[Daily IT News] 디지털트윈(메타버스), 오픈이노베이션, 자기지도학습

기존에 정형화 되어 있는 것에 대한 빠른 학습과 그에 대한 발전을 하기 위해서는 Top-down 방식의 폐쇄적인 방법이 오히려 다른 방법들 보다 성공할 확률이 높다고 생각을 합니다. 그렇지만 현재 세상은 다양한 비정형화된 데이터가 실시간으로 생겨나고 이를 처리하고 수정하고 새로운 생태계를 구성하는 과정을 계속 하는데요, 이런 상황에서는 오픈된 방식으로 접근을 해야하는게 아닌가 생각이 듭니다. 그런 의미에서 '오픈 이노베이션'이라는 단어가 더욱더 눈에 들어오는 것 같습니다.

금일(2022.01.27. 목) 신문리뷰 입니다.

 

● 전자신문

구분	헤드라인	설명
(서비스) 디지털트윈	메타버스 첫걸음 '디지털 트윈'	>>  기업 입장에서는 '메타버스를 어떻게 활용할 것인가'에 대해 고민이 깊어졌다. 혁신이라는 기대감을 먹고 뜨겁게 부풀어 오르지만 아직 기술적으로는 넘어야 할 산이 많다. 의구심을 한 꺼풀 벗길 수 있는 분야가 바로 '디지털 트윈'이다. 디지털 트윈은 거대한 메타버스 개념 가운데 현실 측면을 부각하는 분야다. 현실의 물리적 세계와 가상의 디지털 세계를 데이터 중심으로 연결한다. 데이터로 연결된 현실과 가상은 마치 쌍둥이(Twin)처럼 함께 작동하며 상호작용한다.  기업에서는 디지털 트윈을 통해 현실 문제를 가상공간에 투영할 수 있다. 가상공간에서 현실의 문제점을 실험하고, 가상공간에서 도출한 실험 결과는 다시 현실의 사물에 적용해서 문제를 개선한다. 현실과 가상이 실시간으로 동기화돼 순환하는 과정이 기업에서 활용할 수 있는 디지털 트윈이다. 디지털 트윈 역시 과거 CPS(Cyber Physical System)로 불리던 기술과 의미상으로는 크게 다르지 않다. 최근 빅데이터, 인공지능(AI), 사물인터넷(IoT), 증강현실(AR), 가상현실(VR) 등 기술 발전과 결합해 과거와 다른 혁신적인 성장을 보일 것이라는 기대감이 응축되고 있다. 무엇보다 가상 환경 실험 결과가 현실세계에 그대로 적용된다는 점에서 '현실적 활용'에 대한 매력도가 높다. >> 기업이 구현하고 활용하는 디지털 트윈의 핵심 영역은 시뮬레이션이다. 중요한 것은 물리적이고 시각적인 실험뿐만 아니라 데이터 분석을 통해 현상을 해석하고 대안을 도출하는 것도 포함된다는 점이다. 즉 가상 환경을 활용해 의사결정을 지원할 수 있는 다양한 방법론이 모두 디지털 트윈에서의 시뮬레이션이다. 예를 들어 공장에서는 각종 설비 데이터가 가상공간에 표현되고 시뮬레이션을 통해 장비를 운전해 보며 문제점을 예측할 수 있다. 가상공간에서 예측된 문제점을 보완해 다시 현실 제조 공정에 적용함으로써 정밀한 생산 계획 수립과 효율성 극대화를 가능하게 한다. 이런 활용성 때문에 제조공장을 보유한 기업에서 가장 큰 관심과 기대를 보이는 것이다. >> 디지털 트윈의 진정한 가치는 제조 공정 최적화 영역에만 국한된 것이 아니다. 기업의 여러 업무 영역에도 충분히 적용될 수 있다. 생산과 품질은 물론 세일즈와 마케팅 전략, 교육과 기술 훈련, 경영계획 등 기업 전반에 걸쳐 적용될 수 있다는 점을 간과해서는 안 된다. 결국 디지털 트윈은 기업 전체를 가상공간으로 옮겨 놓는 것이나 마찬가지다. 가상공간에서는 업무 영역마다 찾기 어렵던 기존 문제를 발견해 내고, 새 문제점도 파악할 수 있다. 도출한 문제는 역시 가상공간에서 해결 방법을 찾아내 다시 기업 현장에 적용한다. 기업은 가상과 현실의 동기화를 반복하며 성장의 동력을 얻는 것이다. 기업 전체를 디지털 트윈으로 구현하는 것은 최고 협업을 가능하게 한다. 모든 업무 활동 데이터가 실시간으로 연결되고, 시뮬레이션을 통한 분석 결과가 공유된다. 기업 구성원은 AR·VR를 통해 의사결정에 참여할 수 있다. 디지털 트윈은 모든 기업 업무 환경과 일하는 방식을 변화시킴으로써 진정한 디지털 트랜스포메이션을 가능하게 할 것이다. 오래 전에 발표한 가요가 재조명받으며 다시 인기를 얻는 것을 이른바 '역주행'이라고 한다. 30여년 전에 소개된 메타버스는 지난해를 기점으로 그야말로 역주행 조명을 받으며 화려하게 부활했다.
(IT경영) 오픈 이노베이션	'미래 통신' 오픈이노베이션	>> 최근 학계와 산업계를 중심으로 미래 통신, IT 부품 분야 연구가 활발하게 진행되고 있다. 대기업을 비롯한 산업체, 정부출연연구기관을 비롯한 많은 대학 연구실에서 자체적인 5G, 6G 핵심 부품 기술을 선보였다. 다만 한 가지 우려스러운 부분이 있다. 혁신 기술 및 성과가 새로운 제품과 서비스 출시, 차세대 무선 통신산업 창출로 이어지지 못하는 병목 현상이 몇 년 전부터 포착된다. 여러 원인이 있겠지만 대표적으로 우리나라의 전통적인 무선 통신 산업의 생태계 구조를 살펴봐야 한다. >> 무선 통신 분야에서 완성품을 국내외에 판매·공급하는 대기업은 제조와 조립 중심으로 성장했다. 중소·중견 기업은 대기업에 부품과 자재를 공급하는 생태계 구조로 성장했다. 학계는 대기업과 협업해 연구 성과를 창출하고, 관련 기업에 입사하는 인재를 양성하는 역할을 했다. 이는 짧은 시간 동안 우리나라 무선 통신 산업과 기술이 세계적 반열에 올라가는 데 크게 기여한 효율적인 협업 체계였다. 문자, 음성통화, 데이터 통신 등과 같이 최종 서비스와 비즈니스 모델이 비교적 단일화된 기존 무선 통신 세대에서는 완제품, 무선 통신 부품 개발 전략 역시 톱다운(Top down) 전략이 효율적이기 때문이다 >> 그러나 앞으로 특정 산업과 기업군 중심으로는 더 이상의 성장과 실효성이 의심된다는 점이다. 차세대 무선 통신 생태계에서 기존과 같은 전략은 재고해야 한다. 한 예로 초광대역 무선 기술(UWB), 사물인터넷(IoT)처럼 제품과 서비스, 비즈니스 모델 범위를 상대적으로 폭넓게 설정할 때 기존 생태계로는 새로운 시장 창출이 쉽지 않다. 문제는 5G, 6G를 비롯한 차세대 무선 통신이 이와 유사한 형태로의 진화를 요구받고 있다는 점이다. 메타버스 대두와 진화는 무선 통신 부품 분야에서 초미의 관심사다. 다만 메타버스의 향방을 누구도 단언하기 어렵다. 5G 통신을 비롯한 차세대 무선 통신 부품의 생태계 운용 관점에서 기존 선택과 집중 전략 대신 기동력, 순발력, 다양성이라는 세 가지 가치를 극대화하는 전략이 필요하다. 기존의 수직 가치 사슬이나 특정 기업의 중앙 연구소 중심으로 대응하기에는 너무 많은 변수가 있다. 다수의 기업, 연구소, 대학 등으로 구성된 다자 간 오픈 이노베이션이 대안일 수 있다. >> ESG 경영, 상생 협력에 관한 관심이 증가하는 최근 오픈 이노베이션 개념과 행위는 낯설지 않다. 여기서 진화된 무선 통신 부품 분야에서의 다자 간 오픈 이노베이션은 다수의 수요자와 다수의 공급자로 구성된다. 결과적으로 운용의 폭이 훨씬 다양하고 넓어진다. 예를 들어 복수의 주파수 대역이 후보군으로 검토되고 있는 6G 통신에서 이에 대한 활용 전략, 비즈니스 모델 등에 다수의 참여자가 컨소시엄 형태로 참여하는 시나리오를 들 수 있다. 갈수록 다양한 부품 간 호환성이 매우 중요한 현재 다양한 부품과 세부 기술을 연구하는 다수의 연구소와 다수의 잠재적 수요자가 초기부터 협력해서 공동 투자·출자하고 이에 대한 권리를 분할·공유하는 시나리오를 생각할 수 있다. 물론 수요 또는 공급 역할로 참여하는 기관에도 참여 조건과 상황은 다를 수 있다.

[참고] '디지털 트윈' 기업 적용 기대 효과

 

● 인공지능 신문

구분	헤드라인	설명
(AI) 자기지도학습	사람처럼 진화하는 인공지능!...음성, 시각 및 텍스트를 동시 인식하는 AI 플랫폼 오픈소스로 공개	>>  레이블링(Labeling) 된 이미지, 텍스트, 오디오 및 기타 데이터 소스를 통해 명시적으로 학습하는 대신 환경을 직접 관찰하여 학습하는 자기지도학습(Self-supervised learning. 자체 감독)은 최근 다양한 분야에서 인공지능(AI)의 진화에 중요한 동인이 되고 있다. 그러나 사람들은 정보를 얻는 방법(시각 또는 소리 등)에 관계없이 유사한 방식으로 학습하는 것처럼 보이지만 실제로는 자기지도학습 알고리즘이 이미지, 음성, 텍스트 및 기타 정보로부터 학습하는 방식에는 큰 차이가 있다. 이러한 차이는 자기 지도 학습의 발전을 보다 광범위하게 적용하는 데 상당한 장벽으로 작용하고 있다. 예를 들어, 이미지를 이해하도록 설계된 강력한 AI 알고리즘은 텍스트와 같은 다른 양식(분야)에 직접 적용할 수 없기 때문에 여러 양식을 동시에 같은 속도로 추진하기는 어렵다. >> 여기에, 메타(Meta, 구 페이스북) AI가 세계 최초로 음성, 이미지, 텍스트를 동시에 인식하는 고성능 인공지능 자기 지도 알고리즘인 'data2vec'을 개발하고 오픈소스로 공개했다. 특히, 이 알고리즘은 이전의 단일 목적 최고의 음성, 이미지 및 텍스트 각각의 AI 모델을 능가했다고 한다. 메타 AI는 인기있는 이미지넷(ImageNet) 컴퓨터 비전 벤치마크에서 이 모델을 테스트해 기존 방법보다 우수한 성능을 보였다. 또한, 음성에서는 메타의 자체 원시 음성 구조 학습 모델인 wav2vec 2.0이나 휴버트(HuBERT) 보다 더 나은 성능을 보였다. 텍스트의 경우, GLUE 벤치마크에서 테스트했으며 구글 버트(BERT)의 재 구현 모델인 로버타(RoBERTa)와 마찬가지로 성능이 뛰어났다고 한다. 여전히, 대부분의 지도학습 기반 모델은 레이블링된 데이터로만 작동한다. 그러나 모델이 원하는 모든 일에 대해 레이블이 지정된 데이터를 수집하는 것은 어렵다. 예를 들어, 영어 음성 및 텍스트에 대한 레이블링된 대규모 데이터 세트를 만드는 데 많은 노력을 기울였지만 지구상에서 사용되는 수천 개의 언어에 대해 이 작업을 수행하는 것은 거의 불가능한 것이다. >>  Data2vec는 모달리티(modality)에 관계없이 입력 데이터의 자체 표현을 예측하도록 모델을 훈련함으로써 이를 단순화 했다. 시각적 토큰, 단어 또는 소리를 예측하는 대신 신경망의 레이어에 집중함으로써 단일 알고리즘에서 완전히 다른 유형의 목적을 함께 작동할 수 있도록 한 것으로 학습 작업에서 분야별 목표에 대한 의존성을 제거한 것이다. 여기서, 메타AI는 표현을 직접 예측하는 것은 그리 간단하지 않았다. 다양한 양식에서 신뢰할 수 있는 작업에 대한 기능에 강력한 정규화를 정의해야 했다. 메타 AI는 먼저 이미지, 텍스트 또는 음성 발화에서 대상 표현을 계산하기 위해 교사 네트워크(Teacher Network)를 사용했다. 다음으로, 입력의 일부를 마스킹하고 학생 네트워크(Student Network)로 프로세스를 반복한 다음 교사 네트워크의 잠재된 표현을 예측한다. 즉, 학생 네트워크가 교사 네트워크의 내부 표현 값을 예측하도록 학습한다는 것이다. 결론적으로 이 모델은 음성, 이미지, 텍스트 등의 각 분야에서만 성능을 낼 수밖에 없던 기존 모델 방식의 패러다임을 완전히 바꾼 것으로 주변 세계를 관찰하면서 사람처럼 학습하는 인공지능을 눈앞에 두게 된 것이다. >> 자기 지도 학습은 서로 다른 다양한 학습 목표를 통해 컴퓨터 비전, 이미지 및 기타 개별 분야에서 큰 진전을 이루었다. 특히, 이 모델의 접근법의 핵심은 보다 일반적으로 학습하는 것이며, 완전히 익숙하지 않은 작업을 포함하여 많은 다양한 작업을 수행할 수 있게 됐다는 것이다. 우리는 인공지능이 학습 데이터에 나타난 동물들을 인식할 뿐만 아니라 그들이 어떻게 생겼는지 말해주면 새로운 동물들을 인식하도록 적응하기를 원한다. Data2vec는 이 같은 다른 요구에서도 잘 작동할 수 있으며 현존하는 각 분야의 최고의 알고리즘보다 더 잘 작동한다는 것을 보여줬다. 이번 메타AI의 Data2vec는 더 일반적인 자기지도학습을 위한 길을 열었으며, AI가 비디오, 기사, 오디오 녹음을 사용하여 축구 경기나 빵을 굽는 다른 방법과 같은 복잡한 주제에 대해 배울 수 있는 세계로 더 가깝게 다가간 것이다. 그리고 AI가 어떤 작업을 수행하기 위해 수천 개의 언어에 대한 음성 인식 모델을 교육하기 위해 주석이 달린 예제를 수집하는 것은 어렵고 때로는 불가능하다. 이처럼 필수적이었던 레이블링된 데이터를 거의 필요로 하지 않는 보다 일반적인 인공지능(General Model Architectures)을 향한 중요한 단계로 평가 된다.

[참고] 메타 AI 'Data2vec' 알고리즘

금일 주목할 기사는 디지털 트윈 관련 기사입니다.
메타버스, 가상화와 관련된 이야기는 이제는 모든 영역에서의 일반적인 이야기가 아닌가 생각이 듭니다. 이런 개념적인 공감대가 있다고 하면 실제 시장에서는 어떻게 구현하고 적용할 지에 대해 고민하는게 사실이긴 한데요, 그 기반 핵심 기술로 디지털 트윈이 있다고 보면 될 것 같습니다. 디지털 트윈 기술 잊지 마시기 바라겠습니다.

그리고 주목할 기사는 자기지도학습 관련 기사입니다.
지도학습은 학습데이터를 사람이 주어주고 기계를 학습시켜 고도화 시키는 방법입니다. 그런데 이렇게 학습하고자 한다면 사람이 주는 데이터의 정보(레이블)까지 같이 제공해주어야 하는 함정이 있습니다. 그리고 수많은 양의 데이터를 다 이렇게 학습 시킬 수 없다는 그런 함정 또한 있습니다. 이에 등장한 것이 자기지도학습입니다. 인공지능이 스스로 학습한다는 개념이고, 메타 AI에서는 텍스트, 이미지, 음성 구분없이 스스로 학습 시킬 수 있는 AI를 오픈소스로 제공한다고 합니다. 이와 관련하여 자기지도학습 눈여겨 보셨으면 합니다.