2017년 06월 01일 목요일, 정보과학관 102호에서 머신러닝을 주제로 ‘정보기술세미나’가 열렸습니다. 인공지능(AI)과 머신러닝은 다양한 분야에서 각광받고 있으며 급격히 발전하고 있는 기술입니다. 인공지능이 주목받기 전부터 생물학과 융합을 통한 연구를 진행하였으며, 깊이 있는 연구를 위해 ‘㈜스탠다임’을 창업한 김진한 대표이사께서 강의를 맡아주셨습니다.
 |
| 황규백교수님 연사소개 |
세미나는 황규백 교수님의 ‘㈜스탠다임’ 김진한 대표이사에 대한 연사소개로 시작되었습니다. 김진한 대표이사는 서울대학교에서 응용생물화학과 학사를 졸업하고 엔씨소프트 등에서 소프트웨어 개발자로 근무하였으며, 이후 서울대학교 대학원에서 컴퓨터공학 석사를 공부하였습니다. 또한 영국의 애든버러 대학에서 인공지능 박사학위를 따고 돌아와 삼성종합기술원에서 인공지능과 생물학 관련 프로젝트를 진행했고 프로젝트가 중단되자 직접 창업을 하게 되었습니다. ‘㈜스탠다임’은 신약 개발의 효율성과 성공 확률을 높이는 인공지능 소프트웨어 ‘스탠다임 솔루션’을 개발하는 회사입니다.
 |
| 김진한 대표이사 |
세미나는 두 가지 주제로 진행이 되었습니다. 첫 주제는 ‘Bio-Inspired Engineering and Algorithms (생물에서 영감을 얻은 개발론과 알고리즘)’이고 두 번째는 ‘Engineering and Algorithms for Biology (생물학을 위한 개발론과 알고리즘)’입니다. 세미나가 본격적으로 시작하기 전에 김진한 대표이사께서는 대학생들을 위한 조언을 해주셨습니다. “자신이 진짜 하고 싶은 일을 하는 것이 중요하다. 그러나 그것이 무엇인지 모른다면 자신이 진심으로 재미있어하는 일을 평생 찾으며 살겠다는 마음가짐으로 살아가야 한다.” 이것은 취업에만 목표를 두고 많은 고민의 기로에 선 대학생에게 꼭 필요한 조언인 것 같습니다.
 |
| 강의를 집중해서 듣는 학우들 |
첫 주제인 ‘생물에서 영감을 얻은 개발론과 알고리즘’에서는 생물학에서 머신러닝이 얼마나 중요한 도구인지 ‘DNA 나노 로봇’과 ‘Open Worm 프로젝트’ 등의 연구 사례를 통해 설명해 주셨습니다. 신약 개발의 궁극적인 목표는 사람을 치료하는 것입니다. 그러나 사람을 대상으로 실험하는 것은 불가능합니다. 그래서 실험실에서는 다양한 생명체를 키우고 그 생명체에게 실험합니다. 그러나 만약 그 생명체에서 일어나는 모든 프로세스와 자극에 대한 반응이 컴퓨터상에 데이터화 되어 있다면 직접 실험하지 않아도 컴퓨터를 통해 시뮬레이션할 수 있을 것입니다. 따라서 머신러닝 기술을 더욱 발전시켜 미래에는 사람에 대한 시뮬레이션도 컴퓨터로 가능하도록 하는 것이 목표라고 합니다. 그렇게 된다면 더욱 효율적으로 신약을 개발할 수 있습니다.
 |
| nanorobot설명 |
‘DNA 나노 로봇’은 신약을 개발할 때 치료하고자 하는 특정 세포(암세포)에만 정확하게 약물의 영향을 끼치도록 하는 프로젝트입니다. 만약 약물이 정상 세포에도 영향을 준다면 부작용(머리 빠짐 등)이 생기기 때문에 신약 개발에 있어서 부작용을 막는 것은 매우 중요합니다. ‘Open Worm 프로젝트’는 1,000개의 세포로 이루어져 있고 유일하게 생명체의 모든 데이터를 세포 단위로 컴퓨터에 옮긴 곤충에 대한 프로젝트입니다. 이 생명체에게 센서를 탑재하여 모든 자극에 대하여 실제 생명체와 컴퓨터 속 가상 로봇이 동일한 움직임을 보일 수 있도록 하는 실험을 진행합니다. 따라서 나중에는 실제 곤충으로 실험하지 않아도 컴퓨터상에서 같은 결과를 얻을 수 있게 될 것입니다. 이 방식은 반도체 설계 과정에서도 사용됩니다. 이처럼 컴퓨터 시뮬레이션이 실제 실험과 같은 결과를 도출한다면 생물학 분야에서 머신러닝 기술은 정말 좋은 도구일 수밖에 없습니다.
더불어 ‘Evolutionary 알고리즘’도 소개해주셨습니다. 유전알고리즘과 비슷한 ‘Evolutionary 알고리즘’은 나사에서 만든 가장 효율이 좋은 안테나를 설계할 때 사용됐습니다. ‘Evolutionary 알고리즘’에 대한 이해를 돕기 위해 알고리즘으로 머신러닝이 이루어지는 과정에 대한 영상 자료 시청을 했습니다. 이 원리는 알파고가 가진 알고리즘과 같은 원리이며, 수많은 시행착오를 통해 최적의 답을 내는 방식입니다.
 |
| 영상자료를 통해 설명 |
두 번째 주제에서는 ‘생물학을 위한 개발론과 알고리즘’에 대한 소개가 있었습니다. 대표적으로 두 가지 알고리즘을 비교하여 설명해주셨습니다. ‘Neural Networks’와 ‘Convolutional Neural Networks(CNN)’는 이미지에 특화되어있는 기술입니다. ‘Neural Networks’는 신경망이라는 의미이며, 각 노드는 뇌세포를 의미하고 이 노드들이 요구된 정답에 가깝게 다가갈 수 있게 하는 알고리즘입니다. 이 알고리즘을 통해 이미지를 판별할 경우 정답과 가깝게 판별할 수 있는 확률은 약 94%입니다. ‘Convolutional Neural Networks(CNN)’는 더욱 발전된 형태의 알고리즘입니다. 이미지의 한 픽셀에서 독립적으로 정보를 인식하는 것이 아니라 그 주위 픽셀에서도 공통된 정보를 공유하는 방식의 알고리즘입니다. CNN을 사용할 경우 이미지만을 이용하여 암을 판별할 수 있고 사람보다 성능이 좋다고 할 수 있습니다. 또한 사람이 손으로 쓴 숫자를 약 99% 판별 가능한데, 1%의 오답은 사람도 알 수 없는 숫자라고 합니다. 오늘날 기술이 더욱 발전되어 이미지를 입력하면 이미지에 대한 설명 텍스트를 자동으로 출력하기도 합니다. 이처럼 다양한 알고리즘들은 생물학을 연구할 때 유용하게 사용할 수 있습니다.
 |
| 스탠다임에서하는 일 설명 |
마지막으로 ‘㈜스탠다임’에서 진행 중인 연구에 대한 소개를 간략히 해주셨습니다. 또한 회사에서는 예측력이 좋은 ‘black box 모델’과 설명력이 좋은 ‘white box 모델’을 상호보완적으로 사용하며 연구를 진행하고 있다고 덧붙여주셨습니다. 특히 머신러닝을 이용한 연구에서 가장 중요한 것은 데이터라고 강조하셨습니다. 데이터에 따라 머신러닝 기술에 사용할 수 있는지가 결정되기 때문입니다. 현재 우리나라는 아주대학 병원 데이터가 가장 디지털화가 잘 되어 있다고 합니다.
컴퓨터가 만들어진 이유는 암호해독에 이용하기 위해서입니다. 이와 같은 이치로 대학에서 ‘기술이 어떻게 활용되는지’에 대한 실용적인 접근을 통해 깊이 있는 결과를 도출했으면 좋겠다는 당부와 함께 강의를 끝내셨습니다. 순수학문이 아닌 이상 연구를 통한 발전은 힘들기 때문에 실용적인 접근이 중요하다고 거듭 강조하셨습니다.
 |
| 질의 응답시간 |
준비하신 모든 강의가 끝나고 질의응답이 진행되었습니다.
Q. 머신러닝 연구 자료를 찾아볼 수 있는 곳은 어디인가요?
A. 최근에는 하루에도 많은 양의 인공지능 관련 논문이 쏟아지고 있습니다. 인터넷에는 정말 많은 자료가 공유되고 있으므로 학술적인 자료를 찾기는 힘들지 않습니다. 또한 데이터들도 오픈소스가 많으므로 어렵지 않게 얻을 수 있습니다.
Q. 머신러닝에 있어서 어떤 컴퓨터 언어가 적합할까요?
A. 현재 파이썬이 가장 많이 쓰이고 있습니다. 또한 이 분야에서 파이썬을 대체할만한 언어는 아직 없습니다. 가끔 고급통계에는 R언어도 사용합니다. 그리고 R언어와 파이썬의 라이브러리가 C++언어로 구성되어 있으므로 드물게 C++언어도 사용하기도 합니다.
머신러닝 기술을 학술적으로 배우는 것도 중요하지만 어떻게 다른 분야에 접목되어 활용되는지를 실질적으로 알 수 있는 시간이었습니다. 또한 앞으로 컴퓨터와 생물학의 융합뿐만 아니라 다른 분야와의 융합이 가져올 시너지도 기대됩니다. 전공강의를 통해 기술적이고 학문적인 접근이 가능했다면 정보기술세미나는 실용적이고 넓은 시각을 가질 수 있는 기회인 것 같습니다. 매주 목요일 오후 4시 반, 정보과학관 102호에서 여러 가지 주제로 세미나가 열리는 만큼 수업을 수강하지 않는 학우들일지라도 참여하여 깊이 있고 알찬 강연을 들을 수 있었으면 합니다.
기사 작성 : 이수은 기자(esooen@naver.com)
사진 촬영 : 이수은 기자(esooen@naver.com)
편집 : 최유진 미디어팀장 (barbby20@naver.com)
김나현 편집팀장 (nahyun081@nate.com)
김수연 국장 (syd0269@naver.com)
http://www.comtimes.kr/news/869
Powered by Newsbuilder
