빅데이터 시대는 딥러닝(DeepLeagning)을 재조망 받게 했다. 딥러닝 관련 연구 논문은 1958년 퍼셉트론(Perceptron)이라는 논문을 통해 처음으로 등장했다. 하지만 당시 기술적인 한계로 응용 단계로까지 발전시키지는 못했다. 그러다 빅데이터의 등장 시점에서야 딥러닝이 여러 분야에 활용되기 시작했다.

1958년 당시는 기술적 한계도 있었지만, 딥러닝이 학습할 데이터도 충분하지 못했다. 그러나 빅데이터는 데이터 촉발을 불러왔고, 딥러닝이 학습할 수 있는 충분한 데이터도 제공할 수 있게 됐다. 그렇다면 딥러닝은 어떤 특징이 있기에 산업적으로 큰 변화를 불러오는 것일까?

가장 큰 특징은 사람 수준의 직관력을 가지는 것이다. 이러한 특징은 인공지능(AI) 시스템을 활용해 자율주행, 이미지 인식, 음성인식 등 여러 분야에 활용할 수 있게 하고 있다. 다시 말해 딥러닝은 기존보다 더 나은 분석력을 제공해 사람의 업무를 대신하는 역할을 점차 하고 있다.

물론 이러한 부분이 딥러닝 활용의 전부는 아니다. 분석과 직관에서는 사람 수준의 지능에 도달하려는 연구 및 개발도 이뤄지고 있긴 하지만, 사람보다 더 뛰어난 지능을 갖추기 위한 시도도 이뤄지고 있기 때문이다. 예측이 대표적인 분야라고 할 수 있다.

AI 예측은 딥러닝으로 데이터를 분석해 일련의 규칙을 발견하는 것이 특징이다. 당연히 AI는 이러한 규칙을 기반으로 미래에 발생할 일을 예측하는 것이다.

예측 기반 맞춤형 추천 서비스 제공

AI 예측 서비스라고 하면 가장 먼저 “추천 서비스”가 떠오를 것이다. 추천 서비스는 사람의 선호도에 맞게 내용을 추천하는 서비스이다. 이러한 서비스는 빅데이터의 등장 이후 활발해지기 시작했다. 빅데이터의 등장으로 AI 예측이 활용될 수 있었기 때문으로 보인다.

그럼 어떤 서비스가 있을까? 구글은 사용자가 접속한 사이트를 기반으로 선호도를 예상하고 맞춤형 광고를 제공하고 있다. 참고로 지난 3월 개인정보침해 이슈로 이러한 맞춤형 광고는 개인에서 집단으로 묶어 제공되고 있다.

네이버는 AI 예측을 활용해 맞춤형 콘텐츠를 제공하는 서비스를 선보였다. 에어스(AiRS)는 사용자의 선호도를 분석해 알맞은 콘텐츠를 추천해준다. 넷플릭스도 이러한 맞춤형 서비스를 제공하는데, 사용자가 시청한 콘텐츠에 기반한 콘텐츠를 추천한다.

사용자의 구매 선호도를 예측해 맞춤형으로 가격을 제시해 제품 판매를 촉진하는 서비스도 등장했다. 참고로 이러한 서비스를 다이내믹 프라이싱(Dynamic Pricing)이라고 부른다. 다이내믹 프라이싱은 고정 가격으로 인해서 나타나는 ‘자중손실(Deadweight Loss)’을 줄이는 장점이 있다. 참고로 자중손실은 가격으로 소비자가 구매하지 않아 나타난 발생한 손실을 뜻한다.

이러한 서비스 대표 사례로 아마존에서 제공하는 ‘앨고 셀러 (Algo Seller)’가 있다. 해당 서비스는 소비자의 구매 행위를 분석해 탄력적이고 효율적인 상품 가격을 판매자에게 제공하고 있다.

예측으로 전력 낭비를 줄이기도 해

추천 서비스가 AI 예측 지능 활용의 전부는 아니다. 그 외 여러 분야에도 이러한 지능이 활용되고 있다. 대표적으로 에너지관리시스템(EMS)에 적용되어 에너지 사용 및 공급 효율성을 높일 수 있다. AI 예측은 EMS의 세 가지 부분에 적용할 수 있다.

첫 번째 부분은 에너지 사용량 예측이다. 다시 말해 AI를 EMS에 접목함으로써 에너지 사용량을 예측할 수 있다. 이는 에너지 사용 효율성을 높이는 효과를 가져온다.

스위스 설비 기업 “아세아브라운보버리(ABB, Aesa Boveri)”는 AI를 적용한 EMS를 출시했다. 해당 EMS 기술의 특징은 전력 사용량을 예측하는 것이다. 그리고 예측되지 않은 전력 사용량이 보일 때 이를 줄이도록 한다. 그 외 크로커스에너지는 아셀로라는 AI 기반 EMS를 개발했다. 아셀로는 설비 사용량을 예측해 에너지 사용량을 예측하는데, 이러한 예측을 기반으로 에너지 사용량을 절감한다.

두 번째 부분은 에너지 생산량 예측이다. 다시 말해 AI 예측은 신재생에너지발전원의 에너지 생산량을 높이는 데에 기여할 수 있다.

신재생에너지의 에너지 발전량은 위치에 따라 다른 특성이 있다. 가령 태양광은 햇빛이 잘 드는 곳일수록 에너지 생산량이 많아진다. 풍력발전의 경우에도 바람이 잘 불수록 에너지 생산량이 높아진다.

AI 예측은 어떤 위치에 신재생에너지발전원을 설치하는 것이 효율적인지를 파악하는 데에 활용될 수 있다. 예를 들어 풍력발전의 에너지 생산량이 많을 것 같은 위치를 AI 기술로 예측해 파악할 수 있다.

실제로 덴마크의 풍력발전기 제조회사 “베스타스 (Vestas)” AI 예측을 풍력 발전의 에너지 생산을 극대화하는 방법에 활용하고 있다. 구체적으로 AI는 날씨, 조수간만의 차, 위성, 산림 정도 등 환경을 분석해 풍력 발전원이 에너지 생산에 최적화된 자리를 추천하는 역할을 담당한다. 그 외 HTS 솔라는 태양광 발전 최적화를 위한 시스템을 제공하고 있다. 지리 정보와 날씨 정보를 기반으로 태양광의 적합한 위치와 크기를 추천한다.

끝으로 에너지 수급 부분에 활용될 수 있다. 이때 AI 예측은 에너지 사용량과 생산량의 모두에 적용된다. 그리고 에너지 수급 부족이 예상되면 에너지 사용 요금을 높여 수요를 줄이게 하고, 수급 과잉이 예상되면 요금을 낮춰 수요를 늘린다.

사이버보안과 주식시장에도 활용되는 AI 예측

그 외에도 AI 예측이 활용되는 부분은 상당히 많다. 사이버보안에도 이를 활용할 수 있다. 사이버보안시스템은 AI 예측을 활용해 발생할 수 있는 사이버위협을 사전에 파악해 대응할 수 있다. 참고로 이러한 기술을 지능형 위협시스템(Threat Intelligence)라고 하는데, 사이버공격자의 행위, 내부 취약점, 사이버공격동향 등으로 사전 위협을 감지할 수 있다.

AI 예측을 주식시장에도 활용할 수 있다. 주가 예측에 AI를 활용하는 것이다. 예측 방법으로는 다양하다. 일본 AI 스타트업 코젠트랩스(Cogent Labs)는 매일 50만건에 달하는 뉴스를 분석해 주가 예측하는 기술을 선보였다.

이처럼 AI 기반 예측은 여러 분야에 활용되고 있다. 사람의 직관력을 흉내 내어 적용할 수 있는 분야도 무궁무진하지만, 사람보다 더 잘 할 수 있는 분야에서도 AI가 약진할 것으로 보인다.