올 해 놓쳐서 아쉬운 주식 종목들이 여럿 있었습니다. 대표적인 종목을 하나씩 꼽아 보자면 한국은 삼성전자, 미국은 NVIDIA입니다. 그 만큼 그 기업들은 거침 없이 성장한 한 해였습니다. 특히 Machine Learning, Deep Learning의 성장세의 중심에는  NVIDIA가 있다고 해도 과언이 아닙니다. NVIDIA의 소식에 항상 귀를 기울이고 있어야 할 이유입니다.

NVIDIA의 최신 동향을 공유하는 ‘NVIDIA Deep Learning Day 2017’에 천 명을 훌쩍 넘는 개발자들과 Tech 업계 종사자들이 모였습니다.

NVIDIA가 큰 주목을 받고 있는 이유를 충분히 이해할 수 있었습니다.


[Image 1]







[Video 1. ‘GTC 2017: I Am AI Opening in Keynote’ 출처: NVIDIA YouTube Channel ]



각국을 순회하며 개최하고 있는 GTC 2017 GPU Technology Conference 에 사용되고 있는 Intro 영상입니다. 다양한 영역에서 NVIDIA가 펼치고 있는 활약이 집약되어 있습니다. 이 영상을 보고 있으니 영화 “Transcendence”의 한 장면이 떠올랐습니다. 몇 년 전만 해도 우리가 미처 상상하지 못했던 일들이 실현되고 있는 듯한 느낌이 강하게 들었습니다. 마치 신세계 같았습니다.

인상 깊었던 Shanker Trivedi SVP와 장병탁 교수의 강연 내용을 전해 드립니다.


Keynote, Shanker Trivedi (SVP of Enterprise Business)

PC, Mobile, Cloud를 거쳐 이제 AI의 시대가 왔습니다. 한 사람 당 한 대의 PC, 한 사람 당 여러 대의 모바일 기기를 거쳐 이제는 수 천 억 개, 수 조 개의 디바이스가 AI를 활용하게 될 것입니다.

AI 급성장에는 두 가지 변화가 있습니다. Deep Learning 자체는 꽤 오래된 것입니다. 그러나 과거에 데이터가 충분하지 않고 Computing power가 부족해 Algorithm을 효과적으로 사용하지 못했습니다. 이제는 데이터 급증과 Computing power의 성장으로 인해 Algorithm을 본격적으로 사용할 수 있게 되었습니다.

무어의 법칙2-3년마다 CPU 성능이 100% 증가한다는 것입니다. 그러나 최근 10년을 보면 성장율이 한 자리 수로 줄었습니다. 이제는 GPU가 성능을 극적으로 상승시키고 있습니다. 5~10년 후면 전통적 CPU Architecture보다 몇 천 배 성능이 좋아질 것입니다. GPUCPU의 가속화를 방해하기는 커녕, CPU가 주어진 일을 더 잘 하게 하는 역할을 합니다. 초기에 그래픽 처리에 한정되었던 GPU가 범용적 목적으로 사용을 확대해 가고 있습니다. GPU 개발자 수도 5년 전보다 15배 증가했습니다. NVIDIA는 개발자를 위한 GPU Platform CUDA를 제공하고 있으며, 그 영향력이 커지고 있습니다.

GPU Core는 수학을 잘 합니다. 대부분의 수퍼 컴퓨터들은 GPU를 사용하고 있습니다. 기술의 민주화를 위해 합리적 비용으로 대학들이 GPU를 사용할 수 있도록 하고 있으며, 과학적 발견 속도가 빨라지는 데 기여하고 있습니다. ‘Detection of gravitational waves’ ‘Cryogenic Electron Microscopy’2017년 노벨 물리학상과 화학상을 수상한 분들도 NVIDIA의 고객입니다.


[Image 2]


몬트리올 대학의 컴퓨터 과학자들이 2012ImageNet Competiton에서 GPU Deep Learning을 사용해 85%의 정확도를 달성했습니다. 1년만에 10%를 개선한다는 것은 기적과 같은 일이었습니다. 그 후 ImageNet Competition에서는 예외 없이 GPU를 사용하고 있습니다. Deep Learning  관련 논문 수는 3년 새 열 배 증가했습니다. 이미지, 동영상, 사운드, 보이스, 텍스트, 지도 등 여러 가지 데이터를 Input으로 사용하고 있기 때문에, 기존과는 전혀 다른 문제 해결법을 사용하고 있습니다.

그렇다면 얼마나 더 큰 Computing을 필요로 할까요? 2012ImageNet Competition에 사용된 AlexNet에 비해 새로운 Inception-v4 350배 더 큰 Computing power를 필요로 합니다. CPU만으로 처리할 수 없는 수준이기 때문에 GPU가 필요합니다. 신경망 처리는 GPU가 훨씬 효과적입니다.

Tensorflow, theano, Caffe2 등 다양한 Machine Learning Framework가 존재합니다. NVIDIA AI Platform NVIDIA Inception 2천 개가 넘는 Startup이 참여하고 있습니다. AWS P3 NVIDIA Volta를 사용합니다. GPU가 이제 Cloud를 통해 제공되는 것입니다. 더불어 NVIDIA GPU Cloud를 통해 Multiple CPU 상에서 Tensorflow를 사용하는 등의 작업이 더욱 쉬워질 것입니다.

많은 데이터를 Input으로 이용해 신경망 Training을 하면서 심화 신경망 모델이 나오며, Inference도 추출할 수 있습니다. 센서와 모바일 기기, 로봇, 무인자동차 급증으로 인한 Inferencing의 폭발적 증가가 예상됩니다. 하드웨어만으로는 수요를 해결할 수 없습니다. 실시간 Inferencing을 더욱 빠르게 하기 위해 TensorRT가 있습니다. Training 결과를 TensorRT에 넣으면 Inference graph를 최적화 해 줍니다. Graph Target device에 전달합니다. 데이터 센터 서버로 확대하면 전력과 비용도 엄청 절감할 수 있습니다.

화물 트럭, 택시, 비행기도 자율 주행을 하고 있습니다. RADAR, RIDAR, Camera, HD Map 등이 DRIVE AV 위에서 작동합니다. DRIVE WORKS SDK를 제공해 자율 주행차를 스스로 만들 수 있도록 합니다. 내년 초 공급 예정인 PEGASUS는 자동차 번호판 크기로, Level 5 주행 차량 협업에 활용될 것입니다.



[Video 2. ‘NVIDIA DRIVE Autonomous Vehicle Platform’ 출처: NVIDIA YouTube Channel ]



Powering AI Robots with Deep Learning, 서울대학교 장병탁 교수

AlphaGo는 아직 반쪽인 AI입니다. 몸이 없는 마음은 반쪽입니다. ‘Embodied Mind’를 갖출 때 온전한 AI가 될 수 있습니다. 최근의 시도들을 볼 때 이제는 Embodied Mind를 점점 갖춰 가고 있습니다.

프로그램 기반으로 데이터 처리를 따라갈 수 없는 수준이 되었습니다. Deep Learning AI가 필수적입니다. 따라서 AI Robot은 하나의 신사업입니다. 사람처럼 생각하고 행동하는 인공 지능 연구는 외부 인식, 행동 제어, Interaction, Computing power 연구를 수반합니다.

기존의 Machine Learning Feature Extraction 등을 인간이 수행했습니다. 이제는 따로 분리하지 않고 입출력만 주면 기계가 알아서 수행합니다. 이것은 일종의 혁명입니다. Algorithm을 스스로 짜기에 가능한 일입니다. Computing power가 좋아졌고, Deep Learning 기술이 발전했음을 보여 주는 대목입니다. Facebook DeepFace C 코드로 구현할 수 없습니다.

대니얼 카너먼은 사고의 형태를 System 1 System 2로 구분했습니다. 직관적, 감성적으로 빨리 생각하는 System 1이 의사 결정을 더 잘 할 때가 많다는 것입니다. 인공지능을 이러한 관점에서 살펴 보면 지금까지는 주로 System 2를 구현했습니다. System 1의 구현은 이제 시작입니다. AlphaGo가 큰 의미를 부여했습니다. 기본적으로는 System 2의 기술이지만, 그것만으로는 바둑 문제를 풀 수 없습니다. Machine Learning을 통해 System 1을 살짝 더한 것입니다.

뇌의 구조처럼 AI도 굉장한 수준의 병렬 처리가 필요합니다. GPU의 발전을 통해 가능해지기를 바랍니다.

 


인공지능과 의료의 만남, 그리고 공존, 서울 아산병원 김남국 교수

의료의 인공지능 개발은 굉장히 어렵습니다. 병원마다 의료 환경이 달라 표준화가 어렵기 때문입니다. 법적, 윤리적 제약과 수가 장벽 등도 어려움을 더하고 있습니다. 환자에게 실험하는 것은 의사만이 할 수 있는 일이라, 개발 사이클을 온전히 수행하기도 쉽지 않습니다.

다만 모멘텀은 존재합니다. 점점 더 오래 살고, 당뇨 환자가 급증하고 있습니다. 데이터는 넘쳐납니다. 병원들이 Big Data를 외치는 이유입니다. 하지만 대부분 비정형 데이터입니다. AI를 활용한 Big Data 분석이 필요합니다.

Google Google Tends를 기반으로 Flu Trends를 제공합니다. Facebook을 이용해 약물 중독 환자를 선별하는 시도도 행해지고 있습니다.

 

[Link 1. ‘Flu Trends, 데이터로 독감 따라잡기’]


병원 데이터의 상당 부분은 이미지입니다. 그 중에 가치 있는 데이터가 매우 많습니다. 의사들 역시 정확한 이미지 판별에 어려움을 겪을 때가 있습니다. 기계가 의사 평균 수준 이상으로 이미지를 판별할 수 있다면 전체적인 수준을 끌어올릴 수 있습니다. 속도 면에서는 기계가 훨씬 빠릅니다.


 

Eco System

발표를 들으면서 ‘Eco System’이라는 단어가 강하게 떠올랐습니다. Amazon, Facebook, Google을 넘어서는 거대 AI Eco System NVIDIA에 의해 형성되는 것은 아닐지 궁금해집니다. 기술적 Roadmap도 훌륭하지만, 여러 분야의 선두 업체들과의 협업이 굉장히 인상적이었습니다. NVIDIA와 손 잡지 않고는 AI 시대를 헤쳐나가기 어렵겠다는 생각이 들 정도였습니다. 2018년의 NVIDIA GTC도 기대가 됩니다.




티스토리 툴바