(출처 : 소프트웨어 센터 웹진 자료)

머신러닝을 알린 알파고의 알고리즘 분석 

인공지능에 대한 관심은 이전에도 있었지만 최근처럼 뜨거운 열풍을 일으킨 것은 역시 알파고(AlphaGo)다. 알파고는 우리나라 이세돌 9단과 바둑 대결을 한 구글 딥마인드(DeepMind)에서 개발된 인공지능이다. 대결 전에는 이세돌 9단의 우세를 점치는 전문가들이 많았지만 실제 경기에서는 알파고의 승리로 끝났다. 그렇다면, 어떻게 컴퓨터가 사람처럼 바둑을 두는 것인지 자연스러운 의문을 가지게 된다. 이번 회에서는 알파고가 바둑을 두는 알고리즘에 대해 단국대학교 소프트웨어공학연구센터의 김규억 박사를 만나 자세한 사항을 들어본다. 

Q: 본격적인 이야기 전에 머신러닝에 대해 설명을 부탁 드립니다. 

머신러닝(Machine Learning)은 컴퓨터에 답이 정해진 샘플 데이터를 넣으면서 반복적으로 학습을 시킨 후, 새로운 문제가 나타나면 스스로 답을 찾을 수 있도록 하는 것입니다. 말 그대로 컴퓨터한테 공부를 가르쳐서 지식을 얻게 하는 것이지요. 학습 자료를 계속 입력하고, 거기서 일정한 패턴을 찾아낸 후 문제가 입력되면 정답을 제시할 수 있는 모델이 만들어집니다(그림1).  

<그림1> 머신러닝의 학습을 통한 예측 모델 생성 

 이렇게 만들어진 모델로 새로운 문제가 제시되면 정답을 찾아낼 수 있는 것이죠. 사람이 수학 문제를 많이 풀면, 비슷한 유형의 문제가 나오면 풀 수 있는 것처럼 컴퓨터도 학습을 하면 별다른 로직 없이 정답을 알려주는 것입니다. 

<그림2> 머신러닝으로 만들어진 모델로 정답 예측 

Q: 컴퓨터가 스스로 생각한다는 것은 잘 알겠는데 어떤 원리인지는 잘 모르겠습니다. 이 부분을 설명 부탁 드립니다. 

우리가 코딩을 할 때, 가장 많이 사용하는 예약어 중의 하나가 바로 “IF THEN”문입니다. 무슨 얘기냐 하면, 선택이 필요한 경우 어떤 것을 선택했는지에 따라 다양한 로직으로 분기를 하게 됩니다. 예를 들어, 고양이 사진을 보여주고 이 것이 고양이 사진인지 컴퓨터가 판단을 한다면 이전에는 주로 “IF THEN”문으로 했는데 아시는 것처럼 “IF THEN”문은 비교해야 하는 대상을 주어야 분기가 가능하다는 것입니다. 그런데, 고양이 형태가 한둘이 아니기 때문에 이를 모두 “IF THEN”문으로 만들기는 거의 불가능하지요. 

기계학습의 경우는 고양이 사진을 컴퓨터한테 보여주면서 “이것은 고양이 사진이야”라고 알려주게 되는데, 다양한 고양이 사진을 수없이 보여주면 어떠한 패턴이 생겨납니다. 패턴이 만들어지면, 새로운 고양이 사진을 패턴에 대입하고 이것이 고양이 사진인지 아닌지를 판단하는 것이지요. 이러한 것은 다양한 알고리즘에 의해 만들어지는데 자세한 사항은 아래 사이트를 참고하시면 될 것 같습니다. 그림3은 기계학습의 한 종류인 딥러닝을 보여주고 있습니다. 

<그림3> 고양이 사진을 판단하는 기계학습의 예 

출처: 사이언스 모션 

 <참고사이트>

Q: 사람하고 똑 같은 학습을 한다는 말씀이시지요? 그래서, 알파고가 바둑을 둘 수 있었던 것 같네요. 기계학습을 하기 위해 필요한 것들이 있을 것 같은데 어떤 것이 있을까요? 

기계학습에는 지도 학습, 비지도 학습, 그리고 강화 학습과 같이 크게 3종류로 구분할 수 있습니다. 지도 학습은 앞에서 말한 것처럼 정답을 알려줘서 학습을 하는 것이고, 비지도 학습은 정답은 없고 데이터 요소에 따라 군집화나 밀도를 추론해서 결과값을 예측하게 됩니다. 마지막으로, 강화 학습은 현재 상태에서 최적의 행동은 무엇인지를 학습하는 것입니다. 어떤 행동이냐에 따라 보상이 주어지는데 이 보상이 최대화 되도록 학습을 반복하게 됩니다. 강화 학습의 대표적인 예가 게임 트리 탐색 알고리즘입니다. 알파고를 설명하기 위해 필요한 것이죠. 게임 트리 탐색은 바둑이나 체스처럼 두 명의 플레이어가 번갈아 취하는 행동을 트리 형태로 표현하는 것입니다(그림4).  

<그림4> 게임 트리 탐색 알고리즘의 예 

 출처: LG CNS 

그림4에서 보는 것처럼 체스를 한번씩 둘 때마다 오른쪽과 같이 트리의 노드가 하나씩 늘어나는 것입니다. 이러한 방법은 모든 경우의 수를 탐색할 수 있는데, 어떤 순서로 각 노드에 방문하냐에 따라 탐색 시간이 엄청나게 차이가 날 수 있습니다. 일반적으로 게임 트리 알고리즘에서 많이 사용되는 것이 최소-최대 알고리즘인데, 알파고는 최소-최대 알고리즘을 개선한 몬테카를로 트리 탐색(MCTS; Monte Carlo Tree Search) 알고리즘을 사용한 것입니다. 

Q: 몬테카를로 트리 탐색을 특별히 선택한 이유가 있을 것 같은데요. 

바둑은 다양한 경우의 수를 미리 예측해서 두게 됩니다. 다시 말해, 얼마나 다양한 경우의 수를 미리 예측할 수 있냐에 따라 승패가 갈릴 수는 없겠지만 바둑기사가 최적의 위치에 돌을 두게 할 수 있는 정보이기 때문에 많으면 많을수록 좋을 것입니다. 그런데, 한정된 시간에 항상 모든 경우의 수를 찾을 수는 없을 겁니다. 몬테카를로 트리 탐색 알고리즘은 현재 상태에서 한 단계 예측을 하고, 이 예측에 따른 시뮬레이션 결과에 따라 다음 단계를 예측하는 것입니다. 이 과정을 일정 횟수 반복하게 되는데, 모든 경로를 탐색할 필요가 없다는 장점이 있어 시간이 한정되어 있다면 매우 효율적인 방법입니다(그림5). 

<그림5> 몬테카를로 트리 탐색 알고리즘의 구동 방식 

출처: http://mcts.ai  

정리를 해보면, 바둑과 같이 턴 형태의 게임은 게임 트리 탐색 알고리즘을 사용하게 되는데 모든 경우의 수를 확인할 수 없으니 몬테카를로 트리 탐색 알고리즘으로 탐색 횟수를 줄이는 것이라고 생각하면 됩니다. 

Q: 학교 다닐 때 배웠던 기억이 날 정도로 보통의 이론으로 들리는데, 정말 이 것으로 알파고가 이세돌 9단을 이긴 것입니까? 

그 질문이 나올 줄 알았습니다. 많은 분들이 기계학습, 딥러닝과 같은 얘기를 들으면 마치 새로운 기술로 생각하시는데, 이 이론은 이미 오래 전부터 뉴럴 네트워크(Neural Network) 등으로 알려져 있던 이론입니다. 마치, 사람의 뇌와 같이 컴퓨터가 생각하도록 하자는 것이었죠.

Q: 그럼, 그렇게 오래된 이론이 왜 이제서야 주목을 받게 된 것인가요? 

기계학습의 핵심은 학습입니다. 얼마나 많은 학습을 시키냐에 따라 컴퓨터의 똑똑함이 결정되는 것이죠. 이 때, 가장 중요한 요소가 학습 데이터와 컴퓨터의 처리 속도입니다. 그림6을 보시면, 왼쪽 그림처럼 15개의 학습 데이터로 일정 패턴이 나타난 것을 맞는 것이다라고 할 수 있겠지만 신뢰도는 다소 떨어지겠지요. 오른쪽 그림을 보시면, 100개의 학습 데이터로 패턴이 만들어졌습니다. 15개일 때보다 신뢰도가 많이 올라갈 겁니다. 

<그림6> 학습 데이터 수에 따른 비교 

출처: Pattern Recognition and Machine Learning 

15개일 때와 100개일 때 만들어진 두 개의 패턴이 있다고 가정할 때, 새로운 데이터를 예측해야 한다면 100개로 만들어진 패턴이 더 정확하게 나타날 것입니다. 학습 데이터가 천개, 만개로 늘어난다면 정확도는 더 올라갈 수 있겠지요. 과거에는 학습 데이터를 만들기가 너무 어려웠습니다. 지금도 어렵기는 마찬가지이지만 IoT나 빅데이터와 같은 것을 통해 많은 학습 데이터를 확보할 수 있게 되었지요. 

또 하나의 요소인 학습 속도에 대해 알아보죠. 학습 속도는 말 그대로 컴퓨터의 처리 속도에 비례합니다. 학습 데이터를 많이 학습을 하기 위해서는 오랜 시간이 필요한데 처리 속도가 빠르다면 짧은 시간에도 많은 학습을 할 수 있는 것이지요. 최근에는 기술 발달로 인해 컴퓨터의 처리속도가 많이 빨라져 기계학습의 발전을 도와주고 있습니다. 

Q: 그럼 다시 알파고 얘기로 돌아가 보겠습니다. 알파고 승리의 원동력은 무엇입니까? 

알파고는 1202개의 CPU와 176개의 GPU가 사용되었다고 합니다. 어마어마한 수치이죠. 아마도 구글이 아니면 해내기 어려울 정도의 하드웨어가 사용되면서 처리 속도를 높였죠. 이러한 처리 속도는 학습 속도와 이세돌 9단과 바둑을 두는 속도에도 엄청난 영향을 주게 됩니다.

자 그럼, 이제 알파고의 트레이닝 과정을 살펴보겠습니다. 단순합니다. 알파고 한테 바둑 기사들이 두었던 이전의 기보를 계속 학습시키는 것입니다(그림7). 알파고는 학습한 기보의 내용을 모두 기억하는 것이 아니라 패턴으로 기억하는 것이라고 생각하는 것이 이해하기가 쉽습니다. 

<그림7> 알파고가 학습한 경우의 수 

출처: Google  

이렇게 기억한 것을 기초로, 실제 바둑 기사와 바둑을 두게 됩니다. 바둑 기사가 착수하는 점을 입력 받아 많은 패턴 중에서 최적의 대응을 하게 되는 것이지요. 기억하실 것은 알파고니까 가능한 겁니다. 

Q: 알파고 말고는 불가능 하다는 말씀인가요? 

무슨 얘기냐 하면, 아까 얘기한 것처럼 1202개의 CPU와 176개의 GPU이기 때문에 이세돌 9단과 대적을 했다는 것입니다. 이 정도의 하드웨어가 아니었다면 한정된 시간에서 많은 오류를 범했을 겁니다. 고성능의 처리 속도로 많은 경우의 수를 예측했기 때문에 이길 수 있었다는 얘기지요. 그만큼, 기계학습의 가장 중요한 성공 포인트는 많은 학습 데이터와 빠른 처리 속도입니다. 물론, 이 외에도 예측을 위해서 더 세밀한 부분들이 있지만 이번 시간에는 기본적인 부분만 다뤄야 할 것 같습니다. 

Q: 왜 구글이나 IBM이 인공지능의 선두 주자인지 알 것 같습니다. 알파고가 이세돌 9단을 이기고 세계랭킹 4위에 올랐습니다. 향후 알파고의 랭킹을 예측해 보신다면요? 

재미있는 질문입니다. 제가 확실하게 얘기하고 싶은 것은 알파고는 시간이 갈수록 기하급수적으로 더 강해진다는 것입니다. 왜냐하면, 계속 기존의 바둑 기보를 학습할 것이기 때문입니다. 

<그림8> 알파고의 세계랭킹 

출처: 인사이트  

알파고가 이세돌 9단과의 대전을 준비할 때는 이세돌 9단의 이전 공식 기보는 통째로 학습 했을 것이고, 세계적인 기사들의 기보도 학습했을 겁니다. 새로운 도전자가 나타난다면, 순식간에 도전자의 바둑 방식을 파악해서 패턴화할 것입니다. 이세돌 9단과의 대전에서 나타난 수준을 생각하면서 도전했다가는 아마 큰 낭패를 볼 수 있을 겁니다. 

Q: 스타크레프트와 같은 진짜 게임에 도전하겠다는 의사도 밝혔는데 어떤 결과가 올지 기대가 됩니다. 오늘 말씀을 정리해 주시죠. 

IoT가 발전하면서 빅데이터의 활용도와 중요성이 점점 커지고 있고, 빅데이터로 인해 기계학습의 활용도도 더 확대될 것으로 예상됩니다. 많은 산업들이 사람들에 의해 의사결정이나 관리가 이루어졌던 것이 현실이었습니다. 하지만, 기계학습을 활용한다면 사람보다 더 세밀하고 정확한 예측과 대응책을 제시해 줄 것으로 기대됩니다. 앞으로 많은 분야에서 기계학습에 대한 관심이 필요한 시점인 것 같습니다.  

출처 : http://www.sw-eng.kr/member/customer/Webzine/BoardView.do?boardId=00000000000000045466&currPage=1&searchPrefaceId=&titOrder=&writeOrder=&regDtOrder=&searchCondition=TOT&searchKeyword=%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D

5년 전 부터 빅데이터 라는 용어가 유행처럼 등장해서는 

알파고 등장 이후 머신러닝, 딥러닝 이라는 용어가 핫 이슈가 되었습니다.

그 동안 어렴풋하게 빅데이터란 머신러닝이란 이런 것이지 하고 생각하고 있다가 

이제서야 관심을 좀 더 가지고 여기저기 관련 정보를 습득하는 도중 포스팅 합니다. ^^

우선 머신러닝은 인공지능의 한 분야 이며, 딥러닝은 머신러닝의 한 부분 입니다.

즉, 인공지능 > 머신러닝 > 딥러닝  이런 관계죠.

인공지능은 컴퓨터가 지능적으로 스스로 무언가를 처리하는 것인데,
머신러닝은 그 과정을 학습하면서 더 개선되고 업그레이드 되어가면서 무언가를 처리하는 것이라고 볼 수 있습니다.

빅데이터는 말 그대로 대량의 데이터를 분석하고 처리하는 기술입니다.

인공지능은 이 빅데이터 기술을 이용하기 참 좋다는 생각이 드네요.

아래에 인공 지능과 머신 러닝, 딥 러닝의 차이점에 대한 글을 소개드립니다. ^^

출처 : http://blogs.nvidia.co.kr/2016/08/03/difference_ai_learning_machinelearning/ (NVDIA)

세기의 바둑대전에서 구글 딥마인드의 인공지능 ‘알파고(AlphaGo)’ 프로그램이 한국의 이세돌 9단을 꺾었을 때, 알파고의 승리 배경을 논할 때 인공 지능과 머신 러닝, 딥 러닝의 정확한 개념에 대해 혼란을 느끼시는 분들이 많으셨을텐데요^^

오늘은 이러한 세가지 개념에 대해서 명쾌하게 설명해 드리겠습니다. 이러한 세 가지 개념의 관계를 가장 쉽게 파악하는 방법은 세 개의 동심원을 상상하는 것입니다. 인공 지능이 가장 큰 원이고, 그 다음이 머신 러닝이며, 현재의 인공지능 붐을 주도하는 딥 러닝이 가장 작은 원이라 할 수 있죠.

인공지능 기술의 탄생 및 성장

인공 지능이라는 개념은 1956년 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의에서 처음 등장했으며, 최근 몇 년 사이 폭발적으로 성장하고 있는 중이랍니다. 특히 2015년 이후 신속하고 강력한 병렬 처리 성능을 제공하는 GPU의 도입으로 더욱 가속화되고 있죠. 갈수록 폭발적으로 늘어나고 있는 저장 용량과 이미지, 텍스트, 매핑 데이터 등 모든 영역의 데이터가 범람하게 된 ‘빅데이터’ 시대의 도래도 이러한 성장세에 큰 영향을 미쳤습니다.

인공 지능: 인간의 지능을 기계로 구현하다

1956년 당시 인공 지능의 선구자들이 꿈꾼 것은 최종적으로 인간의 지능과 유사한 특성을 가진 복잡한 컴퓨터를 제작하는 것이었죠. 이렇듯 인간의 감각, 사고력을 지닌 채 인간처럼 생각하는 인공 지능을 ‘일반 AI(General AI)’라고 하지만, 현재의 기술 발전 수준에서 만들 수 있는 인공지능은 ‘좁은 AI(Narrow AI)’의 개념에 포함됩니다. 좁은 AI는 소셜 미디어의 이미지 분류 서비스나 얼굴 인식 기능 등과 같이 특정 작업을 인간 이상의 능력으로 해낼 수 있는 것이 특징이죠.

머신 러닝: 인공 지능을 구현하는 구체적 접근 방식

머신 러닝은 메일함의 스팸을 자동으로 걸러주는 역할을 합니다.

한편, 머신 러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 합니다. 따라서 궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 ‘학습’시켜 작업 수행 방법을 익히는 것을 목표로 한답니다.

머신 러닝은 초기 인공 지능 연구자들이 직접 제창한 개념에서 나온 것이며, 알고리즘 방식에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이지안(Bayesian) 네트워크 등이 포함됩니다. 그러나 이 중 어느 것도 최종 목표라 할 수 있는 일반 AI를 달성하진 못했으며, 초기의 머신 러닝 접근 방식으로는 좁은 AI조차 완성하기 어려운 경우도 많았던 것이 사실이죠.

현재 머신 러닝은 컴퓨터 비전 등의 분야에서 큰 성과를 이뤄내고 있으나, 구체적인 지침이 아니더라도 인공 지능을 구현하는 과정 전반에 일정량의 코딩 작업이 수반된다는 한계점에 봉착하기도 했는데요. 가령 머신 러닝 시스템을 기반으로 정지 표지판의 이미지를 인식할 경우, 개발자는 물체의 시작과 끝 부분을 프로그램으로 식별하는 경계 감지 필터, 물체의 면을 확인하는 형상 감지, ‘S-T-O-P’와 같은 문자를 인식하는 분류기 등을 직접 코딩으로 제작해야 합니다. 이처럼 머신 러닝은 ‘코딩’된 분류기로부터 이미지를 인식하고, 알고리즘을 통해 정지 표지판을 ‘학습’하는 방식으로 작동된답니다.

머신 러닝의 이미지 인식률은 상용화하기에 충분한 성능을 구현하지만, 안개가 끼거나 나무에 가려서 표지판이 잘 보이지 않는 특정 상황에서는 이미지 인식률이 떨어지기도 한답니다. 최근까지 컴퓨터 비전과 이미지 인식이 인간의 수준으로 올라오지 못한 이유는 이 같은 인식률 문제와 잦은 오류 때문이죠.

딥 러닝: 완전한 머신 러닝을 실현하는 기술

초기 머신 러닝 연구자들이 만들어 낸 또 다른 알고리즘인 인공 신경망(artificial neural network)에 영감을 준 것은 인간의 뇌가 지닌 생물학적 특성, 특히 뉴런의 연결 구조였습니다. 그러나 물리적으로 근접한 어떤 뉴런이든 상호 연결이 가능한 뇌와는 달리, 인공 신경망은 레이어 연결 및 데이터 전파 방향이 일정합니다.

예를 들어, 이미지를 수많은 타일로 잘라 신경망의 첫 번째 레이어에 입력하면, 그 뉴런들은 데이터를 다음 레이어로 전달하는 과정을 마지막 레이어에서 최종 출력이 생성될 때까지 반복합니다. 그리고 각 뉴런에는 수행하는 작업을 기준으로 입력의 정확도를 나타내는 가중치가 할당되며, 그 후 가중치를 모두 합산해 최종 출력이 결정됩니다.

정지 표지판의 경우, 팔각형 모양, 붉은 색상, 표시 문자, 크기, 움직임 여부 등 그 이미지의 특성이 잘게 잘려 뉴런에서 ‘검사’되며, 신경망의 임무는 이것이 정지 표지판인지 여부를 식별하는 것입니다. 여기서는 충분한 데이터를 바탕으로 가중치에 따라 결과를 예측하는 ‘확률 벡터(probability vector)’가 활용되죠.

딥 러닝은 인공신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습합니다. 그러나 기본적인 신경망조차 굉장한 양의 연산을 필요로 하는 탓에 딥 러닝의 상용화는 초기부터 난관에 부딪혔죠. 그럼에도 토론토대의 제프리 힌튼(Geoffrey Hinton) 교수 연구팀과 같은 일부 기관에서는 연구를 지속했고, 슈퍼컴퓨터를 기반으로 딥 러닝 개념을 증명하는 알고리즘을 병렬화하는데 성공했습니다. 그리고 병렬 연산에 최적화된 GPU의 등장은 신경망의 연산 속도를 획기적으로 가속하며 진정한 딥 러닝 기반 인공 지능의 등장을 불러왔죠.

신경망 네트워크는 ‘학습’ 과정에서 수많은 오답을 낼 가능성이 큽니다. 정지 표지판의 예로 돌아가서, 기상 상태, 밤낮의 변화에 관계 없이 항상 정답을 낼 수 있을 정도로 정밀하게 뉴런 입력의 가중치를 조정하려면 수백, 수천, 어쩌면 수백만 개의 이미지를 학습해야 할지도 모르죠. 이 정도 수준의 정확도에 이르러서야 신경망이 정지 표지판을 제대로 학습했다고 볼 수 있습니다.

2012년, 구글과 스탠퍼드대 앤드류 응(Andrew NG) 교수는 1만6,000개의 컴퓨터로 약 10억 개 이상의 신경망으로 이뤄진 ‘심층신경망(Deep Neural Network)’을 구현했습니다. 이를 통해 유튜브에서 이미지 1,000만 개를 뽑아 분석한 뒤, 컴퓨터가 사람과 고양이 사진을 분류하도록 하는데 성공했습니다. 컴퓨터가 영상에 나온 고양이의 형태와 생김새를 인식하고 판단하는 과정을 스스로 학습하게 한 것이죠.

딥 러닝으로 훈련된 시스템의 이미지 인식 능력은 이미 인간을 앞서고 있습니다. 이 밖에도 딥 러닝의 영역에는 혈액의 암세포, MRI 스캔에서의 종양 식별 능력 등이 포함됩니다. 구글의 알파고는 바둑의 기초를 배우고, 자신과 같은 AI를 상대로 반복적으로 대국을 벌이는 과정에서 그 신경망을 더욱 강화해 나갔습니다.

딥 러닝으로 밝은 미래를 꿈꾸는 인공 지능

딥 러닝의 등장으로 인해 머신 러닝의 실용성은 강화됐고, 인공 지능의 영역은 확장됐죠. 딥 러닝은 컴퓨터 시스템을 통해 지원 가능한 모든 방식으로 작업을 세분화합니다. 운전자 없는 자동차, 더 나은 예방 의학, 더 정확한 영화 추천 등 딥 러닝 기반의 기술들은 우리 일상에서 이미 사용되고 있거나, 실용화를 앞두고 있습니다. 딥 러닝은 공상과학에서 등장했던 일반 AI를 실현할 수 있는 잠재력을 지닌 인공 지능의 현재이자, 미래로 평가 받고 있답니다.

(출처 : 소프트웨어 센터 웹진 자료)

IoT 사례 연구 - 아키텍처 

최근 ICT(Information & Communication Technology)의 최고 관심 대상 중 하나는 IoT(Internet of Things)이다. IoT를 다양한 형태로 해석하고 사용하지만 가장 큰 특징은 사물 스스로가 정보를 수집하고 스스로 전달한다는 것이다. 불과 몇 년 전만해도 사물에 네트워크가 연결이 되어도 사람이 지시하지 않으면 아무 일도 할 수 없었지만 이제 스스로 일을 하는 사물을 사용한 다양한 형태의 서비스가 거의 모든 산업에서 나타나기 시작했다. 그만큼 사물이 네트워크에 연결된 일은 매우 흥미롭고 고부가가치를 창출하는 일이기 때문이다. 이번 회에서는 IoT의 아키텍처에 대해 살펴보면서 IoT의 구성 방법에 대해 알아보기로 한다. 체계적인 IoT 아키텍처 구성으로 효율적인 IoT 서비스가 제공되기를 기대한다. 

사례 연구 전 확인 사항 

IoT 모델의 변화 

현재의 IoT가 나오기 이전에도 사물을 활용한 정보 수집은 존재했지만, 필요에 의해 사물에 별도의 네트워크가 연결이 되었고 수집하는 정보도 극히 일부로 제한되었다. 이미 필요한 데이터만 미리 정해서 수집했기 때문에 데이터 양도 적고 데이터 활용처도 한정되어 있었다. 하지만, 최근 들어 빅데이터(Big Data) 활용이 늘어나고 빅데이터 속에서 사람들이 생각하지 못하는 인사이트를 찾아내면서 빅데이터를 수시로 수집할 수 있는 IoT에 대해 더 관심을 갖기 시작했다. 

기존에는 각 산업이나 서비스에서 필요한 정보만을 수집하다 보니 소프트웨어의 규모도 그리 크지 않았지만, 최근에는 엄청난 양의 정보가 수집되어 소프트웨어의 규모도 커지고 그에 필요한 아키텍처도 다양해지는 추세다. 이렇게, 정보를 한 곳으로 모았다가 다시 필요한 곳으로 정보를 제공하는 중앙 집중 식 클라우드 형태가 현재 많이 사용되는 모델이고, 이후 분산 클라우드 형태의 IoT가 많이 연구되어 발표되고 있는 추세다(그림1).  

<그림1> IoT 모델의 변화 

 출처: “분산형 데이터베이스 기반 비중앙식 IoT 플랫폼을 이용한 스마트 홈 서비스”  

IoT는 사물을 상호 연결하여 어떤 서비스를 제공할 것인지가 가장 큰 목표이기 때문에 사물과 사람, 그리고 사물과 사람을 이어주는 디바이스를 기본으로 필요한 서비스를 제공하게 된다. 사물 간 통신을 나타내는 M2M, 사물인터넷을 나타내는 IoT, 그리고 IoT에 공간 개념을 도입한 만물인터넷이 IoT 모델의 변화 모델로 정의할 수 있다. 

IoT 아키텍처의 기본 구성 

IoT는 사물 기반이기 때문에 임베디드(Embedded) 아키텍처와 유사하게 보일 수 있다(그림2). 하지만 사물이 인터넷(Internet)에 연결이 되어 있고 다양한 데이터를 수집한다는 것이 주목적이기 때문에 임베디드 아키텍처와 다소 차이가 있다. 인텔(Intel)에서는 <그림2>와 같은 IoT 아키텍처 구성도와 <표1>과 같은 IoT 아키텍처의 특징을 5가지로 정의하고, 이러한 특징을 고려하여 소프트웨어를 설계하도록 가이드하고 있다.  

<그림2> IoT 아키텍처 구성도의 예 

출처: Intel  

<표1> 인텔에서 제시하는 IoT 아키텍처의 특징 

IoT로 연결된 디바이스는 일반적으로 게이트웨이(gateway)를 거쳐 시스템으로 연결된다. IoT 게이트웨이를 통해 디바이스가 직접 시스템에 연결되지 않기 때문에 네트워크 대역폭을 낮추는 역할을 하고, 분석이 불필요한 데이터를 제거하고 과도한 데이터 수집을 줄이는 역할도 한다(그림3). 그림3을 살펴보면, 무선 네트워크 노드에서 수집된 정보가 게이트웨이에서 걸러져서 빅데이터로 저장되고 필요한 서비스에 제공된다. 

<그림3> IoT 게이트웨이 

출처: www.seminartoday.net

IoT 서비스 아키텍처 

IoT 서비스의 주요 기능에는 IoT 보안인증, 리소스 및 서비스 관리, 수집 데이터의 가공 및 처리 등이 있다. 이러한 서비스는 맞춤형 서비스인 응용 서비스(Application & Service) 형, 빅데이터 기반으로 정보를 분석하여 예측 정보를 제공하는 지식정보(Semantics & Knowledge) 형, IoT와 소프트웨어의 인증, 연동 등을 제공하는 보안인증(Security & Privacy) 형 등이 있다. 이런 내용을 기반으로 그림4와 같은 IoT 서비스 아키텍처가 구성될 수 있다. 

<그림4> IoT 서비스 아키텍처 

출처: KT - IoT 서비스 플랫폼 아키텍처 분석  

그림4를 살펴보면, 센서 등을 통해 수집된 정보는 게이트웨이를 통해 보정되거나 걸러지고, 사용자에게 제공되는 서비스 별로 서비스 플랫폼을 가지게 된다. IoT 서비스 플랫폼은 앞 단의 IoT 구성요소를 연결하는 역할과 데이터 기반 서비스를 제공하는 역할을 수행하게 된다. 서비스 플랫폼을 표준형으로 구성한다면 초기 공수는 많이 들어갈 수 있으나 확장이 용이하고, 또한 제공하는 IoT 서비스들을 독립적인 모듈 형태로 제공되도록 구성하면 IoT 서비스 아키텍처에 IoT 서비스를 쉽게 추가할 수 있다. 

사례 연구 

KT에서 제시하는 IoT 서비스 

현재의 IoT 서비스의 아키텍처는 비 표준형인 경우가 일반적이다. 비 표준형인 경우는 IoT 서비스와 아키텍처의 확장이나 사용자, 디바이스 추가가 쉽지 않다. 최근에는 표준 프로토콜을 적용하고 IoT 서비스나 디바이스에도 표준이 적용되는 노력이 이루어지고 있다. KT에서는 비 표준 식의 Integral과 표준 식의 Modular 식으로 구분하여 IoT 아키텍처 변화를 제시하고 있다(그림5). 

<그림5> KT의 IoT 아키텍처 변화 

출처: KT - IoT 서비스 플랫폼 아키텍처 분석  

현재는 하드웨어 특성이 강하고 표준화 영향이 적은 센서, 디바이스 위주로 IoT 발전이 이루어졌지만 향후에는 IoT 서비스 전용 플랫폼 개발, IoT 전용 디바이스 개발과 표준화와 모듈화가 적용된 IoT 서비스가 필요하다고 제시한다. 표준화된 플랫폼 중심으로 IoT가 구성되면 그에 따른 IoT 센서, 디바이스 등의 표준화도 쉽게 이루어질 것으로 보인다. KT는 Integral과 Modular 방식에 따라 IoT 서비스와 소프트웨어 개발 방식도 달라진다고 말하고 있는데 그림6에 나타나 있다. 

<그림6> KT의 IoT 서비스 개발 프로세스 

출처: KT - IoT 서비스 플랫폼 아키텍처 분석  

그림5의 Integral 형의 경우, 요구사항에 따라 서비스 기능과 소프트웨어, 시스템을 설계해야 하고, 이에 따른 플랫폼과 디바이스 등을 고민해야 한다. 반면에, 표준이 적용된 Modular 형의 경우는 표준화된 환경에 맞춰 플랫폼, 소프트웨어, 시스템 등을 개발하기 때문에 설계에 필요한 공수가 매우 줄어들게 된다. 물론, 최초로 IoT 서비스를 개발할 경우는 표준 설계에 필요한 공수가 필요하겠지만, 범용적인 IoT 아키텍처가 이미 만들어져 있다면 서비스 요청 업체에 따라 별도로 구성하는 부담을 피할 수 있다. Modular 형으로 발전하기 위해 오픈소스를 활용하는 것도 방법이다. Ocean은 IoT 플랫폼을 구성하도록 하는 오픈소스를 제공한다. 오픈 디바이스 플랫폼인 &Cube와 서버 플랫폼인 Mobius 오픈소스로 구분된다(그림7). 

<그림7> ocean의 IoT 아키텍처 

출처 : http://www.sw-eng.kr/member/customer/Webzine/BoardView.do?boardId=00000000000000045080&currPage=1&searchPrefaceId=&titOrder=&writeOrder=&regDtOrder=&searchCondition=TOT&searchKeyword=IoT+%EC%82%AC%EB%A1%80+%EC%97%B0%EA%B5%AC

(출처 : 소프트웨어 센터 웹진 자료)

 IoT (사물인터넷 : Internet of Things)은 모든 사물이 컴퓨팅 및 통신 기능을 지니는 것을 기반으로 서로 연결되어 다양한 형태의 정보를 주고받음으로써 기존에는 가능하지 않은 ‘ 융합형 응용’ 을 제공해 줄 수 있는 개념이다. 이러한 IoT 의 대두는 세계적인 ICT (Information and Communication Technology) 패러다임을 변화시키고 있으며, 우리나라 정부에서도 미래창조과학부 주관하에 ‘소프트웨어중심사회’ 라는 과제를 진행함으로써 국가산업, 시장, 인력 교육 등의 다양한 분야에서의 범국가적 IoT 융합화를 시도하고 있다.

이러한 IoT 개념을 현실화 및 보급하기 위해서는 IoT 기반 소프트웨어 개발이 선행되어야 하며, 최근 국내 기업들 중심으로 IoT 기반소프트웨어 개발이 활발하게 진행되고 있다. 하지만 IoT 기반의 소프트웨어는 기존의 IT-orient 소프트웨어와는 달리 비 IT 와의 융합을 통해 새로운 형태의 응용을 창출하는 것을 목표로 하고 있으므로, 소프트웨어 요구사항 분석 및 설계 단계에서부터 개발/검증 단계까지 세심한 주의가 필요하다. 이러한 IoT 기반 소프트웨어 개발 시 주의사항에 대해 창신대학교 소프트웨어공학과 김범석 교수로부터조언을 구할 수 있었다.

< 창신대학교 소프트웨어공학과 김범석 교수 >

Q) 현 시점에서 IoT SW가 중요한 이유가 무엇인가요?

 IoT SW 는 사물간 통신을 통해 수집되는 방대한 양의 데이터를 기반으로 새로운 형태의 서비스를 창출할 수 있는 SW 로 정의될 수 있습니다. IoT 라는 개념이 있기 전에 SW 는 IT 뿐만 아니라 다른 산업의 생산성을 높일 수 있는 도구로 사용되었지만, 지금은 사회 전반을 이끌어나갈 수 있는 핵심 솔루션 역할을 하고 있죠. 따라서 IoT SW 는 기존에 독립적으로 운용되어오던 응용과의 융합을 위한 키워드가 될 수 있고, 이를 기반으로 새로운 형태의 응용을 개발할 수 있는 계기를 제공하는 역할을 합니다. [ 그림 1 참조 ]

< 그림 1> 스마트 기기들의 증가 추세

자료 : Cisco IBSG, 2011 -   http://keminet.net/source/web/about/ac79/index.html

Q) 그렇다면 IoT 의 파급으로 인해 생긴 새로운 SW는 어떤 것들이 있을까요?

 IoT 는 모든 사물에게 연산 및 통신 자원을 부여함으로써 상호 간 연결을 통해 각 사물에서 수집되는 방대한 양의 데이터를 가공하여새로운 서비스를 제공하는 일종의 인프라 요소가 강합니다. 즉, IoT 기술의 활용은 전 세계에서 운용되고 있는 모든 영역에 적용 가능하다고 보아도 무방합니다. 실제로 최근 IoT 기술은 의료, 운송, 홈서비스, 공장 등 다양한 방면에서의 융합을 시도하고 있으며, IoT 관련 기기들의 성능 향상 및 보급이 가속화되면서 다양한 서비스로의 IoT 융합을 위한 SW 들의 개발이 시도되고 있습니다. 상세히 살펴보면, 의료 분야에서는 인체정보를 수집할 수 있는 IoT 기기들을 환자에게 장착시켜 실시간으로 환자의 상태를 파악하고 치료할 수 있는 SW 의 개발을 추진 중에 있으며, 운송 분야에서는 차량에 부착된 GPS, 가속도 정보를 공유하여 현재 교통정보를 얻고, 이를 활용하여 교통량을 고려한 신호관리 시스템과 같은 SW 개발을 진행 중에 있죠. 홈서비스 분야에서도 집안에 존재하는 온도, 습도 센서로부터수집되는 정보와 기상청과 같은 외부 날씨 정보를 결합하여, 외출을 하고자 하는 사용자에게 의상을 추천해주는 등의 서비스를 고려하고 있습니다. 뿐만 아니라, 최근 여러 산업에서 주목하고 있는 스마트 공장에서는 공장 내 기계들의 부품 상태 모니터링, 기자재/제고관리 등의 부문에서 IoT 를 활용한 생산성 향상 솔루션들을 개발 중에 있습니다. [ 그림 2 참조 ]

< 그림 2>  IoT 기반 융합 가능 사례

자료 : http://www.intel.com/content/www/us/en/internet-of-things/infographics/iot-platform-infographic.html )

Q) IoT SW 개발에 있어 개발자에게 요구되는 사항은 어떤 것이 있나요?

  초연결을 지향하는 IoT 에서의 SW는 다양한 요구사항이 존재하게 됩니다.

첫째, IoT 를 구성하는 end-device 인 스마트 기기에서의 시스템 레벨의 프로그래밍 능력이 필요합니다.

IoT 를 위한 스마트 기기들은 기존의 단순한 임베디드 시스템과는 달리 센서와 같은 부가 장치를 장착할 수 있어야 하며, 이를 기반으로 새로운 형태의 서비스를 추가로 적용하여 수행함에 있어 유연성과 확장성을 제공해줘야 합니다. 기존의 펌웨어 기반의 시스템에서는 이러한 요구사항을 만족 시킬 수 없기 때문에 embedded OS 를 적용해야 하며, 이를 위해서는 embedded OS 의 전반적인 이해와더불어, 상용화된 IoT 기기 플랫폼과 OS 레벨의 프로그래밍에 대한 다양한 경험이 필요합니다.

둘째, IoT 스마트 기기에 장착된 다양한 형태의 통신 인터페이스를 위한 네트워크 지식 및 프로그래밍 능력이 필요합니다.

IoT 는 기존의 단일 통신 기술을 사용하는 기기들과는 달리 하나의 기기에 다양한 통신 기술을 적용시킬 수 있으며, 필요에 따라서는새로운 통신 인터페이스를 추가할 수 있어야 합니다. 따라서, 이러한 통신 기술들을 SW 로 구동시키기 위해서는 IoT 기기에 적합한 네트워크 인터페이스 관련 디바이스 드라이버 및 이를 활용한 SW 개발을 위한 지식 및 프로그래밍 능력이 필요하게 됩니다.

셋째, 방대한 양의 데이터를 저장하기 위한 데이터베이스 구축과 융합 서비스의 기초가 되는 정보를 창출하기 위한 데이터 프로세싱이 필요합니다.

IoT 시대에서는 Cloud 를 통해 방대한 양의 데이터를 Big Data 라는 형태로 구축하게 됩니다. 따라서 수집된 데이터를 BigData 에 저장하고 관리하는 기법이 필요하며, 이렇게 수집된 데이터를 기반으로 새로운 형태의 정보를 창출하기 위해 기계학습이나 데이터마이닝과 같은 데이터 프로세싱이 요구됩니다.

마지막으로, End user 가 사용할 수 있는 융합된 형태의 응용 소프트웨어 개발 능력이 요구됩니다. 

현재 많이 사용되고 있는 안드로이드, iOS 는 물론, Web 기반의 프로그래밍, embedded OS 기반의 응용 소프트웨어 및 이들을 원활하게 동작하게 할 수 있는 미들웨어 개발 능력도 필요합니다.

Q) IoT SW 개발에 있어 주의사항은 어떤 것이 있나요?

위에서 언급한 요구사항을 기반으로 IoT SW를 개발하는데 있어 개발자가 주의해야 할 사항은 기존의 SW 개발과는 상이한 부분이 있습니다.

먼저, 개발하고자 하는 SW 가 어떤 Data 를 활용하여 어떤 서비스를 제공해 주는 것을 목표로 하는지를 면밀히 검토하여, 이를 기반으로 IoT SW 를 설계하는 것이 중요하게 될 것입니다. 기존의 SW 는 단일 목적으로 개발되는 사례가 대부분이었으며, 이에 따라 SW 설계 부분이 단순화되었습니다. 하지만 IoT 기반의 SW 는 다양한 응용과의 융합을 지향하고 있으므로 상이한 목적을 결합한 새로운 형태의 SW가 되며, 이에 따른 요구사항 및 고려사항의 절대적인 양이 많아지게 되므로 설계 단계의 세밀함이 보다 중요하게 됩니다.

보안 또한 IoT SW 에서 중요한 유의사항이 될 수 있습니다. IoT 기기들은 기존의 기기와는 달리 서로의 연결을 위해 통신 인터페이스를 가지고 있으며, 이를 역이용하여 외부에서의 데이터 변조, 정보탈취는 물론, 기기 자체의 시스템 장악 등의 보안관련 이슈가 일어날수 있습니다. 이를 해결하기 위해서는 기존의 네트워크에서의 보안 뿐만 아니라 기기 자체의 보안 강화가 필요하게 되며, 효율적인 보안 향상을 위해서는 시스템 레벨에서의 보안도 고려되어야 합니다. 실제로 최근 개발되고 있는 ARM 프로세서 기반의 상용 IoT 기기를위한 개발 플랫폼에서는 시스템 레벨의 보안을 위해 TrustZone 을 지원하며, 기기 자체에서의 보안을 위해 TPM (Trusted Platform Module) 을 적용하여 제품을 생산하고 있습니다. 따라서 이와 같은 보안 향상을 위해 추가된 부분에 대한 이해도는 물론, 이를 활용하여 IoT SW 의 높은 보안 수준을 유지할 수 있는 방안을 고려해야 할 것입니다. [ 그림 3,4 참조 ]

< 그림 3>  ARM 사의 TrustZone

자료 : 구글 이미 지

< 그림 4>   TPM (Trusted Platform Module)

자료 : 구글 이미 지

마지막으로, embedded 기반의 IoT 기기를 위한 SW 개발에 따른 SW 최적화가 필요합니다.

최근 생산되는 IoT SW 를 구동시킬 수 있는 기기들의 성능이 비약적으로 향상되고 있지만, PC 나 Server 와 같은 높은 성능을 지니고있지는 않으며, 오히려 전력, 연산능력, 저장장치의 용량 등의 제약적인 성능을 가지고 있습니다. 특히 IoT framework 의 말단에서 정보를 수집하는 센서는 기존의 스마트 기기에 비해 더욱 제약사항이 많은 특징을 지닙니다. 따라서 SW 자체의 구현 복잡도를 최소화 하고, 구동 성능을 최적화하여 성능의 제약이 많은 기기에서도 개발된 SW 가 정상적으로 동작할 수 있도록 해야할 것입니다. 

출처 : http://www.sw-eng.kr/member/customer/Webzine/BoardView.do?boardId=00000000000000040729&currPage=1&searchPrefaceId=&titOrder=&writeOrder=&regDtOrder=&searchCondition=TOT&searchKeyword=iot