1주차 3차시 과제:1. 본인의 음악을 듣는 방식과 이유를 정리,2. 디지털 플랫폼에서 거래하는 방식을 정리,3. Youtube에서 파이썬, 빅데이터 분석, 머신러닝 교육에 관한 영상들을 찾아보고 감상평..

 

 

1. 본인의 음악을 듣는 방식과 이유를 정리

유튜브 프리미엄 뮤직앱으로 음악을 듣는다

 

1) 음원 차트(순위) 위주로 음악을 들어서 곡의 소비 주기가 짧다.

따라서 번거롭게 음원을 다운로드해 듣는 것보다는 편하게 스트리밍으로 새 유행곡을 듣는다

2) 다양한 유튜브 프리미엄 뮤직 이용 장점-youtube와 같이 사용할 때 효율 좋음

• Youtube Music 광고 삭제

• 오프라인 스테이션, 다운로드 기능

• 스마트폰에서 백그라운드 재생 기능

• 오디오 전용 모드 기능

• Google Play Music 유료 구독 포함

• Youtube Music 프리미엄 사용자 한정 이용 가능 음악 액세스 가능

 

3) 또한 다른 음원사이트에 없는 전세계 다양한 음원들이 거의 대부분 유튜브 플렛폼에 존재하기 때문에 듣고 싶은 노래는 거의 다 제한없이 들을 수 있다.

 

 

4) 유튜브 프리미엄 뮤직은 개인화된 음악 소비취향에 맞춰 소비자의 음악취향데이터를 분석하여 좋아할만한 음악을 추천한다. 또한 시간 및 상황에 맞는 다양한 음악 플레이리스트를 제공한다.

 

 

 

 

 

2. 디지털 플랫폼에서 거래하는 방식을 정리

  - 온/오프라인 쇼핑몰을 선택하여 비교할 것을 권장

1) 온라인 쇼핑몰 무신사

 

대기업도 부러워하는 온라인 패션업 강자

연간 거래액 4500억 원(2018년 기준). 3500여개 입점 브랜드, 매출액 1081억 원, 영업이익 269억 원.

무신사 3년간 성장 추이 (자료 제공: 무신사 / 그래픽: 퍼블리)

무신사가 매년 자체 경신하는 경영 성과의 한 대목이다.* 이미 상반기에 2018년 실적(거래량 기준)을 또 한 번 넘어설 것으로 예상될 만큼 회사 분위기는 좋다. "불황의 전조에 들었다", "경제성장률을 낮춰 잡았다" 등 대내외 환경은 갈수록 부정적인 이슈로 넘쳐나지만 무신사에는 예외 같다.

* 관련 기사: 무신사, 매출 1천억 폭풍성장…온라인 편집숍 1위 굳혔다 (매일경제, 2019.4.10)

 

물론 업계에는 삼성패션, LF, 한섬 등 매출 1조 원대 패션 대기업이 버티고 있다. 하지만 이들은 무신사와 같은 규모의 온라인·모바일 시장에서의 강력한 주도권을 가졌다고 보기 힘들다. 오히려 일부 브랜드를 제외하면 정체기라고 할 수 있다. 반면 무신사는 올해 예상 거래액이 1조 1000억원을 바라볼 정도로 지치지 않고 성장하니 패션유통업계에서 연구 대상으로 주목받는다.

 

무신사는 애초 편집숍은 아니었다. 2001년 포털 사이트 '프리챌'에 지금의 창업자, 조만호 무신사 대표(당시 고3)가 운동화 마니아 커뮤니티 '무지하게 신발 사진이 많은 곳'을 열면서 시작됐다. 조 대표 스스로가 한국에서는 보기 힘든 희귀 운동화를 구해서 사진을 올리거나 정보를 공유하는 이른바 '신발 덕후(마니아)'였다. 해외 직구가 일상화되지 않은 시절이라 마니아 사이에서는 순식간에 입소문이 났다. 그 덕에 당시 10대는 물론 다양한 연령대의 구매력 있는 회원들이 자연스레 모였다.

 

단국대에 진학, 패션을 전공하면서 점차 사업에 눈을 뜨기 시작한 조 대표는 커뮤니티 채널에서 나와 2005년 '무신사' 독립 사이트를 열었다. 회원 수는 곧바로 15만 명을 돌파했다. 2009년에는 프리미엄 스토어를 설립하면서 사실상 e커머스의 격전지로 뛰어들었다. 더불어 각 브랜드의 SNS 운영대행 사업을 병행했다. 온라인·모바일 부문에서의 집객, 입소문(바이럴) 능력이 탁월하다고 인정받았기에 가능했다.

 

사업은 점차 탄력을 받았다. 2011년 입점 브랜드 100개 돌파, 2013년 연간 총거래액 100억원 돌파 등 성장곡선을 타기 시작했다. 이후 무신사는 자체 사업도 점차 강화했다. 여성 전용 쇼핑몰 '우신사(2016년)', 자체 브랜드 '무신사 스탠다드(2015년)' 출시는 물론 2018년에는 패션 전용 공유 오피스 '무신사 스튜디오'도 열었다. 신진 디자이너, 인플루언서의 적극적인 참여로 입주율 90%를 넘겼다는 후문이다.

디지털 전환, 빅데이터 경영 시스템, 그리고 큐레이션

아디다스, 휠라, 엄브로 등 글로벌 브랜드가 신상품이나 리미티드 에디션(한정판) 제품을 제일 먼저 소개하기 시작한 곳. 무명 신진 디자이너 브랜드가 단숨에 매출액 100억 원을 돌파하게끔 만들어준 곳.

 

무신사와 관련한 입점 브랜드 상생 일화는 무궁무진하다. 상위권 브랜드의 거래액은 1위가 100억원, 20위권 이내 정도면 기본 30억 원 이상은 될 정도라 패션업계에서는 '기회의 땅'으로 인식하는 분위기다.

 

온라인 기반 패션 편집숍·플랫폼을 지향하는 곳은 정말 많다. 그런데 유독 무신사로 3500여 브랜드가 몰리는 이유는 뭘까. 남다른 큐레이션 능력과 소비자 신뢰가 일순위로 꼽힌다.

 

무신사는 자체 패션 매거진 무신사를 일찌감치 운영해왔다. 매거진이라면 좋은 브랜드를 선별하는 능력, 또 이를 독자의 언어로 풀어낼 편집진이 존재한다는 말이다. 또 남다른 무신사만의 색깔과 방향성이 있고 이를 바탕으로 브랜드 스토리를 풀어낼 수 있다는 말도 된다.

무신사의 자체 패션 매거진 '무신사 매거진' ⓒ무신사

무신사 관계자는 "단순 온라인 판매가 아니라 패션 트렌드와 브랜드, 상품 정보 등 다양한 콘텐츠를 제공하는 미디어 역할을 하고 있다. 이러기 위해서는 일단 브랜드에 대해 상당한 공부를 해 전개 방향을 잡고 이를 바탕으로 온라인 쇼케이스, 스타일링 패션 화보, 거리 패션, 큐레이팅 숍 등 수십 가지의 다양한 콘텐츠를 만들어내야 한다. 무신사 사이트에 들어오면 브랜드와 상품의 메시지, 정보를 통합적으로 얻을 수 있다는 것이 차별화 포인트"라고 말했다.

 

패션 컨설팅 업체 MPI의 최현호 대표는 "단순 상품 판매에 그치지 않고 제품 하나 하나의 콘텐츠를 만들어 고객에게 제안하는 방식으로 접근했다. 또 한 제품만 꼬집어 소개하는 것이 아니라 고객의 눈에 맞게 입점 브랜드를 다양하게 조합해 새로운 패션 소비가치를 확대 재생산하는 방식이 장점이다. 입점 브랜드는 브랜드대로 소비자는 소비자대로 무신사를 신뢰하게 되는 선순환 구조가 형성됐다"고 분석했다.

 

패션으로 고민하는 이들이 '무신사' 사이트에 들어오면 단순 브랜드 정보만 얻어가는 것이 아니라 어떻게 일상생활에서 소화할 수 있을지, 어떻게 브랜드별로 맞춰 입을지를 어렵지 않게 알 수 있도록 한다는 말이다. 또 콘텐츠에 소개된 모델 이름, 헤어·메이크업 정보까지 다 공개해 부수적인 정보도 얻을 수 있다.

 

이는 트렌드 리서치 전문 오픈서베이 자료에서도 잘 드러난다. 무신사 회원의 65%는 '새로운 트렌드를 살펴보기 위해', 48%가 '특별한 이유 없이 습관적으로 접속하는 경우'였다. 제품을 사기 위해 방문한다는 응답자 비율(52%)과 큰 차이가 나지 않았다.

 

이를 가능케 한 것은 무신사의 색다른 조직 운영에 있다. 무신사는 흔히 편집숍에서 운영하는 상품기획자(MD)팀 외에 에디터팀, 컬래버레이션(협업)팀도 두고 있다 보니 콘텐츠도 다양하게 만들어낼 수 있다는 게 회사 관계자 설명이다.무신사가 공을 들인 것은
'디지털 전환'이었다

'남성 51%, 여성 49%, 10~20대 비율 약 80%, 이 중 19~24세 연령층이 전체 회원 비중 중 절반가량인 42% 차지' 이처럼 무신사는 2009년 자체 스토어를 론칭하면서 꾸준히 고객이 누군지에 대해 연구해왔다. 온라인 쇼핑몰이 간과하기 쉬운 빅데이터 경영을 시스템으로 자리매김했다는 말이다.

 

무신사 관계자는 "온라인 구매 패턴은 오프라인과 다르다. 상품 검색 서비스 편의성을 높이는 것은 물론 개인 맞춤 상품 추천까지 고객이 원하는 것을 정확하고 빠른 속도로 제공하는 것이 중요하다. 무신사는 축적해온 e커머스 역량을 지속 개발 하고 있다. 현재 8만 건에 달하는 누적 후기와 65%에 달하는 높은 재구매율을 바탕으로 개인 구매 패턴과 패션 트렌드에 맞는 상품 추천, 키워드 검색 편의성을 높이는 등 고도화된 서비스를 제공하고 있다"고 소개했다.

 

단순 구매고객만 파악하는 것이 아니라 사이트에 들어온 사람들을 잠재고객으로 파악하고 이들을 위한 다양한 콘텐츠, 쿠폰 등을 제시하고 신생 브랜드의 경우 이들과 궁합이 맞다 싶으면 전면에 배치하는 식의 '스피드 경영'을 통해 고객을 늘려나가는 전략을 썼다.

수많은 상품 중 원하는 상품을 선택할 수 있도록 쇼핑 편의성을 높이는 데 힘을 쏟고 있다. 전 상품 무료배송 정책을 운영하고 있으며 17가지 컬러 분류, 가격대별 검색 기능을 도입했다. 최근에는 인공지능(AI) 기반 맞춤형 이미지 검색 서비스를 시작하기도 했다. 또 체형에 따른 상품 선택을 돕기 위해 무신사 스태프의 착용 핏을 제공하는 '핏가이드' 기능도 운영하고 있다.

무신사 관계자의 설명이다.

 

민정웅 인하대 물류대학원 교수는 "이런 디지털 기반 경영이 가능한 이유는 매출의 90% 이상이 자사몰에서 일어나기 때문이다. 즉 무신사 자체가 플랫폼 역할을 하고있기 때문에 단순 판매뿐 아니라 물류(풀필먼트), 상품기획 단계부터 마케팅, 홍보 콘텐츠까지 관리가 가능하고 여기서 강력한 경쟁력이 생긴다"고 설명했다.

공유, 소통 기반으로 확장하는 브랜딩

크리스틴 프로젝트는 무신사 공유 오피스 무신사 스튜디오에 입주, 1년도 채 안 됐지만 급성장하고 있는 가방 브랜드다. 서울 한남동 유명 레스토랑 세컨드 키친 총괄셰프 출신 이지혜 대표가 셰프 시절 가벼우면서 다양한 짐을 편하게 넣고 다닐 수 있는 가방을 찾다가 본인이 직접 만들어보자 해서 시작한 것이 브랜드 사업으로 진화했다.

무신사 스튜디오 ⓒ무신사

2018년 하반기 무신사 스튜디오에 혼자 입주 후 '스파클링스타일백' 일명 '스스백'을 비롯 '지브라오버사이즈백'등이 좋은 반응을 얻으면서 직원을 충원하고 무신사 사이트에도 입점하는 등 성장세가 뚜렷하다.

 

이 대표는 "무신사는 패턴, 디자인, 스튜디오 촬영, 포장, 배송 등 패션 부문 창업자가 무엇이 필요한지 정확하게 알고 공유 오피스 인프라를 구축해놓은 것은 물론 판로까지 하나의 창업 생태계를 만들어놨다는 측면에서 큰 도움을 받았다"고 소개했다.

 

더불어 지난 5월부터는 신진 디자이너, 브랜드 육성을 위한 오디션 프로그램 무신사 넥스트 제너레이션(MUSINSA Next Generation)을 진행 중이다. 연간으로 운영되는 이 사업은 재정 지원뿐 아니라 무신사만의 e커머스 판매 노하우, 전략, 인프라, 튼튼한 유통망을 통해 론칭 초기 단계의 패션 브랜드에 필요한 실질적인 도움을 제공한다. 무신사가 이처럼 직간접으로 브랜드 상생 프로그램에 쓴 돈만 600억 원이 넘는다.

 

간호섭 홍익대 섬유미술·패션디자인과 교수는 "무신사가 젊은 층, 이제 떠오르는 Z세대에 맞는 방식으로 계속 어필할 수 있는 방법을 통해 끊임없이 젊은 브랜드를 발굴하고 육성하는 쪽으로 방향을 잡았다는 측면에서 의미 있는 행보"라고 말했다.

 

종전 매거진 방식 콘텐츠도 변신을 꾀하고 있다. 무신사TV가 대표적이다. 웹진과 오프라인 매거진에 이어 오랜 시간 패션 정보 발신 채널로서 쌓아온 역량을 동영상으로 풀어 미디어커머스의 가능성을 높이려는 의도에서 기획됐다. 유튜브 채널 무신사TV는 개국 40여일 만에 3만5000명의 구독자 수를 확보하며 빠르게 성장하고 있다.

 

 

* 무신사TV가 제작하는 유튜브 콘텐츠 'ON스트릿' ⓒMUSINSA TV

 

무신사 테라스란 이름으로 오프라인 진출도 모색한다. 무신사에 입점한 수많은 브랜드를 오프라인에서 만나게 해 새로운 즐거움을 전하는 공간으로 처음 접하는 고객에게도 브랜드 호감을 높인다는 복안이다.

 

더불어 무신사가 지속 성장을 위해 공을 들이고 있는 부문은 무신사 스탠다드로 대변되는 자체 상표(Private Brand) 사업이다. 2015년 첫선을 보인 후 입소문만으로 2018년 매출 170억원을 기록하는 등 눈부신 성과를 보여주고 있다. 2018년 2월 첫 출시한 '슬랙스 팬츠'는 2019년 5월 기준 누적 판매량 300만장을 달성하기도 했다.

무신사의 자체 상표(Private Brand) '무신사 스탠다드' ⓒMUSINSA

무신사 관계자는 "국내 유수 패션 브랜드, 디자이너, 경쟁력 있는 생산 업체와 함께 손잡고 국내 패션 시장의 경쟁력을 확대하기 위해 시작했다. 단순한 유통구조의 효율적인 운영·관리로 좋은 품질의 제품을 합리적인 가격에 선보이고 있다. 향후 5년 내 매출 7000억 원이 목표"라고 말했다.

더 큰 성장을 위해서는?

당장 우려되는 점은 '성장통'이다. 최현호 대표는 "급성장 속도 대비 내재 역량 축적의 한계가 곳곳에서 노출될 수 있다"고 진단했다.

 

나름 온라인 편집숍 업계에서 잔뼈가 굵은 선두 기업으로 인식돼 고객 입장에서는 유통 대기업과 다를 바 없는 서비스와 대접을 받길 원하는 것이 현실이다.

 

이런 상황에서 조직이 일순간 비대해지면 고객서비스(CS), 품질관리 등 다양한 부분에서 약점이 노출될 수 있다. 최근 임블리 사태에서 보듯 팬덤 현상을 보일 정도로 충성도 높은 고객군이 고객응대에서 문제가 발생하자 일순간 돌변한 것도 남의 얘기라고만 볼 수 없다.

 

무신사 관계자는 "사안의 심각성을 잘 알고 있다. CS부서를 파트별로 다양하게 조직화했고 업무를 분산하되 구조적으로 이슈 트래킹(추적)이 가능하도록 시스템을 갖춰 고객의 불만 발생 시, 전체 상담 처리 과정 중 어느 지점이 클레임(불만)의 원인이 됐는지 빠르게 파악할 수 있도록 했다. 또 CS 조직만으로 해결이 어렵다고 판단되는 심각한 문제가 발생했을 때 대표를 포함한 모든 직간접 유관 부서가 별도의 태스크포스(TF) 형태로 투입되도록 만반의 준비를 하고 있다"고 말했다.

 

업계 대비 높은 입점 수수료율도 논란을 빚을 수 있다는 지적도 나온다. 과거 무신사에 입점했던 한 업체 관계자는 "입점 업체가 늘어남에 따라 노출 비율이 예전에 비해 떨어지는데 입점 수수료율은 30%대로 오프라인 매장 못지않다 보니 부담스럽다는 업체도 일부 있다"고 말했다.

 

더불어 개선되고 있다지만 남성 고객 선호 비율이 높다는 점도 변수다. 또 다른 입점 업체 관계자는 "아무래도 신발 마니아 중에서는 남성 고객이 더 많다 보니 자연스레 이후에도 남성 비율이 상대적으로 높고 호응도도 남다르다. 여성브랜드로 특화한 우신사가 따로 만들어졌다고 하지만 파괴력 측면에서 무신사에 아직 못 미치는 만큼 이 부분이 보강돼야 할 점"이라고 말했다.

 

 

2)오프라인 쇼핑몰 

 

백화점 등 대형유통업체가 입점(납품)거래업체로부터 외상으로 상품을 매입한 후 판매하지 못한 상품은 입점업체에 반품시켜 재고와 비용부담을 전가하는 방법으로 손익을 맞추고 있다.

입점업체는 외상매입에 대한 반품책임을 떠안고 판촉·인테리어 등의 비용까지 부담하는 특약매입거래에 종속되어 있다.

김영환 의원이 공정위로부터 제출받아 분석한 자료에 의하면, 롯데·현대 등 백화점 상위 3개사의 최근 3년 특약매입거래의 비중은 2011년 71.7%에서 2012년 70.2%, 2013년 69.2%로 평균 70.3%에 이르는데,

올해 3개사 총매출액은 18조9천6,500억원을 비롯해 순매출액(수수료)과 영업이익 모두 지속적으로 상승한 것으로 나타났다.

이는 백화점의 특약매입거래 과정에서의 부당행위와 입점업체들에 대한 비용 떠넘기기 등으로 갑의 우월적 지위를 통해 부당 이익을 취한 것으로 보인다.

공정위의 용역보고서에 의하면 백화점 특약매입거래 관련 분쟁 사례로, 대규모유통업자(ㅇㅇ백화점)가 매장리뉴얼을 실시하는 과정에서 백화점이 부담하여야할 매장 기초시설(바닥, 조명, 벽체 등) 비용을 입점업자(가구제품 판매)에게 부담시키는 등의 사례가 있었다.(2013년 한국공정거래조정원)

또한 공정거래위원회 2013년 서면실태조사 결과에서, 응답 납품업체 1,761개 중 30개는 대형 유통업체가 주도하는 판매촉진행사에 참가하면서 전체 판촉비용의 50%를 초과하여 분담하였다고 응답했다.

그리고 전년 대비 판매부진 등의 사유로 매출강요 및 잦은 판촉행사 요구에 따른 판촉비용 부담도 큰 것으로 15개 납품업자가 답변했다.

외국(미국) 백화점 경우, 상품 대부분 직매입거래(70-80%)와 임대(20-30%)다.

백화점 측은 특약매입거래나 직매입거래 방식의 선택을 상품군 별로 특성에 따라 정한다는 입장인데, 일반적으로 반품 가능성이 높아 재고 리스크가 있는 상품은 특약매입거래 형태로 운영하는 게 관행이라는 것이다.

그런데 백화점의 경우 특약매입거래 비중이 평균 70%이상으로 대형마트의 20%대에 비해서 상당히 높은데, 이것은 소비자 입장에서 실제로는 상품의 구매 경쟁력이 낮은 상품들을 오히려 백화점에서 사고 있다는 의미다.

직매입거래 방식은 백화점이 직접 상품을 구매해서 판매하고 재고까지 책임지는 서구형 방식으로, 당연히 입점업체로부터 판매수수료도 공제하지 않는다.

현재 롯데나 현대, 신세계 등 상위 3사 백화점의 판매수수료는 매장 매출의 30∼40%정도이고, 작년 백화점업계의 평균 판매수수료율은 총매출액의 28.5%이다.

백화점은 상품군의 브랜드파워, 소비자 선호도, 매출기여도 등을 고려해 수수료율을 차등 결정하고 있다. 납품업체들 간에 입점경쟁이 치열한 상품의 수수료율이 높은 편이다.

공정거래위원회에서는 대규모유통업체들의 자율적인 판매수수료율 인하 유도를 위해 공정거래협약 이행평가를 실시하고 있다.

백화점들은 직접 국내 외 상품과 브랜드를 발굴하고 개발해, 직매입거래 방식으로도 매장을 구성할 수 있기에 차별화가 가능하고 수익성도 높일 수 있다.

특히 탄탄한 자금력을 바탕으로 브랜드력이나 소비자 인지도는 높지 않지만, 경쟁력 있는 상품에 대한 공격적인 구매가 가능하고 물류 공간도 충분하다. 게다가 국내 대기업의 상위 3사(롯데, 현대, 신세계) 대형유통업체들은 모두 백화점이외에 추가로 대형마트와 아웃렛, TV홈쇼핑?인터넷쇼핑 등을 대부분 소유하고 있다.

예전에 비해 다양해진 판매 채널을 통해 백화점에서 상품이 팔리지 않아도 떠안아야 할 재고 부담이 작다.

김영환 의원은, “결국 백화점 업계가 입점업체와 특약매입거래 방식으로 운영하는 과정에서 발생하는 각종 부당 행위와 불공정 관행을 개선하기 위해서 자율적으로 직매입거래 방식을 점차 늘려나가는 자구노력도 필요하다”고 권고했다.

출처 : 세종경제신문(http://www.sejongeconomy.kr)

 

 

 

3. Youtube에서 파이썬, 빅데이터 분석, 머신러닝 교육에 관한 영상들을 찾아보고 감상평을 작성

  - 한 주제 당 한 페이지씩 작성하며 페이지 양은 본인이 정의

01. 인공지능과 머신러닝

 

 

1)인공지능,머신러닝,딥러닝이란

 

 

머신러닝은 인공지능의 한 연구과제 중 하나로

딥러닝은 이러한 머신러닝의 한분야이다.

-> 인공지능 ⊃ 머신러닝(기계 학습) ⊃ 딥 러닝(심층 학습)

 

 

 

 

2. 인공지능의 역사

 

• 합리주의자 철학자를 기반=>지식공학적 방식: top-down 방식
• 경험주의자 철학자 ex)융을 기반=>기계공학적 방식:bottom-up 방식->머신러닝(기계가 스스로 학습하여 퍼포먼스를 향상시키는 것)

 

 

 

 

 

 

+인공지능의 역사 추가

ㄱ초기 인공지능에 대한 연구는 인공지능이라는 개념이 없는 이론적인 분야였기에 다양한 분야의 수많은 학자가 연구했습니다. 일례로 인공지능이라는 용어는 1956년에 처음 등장하였지만, 현재 인공지능의 세부적인 부분으로 분류되는 딥 러닝의 기원이 되는 인공신경망에 대한 기초이론은 1943년도에 논문으로 발표되었습니다. 수많은 시행착오를 거치면서 인공지능이라는 학문의 분야가 생겨났고, 긴 시간 동안 정립된 이론과 기술들이 정리되어 현재의 인공지능 분야를 이루게 되었습니다. 본 글에서는 인간 두뇌의 뉴런 작용을 처음으로 논리적 모델로 설명한 1943년부터 시작됩니다.

 

1943, 딥러닝의 기원을 열다, 워런 맥컬럭 & 월터 피츠

ooo

1943년 논리학자인 월터 피츠(Walter Pitts)와 신경외과의 워렌 맥컬럭 (Warren Mc Cullonch)은 ‘A Logical Calculus of Ideas Immanent in Nervous Activity’ 논문을 발표합니다.

 

이 논문에서 뉴런의 작용을 0과 1로 이루어지는 2진법 논리 모델로 설명했고 이는 인간 두뇌에 관한 최초의 논리적 모델이었습니다. 이렇게 현재 인공지능의 트렌드를 이끌고 있는 딥 러닝에 대한 연구가 시작되었습니다.

 

1943, 딥러닝의 기원을 열다, 워런 맥컬럭 & 월터 피츠

 

1950년 영국 수학자 앨런 튜링(Alan Mathison Turing)은 ‘계산 기계와 지능(Computing Machinery and Intelligence)’라는 논문을 발표합니다. 이 논문에서 앨런 튜링은 기계가 생각할 수 있는지 테스트하는 방법과 지능적 기계의 개발 가능성, 학습하는 기계 등에 관해 기술하였습니다. 이 기술을 현실화한 튜링머신은 존 폰 노이만 교수에게 직접 또는 간접적인 영향을 주어 현대 컴퓨터 구조의 표준이 되었습니다.

이후 1956년 인공지능이라는 용어가 처음으로 등장하였습니다. 1956년 미국 다트머스 대학에 있던 존 매카시(John McCarthy) 교수가 ‘다트머스 AI 컨퍼런스’를 개최하면서 초청장 문구에 ‘AI’라는 용어를 처음으로 사용했습니다.

We propose that a 2 month, 10 man study of artificial intelligence be carried out during the summer of 1956 at Dartmouth College in Hanover, New Hampshire. (1956년 여름 뉴 햄프셔 하노버에 있는 다트머스대에서 두 달 동안 10명의 과학자가 모여 인공지능을 연구할 것을 제안합니다)

 
이 AI 컨퍼런스에서 모인 10여 명의 과학자들은 앨런 튜링의 ‘생각하는 기계’를 구체화하고 논리와 형식을 갖춘 시스템으로 이행시키는 방안을 논의했습니다.

 

1950, Perceptron의 등장

1950년대의 인공지능 연구는 크게 두 가지 분야로 구분되었습니다.  바로 '기호주의'와 '연결주의'인데요, 기호주의(Symbolism)은 인간의 지능과 지식을 기호화해 매뉴얼화하는 접근법이었고, 연결주의(Connectionism)는 1943년 월터 피츠와 워런 맥컬럭이 연구한 뇌 신경 네트워크의 재현을 목표로 하는 접근법이었습니다. 각 장단점이 있었으나 1950년대에 현실적으로 실현 가능한 기호주의 분야가 사람들의 관심을 더 받고 있었습니다.

1958년 기호주의로 독주하고 있던 마빈 민스키(Marvin Lee Minsky)에게 도전장을 내민이가 있었으니, 바로 퍼셉트론(Perceptron)을 고안한 마빈 민스키의 1년 후배인 프랭클린 로젠 블랫(Frank Rosenblatt)입니다. 퍼셉트론은 인공신경망(딥러닝)의 기본이 되는 알고리즘으로 월터 피츠와 워런 맥컬럭의 뇌 모델과 1949년에 발표된 도널드 헵(Donald Hebb)의 ‘헵의 학습이론’에 힌트를 얻어 가중치를 추가한 업그레이드 버전이었죠. 이렇게 세상 밖으로 나온 퍼셉트론은 사람들의 사진을 대상으로 남자와 여자를 구별해내고 뉴욕 타임즈에 실리게 됩니다. 인공지능 연구의 트렌드가 기호주의에서 연결주의로 넘어오게 되는 계기가 되었죠.

1969, AI의 1차 겨울 : XOR 문제 등판

 

로젠 블랫의 퍼셉트론에 모든 관심이 집중되자 기호주의의 마빈 민스키는 제자 시모어 페퍼트(Seymour Papert)와 퍼셉트론의 한계를 수학적으로 증명하면서 로젠 블랫의 퍼셉트론이 무너지고 2년 뒤인 1971년 로젠 블랫이 사망하면서 인공지능의 빙하기가 도래하게 됩니다.

로젠 블랫의 퍼셉트론으로 AND, OR, NAND 같은 선형문제는 풀 수 있지만, XOR 같은 비선형 문제는 해결할 수 없었고, 대부분 데이터는 선형보다 비선형 형식으로 데이터가 분포되어 있었습니다. 이러한 문제로 퍼셉트론을 기반으로 한 수많은 인공지능 연구가 끊기게 되고 다시 마빈 민스키의 기호주의 학문으로 관심이 집중되었으나, 기호주의도 한계에 도달하면서 인공지능은 세간의 관심에서 점점 멀어져 갔습니다.

1986, AI의 부활 : 딥 러닝의 아버지 제프리 힌튼

]

인공지능에 대한 관심은 줄어들었지만, 묵묵히 연구를 지속해오던 연구자들도 있었습니다. 1986년 인공지능의 첫 번째 빙하기를 깨고 인공지능의 부활을 알린 사람이 있었으니 바로 딥 러닝의 아버지라 불리는 제프리 힌튼(Geoffrey Everest Hinton)입니다. 제프리 힌튼 교수는 다층 퍼셉트론(Multi-Layer Perceptrons, MLP)과 Back-propagation Algorithm을 실험적으로 증명하였고 이를 통해 XOR 문제를 해결하였습니다.

사실 제프리 힌튼이 다층 퍼셉트론와 Back-propagation Algorithm을 고안해낸 것은 아니었습니다. 1969년 위치 호(Yu-Chi Ho)와 브라이손(Arthur E. Bryson)에 의해 Back-propagation Algorithm이 고안되었으며, 1974년 하버드대의 폴 워보스(Paul Werbos)는 다층 퍼셉트론 환경에서 학습을 가능하게 하는 Back-propagation Algorithm으로 박사학위 논문을 썼으나 인공지능 분야의 침체한 분위기 속에 8년 후 1982년에 논문을 발표하였습니다. 이것이 1984년 얀 르쿤(Yann LeCun)에 의해 다시 세상 밖으로 나왔고, 1986년 데이빗 럼멜하트(David Rumelhart)와 제프리 힌튼에 의해 세상에 알려지게 되었습니다.

1990년대 후반, AI 2차 겨울 : MLP의 문제점
제프리 힌튼의 다층 퍼셉트론과 Back-propagation Algorithm을 계기로 1990년대 초반까지 인공지능 연구에 큰 발전을 이루었습니다. 그러나 1990년대 다층 퍼셉트론에서도 한계가 보이기 시작하면서 인공지능 연구의 두 번째 빙하기를 맞이하게 됩니다.

두 번째 문제는 Vanishing Gradient와 Overfitting 이었습니다. 다층 신경망의 은닉층(Hidden layer)을 늘려야 복잡한 문제가 해결 가능한데 신경망의 깊이가 깊어질수록 오히려 기울기(gradient)가 사라져 학습이 되지 않는 문제인 Vanishing Gradient가 발생했습니다. 또한, 신경망이 깊어질수록 너무 정교한 패턴을 감지하게 되어 훈련 데이터 외 새로운 데이터에 대해서는 정확성이 떨어지는 Overfitting 문제가 발생했던 거죠.

2006, 제프리 힌튼의 심폐소생술 : 딥 러닝 용어의 등장

모두가 인공신경망을 외면하던 암흑기 시절에도 제프리 힌튼은 꿋꿋하게 인공신경망을 연구해왔습니다. 제프리 힌튼은 “A fast learning algorithm for deep belief nets” 논문을 통해 가중치(weight)의 초깃값을 제대로 설정한다면 깊은 신경망을 통한 학습이 가능하다는 것을 밝혀냈습니다.

기존 인공신경망과 크게 달라진 점은 없었지만, 인공지능의 두 번째 겨울을 거치면서 인공신경망이라는 단어가 들어간 논문은 제목만 보고 거절당하거나 사람들의 관심을 끌지 못해 deep을 붙인 DNN(Deep Neural Network)이라는 용어를 사용하면서 본격적으로 딥 러닝(Deep Learning) 용어가 사용되기 시작했습니다.

2012, ImageNet : ILSVRC
ImageNet는 2009년 페이페이 리(Fei-Fei Li)가 만든 방대한 이미지의 데이터베이스입니다. 인공지능을 학습시키기 위해서는 수천, 수만 번의 반복 학습이 필요한데 이때 알고리즘 뿐만 아니라 학습량도 매우 중요하다고 생각했죠. 이를 계기로 ImageNet이라는 방대한 이미지 데이터베이스를 구축하게 되었고, 2010년부터 ILSVRC(ImageNet Large Scale Visual Recognition Challenge)라는 이미지 인식(image recognition) 경진대회도 진행하였습니다.

ILSVRC는 주어진 대용량의 이미지 셋을 데이터로 이미지 인식 알고리즘의 정확도, 속도 등의 성능을 평가하는 대회입니다. 2010년, 2011년까지는 얕은 구조(shallow architecture)를 가진 알고리즘이 우승하였으나, 약 26% 정도의 오류율을 보여 왔습니다. 오류율이 0.1%라도 낮아진다면 우승이라는 말이 있었을 만큼 얕은 구조 기반의 알고리즘으로는 오류율을 낮추는 것이 매우 힘든 일이었죠.

 

그러나 2012년, 깊은 구조(deep architecture) 제프리 힌튼 팀의 AlexNet이 약 26%였던 오류율을 16%로 낮추는 압도적인 정확도로 우승을 차지하면서 딥 러닝은 부흥기를 맞게 됩니다.

 

이후 등장하는 알고리즘들은 모두 깊은 구조 기반의 딥 러닝 알고리즘이었으며, 2015년에는 사람의 정확도라고 알려진 5% 대의 오류율을 거뜬히 넘겨버렸습니다. 이제 사람보다 기계가 이미지를 더 잘 구별하게 된 것입니다.

마무리000

인공지능은 우리가 생각했던 것보다 더 오랜 시간 많은 연구자를 통해 꾸준히 연구됐고, 딥 러닝 기술이 고안되어 세상의 관심과 빛을 보고 있습니다. 네트워크 및 하드웨어의 발달을 바탕으로 최근 인공지능 분야는 처리 능력과 연산 효율성을 크게 개선하였습니다. 이러한 컴퓨팅 파워 및 클라우드, 빅데이터와 혁신적으로 발전하고 있는 알고리즘들이 융합되면서 이미지나 영상 내 개체 식별, 자연어 처리, 음성 처리 등 현재는 딥 러닝이 사용되지 않는 분야가 없을 정도로 여러 분야에서 활용되고 있으며, 필수 학문으로 자리 잡고 있습니다.

IBM은 근 미래인 2025년 인공지능 산업이 2,000조 원에 이르는 시장을 창출할 것으로 내다보고 있으며, 맥킨지는 인공지능으로 인해 7,000조 원에 이르는 파급 효과가 창출될 것으로 전망하고 있습니다. 물론 딥 러닝이 모든 분야에서 만능은 아닐 것입니다. 다만 수많은 벽에 부딪히면서도 앞으로 나아갔던 과거처럼 지금도 수많은 연구자, 기업이 다양한 방법으로 새로운 기술을 개발하고 있으며, 인공지능 산업 또한 매우 빠르게 성장하고 있습니다. 언제라고 장담할 수는 없겠지만, 영화 속에서만 볼 수 있었던 아이디어들이 언젠가는 현실 세계에서 먼저 나타나지 않을까 생각해 봅니다.