고객 행사인 ‘AI in Action’ 컨퍼런스 개최
[정보통신신문=박남수기자]
주니퍼 네트웍스가 강화 학습, 지도 학습, 비지도 학습과 생성형 인공지능(AI)를 결합해 진정한 의미의 AI를 완성한다.
주니퍼 네트웍스는 고객 행사인 ‘AI in Action’ 컨퍼런스를 개최해 IT부문에서 AI의 역할과 미래에 대해 설명했다.
AI는 학습을 통해 지능형 기계를 만드는 과학적인 방법으로 사람이 감각을 통해 판단하는 방식을 구현하는 것이다. 때로는 인간이 실수하기 쉬운 영역에서 기계가 더 정확한 경우도 발생된다. 방화벽 로그 파일을 일일이 뒤져 비정상적인 작동을 찾아내는 것 같은 사소하고 반복적인 작업을 대표적인 예로 들 수 있다.
AI에 대한 가장 큰 오해 중 하나는 기계가 스스로 인식하고, 인간의 창의력과 이해력에 맞설 수 있다고 생각하는 것이다. 영화에 등장하는 미래적인 개념의 AI를 AGI(Artificial General Intelligence) 또는 스트롱 AI(Strong AI)라고 하는데 대부분의 전문가들은 AGI를 달성하기까지 수십 년이 더 필요하거나, 심지어 달성 가능성 자체에 회의적인 의견을 나타내고 있다. 현재의 AI는 기본적인 과제와 간단한 작업에 초점을 맞춘 한정된 기술 집합 수준이다.
여러가지 AI 형태 중 하나인 머신러닝(Machine Learning, ML)의 원재료는 정형/비정형 데이터다. 이번 ‘AI in Action’을 컨퍼런스를 위해 한국을 찾은 주니퍼 네트웍스의 예두 시다링아파(Yedu Siddalingappa) 테크 리드 스페셜리스트는 “ML은 크게 강화 학습(Reinforcement Learning), 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning)로 구성돼 있으며, 여기에는 어떤 형태의 훈련(Training), 검증(Validation) 또는 일종의 데이터 신호가 필요하다”라고 설명했다. 그는 세가지 구성요소에 대해 다음과 같이 정의했다.
강화 학습은 ML의 하위 집합 중 하나인 딥러닝(Deep Learning)의 형태지만, ML의 일반적인 형태로 인식된다. 기계는 더 나은 결과를 얻으면 보상을 받거나, 어떤 형태로든 긍정적인 표시를 얻게 된다. 예를 들어 사람이 피드에 있는 기사에 '좋아요'를 누를 때마다 기계는 긍정적인 피드백을 받는다. 이는 사람의 결정이 중요하다는 것을 강화해 기계를 최적화하도록 지원하는 것이다.
지도 학습은 ML의 가장 기본적인 형태로 기계에게 답을 알려줌으로써 기계를 가르치는 것을 뜻한다. 예를 들어, 사람과 컴퓨터를 구별하기 위한 ‘자동 계정 생성 방지 기술’인 캡차(Captcha) 같은 도구는 사진 속 피사체를 식별하는 데 사람을 사용한다. 이 데이터는 이후 기계가 스스로 이 작업을 수행할 수 있도록 정보를 제공한다. 그 다음 기계에 다양한 개 사진을 보여주면 이와 동일한 과정을 사용해 스스로 개를 식별하는 방법을 학습하기 시작한다.
기계는 비지도 학습을 통해 판단하기 어렵거나, 불가능한 패턴을 찾아내는 작업을 수행한다. 예를 들어, 기계는 다양한 고객의 구매 행동을 관찰할 수 있다. 이 경우 정답이 없기 때문에 블라인드 상태에서 학습을 시작된다. 기계는 데이터를 분류하고, 패턴을 찾아야만 학습할 수 있다.
AI 구현을 위한 세가지 학습은 메커니즘이 무엇이든 일정량의 데이터에 액세스해야 한다. 학습 데이터(Training Data)라고 불리는 이것이 많을수록 AI의 성능은 향상된다. 일반적으로 라벨링(데이터에 이름은 붙이는 작업)된 데이터는 지도 학습에, 라벨링되지 않은 데이터는 비지도 학습에 사용된다.
AI는 IT 부문에서 사용자/애플리케이션/인프라의 모니터링, 사용자 문제 및 악의적인 행동 추적과 관계없이 언제나 패턴 매칭과 대응에 집중해왔다. IT부문에서 AI의 역할은 반복적으로 패턴을 찾아 적절한 조치를 취하고, 위협이 식별되면 호스트를 격리하며, 사용자 경험이 저하될 시 근본 원인을 찾아 수정하는 것이다. 또한 문제가 발생할 때 IT 직원에게 알리고 사용자가 알아차리기 전에 해결할 수 있도록 지원한다. 리스크 관리 측면에서 사고 예방은 물론 이슈 발생 시 최적의 대응 시스템을 만들어 낸다.
주니퍼는 이처럼 사용자들이 진정한 의미의 AI를 갖추기 위해 다음 3가지 요소를 강조한다.
AI 는 학습을 기반으로 구현되고, 학습은 데이터로부터 시작된다. 따라서 고품질 데이터를 생산하고 사용하도록 설계된 시스템을 사용해야 한다.
AI는 데이터를 처리해야하기 때문에 클라우드에서 비롯된다고 해도 과언이 아니다. 완성도 높은 클라우드 시스템은 반드시 수반돼야 한다.
AI 시스템이 어떤 방법으로 학습하는지 살펴봐야 한다. 어떤 패턴을 식별하고 있는지, 데이터 사이언스 알고리즘은 얼마나 성숙하고 테스트가 됐는지, 명확한 워크플로우로 매핑돼 있는지는 무엇보다 중요하다.
AI 기반 네트워크 솔루션을 출시한 주니퍼 미스트(Mist)는 클라우드에서 클라우드로의 통합된 비지도 학습을 통해 최고의 운영 및 디지털 환경을 구현하고, 강화 학습과 지도 학습으로 문제 제기를 최소화하며, 클라우드 네이티브 플랫폼으로 가장 빠른 롤아웃(Rollout)을 구현할 수 있도록 로드맵을 완성해 나가고 있다.
특히, 주니퍼의 생성형 AI(Generative AI) 기반의 미스트 가상 네트워크 어시스턴트(Virtual Network Assistant, VNA)인 마비스(Marvis)는 사용자의 IT 운영 환경을 획기적으로 개선시켜 준다. ‘마비스’는 7세대 데이터 사이언스와 방대한 유선/무선/로케이션 네트워크 및 보안 전문 지식, 대화형 인터페이스를 결합해 사용자 경험에 대한 탁월한 가시성을 제공하며, 사용자가 인지하기 전에 문제를 감지해 해결하는 선제적 자동화를 구현한다. 주니퍼는 클라이언트에서 클라우드까지 예측 가능하고 안정적이며 측정 가능한 사용자 경험을 더욱 간편하게 제공할 수 있도록 해주는 마비스의 LLM(Large Language Models) 및 줌(Zoom) 지원 갖추고 있다.
주니퍼 네트웍스 예두 시다링아파 테크 리드 스페셜리스트는 “주니퍼의 생성형 AI는 2017년 마비스 대화형 인터페이스 개발을 기점으로 현재 LLM 요약형 공개 자료로 완성돼 있으며, 미래에는 대화형(Dialogue) 데이터 탐험 로드맵을 기반으로 구현될 것이다”라며 “강화 학습, 지도 학습, 비지도 학습이 마비스와 결합될 때 진정한 의미의 AI가 구현될 수 있다. 강화 학습은 놀라운 사용자 경험을 제공하고, 지도 학습은 IT 운영 경험을 개선하며, 비지도 학습은 풍부한 모바일 경험을 가능케 할 것이다. 이와 결합된 마비스는 사용자가 원하는 모든 내용들을 찾아주고, 문제를 해결하며, 비용을 대폭 절감하는 방법으로 효율성 기반의 완벽한 AI 시스템을 구현해 낼 수 있다”라고 말했다.
