POSTECH CEO REVIEW 11.12월 호

7기 이달의 추천

하지만 국제적으로는 얀덱스 택시(Yandex Taxi), 국내에서도 카카오택시와 같은 여러 서비스들을 제공하는 후발주자들이 등장하여 시장이 포화 상태를 보이기 시작하였다. 하지만 이러한 우버는 공유 서비스에 그치지 않고 자동운전 트럭 서비스를 새롭게 개발하기 시작하였고, 이에 따라 운송 서비스를 진행하였다. 그것이 바로 우버프레이트(UberFreight)이다. 이는 앞으로의 서비스에 있어 새로운 패러다임을 제시할 것으로 보인다.

이번의 테스트는 1회 운송비용이 $450였고, 1회성 테스트에 불과했지만 앞으로 이 서비스를 계속 진행할 것이고 지속적인 기술 및 서비스에서의 발전이 수반된다면 가격과 안정성 두 가지 토끼를 모두 잡을 수 있을 것이다.

[이미지 출처]www.youtube.com/watch?v=Qb0Kzb3haK8

상온에서 채소를 신선하게 보관하는 방법, ‘베지돔’

베지돔은 투명한 유리 볼 안에 냉장시스템이 갖춰진 것이 아니다. 일반적인 볼(bowl)과 크게 다르지 않은 모습이며 실제로 전원을 넣지 않아도 된다. 다른 점이라고 하면, 식물의 노화를 불러오고, 채소에서 발생하는 에틸렌 가스를 자연스럽게 빼주는 배출구가 있다는 것이다. 이러한 원리로 채소는 실제 6일 정도 거뜬히 보관할 수 있게 된다.

이 제품은 인디고고에서 큰 반향을 불러 일으켰다. 그리고 이제 실제로 제품화가 되었다. 가격은 $39로 시중에 판매하는 김치 냉장고에 비해서는 한참이나 저렴한 가격이라고 할 수 있겠다. 이처럼 매우 간단한 원리만으로도 김치냉장고와 같은 기계를 대체할 수 있는 시대가 도래했다. 물론 지금 소개하고 있는 제품은 보관 기간이 6일에 불과하지만, 추가적인 기술이 발전하고 지속적인 투자가 이루어진다면 더 발전하여 언젠가는 가정에 존재하는 기계들을 대체할 수 있는 날이 오지 않을까.

구글 번역, 기존의 통계번역과 새로운 신경망 번역의 차이

지난달에 구글이 자사의 번역 서비스에 인공신경망 기반의 번역 기술을 도입하여 번역 품질을 대폭 개선시켰다. 새롭게 인공 신경망 기술을 적용함으로 인해서 그동안 단어 단위로 나눠서 번역하던 것을 문장 단위로 번역하기 때문에 번역 품질이 향상되었다. 실제로 구글 번역기에 이번해에 기출되었던 수능 영어 영역의 지문을 번역했더니 상당히 자연스러운 결과물을 얻을 수 있었다. 아래의 지문 이외에도 더 길이가 길고 구문이 복잡한 문제들도 문제 없이 번역을 하는 것은 물론이고 한국어로 쓰여진 국어 기출 문제를 영어로 번역해도 무리없이 읽을 수 있는 수준으로 번역해 내는 것을 볼 수 있었다.

기존의 번역서비스를 생각하면 어떻게 이렇게 갑작스럽게 느껴질 정도의 성장인 것 같지만 이 개선은 하루 아침에 일어 난 것은 아니다. 새롭게 번역 기술에 도입된 인공신경망 기술은 다름아님 바로 지난 3월, 인공지능 최초로 바둑으로 이세돌을 꺽었던 알파고의 기술과 같은 기술이다. 사실 번역 서비스는 독립적으로 개발된 것이 아니라 알파고부터 시작해서 시각물을 몽환적인 그림으로 바꿔주는 딥드림, 거장의 화풍을 학습해서 알려주는 딥스타일등 구글이 연구하고 개발해온 인공신경망기술과 한 흐름에 있다. 인공신경망은 생물학의 신경망, 특히 뇌에서 영감을 얻은 학습 알고리즘을 말한다.

2006년 처음 구글 번역을 서비스한 이래로 최근까지 통계 기반의 번역이었다가 올 11월에 인공신경망을 이용한 번역을 도입하였다. 통계를 이용한 번역(SMT, Statistical Machine Translation)은 기본적으로는 단위마다 번역을 해서 조합을 하는 방식으로 이루어진다. 초창기에는 단어 단위로 번역을 했지만, 더 정확한 의미 번역을 위해서 구(phrase)를 단위로 번역을 하도록 발전되었다. 예를 들면 다음과 같은 식이다.

• eat an apple = 사과를 먹다

• eat a banana = 바나나를 먹다

• eat a grape = 포도를 먹다

• …

여기서 조금 더 발전한 방식이 '계층적 구 기반 방식'이다. 기존의 구 기반 방식에서 'eat an apple =사과를 먹다', 'eat a banana = 바나나를 먹다', 'eat a grape=포도를 먹다.'처럼 저장되던 것을 'eat X = X를 먹다'로 표현해서 훨씬 더 많은 관계를 나타낼 수 있게 한다. 이렇게만 해도 한국어-일본어처럼 어순이 비슷한 언어는 일상생활에 불편함이 없을 정도로 번역할 수 있다. 하지만 한국어-영어처럼 어순이 다른 경우에는 올바른 배열 조합을 찾아야 한다. 구별로 번역은 했는데, 이것을 어떻게 조합해서 멀쩡한 문장을 만들어내는가의 문제가 남는다. 문제를 해결하기 위해서 사전 순서 변경(pre-reordering)을 거친다. 번역하고자 하는 언어의 어순과 유사하게 바꿔서 문제를 해결한다. 예컨대 ‘나는 사과를 먹는다’라는 문장이 있으면 이를 ‘나는 먹는다 사과를’로 변형한 뒤 ‘I eat an apple’로 바꾼다. 구글 포토를 영문 검색하여 기존의 구글 번역과 새로운 구글 번역을 이용하여 번역해 보았다.

영어 원문
Google Photos is a photo and video sharingand storage service developed by Google. It was announced in May 2015 and spun out from Google+, the company's social network. In May 2016, one year after launch, Google Photos had over 200 million monthly active users, who had uploaded at least 13.7 petabytes of photos/videos, with over 2 trillion labels having been applied (24 billion of those being selfies), and 1.6 billion animations, collages and effects had been created based on user content.

기존 구글 번역(통계기반 번역)
구글 사진 A는 사진 및 비디오 공유 가 개발 및 스토리지 서비스 구글 . 그것은 월 2015 년 발표으로부터 방사 된 Google+에 회사의, 소셜 네트워크. 5 월 2016 년 1 년 출시 후, 구글 사진 만 200 매월 활성 적어도 13.7 업로드 한 사용자했다 페타 바이트 조 2 위에 레이블은 (해당되는 셀카 24 억 달러) 적용하는 데에, 사진 / 비디오를, 1.6을 억 애니메이션, 콜라주 효과는 사용자의 콘텐츠를 기반으로 작성되었다.

새로운 구글 번역(인공신경망 번역)
Google 포토는 Google에서 개발 한 사진 및 동영상 공유 및 저장 서비스입니다. 2015 년 5 월에 발표되었으며 회사의 소셜 네트워크 인 Google+에서 분사되었습니다. 출시 후 1 년 후인 2016 년 5 월 Google 포토에는 월 2 억 명이 넘는 사진 / 동영상을 업로드 한 사용자가 2 억 명이 넘었고 (셀피가 된 사람은 240 억 명) 1.6 명이 사용되었습니다. 10 억 개의 애니메이션, 콜라주 및 효과가 사용자 컨텐트를 기반으로 만들어졌습니다.

인공신경망을 사용한 번역(NMT,Neural Machine Translation)이 더 자연스럽고 확실하게 의미를 전달해준다는 것을 알 수 있다. 이 차이를 나타나게 하는 이유는 단순하게 설명하면 통계기반의 번역이 구를 기반으로 번역하는 것과 달리 인공신경망 번역에서는 문장 전체를 단위로 번역을 하기 때문이다. 핵심은 단어 표현(word embedding)이다. 단어 표현이란 하나의 단어를 인공 신경망을 이용하여 벡터 공간, 즉 입체공간에 나타내는 것을 말한다. 예를 들면 이렇다. 가상의 입체공간을 상상하고 먼저 '먹다'라는 단어를 공간에 띄운다. 그리고 그 주변에 '먹었다', '먹을 거다', '먹고 싶다' 등 '먹다'라는 단어와 관계가 있는 단어들을 유사한 공간에 둔다. 이 '먹다'라는 단어에는 다양한 차원이 있을 수 있다. '먹다', '먹었다', '먹을 거다', '먹고 싶다'의 차원이 아니라 '먹다'를 중심으로 치킨, 피자, 아이스크림 등 '먹다'와 함께 쓰일 수 있는 단어들로 구성된 새로운 차원이 있을 수 있다는 것이다. 이렇게 단어나 구등이 공간에서 관계를 맺으면서 매핑(mapping)된다. 이때 가지는 벡터 값을 단어 표현이라고 부른다. 기본적으로 번역기에서 하나의 단어는 200차원의 단어 표현값으로 변환된다. 여러 차원에 걸쳐서 단어들간의 관계를 형성하고 있다는 단어 표현값에 대한 개념이 있어야 인공신경망 번역에 대해서 이해할 수 있다.

우선 ‘나는’, ‘사과를’, ‘먹는다’, ‘I’, ‘eat’, ‘an apple’은 각각 단어 표현값으로 변환된다. 그리고 이 단어 표현들을 이어가며 번역하려는 문장에서 결과 문장으로 이어주는 최적의 가중치(weight parameter, WP)들을 찾아 행렬 곱으로 이어가며 벡터를 구해가는 방식이다. 여기서 번역하려는 문장과 결과 문장을 컴퓨터에 주고, 결과 문장이 나오게 하는 값을 찾아내는 최적의 가중치(WP)를 반복적인 기계학습을 통해 자동으로 컴퓨터가 학습한다. 번역은 EOS(문장의 끝, end of sentence)값이 가장 높아지면 끝난다. 번역 언어가 달라질 때마다 가중치 값이 바뀐다. 이처럼 인공신경망 번역은 입력 문장과 출력 문장을 하나의 쌍으로 두고, 최적의 답을 찾는 중간값을 학습한다. 이렇게 '나는 사과를 먹는다'라는 문장이 학습되었다면 '나는 바나나를 먹었다'나 '나는 포도를 먹었다'같은 문장을 구사하는 것은 쉬운 일이다. 왜냐하면 사과와 바나나, 포도는 같은 단어 표현(word embedding)을 가지고 있기 때문이다.

인공신경망 기계번역 방식은 통계적 기계번역보다 번역 시스템이 단순하다는 장점을 가진다. 입력 문장과 출력 문장만 있으면 알아서 학습하게 하기 때문에 구조 자체가 그렇게 어렵진 않다. 인공신경망 기계번역은 확장하기 쉽고 다양한 구조를 채택할 수 있다는 것도 장점이다. 다만 학습 시간이 다소 오래 걸릴 수는 있다. 이 문제를 해결하기 위한 다양한 방식을 연구하고 개발하고 있다. 인공신경망 기계번역은 아직 초창기이기 때문에 많은 문제점과 가능성이 병존하고 있다. 다만 성능의 핵심은 풍부한 양의 데이터기 때문에 다양한 경로로 데이터를 확보하기 위해 노력하고 있다.