 판단을 내릴 수 있도록 돕는다.

전자는 사물인터넷(Internet of Things, IoT)의 발달로 인한 일명 ‘이벤트-드리븐 시스템(event-driven system)’의 확산과 밀접한 관련이 있다. 종전까지 자동화(automation)라고 하면 ‘사람이 공장 컨베이어 벨트 앞에 앉아 기계적으로 하던 작업을 산업용 로봇이 대신하는’ 정도로 인식돼왔다. 하지만 IoT가 보급되면서 자동화의 의미는 한층 넓어졌다. 사람이 접근하면 절로 켜지는 가로등, 앞에 서기만 해도 척척 열리는 문, 원하는 물건을 집어 들고 나가기만 해도 알아서 계산해주는 무인상점 등 일상 곳곳에서 자동화가 진행되기 시작한 것이다.

이벤트-드리븐 시스템에 대해 보다 자세히 알고 싶다면 아래 링크를 클릭하세요
 

이런 형태의 자동화가 가능해지려면 센서와 센서 사이, 센서와 중앙처리장치 사이에 엄청난 양의 데이터가 오가야 한다. 그 과정에서 모바일 기기와의 상호작용(interaction)이 끊임없이 이뤄져야 하는 건 물론이다. 다시 말해 개별 사용자의 모바일 기기가 저마다 지능형 앱을 탑재한 덕분에, 그리고 그 앱이 사용자가 의식하든 그렇지 않든 반복적으로 발생하는 ‘이벤트-드리븐 액션’을 가능케 하는 덕분에 사용자의 일상이 장애물 하나 없이 매끈하게 펼쳐질 수 있는 것이다.

그리고 후자의 경우가 영화 속 쉰들러 입장에서 스턴 같은 존재일 수 있다. 아니, 스턴보다 사용자 입맛에 더 맞는 조언자라고나 할까? 이 범주에 속하는 지능형 앱은 스턴과 달리 독립된 의지를 갖고 있지 않으며 오로지 사용자가 원하는 판단에 필요한 자료만 공급해준다. 자연히 극중 스턴처럼 일촉즉발의 상황에서 “단 한 명의 유태인이라도 더 구해야 한다”는 사명감에 불타 주인의 재산을 탕진시키지도, 몇 차례나 위험천만한 고비에 빠질 뻔하게 만들지도 않는다. 다양한 앱을 탑재하면 사업 경영 전반에서부터 점심 메뉴 선택, 즉석 주말 여행 계획까지 일상의 모든 면에서 최적의 선택을 하도록 도움 받을 수 있단 점에서도 스턴보다 곱절은 낫다.

기사 가치 판단, 지원서 옥석 판별 등에도 활용

탑재 전후의 변화가 다분히 극적이어서일까, 지능형 앱 시장은 초고속 성장 중이다. 쓰임새의 범위가 엄청나게 넓은 건 두말할 필요가 없다. 대표적 사례를 몇 가지 꼽아보자. 미국 경제∙경영 전문 격주간지 포브스(Forbes)는 잡지 제작에 ‘퀼(Quill)’이란 소프트웨어를 활용하고 있다. 인공지능으로 구동되는 이 글쓰기 프로그램은 단어∙숫자∙상징 등의 데이터를 구조화하고 거기서 의미를 추출, 자연스러운 언어로 풍부한 콘텐츠를 만들어낸다. 그뿐 아니다. 작성된 기사의 가치를 스스로 판단한 후 덜 중요하다고 여겨지는 정보를 삭제하기도 한다. 예를 들어 특정 프로젝트가 최근 몇 년간 이렇다 할 수익을 창출하지 않았다면 퀼은 해당 프로젝트 관련 정보를 억제한다. 반대로 높은 수익을 올렸다면 구체적 수치를 들어가며 해당 정보를 강조한다.

구글 모기업인 알파벳의 자회사 겸 영국 AI 프로그램 개발 기업 딥마인드테크놀로지(DeepMind Technology, 이하 ‘딥마인드’)는 최근 런던 소재 무어필드안과병원과 파트너십을 체결, 안과질환을 신속‧정확하게 진단하는 인공지능을 개발했다. 보통 안과에서 이 진단을 시행하려면 기술적으로 복잡한데다 시간도 많이 걸리는 ‘광학적 간섭 단층촬영법[2]’을 사용해야 한다. 하지만 딥마인드가 개발한 지능형 앱엔 AI가 적용돼 노안성 근육 약화증이나 당뇨성 망막 질환 등의 안과질환을 단 몇 분 만에 판별해내는 걸로 알려졌다.

지능형 앱은 기업의 직원 채용에도 단단히 한몫하고 있다. 미국 온라인 고용 중개 웹사이트 몬스터잡스(www.monster.com)가 도입, 활용 중인 앱 ‘탤런트빈(TalentBin)’이 대표적 예다. 탤런트빈은 지원자와 관련된 문건은 말할 것도 없고 그(그녀)가 소셜 미디어에 올린 글과 언어 사용 방식, 이전 작업 결과물 등 확보 가능한 정보는 전부 살피고 분석한다. 그 과정에서 지원서엔 잘 드러나지 않는 지원자의 성격과 능력, 기타 잠재력 따위를 낱낱이 밝혀내는 것이다.

국내 사례도 있다. 이달 초 삼성전자가 출시한 3도어 올인원 세탁기 ‘플렉스워시’ 신제품엔 삼성전자가 자체적으로 개발한 음성인식 AI 앱 ‘빅스비’가 탑재됐다. 그 덕에 사용자는 세탁기 사용법과 이상 발생 시 대처 요령 등을 세탁기와 대화하듯 숙지할 수 있다. ‘스마트싱스’ 앱과 연동, 홈 와이파이와 연결시키면 스마트폰을 통해 세탁 진행 상황을 원격으로 확인하거나 제어할 수도 있다.

고차원적 판단도 ‘척척’… 기술 혁신, 일상 속으로

인간은 고단한 노동이나 번거로운 작업을 돕는 유∙무형의 존재에 대한 꿈을 오랫동안 꿔왔다. 시간이 흐르며 그중 일부는 하나둘 실현됐다. 실제로 무거운 물건을 들어주는 기계, 깊은 곳의 물을 퍼 올려 논밭에 대주는 기계 등의 역사는 수천 년에 이른다. 특히 20세기 들어 그런 기계들의 도움을 받는 기술은 폭발적으로 성장해왔다.

‘정보의 시대’로 불리는 21세기에 접어들며 인간은 물리적 힘을 넘어 형이상학적 판단이 필요한 일까지 기계에 맡길 수 있게 됐다. 지능형 앱은 그런 혁신을 아주 간단한 형태로 삶의 적재적소에, 그리고 구석구석에까지 이식하고 있는 셈이다. 이렇게 볼 때 현대인은 어쩌면 “꿈을 많이 꿀수록 그 꿈에 가까워진다”는 유럽 속담을 자신도 모르는 새 실천하고 있는지도 모른다.

[1] Krakow. 폴란드 마우폴스키에주(Małopolskie州)의 주도(州都)
[2] Optical Coherence Tomography. 줄여서 ‘OCT’라고도 부른다

이벤트-드리븐(event-driven). 요즘 IT 담론 공간에서 가장 뜨거운 화두 중 하나다. 지난해 말 세계적 정보기술(IT) 연구∙자문 회사 가트너가 ‘2018 10대 중요 IT 기술’에 포함시킨 이래 이벤트-드리븐에 대한 관심은 수면 위로 껑충 떠올랐다. 실제로 온라인 공간에선 하루가 다르게 이벤트-드리븐을 설명하는 자료가 쏟아지고 있다.

중요하다곤 하는데… 의미는 ‘알쏭달쏭’

이벤트-드리븐은 워낙 새롭게 부상하는 개념인 만큼 정확한 의미도 아직 채 규정되지 않았다. 같은 단어를 전혀 다르게 설명하고 있는 웹사이트가 많단 사실이 이를 방증한다. 이 같은 현상은 소프트웨어 개발자로 활동 중인 마틴 파울러(Martin Fowler)의 경험담에서도 고스란히 드러난다. (미국 IT컨설팅 기업 소트워크스(ThoughtWorks)에 소속된 파울러는 IT 분야 이론가 겸 교육자로도 활동 중이다.)

“우리 회사는 최근 일이 년간 ‘이벤트를 많이 사용하는’ 시스템 구축에 힘써왔습니다. 때마침 작년 말 세계 각 지사의 중견 개발자들이 한데 모인 가운데 이벤트-드리븐 시스템을 주제로 워크숍이 열렸죠. 당시 우리가 거둔 최대 성과는 ‘너도 나도 말하는 이벤트가 실은 서로 상당히 다른 걸 의미한다’는 사실이었습니다.”

이벤트-드리븐을 우리말로 번역한 표현 중 가장 널리 쓰이는 건 ‘사건 기반’이다. 하지만 조금만 시간을 들여 검색해봐도 이 개념이 얼마나 다르게 이해되고 쓰이는지 확인할 수 있다. 그중 상당수는 영단어 ‘event’의 의미에 대한 혼란에서 기인한다. 케임브리지∙콜린스 같은 영어사전을 찾아보면 ‘(뭔가) 일어나는 일’이란 기본 설명에 ‘특히 중요하거나 의미가 있는 일’이란 부연 설명이 달려있다. 반면, 온라인 비즈니스 용어 사전엔 “특정 시∙공간에서 인간의 개입이 있거나 없이 벌어지는 일”이라고 정의돼 있다. 각각의 설명을 취합하면 이벤트란 ‘세상에서 벌어지는 일 전부’를 가리킨다 해도 과언이 아니다.

하지만 한국 사회에서 이벤트는 그 의미가 좀 다르다. ‘뭔가 정말 특별한 일’만 지칭하는 경우가 많기 때문이다. ‘사건’이란 번역어가 주는 의미도 결코 일상적이지 않다. 더욱이 젊은 층은 이벤트를 ‘이성에게 사랑 메시지를 전하기 위해 기획하는 깜짝 파티’, 혹은 ‘특정 업체가 자사 상품을 홍보하기 위해 한시적으로 제공하는 행사’ 따위로 이해하곤 한다. 이처럼 번역 과정에서 또 한 차례 의미가 왜곡되다 보니 혼란은 더욱 가중된다.

2018년을 시작부터 뜨겁게 달구고 있는 ‘IT 핫 토픽’ 이벤트-드리븐. 정확히 어떤 개념이며 왜 이렇게 심상찮은 관심을 모으는 걸까?

확실히 새로운, 어찌 보면 낯익기도 한

이벤트-드리븐은 ‘일어나는 일’이란 뜻의 영단어(event)에 ‘특정 방향으로 몰고 가다’란 동사(drive)의 과거완료형이 합쳐져 ‘어떤 일의 발생에 의해 특정 방향으로 가도록 된’이란 의미를 갖는 형용사다. 즉 특정 행동이 자동으로, 혹은 정해진 순서에 따라 발생하는 게 아니라 어떤 일에 대한 반응으로 일어나는 구조를 가리킨다.

이벤트-드리븐이란 용어가 언제부터 사용됐는지 정확히 검증하긴 어렵지만 가장 활발하게 쓰인 분야가 ‘컴퓨터 소프트웨어 프로그래밍’인 건 분명한 사실이다. 컴퓨터 용어로서의 이벤트는 ‘컴퓨터 회로를 구동시키기 위해 발생하는 일’을 일컫는다. 예를 들어 누군가가 PC 모니터를 보며 마우스를 클릭하거나 키보드 자판을 두드리고, 모바일 기기를 손으로 ‘터치’한다면 그는 이벤트-드리븐 구조를 활용, 이벤트를 발생시키고 있는 것이다. 이런 동작은 기기 내부가 특정 코드를 선택, 그에 맞는 반응 행동을 보이도록 이끈다.

이벤트-드리븐 프로그래밍에서 사용자는 과거, 이를테면 순차(順次) 프로그래밍으로 작업할 때보다 훨씬 더 비중 있는 역할을 맡는다. 비록 처음부터 정해진 프로그램 안에서이긴 하지만 사용자가 마우스를 클릭하거나 키보드로 뭔가를 입력함으로써, 다시 말해 컴퓨터 입장에서 보면 이벤트를 발생시켜 자신의 선택을 표현하는 기회가 많아지는 것이다. 그리고 이벤트-드리븐 프로그래밍의 비중은, 앞서 언급한 마틴 파울러의 말에서 짐작하듯 최근 부쩍 더 커지고 있다.

여기서 생기는 의문 하나. 몇몇 전문가에 의해 제한적으로 쓰이던 이 개념이 왜 갑자기 돌풍을 일으키고 있는 걸까? 이벤트-드리븐은 원래 컴퓨터 프로그래밍에 국한되지 않고 시스템 이론 전반에서 사용되던 개념이다. 문제는 최근 사회 전반에 걸쳐 시스템 패러다임에 엄청난 변화가 일고 있단 사실이다. 그리고 이 변화는 이제껏 스페셜 리포트에서도 몇 차례 다뤘듯 IT기술 발달과 밀접하게 관련돼 있다<이와 관련해선 2016년 11월 23일부터 2017년 1월 4일까지 연재된 5부작 기획 ‘디지털, 세상을 뒤집다’를 참조할 것>. 특히 인공지능(AI)과 빅데이터, 사물인터넷(IoT) 관련 기술이 일상에서 빠르게 실용화되며 이벤트-드리븐 아키텍처(Event-Driven Architecture, 이하 ‘EDA’)가 종전 패러다임을 제치고 압도적 기세로 점유율을 늘려가고 있다. 무슨 얘기냐고?

구조도 법칙도 안 통하는 세상… 대안은?

시스템 이론에서 EDA는 복잡성 이론(complexity theory)에 그 뿌리를 두고 있다. 20세기 전반까지의 근대 과학에선 삼라만상을 비교적 단순한 모델로 환원시켜 그 안에서 법칙성을 찾아냈다. 하지만 20세기 후반 들어 과학기술이 발달하며 실제 세상에서 벌어지는 일들은 하나같이 너무 복잡하고 끊임없이 바뀌었다. 자연히 단순화 모델에 기반한 설명은 점차 쓸모를 잃어갔다.

IT(와 관련 사회 변화를 다룬) 온라인 교육 웹사이트 ‘컴플렉시티랩스(Complexity Labs)’는 △바닷속을 헤엄치는 물고기 떼의 움직임 △교통 체계 △소셜 네트워크 △금융 시장 등을 ‘복잡한 동시에 계속 바뀌는’ 시스템의 예로 꼽는다. 이처럼 역동성이 강한 시스템에서 최적의 설명과 예측, 대응이 이뤄지려면 모델을 새로 만들거나 디자인 방법 자체를 바꿔야 한다. 즉 복잡성 이론에 기반한 모델을 개발해야 한다.

EDA는 현존하는 최고 수준의 복잡성과 역동성에 가장 효율적으로 대응할 수 있는 모델로 평가된다. 시시각각 발생하는 이벤트의 생성과 감지, 반응을 중심으로 구축되는 디자인 유형이기 때문이다. 실제로 EDA에선 고정된 구조가 없다. 심지어 구조 자체가 없을 때도 있다. 이벤트 발생으로 데이터와 데이터가 느슨하게 연결되며(coupling) 없던 구조가 생겨나기도 한다.

일례로 해외여행을 계획 중인 사람이 숙박 장소를 검색한다고 해보자. 첫째 날엔 검색하는 데이터가 한국 서버를 통해 연결됐는데 둘째 날 다시 검색해보니 데이터 부하량 변화로 같은 정보가 미국 텍사스 기반 데이터센터를 통해 제공될 수 있다. 끊임없이 변화하며 상호작용하는 데이터 간 흐름에서 사용자가 일으킨 ‘이벤트’, 즉 키보드와 마우스 조작이 그때그때 상황에 따라 그에 반응하는 코드(와 그 코드가 대변하는 데이터)와 끊임없이 새로운 관계를 맺는 것이다.

관건은 ‘이벤트 반응 데이터 간 짝짓기’

종전 시스템에서와 달리 이런 관계 설정과 그에 따른 변화는 실시간으로 일어난다. 앞서 예로 든 상황(해외여행 시 이용할 숙박 장소 정하기)을 다시 떠올리면 동원할 수 있는 수단이 전화나 이메일 정도였던 10년 전만 해도 최적의 숙소를 정하는 데 짧게는 며칠, 길게는 몇 주씩 걸렸다. 하지만 오늘날은 키보드를 두드리고 마우스를 클릭하는 이벤트를 일으켜 그에 반응하는 데이터 경로를 따라 곧바로 적당한 장소를 확인한 후 예약을 완료할 수 있다. 변심에 따른 취소 절차를 밟을 때에도 예전보다 훨씬 부담이 적다. 여러 데이터 센터가 무수한 웹사이트를 통해 방대한 정보 중 사용자에게 적합한 걸 짝지어주니 사용자도 제공자도 얼마든지 다른 업체나 고객을 찾아낼 수 있다.

이처럼 이벤트 발생에 따르는 정보 연결(커플링) 수요는 IoT 시대에 접어들고 AI와 빅데이터가 결합되며 폭발적으로 증가했다. 지난해 12월 20일자 스페셜 리포트(“60년 전 구겐하임미술관이 지향했듯… 도시, ‘살아있는 유기체’로 거듭나다”)에서 예로 든 스마트시티를 생각해보자. 집을 나서면 등 뒤로 스마트록(smart lock)이 작동되고, 도로로 나서면 앞쪽 가로등이 저절로 켜지며, 횡단보도에 서면 신호등이 알아서 파란불로 바뀐다. 동네 분리수거함 속 폐기물은 다 채워지면 곧바로 근처를 지나는 수거용 트럭에 의해 치워진다. 잔디밭에 설치된 스마트 스프링클러는 기상 상태에 따라 자동으로 적정량의 물을 뿌려준다.

이 상황에서 스마트록∙가로등∙신호등엔 센서가 있어 사용자가 이들 기기 가까이에 일정 거리 내로 접근하면 그 자체가 곧 이벤트로 정의될 수 있다. 다시 말해 스마트 장치 내에선 그에 반응하는 코드를 구동시켜 자물쇠가 잠기게, 가로등이 켜지게, 신호등 색이 바뀌게 한다. 폐기물 수거함은 “내용물이 일정 높이까지 찼다”는 센서 신호를 이벤트로 해 작동된다. 스프링클러 역시 토양∙공기 중 수분 농도를 측정하는 센서를 탑재하고 있어 해당 농도가 일정 이상 도달해 센서 내 반응을 일으키면(이벤트가 발생하면) 그에 대응하며 작동된다.

이 과정은 두 가지 수준에서 ‘이벤트-드리븐적(的) 작업’을 필요로 한다. 스마트록을 예로 들어보자. 우선 ‘사람의 움직임’이란 이벤트에 센서가 반응하는 관계가 있다. 다음으로 ‘센서 신호’란 이벤트 발생에 따라 자물쇠(하드웨어)가 움직여 문이 열리는 관계도 존재한다. 이런 관계의 총합이 바로 EDA다. 그런데 이 구조는 앞선 과정 전체를 코드(cord)화해 만든 알고리즘 탑재 스마트 기기가 있어야 비로소 구현 가능하다. 이렇게 볼 때 이벤트-드리븐 프로그래밍은 바로 이 알고리즘을 만드는 작업이라고 할 수 있다.

복잡한 세상, 계획적으로 살기 위한 기술

근대 이전 사회에선 어느 누구도 세상만사가 왜 일어나고 어떤 원리로 작동되는지 굳이 이해하려 들지 않았다. 당시 인류 대다수의 대응 수단은 오로지 경험, 그리고 (경험의 축적물인) 구비전승이었다. 시간이 흘러 근대 사회로 접어들며 사람들은 ‘나(self)’를 중심으로 세상을 이해하고자 했다. 동시에 너무 복잡한 현상에 대해선 “일단 단순화한 후 이해하면 통제할 수 있을 것”이라고 생각했다. 그리고 근대를 넘어 ‘포스트모던(post-modern) 시대’로 진입한 오늘날, 인류는 과학기술의 도움으로 세상을 보다 깊고 넓게 이해하기에 이르렀다. 그 결과, 세상은 특정 개인(집단)이 중앙집중 방식으로 통제할 수 있는 게 아니란 사실도 확인했다.

끊임없이 변해가는 현대 사회에서 인간이 진정으로 갖춰야 할 덕목은 ‘계획적 대응’이다. 이런 상황에서 등장한 복잡성 이론, 그중에서도 보다 많고 유동적인 행위자 사이에서 자유로운 네트워크를 형성해가며 작동 과정을 설명할 수 있는 이벤트-드리븐 모델이 주목 받게 된 건 어찌 보면 지극히 당연한 일이다.

더욱이 IoT의 보급으로 이미 시중엔 상당히 다양한 센서가 보급돼 있다. 그 센서들이 전달하는 이벤트 정보는 빅데이터에 의해 분석, 수시로 작동장치(actuator)에 전달된다. 이 모든 (이벤트-드리븐적) 작업은 이벤트-드리븐 프로그래밍으로 처리해야 한다. 누가 봐도 이벤트-드리븐 시스템 수요는 폭발적으로 증가할 수밖에 없다. 가트너가 이 개념을 올해 주목해야 할 기술 트렌드로 꼽은 것 역시 그런 차원에서였을 것이다.

지난 2007년[1]을 기점으로 한층 정교해지고 저렴해진 모바일 센서가 속속 개발되며 신규 사업이 봇물처럼 쏟아졌다. 상당수는 ‘온라인과 오프라인 간 연결’을 골자로 하는 것이었다. 물론 온·오프라인 결합 상품은 인터넷이 일상화된 이후 꾸준히 있어왔다. 하지만 이런 콘셉트는 모바일 특유의 이동성과 속도감, 한층 쉬워진 결제 방식 등과 결합하며 수많은 신예 기업을 등장시켰다. 그중 가장 큰 주류를 이룬 게 O2O(Online to Offline) 산업이다.

#1. 흥(興)

대표적 사례가 모바일 차량 예약 이용 서비스 ‘우버(Uber)’다. 스마트폰만 있으면 원하는 장소에서 편리하게 차량을 호출, 이용할 수 있는 우버가 세계 각국에서 선풍적 인기를 끌며 지난해엔 ‘우버라이제이션(uberization, 모바일 기술을 바탕으로 소비자와 공급자가 직접 연결돼 이뤄지는 각종 주문·배달 서비스)’이란 신조어까지 생겨났다. 실제로 우버의 ‘전공’인 교통은 말할 것도 없고 음식 배달이나 이사, 심지어 도시 설계에 이르기까지 거의 대부분의 영역이 급속히 ‘우버화(化)’되고 있다.

△단 한 개의 방도 없이 전 세계에 수천 만 개의 객실을 보유한 ‘에어비앤비(airbnb)’ △26만 명 규모인 국내 택시 기사 중 25만 명 이상을 가입시킨 ‘카카오택시(kakaotaxi)’ △지난 한 해에만 1조8000억 원의 결제액을 기록한 음식 배달 서비스 ‘배달의 민족’ 등 우버라이제이션의 범주에 넣을 수 있는 서비스는 당장 떠오르는 것만 해도 가짓수가 상당하다. 그리고 국경을 넘나들며 번져가는 ‘글로벌 O2O 산업 열풍’의 중심엔 (당연하게도!) 스마트폰이 있다.

#2. 망(亡)

국내에서도 최근 몇 년간 O2O 산업 열풍을 등에 업고 무수한 스타트업이 출현했다. 하지만 그 모두가 충분한 사업성을 갖추고 있었느냐, 고 되묻는다면 선뜻 고개를 끄덕이기 어렵다. 사실 O2O 산업은 기술적으로나 사업 형태로나 ‘(사용자) 위치와 인구’를 기반으로 움직인다. 자연히 주요 서비스 지역이나 국가의 법과 제도, 문화에 의해 상당 부분 제약을 받는다. 우버가 적지 않은 국가나 사업자와 충돌을 거듭하고 한국·중국·덴마크 등에선 실제로 철수하는 등 ‘쓴맛’을 본 건 그 때문이다(아직 건재하긴 하지만 여전히 많은 곳에서 백기를 들고 있는 게 사실이다).

야심만만하게 출발했다 이런저런 암초에 부딪쳐 곤욕을 치른 O2O 기업은 사실 꽤 많다. 청소 대행 서비스로 각광 받았지만 종업원 처우 개선 관련 소송에 시달리고 추가 투자 유치에까지 실패하며 결국 폐업에 이른 미국 스타트업 ‘홈조이(Homejoy)’가 대표적(공교롭게도 국내에서 홈조이와 비슷한 사업 모델을 표방했던 ‘홈클’ 역시 폐업 수순을 밟았다). ‘세탁계의 우버’로 불리며 승승장구하던 세탁 대행 서비스 ‘워시오(Washio)’ 역시 창업 3년여 만에 문을 닫았다. 이 밖에도 벨기에에서 출발해 유럽 전역으로 서비스 지역을 확장해가던 음식 배달 O2O 서비스 ‘테이크잇이지(Take it easy)’, 한때 중국 내 시장점유율이 75%를 웃돌 만큼 인기를 끌었던 차량 세차·수리 서비스 기업 ‘보파이(Bopai)’가 지난해 줄줄이 도산했다.

O2O 기업이 서비스 지역을 불문하고 고전하는 데엔 몇 가지 이유가 있다. 당장 떠오르는 건 △서비스 제공 지역 내 법과 제도, 문화와의 충돌 △초기 투자 자금 소진과 그에 따른 후속 투자 유치 실패 △낮은 기술 장벽으로 인한 동종 업계 내 경쟁 과열 등이다. 하지만 지금 이 시각에도 적지 않은 국내외 O2O 기업이 현실을 도외시한 채 신기루를 좇고 있다. 그 결과는 예외 없이 경영 부진과 파산으로 이어진다.

#3. 성(盛)

당연한 얘기겠지만 모든 O2O 기업이 실패한 건 아니다. 전 세계 주요 선진국 대부분엔 내로라하는 O2O 사업 플랫폼, 이를테면 △카카오톡(kakaotalk, 한국) △위챗(微信, 중국) △라인(LINE, 일본) △왓츠앱(Whatsapp)과 페이스북 메신저(이상 미국) 등이 존재한다. 이들 플랫폼은 하나같이 다운로드 횟수와 가입자 수, 사용자 수(Monthly Active Users)가 많다. O2O 사업 모델의 첫 번째 전제 조건이 ‘활발한 고객 트래픽’이기 때문이다[2].

실제로 앞서 언급한 O2O 사업 플랫폼은 이미 오래전 수억 명 규모의 가입(사용)자를 갖췄다. 흥미로운 건 가입(사용)자 수 자체가 수익으로 이어지진 않는단 사실이다. 이들 사업자는 주력 서비스(인터넷 메신저)로 매출을 일으키는 대신 콘텐츠(게임·이모티콘 등) 이용료와 중개 수수료, 광고료 등으로 막대한 수익을 창출하고 있다. 일찍이 한 번도 출현한 적 없던 ‘다각화 비즈니스’다.

시장 상황이 어렵다곤 하지만 여전히 건재한 O2O 기업(스타트업)도 적지 않다. △2011년 독일에서 창업한 음식 배달 서비스 기업 ‘딜리버리 히어로(Delivery Hero)’ △미국 음식 배달 O2O 서비스의 선두주자 ‘그럽허브(GrubHub)’ △2000년 덴마크에서 창업, 영국으로 거점을 옮긴 후 20년 가까이 탄탄하게 운영 중인 ‘저스트잇(JUST EAT)’ △‘중국판 우버’로 불리는 차량 공유 서비스 ‘디디추싱(滴滴出行)’ 등이 주요 사례. 국내에서도 △‘직방’ ‘다방’(이상 부동산 거래) △‘배달의 민족’(음식 배달) △교보문고 ‘바로드림’(도서 주문) 등의 서비스가 치열한 경쟁 속에서도 성공가도를 향해 차근차근 달려가고 있다.

아래 표는 2017년 6월 현재 국내에서 제공되고 있는 O2O 서비스 현황을 분류한 것이다. 표 내용에서 알 수 있듯 대부분은 생계(생활)형이다. 다시 말해 차원을 달리한 고급 시장으로 넘어가면 ‘절대강자’라 할 만한 기업이나 서비스는 별로 눈에 띄지 않는다(그 자체가 ‘새로운 가능성을 타진해볼 수 있는’ 하나의 힌트 역할을 하는 셈이기도 하다).

#4. 쇠(衰), 그리고 미래

특정 산업의 흥망성쇠를 논할 때 특히 주목해야 할 대목은 ‘쇠(衰)’ 부분이다. 추가 동력을 얻지 못한 채 스러져가는 이유를 하나씩 따져보면 자연스레 해당 산업의 미래를 점칠 수 있기 때문이다. O2O 산업이 교육·문화·금융·의료 등 적용 분야를 확장해가며 앞으로 나아가지 못하는 건 시장 확신 부족에 그 원인이 있다. 실제로 턱없이 많은 사업 자금과 낮은 기술 진입장벽, 그로 인한 과열 경쟁 등의 난관은 여전히 O2O 기업들의 발목을 잡고 있다.

“인터넷은 사라질 것(Internet will be disappear)”이란 에릭 슈미트 구글 회장의 예언은 역설적으로 ‘일상 깊숙이 들어온’ 인터넷의 위상 강화를 대변했다. 마찬가지로 O2O 산업 역시 머지않아 ‘굳이 인식할 이유조차 없는’ 일상 속 서비스가 될 게 분명하다. 따라서 O2O 산업의 쇠락은 ‘몰락’과 사뭇 다른 의미를 지닌다.

그런 의미에서 지난 2015년 우버가 핀란드 헬싱키에 제안한 일명 ‘스마트 시티’ 프로젝트는 의미심장하다. 우버는 자사 고객과 운전자의 행동 유형을 토대로 헬싱키 시내 교통의 흐름과 시민들의 이동 경로에 관한 데이터를 전부 수집했다. 이 같은 ‘빅데이터’는 도시 전체의 교통 설계를 가능케 한다. 이것이야말로 진정한 O2O 서비스의 미래가 아닐까? 결국 O2O 산업의 미래는 현대인의 일상과 밀접한 생활 데이터의 생성, 그리고 활용에 달려있다.

▲자사가 보유한 (빅)데이터를 바탕으로 ‘스마트 시티’ 프로젝트를 구상한 우버의 사례는 앞으로 O2O 산업이 어떤 방향으로 나아가야 할지 여실히 보여준다

최근엔 국내에서도 ‘데이터 기반 O2O 모델’의 성공 사례가 종종 발견된다. 대표적인 게 카카오 내비게이션(옛 ‘김기사’)이다. 카카오 내비게이션은 고객이 위치한 장소 주변 맛집을 추천하며 그 근거로 과거 해당 음식점 관련 데이터(방문자 수, 평가 등)를 활용한다. 한때 몇몇 전문가의 주관적 논평에 의지할 수밖에 없었던 맛집 평가가 그 기준을 객관적 빅데이터로 바꾼 것이다.

이 같은 ‘데이터 기반 추천’ 방식은 앞으로도 한층 강화될 전망이다. 이제 모든 기업은 ‘고객이 어딜, 얼마나 자주 가서 뭘 사고 먹으며 지불 수단으론 어떤 걸 활용하느냐’에 집중할 수밖에 없다. 그 모든 기록이 매출을 좌우하는 기초 데이터 역할을 하기 때문이다. “세상은 데이터 기술(DT) 시대로 가고 있다”던 몇 년 전 마윈 알리바바 회장의 메시지가 점차 현실로 다가오고 있는 셈이다. 그 기초가 되는 게 O2O 산업인 건 더 말할 필요가 없다.

오늘날은 O2O 산업의 쇠락기라기보다 옥석(玉石)이 가려지는 시기라 할 수 있다. O2O 산업은 현대인의 일상을 파고들며 점차 가치가 높은 분야로의 이동을 시도한다. 그리고 그 핵심엔 인공지능이 자리 잡고 있다[3]. 요컨대 현대인이 온·오프라인을 넘나들며 창출하는 데이터는 4차 산업혁명의 재료가 된다. 그리고 이들 데이터는 끊임없이 유기적으로 순환하며 한층 빠르고 섬세하며 정확한 인공지능 서비스를 구현해낸다.

※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다
※원고에 삽입된 도표는 필자의 페이스북에서 발췌, 인용됐습니다(일부 제외)

‘엣지 컴퓨팅(edge computing)’이 뜨고 있다. 혹자는 “클라우드 컴퓨팅(cloud computing) 시대가 지나고 머지않아 엣지 컴퓨팅이 대세로 자리 잡을 것”이라고 말한다. 미국 경제 격주간지 포브스(Forbes)를 비롯, 수많은 저널리즘이 ‘2017 메가 트렌드’ 중 하나로 엣지 컴퓨팅을 꼽기도 한다. 엣지 컴퓨팅, 대체 어떤 기술일까?

#기존 벽 깨는 특별함… 명칭도 ‘엣지’ 있네!

영단어 ‘엣지(edge)’는 크게 두 가지 뜻으로 쓰인다. 하나는 어떤 사물의 맨 끝 부분인 ‘첨단(혹은 가장자리)’, 다른 하나는 ‘칼이나 가위 등 날카로운 면을 사용하는 도구의 날 부분’이다. 국내에선 지난 2009년 방영된 TV 드라마 ‘스타일’(SBS)에서 한 등장인물이 시종일관 “엣지 있다”는 말을 쓴 덕(?)에 한동안 이 표현이 유행하기도 했다.

드라마 속 ‘엣지 있다’는 ‘어떤 사물이나 스타일이 누군가의 마음을 움직일 정도로 특별한 점을 갖고 있다’는 의미로 쓰였다. 이는 흡사 엣지의 형용사형인 ‘엣지(edgy)’를 번역한 표현인 듯하다. 뭔지 모르지만 짜릿한 느낌, 정신이 번쩍 들 정도로 날카로운 면모를 갖춘 사물에 붙이는 수식어라고나 할까? 이렇게 볼 때 엣지는 앞서 구분한 사전적 정의 중 두 번째 뜻(날)과의 거리가 좀 더 가깝다고 할 수 있다.

결국 엣지 컴퓨팅에서의 엣지는 두 가지 사전적 의미와 모두 관련된다. 첫째, 지금까지의 클라우드 컴퓨팅과 달리 컴퓨팅 장치가 멀리 떨어진 센터에 위치하는 게 아니라 단말 장치와 가까운 기기 ‘가장자리’에 위치한다. 둘째, 정보량이 기하급수적으로 불어나는 오늘날 기존 데이터 처리 방식의 무딘 ‘날’을 단단히 벼려 새로운 차원으로의 도약을 시도하는 컴퓨팅 방식이다.

#‘포그 컴퓨팅’ ‘클라우드렛’ 등 다양하게 불려

엣지 컴퓨팅은 클라우드 컴퓨팅과 대조되는 콘셉트의 기술이다. 두 방식은 언뜻 (아주 단순한) 물리적 구조 차이로 구분되는 것처럼 보인다. 클라우드 컴퓨팅이 ‘중앙 데이터센터와 직접 소통(communicate)하는’ 방식이라면 엣지 컴퓨팅은 기기 가까이 위치한 일명 ‘엣지 데이터센터’와 주로 소통하며 2차 작업(과 그 결과물의 저장)을 중앙 클라우드에 맡기는 방식이기 때문이다.

클라우드 컴퓨팅이 탄생한 배경은 크게 두 가지다. 우선 온라인 상에서 오가는 데이터 양이 급증했다. 동시에 대개 컴퓨터에 국한됐던 단말기가 스마트폰·웨어러블·스마트홈(센서) 등으로 확장되고 그 크기도 점차 작아졌다. 그 결과, 데이터 처리·저장 작업은 기기 외부 먼 곳에 떨어져 있는 별도 장치(클라우드 데이터 센터)로 ‘아웃소싱’되기에 이르렀다. 그게 바로 클라우드 컴퓨팅의 기본 개념이다.

반면, 엣지 컴퓨팅은 과거 클라우드에 위임했던 작업의 대부분을 엣지(가장자리)에 맡기는 방식이다. 그 단계에서 한 차례 추려진 상위 작업은 다시 클라우드로 전달된다. 이때 엣지는 당연히 클라우드 데이터 센터보다 물리적으로 단말기 가까운 곳에 위치하게 된다. (한편에선 이 방식을 가리켜 엣지 컴퓨팅 대신 ‘포그(fog·안개) 컴퓨팅’으로 명명하기도 한다. 클라우드, 즉 구름이 지상에서 멀리 떨어진 상공에 위치하는 데 반해 안개는 인간이 사는 지표면 가까이에 존재하기 때문이다. 최근엔 플랫폼 자체를 일컫는 표현으로 엣지도, 포그도 아닌 ‘클라우드렛(cloudlet)’이란 표현을 쓰는 이도 점차 느는 추세다.)

#데이터 처리 속도, 클라우드보다 ‘한 수 위’

클라우드 컴퓨팅이 엣지 컴퓨팅으로 바뀌면 뭐가 달라질까? 가장 먼저 눈에 띄는 건 (데이터) 처리 시간이 큰 폭으로 줄어든단 사실이다. 처리 시간 단축은 모든 컴퓨팅 작업에서 바람직하지만 증강현실과 가상현실, 생체(얼굴·음성)인식 등 최근 각광 받고 있는 빅데이터 기술 관련 컴퓨팅에서 특히 유의미하다.

인간이 일상적 밝기 조건에서 안면을 인식하는 덴 최소 370ms[1], 최대 620ms가 걸린다. 음성 인식에도 짧게는 300ms, 길게는 450ms가 소요된다. 특정 음성이 인간의 것인지 여부를 인식하는 덴 4ms면 충분하다. 이처럼 예민한 시청각 반응 능력을 보유하고 있기 때문에 단 몇 백 ms 차이만으로도 가상(증강)현실 화면이 주는 몰입감은 엄청나게 달라진다.

클라우드 컴퓨팅과 엣지 컴퓨팅의 차이는 또 있다. 이와 관련, 모바일 컴퓨터 과학 전문가인 마하다예프 사티야나라야난(Mahadev Satyanarayanan) 미국 카네기멜론대학 교수는 엣지 컴퓨팅이 지닌 이점으로 다음 세 가지를 꼽는다.

일단 엣지 컴퓨팅이 도입되면 클라우드에 걸리는 데이터 부하(負荷)가 대폭 줄어든다. 단말기에서 모든 데이터를 곧바로 중앙 클라우드와 주고받을 때보다 데이터 부하량이 감소하는 것이다. 이렇게 되면 스마트 보안 장치 등 비디오 센서에서 보내는 자료가 늘어나고 화질 수준이 높아지면서 기존 대역폭 상으론 문제가 많았던 부분이 크게 개선될 수 있다.

또 엣지 컴퓨팅 체계에선 데이터를 엣지에서 클라우드로 보낼 때 프라이버시(privacy) 정책을 강화할 수 있다. 그뿐 아니다. 네트워크∙클라우드 오류, DoS(Denial of Service, 서비스 거부) 공격 등으로 클라우드 서비스를 이용할 수 없을 때에도 엣지 컴퓨팅에선 가까운 엣지(클라우드렛) 플랫폼에서 ‘임시 처방’ 서비스를 받을 수 있다. 보안 수준이 한층 더 강화되는 것이다.

#빅데이터 시대, 차이 만드는 건 ‘머신 러닝’

사실 엣지 컴퓨팅은 클라우드 컴퓨팅 방식을 보다 정교하게 만든 형태라고 볼 수 있다. 엣지 컴퓨팅이 ‘중앙 집중형 텔레커뮤니케이션’의 문제점을 보완할 수 있다면 바로 그 때문이다. 이렇게 볼 때 엣지 컴퓨팅과 클라우드 컴퓨팅은 (이제껏 인간이 개발해온 대부분의 기술이 그렇듯) ‘경쟁’ 관계라기보다 ‘공생’ 관계에 더 가깝다.

양자 간 관계에 ‘공생’이란 명칭이 붙는 건 두 단계의 클라우드, 다시 말해 상위의 ‘집중형’ 클라우드와 하위의 ‘분산형’ 클라우드 사이에 분업 내지 협업이 이뤄지기 때문이다. 그렇다면 ‘큰 구름(cloud)’과 ‘작은 구름(edge)’은 어떤 과정을 거쳐 이런 파트너십을 형성하게 되는 걸까?

클라우드 컴퓨팅 아키텍트(architect)로 잘 알려진 재너카이럼(Janakiram MSV)은 이 관계를 위 도표에서처럼 ‘3중 구조’로 설명한다. “엣지 컴퓨팅 환경에선 세 개의 층, 즉 △데이터 소스(data source) △인텔리전스 레이어(intelligence layer) △실천 가능한 인사이트(actionable insight)가 서로 맞물리며 상호작용한다”는 게 그의 주장이다.

데이터 소스는 말 그대로 ‘데이터가 나오는 부분’을 가리킨다. 그런데 과거 단순 계산에서 출발했던 컴퓨팅과 달리 오늘날 컴퓨팅은 점점 더 많은, 그리고 복잡한 데이터 처리와 관련된다. TV나 스마트폰은 물론이고 산업장비·고객·물품 등 각종 관리 프로그램과 헬스케어 애플리케이션(이하 ‘앱’)에 이르기까지 요즘은 모든 기기와 프로그램, 앱이 그 자체로 데이터 생성 원천이자 데이터 처리 수요가 된다.

이처럼 데이터 양이 엄청나게 늘어나면서 수많은 데이터 간 관계도 점차 복잡해진다. 판단과 행동의 지침을 올바르게 내리려면 그 모든 변수를 모두 고려해야 한다. 하지만 시시각각 새롭게 생성되는 데이터 속에서 일정한 관계성을 찾아내는 일은 말처럼 쉽지 않다. 인간 두뇌론 결코 처리할 수 없을 정도로 복잡하고 또 다양하기 때문이다. 다행히 요즘은 그 일을 머신 러닝(machine learning)이 해내고 있다. 실제로 머신 러닝은 점차 늘어나는 데이터를 (이전엔 상상조차 하기 어려웠던) 조합으로 재구성, 창의적 통찰력(insight)을 제공하는 촉매로서 기능하고 있다.

엣지 컴퓨팅에서 머신 러닝은 엣지와 클라우드 간 파트너십을 규정한다. 클라우드는 대용량 데이터 세트와 복잡한 알고리즘에 기초해 머신 러닝 모델을 창출, 엣지 플랫폼에 넘겨준다. 그러면 엣지 플랫폼은 해당 모델을 이용, 실시간으로 데이터 세트를 처리하게 된다. 이 과정에서 엣지 층(layer)과 클라우드 층을 연결해주는 게 바로 인텔리전스 레이어, 곧 엣지 컴퓨팅 체계의 두 번째 차원이다.

엣지 컴퓨팅 시스템 사용자(이를테면 기업의 정책 결정자)는 인텔리전스 레이어가 제공한 분석에 기초해 정확한 판단을 내릴 수 있다. 이게 바로 엣지 컴퓨팅의 세 번째 요소, 곧 실천 가능한 인사이트다. 요컨대 엣지 컴퓨팅은 머신 러닝의 지원에 따라 과거 인간 전유물로 간주됐던 창의적 인사이트를 기계로 창출, 인간에게 제공하는 시스템이다. 이 같은 작동 기제는 곧 엣지 컴퓨팅이 ‘가장 바람직한 행동을 위한 판단’을 도출해낼 수 있는 근거이기도 하다.

#보안·정보량 등 과거 방식 한계 극복에 기대

이상에서 살펴본 것처럼 엣지 컴퓨팅은 ‘클라우드-엣지-디바이스’라는 (물리적 차원의) 3중 구조를 띤다. 동시에 ‘데이터 소스-인텔리전스 레이어-실천 가능한 인사이트’라는 (형이상학적) 3중 구조를 취하고 있기도 하다. 말하자면 ‘2중적 3중 구조’인 셈이다.

1960년대까지만 해도 컴퓨터는 대기업, 혹은 공공 기관에서나 들여놓을 수 있는 기기였다. 하지만 이 거대한 기기는 얼마 지나지 않아 퍼스널 컴퓨터(PC) 형태로 진화했다. 그 과정에서의 1등 공신은 뭐니 뭐니 해도 (IC칩을 활용한) 스토리지 소형화 기술이었다.

오늘날 모바일 기기의 개발과 보급, 그와 함께 진행된 클라우드 컴퓨팅의 확산으로 정보통신 기술 세상은 완전히 변모했다. 하지만 새로운 컴퓨팅 환경은 새로운 문제를 불러일으켰다. 취약한 보안이나 한계에 이른 데이터 저장 용량 등이 대표적이다. 이런 상황은 자연히 ‘신개념 컴퓨팅’의 수요를 높였고, 그 결과 스토리지 간 분업을 가능케 하는 머신 러닝 기술을 토대로 ‘엣지 컴퓨팅’이란 명칭의 신기술이 등장했다. 엣지 컴퓨팅에 거는 기대가 높아질 수밖에 없는 이유다.

앨런 튜링(Alan Turing). ‘컴퓨터과학과 인공지능의 아버지’로 불리는 인물이다. 1912년 태어나 한창 나이인 42세 때 비극적으로 생을 마감한 그는 짧은 생애 동안 컴퓨터과학은 물론, 수학∙논리학∙암호학의 귀재로 많은 일을 해냈다. 제2차 세계대전 당시엔 영국 암호 해독기관이었던 ‘정부 암호 학교’에 근무하며 나치스 독일의 중요한 암호들을 해독, “전쟁 기간을 최소 4년은 단축시켰다”는 평가를 받았다. (그의 일생은 지난 2014년 책 ‘앨런 튜링의 이미테이션 게임’과 영화 ‘이미테이션 게임’으로 재구성되기도 했다.)

▲최초의 컴퓨터를 탄생시킨 천재 수학자 앨런 튜링의 실화를 소재로 한 영화 '이미테이션 게임'의 한 장면(출처: 미디어로그/출처가 명기된 이미지는 무단 게재, 재배포할 수 없습니다)

“‘기계는 생각할 수 있는가?’란 질문은 ‘기계는 (생각하는 존재인) 인간이 하는 걸 할 수 있는가?’란 질문으로 바뀌어야 한다.” 논문 ‘컴퓨터와 지능’에서 튜링은 이 같은 주장으로 눈길을 끌었다. 이 명제는 요즘 한국 사회에서도 ‘이세돌 대(對) 알파고’ 바둑 매치로 무성해진 인공지능과 기계학습(딥러닝) 관련 논란에 확실한 선을 긋고 있다. ‘기계는 스스로 생각할 수 없다, 인간이 기계로 하여금 자신들이 하는 것과 같은 일을 시킬 수 있을 뿐이다’라고 말이다.

하지만 여전히 궁금증은 남는다. 어떻게 해서 기계에 ‘인간이 할 수 있는 것과 같은 일을 하는’ 능력을 부여할 수 있는 걸까? 사실상 ‘기계 스스로 생각해낸 듯한’ 결과물을 도출하도록 하는 비결은 뭘까?

기계도 공부한다, 인간처럼_DNA와 빅데이터

위 질문에 답하려면 우선 ‘인간은 어떻게 생각할 수 있게 됐나’에 대해서부터 이해해야 한다. 기계가 그와 비슷하게 작동할 수 있도록 프로그램을 만드는 건 다음 순서다. 단, 여기서 ‘생각’이란 맘속으로 혼자 떠올리는 게 아니라 특정 사안을 판단한 후 그걸 표현하는 일련의 과정을 통칭한다.

특정 대상을 판단, 표현하기 위해 인간은 대체로 어떻게 할까? 가장 간단한 예에서 출발해보자. 갓난아기가 태어난 후 가장 처음 하는 말은 “엄마”라고 한다. 물론 “엄-마”라고 정확한 2음절어를 말하는 건 아니다. 말하자면 입술을 꽉 닫았다 내뱉듯 내는, “ㅁㅁ-마” 같은 단음절 발성에 더 가깝다. 초보 부모를 감동시키는 이 첫마디를 내기 위해 아기 두뇌 속 지성 관련 구조에선 어떤 일이 일어날까?

아이가 엄마를 보며 “엄마”라고 말하려면 우선 엄마의 모습을 무수히 접해야 한다. 눈∙코∙귀뿐 아니라 온 감각으로 받아들이는, 기분 좋고 신뢰가 가며 항상 자신과 함께하는 존재인 엄마. 그 모습과 느낌을 반복적으로 경험하며 아기의 맘속엔 ‘엄마’란 존재에 대한 평가와 판단이 특별한 가치로 형성된다. 이 과정에서 엄마가 아이에게 ‘엄마’란 말을 여러 차례 들려주면 아이가 그 소리와 실제 자신의 엄마를 연결 지어 판단하는 과정은 한층 단축될 것이다. “엄마가 맘마 줄까?” “엄만 ○○○를(을) 사랑해” “조금만 기다려, 엄마가 기저귀 갈아줄게” 같은 표현이 그에 해당할 것이다.

어른이 입을 움직여 소리 내는 걸 보던 아이는 어느 순간, 발성기관 근육 형성에 힘입어 “음-마” 비슷한 소릴 낼 수 있게 된다. 그 광경을 지켜본 부모는 환호하며 아이를 칭찬해준다. 학습 성과에 대해 일종의 보상을 제공하는 셈이다. 이런 일이 반복되면 아기는 엄마의 존재와 ‘엄마’란 소리 간 연관성을 좀 더 확실히 인지하게 된다. 어른의 발성을 들으며 발음도 점차 분명해진다.

비슷한 과정을 기계에 적용한다고 가정하면 어떨까? △엄마의 모습과 동작 유형, 음성 등에 대한 데이터를 반복적으로 기계에 주입하고 △‘엄마’란 단어를 포함, 여러 종류의 기계음을 입력시킨 상태에서 기계가 스스로 다양한 유형의 모습과 소리를 연결하도록 한 후 △특정 모습과 ‘엄마’란 소리를 짝지었을 때 그 성과를 인정하는 시스템을 구축해 넣는 식이다. 기계 역시 무수한 시행착오 끝에 의도한 모습을 보며 “엄마”라고 말할 수 있을 것이다. 보상 메커니즘만 잘 구축돼 있다면 성공 확률은 시도 횟수를 거듭할수록 높아질 것이다.

위 예시에서처럼 사람이든 기계든 인지∙연상 능력을 가능케 하는 건 ‘경험의 반복’이다. 양자의 차이는 장구한 세월을 두고 진화해온 생명체인 인간, 그리고 정확하긴 하지만 모든 게 ‘제로(0) 베이스’에서 시작되는 기계의 특성 차에서 비롯될 뿐이다. 인공지능의 미래를 조명했던 올 3월 23일자 스페셜 리포트에서 언급했듯 인간은 자신이 전 생애에 걸쳐 경험해온 내용뿐 아니라 자신의 DNA에 축적된 내용까지 실로 방대한 양의 데이터를 처리한다(물론 정확성 측면에선 기계에 비해 뒤처질 수 있지만). 반면, 기계는 일단 접수된 내용을 끝까지 이용하는 대신 데이터를 일일이 입력해줘야 한다. 이 때문에 인간과 비슷하게 생각하고 행동하기엔 자료의 양(量) 측면에서 지극히 제한적일 수밖에 없다.

기계가 지닌 이 같은 한계를 극복할 수 있는 대안이 인터넷(을 활용한 정보 축적), 그리고 (그렇게 쌓은 정보를 다룰 수 있는 도구로서의) 빅데이터 기술이다. 인터넷 시대 도래와 빅데이터 기술 발전으로 인해 인공지능이 ‘정확성’과 ‘데이터 무제한 보유’ 등 두 가지 강점을 겸비하게 된 셈이다. 실제로 글로벌 정보 기술 연구∙자문 기업 가트너는 올해 IT 동향 보고서에서 빅데이터 기반 기계학습을 이전의 단순 입력식 기계학습과 구분, ‘고급 기계학습(Advanced Machine Learning, AML)’으로 규정하기도 했다.

미래의 인공지능? ‘터미네이터’ 아닌 ‘도우미’

오늘날 인공지능은 사람들이 인식하든 그렇지 않든 다방면에서 활용되고 있다. 그 비중도 점차 느는 추세다. 인류가 공상과학 영화나 소설의 형식을 빌어 ‘기계가 장악한 부정적 미래’를 염려해온 것과 달리 현대사회의 인공지능은 무자비한 괴력을 지닌 거인이라기보다 눈에 잘 보이진 않지만 작고 친절한 도우미에 가깝다. 이메일 사이트가 스팸 메일을 걸러줄 때, 페이스북이 사용자에게 ‘새 친구’ 목록을 제시할 때, 아마존이 회원들에게 ‘맞춤형 도서 추천 서비스’를 제안할 때 그곳엔 어김없이 기계학습을 거친 인공지능이 작동하고 있다. 방대한 양의 데이터에 기초해 일정 유형(pattern)을 찾아 통계적으로 예측하는 방식이다.

온라인 쇼핑몰 등 인터넷 기반 사업 시장이 빠르게 성장하고 있는 요즘 △고객 관리 △아이템 선정 △판매망 이용 등 빅데이터 기반 인공지능을 활용하려는 시도는 다방면에서 우후죽순처럼 개발, 적용되고 있다. 이 단계에서 경영자는 인공지능의 사업 경영 활용 여부를 두고 고민에 빠지게 마련이다. 사업 전망 예측과 진행 관리 측면에선 확실히 도움이 되겠지만 시스템을 움직이는 데 드는 추가 비용이 만만찮은 점은 부담으로 작용할 수밖에 없다.

지난해 말 가트너는 “미국 기업의 75%가 빅데이터 관련 혁신에 투자하기 시작했거나 향후 2년 안에 투자할 예정”이란 조사 결과를 발표했다. 이 추세를 반영한다면 향후 2년간 빅데이터 프로젝트 관련 투자액은 2420억 달러(약 274조 원)에 이를 전망이다.

무수한 아이디어가 경합을 벌이는 IT 시장에선 매 순간 새로운 아이템이 등장했다 사라진다. 극찬 받던 생각이 순식간에 퇴출되는가 하면, 수 년간 일명 ‘얼리어답터’들의 기대를 모으던 제품이 한순간 과대선전에 불과했던 걸로 판명되기도 한다. 1990년대부터 꾸준한 성장세를 보이고 있는 기계학습과 빅데이터 관련 기술도 마찬가지다. 현재는 대중의 상당한 신뢰를 얻고 있지만 이 추세가 언제까지 지속될진 미지수다.

조지 S. 포드(George S. Ford) 미국 상급법률및경제공공정책연구소(Phoenix Center For Advanced Legal & Economic Public Policy Studies) 수석연구원은 “어떤 IT 기술이 일상으로 정착되려면 두 부문 간 협력이 필요하다”고 말했다. 이때 ‘두 부문’이란 첨단 기술 개발자, 그리고 해당 기술 구현에 필요한 인프라 구축을 담당하는 정책 결정권자를 각각 일컫는다. 양 날개가 어떻게 균형을 잡고 날아 오르는가에 따라 해당 기술은 고공으로 비상할 수도, 비틀거리다 추락할 수도 있는 것이다. 분명한 건 양쪽 모두에 힘을 실어줄 수 있는 건 ‘기술의 가치를 이해하고 지원해주는’ 소비자, 즉 사용자란 사실이다.

“수험 번호 371번부터 380번까지의 응시생 여러분, 자신의 번호 끝자리에 해당되는 방으로 들어가주세요.” 수백 대 1의 경쟁률을 자랑하는 A기업 신입사원 채용시험장, 대기실 곳곳에 안내 방송이 울려 퍼진다.

정보의 수집과 분석, ‘빅데이터’ 뛰어넘다

375번 수험 번호를 단 K씨가 5번 방 문을 열고 들어서는 순간, 정면 카메라가 그의 모습을 찍고 K씨 가슴에 달린 수험표가 스캔된다. 그와 동시에 K씨에 관한 거의 모든 정보가 중앙 통제실 컴퓨터에 고스란히 입력된다. 본인 여부 확인 절차를 거쳐 △신용카드 사용 내역 △병원 이용 이력 △도서관(DVD 대여점)에서 빌린 책(DVD 타이틀) 목록 △인터넷 TV 시청 프로그램 △유치원부터 대학까지의 출신 학교 전산 시스템 입력 내용 △SNS 활동 현황 등 시시콜콜한 정보가 소상히 인사팀 컴퓨터로 전송된다.

이 스캐너는 K씨가 사용해온 스마트폰과 웨어러블 기기 등 각종 모바일 기기 내 데이터들과 감응, 이들 정보를 분석한다. K씨 성명과 주민등록번호로 등록된 기기 일체와도 상호작용(interaction)한다. 각각의 기기(를 기반으로 데이터 클라우드)에 저장된 정보들도 수집, 읽어들일 수 있다. 일명 ‘모든 것의 정보(Information of Everything, IoE)’ 기술이다.

IoE는 빅데이터로 인해 가능해진 정보 집합에서 한 걸음 더 나아간 단계의 기술이다. 이전까지의 정보는 서로 연결되지 않은 여러 가닥의 흐름을 통해 수집됐다. 수작업으로, 혹은 서로 다른 소프트웨어 애플리케이션 간 연결을 거쳐 분석된 정보들이었다. 여전히 대다수의 기업과 연구기관은 이런 방법으로 데이터를 분석한다. 이와 대조적으로 IoE는 고립되고 불완전한 정보를 연결, 이해와 접근이 쉬운 적정 데이터로 만드는 기술을 통칭한다.

게임 태도로 응시자 인성 파악하는 면접?

방대한 양의 K씨 관련 정보는 IoE 기술 덕에 순식간에 수집돼 신입사원 채용을 위해 특별히 배당된 사내 CPU 레지스터에 집적됐다. 이윽고 면접장에 들어선 K씨, 긴장을 풀고 평정을 유지하려 애쓰면서 중앙에 놓인 의자에 앉는다. 그러자 정면의 대형 화면에서 A기업 CEO이자 ‘성공한 신세대 기업인’으로 명망을 얻고 있는 B 대표의 얼굴이 나타났다.

B 대표는 부드럽게 미소 지으며 K씨와 인사를 나눈 후 본격적인 질문을 던진다. 모니터 한쪽엔 문항별 대답 시간이 얼마나 남았는지 초 단위까지 표시되고, 그 시간이 다 소진되면 다음 질문으로 넘어간다. K씨가 각 문항에 간결하고 요령 있게 대답하려 애쓰는 동안, 정면 카메라는 그 모습과 목소리를 담아 중앙통제실 CPU에 저장한다.

화상 인터뷰가 끝나면 K씨가 앉은 책상 위 컴퓨터가 켜지면서 게임 화면이 떠오른다. ‘백화점 매장에서 많은 고객이 몰린 상황’을 가정한 시뮬레이션 게임이다. 고득점에 성공하려면 물건을 가장 많이 살 고객을 나름대로 예측, 매출을 최대한 올리는 동시에 문제 발생 소지가 있는 사람을 파악해 원만하게 대해야 한다. 다시 말해 ‘모든 고객에게 좋은 인상을 주는 세일즈맨’으로 행동하면 높은 점수를 받을 수 있도록 설계된 게임이다. K씨가 게임에 몰두하는 동안 △인지 능력 △대인관계에서의 직관력 △정보 기억력 △돌발 상황에서의 대응 능력 등이 자동으로 평가돼 역시 중앙통제실로 보내진다.

이 모든 단계를 통해 수집된 데이터는 그야말로 K씨에 대한 ‘모든 것의 정보’다. 그런데 그 결과물을 분석하는 주체는 A기업의 면접관도, 임직원도 아니다. K씨 한 명에 관한 정보도 일일이 수작업 하기엔 그 규모가 너무 방대한데 수천, 수만 명 응시생 관련 데이터를 일일이 훑어보는 일은 한마디로 불가능하다.

K씨를 둘러싼 ‘모든 것의 정보’는 A기업이 신입사원 채용을 위해 특별히 개발한 일종의 ‘딥러닝(deep learning)’ 알고리즘을 통해 분석된다. 이 알고리즘은 다량의 데이터 분석을 통해 K씨가 어떤 사람인지, 얼마나 성실하게 사회생활에 임해왔는지, 어떤 직무 가능성을 보유하고 있는지 등을 정리해낸다. 그의 경험과 인성(personality)이 A기업의 일원으로 근무하기에 적합한지, 채용된다면 어떤 부서에 배정되는 게 적절한지, 그 경우 기존 임직원과의 관계 형성엔 문제가 없을지 등도 예측할 수 있다. 이처럼 특별히 설계된 채용 알고리즘을 통해 A기업은 신규 채용 예정 인원의 10배수를 추려낸다. 인사 담당자들은 선별된 10배수를 대상으로 면접을 진행, 최적의 인원을 선발하게 된다.

수작업 영역 없앤 IoE, 적용 범위 ‘무한대’

이미 눈치챈 사람도 있겠지만 여기까지의 내용은 가상 시나리오에 따른 것이다. 실제로 기업의 신입사원 채용 절차가 이 같은 과정을 거쳐 확정된다면 대상자는 이를 어떻게 받아들일까? 일부는 “첨단 IT 기술 덕에 채용 절차가 한층 더 공정해졌다”며 반색할 것이다. 반면, 단지 피고용인이란 이유로 채용 단계에서 원치 않는 ‘신상 털이’ 과정을 겪어야 하는 게 뭔지 모르게 께름칙한 이도 존재할 수 있다.

비록 아직은 ‘가상’이지만 이런 상황은 좋든 싫든 엄연한 ‘현재진행형’이다. 아직까진 미국 등 선진국에서, 그것도 부분적으로만 구현되고 있지만 입사 지원자의 인성 측정용 비디오게임이나 온라인 설문조사 도구를 개발하는 스타트업은 실제로 늘고 있다. 내킷(Knack.it Corp)과 벙글(Vungle Inc.), 이볼브(Evolv Inc.) 등이 대표적 예다.

고용 과정에 빅데이터를 활용하려는 노력은 비단 게임이나 설문조사 형태에 그치지 않는다. 더 많은 데이터를 보다 효율적으로 분석하기 위한 알고리즘 개발이 요구되는 이유도 바로 여기에 있다. 그리고 이 알고리즘은 기본적으로 기계학습(machine learning)과 딥러닝, 한 걸음 더 나아가 IoE 기술에 기반하고 있다.

삼성전자 뉴스룸이 지난 3월 23일 발행한 스페셜 리포트 ‘인공지능의 미래가 두렵다는 당신에게’에서 ‘이세돌 대(對) 알파고’ 대국이란 유명 이슈를 통해 살펴봤듯 기계학습이나 딥러닝 기술의 가능성은 빠르게, 그리고 다양한 분야로 뻗어가고 있다. 일찍이 조이 이토(Joi Ito) 미국 매사추세츠공과대학(MIT) 미디어랩 소장이 언급했듯 기계는 점점 더 사용자의 인간적 자질을 찾아 분석하도록 학습되고 있다.

딥러닝은 무수한 정보를 한 곳에 수집한 후 필요한 분석 방향을 설정, 그에 따라 걸러내는 알고리즘이다. 빅데이터 기술이 발달해 엄청난 양의 데이터를 빠르게 정렬, 선별할 수 있게 되며 실현이 가능해졌다. 하지만 딥러닝을 구현할 때도 어느 소스에서 어떤 데이터를 넣어야 하는지 결정하기까진 어느 정도 수작업이 필요하다. 데이터 수집과 필터링 알고리즘을 따로 개발, 적용해야 할 수도 있다. 하지만 IoE는 여기서 한 걸음 더 나아간다. 정보의 검색과 수집, 분석 등 전 과정을 ‘자동화’하는 기술이기 때문이다. 이렇게 볼 때 IoE의 가능성과 적용 범위는 무한대라 해도 과언이 아니다.

가트너, ‘올해 10대 기술 동향’으로 꼽기도

IoE가 IT 업계와 미디어를 흔들기 시작한 건 지난해 10월 글로벌 정보 기술 연구∙자문 기업 가트너가 ‘2016 10대 전략 기술 동향(Top 10 Strategic Technology Trends for 2016)’ 중 하나로 IoE를 꼽으면서부터다. IoE는 사물인터넷(Internet of Things, IoT) 기술 발달과 밀접하게 연동돼 있다. 올 3월 9일 스페셜 리포트에서 다뤄진 뉴스룸 픽션 ‘IoT 포에버!(부제: 서기 2100년, 김성실 삼성전자 대리의 커넥티드 라이프)’에서 짐작할 수 있듯 미래 사회는 모든 구성원의 행동과 경험이 점점 더 디지털화(化)돼 서로 연결되는 IoT 세상으로 나아간다. 이런 세상에선 실로 다양한 기기가 엄청난 양의 정보를 수집, 사용자에게 제공할 것이다. 실제로 네트워킹 하드웨어∙보안 서비스를 제공하는 글로벌 기업 시스코(Cisco)의 추산에 따르면 오는 2020년 서로 연결될 기기 대수는 500억 대에 이를 전망이다.

이와 함께 각종 기기와 그것들이 제공하는 정보가 상상을 초월할 정도로 복잡한 연결망 속에서 서로 영향을 주고받을 것이다. 스마트폰에서부터 냉장고에 이르기까지 모든 기기가 데이터를 기반으로 사용자의 기호(嗜好)를 알아차려 아직 행해지지 않은 행동까지 예견할 수 있게 된다. 사용자의 삶 자체가 사용자 경험(User eXperience, UX)과 동의어로 작용하는 셈이다.

그뿐 아니다. 하나의 기기나 채널에서 수집된 정보는 타인도 이용할 있게 된다. 타인에게 일정 부분 영향을 끼치기도 한다. 이를테면 특정인의 스마트폰에 저장된 정보는 그 사람 집의 제어 체계에 영향을 줄 뿐 아니라 기상청 등 공공기관 시스템 정보와의 상호작용을 통해 일명 ‘초(超)스마트홈’ 구현을 가능케 한다. 요컨대 향후 각종 기기는 ‘자율적 대행자’로서 인류의 상호작용 방식을 완전히 바꿔놓을 수 있다.

이처럼 개별 기기가 다른 기기와 연계되는 상황을 ‘디바이스 그물망(device mesh)’이라고 일컫는다. 각각의 기기는 이 망 속에서 끊임없이 소통하며 엄청난 정보를 쏟아낸다. 실제로 사물인터넷과 디바이스 연결망이 창출하는 자료의 가치는 엄청나다. 시스코의 추산에 따르면 오는 2022년 기업이 활용하게 될 데이터의 가치는 14.4조 달러(약 1690억 조 원)에 이른다.

‘구슬이 서 말이라도 꿰어야 보배’란 말이 있다. 데이터 분야에서도 이 표현은 꼭 들어맞는다. 무의미하게 집합된 데이터는 실생활에 아무런 도움을 주지 못하기 때문이다. 하지만 끊임없이 쏟아져 나오는 대량의 데이터를 웬만한 수작업으로 묶어 의미를 찾아내기란 점점 불가능해지고 있다. IoE 기술이 그 어느 때보다도 절실해지는 이유다.

“신상 악용 우려” vs “민주적 정보 공유”

근대 이후 인류는 줄곧 거대한 걱정거리 앞에서 안절부절못하고 있다. 걷잡을 수 없이 커지는 기계와 정보의 역할과 비중 앞에서 ‘비인간적이면서도 강력한 특정 존재가 모든 정보를 손에 넣고 인간에게 불행한 삶을 강요할지 모른다’는 우려가 바로 그것. 영국 작가 조지 오웰이 1949년 발표한 소설 ‘1984년’ 속 ‘빅 브라더’도, 영화 ‘매트릭스’(1999) 속 인공지능도 모두 그런 공포의 산물이다.

IoE 기술에 대한 아이디어가 싹트기 시작한 오늘날, 비슷한 맥락에서 우려의 목소리가 들려온다. 사람들의 신상 정보가 악용될 수 있는 ‘사이버 보안’ 문제가 대두되는 게 대표적 예다. 하지만 정보의 가치가 높아지고 관련 기술이 발달하면서 한편에선 “상황 전개가 지난 세기의 상상과는 전혀 다른 방향으로 나아가고 있다”는 지적이 나온다. 정보의 양뿐 아니라 증가 가속도 역시 엄청나 인간이든 기계든 ‘단독적 존재’가 그 모든 걸 장악하기란 불가능하다는 게 그들의 논리다. 혹자는 여기서 한 걸음 더 나아가 이렇게 말한다. “IoE 기술을 제대로 구현하려면 관련 인프라를 조성할 정책 결정자와 기술 개발자, 사용자가 상호작용하며 협동해야 하는 만큼 IoE 시대엔 과거 어떤 시기에서보다 정보의 민주적 공유가 가능해질 것이다.”

송길영 다음소프트 부사장

일요일 아침, 잠결에 누군가 제 손을 몰래 갖고 가 어딘가로 움직이는 게 느껴지더군요. 눈을 떠보니 초등학교에 다니는 아들 녀석이었습니다. 뭘 하는지 가만히 지켜봤는데 제 스마트폰 지문 인식 센서에 제 손가락을 갖다 대고 있었습니다.

#1. 스마트폰 보안, 지문 인식으로 충분할까?

주말, 제가 사탕 없애는 게임에 한창 몰입해 있으면 아들은 '나도 너무 하고 싶다'는 눈빛 공격을 간절하게 보내오곤 합니다. 하지만 제 엄마가 아이 디지털 기기 쓰는 시간을 제한한 걸 어쩌겠습니까. 게다가 천하의 빌 게이츠 선생마저 아이들이 자라는 동안엔 디지털 기기 사용을 제한했다, 는 말을 듣고 저 역시 아이가 제 스마트폰에 손을 못 대게 했죠. 그랬더니 제가 잠든 사이 몰래 쓰려는 시도를 한 겁니다.

이 경험담이 비단 제 것만은 아닙니다. "아침에 일어났더니 아이가 내 손가락을 터치 센서에 갖다 댄 채 움직이고 있더라"란 문장은 태평양 넘어 있는 나라 사람도 남긴 적이 있는 걸요. 그러고 보면 역시 사람 사는 건 어디나 다르지 않은 모양입니다. 암호가 숫자나 패턴으로 돼 있던 예전엔 언감생심(焉敢生心) 생각도 못할 일이 일어난 거죠.

이쯤 되면 지문 인식은 가까운 사람끼린 오히려 안전하지 않은 보안 시스템이라 해도 과언이 아닙니다. 물 묻은 상태에서 '터치'하면 잘 인식되지 않을 때도 있습니다. 이래저래 '추가 기능'이 필요하다는 생각이 듭니다.

#2. 변기 앞에 스마트폰 거치대 두면 어떨까?

휴대전화, 여러분은 어떻게 쓰고 있나요? 휴대전화에 '스마트'란 명칭이 붙기 시작한 지도 어느덧 5년여가 흘렀습니다. 그간 사람들의 일상도 때론 빠르게, 때론 서서히 변해가고 있습니다. 

이른 아침, 눈 뜨자마자 비몽사몽 헤매며 현관으로 나가 조간 신문을 들고 와 펼쳐보던 어릴 적 습관은 이제 옛말이 됐습니다. 그냥 머리맡에 놓인 스마트폰을 들고 몇 번 조작하기만 하면 간밤에 올라온 뉴스를 편리하게 확인할 수 있으니까요. 잠이 덜 깬 상태에서 볼일을 보러 갈 때도 굳이 거실 불을 켤 필요가 없습니다. 스마트폰이 어엿한 조명 역할을 해주기 때문이죠(물론 화장실에까지 스마트폰을 들고 가니 '이러다 변기에 빠뜨리면 어쩌지?' 덜컥 겁이 나 잠이 확 깨는 부작용은 감수해야 합니다).

그러면서도 사람들은 화장실에서조차 스마트폰을 손에서 놓지 않습니다. 익스트림(extreme) 스포츠를 즐기는 이들의 심리가 그런 걸까요? 가끔은 변기 앞 부분에 거치대를 마련하면 어떨까, 싶기도 합니다. '변비 유발' 후유증이 남긴 하겠지만 적어도 변기에 스마트폰을 빠뜨리는 참사(?)는 피할 수 있으니 나쁘지 않은 선택이지, 싶습니다.

#3. 누군가 사용자 상황 읽고 음악 골라준다면?

이따금 찾는 체육관에서 운동을 할 때도 스마트폰 상태부터 점검합니다. 일정 속도로 운동하기 위해 음악을 틀어놓곤 하는데 가끔은 제가 멋진 뮤직비디오 주인공이 된 듯 착각에 빠지기도 합니다. 물론 거울에 비치는 비루한 몸매를 보며 퍼뜩 현실로 돌아올 때가 더 잦지만요.

한 독일인은 이런 상황을 가리켜 "인생의 배경 음악"이라고 표현했습니다. 현실이 가상으로, 가상이 다시 현실로 다가오는 현상은 '시뮬라크르(simulacra∙모의)'와 '시뮬라시옹(Simulation, 시뮬라크르가 작동하는 상황)'을 언급한 '(프랑스 철학자 장) 보드리야르(Jean Baudrillard, 1929~2007)의 시대'가 완연히 도래했다는 걸 보여줍니다.

여기서 한 단계 더 나아가 지금의 기후와 위치, 상황이나 사용자 행동에 따라 배경 음악이 자동으로 추천되는 서비스는 어떨까요? 예를 들어 쉰을 바라보며 건강을 걱정한 나머지, 이른 새벽 계단을 뛰어 올라가는 어느 아버지에겐 '아이 오브 타이거(Eye of the tiger)'가 제격일 겁니다. 실베스터 스탤론이 나왔던 1970년대 영화 '록키(ROCKY)' 오리지널 사운드 트랙으로 잘 알려진 곡이죠.

#4. 휴대전화 속 사진이 자동으로 분류된다면?

운동 후 샤워를 마치면 그 다음엔 머리를 말립니다. 머리카락이 제법 긴 전 말리는 데도 시간이 꽤 걸리는데요. 예전엔 머리 말릴 때 두 손만 사용했는데 언젠가부터 한 손엔 스마트폰을, 다른 한 손엔 헤어드라이어를 들고 말리게 됐습니다. 그러다 스마트폰으로 게임이라도 할라치면 한 손으로 휴대전화를 쥘 수 없어 쩔쩔맵니다. '고정식으로 사용할 수 있는 헤어드라이어가 있으면 얼마나 좋을까?' 생각이 절로 들죠. 모자처럼 쓰고만 있으면 머리가 말려지는 기계도 좋겠네요. 이왕 상상하는 김에 좀 더 나아가 머리가 말려지면서 두피 마사지를 해줘 탈모 예방까지 해주면 금상첨화겠습니다.

한창 사춘기를 지나고 있는 중학생 딸의 휴대전화 속 사진이 1000장을 넘어가기에 '예쁜 사진 하나 얻어볼까?' 하고 스크롤(scroll)하다 깜짝 놀랐습니다. 1000장 중 100여 장은 잘생긴 남자아이 사진이었거든요. 하마터면 "너 남자친구 있니?" 하고 물어볼 뻔했죠. 자세히 보니 얼굴이 지나치게 잘생긴 게 딱 봐도 아이돌 가수더군요. 알게 모르게 안도감이 드는 한편으로 씁쓸해졌습니다. '나도 어쩔 수 없는 딸바보구나!' 싶어서요. 하지만 그 많은 사진 속 '우리 딸 사진'만 골라내긴 무척 어렵더군요. 이럴 땐 일반인와 연예인 사진을 나눠주거나 가족과 가족 아닌 사람을 친절히 분류해주는 서비스가 아쉬워집니다. 딥 뉴럴 네트워크(deep neural network, 인간의 뇌 기능을 모방한 네트워크)의 성과가 기다려지는 이유이기도 하죠.

#5. 자동차는 언제까지 '이동 수단'에 머무를까?

최근 강연차 들른 한 대학 구내 커피숍엔 충전 가능한 테이블이 두 개에 불과했습니다. 하루 종일 커피 한 잔 시켜놓고 공부하는 학우들이 많아지면 매상에 도통 도움이 안 될까봐 만들지 않은 듯하더군요. 덕분에 커피숍에서 휴대전화를 충전하려던 제 의도는 무산됐습니다. 문제를 해결해준 건 새로 산 자동차의 충전 시스템이었습니다.

실제로 동일 가격대의 자동차라도 불과 5년 새 충전 기능은 엄청나게 강화됐습니다. 디지털 기기의 사용 빈도와 이동 중 사용하는 사례가 늘면서 자동차 회사도 이들을 배려하기 시작한 겁니다. 그뿐 아닙니다. 내비게이션이나 통화 연동, 블루투스 오디오 접속까지 아주 간단하게 연결해주는 걸 보면 이제 자동차는 하나의 거대한 가전제품처럼 바뀌고 있는 듯합니다.

좀 있으면 자동차가 사무실로 변하고, 그 안에 인공지능 기능을 갖춘 '디지털 비서'가 자리 잡게 되겠죠. 이쯤 되면 이동하러 차를 타는 게 아니라 일하러 차를 타는 일이 벌어지겠네요.  차를 이용해 출근만 하는 게 아니라, 차로 모든 일을 처리하는 세상이 머지않은 듯합니다.

에필로그: 혁신의 원천? 일상 관찰과 변화 이해!

이처럼 새로운 기술과 제품은 인간에게 편안함과 즐거움을 주며 조금씩 우리 생활을 바꿔나갑니다. 그리고 바뀐 생활 속 습관의 변화에서 새로운 욕망의 싹이 다시 자라납니다. 휴대전화가 일상에 깊숙이 들어와 잠시라도 우리와 떨어질 수 없는 미디어가 되고, 이런 변화에 발맞춰 자동차 내부 시스템처럼 주변 환경이 재정비되는 것처럼 말입니다.

이런 욕망이 혁신의 원천이란 사실을 우린 너무나 잘 알고 있습니다. 단순한 상상이 아니라 우리의 일상을 깊게 관찰해 작은 변화의 시작을 이해하는 것, 그리고 그 변화의 원인을 고민하는 것. 혁신은 바로 거기서부터 시작됩니다.

※ 이 칼럼은 전문가 필진의 의견으로 삼성전자의 입장이나 전략을 담고 있지 않습니다.

[관련 태그]
#지문 인식, #빅데이터, #딥 뉴럴 네트워크

국내 원자력발전소(이하 ‘원전’)에서 불량 부품이 사용됐다는 보도는 섬뜩했다. “모조품 사용 원전이 두 군데나 된다”는 소식을 자세히 살펴보니 해당 부품은 아직 전산화되지 않은 업무와 관련돼 있었다. 업무와 부품 간 관계에 대한 시각은 여러 가지가 있을 수 있다. 컴퓨터 전문가는 업무를 컴퓨터 프로그램으로, 부품을 데이터로 각각 인식한다. 컴퓨터 프로그램을 누구나 쉽게 이해하긴 힘들겠지만 스마트폰용 애플리케이션 같은 게 프로그램의 대표적 유형이라고 보면 된다.

프로그램은 짧고 데이터는 길다

프로그램은 데이터를 사용하는 주체이고 데이터는 프로그램에 의해 철저히 이용 당하는 존재다. 네트워크 상에선 이동하는 물건이 많으므로 시스템 전반의 성능 극대화를 감안하면 ‘덩치 작은 존재가 민첩하게 이동하는’ 편이 유리할 것이다. 이렇게 볼 때 데이터는 큰 몸집 때문에 정해진 장소에 무게 잡고 있는 반면, 프로그램은 심부름꾼처럼 이리저리 분주하게 장소를 옮겨 다니며 크고 작은 작업을 수행한다. 그래서 흔히 데이터와 프로그램 간 관계를 묘사할 때 (‘인생은 짧고 예술은 길다’는 말에 빗대) ‘프로그램은 짧고 데이터는 길다’고 한다.

컴퓨터 프로그램은 가장 긴 게 5000만 줄(行) 정도다. 보통 운영체계(OS)가 그렇다. 이에 비해 데이터는 대기업을 기준으로 했을 때 길면 10의 15제곱 줄, 즉 수천 조 줄에 이를 정도로 그 규모가 방대하다. 기업은 이 같은 데이터를 먹고 사는 생명체라고 할 수 있다.

기업은 업무 단위로 돌아가며, 업무는 영업 행위들의 집합이다. 선·후행 순서에 입각해 구성된 행위들의 집단이 기업 단위 업무를 형성하며, 이런 행위가 건드리는 ‘무엇’이 바로 데이터다. 업무 행위가 바로 프로그램 역할을 하며, 일단 전산화되면 모든 업무 행위는 컴퓨터 프로그램으로 바뀌는 것이다. 그래서 업무와 데이터 간 관계는 어떤 방식으로든 표현돼야 하며, 가장 이상적으로 표현해놓은 형태가 ‘업무(직무)기술서’ 혹은 ‘업무 매뉴얼(job description)’이다.

크고 작은 사건 사고를 당할 때마다 그 원인으로 ‘매뉴얼 부재(不在)’가 꼽히곤 한다. 기업도 마찬가지다. 제대로 된 업무 매뉴얼을 갖춘 기업을 찾기란 여간 어려운 일이 아니다. 무늬만 매뉴얼일 뿐, 실제 내용을 들여다보면 형편없는 작품을 매뉴얼이라고 제작해놓았다가 막상 일이 터진 후에야 한탄하는 행태가 매번 반복된다.

프로그램은 어디까지나 데이터를 처리하는 ‘조연’에 불과하다. 데이터가 프로그램을 처리하는 경우란 애당초 있을 수도 없다. 프로그램은 데이터를 생성해 어딘가에 저장하고, 저장된 걸 필요 시 검색하거나 수정·갱신하는 역할을 맡을 뿐이다. 따라서 기업 데이터가 아직 전산화되지 않았다는 얘긴 처음부터 데이터가 컴퓨터에 들어간 적이 없고, 따라서 데이터 조작 프로그램조차 만들어진 일이 없다는 뜻이 된다. 원전에선 데이터 심층 분석을 통해 매출 확대를 꾀하는 식의 일반 기업 관심사에 별다른 관심이 없을 테니 전산화 속도가 다소 늦은 것도 이해할 수 있다. 하지만 비전산화의 그늘에선 부정과 부재가 얼마든지 존재할 수 있다. 가장 큰 원인은 데이터에 대한 주인의식 부족이다. 이때 주인의식은 조직 내 특정인을 가리키지 않는다. 조직 구성원 모두가 데이터에 대해 주인의식을 공유하는 걸 의미한다.

‘데이터 설계 아웃소싱’은 안 될 일

여기저기서 ‘빅데이터(big data)’를 얘기한다. 혹자는 ‘데이터 범람 시대’라고도 한다. 여기서 말하는 데이터란 모두 이미 전산화된 데이터를 지칭한다. 전산화됐다 해도 방심은 금물이다. 일명 ‘신(新)정보시스템’ 혹은 ‘차세대 정보시스템’ 구축 시 위험이 도사리고 있다. 이를 극명하게 보여주는 중대 사건이 몇 년 전 미국 공군에서 발생했다. 아웃소싱(outsourcing) 시류에 편승, 데이터 모델링 같은 중대한 초반 과업을 외주 업체에 무분별하게 맡겨버린 게 화근이었다. 이 사고로 6년간 줄기차게 추진해온 공군 내 신정보시스템은 ‘밑 빠진 독’이 돼버렸다. 1조 원이나 되는 거액이 제대로 쓰이지도 못한 채 하수구에 처박혀졌다.

이 사고는 ‘데이터 설계는 어떤 경우에도 아웃소싱해선 안 된다’는 교훈을 극명하게 보여줬다. 데이터 설계가 성공리에 종료되면 그 후속 작업으로 설계도에 따라 시공하는 일, 다시 말해 프로그램을 구현하는 일은 100% 아웃소싱해도 무방하다. 하지만 데이터 설계 부분까지 아웃소싱한 실책이 불러온 파장은 걷잡을 수 없이 컸다. 이 대목에선 우리 기업들도 정신을 바짝 차려야 한다. 국내 역시 외주 관행이 만연해 있는 게 현실이기 때문이다.

아웃소싱은 단순 업무, 이를테면 전화 응대처럼 난이도가 낮은 업무를 외부 업체에 위탁할 때나 사용하는 말이다. 중차대한 기업 업무를 외주로 맡기는 데 사용하는 말은 원래부터 아니었다. 데이터 설계나 기업 보안, 고객 정보 보호 같은 업무가 여기에 해당한다. 이런 업무 영역까지 아웃소싱하게 될 경우, ‘고양이에게 생선 가게를 맡기는’ 꼴을 벗기 어렵다. 한 나라로 치면 국방 같은 중대사를 다른 나라에 맡기는 것과 다를 게 없다.

이 글을 읽는 이 중 일부는 “이미 관행처럼 굳어진 아웃소싱 행태를 이제 와서 어떻게 고치나”라며 반문할 것이다. 하지만 아무리 관행처럼 굳어진 전통이라 해도 기업의 생사를 판가름할 수 있을 정도로 중대한 사안이라면 단번에 바로잡을 수 있는 용기가 필요하다. 기업이 ‘데이터를 먹고 사는 생명체’로 살아남기 위해서라도 이런 용기는 필수적이다. ‘지금은 데이터 시대’란 진리를 가볍게 여기는 일이 더 이상 반복돼선 안 된다. 이렇게 간단찮은 일을 과연 누가 해낼 수 있을까? 데이터의 역할이 날로 중요해지는 지금이야말로 기업이 최고 데이터 관리자(Chief Data Officer) 제도를 본격적으로 도입해야 할 때가 아닌가 생각한다.

※ 이 칼럼은 전문가 필진의 의견으로 삼성전자의 입장이나 전략을 담고 있지 않습니다.

▲윤진수 상무는 “빅데이터란 말이 널리 퍼지긴 했지만 아직 그 의미가 명확하게 정립돼 있진 않다”면서도 “머지않은 미래에 빅데이터 개념이 우리 삶 깊숙이 스며들게 될 것”이라고 전망했다

“우리 목표는 삼성전자 고객용 보조 검색 서비스 개발”

지난 7일 삼성디지털시티에서 마주한 윤진수 삼성전자 소프트웨어센터 상무의 말투는 간결하면서도 확신에 차 있었다. 그는 지난 1993년 삼성전자에 입사, 줄곧 소프트웨어 한 분야에서 근무해왔다. 지난 2013년 말부턴 삼성전자 내 빅데이터 관련 프로젝트들을 총괄하고 있다.

윤 상무의 주요 임무는 삼성전자 내부 데이터를 통합, 효율적으로 활용할 수 있는 플랫폼을 만드는 것이다. 이렇게 가공된 데이터는 삼성전자 임직원이면 누구나 쉽게 쓸 수 있다. 대량의 데이터를 분석해 특정 부서가 필요로 하는 내용을 쉽게 찾아볼 수 있도록 가공하는 것도 그가 이끄는 조직의 역할 중 하나다. 삼성전자의 지식그래프 데이터 공개 프로젝트 ‘케이샵(K#) 프로젝트’도 그 연장선상에 있다.

“저희는 독립적 기능이 갖춰진 검색엔진을 개발하려는 게 아닙니다. 삼성전자가 포털 서비스를 제공하는 기업은 아니니까요. 엄밀하게 말하면 저희의 목표는 ‘삼성 제품 속에 자연스레 스며들어 사용자를 편리하게 하는 보조 검색 서비스 개발’입니다. 삼성전자 고객 입장에선 ‘삼성전자 웹사이트에 갔더니 다른 곳에서보다 훨씬 쉽게 제품 기능 등의 정보를 찾을 수 있더라’고 느끼도록 만드는 게 목표입니다. 다시 말해 저희는 웹사이트나 개별 상품에 통합돼 삼성전자 제품과 서비스의 경쟁력을 제고하는 방향으로 빅데이터를 활용하고자 합니다.”

데이터를 모아 필요 시 제공하는데 검색 ‘엔진’은 아니다? 소프트웨어를 전공하지 않은 일반 사용자 입장에선 다소 헷갈릴 수 있는 논리다. 윤 상무는 태블릿 PC를 꺼내 스크린에 화면 하나를 띄운 후 설명을 이어갔다.

“제가 삼성 제품 고객인데 지금 삼성 TV를 보고 있다고 해보죠. 제 손엔 삼성 디지털카메라도 한 대 들려 있습니다. 만약 제가 지난 주말 이 카메라로 촬영한 동영상을 TV 화면으로 보고 싶다면 어떤 행동을 취할까요?”

이 상황에서 이제까지의 소비자들은 삼성전자 고객센터에 전화를 걸거나 구글·네이버 등의 검색 창에 ‘TV-카메라 연결법’ 따위의 문구를 입력해왔다. 고객센터를 이용할 경우, 영업 종료 시각 이후엔 통화 연결이 어렵다는 문제가 있었다. 인터넷 포털 서비스 활용 시엔 관련 웹문서를 일일이 확인해야 했다(설사 원하는 내용을 찾는다 해도 자신이 갖고 있는 TV나 디지털카메라의 모델명과 사양의 일치 여부를 재점검해야 하는 불편을 감수해야 했다).

동일한 상황에서 삼성전자 내 빅데이터 시스템이 통합돼 사용자 서비스로 제공된다면 어떨까? 삼성 TV 사용자는 자신이 보유한 각종 디지털 기기의 정보를 삼성전자 웹사이트에 미리 등록해둔 후 TV와 호환되는 기기, 기기 간 연결에 필요한 케이블 종류 등을 그때그때 확인만 하면 된다. 어쩌면 해당 페이지에서 한 차례 클릭만으로 필요한 제품을 구입할 수 있게 될지도 모른다.

지식그래프 기술은 바로 이 단계에서 적용된다. ‘내 카메라 속 영상을 TV로 보려면 어떻게 하지?’란 궁금증이 떠올랐을 때 지식그래프는 이렇게 답한다. “당신의 카메라에 ○○ 드라이버를 설치하면 당신이 갖고 있는 TV와 무선인터넷으로 콘텐츠를 공유할 수 있다.” 그 과정에서 나올 법한 질문, 이를테면 ‘이 카메라 기종이 내 TV와 호환될까?’ ‘(호환된다면)케이블로 연결해야 할까, 블루투스로도 연결이 될까?’ ‘바로 호환되지 않으면 별도 드라이버를 설치해야 할까?’ ‘이 모든 정보를 찾아보려면 어떻게 해야 할까?’ 등은 지식그래프가 알아서 처리해버린다. 인간과 유사한 사고방식으로 데이터를 처리해 사용자가 원하는 답변을 직관적으로 내놓는 것이다.

지식그래프가 이렇게 기능하려면 TV와 디지털카메라뿐 아니라 기타 다양한 기기와 그들을 서로 연결시켜줄 수 있는 장치에 관한 데이터가 모두 통합돼야 한다. 그리고 이렇게 통합된 데이터는 최종 사용자 입장에서 그들의 수요와 발상에 맞춰 정리돼 있어야 한다. 이 작업을 수행하는 곳이 바로 소프트웨어센터다.

“연결성이 모든 것이다(Connectivity is everything)”

‘빅데이터’라는 정보 트렌드의 등장은 IT 분야의 기술적 환경에서 몇 가지 변화를 가져왔다. 첫째, 연결성(connectivity)이 더욱 확대됐다. 둘째, 데이터의 총량이 늘어나면서 관련 처리 기술도 발달했다. 셋째, 데이터를 선별해 인간의 사고방식대로 정렬하는 노하우가 축적됐다.

연결성은 ‘현대 과학기술의 꽃’으로 불리는 IT 업계에서 가장 핵심적인 키워드 중 하나다. 연결성의 중요성은 널리 통용되는 ‘연결성이 모든 것이다(Connectivity is everything)’란 슬로건에서도 확인된다. 사실 이 슬로건이 제일 처음 사용된 건 뇌신경과학 분야에서였다. 2005년 독일 막스플랑크연구소(Max Planck Institute, MPI) 뇌신경과학자들은 뇌신경 회로의 작동 원리를 MRI 사진으로 촬영하는 데 성공했다. 그 과정에서 ‘수많은 세포와 연결된 신경 매듭일수록 더 중요한 기능을 수행할 뿐 아니라 점점 더 많은 세포를 활성화시킨다’는 사실이 확인됐다. 즉 한 세포의 연결성이 좋을수록 더 큰 영향력과 더 다양한 기능을 갖게 되며, 그런 세포가 많아져야 전체적인 세포의 활동 수준이 높아진다는 것이다(☞관련 링크 바로 가기).

▲연결성의 위력을 보여주는 다이어그램. 많은 세포와 연결된 매듭은 자신에게 속한 각각의 세포들을 불활성(검은 점) 상태에서 활성(흰 점) 상태로 점차 바꿔나간다

최종 사용자가 제품을 보다 쉽고 효율적으로 쓸 수 있도록 하는 게 목표인 IT 생태계에서도 연결성은 더없이 중요하다. 인간과 환경이 다양한 기기를 통해 연결될수록 일상은 더욱 편리해진다. 이는 사물인터넷이나 커넥티드카의 현주소에서도 명확하게 드러난다. 지식그래프는 이 같은 연결성을 구현하기 위해 소비자가 어떤 제품을 어떻게 사용해야 할지 한눈에 파악할 수 있게 해준다. 이 역시 다양한 데이터 간 연결성 구축을 전제로 한다.

지식그래프 구축이 가능해진 배경엔 데이터 처리 기술의 발전과 한층 진화된 데이터 접근 환경이 자리 잡고 있다. 사실 지금보다 사용 가능한 정보량이 훨씬 적었던 과거에도 모든 데이터를 일일이 분석, 처리하는 일은 불가능에 가까웠다. 이 때문에 당시엔 데이터의 경향을 읽기 위한 방식으로 ‘샘플링(sampling)’이 관행처럼 사용됐다. 데이터를 한꺼번에 처리할 수 없으니 무작위로 표본을 추출했고, 그 결과 값이 대표성을 띤다는 가정 아래 경향성을 판단했던 것이다.

하지만 지금은 상황이 달라졌다. ‘맵리듀스(Map Reduce)’ ‘마이크 2.0(MIKE 2.0)’ 등 빅데이터 처리 기술이 계속 개발되고 있을 뿐 아니라 그 중 상당수가 (누구나 이용할 수 있는 상태로) 공개되는 추세다. 빅데이터 분야를 둘러싼, 이 같은 환경의 진화는 관련 기술이 인류 사회에 공헌하게 될 가능성을 높여준다는 점에서 고무적이다.

‘소프트웨어, 세상을 바꾸다’ 시리즈 내내 강조했듯 데이터의 양이 가히 폭발적으로 늘고 있는 현대 사회에선 데이터 선별 기준을 정하는 문제가 중요하게 제기된다. 기준 설정 방식은 검색엔진 개발 주체의 특성에 따라 달라지겠지만 중요한 건 ‘어떻게 하면 최종 사용자의 사고 방식을 최대한 똑같이 따라갈 수 있을까?’다. 사람들이 흔히 따르는 생각의 흐름에 맞춰 데이터가 전개되도록 설계하는 것, 이 부분이 지식그래프 개발의 핵심이다.

삼성전자 소프트웨어센터의 당면 과제는 이 같은 최신 기술 변화의 추세 속에서 ‘데이터의 연결성’ 개선을 통해 ‘삼성 제품의 연결성’을 높이는 것이다. 그 과정을 통해 삼성 제품의 품질을 높이는 한편, 최종 사용자의 제품 활용 수준도 한층 끌어올릴 수 있다는 논리다.

삼성 소프트웨어, 폐쇄적 ‘성당’ 벗어나 개방적 ‘시장’으로

이 같은 맥락에서 삼성전자가 연결성 강화 수단으로 택한 방식이 일명 ‘굿커넥션(good connection)’이란 사실은 의미심장하다. 삼성전자는 지난달 개발자 커뮤니티 기트허브닷컴(GitHub.com)에 동의어 처리 데이터 ‘세임애즈(sameAs)’ 데이터를 올렸다. 이후로도 관련 소프트웨어를 추가로 공개, 전 세계 기술자들과 집단지성을 구축해나가겠다는 계획을 세웠다.

물론 삼성전자가 독자적으로 이런 행보를 보이고 있는 건 아니다. 높은 장벽을 세우고 지적 재산을 꽁꽁 숨기는 게 이제까지 과학기술계에 만연한 관행이었다면 오늘날 전 세계 IT 업계의 화두는 일명 ‘기술 공진화(共進化)’로 요약된다. 자기가 가진 걸 조건 없이 내놓아 타인이 맘껏 이용하도록 하고, 그 결과물 역시 자신이 자유롭게 활용하는 형태의 ‘신(新)패러다임’이 점차 자리 잡고 있는 것이다.

사실 이런 흐름은 꽤 오래 전부터 ‘싹’을 보였었다. 미국 소프트웨어 개발자 에릭 S. 레이먼드(Eric S. Raymond)는 1999년 ‘성당과 시장(The Cathedral and the Bazaar)’이란 책을 통해 수많은 개발자와 이용자 가슴에 불을 지폈다. 이 책의 논리는 간명하다. 과학기술, 특히 IT 기술은 더 이상 성역(聖域)으로 간주돼 딱딱하고 어두운 건물에 보관돼선 안 되며, 페르시아 시장 ‘바자(Bazaar)’처럼 열린 하늘 아래 모든 이가 각자 가진 기술을 타인에게 보여주고 자신도 교환을 통해 필요한 기술을 구하는 형태로 개방돼야 한다는 것이다. 이와 관련, IT 업계에서 가장 성공적인 사례로 꼽히는 게 리눅스(Linux) 운영체계 개발 과정이다.

삼성전자 역시 소프트웨어센터가 주도해 케이샵 프로젝트를 추진하는 한편, 적극적 외부 공개에 나섰다. ‘성당’을 지양하고 ‘시장’을 지향하는 IT 업계의 변화 과정에 적극적으로 동참하려는 시도인 셈이다. 윤진수 상무는 “IT 기술의 공진화 단계에서 삼성전자가 기여할 부분이 있을 것”이라며 기대감을 내비쳤다.

“저희 혼자 만들 수 있는 것과 오픈 커뮤니티를 통해 만들 수 있는 것엔 양적으로, 또 질적으로 비교하기 어려울 만큼 큰 차이가 있습니다. 삼성전자는 한국을 대표하는 기업인 만큼 오픈 소스 환경을 비옥하게 조성하는 데 어느 정도 책임과 의무가 있다고 생각합니다. 현재 우리 센터에선 그런 부분까지 포함해 지식그래프 데이터와 소프트웨어 공개 등 일련의 작업을 전략적으로 추진하고 있습니다. 아직 일부이긴 하지만 막상 소프트웨어를 공개하고 보니 외부에서 우리 회사를 보는 시각이 상당 부분 개선되고 있다는 걸 느낍니다. 해외에서 관련 전문가를 확보하거나 연결하기도 쉬워졌고요. 삼성전자가 다루고 있는 영역이 워낙 넓은 만큼 앞으로 다양한 분야에 기여할 수 있을 거라고 생각합니다.”

▲윤진수 상무와 자리를 함께한 삼성전자 소프트웨어센터 직원들. 윤 상무는 “케이샵 프로젝트가 탄생하기까진 우리 실무진의 눈물겨운 노력이 있었다”며 “난 거기에 그저 약간의 힘을 실어줬을 뿐”이라며 모든 공을 직원들에게 돌렸다

이달 중 데이터 제작용 도구 선봬… 하반기엔 API 공개도

윤진수 상무는 “빅데이터를 기반으로 하는 패러다임은 모든 방면에 스며들 것”이라고 단언했다. “미래 세상에선 굳이 ‘빅데이터’란 이름을 쓰지 않더라도 당연히 데이터가 모든 판단의 기준이 될 겁니다. 생산과 마케팅, 서비스 할 것 없이 이제 막연한 감(感)이나 소수 전문가 의견보다 데이터 기반 결과물에 의지하게 되겠죠.”

그에 따르면 지식그래프와 관련, 삼성전자가 데이터 자체를 대외에 공개한 건 이번이 처음이다. 그는 “당분간은 우리가 어느 정도 키워놓은 소프트웨어가 오픈 커뮤니티에서 점점 더 커지는 걸 지켜볼 생각”이라며 “나중엔 우리가 거꾸로 그 결과물을 활용할 수도 있을 것”이라고 말했다.

삼성전자는 지난달 현재까지 확보한 데이터(sameAs)를 공개한 데 이어 이달 중 데이터를 만들기 위해 필요한 도구(sameAs extraction tool)를 공개할 예정이다. 올 하반기엔 삼성전자 지식기반 그래프를 검색하고 추천하는 API(Application Programming Interface)를 9월과 10월, 12월에 단계별로 선보일 계획이다.

“우리 센터는 데이터를 지식화(知識化)하는 과정에서 네 가지를 보다 잘 알고자 노력할 겁니다. 우리의 고객(user), 우리 회사의 상품(product), 우리의 시장(market), 그리고 (휴대전화·TV 등의 제품을 통해) 우리 회사가 제공 중인 서비스가 그것입니다. 이런 노력을 통해 각 사업부가 필요로 하는 정보를 적재적소에 제공할 계획입니다.”

5년 전 스페인을 여행하며 거리에 비만인 사람들이 적잖은 걸 보고 깜짝 놀란 기억이 있다. 장소가 스페인이 아니라 미국이었다면 그다지 놀라지 않았겠지만 불과 20년 전만 해도 스페인 사람들은 어디서나 날씬한 모습이었기 때문에 충격이 더욱 컸다. 미국은 20년 전이나 지금이나 비만이 심각한 사회 문제 중 하나다. 우리나라도 미국이나 스페인보다 사정이 낫긴 하지만 비만 문제가 조금씩 대두되기 시작했다.

중복 데이터 많아야 검색 속도 빨라진다?

데이터도 신체와 마찬가지로 ‘비만’ 증세를 겪는다. 특히 기업 데이터 비만 문제는 신체적 비만 못지않게 심각한 문제를 야기할 수 있어 주의가 요구된다. 기업 데이터 비만이란 기업 데이터베이스 내 저장 데이터에 중복이 존재하는 현상을 일컫는다. 국내 기업을 기준으로 했을 때 평균 중복률은 65%, 그중 50% 이상이 ‘쓸데없는 중복’이다(나머지 15%가량의 중복은 현행 데이터베이스 기술이 지니는 불가피한 한계로 인한 중복이다). 전체 데이터베이스의 절반 이상이 ‘악성 중복’인 셈이니 보통 심각한 문제가 아니다.

국내 기업의 데이터 비만 문제가 이렇게 심각한 건 ‘중복에 대한 무조건적 맹신과 환상’ 때문이다. 흔히 ‘데이터를 중복시켜놓아야 관련 데이터를 보다 빨리 검색할 수 있다’고 여긴다. 부주의한 이들의 그릇된 통념이다. 그러다 보니 동일한 데이터, 예를 들면 ‘고객 성명’이 많게는 수백 군데에 나타나도록 허용된다. 만약 동일 데이터가 300개 지점에서 발견됐다면 그중 299개는 중복이란 얘기고, 이 경우 중복률(299/300*100)은 약 99.7%다.

데이터베이스 내에 ‘고객 성명’ 같은 속성급 데이터의 가짓수가 5000개 존재한다고 가정해보자. 5000개의 속성별 중복 빈도를 계산해 이들을 합산한 다음, 그 결과를 다시 속성 전체 수 5000으로 나누면 해당 데이터베이스의 전체 평균 데이터 중복률이 나온다. 이 수치가 바로 데이터 비만도다.

체중이 늘어나면 몸은 무거워지지만 순간적 폭발력은 증가한다. 데이터 세계에서도 마찬가지다. 데이터 중복을 일부 허용하면 일시적으로 검색 속도가 상당히 빨라진 것처럼 보인다. 실제로 기업 데이터베이스 내 데이터 중복률이 15% 이하를 유지한다면 전혀 문제 될 게 없다. 42.195㎞를 뛰어야 하는 마라토너도 체지방율이 15%는 된다는 점을 떠올려보면 이해가 빠를 것이다.

‘느린 속도’보다 무서운 건 ‘잘못된 결과’

기업 데이터 중복률이 30% 이하로 유지될 땐 그런대로 적정 속도와 품질을 유지하며 제 몫을 해낼 수 있다. 하지만 30%를 훌쩍 넘겨 60% 이상까지 높아진다면 그 결과가 얼마나 끔찍할지 짐작조차 할 수 없다. 이때 30%는 데이터 테이블 구조가 (가장 저급한 수준인) ‘제1표준형’으로 설계됐을 때 허용되는 최대 중복률 수치다. 제1표준형은 데이터베이스 내 각각의 데이터 테이블이 갖춰야 할 최소한의 요건을 말한다. 따라서 만약 어떤 데이터 테이블이 제1표준형 기준에도 못 미칠 경우, 해당 데이터 테이블을 보유한 데이터베이스는 데이터베이스로서의 자격이 없다. ‘데이터 중복률 30%’를 마지노선이라고 부르는 건 바로 그 때문이다.

데이터 중복률이 30%를 넘어서면 정보 검색 시 두 가지 오류가 발생할 수 있다. 해답 도출에 너무 오랜 시간이 걸리는 경우가 하나, 시간은 얼마 안 걸리지만 틀린 답이 나오는 경우가 다른 하나다. 어느 기업의 차장 A씨가 승진, 부장이 됐다고 가정해보자. 만약 이 기업 정보 시스템의 데이터 중복률이 30% 이상이라면 “오전에 검색했더니 부장, 오후에 검색하면 과장, 이튿날 검색하면 대리”처럼 어처구니없는 결과가 나올 수도 있다. 그런 일이 어떻게 가능하냐고 반문할 사람도 있겠지만 실제 기업에선 이와 비슷한 사태가 종종 발생한다. 3초 이내에 답을 내놓긴 해야겠고, 그러다 보니 ‘정확하지 않은 값이라도 일단 출력하고 보자’는 관행이 이 같은 불상사를 초래하는 것이다. 데이터 중복이 불러일으키는 ‘무서운 역습’인 셈이다.

데이터 비만이 야기하는 폐단은 생각보다 심각하다. 우선 정확한 답이 나오기까지 시간이 너무 많이 걸린다. 미국 뱅크오브아메리카(BoA)가 규정하고 있는 ‘3초의 법칙’을 떠올려보면 재앙에 가까운 수준이다. ‘빠르지만 엉터리인’ 답을 내놓는 경우도 속도 실패 못지않게 참담하다. 그런데도 “그냥 있는 대로 쓰지”라고 체념한다면, 그리고 그렇게 결정하는 주체가 내로라하는 기업이라면 어떤 일이 벌어질까?

기업 데이터 ‘군살’ 제거, 3개월이면 충분

지난 20여 년간 기업 현장을 돌며 데이터베이스 현황을 관찰했다. 대부분의 국내 기업이 65% 이상의 데이터 비만도를 기록 중이란 사실만큼이나 놀랐던 건 언젠가부터 기업들이 ‘데이터 설계상의 하자에 따른 정보 처리 속도 저하’를 ‘하드웨어 성능 한계’로 둔갑시키는 지혜(?)를 발휘하고 있다는 사실이었다. IT를 잘 모르는 경영진은 IT 담당 부서의 엉터리 설명을 수용할 수밖에 없다.

더 심각한 문제는 IT 업무 담당 인력들조차 ‘데이터 설계’에 관해선 학교에서도, 직장에서도 제대로 배워본 적이 없다는 사실이다. ‘현장(기업) 중심’으로 돌아가지 않는 학교 커리큘럼이 낳은 비극이다. 실제로 전산학과는 데이터베이스 프로그래밍 교육에 집중할 뿐, 기업 데이터 설계에 관해선 거의 다루지 않는다. 경영학과 역시 데이터 설계를 남의 일로만 취급한다. 경영정보학과에서도 데이터 설계 대신 엉뚱하게 ERP(Enterprise Resource Planning, 전사적 자원 관리) 같은 설계 ‘도구’ 사용법 교육에만 열중한다.

데이터 비만이 불러온 비극은 ‘최초 데이터 설계 오류’가 그 원인인 만큼 과감히 원점으로 돌아가 ‘이제부터라도 제대로 설계해보자’는 허심탄회한 자세로 대처하는 게 최선이다. 하지만 지레 실망할 필요는 없다. 수십 년간 축적돼온 데이터 비만 문제도 불과 수 개월이면 명쾌하게 풀 수 있는 기술적 해법이 반드시 존재하기 때문이다. 다만 궤변과 변명, 경영진을 향한 ‘거짓 설득’의 관행이 계속되는 기업은 외환 위기와 같은 부정적 외부 요인의 공격을 받는 순간, 오랜 세월 풍화된 고목마냥 단번에 쓰러져버릴 것이다.

조금이라도 앞을 내다볼 줄 아는 사람이라면 지금이라도 우리 기업의 데이터 비만도에 관심을 기울일 필요가 있다. 만약 측정 결과, 데이터 비만도가 30% 이상이라면 하루빨리 ‘군살’ 제거에 나서야 한다. 테이블 설계상 최상급인 동시에 가장 모범적인 수준으로 꼽히는 ‘제3표준형’이 허용하는 중복률은 15% 전후다. 어느 기업이든 이삼 개월이면 충분히 조직 데이터베이스의 데이터 비만도를 15% 선으로 낮출 수 있다. 그러니 ‘데이터 다이어트’에 관심 있는 기업이라면 두려워 말고 한 번쯤 용기 있게 도전해볼 일이다.

※ 이 칼럼은 전문가 필진의 의견으로 삼성전자의 입장이나 전략을 담고 있지 않습니다.

TV 다큐멘터리에서 아프리카 초원을 누비는 수컷 사자에 매혹된 적이 있다. 사람으로 치면 20대 초반쯤 됐을 그 사자의 균형 잡힌 몸은 절로 탄성을 자아내게 했다. 동물원에서 보던, 나이가 들 대로 든 사자의 몸과는 차원이 달랐다. 인간의 경우 ‘군살 없이 탄탄한 신체’의 극치는 마라톤 선수에게서 찾아볼 수 있다. 마라톤 선수의 체지방율은 대개 15% 선을 유지한다. 반면, 비만인 사람의 체지방율은 30%까지 치솟기도 한다.

‘꿈의 수치’ 15%를 사수하라

우연의 일치일까. 체지방율과 데이터 중복률은 이상하리만치 그 의미가 유사하다. 흔히 ‘데이터 비만도’라고도 불리는 데이터 중복률 계산법은 매우 간단하다. 어떤 데이터 속성(attribute)이 몇 군데 등장하는지 따지면 된다. ‘데이터 중복률 15%’는 데이터 설계를 가장 완벽하게 해냈을 때 얻을 수 있는 최적의 수치다.

15%가 ‘최선’인 이유는 데이터 테이블 설계 기술의 한계에서 찾을 수 있다. 데이터 모델링의 세계에서 최하 수준의 설계 산출물은 ‘1차 정규형’, 최고 수준의 설계 산출물은 ‘3차 정규형’이다. 전자의 데이터 중복률은 상당히 높아져 30% 선에 이른다. 사람으로 따지면 확실한 비만이다. 반면, 후자로 갈수록 해당 수치는 점차 낮아져 ‘마라톤 선수에 버금가는’ 15%에 가까워진다.

그렇다면 오늘날 기업이 보유하고 있는 데이터베이스 내 평균 데이터 중복률은 얼마나 될까? 놀랍게도 60% 이상이다. 40년 넘게 국내외 기업의 각종 대규모 데이터베이스를 현장에서 관찰하며 발굴해낸 ‘실질 수치’가 그렇다. 이런 얘길 들려주면 상대방은 대부분 “설마 그 정도겠어?”라며 반신반의한다. 하지만 데이터 모델을 설계해주는 소프트웨어 도구, 이를테면 ER윈(ER-Win)을 직접 한 번 돌려보면 누구라도 ‘데이터 중복률 60% 전후’ 수치 앞에 맞닥뜨리게 된다. 이 결과를 접한 이들의 반응은 크게 두 부류로 나뉜다. 놀람(“아니, 엉터리로 들어간 데이터가 이렇게 많았단 말이야?”)이 하나, 책망과 탄식(“해답을 빨리 내려고 일부 중복이 허용되는 줄은 알았지만 중복률이 이렇게나 높았다니!”)이 다른 하나다.

기업 데이터, 열 중 여섯은 ‘중복’

데이터 중복률이 60%란 말은 곧 ‘상당수 기업이 1차 정규형에도 훨씬 못 미치는 데이터 테이블 설계 산출물을 활용하고 있다’는 의미로 해석된다. 어째서 이런 현상이 빚어지게 됐을까? 첫 번째 원인은 난해한 정규형 이론에서 찾아야 한다. 60% 전후의 데이터 중복률을 야기시킨 데이터 테이블 설계자는 1차 정규형의 진정한 의미를 제대로 알지 못하는 사람이다.

이 대목에서 함께 풀어볼 문제가 하나 있다. “특정 데이터 테이블의 기본 키(primary key, 데이터 테이블 내 특정 열을 1차적으로 식별할 수 있는 키 필드) 속성이 다른 데이터 테이블에서 키가 아닌 속성(non-key attribute)으로 등장할 수 있을까?” 이 질문에 “그럴 수 있다”고 대답하는 사람은 1차 정규형의 의미조차 제대로 모르는 사람이다. 그리고 대다수 기업의 데이터 모델 설계 담당자가 이 질문을 받고 “그럴 수 있다”며 고개를 끄덕이는 게 딱하지만 엄연한 우리네 현실이다.

정규형 이론에 따르면 한 (데이터) 테이블의 기본기 속성을 다른 (데이터) 테이블에서 키가 아닌 속성으로 등장시키는 건 데이터에 관한 기초 상식조차 갖추지 못한 이들이 임의로 저지르는 ‘종신형급 실수’다. ‘큰 방죽도 개미구멍으로 무너진다’는 옛말은 데이터 설계에서도 유효하다. 이런 무지, 혹은 몰이해의 소치가 기업의 데이터 비만도를 60% 이상까지 끌어올린 주범이다.

이상화 선수에게서 배우는 ‘균형미’

문제의 심각성은 데이터 ‘비만도’에서 끝나지 않는다. 과다한 데이터 중복률은 최악의 경우, 데이터 설계의 균형을 송두리째 깨뜨려버린다. ‘데이터와 인체의 공통점’은 여기서도 고스란히 적용된다. 예를 들어 척추 고통의 경우, 직접 겪어보지 않은 사람은 헤아리기 어렵다. 좌우 균형 붕괴나 나쁜 자세 등 원인은 여럿이지만 일단 고통을 느끼기 시작하면 회복에까지 걸리는 시간은 한이 없다. 이상 증세를 치료하고 고통에서 벗어나려면 장거리 마라톤을 완주하듯 오랜 시간 인고의 과정을 겪어야 한다.

지난해 소치 동계올림픽 스피드 스케이팅 여자 500m 종목에서 금메달을 거머쥔 이상화 선수의 신체는 여러모로 놀랍다. 특히 허벅지 특정 지점에서 출발해 발 끝까지, 거기서 다시 양쪽 손 끝까지 이어지는 균형미는 대단하다. 기업 데이터베이스를 구성하는 ‘데이터 균형미’도 인체 균형미와 다르지 않다. 스포츠 경기든 데이터 검색이든 좌우 균형이 잘 갖춰져 있으면 최고 속도는 어렵잖게 발휘된다.

데이터 검색 시 최고 속도를 구현하려면 데이터 구성 시에도 균형미를 고려해야 한다. 어떤 데이터가 기준점이 되든 해당 데이터에서 좌우 종착점까지 가는 길이의 깊이가 같다면 ‘균형이 잘 잡혔다’고 평가할 만하다. 그래야 어느 방향으로 오가든 ‘최단 이동 시간’을 기록할 수 있다. 균형 잡힌 데이터 설계는 응답 시간 단축에도 기여한다. 반면, 균형미가 파괴된 데이터 설계에서 응답 도출 시간은 그야말로 ‘엿장수 마음대로’다.

군살 ‘제로’ 성공, 다음 수순은?

마라톤 선수는 최단 기록을 달성하기 위해 자기 몸의 군살을 최소화한다. ‘군살 제로(0)’는 데이터 구성에서도 더없이 중요한 원칙으로 작용한다. 데이터 역시 군살, 다시 말해 쓸데없는 중복이 완전히 제거돼야 좌우 균형미를 갖출 수 있다. 속도 역시 그 과정을 거쳐 개선된다. 군살이 사라졌다는 건 한마디로 질적 측면에서 잘 다듬어졌다는 뜻이다. 혹자는 궁금해 할 것이다. “군살을 빼고 난 후 수순은 어떻게 될까?” 다음번 칼럼에선 바로 이 주제를 다뤄볼까 한다.

※ 이 칼럼은 전문가 필진의 의견으로 삼성전자의 입장이나 전략을 담고 있지 않습니다.

최근 페이스북이 자사 서비스 가입자를 대상으로 감정 조작 실험을 감행한 사실이 알려져 화제다. ‘뉴스 피드(news feed)에 대한 긍·부정 반응을 임의로 조작했더니 사용자 대부분이 지대하게 영향을 받더라’는 게 주요 내용이다.

‘소셜네트워크서비스(SNS)가 여론 향방 결정에도 막대한 영향을 끼칠 수 있다’는 결론은 사뭇 충격적이었다. 실험에 참여한 이는 페이스북 사용자 70만 명. 엄밀히 말하면 빅데이터(big data)급엔 미치지 못하는 소규모 데이터 실험이었다. 페이스북 실험 논란은 향후 빅데이터를 앞세운 실험이 가져올 파장을 상징적으로 보여준 사건이었다.

빅데이터에 대한 일부 대중의 인식 속엔 수 년 전 유럽입자물리연구소에서 세기의 실험 끝에 발견된 힉스 입자가 자리 잡고 있다. 혹자는 빅데이터를 ‘SNS 이용자가 주고받는 교신량의 총합’으로 정의하기도 한다. 하지만 빅데이터의 원류를 찾으려면 약 20년 전으로 거슬러 올라가야 한다.

수요일 저녁, 기저귀와 맥주 매출의 상관 관계

1990년대 중반 한 대형 마트에서 있었던 일이다. 매주 수요일 저녁, 기저귀와 맥주 매출이 동반 상승하는 현상이 반복됐다. 이 같은 사실은 마트 판매관리부장이 어느 날 우연히 발견했다. 그는 기저귀와 맥주 간 기묘한 상관관계를 추적하기 위해 기저귀 진열대 위치를 일부러 맥주 진열대 가까운 곳으로 바꿨다. 그랬더니 놀랍게도 다음 달 기저귀와 맥주 모두 매출이 전달의 5배로 뛰었다.

일반적으로 유아를 키우는 가정은 주말에 1주일치 기저귀 한 팩을 구입한다. 하지만 종종 기저귀가 예상보다 빨리 소진되고, 그럴 때마다 (한 주의 절반가량이 지난) 수요일 오후 아내는 직장에 있는 남편에게 전화를 걸어 “기저귀 한 팩만 사 오라”고 부탁한다. 전화를 받은 남편은 오후 6시 퇴근 직후 차를 몰고 마트로 향한다. 기저귀를 사고 돌아 나오던 그는 생각한다. ‘기왕 힘들여 여기까지 왔는데 맥주나 한 팩 사 가지, 뭐!’

실제 월마트에서 있었던 이 사실이 세간에 알려지면서 대형 마트를 비롯한 유통업계를 중심으로 빅데이터에 대한 관심이 급격히 높아졌다. 수많은 품목 중 ‘매출 쌍끌이’ 역할을 해줄 기저귀와 맥주 같은 조합만 찾아낸다면 한 번쯤 시도해볼 만한 일이란 데 눈을 뜬 것이다.

페이스북이 자체 검색 엔진 개발에 나선 ‘진짜’ 이유

페이스북은 이름처럼 ‘얼굴책(facebook)’ 격인 졸업 앨범에서 출발한 기업이다. 천문학적 사용자 수를 보유하고도 이렇다 할 사업 모델이 없어 투자자들에게서 외면 당하던 페이스북은 얼마 전부터 부쩍 달라진 행보를 보이고 있다. 자체 인터넷 검색 엔진을 개발하고 모바일 광고 시장에 뛰어들어 구글과 전면전을 치르는 것 등이 대표적 변화다.

페이스북이 개발한 검색 엔진은 십수억 명의 회원이 쌓아 온 소셜 데이터를 기반으로 하기 때문에 빅데이터 시대에 특화됐다는 특징을 지닌다. 페이스북이 빅데이터에 관심을 갖는다는 사실은 달리 말해 페이스북이 자사 시장 매출에서 ‘기저귀와 맥주’ 역할을 해줄 데이터 쌍을 발굴해낼 자신이 있다는 뜻이다.

월마트와 페이스북 사례는 두 가지 교훈을 던진다. 첫째, 빅데이터에서 ‘빅(big)’이란 실로 천문학적 규모의 데이터를 의미한다. 월마트의 경우, 기저귀와 맥주 간 조합을 알아내기 위해 동원된 데이터 분량은 수집되는 모든 정보를 A4 복사용지에 빽빽하게 기입한 후 수직으로 쌓아 올렸다고 가정했을 때 에베레스트산 수십 개 높이에 해당한다.

둘째, 특정 데이터가 빅데이터의 일부로 인정 받으려면 최소한의 ‘자격’을 갖춰야 한다. 데이터가 아무리 많아도 그 중 상당수가 엉터리라면 진정한 빅데이터라고 하기 어렵다. 실제로 우리가 빅데이터로 지칭하는 데이터 뭉치 속엔 ‘가짜 데이터’가 꽤 많이 산재해 있다. 빅데이터 분석을 통해 유의미한 데이터 쌍을 찾아내려면 이 같은 쓰레기 데이터부터 찾아 분류해야 한다. 그래야 좀 더 빠른 속도로, 좀 더 질 높은 데이터를 추출해낼 수 있다.

뭐든 열심히 모으기만 하면 훌륭한 데이터가 된다?

데이터 검색 과정에서 일정 수준 이상의 속도를 내려면 일종의 ‘내비게이터’가 필요하다. 이는 마치 자동차 운전자가 낯선 곳을 찾아가기 전 해당 지역 지도를 참조하는 것과 같은 논리다. 이 작업을 기업 정보 시스템으로 확장시키면 지역 지도는 ‘전사(회사 전체)데이터맵’에 해당한다. 개인과 조직 할 것 없이 지도나 내비게이터가 없으면 데이터를 대충 찾을 수밖에 없다. 전사데이터맵은 쉽게 말해 ‘기업 데이터 교통지도’다. 기업 정보를 찾을 때도 정확한 지도가 없다면 정답은 늦게 도출될 수밖에 없다. 오답이 나왔을 때 그 원인을 규명하는 일도 불가능해진다. 당연히 검색의 질과 속도는 현저히 떨어진다.

이제껏 크고 작은 기업이 전사데이터맵 작성에 뛰어들었다. 대표적 사례가 전사적자원관리(ERP)와 데이터창고화(DWH) 같은 것들이다. 요즘도 꽤 여러 곳에서 두 방식이 통용되고 있긴 하지만 ERP의 경우 ‘진화정지설’이 회자되고 있으며 DWP 역시 무용(無用)론이 제기된 지 오래다.

ERP나 DWH의 결정적 패인은 내부에 꽉 들어찬 엉터리(쓰레기) 데이터다. 이들 개념이 데이터맵 개념조차 없던 시절 도입됐다는 사실을 감안하면 이런 결과가 빚어진 것도 무리는 아니다. 오늘날 두 이론에 전사데이터맵을 억지로 적용하려 해도 데이터 비만도가 너무 심각해 원하는 결과를 얻기 어렵다. ‘뭐든 열심히 모으기만 하면 훌륭한 데이터가 될 것’이란 안일한 생각이 빚은 참사다. 실제로 일부 기업의 ERP나 DWH는 축적된 데이터의 절반가량을 솎아내야 할 정도로 심각한 수준이다.

이런 데이터 찌꺼기(혹은 중복)를 속 시원히 제거하기 위해서라도 기업 정보를 한눈에 들여다볼 수 있는 데이터맵은 반드시 존재해야 한다. 데이터맵에 자신 있게 나타낼 수 없다면 데이터로서의 존재 가치는 없는 것과 마찬가지다. 문제는 국내 기업 중 수준급 전사데이터맵을 갖춘 기업이 사실상 한 군데도 없다는 사실이다. 단언컨대 전사데이터맵 개념이 없거나 희박한 기업에 빅데이터란 한낱 신기루에 불과하다.

※ 이 칼럼은 전문가 필진의 의견으로 삼성전자의 입장이나 전략을 담고 있지 않습니다.