NSP통신

(서울=NSP통신) NSP인사 기자 = 알파고를 시작으로 인공지능 기술이 전세계 시장을 휩쓸면서 이제 IT 분야에서 딥러닝이나 머신러닝을 모르는 이는 없을 정도다. 그러나 AI 방법론 중 하나인 강화학습은 여전히 생소한 개념이며 기업 내 전문가들도 강화학습을 실제 비즈니스에 적용할 수 있는가에 대해서는 시각차가 있다. 강화학습이 가지는 기술적 가치에 대한 의문이 아니라 높은 난이도로 인한 진입 장벽, 인력 부재, 성공 사례 부족 등이 그 이유다.

그런데 지난 달, 구글이 발표해 국제 학술지인 네이처지에 게재된 논문이 화제가 되고 있다. 수작업으로만 진행되어 오던 반도체 칩 설계에 AI 기술을 적용, 수개월이 걸리던 작업을 AI가 6시간만에 끝내면서 타 분야의 기술 발전 속도도 견인할 것이라는 기대 때문이다.

최대우 대표 (애자일소다 제공)

구글이 반도체 칩 설계에 적용한 분야는 ‘floorplanning’으로 우리말로는 ‘평면배치’ 정도로 번역 될수 있겠다. 이는 수백만개의 부품이 심어지고 서로 연결되는 반도체 칩 내부를 가장 효율적인 배치로 설계하는 과정이다. 구글은 최적화된 칩 배치를 위해 AI 방법론 중 심층강화학습 방법론을 채택해 적용했다. 이 방법론은 강화학습에 심층신경망, 즉 딥러닝 알고리즘을 접목한 것이다.

기존 강화학습이 제시된 환경 안에서 AI 에이전트(AI Agent: 강화학습으로 학습된 인공지능 결과물)와 현재의 상태(State: AI 에이전트가 입력으로 받은 것)를 인지하여 선택 가능한 행동(Action)들 중 보상(Reward)을 최대화할 수 있는 최적의 행동을 찾아가는 방법이다. AI 에이전트는 현재 상태에서 앞으로 얻을 수 있는 보상이 최대가 되는 행동을 선택하게 된다. 주로 게임과 같이 ‘가상환경’을 대상으로 하는 분야에서 연구되고 있다.

강화학습은 최적화 문제 해결에 매우 적합한 기술로 평가되고 있으며 전세계에서 다양한 방식으로 비즈니스에 적용하는 시도를 하고 있다. 그러나 현실 세계의 비즈니스는 너무나 복잡하고 방대하기 때문에 최적의 행동을 찾기 위한 환경을 구현하는 것이 가장 어려운 문제이다.

그런데 구글은 이번 논문을 통해 심층강화학습을 채택하여 굉장히 복잡한 칩 디자인 제한 조건을 보상으로 세팅하여 최적의 플로우플래닝을 성취한 결과를 만들어 냈다

이 논문에 주목하는 이유는 칩 설계의 효율화뿐만 아니라 머신러닝에 특화된 칩 설계 시대를 현실화했다는 점이다. 현재 AI 에이전트를 훈련시키기 위해서는 GPU를 활용하고 있지만 복잡한 딥러닝 구조 계산에는 한계에 다다른 상황이다. 이 같은 이유로 AI 훈련에 특화된 칩 수요가 폭증하고 있는 가운데 강화학습을 활용해 칩 설계를 단시간에 성공했다는 점에서 머신러닝을 위한 칩 개발의 가능성을 열었다고 볼 수 있다.

또한 이는 반도체 설계 분야에만 국한되는 것이 아니라 자율주행차, 디스플레이 패널 설계, 하이테크 공정, 다른 AI 분야 등 고도화된 기술 산업에 적용될 수 있으므로 기술의 발전 속도가 가속화될 것으로 기대된다.

필자 역시 강화학습을 활용한 최적화 분야에 꽤 오랜 연구와 실험을 거듭해 오고 있는 입장에서 이번 논문은 매우 의미 있는 사건이며 AI 분야에 몸담거나 관심있는 이들은 반드시 들여다볼 필요가 있다고 생각한다.

실제 국내 금융권에서는 이미 강화학습을 적용, 최적화 분야에 대한 실험 단계를 거쳐 본격적인 사업이 추진되고 있는 상황이며 유통, 해운 분야에서도 최적화를 위해 활용하고 있어 곧 성공적인 사례가 속속 소개될 것으로 기대된다.

그간 강화학습에 대해 높은 난이도와 실제 비즈니스 적용에 두려움이 있던 이들도 이제는 적극적인 검토가 필요한 시점이다. 특히 우리나라는 반도체 강국이자 주요 하이테크 산업 분야에서 세계적 입지를 갖고 있는 상황에서, 이 AI 기술에 대한 연구와 도전이 거듭되어야 할 것이다.

NSP통신 people@nspna.com
저작권자ⓒ 한국의 경제뉴스통신사 NSP통신·NSP TV. 무단전재-재배포 금지.