안녕하세요! 놀이대장입니다.
오늘 나눌 주제는 평소 다루던 놀이는 아닙니다. 다만 저의 블로그에서 한 번은 꼭 다루고자 했던 내용입니다. 저는 현재 AI융합교육 대학원 석사 과정을 밟고 있습니다. 이제 마지막 학기를 마쳤고, 졸업을 위한 연구를 마무리해가는 과정 중에 있습니다. 제가 평소에 가장 관심을 많이 가지고 있는 주제는 크게 두 가지입니다. 하나는 제 블로그의 메인 주제인 놀이이고, 나머지 하나는 AI입니다.
놀이대장의 PlayLand 100% 활용하기 – PlayLand
이 글은 제가 2023년 여름방학, 교육부 주관으로 열린 호남권 AI융합교육 리더 교원 양성 연수에 강사로 참여하며 여러 선생님들과 나눴던 이야기를 바탕으로 하고 있습니다. 인공지능시대에 초등교사로서 어떤 자세를 가져야 할지 깊이 고민하며 작성했던 내용입니다.
시대를 바라보는 관점에 있어서 정답은 없습니다. 다만 저도 저 나름의 고민을 통해 내려보았던 생각들을 정리하고 선생님들과 이야기를 나눠보고 싶습니다. 이 글은 시리즈로 작성될 예정입니다. 시리즈로 작성될 글들을 통해서 여러분은 크게 세 가지 질문을 받게 되실 겁니다. 질문 하나하나 고민해보시고 글을 천천히 읽어내려 가시기를 권해드립니다.
시리즈의 그 첫 번째는 ‘인공지능에 대한 이해’입니다.
목차
1. 인공지능?
가. 개념의 도입
물론 현재에도 인공지능은 끊임없이 발전하고 있습니다. 하지만 우리는 현재 우리 주변에서 살펴볼 수 있는 것들을 중심으로 인공지능의 현 위치를 고민해볼 필요가 있습니다. 물론 훨씬 이전부터 여러 개념은 존재했습니다만, 1956년 다트머스 대학교에서 열렸던 학술회에서 인공지능의 개념이 처음 공식화 되었습니다. 존 매카시, 마빈 민스키 등의 학자들을 중심으로 이뤄졌던 이 학술회에서는 ‘사람처럼 생각하는 기계’라는 의미로써 인공 지능을 처음 언급하게 되었습니다.
나. 약한 인공 지능
현재 대부분의 인공지능은 ‘약한’ 의미로써의 인공 지능을 의미합니다. 그 기준은 중국인의 방 사고 실험을 기반으로 합니다. 어느 방에 영어만 할 수 있는 사람을 두고 그 안에 중국어로 적은 쪽지를 넣습니다. 그러면 영어만 할 수 있는 사람이 열심히 중국어 사전을 찾아가며 그 뜻을 해석하고, 거기에 알맞은 답을 중국어로 찾아서 적어 다시 방 밖으로 내놓습니다. 그럼 이 사람은 중국어를 이해한 사람일까요? 그렇지 않습니다. 다만 input에 대한 output을 내놓을 수 있는 사람을 의미할 겁니다.
다. 강한 인공 지능
‘강한’인공 지능은 튜링 테스트를 기준으로 판단합니다. 영화 이미테이션 게임의 주인공이 바로 앨런 튜링입니다. 1950년 그의 논문에서 처음 제안된 테스트로, 5분 동안 대화를 나눴을 때 컴퓨터인지 사람인지 구분이 어려웠다면 해당 컴퓨터가 사고를 하고 있는 것이라 판단하자는 내용입니다. 최초의 통과 프로그램은 2014년에 영국 레딩 대학에서 제작한 ‘유진 구스트만’이라는 프로그램이었습니다. 심사위원 중 33%가 인간이라 판단한 프로그램입니다. 이후로도 튜링 테스트를 바탕으로 한 다양한 인공지능들에게 ‘뢰브너상’이 수여되고 있습니다.
2. 인공지능, 어디까지 왔나?
가. 인공지능의 학습 방법, 머신러닝
인공 지능의 학습 방법 중 대표적인 것이 한 번쯤 들어보셨을 머신러닝입니다. 인간이 입력한 내용을 학습하는 방식으로, 학습한 내용을 바탕으로 해석을 하고 결정을 하는 학습법입니다. 예시로는 고양이 수 천장을 입력해준 뒤, 새로운 고양이 사진을 제시했을 때 인공지능이 고양이인지 제대로 판단하도록 하는 방법입니다. 이를 바탕으로 한 ImageNet Challenge라는 대회가 있습니다. 다양한 사진을 판단하여 에러율이 가장 낮은 인공지능을 선발하는 대회입니다.
우승 알고리즘의 에러율입니다. 사람의 능력이 평균적으로 5% 내외의 에러율을 보이는데, 이미 2015년에 사람의 능력을 뛰어넘는 알고리즘이 등장해버렸습니다. 그 에러율은 갈수록 낮아지고 있으며, 0%에 수렴해가고 있습니다. 이미 순간적인, 그리고 직관적인 판단에서는 머신러닝을 활용한 인공 지능이 사람을 뛰어 넘은 상태임을 알 수 있습니다.
나. 머신러닝의 발전, 딥러닝
딥러닝은 머신러닝이 발전한 형태입니다. 딥러닝을 이해하기 위해서는 퍼셉트론 이론과 다층 퍼셉트론을 간단하게나마 이해해볼 필요가 있습니다. 우리의 뇌세포를 생각하시면 정확합니다. 우리의 뇌세포는 발전해가며 주변에 있는 뇌세포에게까지 영향을 주게 되고, 서로 이어지며 하나의 거대한 신경망을 구축하게 됩니다. 이러한 퍼셉트론 이론은 제안된지 오래되었으나, 과거에는 하드웨어의 발달이 받쳐주지 못해 빛을 보지 못하다가 기기들의 발전으로 그 이론이 강력한 제안이었음을 현대에 확인할 수 있게 되었습니다. 인간이 제공해주는 정보들을 바탕으로 학습하는 것 까지는 머신러닝과 같지만, 하나의 아주 큰 차이점은 인간에 의해 학습한 내용을 바탕으로 스스로 학습이 가능하다는 점입니다.
이러한 기술을 바탕으로 흑백사진을 컬러로 바꾼다거나, 저해상도의 사진을 고해상도로 바꾸거나 하는 등의 높은 수준의 작업이 가능해지게 되었습니다. 현재 여러분을 놀라게 하는 여러 인공지능들이 바로 딥러닝을 기반으로 하고 있습니다. 예를 들면 전 세계를 충격에 빠지게 했던 알파고도 딥러닝 기반입니다.
다. 퀴즈대장, 왓슨
아마 인공 지능에 조금이라도 관심이 있으셨다면 한 번쯤 들어보셨을 프로그램, 왓슨입니다. IBM사에서 제작한 인공지능으로, 순수하게 퀴즈를 위해 만들어진 알고리즘입니다. 유명 퀴즈쇼인 ‘제퍼디’에 출연하여 우승을 했습니다. 왓슨의 학습량은 2억 페이지입니다. 2억 페이지라면 감이 오시나요? 우리가 흔하게 읽는 책 한권이 보통 300페이지 내외입니다. 2억 페이지라면… 대충 67만권의 책입니다.
사실 그것보다 더욱 충격적인 것은 왓슨의 처리 속도입니다. 왓슨은 1초에 책 100만 권 분량의 정보를 훑어냅니다. 사실 사람이 감히 상상하지 못할 수준의 학습량과 처리 속도입니다.
그럼 여러분에게 첫 번째 질문을 던져보겠습니다.
단순 지식으로 인간이 인공 지능을 이길 수 있을까요?
만약 이기지 못한다면 지식의 전달자로서 교사의 입지는 어떤가요?
사실 저도 강의를 준비하며 저에게 여러 질문들을 던져보게 되었습니다. 현대의 인공 지능이 그 끝을 알 수 없을 만큼 뛰어나고 대단하다면, 과연 우리 교사라는 직업이 살아남게 될 것인지 고민스러웠습니다. 현실을 바로 보고 감정을 조금 거둬내니 저 나름의 답을 내려볼 수 있었습니다.
현 시대를 이해하고 인정할 부분은 인정해야 한다고 생각합니다. 우리 인간은 단순한 지식으로는 AI를 따라잡기 어렵습니다. 다르게 이야기 하면 단순한 지식의 시대는 이미 끝났다고 생각합니다. 사실 제가 드린 첫 질문은 애초에 우리 교사들이 아이들을 대하고 가르칠 때 목표로 했던 것이 무엇인지를 다시 한 번 확실하게 알려주는 것 같습니다.
애초에 우리들의 목표는 학생들의 단순한 지식의 암기가 아닙니다.
교육과정을 짜실 때, 교과별 평가 계획을 짜실 때를 생각해보세요. 우리는 애초에 아이들의 단편적인 지식을 바라보고, 혹은 그것을 목표로 계획을 짜지 않습니다. 우리의 교육 목표는 단편적인 지식이 아닌 성취기준이며, 나아가 교과 역량입니다. 우리는 학생들이 주어진 지식을 활용하고 응용할 수 있는 역량을 기르는 것에 초점을 맞춰야 합니다. 인공 지능이 아무리 발전해도 우리 교사들의 역할은 변하지 않습니다.
이렇게 ‘인공지능시대! 초등교사로 살아남기 시리즈’ 1탄을 마무리하고자 합니다.
시대를 바라보는 선생님들의 눈에 조금이나마 희망이 보이길 간절히 바랍니다. 2탄에서 만나요!
아래 남겨드린 링크는 일종의 숙제(?)입니다. 읽어보시면 2탄을 이해하시는데 조금 도움이 될겁니다!
