취업면접도 AI가 하네..

현대차 'R&D 경력' 세자릿수 채용 AI인터뷰 적용

 

오늘부터 '87'개 분야 인재 모집 
전동화 통합제어 개발 대폭 확대
AI로 지원자 비언어적 요소 분석 

오늘자 디지털타임스 한 기사 중의 제목, 부제목입니다.

 

 

AI가 취업면접도 하는 세상

"이번 채용은 평가 객관성을 높이기 위해 인공지능(AI)을 활용한 사전 인터뷰를 진행한다. 지원자에게 질문하면 응답 과정에서 지원자의 표정, 행동, 음성 등 비언어적 요소를 AI를 통해 분석하는 방식이다. 현대차는 지원자를 보다 면밀하고 정확히 평가하기 위해 기존에 서류 전형과 직무 면접 사이에 진행하던 전화 인터뷰 방식을 AI 활용 화상 인터뷰 방식으로 변경했다."

 

위의 기사 내용을 보면서.. 이미 AI는 우리 생활 속에 깊숙히 들어온 줄 알고 있었고, 실제 일부는 사용하고도 있지만, 취업 분야에서 채용에도 이렇게 빨리(?) 활용될 줄은 몰랐습니다! 흥미롭기도 하면서 한편으론 대면이나 목소리로 인간만이 느끼고 판단할 수 있는 상황마저 평가 객관성이란 목적으로 AI가 역할을 하게 되는 상황들이 놀라움과 함께 우려로 다가오기도 합니다! 어쨌든 놀라운 속도로 발전하고 있는 IT기술이 인류의 삶을 더 풍요롭고 행복하게 만드는 그런 도구가 되기를 바라마지 않습니다!! 

 

그러면 취업면접도 하는 AI는 언제 시작되었고, 어떻게 구현되는지 개략적으로 한번 알아보겠습니다!

 

 

 AI(Artificial Intelligence 인공지능)이란?

우선 정보통신의 사전적 의미를 알아보면,  컴퓨터로 구현한 지능 또는 사람 및 동물의 지능이 컴퓨터로 모사될 정도로 세밀하고 정확하게 표현될 수 있다는 생각에 기반을 두며, 용어 자체는 1956년 미국 다트머스 대학에서 열린 워크샵 제안서에서 '존 매카시'가 처음 공식적으로 사용했습니다. 그러나 그 이전인 1943년 '워렌 맥컬로치'와 '월터 피츠'가 제안한 인공 뉴런(neuron) 모델에서 그 논리적 기능을 분석했고, 1950년 '앨런 튜링'은 튜링 시험(turing test)을 제안하여 생각하는 기계의 구현 가능성을 분석하였습니다. 

 

1970~80년대에는 전문가 시스템(expert system)에 대한 연구가 활발하였고, 1980년 중반에 역전파 알고리즘(backpropagation algorithm)의 재발견 이후 인공 신경망(ANN; Artificial Neural Network) 모델에 대한 연구가 활발해졌습니다. 1990년대의 인공지능 연구는 통계학, 정보 이론, 최적화 등 다양한 분야의 방법들을 활용하게 되었으며, 학습 이론 등 굳건한 이론적 토대를 갖추게 되었습니다. 

 

2000년대 들어 대규모 데이터를 이용한 기계 학습이 활발히 연구되었으며, 체스나 TV퀴즈쇼 참가 및 운전 등의 작업에 적용한 인공지능 기술이 사람과 대등하거나 더 우수할 수 있음을 입증하였습니다. 그리고 2010년 이후 컴퓨터 하드웨어와 학습 알고리즘의 발달은 심층 기계 학습(deep learning)모델의 구축을 가능케 하였으며, 이에 기반하여 바둑 및 영상에서의 객체 인식(object recognition) 등에서 사람보다 뛰어난 컴퓨터 프로그램이 개발되었습니다.

 

이렇게 인공지능 연구는 음성 인식, 바둑 등 특정한 분야에서 좋은 성과를 보이고 있으나, 아직 사람과 같은 지능을 갖추지는 못하였습니다. 그러나 생각하고 학습하고 창조할 수 있는 범용 기계를 만드는 것을 목표로 하는 사람 수준(human-level)의 인공지능 또는 범용 인공지능에 대한 연구는 계속해서 이루어지고 있습니다. 

 

인공지능 (AI) [출처 : 정보통신용어사전]

 

여기서 우리가 살펴봐야 할 것이 있는데, 바로 머신러닝(Machine Learning)과 딥러닝(Deep Learning)입니다.

 

머신러닝(Machine Learning)

먼저 머신러닝을 보면, 방대한 데이터를 분석해 미래를 예측하는 기술로 컴퓨터가 스스로 학습과정을 거치면서 입력되지 않은 정보를 습득, 문제를 해결하는 기술입니다. 이는 인공지능을 가능토록 하는 하나의 방법으로서 인공지능 AI가 좀 더 넓은 의미라고 할 수 있습니다. 머신러닝은 컴퓨터가 스스로 패턴을 찾아내어 새로운 분류체계를 만들면서 데이터를 분석해 의미있는 결과물을 내놓고 AI처럼 정교한 알고리즘만 뒷받침된다면 이 결과물을 토대로 예측까지 가능합니다.

 

머신러닝은 특정 단계 학습 시스템으로구성되는데, 첫 단계는 사전 정보가 없는 전혀 없는 상황에서 주어진 수많은 데이터를 비슷한 것끼리 분류합니다. 두 번째는 알고리즘을 활용해 군집 특징을 추출합니다. 세 번째는 이전 단계에서 구축된 알고리즘 구조를 쌓아 올려 더욱 복잡한 계층구조를 만들고, 수천 번 반복하는 방식으로 가장 최적화된 알고리즘 체계를 스스로 찾습니다. 

 

머신러닝 기술은 언어 번역이나 통역, 음성 및 이미지 인식 등 다양한 분야에서 응용되고 있으며, 스팸 메일을 걸러내는 것도 머신러닝이 관여합니다. 머신러닝은 지나간 결과 뿐만 아니라 앞으로의 행동을 예측하고 스스로 판단하도록 하는 점에서 빅데이터에서 한 단계 진화한 기술로 평가받고 있으며, 빅데이터와 결합하여 적용 범위가 넓어지고 미래 예측 능력도 갖게 된 것입니다.

 

이 예측 성공을 위해서는 확률을 높이고 오차는 줄이는 것이 관건인데, 머신러닝은 수 많은 반복학습을 통해 가능성을 높이고 있습니다. 최근에는 머신러닝 속도가 주목을 받고 있는데, 속도는 수 많은 센서에서 데이터가 자동으로 수집되는 사물인터넷(IoT) 시대를 맞아 머신러닝의 핵심요소로 떠올랐습니다.

 

머신러닝 [출처 : 정보통신용어사전]

 

 

이제 마지막으로 딥러닝에 대해 살펴보겠습니다.

 

딥러닝(Deep Learning)

딥러닝은 일반적인 기계학습 모델보다 더 깊은 신경망 계층구조를 이용하는 기계학습입니다. 주로 여러 개의 은닉층(hidden layer)으로 구성된 인공신경망을 활용하는데, 은닉층 수가 많아질수록 '깊다(deep)'라고 표현하며, 깊은 계층 구조는 얕은 구조에 비해 복잡한 함수를 표현할 수 있습니다.  이러한 구조는 인간 뇌의 신경 회로망을 모사한 것입니다. 

 

딥러닝은 문제를 해결하기 위해 스스로 필요한 특징을 찾아 적절하게 표현(feature representation)하는 학습 능력이 뛰어나 사진에서 개체 인식, 기계 번역, 바둑 등의 분야에서 기존의 기계 학습 모델을 뛰어넘는 성능을 보입니다. 다양한 심층기계 학습 모델이 존재하나 인공 신경망의 한 종류인 심층 신경망(DNN : Deep Neutral Network)이 널리 활용됩니다. 그 중에서도 콘볼루션 신경망(CNN : Convolutional Neutral Network), 심층 순환 신경망(deep recurrent neutral network), 심층 오토인코더(deep autoencoder) 등이 대표적입니다.

 

딥러닝은 1980년대 인공 신경망 연구가 활성화 되면서 시도되었으나, 1990년대에 제안된 심층 콘볼로션 신경망을 제외하고는 성공을 거두지 못하였습니다. 2006년에 '제프리 힌톤(Geoffrey Hinton)'은 심층 신념망(deep belief network)의 학습 알고리즘을 제안했는데, 이후 컴퓨터 하드웨어가 발달하고 효율적인 학습 방법을 개발하면서 빅데이터를 바탕으로 한 다양한 심층 기계 학습 모델들을 개발하여 사용하고 있습니다. 현재 딥러닝은 컴퓨터 비전, 패턴 인식, 자연어 처리를 비롯한 여러 분야에서 사용하고 있습니다.

 

딥러닝 [출처 : 정보통신용어사전]

 

 

 

이상으로 AI 인터뷰 기사를 보면서 AI 인공지능과 아울러 AI와 따로 생각할 수 없는 머신러닝과 딥러닝까지 살펴보았습니다. 앞으론 취업을 위해서 AI 면접 최적화 방법을 알고 공부해야 하는 것 아닌지 모르겠습니다!~ ^^

 

AI 분야 역시 제대로 한번 공부해 보고 싶다는 생각마저 드는데, 아무튼 전기 신호와 같은 0과1 비트로 움직이는 컴퓨터로 인간 뇌의 신경망 회로 영역까지 따라가는 IT기술이 경이롭기까지 합니다!~~