▲2016년 스페인 바르셀로나에서 열린 ‘갤럭시 언팩 2016(GALAXY UNPACKED 2016)’ 행사장에선 기어 VR을 착용한 5000여 명의 관중 사이로 마크 저커버그 페이스북 CEO가 깜짝 등장, 눈길을 끌었다

위 사진 속 갤럭시 언팩 현장은 가상현실(Virtual Reality, VR)이 바꿀 미래와 관련, 몇 가지 힌트를 제시해준단 점에서 굉장히 흥미롭다. 사진 속 관객들은 기어 VR을 착용한 채 가상현실 세계에 빠져있다, 이들은 마크 저커버그 페이스북 최고경영자(CEO)가 바로 옆을 지나 단상 위로 올라갈 때도 전혀 눈치 채지 못할 정도였다. 그리고 바로 이날 저커버그는 “가상현실 기술로 새로운 소셜 플랫폼을 창출, 사용자에게 전혀 새로운 패러다임을 제시하겠다”고 발표했다. 이후 가상현실은 (스키용 고글과 비슷하게 생긴) VR 헤드셋과 짝을 이루며 급속히 대중 속으로 파고들었다. (저커버그의 ‘공언’ 덕분에 내가 운영하는 회사도 “무슨 일을 하느냐”는 질문에 장황하게 답할 필요가 없게 됐다. 참 다행이다.)

VR의 시초는 1980년대 ‘워게임’

그런데 VR 헤드셋만 착용하면 무조건 가상현실의 전부를 체험할 수 있는 걸까? 가상현실의 진짜 정체는 뭘까? 우선 개념 정리부터. VR과 함께 단골로 등장하는 용어 중 증강현실(Augmented Reality, AR)과 혼합현실(Mixed Reality, MR)이 있다. 둘 다 애초엔 VR에서 분파된 기술이었다. 최근 적용 분야를 점차 넓히며 자신들만의 지형을 확보하고 있지만 여기선 특별한 언급이 없는 한 AR이나 MR도 VR의 범주에 포함시키려 한다. 아울러 VR의 기술적 측면보다 산업적·사회적 측면에 보다 집중할 생각이다.

사실 가상현실은 새로운 게 아니다. 1980년대에 이미 워게임^[1] 등 군사 분야에 적용됐고 1990년대 후반엔 ‘매트릭스’ ‘데몰리션맨’ ‘토탈리콜’ ‘아바타’ 등 할리우드 영화의 주요 소재로 등장, 일반인에겐 꽤 익숙한 개념이다(물론 상상의 산물인 영화와 현실은 엄연히 다르지만).

위키피디아는 가상현실을 이렇게 정의한다. “컴퓨터 등을 사용한 인공 기술로 만들어낸, 실제와 유사하지만 실제가 아닌 특정 환경이나 상황 혹은 기술 그 자체. 단, 이때 만들어진 가상(상상)의 환경이나 상황 등은 사용자의 오감을 자극하며 실제와 유사한 시·공간적 체험을 하게 함으로써 현실과 상상 간 경계를 자유로이 드나들게 한다.” 다시 말해 △사용자의 오감을 자극하며 △특정 상황을 실제로 겪지 않고도 유사한 감정을 체험하게 하는 게 가상현실의 핵심이란 얘기다.

VR 콘텐츠 완성도, ‘I³’에 달렸다

가상현실이 제대로 구현되게 하려면 몇 가지 요소가 필요하다. 일명 ‘I³’로 불리는 △몰입감(Immersion) △상호작용(Interaction) △가상 이미지(Imagination, ‘가상환경’이라고도 한다)가 바로 그것<아래 도표 참조>.

실제로 가상현실 산업군은 이 세 요소에 따라 자연스레 나뉜다. 일단 몰입감부터 살펴보자. 가상현실 분야 엔지니어들은 (인간 감각 중 가장 직접적인 특징을 띠는) 시각을 장악하기 위해 연구 초기부터 다양한 디스플레이 개발에 집중해왔다. 몇 년 전 유행했던 입체 TV나 아이맥스(IMAX) 스크린, 그리고 앞서 소개한 VR 헤드셋 등이 여기에 해당된다. 여기에 최근엔 시각뿐 아니라 청각 등 다른 감각을 ‘정복’하기 위한 연구도 활발히 진행되고 있다.

상호작용 측면에선 하드웨어(장비) 부문과 소프트웨어 부문으로 구분, 생각해볼 수 있다. 하드웨어 분야의 경우, 마우스나 키보드 등 기존 입력(input) 장치를 벗어나려는 노력이 지속되고 있다. 햅틱^[2] 장비를 비롯해 (손가락) 동작 인식 센서로 사용자의 움직임을 인식, 추적하는 기기도 속속 등장하고 있다. 물론 별다른 장치 없이 동작 자체를 인식하는 소프트웨어도 개발돼 있다. 현재까지의 추세로 볼 때 본격적 가상현실 세상의 인터페이스는 몸(동작) 자체일 가능성이 높으며, 마우스나 키보드는 거추장스러운 존재로 전락할 것이다. 조만간 야간 비행기 안에서 헤드셋을 낀 채 허공을 휘저으며 업무에 열중하는 사업자를 보게 될지도 모른다.

소프트웨어 분야를 보면 사용자 신호를 알아채고 즉각적으로 반영해야 하는 만큼 실시간 렌더링^[3] 기능을 갖춘 소프트웨어가 필요해졌고, 유니티^[4]나 언리얼^[5] 등 게임 제작 시장을 이미 평정한 엔진이 발 빠르게 채택됐다. 여기에 엔비디아 등이 고성능 컴퓨터그래픽 전용 그래픽카드를 출시하며 가상현실 구현 도구는 한층 막강해졌다.

끝으로 가상 이미지는 좁게 해석할 때 VR 콘텐츠를 의미하며 이 역시 태생에 따라 두 부류로 나뉜다. 360도 카메라로 촬영한 실사 콘텐츠가 하나, 게임 엔진 등의 소프트웨어를 활용한 풀(full) 3D 컴퓨터 그래픽 콘텐츠가 다른 하나다. 전자는 영화와, 후자는 게임과 각각 비슷한데 일장일단이 있어 목적에 따라 적절히 채택한다(요즘은 그 둘을 혼용하려는 움직임도 많다).

결국 가상현실 산업의 관건은 디스플레이·입력장치 등 관련 하드웨어를 적절히 융합하고 다양한 콘텐츠 제작 기법으로 최대한 창의적인 콘텐츠를 제작, 생생한 사용자 경험(User eXperience)을 제공하는 것이다. 이렇게 탄생한 VR 콘텐츠는 게임·군사 분야에서 출발, 관광·교육·의료 등 전 산업군으로 서서히 퍼져나가는 중이다. 여기서 정말 주목해야 하는 건 넓은 의미의 가상환경, 즉 가상현실 생태계 전체를 쥐락펴락할 인프라 플랫폼이다.

VR 시장, 1년여 만에 ‘상전벽해’

아래 두 도표는 더VR펀드^[6]가 작성, 배포한 지난해와 올해 1분기 가상현실 산업 현황이다. 각 도표 왼쪽에 기재된 분류 기준을 I³에 맞춰 생각해보면 ‘애플리케이션/콘텐트(APPLICATION/CONTENT)’는 가상 이미지와, ‘인프라스트럭처(INFRASTRUCTURE)’와 ‘툴스/플랫폼(TOOLS/PLATFORM)’은 몰입감·상호작용과 각각 연계된다.

얼핏 보더라도 불과 1년 새 생태계 지형이 아주 복잡해졌단 사실을 알 수 있다. 눈썰미가 좀 있는 사람이라면 ‘애플리케이션/콘텐트’ 부문의 산업별 카테고리가 다양해진 점, ‘인프라스트럭처’ 부문에 삼성전자·구글·페이스북·소니 등 글로벌 IT 기업이 여럿 포진한 점도 간파했을 것이다(지난해엔 드디어 마이크로소프트도 등장했다!). 이들의 가상현실 사업 전략은 다음 회차 칼럼에서 살펴보기로 하고 이제부턴 가상현실의 사회적 의미를 살짝 들여다보자.

VR, ‘차세대 SNS’로 진화할까?

인터넷은 웹과 HTML의 탄생으로 싹을 틔운 후 내비게이터(아, 추억의 그 이름!) 브라우저가 등장하며 폭발적으로 성장하게 된다. 단순한 표준 몇 가지만 따르면 누구나 사이버 세상으로 정보를 흘려보낼 수 있고 브라우저를 활용, 정보의 바다를 맘껏 항해할 수 있는 세상이 인터넷이었다. 불과 30년 전, 그러니까 1990년대 초반만 해도 용인하기는커녕 상상할 수조차 없는 개념이었다. 당시 미국 통신 기업 AT&T 연구소에 근무하던 데이비드 아이젠버그는 “우리도 통신망을 전화교환기 같은 중앙집권형 네트워크에서 인터넷과 유사한 자율분산형 네트워크로 전환해야 한다”고 주장하다 회사에서 쫓겨났다. 웃기지만 그땐 그랬다.

일찍이 피터 드러커^[7]는 “지식 사회에서 정보는 힘이자 권력”이라고 말했다. 그의 예언처럼 인터넷 혁명은 정보의 평등을 가능케 하며 극소수 권력층에 편중됐던 힘의 축을 서서히 대중(네티즌) 쪽으로 이동시켰다. 그 결과, 대중은 인터넷을 통해 알고자 하는 권리를 찾았고 ‘롱테일 법칙^[8]’ ‘집단지성’ 같은 신조어를 탄생시키며 불과 30년 만에 괄목할 만한 정치·경제적 혁명을 일궈냈다.

인터넷이 정보의 평등을 선도한 것처럼 가상현실은 문화, 즉 삶의 질(quality of life) 측면에서의 평등을 실현할 전망이다. 루브르박물관이나 브로드웨이를 갈 수 없는 사람들의 눈앞에 세계 최고 예술 작품과 명품 뮤지컬을 현장에서 즐기는 것과 별 차이 없이 펼쳐놓는 게 가상현실 기술이기 때문이다. 그뿐 아니다. 가상현실은 킬리만자로를 오르고 싶은 심장 질환 환자에게 산 정상의 만년설을 선사할 수도, 패러글라이딩을 탈 수 없는 장애인에게 하늘을 나는 자유로움이 뭔지 느끼게 해줄 수도 있다.

가상현실은 사회적 비용을 획기적으로 절감하는 데도 한몫할 수 있다. 지진·해일 등 천재지변 대비 훈련을 하거나 사고가 난 핵발전소 현장에 잠입하는 등의 상황이 대표적 예다. 누구도 죽거나 다치지 않은 채로 몇 번이고 훈련을 거듭할 수 있으며 추가 비용도 들지 않는다. 선박 침몰 사고를 예로 들면 배가 침몰하는 것 자체를 어쩌진 못하겠지만 (가상현실 기술을 활용한) 탈출 훈련으로 인명 피해는 막을 수 있다.

너무 거대하거나(우주 공간) 너무 미세한(분자 구조) 대상을 학습하고 경험할 때에도 가상현실은 더없이 좋은 도구다. 가상현실로 배우는 물리·화학·수학이라니! 생각만 해도 신이 난다. 역사 현장 속으로 들어가는 일도 가능하다. 한때 존재했지만 지금은 흔적도 없이 사라진 것, 가령 신라시대에 몽골이 태워버린 황룡사 9층 목탑을 떠올려보자. 가상현실 기술을 활용하면 누구나 탑 속으로 손쉽게 들어갈 수 있다. 계단을 걸으며 유명 강사의 해설을 들을 수도, 친구와 똑같이 생긴 아바타와 기념 사진을 찍을 수도 있다(저커버그가 꿈꾸는 세상이 바로 이런 것 아닐까?).

이쯤 되면 가상현실은 ‘새로운 소셜 커뮤니케이션 수단’으로 진화할 가능성도 충분하다. 단순 소속감을 넘어 서로 연결되고자 하는 사람들의 욕구, 타인 앞에서 자신을 보다 적극적으로 드러내려는 욕망(노출증과는 그 성격이 좀 다르다)은 앞으로도 계속될 것이기 때문이다. 수 천 년 전 이미 “인간은 사회적 동물”이라고 일갈한 아리스토텔레스가 오늘날 페이스북이나인스타그램 같은 소셜네트워크서비스를 본다면 이렇게 말하지 않을까? “아, 인간은 너·무·나 사회적 동물이구나!”

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

^[1]war game. 합리적 전략 결정 훈련을 목적으로 미국 육군에서 사용되던 전쟁 시뮬레이션 프로그램
^[2]haptics. 키보드·마우스·조이스틱·터치스크린 등 컴퓨터 입력장치를 통해 촉각·힘·운동감 등을 느끼게 하는 기술
^[3]rendering. 광원·위치·색상 등 외부 정보를 활용, 2차원 화상에 사실감을 불어넣어 3차원 화상으로 만드는 과정을 뜻하는 컴퓨터그래픽스 용어
^[4]Unity.‘포켓몬고’ 등 모바일 게임에 널리 쓰이는 게임 엔진 기술 겸 통합 개발 환경
^[5]Unreal. 게임 개발사 에픽게임스가 만든 게임 엔진. ‘리니지2’‘테라’‘서든어택2’ 등의 제작에 쓰였다
^[6]theVRFund.com. 플레이퍼스트(PlayFirst) CEO 출신 마르코데미로즈(Marco DeMiroz)가 지난해 1월 설립한 글로벌 VR·AR 전문 펀드
^[7] Peter Ferdinand Drucker(1909~2005). 미국 경영학자로 “현대 경영학을 창시했다”는 평가를 받는다
^[8]Long tail theory.“80%의 ‘사소한 다수’가 20%의 ‘핵심 소수’보다 뛰어난 가치를 창출한다”는 이론

지난 글에선 인공지능 등 데이터 관련 기술이 세상을 급속하게 바꾸는 상황에서 ‘데이터 비(非)전문가’로 살아가는 방법을 다뤘다. 딥러닝(deep learning) 같은 신기술을 무작정 맹신하거나 추종하지 않고 자기 분야에서 전문성을 쌓으며 데이터 전문가와의 협업을 통해 가치를 창출하는 ‘도메인(domain) 전문가’ 모델을 제시한 셈이다. 그리고 이런 가치 창출의 전제조건으로 데이터의 본질과 데이터 기반 문제 해결 속성에 대한 최소한의 소양이라 할 수 있는 ‘데이터 지능’ 개념을 소개했다. 오늘은 (데이터 지능을 이미 갖춘) 도메인 전문가가 일하는 방법을 생각해보려 한다.

#1. 데이터, ‘문제 해결 도구’로 접근해라

우선 데이터 지능의 개념을 설명하기 위해 데이터의 본질로 돌아가보자. 지난 글에선 데이터를 ‘현상의 불완전한 반영’으로 정의했는데 (인간의) 언어에 비유하면 이해가 좀 더 수월해진다. 언어 역시 현상의 불완전한 반영이긴 매한가지지만 인간은 언어를 통해 현상을 추상화시켜 이해할 수 있다. 또한 언어는 갖가지 사고와 추론, 타인과의 소통을 가능케 하는 도구이기도 하다. 즉 인간이 세상을 이해하고 (협력을 통해) 크고 작은 문제를 해결하는 수단이 곧 언어다.

데이터도 △문제 해결을 목표로 현상을 추상화시켜 이해하고 △다양한 추론을 거쳐 결론을 유도하며 △(그렇게 생성된) 결론을 타인과 소통할 수 있게 돕는 도구란 점에서 언어와 다르지 않다. 언어의 문법에 해당하는 게 (데이터의 개념적 기반을 제공하는) 수학과 통계학이며, 실제 데이터를 저장하고 처리하는 정보 기술은 언어의 활자에 해당한다고 볼 수 있다. (실제로 이 같은 연관성을 고려해 혹자는 수학을 ‘자연의 언어’로 정의하기도 한다.)

언어와 데이터가 모든 면에서 공통점을 띠는 건 아니다. 일단 사회적 규약이어서 크게 변화하지 않는 언어와 달리 데이터 관련 학문과 기술은 엄청나게 빠른 속도로 발전하고 있다. 그 결과, 데이터로 할 수 있는 일의 종류는 과거에 비해 크게 늘었다. 결과물의 질도 계속 향상되고 있다. 최근 데이터 관련 기술, 그중에서도 인공지능이 특히 각광 받는 이유다.

그런데 사람들 대다수가 언어는 자유롭게 사용하면서도 데이터 활용엔 불편함을 느낀다. 이런 경향은 다양한 형태로 표출된다. 어떤 이는 여전히 데이터에 의한 결론을 무시하고 어떤 이는 데이터를 토대로 한 결론이라면 덮어놓고 맹신한다. 하지만 데이터 기반 문제 해결 과정에 대한 기본적 이해를 갖춘다면 데이터의 가능성과 한계 둘 다 명확하게 인식하고 균형 잡힌 시각을 갖출 수 있을 것이다.

#2. 데이터 수집·기획은 문제 정의 이후에

현실을 데이터로 표현하는 단계에서 필요한 건 데이터로 해결해야 할 문제를 명확히 정의하고 필요한 데이터를 수집하는 기획력이다. 문제를 제대로 정의하려면 데이터로 해결할 수 있는 문제가 뭔지부터 알아야 하며, 그러려면 데이터 과학의 기본 개념과 주요 분석 기법의 개요 정돈 이해할 필요가 있다. 역시 건축에 비유하면 이 과정은 예산 범위에서 어떤 자재와 구조로 시공할 수 있는지 가늠하는 절차와 같다.

그렇다면 데이터 수집 단계에 해당하는 기본 개념엔 어떤 게 있을까? 앞서 데이터를 ‘현실의 불완전한 반영’으로 정의했는데 여기서 불완전성은 문제 해결에 필요한 속성과 관찰 결과를 추출하는 과정에서 발생한다. 측정값의 오차 범위는 표본 크기의 제곱에 반비례하므로 데이터가 많을수록 정확하지만 데이터 수집 과정에선 필연적으로 비용이 발생하기 때문에 문제 해결에 필요한 최소한의 데이터를 모아야 하는 것이다.

결국 다음 질문은 ‘최소한의 데이터가 얼마만큼인가’로 귀결된다. 통계학에선 이를 ‘표본량 추정 문제’라고 일컫는다. 이때 필요한 표본량은 기본적으로 ‘현상 관찰 시 발생하는 노이즈의 정도(분산)’과 ‘문제 해결에 필요한 측정의 정밀도’ 등에 의해 결정된다. 구체적 추정 방법은 측정값(문제)의 종류에 따라 조금씩 달라지지만 기본 개념은 상당히 직관적이다. 데이터 전문가가 아니라면 데이터 양과 오차 간 관계 정도만 이해하면 된단 얘기다.

#3. 모델링, 결국 ‘인간 판단 자동화 과정’       

데이터를 바탕으로 결론을 도출하는 단계에서 필요한 건 데이터를 정제하고 각종 분석 기법을 적용하는 분석력이다. 건축주가 스스로 맘에 드는 건물을 지으려면 일단 본인이 원하는 건물 모습을 상세히 설명한 후 그 내역을 누구나 이해할 수 있는 문서로 남겨둬야 한다. 데이터 전문가와 일할 때에도 마찬가지다. 해결하고자 하는 문제의 최종 결과물과 가용 자원 등을 정확하게 소통하는 작업이 우선적으로 이뤄져야 한다.

좋은 자재를 써야 튼튼한 건물이 완성되는 것처럼 데이터 프로젝트를 진행할 때에도 양질의 데이터 확보는 기본이다. 문제는 데이터를 직접 수집하지 않는 한 데이터 품질을 섣불리 판단하기 어렵단 사실이다. 따라서 데이터 과학자가 이미 존재하는 데이터를 활용, 효과적으로 작업하려면 데이터에 대한 상세 설명이 필요하다. 그리고 이를 제공하는 건 (데이터 전문가와 협업하는) 도메인 전문가의 몫이다.

#4. 성과 평가할 땐 유형별 문제 고려해야

데이터에 근거한 결론을 해석하고 이를 현실에 반영하는 단계에서 필요한 건 결론과 근거를 날카롭게 검증할 수 있는 비판력이다. 데이터 저널리즘이 보편화된 시대, 무수히 쏟아지는 정보에서 옥석을 가리고 세상에 대한 바른 인식을 갖추기 위해서라도 현명한 데이터 소비자로서의 소양을 기르는 건 필수다. 앞서 설명한 문제 해결 과정에 성실히 참여해온 도메인 전문가라면 분석 결과의 의의와 한계를 정확하게 간파하고 있을 것이다. 이런 이유에서라도 데이터 과학자에게 문제 해결을 일임하는 건 바람직하지 않다.

하지만 막상 실무를 진행해보면 자신이 참여하지 않은 데이터 프로젝트의 성과를 평가할 일이 꽤 자주 발생한다. 이럴 때 현명한 판단을 내리려면 어떻게 해야 할까? 가장 먼저 할 일은 단계별로 발생 가능한 문제의 유형을 떠올리는 것이다. 우선 원본 데이터에 오류나 편향이 있을 수 있다. 이럴 때엔 데이터를 어떤 경로에서 어떻게 수집했는지 살피고, 가능하면 반드시 샘플 데이터를 확인한 후 본인의 상식에 비춰 어긋나는 점이 없는지 검증해야 한다. (앞서 설명한 대로 문제 해결 과정이 올바르다면 데이터와 관련된 상세 문서가 존재할 것이다.)

다음으로 데이터 가공 과정에서 문제가 발생할 수도 있다. 데이터 가공 시 일반적으론 원본 데이터 중 필요한 데이터를 선별하고, 이를 원하는 단위로 집계해 모델링에 적절한 형태로 가공한다. 문제는 그 과정에서 다양한 오류와 편향 가능성이 존재한단 사실. 따라서 이런 문제를 미연에 방지하려면 가공 과정을 상세히 들여다보며 문제점을 파악하고 가급적 가공 이후 정제된 데이터 샘플을 살필 필요가 있다. (데이터가 현실의 반영이란 사실을 기억한다면 상식에 비춰 잘못된 부분에 대해 문제를 제기하는 건 당연한 일이다.)

마지막으로 분석을 수행하고 결론을 내는 과정에서 발생할 수 있는 문제도 생각해봐야 한다. 이 단계에서 고려해야 할 사항은 △프로젝트 목표와 데이터 성격에 따라 적합한 모델을 선택했는가 △모델의 세부 매개 변수(parameter)는 어떻게 결정했는가 △결과 평가에 사용된 지표는 적절한가 △뚜렷한 정답셋(answering dataset)이 있는 예측 프로젝트의 경우, ‘학습 데이터’와 ‘평가 데이터’를 올바로 나눠 사용했는가 등이다. 정답셋이 없는 프로젝트라 해도 본인의 직관과 결과가 얼마나 일치하는지 평가할 수 있을 것이다.

#5. 문제 해결 성패, 관건은 ‘축적된 경험’

최근 빅데이터와 인공지능 관련 기술이 각광 받으며 적지 않은 이가 이런 기술만으로 문제를 해결하거나 가치를 창출할 수 있을 거라고 믿는다. 하지만 인공지능과 데이터는 언어와 마찬가지로 현상을 추상화해 해석, 추론할 수 있게 해주는 도구일 뿐이다. 따라서 데이터를 통한 문제 해결이 성공을 거두려면 그 기반이 되는 현상을 깊이 있게 알아야 할 뿐 아니라(도메인 전문성), 여기에 데이터와 그 관련 기술에 대한 이해까지 결합돼야 한다(데이터 전문성).

한 사람이 이 두 요소를 겸비하긴 쉽지 않으므로 실무에선 도메인 전문가와 데이터 전문가가 협업하는 형태가 일반적이다. 그래서 오늘은 이 과정에서 도메인 전문가에게 요구되는 역량과 문제 해결의 단계별 고려 사항을 짚어보고자 했다. 이 글에서 언급한 사항을 유념하며 문제 해결 경험을 꾸준히 쌓아나가면 어느새 데이터로 해결 가능한 문제가 보이기 시작하고(기획력), 문제 해결 방법이 떠오르며(분석력), 문제 해결 과정을 듣기만 해도 그 가치와 한계를 평가할 수 있는(비평력) 경지에 이르게 될 것이다.

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