이번 주 위클리비즈엔 인공지능(AI)과 관련한 기사를 두 건 실었습니다. 각국에서 AI 규제가 본격화되고 있다는 소식(B8면)과 저명한 노동경제학자인 데이비드 오터 MIT 교수 인터뷰(B11면)입니다. AI 관련 기사를 많이 실은 건 그만큼 이 분야에서 놀라운 일들이 연달아 벌어지고 있기 때문입니다. 특히 지난해 말 발표된 대화형 AI ‘챗GPT’는 놀라움을 넘어 충격적인 수준입니다. 전문가들도 구분해낼 수 없는 수준으로 논문 초록을 써내는가 하면, 셰익스피어 스타일의 시(詩)나 노래 가사도 뚝딱 만들어냅니다. 프로그램 코딩도 할 줄 압니다.
저도 시험 삼아 챗GPT에 몇 가지 질문을 던졌더니, 과연 어떤 질문이든 막힘없이 술술 대답합니다. 가령 한국의 주적은 누구인지 물었더니 “한국의 주적은 북한”이라며 남북한 관계의 약사(略史)를 서술합니다. UAE의 주적은 누구냐고 묻자 “UAE는 특정한 주적을 갖고 있지 않으나, 이란과는 영토 분쟁으로 긴장 관계를 유지하고 있다”고 하는군요. 지금 어떤 주식을 사는 게 좋겠냐고 묻자 “미안하지만 투자 관련 조언은 할 수 없다”며 “최고의 주식은 개개인의 투자 성향이나 시장 상황에 따라 다르므로 알아서 연구하고 전문가 도움을 받으라”는 모범 답안을 내놓습니다.
이런 놀라운 성능 때문에 챗GPT가 조만간 튜링 테스트를 통과할 수 있을 것이라는 관측도 나옵니다. 기계가 인간에 필적하는 지능을 가졌는지 판별하는 시험인데, 지금까지 이 테스트를 통과한 AI는 없습니다. 챗GPT에게 직접 물어보니 이렇게 답변합니다. “제가 튜링 테스트를 통과하려면 인간 같은 양심과 자의식, 정서지능, 그리고 인간 정신의 복잡성을 이해하는 능력이 필요합니다. 하지만 저는 훈련받은 패턴에 근거해 텍스트를 생성하는 AI일 뿐입니다.”
내친김에 AI가 언젠가 인간의 일자리를 대체할 수 있을 것 같냐고 묻자 “창의력이나 판단력이 필요한 일들은 인간의 고유 영역이며, 쉽사리 기계로 대체되지 못한다”고 합니다. 영리한 데다 겸손하기까지 한 AI에 감탄하다 문득 이 녀석이 거짓말인들 못 하겠나 싶어 조금 섬뜩했습니다. 좋든 싫든 아마 올해는 AI 관련 뉴스를 계속해서 보고 듣게 될 것 같습니다.
인공지능(AI)과 로봇 기술이 급속히 발전하면서 일자리의 미래에 대한 걱정도 커지고 있다. 전국경제인연합회가 2021년 20·30세대 829명에게 미래사회가 도래하면 일자리가 어떻게 변하게 될 것으로 생각하는지 물었더니 10명 가운데 8명(83%)은 일자리가 줄어들 것이라고 우려했다. 최근엔 ‘미드저니’ ‘달리’ 등 그림 그리는 AI와 대화형 AI인 ‘챗GPT’가 잇따라 등장해 ‘AI가 인간의 일자리를 앗아갈 것’이라는 우려가 더욱 커졌다. 실제로 로봇 한 대가 늘어나면 인간 일자리가 0.1%포인트 줄어든다는 분석(한국은행·2021년)도 있다.
이런 현상에 대해 오랜 기간 자동화와 노동의 관계를 연구해온 데이비드 오터(56) 미국 매사추세츠공대(MIT) 교수는 어떤 생각을 갖고 있을까. MIT 부속 ‘미래의 일자리’ 연구소 공동 의장이자 저명한 노동 경제학자인 오터 교수를 WEEKLY BIZ가 화상으로 인터뷰했다.
데이비드 오터(56) 미국 매사추세츠공대(MIT) 교수는 친(親) 로봇, 친(親) 인공지능(AI) 학자로 알려져 있다. 세계화와 기술 변화가 일자리에 끼치는 영향에 대한 연구 업적을 인정받아 지난 2020년 하인즈 재단으로부터 ’25주년 특별공로상’을 수상하기도 했다. /데이비드 오토 교수 제공
◇“AI가 인간 대체한다는 건 과장”
-코로나 팬데믹이 노동시장을 어떻게 바꿨나.
“예상치 못한 구인난이 발생하면서 저학력 근로자에게 매우 좋은 노동시장이 형성되고 있다. 지난 40년간 고학력자가 혜택을 독식해온 노동시장에 극적인 역전이 일어난 것이다. 이런 변화는 고임금 근로자보다 저임금 근로자 임금을 많이 올려 불평등을 줄인다는 점에서 긍정적이다. 다만 이런 상황이 얼마나 지속할지는 불확실하다. AI가 발전하는 속도도 내가 예상했던 것보다 더 빠르다.”
-결국 AI나 로봇의 발전 속도를 인간이 따라갈 수 없는 것 아닌가.
“‘따라간다’는 말은 경쟁을 전제로 한다. 하지만 인간은 AI 같은 기계와 경쟁하는 관계가 아니다. 지난 200여 년간 인간은 놀랄 만한 기술을 개발하고 자동화를 도입했는데, 대부분 인간을 도와주는 역할을 했다. AI도 마찬가지다. 가령 AI가 사람 대신 완전한 글을 쓰지는 못하지만, 보조적인 역할은 충분히 할 수 있다. AI가 만들어주는 문장을 초안 삼아 글을 쓰면 시간을 절약할 수 있을 것이다.”
-그렇다면 AI가 인간의 일자리를 대체할 것이라는 걱정은 기우인가.
“물론 지금까지 기술 발전이 그랬듯 AI도 일부 일자리에 손해를 끼칠 것이다. 예를 들어 미국에서는 매년 세금을 낼 때 모든 수입 내역과 증빙 서류를 당국에 제출해야 하는데, 이 절차가 너무 복잡해서 많은 사람들이 이 일을 세무사에게 맡겼다. 그런데 지금은 이를 처리하는 AI 프로그램이 개발되면서 사람들이 값싼 비용으로 전문적인 서비스를 이용할 수 있게 됐다. 자연히 세무사 수요는 줄어든다. 하지만 아무리 AI가 대세이고 중요한 기술이라고 해도 사람이 하는 모든 일을 완전히 대체할 정도는 아니다. 노동 시장을 완전히 바꾸는 수준은 더더욱 아니다.”
오터 교수는 “AI나 로봇은 인간의 판단에 따라 쓰임새가 결정된다는 점을 기억해야 한다”고 했다. 예를 들어 중국은 전 세계에서 감시나 콘텐츠를 검열하는 데 가장 뛰어난 기술을 갖고 있는데, 이건 중국 당국의 선택과 투자로 인해 가능한 것이지 AI의 고유한 속성 때문은 아니라는 것이다. 그는 “현재로서 우리는 AI가 정확히 어떤 목적으로 사용될지 알 수 없다”며 “그러므로 어느 직업에서 어느 정도까지 인간의 일자리를 빼앗아 갈지 속단하기도 어렵다”고 했다.
◇미래에도 읽기·쓰기·말하기·분석이 중요
오터 교수는 다양한 실증 연구를 통해 자동화가 일자리를 빼앗는 게 아니라 오히려 늘린다는 주장을 펴왔다. 2015년 ‘왜 아직도 그렇게 많은 일자리가 있는가’라는 제목의 논문에서도 그는 “자동화와 노동이 상호 보완 작용을 하면서 생산성을 높이고 수입을 증가시키고, 이로 인해 전체 일자리도 늘어날 것”이라고 주장했다. 그런 그도 자동화와 AI가 가져올 양극화에 대해서는 상당한 우려를 갖고 있다. 그는 “현재 소매점 같은 단순 서비스 업종이 구인난에 시달리고 있지만, 장기적으로 이런 일자리는 살아남기 어렵다”며 “전문 지식이 필요 없는 단순 일자리를 줄이고, 법률이나 의료 분야 등 전문 지식을 요구하는 분야에서 일하는 사람을 늘리는 방향으로 가야 한다”고 말했다.
-미래 세대는 어떤 직업이나 전공을 가지는 게 좋을까.
“기계를 잘 활용할 수 있는 사람이 돼야 한다. 의사를 예로 들어 보자. 의사는 전문 지식을 가지고 있지만, 동시에 환자와 꾸준히 소통하는 사람이다. 사람들이 요구하는 것을 지식을 활용해 일종의 ‘번역’을 해야 하는 직업이다. 나는 이를 ‘가치 있는 일’이라고 표현하고 싶다. 이런 일은 기계가 해내지 못한다. 이처럼 앞으로는 전문적인 지식과 사람의 요구를 함께 받아들이고, 자신만의 가치를 만들어낼 수 있는 사람에게 많은 기회가 갈 것이라고 본다. 어떤 전공이 유망할 것이라고 말하기는 어렵다. 사람들이 각자 다른 적성을 갖고 있기 때문이다. 다만 근본적인 것은 바뀌지 않는다. 미래에도 읽기·쓰기·말하기·분석하기가 매우 중요할 것이다. 학교에서 분석적 사고방식을 길러야 하고, 더 나은 추론을 하고 의사 결정을 내릴 수 있도록 정보를 분석하는 능력을 키워야 한다.”
“과거 무역이 활발해졌을 때도 부자 나라가 자신들의 이익을 위해 가난한 나라를 착취한다는 비판이 나왔다. 하지만 무역은 한때 개도국이었던 한국이나 중국, 일본 등 많은 나라를 부자로 만들었다. 물론 현재 개도국들이 아마존이나 테슬라 같은 빅테크 기업이 발주하는 단순 업무를 하다 보니 일부 학대당하거나 낮은 임금을 받는 경우도 있다. 하지만 모두가 그런 것은 아니며, 그것이 플랫폼 노동의 본질도 아니다.
오히려 기술이 부족한 나라는 기술력 있는 나라가 무역하고 싶지 않을 정도로 자급자족하는 상황을 경계해야 한다. 예를 들어 선진국이 방글라데시에 ‘우리는 옷을 만들어줄 로봇이 있으니까 더는 당신네 나라에서 옷 살 필요가 없다’든지 ‘이제는 로봇 간호사에게 일을 시키면 된다’며 필리핀에 간호사 수입을 하지 않겠다고 나설 수 있다. 이렇게 되면 하고 싶어도 무역을 하지 못하는 상황이 발생한다. 실제로 미국 의회에서는 로봇이 발전하고 있기 때문에 이민자가 필요 없다는 주장을 하는 사람들이 있다. 이것이 진짜 비극이다.”
-자동화 시대에 정부는 어떻게 대응해야 하나.
“AI와 로봇이 가져올 변화에 대처하려면 교육, 건강, 안전 등 사회안전망을 잘 구축해야 한다. 이런 점에서 미국은 초·중등 교육 시스템에 많은 문제가 있다. 지난 40여 년간 미국은 사람에 대한 투자를 정부가 아닌 민간 기업에 맡겨야 한다는 생각에 이끌렸다. 그러다 보니 교육이나 의료 서비스 부족에 직면해 있다. 안정성이 부족하다 보니 국민은 자신의 잠재력을 발휘하지 못한다. 시장이 중요하고, 정부가 모든 걸 통제해선 안 된다는 말은 맞다. 하지만 현재 미국은 비간섭주의에 지나치게 경도돼 있다고 생각한다.”
“매일 같은 일을 반복하는 게 힘들다. 그간 진짜 열심히 일해서 사업은 좀 안정된 것 같은데, 이젠 여유를 갖고 싶다. 패시브 인컴을 만들 수 있으면 좀 나아질 것 같다.”
패시브 인컴에 관한 ‘착각’
패시브 인컴(Passive Income, 수동 소득)이란 잠자는 동안에도 들어오는, 일을 하지 않아도 따박따박 들어오는 수입을 얘기합니다. 자본 소득, 저작권료, 임대료, 로열티 등이 여기에 속합니다. 많은 사람들의 로망이죠.
마치 휴양지 해변에 누워서 가만히 쉬고 있어도 돈이 계속 들어오는 걸 생각합니다. 그래서 사람들은 패시브 인컴을 일 안 해도 들어오는 돈이라고 착각을 합니다.
근데, 가만히 생각해보면 그런 의미의 패시브 인컴은 존재할 수가 없습니다. 자본 소득과 금융 소득에 중요한 은행 이자만 봐도 고정되어 있지 않고 계속해서 변합니다. 높아질 때도 있고 낮아질 때도 있습니다. 그리고 펀드나 주식은 원금 손실의 리스크가 있습니다.
한마디로 끊임없이 관리하지 않으면 안 됩니다. 임대료 수익도 건물 관리, 공실 관리, 임차인 관리 등 기본적인 관리에 들어가는 노력이 만만치 않습니다. 로열티는 당연히 지급 회사의 실적에 따라 좌우되며, 음악과 서적 등과 같은 저작권료도 지속적인 활동을 하지 않으면 점점 잊히면서 감소할 수밖에 없습니다.
그렇기 때문에, 우리가 막연하게 생각하는 불로소득 같은 패시브 인컴은 존재하지 않습니다. 단기적인 패시브 인컴은 가능하겠지만 지속적인 패시브 인컴은 불가능합니다. 패시브 인컴처럼 보이는 수익 대부분은 물 위에 떠있는 백조와 같습니다. 겉으로는 우아하게 떠 있지만, 물밑에서는 부지런히 발을 움직이고 있습니다.
물속에서도 우아한 백조는 없습니다.
스트레스 없이 돈 버는 방법?
사람들이 패시브 인컴을 추구하는 이유는 하기 싫은 일을 돈 때문에 억지로 하고 싶지 않기 때문입니다. 나아가 돈에 대한 스트레스 없이 살고 싶기 때문입니다. 그래서 스트레스 없이 일상을 보내는데 돈은 꼬박꼬박 들어오는 것. 모두가 이걸 생각합니다.
그러면 어떻게 하면 스트레스를 받지 않으면서도 돈이 꼬박꼬박 들어올 수 있을까요? 그것은 돈 버는 일이 일상이 되면 됩니다. 스트레스 없이 내가 하고 싶은 일을 하며 사는 데 돈이 들어오는 것입니다. 스트레스란 의식적으로 뭔가를 할 때 발생합니다. 그런데 루틴이 생기고, 어떤 일이 익숙해지고 나면 그부분에 대한 스트레스가 없어집니다.
어릴 때는 밥을 먹는 일, 처음으로 걸음마를 떼는 일, 아침에 일어나 이를 닦는 일, 이런 것들이 다 스트레스였습니다. 그래서 이런 일에 익숙해지기 위해 생활 습관 훈련을 했습니다. 그러다 그게 익숙해지면 그냥 무의식적으로 하는 일상이 되어버립니다.
어릴 때는 양치질도 스트레스였습니다. 하지만 습관을 통해 익숙해졌죠. 지금은 가끔 귀찮을 수는 있지만, 양치질에 스트레스를 받진 않습니다. 그냥 하는, 해야 하는 일상이니까요. 일도 마찬가지입니다.
일도 마찬가지입니다. 우선은 내가 하는 일이 돈으로 바뀔 수 있는 비즈니스 시스템을 만들고, 그 시스템을 돌리는 일을 일상으로 만드는 것이 중요합니다.
창업해서 성공한 후 엑시트(Exit, 탈출) 하려는 이유는 그 일을 내가 일상으로 할 수 없거나, 그렇게 만들지 못했기 때문입니다. 사업이 잘돼서 돈을 좀 벌고 나면 그 돈으로 여기저기 투자해 놓고 편안하게 살고 싶어집니다. 하지만 투자하는 일 역시도 또 하나의 일입니다. 투자에 대해서 배워야 하고, 투자 대상을 지속해서 관리해야 합니다. 투자에 익숙해지기까지 또 다른 스트레스를 견뎌야 합니다.
창업해서 돈 좀 벌고 나면 다른 곳에 투자해서 마음 편히 살자! ‘엑시트’를 꿈꾸시는 여러분, 그런 탈출은 대개 허상입니다.
패시브 인컴이란 결국 마음의 문제입니다. 내가 돈을 벌고 있는 행위를 패시브하게 만들면 패시브 인컴이 됩니다. 그런 관점에서 보면 취업도, 창업도, 투자도 패시브 인컴으로 만들 수 있습니다. 직장 생활도 루틴이 잡히면 월급이 따박따박 들어오는 패시브 인컴입니다.
패시브 인컴을 얻는 방법은 내가 하고 싶은 일을 찾고, 그 일을 통해서 돈을 벌 수 있는 방법을 찾아 익숙한 일상으로 만들어 버리는 것입니다. 그것이 취업이든, 창업이든, 투자든 상관없습니다.
저는 지속 가능성과 주도권을 위해 나만의 시스템을 만드는 사업을 권장하지만, 그 형태는 결국 내 스타일에 맞는가 아닌가의 문제일 뿐입니다. 다른 곳에서 패시브 인컴을 찾지 말고, 현재 내가 하는 일을 패시브 인컴으로 만들어 보길 바랍니다.
파이토치가 최근 1.3 및 1.4 릴리스를 통해 풍부한 성능 개선과 모바일 플랫폼용 개발자 친화적인 지원을 제공하면서 강력하게 부상하고 있다. 과연 MX넷, 체이너(Chainer), 텐서플로우(TensorFlow) 등의 다른 프레임워크 대신 파이토치를 선택할 만한 이유가 있을까? 파이토치를 사용해야 할 5가지 이유를 살펴보자.
먼저, 기사를 시작하기도 전에 분노의 트윗과 이메일을 보내려 준비하고 있는 텐서플로우 사용자들에게 할 말이 있다. 물론 파이토치가 아닌 텐서플로우를 선택할 이유는 많고, 특히 모바일 또는 웹 플랫폼을 대상으로 작업할 경우에는 텐서플로우가 확실히 유리하다. 이 기사의 주제는 “텐서플로우가 열등하고 파이토치가 뛰어나다”는 것이 아니라, 필자가 파이토치를 가장 먼저 선택하는 이유를 정리하는 것이다. 텐서플로우가 그 나름대로 훌륭하다는 점은 필자도 인정하므로, 너무 분노하지 말기를 바란다.
파이토치는 파이썬이다
사람들이 파이토치를 선택하는 주된 이유 중 하나는 코드를 이해하기가 쉽기 때문이다. 파이토치 프레임워크는 파이썬과 씨름하는 것이 아니라, 함께 작동하도록 설계, 제작되었기 때문이다. 모델과 계층뿐 아니라 다른 모든 것, 옵티마이저, 데이터 로더, 손실 함수, 변환 등도 다름아닌 파이썬 클래스다.
파이토치는 전통적인 텐서플로우의 정적 실행 그래프가 아닌 즉시 실행 모드로 작동하므로(텐서플로우 2.0은 즉시 실행을 제공하지만 매끄럽지 않은 부분이 있음) 맞춤형 파이토치 클래스를 추론하기가 매우 쉽고 텐서보드(TensorBoard) 또는 print() 문에 이르기까지의 표준 파이썬 기법으로 디버깅하고 스택 트레이스 샘플에서 플레임(flame) 그래프를 생성할 수 있다. 덕분에 판다스(Pandas), 사이킷-런(Scikit-learn)과 같은 다른 데이터 과학 프레임워크에서 딥 러닝으로 넘어온 사람들에게도 상당히 친숙하게 느껴진다.
초기 릴리스에서 버전 1.3에 이르기까지 중대한 변경이 하나뿐인(변수에서 텐서로의 변화) 안정적인 API도 파이토치의 장점이다. 물론 가장 큰 이유는 파이토치가 아직 젊은 프레임워크라는 데 있지만, 어쨌든 작성된 버전에 관계없이 대다수 파이토치 코드를 알아보고 이해할 수 있다.
파이토치는 즉시 사용할 수 있다
“바로 사용 가능” 철학이 파이썬의 전유물은 아니지만 파이토치를 설정하고 실행하기는 무척 쉽다. 파이토치 허브를 사용하면 다음과 같은 한 줄의 코드로 된 사전 학습된 ResNet-50 모델을 얻을 수 있다.
model = torch.hub.load('pytorch/vision', 'resnet50', pretrained=True)
또한 파이토치 허브는 여러 영역에 걸쳐 통합되므로 텍스트와 오디오, 비전을 모두 다룰 수 있는 원스톱 아키텍처로 적합하다.
파이토치에는 모델 외에 풍부한 손실 함수와 옵티마이저도 기본으로 제공된다. 특징은 데이터를 로드하고 내장 변환을 연결하기가 쉽다는 점이다. 또한 자기만의 로더 또는 변환을 만들기도 비교적 간단하다. 모든 것이 파이썬이므로 표준 클래스 인터페이스를 구현하기만 하면 된다.
한 가지 사소하지만 주의할 점은 파이토치에 포함된 많은 편의 기능이 비전 문제(토치비전 패키지에서 발견된 문제)에 편향되며 텍스트 및 오디오 지원 중 일부는 부족하다는 점이다. 다행히 1.0 이후부터 토치텍스트와 토치오디오 패키지가 상당히 개선되고 있다.
연구에 주도적으로 사용되는 파이토치
파이토치는 연구자들에게는 천국과 같다. 모든 주요 딥 러닝 컨퍼런스의 자료에서도 그 사실을 알 수 있다. 파이토치는 2018년에도 빠르게 성장했지만 2019년에는 CVPR, ICLR, ICML 등의 주요 프레임워크로 부상했다. 이러한 전면적인 도입의 이유는 위에 언급한 점, 즉 파이토치가 곧 파이썬이라는 데 기인한다.
표준 파이썬 클래스의 간편하고 안정적인 하위 클래스로 새 맞춤형 구성요소를 만들 수 있으므로 새로운 개념을 실험하기가 훨씬 더 쉽다. 또한 유연하므로 텐서보드, 일래스틱서치(ElasticSearch) 또는 아마존 S3 버킷으로 매개변수 정보를 보내는 계층을 간단히 만들 수 있다. 난해한 라이브러리를 가져와서 네트워크 학습과 함께 사용하거나 학습 루프에서 특이한 새로운 시도를 하고자 하는가? 여기서도 파이토치가 걸림돌이 되는 경우는 없다.
그동안 파이토치의 발목을 잡은 한 가지는 연구에서 프로덕션에 이르는 명확한 경로의 부재다. 파이토치가 연구 분야에서 강세라 해도, 실제로 프로덕션 용도는 여전히 텐서플로우가 주도하고 있다. 그러나 파이토치 1.3이 나오고 토치스크립트가 확장되면서 JIT 엔진을 사용해 연구 코드를 그래프 표현으로 컴파일하는 파이썬 주석을 사용하기가 쉬워졌으며 그 결과 속도가 향상되고 C++ 런타임으로 쉽게 내보낼 수 있게 됐다. 또한 지금은 파이토치와 셀던 코어(Seldon Core), 큐브플로우(Kubeflow)의 통합이 지원되므로 텐서플로우에 미치진 못해도 거의 필적할 만큼 간편하게 쿠버네티스에 프로덕션 배포가 가능하다.
딥 러닝을 쉽게 배울 수 있다는 장점
딥 러닝 교육 과정은 많지만 그 중에서 fast.ai 과정이 가장 좋다. 게다가 무료다! 과정의 첫 해에는 케라스(Keras)에 상당히 집중했지만 fast.ai 팀(제레미 하워드, 레이첼 토마스, 실바인 구거)은 두 번째 해에 파이토치로 전환했고 그 이후 지금까지 이어오고 있다. (참고로 fast.ai는 텐서플로우용 스위프트에도 상당히 긍정적이다.)
fast.ai의 최근 교육 과정에서는 텍스트 및 비전 영역에서 분류, 세그먼테이션, 예측과 같은 작업에 대한 최신 결과를 달성하는 방법을 알아보고, GAN에 대한 모든 것을 배우고 전문가도 눈이 번쩍 뜨일 만한 풍부한 트릭과 통찰력을 찾을 수 있다.
fast.ai 과정은 파이토치 위에서 부가적인 추상화를 더 제공하는 fasi.ai의 자체 라이브러리를 사용하지만(덕분에 딥 러닝을 배우기가 더욱 쉬움), 기초적인 부분에 대해서도 심층적으로 다루면서 파이토치와 비슷한 라이브러리를 처음부터 새로 만든다. 따라서 파이토치가 내부적으로 어떻게 움직이는지 잘 이해할 수 있게 된다. fast.ai 팀은 이 과정에서 주 파이토치의 몇 가지 버그도 수정한다.
우수한 커뮤니티도 장점
마지막으로, 파이토치 커뮤니티는 정말 유익하다. pytorch.org 웹사이트에는 파이토치 릴리스와 충실히 보조를 맞추는 문서와 함께, 파이토치의 주 기능부터 맞춤형 C++ 연산자를 통해 라이브러리를 확장하는 세부적인 방법에 이르기까지 모든 주제에 관한 자습서도 준비돼 있다. 이 자습서는 학습/검증/테스트 스플릿과 학습 루프 등에 대한 표준화 측면에서 다소 아쉬운 면이 있지만 특히 새로운 기능이 도입될 때 매우 유용한 리소스로 활용할 수 있다.
공식 문서 외에, discuss.pytorch.org의 디스코스(Discourse) 기반 포럼은 핵심 파이토치 개발자와 손쉽게 대화하고 도움을 받을 수 있는 훌륭한 리소스다. 매주 1,500개 이상의 글이 올라오며 분위기가 우호적이고 활발하다. 이 포럼에서는 주로 fast.ai의 자체 라이브러리지에 대해 토론하지만 forums.fast.ai에 있는 비슷한 포럼 역시 텃세(슬픈 일이지만 많은 딥 러닝 토론장의 문제) 없이 초보자를 적극적으로 도와주는 훌륭한 커뮤니티이며, 다른 주제도 많이 다룬다.
파이토치의 현재와 미래
여기까지 파이토치를 사용할 5가지 이유를 살펴봤다. 처음에 언급했듯이 이 중에는 경쟁 프레임워크 대비 파이토치의 전유물이 아닌 요소도 있지만 이러한 모든 이유의 조합은 필자가 딥 러닝 프레임워크로 파이토치를 선택하는 근거가 된다. 파이토치가 현재 부족한 영역도 있다. 예를 들어 모바일, 희소 네트워크, 쉬운 모델 양자화 등이다. 그러나 빠른 개발 속도를 감안하면 올해 말 정도면 이러한 영역에서도 파이토치가 지금보다 훨씬 더 강세를 보이게 될 것이다.
마무리하기에 앞서 두 가지 예만 더 살펴보자. 첫째, 지난 12월에 실험적 기능으로 도입된 파이토치 일래스틱이다. 파이토치의 기존 분산 학습 패키지를 확장해서 대규모 모델 학습을 더 강화한다. 이름에서 알 수 있듯이 이를 위해 탄력성 있는 여러 머신에서 실행되며, 전체 작업을 멈추거나 중단하지 않으면서 언제든 학습 작업에서 노드를 넣고 뺄 수 있다.
두 번째는 오픈AI가 주 개발 플랫폼으로 파이토치를 도입한다고 발표한 것이다. 파이토치에는 매우 중대한 성과다. 오픈AI가 파이토치를 채택했다는 것은 GPT-2(질문에 답하기, 기계 번역, 독해, 요약을 위한 최신 언어 모델)를 만든 사람들이 아이디어를 반복 개발하는 데 있어 파이토치가 텐서플로우보다 더 생산적인 환경을 제공한다고 여긴다는 것을 의미하기 때문이다.
프리퍼드 네트웍스(Preferred Networks)가 딥 러닝 프레임워크인 체이너를 유지보수 모드로 전환하고 파이토치로 이전한 데 이어 오픈AI가 파이토치를 도입하기로 결정한 것은 파이토치가 지난 2년 사이 얼마나 많이 발전했는지 잘 보여주며, 파이토치가 앞으로도 계속 개선을 거듭하면서 사용자를 흡수할 것임을 예고한다. AI 영역을 주도하는 이들이 파이토치를 선호한다면 다른 사람들에게도 파이토치가 좋다는 의미일 것이다. editor@itworld.co.kr
우리가 일상적으로 사용하는 언어(자연어)는 컴퓨터가 바로 이해할 수 없습니다. 그렇기에 이를 컴퓨터가 이해할 수 있는 방식으로 다시 처리하는 과정이 필요합니다. 이를 ‘자연어 처리’ 기술이라고 하죠. 자연어 처리(Natural Language Processing)는 사람이 이해하는 자연어를 컴퓨터가 이해할 수 있는 값으로 변환하는 과정입니다. 나아가 컴퓨터가 이해하는 값을 사람이 이해할 수 있도록 다시 바꾸는 과정까지도 포함합니다.
– 자연어 이해(NLU, Natural Language Understanding)
– 자연어 생성(NLG, Natural Language Generation)
자연어 처리는 왜 이렇게 어려울까?
하지만 인간의 언어를 컴퓨터에게 전달하고, 컴퓨터의 언어를 인간이 이해할 수 있게 바꾸는 이 과정은 여간 쉬운 일이 아닙니다. 이는 언어 자체가 갖고 있는 여러 특징 때문인데요. 예시 문장을 보면서 그 이유를 알아봅시다.
1. 모호성(Ambiguity)
1) 표현의 중의성
차를 마시러 공원에 가는 차 안에서 나는 그녀에게 차였다.
위 문장을 영어 번역기에 입력했을 때, 우리가 이해한 것을 정확하게 구현하는 영어 문장을 과연 확인할 수 있을까요? 인간의 언어에는 ‘차’와 같이, 소리와 모양은 동일하지만 맥락에 따라 의미가 달라지는 단어들이 있습니다. 우리는 이 문장을 보고 직관적으로 맥락을 파악해내지만, 컴퓨터는 그렇게 할 수 없죠.
2) 문장 내 정보 부족
나는 철수를 안 때렸다.
위 문장은 여러 가지 의미로 해석될 수 있습니다. 언어는 효율성 극대화를 위해 커뮤니케이션 과정에서 많은 정보가 생략되기도 합니다. 하지만 컴퓨터는 자연어를 인간처럼 이해하는데 한계가 있기 때문에, 정보의 생략이 많을수록 자연어 처리는 굉장히 어려워집니다.
2. 같은 정보를 다르게 표현하기(Paraphrase)
[문장 1] 여자가 김치를 어떤 남자에게 집어 던지고 있다.
[문장 2] 여자가 어떤 남자에게 김치로 때리고 있다.
[문장 3] 여자가 김치로 싸대기를 날리고 있다.
[문장 4] 여자가 배추 김치 한 포기로 남자를 때리고 있다.
위의 이미지를 여러 문장으로 표현해보았습니다. 모두 다른 문장이지만, 하나의 이미지를 묘사하고 있죠. 이처럼 문장의 표현방식이 다양하고 비슷한 의미의 단어들이 존재하기 때문에 자연어 처리는 까다롭습니다.
언어는 생명체와 같아서 효율성을 극대화하기 위한 방향으로 계속해서 진화합니다. 그 과정에서 최대한 짧은 문장에 많은 정보를 담고, 굳이 언급할 필요 없는 정보는 생략하죠. 단, 생략된 맥락을 기계는 인간만큼 단번에 이해할 수 없다는 것이 자연어 처리가 어려운 이유입니다.
자연어 처리에 딥러닝을 접목하는 이유는?
그렇다면 자연어 처리에 딥러닝 기술을 접목하는 이유는 무엇일까요? 기존의 전통적인 자연어 처리 방식은 언어가 가진 모호성이나 중의성 등의 문제를 해결하기 어려웠습니다.
예를 들어, <빨강>, <분홍>, <파랑>이라는 3개의 단어를 컴퓨터에게 입력한다고 해볼까요? 전통적인 자연어 처리 과정에서는 <빨강>과 <분홍>, <파랑>이 각각 동일하게 다른 의미를 지닌 정보로 취급됩니다. 그러나 사람인 우리는 <빨강>과 <분홍>이 어떤 포함 관계에 속하는 유사성을 지닌 단어임을 직관적으로 이해하죠.
딥러닝을 기반으로 하는 자연어 처리에서는 <빨강>과 <분홍>을 <파랑>과 비교하여 더 가깝고 유사한 관계에 있는 정보라 처리합니다. 다시 말해서, 컴퓨터가 언어에서 연속적인 가치(Continuous Value)를 발견하고 언어를 처리할 수 있게 됩니다. 기존의 자연어 처리 방식이 지녔던 단점을 한층 보완하고, 보다 인간이 이해하는 방식과 유사하게 처리할 수 있습니다.
왜 ‘한국어’ 자연어 처리는 유독 어렵게 느껴질까?
복잡하고 까다로운 자연어 처리, 그런데 ‘한국어’ 를 처리하는 과정은 유독 어렵다고 느껴집니다. 실제로도 쉬운 작업이 절대 아니고요. 이는 각 나라별 언어가 가지고 있는 특징이 다르기 때문인데요. 한국어는 어간에 접사가 붙어 의미와 문법적 기능이 변화하는 ‘교착어’에 속합니다. 교착어만의 특징을 한 번 알아볼까요?
1) 접사 추가에 따른 의미 발생
예를 들어보겠습니다. 한국어로 ‘사과’라는 단어와 접사를 붙여 문장을 만들어 보세요. ‘사과(어간)’ + ‘를(접사)’일 때는 ‘사과’가 목적어가 되지만, ‘사과(어간)’ + ‘가(접사)’일 때는 ‘사과’가 주어가 되어 같은 언어도 문법적 기능이 달라지는 걸 볼 수 있죠. 이는 교착어인 한국어의 대표적인 특징입니다.
2) 유연한 단어 순서
나는 밥을 먹으러 간다.
밥을 먹으러 나는 간다.
나는 간다, 밥을 먹으러.
한국어는 단어의 순서를 바꾸어도 전체 맥락을 이해하는데 전혀 문제가 없습니다. 몇 가지 경우를 제외하면, 어순이 바뀌어도 문법적인 오류가 없는 올바른 문장이라 볼 수 있습니다. 이러한 언어적 특징은 인간에게는 편리하지만, 컴퓨터에게는 매우 어렵습니다. 어순이 제각각이지만 의미는 동일한 이 문장들을 동일한 정보로 처리하는 것이 쉽지 않기 때문입니다. 한국어의 자연어 처리가 유독 더 어려운 이유입니다.
3) 모호한 띄어쓰기 규칙
근대 이전까지 동양의 언어에는 ‘띄어쓰기’ 개념이 존재하지 않았습니다. 서양문화권에서는 중세부터 띄어쓰기가 확립된 것과 비교해보면 늦은 편이죠. 한국어는 맞춤법 상 띄어쓰기 규칙이 정해져 있기는 하나, 띄어쓰기를 지키지 않아도 문장의 맥락을 이해하는데 큰 무리가 없는 언어입니다. 문제는 사람들이 띄어쓰기를 지키지 않고 뭉텅이로 작성한 텍스트를 컴퓨터가 정확하게 인식하는 것이 매우 어렵다는 점이죠.
4) 평서문과 의문문의 차이 없음, 주어 부재
점심 먹었어. (I had lunch.)
점심 먹었어? (Did you have lunch?)
어순의 변화 없이, 주어가 생략되어도 한국어는 이해하는데 큰 문제가 없습니다. 하지만 똑같은 의미의 문장을 영어에서 한국어로 컴퓨터가 번역하는 것과, 한국어에서 영어로 변환하는 데에는 큰 차이가 있습니다. 동일한 문장에 마침표 대신 물음표를 붙이고, 주어에 대한 정보를 생략하더라도 한국어에서는 문장이 완성됩니다. 따라서, 컴퓨터가 숨겨진 맥락이나 의미를 파악하는데 더 까다로울 수밖에 없습니다.
비즈니스 모델 캔버스 (Business Model Canvas, BMC)는 알렉산더 오스터 왈더가 만든 비즈니스 툴로 9가지의 핵심적인 요소를 표현하고 있습니다. 각 요소의 빈칸들을 단순히 채우는 것이 중요한 게 아닙니다. 왜 우리의 비즈니스가 필요한지에 대해서 스토리 전개가 되어야 합니다.
비즈니스 모델 캔버스
비즈니스 모델 캔버스 (Business Model Canvas, BMC)는 알렉산더 오스터 왈더가 만든 비즈니스 툴로 9가지의 핵심적인 요소를 표현하고 있습니다. 각 요소의 빈칸들을 단순히 채우는 것이 중요한 게 아닙니다. 왜 우리의 비즈니스가 필요한지에 대해서 스토리 전개가 되어야 합니다.
비즈니스 모델 캔버스의 장점
9가지의 사업 요소를 쉽게 관리하고 한눈에 알아볼 수 있음
각 블록들의 유기적인 연결을 통해 기업이 어떻게 수익을 창출할 수 있는지 이해할 수 있음
시각화에 따른 상호 간 효과적인 소통을 할 수 있음
비즈니스 모델 캔버스 구성요소
가치제안(Value Proposition)
가치 제안은 기업이 고객을 위해 창출해 내는 가치
가치의 종류에는 제품과 서비스의 기능적인 것과 눈에 보이지 않는 사회적 가치와 감정적 가치도 포함
비용 구조 (Cost Structure)
가치(제품 및 서비스 등)를 실행하기 위한 비용들
재료비, 인건비, 외주용역비, 홍보비, 운영비 등
핵심자원(Key Resources)
가치(제품 및 서비스 등)를 수행하기 위한 핵심자원들
인적자원, 지식재산, 마케팅, 생산장비 등 물적 자원과 무형적 자원 모두 포함
핵심 파트너(Key Partnerships)
가치(제품 및 서비스 등)를 구현하기 위한 이해관계자들
업무지원 이해관계자 (고객관리, 서버 관리, 유통업체 등)
핵심 활동(Key Activities)
가치(제품 및 서비스 등)를 실행하기 위한 중요한 활동들
특별한 설계 및 제작 방법, 지속적인 플랫폼 개발 및 업데이트 등
고객 관계(Customer Relationship)
고객 유지 및 확보하기 위한 방법
ex. 쿠폰, 이벤트, 문자 발송 등
채널(Channel)
고객에게 나의 가치를 전달하는 수단과 방법
가치 홍보 채널, 평가 채널, 구매 채널, 소통 채널 등으로 표현할 수 있음
고객 세분화(Customer Segment)
나의 가치를 제공받는 대상자들
나의 제품과 서비스 등을 이용하는 사용자들에 대한 정의
수익원(Revenue Stream)
가치 제안(제품 및 서비스 등)에 따른 소비자의 지불 대가
제품 판매, 중개 수수료, 가입비, 광고 등
비즈니스 모델 캔버스 작성 순서
설득력 있는 비즈니스 모델은 스토리가 있는 전개가 필요합니다. 뒤죽박죽 이야기를 하면 듣는 사람에게 신뢰를 주지 못하며 평가를 하는 심사위원에게도 투자자에게도 좋은 비즈니스 모델이라는 인식을 받을 수 없을 것입니다.
나의 비즈니스 흐름
저는 많은 고민 끝에 비즈니스 아이템(아이디어)을 생각하여 선정하였습니다. 내가 생각하고 있는 제품과 서비스 등을 실현하기 위해서는 시드머니의 자금이 필요합니다. 그리고 특별한 노력이나 자원들이 필요하죠. 이러한 것들을 함께 실현할 수 있는 동료가 필요하기도 하며, 외부 업체가 도움을 주기도 하였습니다.
이렇게 모인 자금과 자원, 동료 및 협력 파트너 업체 등과 함께 제품과 서비스를 구현하는 우리만의 특별한 노력과 노하우를 바탕으로 드디어 제품과 서비스가 완성되었습니다.
완성된 제품과 서비스를 어떻게 어디서 누구에게 팔지 고민합니다. 마지막으로 어떤 방법들로 수익이 발생할지 예측합니다. 제조업이라면 제품 판매 수익이며, 플랫폼 서비스라면 가입비와 광고 수익 등이 발생하겠죠.
위의 흐름으로 비즈니스 모델 캔버스가 작성되고 이야기를 자연스럽게 이끌어 나갈 수 있는 것이 필요합니다.
나의 비즈니스 흐름을 바탕으로 비즈니스 모델 캔버스 작성 순서 확인
가치제안 : 비즈니스, 창업아이템, 아이디어 도출
비용구조 : 제품 및 서비스 구현에 필요한 비용 산출
핵심자원 : 특별한 노력이나 자원
핵심 파트너 : 동료, 협력 파트너 업체 등
핵심 활동 : 특별한 노력, 노하우
고객관계 : 어떻게 제품과 서비스를 판매해야 하는지
채널 : 어디서 제품과 서비스를 판매해야 하는지
고객 : 누구에게 제품과 서비스를 판매해야 하는지
수익 : 수익 종류와 방법
비즈니스 모델 캔버스 중앙에 있는 가치제안(제품 및 서비스 등)을 경계로 왼쪽 아래 비용부터 시계방향으로 작성하고 발표합니다. 오른쪽 면은 가치제안을 시작으로 왼쪽 면과 마찬가지로 동일하게 시계방향으로 이야기해 나가면 효과적일 것입니다.
중요한 것 중에 하나는 자연스러운 스토리 전개입니다. 위에 예시의 작성 순서는 정답이 아니라 저의 비즈니스 흐름을 예시로 한 작성 순서이니 본인의 스토리 전개 스타일에 따라서 또는 제품 및 서비스 등의 특성에 따라서 순서를 달리 하실 수 있습니다.
예를 들어 비용구조와 수익원 부분을 마지막에 따로 강조하여 이야기하는 방법이 있으며 고객 중심의 제품과 서비스의 설명이 우선시 되어야 한다면 비즈니스 모델 캔버스 우측 영역부터 스토리 전개를 할 수 있습니다.
비즈니스모델 캔버스 양식
비즈니스 모델 캔버스 양식을 HWP 파일안에 첨부했습니다. 나의 사업과 창업아이템 및 아이디어를 효과적으로 이해하고 설명할 수 있도록 준비해 봅시다.
작성 된 비즈니스 모델 캔버스를 통해 각 영역별 세부 검증 작업을 해 나가면 구체적이고 명확한 사업계획을 수립할 수 있게 됩니다. 또한 정부지원사업, 투자설명, 경진대회 등 외부 발표자료로도 활용될 수 있으니 작성 후에 지속적으로 업데이트 해 나가는 과정도 필요합니다.
중요한 일이 걸려 있고 복잡한 상황에서 또라이를 만나면, 두려움과 분노로 판단력이 흐려질 수 있으므로 직감은 틀리기 쉽다. 이럴 때는 행동을 늦추고, 마음을 가라앉히고, 정말 싸워야 할지, 싸운다면 어떻게 싸울 것인지를 놓고 현명한 사람들과 대화해야 한다.
2. 확실한 근거와 자신을 지지하는 동지가 없는데도, 권력을 쥐고있는 가해자에게 정면으로 맞선다.
희생자가 되는 것을 즐기는 사람과 학대를 받으며 희열을 느끼는 마조히스트 (피학대 성애자)에게는 이 방법이 좋을 수도 있다. 하지만 또라이들을 변화시키고, 약화시키며, 쫓아내고 싶은 사람들은 이 방법으로 효과를 보기 어렵다.
3. 또라이를 또라이라고 부른다.
잘 알고 신뢰하는 사람에게 신중하게 사용하면 통할 수도 있는 방법이다. 하지만 대개의 경우 더 심한 적대감을 불러일으킬 수 있으니 조심해야 한다. 가해자를 당황스럽게 하면 특히 더 위험하다. 그리고 또라이라는 비속어를 사용하는 자체가 또라이 짓일 수 있다.
4. 복수를 위한 복수, 익명으로 하는 복수처럼 아무 쓸모없는 복수를한다.
또라이에게 맞설 힘이나 용기가 부족한 사람들은 자동차 타이어의 공기를 빼놓는 가벼운 복수처럼, 자신을 드러내지 않고 치졸하게 복수하는 방법에 의지하기도 한다. 그렇게하면 잠시 기분이 좋을 수도 있다. 하지만 또라이의 행동을 바꾸지는 못한다
(또라이의 행동이 소심하게 복수한 사람을 찾아내 되갚아주는 것으로 바뀔 수도 있다).
5. 희생양을 찾는다.
여러 또라이들에게 둘러싸여 있지만, 힘없는가해자 한두 명은 끌어내릴 만한 영향력을 지니고 있는 사람이 종종 사용하는 방식이다. 지나친 학대 행위를 하는 자를 비난하고 처벌하며 쫓아낸다. 그러고나서 썩은사과를 제거했다고 주장할지도 모르겠지만, 시스템 자체는 전혀 달라지지 않았다.
실제로 힘 없는 또라이 몇 명을 희생시키는 것이 오히려 주위에 남아 있는 지독한 또라이들의 장악력을 더욱 강화시킬 수도 있다.
6. 상대방의 비위를 맞추는 병에 걸린다.
문제의 또라이가 피해자의 애정 공세나 아부에 전혀 흔들리지 않거나, 더 나아가 이런 행동을 피해자가 학대를 즐기고 더 원하는 표시로 여길 때 피해자에게 이 병이 생긴다. 하지만 어쩔 수 없다. 이럴때는 계속 알랑거리며 아부를 떨 수밖에 없다.
7. 정직하지 못한 사람과 잘못된 시스템에서 도움을 구한다.
권력을 쥔 또라이들만 보호하려 들고, 힘 없는 피해자에겐 신경조차 쓰지 않는 인사관리 부서나 법무팀, 고위 경진, 또는 사법 기관에 속한 사람들을 경계해야 한다.
폭스 뉴스의 앵커 그레첸 칼슨의 사례에서 새겨들을 만한 중요한 교훈을 얻을 수 있다. 2016년 9월 <뉴욕 매거진>의 보도를 보면, 그레첸 칼슨이 그녀의 상사에게 공동 앵커 스티브 두시Steve Doocy의 거들먹거리는 태도에 대해 불평했을 때, 이 말을 전해들은 로저 에일스 회장은 칼슨에게 “남자를 증오하는 자” , “살인자”라고 폭언하며 “남성들과 잘 어울려야 한다” 고 충고했다.
김형준(컴퓨터공학부·18)
하나의 유령이 대한민국을 떠돌고 있다. 코딩이라는 유령이. 대학가 역시 예외는 아니다. 당장 지난 학기 수강한 컴퓨터공학부 전공과목들만 보더라도 주전공생보다 복·부전생의 수가 월등히 많았던 기억이 있다. 몇몇 전공의 경우 서울대 간판을 달고도 취업이 요원한 반면, 컴퓨터공학 전공자는 비싼 값에 날개 돋친 듯 팔려나가는 탓이다. 이와 같은 수요와 공급의 불균형으로 인해 심화된 편중 현상은 소프트웨어 분야의 인력난 해결에 기여하고 있다. 그럼에도 이를 마냥 긍정적으로 바라볼 수만은 없는데, 적잖은 수의 사람들이 ‘코딩을 위한 코딩’의 구렁텅이에 빠지고 있기 때문이다. 남들에게 뒤처질 수 없다는 불안은 평생 뒤처진 적 없이 살아온 명문대생의 영혼을 어렵지 않게 잠식한다.
이런 불안감은 코딩을 공부하는 주변인과 언론에 의해 촉발되기도 하나, 무엇보다도 코딩 학원에 의해 확대·재생산된다. 분명 코딩 교육 시장은 성장 일로를 걷고 있으며 앞으로도 그래야 마땅한 분야다. 그럼에도 불구하고 과대광고로 무장한 대다수 학원의 작태를 보고 있자면 헛웃음이 나온다. 이들은 소위 ‘네카라쿠배’(네이버, 카카오, 라인, 쿠팡, 배달의민족)에 입사한 수강생들을 전시하며 평균 연봉을 과시적으로 내세운다. 소수의 고액 연봉자들로 인해 부풀려진 수치는 대다수의 수강생이 만족스럽지 않은 연봉을 수령하고 있음을 애써 숨긴다.
한술 더 떠 ‘90일 속성 머신 러닝’, ‘6개월 AI 전문가 코스’ 등의 허무맹랑한 카피를 보고 있자면 정신이 아득해진다. 누군가는 코딩 학원이 단언한 기간 내에 전공생 이상의 실력을 갖출 것이다. 대학생 때 본격적으로 농구에 입문해 이후 NBA MVP를 수상한 선수가 있는 것 혹은 고졸 출신으로 사법고시 수석을 차지한 사람이 있는 것과 같은 이치다. 드문 일이기에 우리는 그들을 ‘아웃라이어’라 일컫는다. 실상 학부 4년은커녕 석박사 과정까지 끝마쳐도 이들이 홍보하는 분야에서 전문가가 되기는 역부족이다. 가령 ‘변호사 3개월 완성’ 내지는 ‘180일 외과 의사 코스’였다면 반응이 같았을 리 없다. 그러니 작금의 열풍은 다소간 개발 직군에 대한 무시 내지는 무지에 기반하는 듯 보일 따름이다. 아웃라이어가 아닌 이상 고작 수개월을 투자하는 것만으로 업계가 요구하는 고급 개발자가 되기란 불가능에 가깝다.
이쯤에서 이 글이 당연하게도 비전공자의 코딩에 대한 관심을 억누르기 위해 쓰이지 않았음을 짚고 넘어갈 필요가 있겠다. 오히려 그 반대에 가깝다. 정확히 말하면 모두가 코딩을 할 필요는 없지만 모두가 코딩을 알 필요는 있다. (다른 모든 분야가 그렇겠지만) 물론 소프트웨어 분야는 극소수의 천재가 지대한 영향력을 행사하는 분야다. 예컨대 (모두 컴퓨터공학을 전공한) 마크 저커버그, 세르게이 브린, 래리 페이지, 리드 헤이스팅스는 우리의 삶에 얼마나 큰 영향을 미쳤는가?
그럼에도 불구하고 모두가 코딩을, 컴퓨터공학을 이해해야 하는 이유는 자명하다. 추상화를 위시한 논리적 사고를 훈련하기에 최적의 방법일 뿐만 아니라 개발자와의 협업에서 큰 이점을 얻을 수 있기 때문이다. 또한 어떤 학문을 공부하든 코딩은 해당 분야와 세상을 잇는 가교로 기능한다. 다행히도 세상은 이에 발맞춰 변화하고 있다. 말하자면 컴퓨터공학은 제2의 수학이 돼가는 중이고, 이는 비단 대한민국만의 유행이 아니며 전 세계적인 추세에 해당한다. 따라서 초중고에서 교양으로서의 코딩을 교육하는 것이 가장 효율적일 텐데 이런 맥락에서 지금의 20대는 저주 받았다고 볼 수 있겠다. 응당 코딩을 알아야 하는 세상에 너무 일찍 도착했으니 말이다.
관련 학과의 정원을 확대하고 비전공자에게도 학습의 기회를 주는 편이 최선이겠으나 현실적인 어려움이 산재해 있다. 그러니 교양으로서의 코딩을 학습한 이들이 대거 사회에 진출할 때까지는 대학 외부의 교육에 얼마간 빚질 필요가 있다는 결론이 도출된다. 상술한 코딩 학원들의 행태가 대폭 개선되거나 문제의식을 지닌 양심적인 사업자의 진입을 기대해야만 하는 상황에 놓였다. 일말의 희망. 나는 이 자그마한 희망에 억지로라도 기대를 걸어보려 한다.
점점 더 많은 기업이 워크로드의 대부분 또는 전부를 클라우드로 이동하면서 서버 랙을 직접 설치 및 운영해야 할 이유는 줄어들고 있지만 (이는) 여전히 중요하다.
클라우드로 인해 데이터센터가 서서히 빛을 잃고 있다. IT의 핵심 구성요소인 데이터센터에서 멀어지는 실질적인 이유가 있다. 클라우드 업체가 놀라운 코드를 간단하게 작성할 수 있는 놀라운 제품과 시간을 절약하는 서비스를 계속해서 선보이고 있기 때문이다. 그 편의성은 경이롭다.
하지만 클라우드로 전환해야 하는 명백한 이유에도 불구하고, 이 트렌드에 역행하여 자체 데이터센터를 계속 운영해야 하는 몇 가지 이유가 있다(아마도 모든 워크로드는 아니더라도 일부에 해당될 수 있다). 여기서는 자체 랙에서 온프레미스로 코드를 실행해야 하는 이유 10가지를 살펴본다.
ⓒGetty Images
로컬 속도(Local speed)
클라우드는 전 세계에 퍼져 있는 기업에 적합한 자산이다. 먼 곳 또는 집에서 근무하는 직원들을 지원할 때도 적합하다. 하지만 직원들이 같은 건물에 있고, 같은 서버를 사용한다면 서버를 멀리 떨어진 곳에 두는 것은 그다지 적합하지 않다. 기업의 자산이 (이를테면) 우편번호도 모르는 먼 곳의 클라우드 기반 기기까지 가로질러 이동할 수 있어서다. 로컬 서버는 다른 곳에 있는 서버보다 빠르다. 게다가 네트워크 홉이 적기 때문에 장애 지점도 적다. 데이터가 건물 밖으로 나갈 일이 없다면 작은 인터넷 파이프로도 충분하다. 이게 바로 서버를 가까이 둬야 하는 이유다. 직원들이 한 곳에 있다면 필요한 서버를 가까이 두는 게 낫다.
기술적 균형(Technical tradeoffs)
일각에서는 눈에 보이지 않는 클라우드가 서버 운영, 기기 구매, 소프트웨어 설치 등 모든 일을 처리하기 때문에 이를 선호한다. 분명 클라우드는 부담을 덜어줄 수 있다. 하지만 때로는 이 모든 책임을 스스로 지는 것이 더 편안할 수 있다. 진짜? 물론 때에 따라 다르다. 중요하지 않은 작업이고, 클라우드 업체의 접근을 허용할 수 있다면 클라우드 업체가 알아서 하도록 하고 (이에 따라) IT를 조정하는 것만으로 충분하다. 그러나 자체적인 방식이 있다면 클라우드로의 이동에 수반되는 마찰로 인해 절약되는 시간만큼의 가치가 없을 수 있다.
이전 버전의 파이썬을 기반으로 한 레거시 코드를 사용했던 프로젝트를 예로 들어보자. 하지만 클라우드 업체는 최신 버전의 우분투와 새로운 버전의 파이썬을 사용하고 있었다. 다른 버전과 씨름하거나 연구실의 컴퓨터에 쓰고 있는 버전의 파이썬을 설치할 수 있었지만 코드를 다시 작성하는 것보다 컴퓨터를 구매하는 것이 더 간단했다.
이웃(Neighbors)
클라우드 업체는 모든 고객을 만족시켜야 한다. 그리고 서비스를 구매하는 기업(혹은 사용자)은 수없이 많다. 따라서 클라우드 서비스 가입은 개인 소유의 섬에 사는 것과는 다르다. 이웃과 잘 지내야 한다. 클라우드의 이웃이 악의적일 수 있다는 게 가장 극단적인 사례다. 이를테면 로우해머(Rowhammer) 공격은 같은 하드웨어의 다른 사용자에게 침입할 수 있다. 심각한 문제가 될까? 해커가 다른 클라우드 인스턴스를 자주 공격하는가? 아마 그렇지는 않을 것이다. 하지만 자체 하드웨어를 구매하는 가장 큰 장점은 데이터센터의 이웃을 걱정하지 않아도 된다는 것이다.
통제(Control)
오늘날의 계약은 돌판 위에 새겨지지 않는다. 심지어 종이에도 작성되지 않는다. 문제가 발생하면 클라우드 업체는 서비스 약관에 명시되지 않은 일부 조항을 위반했다는 모호한 주장을 하면서 사용자를 차단하는 경우가 많다. 서비스 업체에게 이러한 이메일을 받게 된 개발자와 기업의 슬픈 사연이 많다. 심지어 때로는 클라우드 업체가 이메일조차 보내지 않는다. 그리곤 모든 것이 작동을 멈춘다.
어쩌면 (이러한 문제에 대응할) 믿을 만한 변호사가 있을 수 있다. 어쩌면 이 모든 이야기가 과장됐으며, 남의 일이라고 생각할 수도 있다. 허나 클라우드 업체가 비합리적으로 행동하고, 매출을 날려버릴 가능성은 높아 보인다. 그러나 하드웨어를 통제하면 법적 장애 지점이 줄어든다는 건 확실하다.
권력(Power)
때때로 클라우드 업체는 서비스가 엉망이라는 비난을 받는다. 일부는 의도적으로 전화번호를 공개하지 않는 것 같다. 일부는 이메일에 절대 답신하지 않는 것 같다. 게시판엔 고생하는 클라우드 업체 직원에 관한 이야기도 있지만 이름을 밝히지 않은 정체불명의 악당에 관한 불평불만도 있다. 데이터센터에서 보고한다면 훨씬 더 쉽게 답변을 받을 수 있다. 물론 사라진 IT 직원에 관해 분노하는 이야기가 많은 것도 사실이다. 내부 기술 지원 인력이 멸종위기종인 것처럼 잘 보이지 않는다는 농담도 있다. 하지만 기업이 (내부 기술 지원 인력에게) 급여를 지급한다는 점에서 이는 더 나은 서비스를 확보하는 방법 중 하나다.
비용(Price)
최신 하드웨어는 항상 비싸다. 만약 (작업에서) 성능이 중요하다면 클라우드를 활용하는 게 가장 합리적일 수 있다. 하지만 다소 반복적이고 예측 가능한 작업이라면 구형 서버를 사용하여 비용을 절약할 수 있다. 물론 잠재적으로 숨겨진 비용이 있다. 구형 기기는 더 자주 고장 난다. 워크로드가 예상치 못한 다운타임을 처리할 수 있는가? 직원들이 기기를 수리할 수 있는가? 그렇게 할 수 있다면 구식 하드웨어를 사용하는 게 훨씬 더 저렴하다.
일정한 부하(Steady loads)
클라우드에 적합한 기업은 컴퓨팅 부하가 매우 가변적이면서도 일반적으로 예측할 수 있는 곳이다. 예를 들면 스트리밍 비디오 서비스는 금요일과 토요일 밤에 대부분의 연산을 수행한다. 다시 말해, 몇 시간 동안 사용한 후 모두가 잠자리에 드는 즉시 전원을 끈다. 하지만 이 반대라면 자체 데이터센터를 운영하는 게 더 합리적일 수 있다. 할인을 받더라도 클라우드 기기를 하루 24시간, 주 7일 동안 실행하면 비싸기 마련이다. 기기를 계속 가동한다면 비용 경쟁력이 있는 로컬 데이터센터 예산을 책정하는 것이 낫다.
여분의 부동산(Extra real estate)
팬데믹으로 인해 상업용 부동산 세계가 요동쳤지만 일부 기업에는 쉽게 없앨 수 없는 여분의 공간이 있을 것이다. 이를테면 몇 년 동안 임대료가 발생하지 않는 건물을 소유하고 있을 수 있다. 클라우드 비용의 일부는 하드웨어를 보관하는 건물이다. 부동산 비용으로 인한 수익이 낮거나 심지어 없다면 빈 공간에 몇 개의 랙을 설치하는 것이 예산 대비 효과가 있을 수 있다.
저렴한 지역 전기 요금(Cheaper local power)
전기 요금은 데이터센터 운영의 큰 부분을 차지하며, 대부분의 경우 전력 비용이 하드웨어 비용보다 크다. 일부 주 또는 지방자치단체에서 로컬 비즈니스를 유치하려고 할 때 일부는 세제 혜택을 활용하지만 지역 전기 요금을 할인하여 신규 기업에 간접적으로 보조금을 지급하는 곳도 있다. 이에 따라 기존의 전기 요금이 이미 매우 저렴할 수 있으며, 그렇다면 자체 데이터센터를 운영하는 게 더 합리적일 수 있다.
할인을 받을 필요 없이 전기가 저렴한 지역도 있다. 풍부한 바람 또는 끝없는 햇빛 때문에 신재생 에너지를 더 쉽게 생산하는 곳도 있다. 비용이 저렴한 이유는 중요하지 않다. 기업의 전기 요금이 합리적인 경우 자체 시스템을 호스팅하여 클라우드 컴퓨팅 비용을 크게 절약할 수 있다는 게 중요하다.
지역 인재(Local talent)
몇몇 기업은 데이터센터 관리 인력을 최소화하고 싶어 한다. 하지만 인적 자본을 중시하는 곳도 있다. 한 기업은 일반적으로 예측할 수 없는 시기에 필요한 데이터센터 관리 인력을 확보할 수 있도록 여유 있게 채용하는 것을 선호했다. 그리고 비상사태가 발생했을 때 이 회사는 준비가 돼 있었다.
물론 자체 데이터센터 인력을 확보하는 일은 비용이 많이 들 수 있으며, 이는 CIO들이 정당화하기 가장 어려운 비용 가운데 하나다. 하지만 데이터센터를 운영하면서 효과적으로 수행할 수 있는 다른 역할이 있지 않을까? 지역 인재를 원하고 스마트한 인력을 채용하고 싶다면 컴퓨팅 예산의 일부를 투입해 (데이터센터) 인력을 유지하는 게 바람직하다. 몇몇 클라우드 업체는 휴게실에서 소통하거나 7월 4일(편집자 주: 미국 독립기념일) 소풍을 계획하거나 회사 소프트볼장을 청소하거나 인적 자본이 기업에 제공할 수 있는 다른 일을 하지 않을 것이다. ciokr@idg.co.kr
“고소”란, 고소권자가 가해자를 처벌해달라는 의사표시로 수사기관에 범죄사실을 신고하는 것을 말합니다(법령용어사례집, 법제처·한국법제연구원, 2003).
피해자(
