실리콘의 전문가
제 5 세대 : Edward Feigenbaum, Pamela McCorduck 공저, 윤진수 역, 홍익, 1983 (원서 : The Fifth Generation: Artificial Intelligence and Japan's Computer Challenge to the World, Pearson Addison Wesley, 1983), Page 99~148
일본인들이 지금 무엇을 만들려고 계획하고 있는가 하는 물음에 좀 자세히 대답하려면 우선 제 5 세대 컴퓨터의 중심부에 있는 것에 대해서 설명해야 할 것이다. 그곳에 있는 것은 인공지능의 응용이라고 할 <지식을 기반으로 하는 시스템> 이다. 그것을 생략하여 <지식기반 시스템> 이라고 부르기로 하자. 그것은 대체 무엇인가, 그것은 어떻게 하여 생겨난 것인가, 또 그것은 지금 어떤 모양으로 발전하고 있는 것인가 하는 문제들이 다음에 언급하려는 내용의 주된 테마이다.
어떤 의미에서 보면 인공지능의 연구는 그 모두가 응용과학이다. 왜냐하면, 실험의 결과가 이론을 지탱하지 못하면 또한 프로그램이 기대하는 바대로의 지적 행동을 보여주지 못하면 그 이론은 한낱 쓰레기에 불과하기 때문이다. 그 중에서도 지식기반 시스템은 응용과학의 색채가 특히 강하다. 대량의 특수한 지식의 응용을 특징으로 하기 때문이다.
예를 들면, 언어를 이해하는 시스템은 논의되고 있는 테마와 그것에 관련된 여러 가지 사실들을 알고 있어야 할 뿐만 아니라 의미론, 문맥론, 단어론, 음소학, 음성학, 그리고 사용하는 단어와 말하는 내용 등에 관한 실천적인 지식을 갖고 있어야 하며 또 말하고 있는 사람의 발음의 독특한 특징까지도 알고 있어야 한다.
앞에서도 언급했지만 인공지능의 연구가 진행되어온 방법은 지난 20 년 동안 크게 변했다. 그 변화를 한 마디로 요약하면, 사고에 대해서 광범위한 일반적 법칙을 탐구하려는 태도로부터 특수한 지식을 평가하는 입장에로의 전환이었다. 여기서 말하는 특수한 지식이란 사실이라든지 경험으로 얻은 지식, 또는 그것들을 어떻게 활용할 것인가에 관한 지식 등인데 그것들이야말로 지적 행동의 중심을 이루는 것이다.
하지만 우리는 이와 같은 전환이 반론의 여지가 없는 논의의 결과라고는 생각지 않는다. 설득력면에서 그것은 여구가들의 거부를 받을 여지가 많은 것이다. 그것보다는 오히려 특수한 지식을 다량으로 이용하는 시스템이 잘 작동한다는 사실에 의해 그와같은 전환이 일어났다고 보아야 한다.
인공지능 연구를 지식기반 시스템 연구로 전환시킨 것은 물리화학자의 손에 있는 데이터를 기초로 그 물질의 화학구조를 추리하는 전문가 시스템이었다. 그것을 만들려는 노력은 파이겐바움이 스탠포드 대학으로 옮겨온 직후인 1965 년부터 시작되었다.
그는 거기에서 기발한 아이디어로 세인의 주목을 받던 과학자인 레터헉크 교수를 만났다. 그는 유전학 전공으로 훨씬 전부터 과학적인 사고를 체계화하려는 자신의 연구를 위해 컴퓨터를 사용해 보려고 생각했었다. 두 사람은 화학적인 데이터로 분자들의 형태를 추리하는 사고 프로그램을 작성하기 시작했다.
얼마 후, 두 사람은 한 가지 사실을 주목하기에 이르렀다. 그것은 물리학에 관한 상당한 지식이 없이는 그 프로그램을 능률적으로 운영해 나갈 수 없다는 사실이었다. 그래서 두 사람은 스탠포드 대학의 우수한 물리학자인 카알을 동료로 끌어들였다. 그는 나중에 물리학자로서보다는 오히려 피임약의 개발자로 더 유명해진 사람이다.
컴퓨터, 유전학, 그리고 물리학이라는 3 개의 학문 분야에 걸친 이 연구진은 그 후 여러 해가 걸려서 전문가 시스템을 하나 만들어냈다. 이 시스템은 대단히 아는 것이 많았고 능률적이었으며 또한 화학적인 데이터를 기초로 문자 구조의 세부적인 면을 해명하는 능력에 있어서는 벌써 인간의 그것을 넘어서고 있었다. 그리고 그것은 이 시스템을 설계한 사람들의 능력조차도 뛰어넘고 있었다.
그 후 여러 해 동안 이 시스템은 세계 곳곳의 대학과 화학회사 등의 연구실에서 널리, 그리고 효과적으로 사용되고 있다.
그들이 만든 전문가 시스템은 분명히 강력하고 유용했지만 즉각적인 호응을 받은 것은 아니었다. 맥코덕은 1970 년대의 초기에 카네기메론 대학에서 파이겐바움의 강의를 들었던 때를 지금도 기억하고 있다. 그때 파이겐바움은 그 기계에 대해 설명하면서 그와 함께 가장 중요한 것, 즉 인공지능을 실현하기 위해서는 지식기반 시스템의 노선이 유효하다는 것도 언급했었다.
파이겐바움의 이 강의는 여러 가지 면에서 흥미있는 것이었다. 그는 대학에서 그 당시 연구생활을 하고 있었는데 강의에는 지도교수이며 파이겐바움에 있어서는 마음의 아버지이기도 했던 허버트 사이먼 교수도 가끔 청중 가운데 앉아 있었다. 이 사람은 나중에 경제학 분야에서 노벨상을 받은 사람이다. 그리고 또 거기에는 탁월한 컴퓨터학자나 우수한 인공지능 전문가도 많이 참석하고 있었다. 이들 중 대부분은 파이겐바움의 전문가 시스템 이론에 대해 대단히 회의적인 반응들이었다. 그들은 인공지능의 연구가 과학으로서 인정받기 위해서는 물리학이나 화학처럼 질서정연하며 발전이 가능한 일반법칙을 그 속에 포함하고 있어야 한다고 생각했었다.
이에 대해 파이겐바움은 이렇게 반격했다. 「여러분은 장난감에 대해서 연구하고 있습니다. 체스나 논리학에 관한 프로그램 연구는 그야말로 장난감에 관한 연구이기 때문입니다. 그것이 해결된다고 칩시다. 그러나 그것은 다만 장난감의 문제가 해결된 것에 불과합니다. 여러분이 성취했다고 자부하는 것은 단지 그것뿐입니다. 이제 우리도 현실을 직시하고 현실세계의 문제를 풀어야 하지 않겠습니까?」
파이겐바움은 마지막으로, 그런 사소한 것이 중요한게 아니고 그 사소한 것들이 사태를 변화시키는지 어떤지 판단하는 점이 중요하다고 역설했다.
대학원생들은 파이겐바움의 주장이 옳다고 생각한 듯 순간 웅성거리기 시작했다. 아무리 머리가 좋은 체스 프로그램을 만들었다 할지라도 그것은 끝내 머리가 좋은 체스기계에 불과하다는 파이겐바움의 주장에 동조하는 것 같았다.
그 후 지금까지 기계에 의해서 사고를 체계화하려는 연구, 즉 인공지능과 그것의 형제에 해당하는 인식과학은 최초의 4 반세기라는 기간 동안 많은 길을, 그리고 먼 길을 걸어왔다. 이 길을 통해 마침내 과학자들은 핵심적 명제에 도달했다. 그것은 이해력과 문제해결 능력, 그리고 학습력까지도 포함하여 인간지능의 모든 활동은 결정적으로 지식에 의존한다는 것이었다.
사물을 이해하기 위해서는 우선 알아야 한다. 또 알기 위해서도 우리는 우선 알아야 하는 것이다. 이것이 파이겐바움이 내린 결론이다.
당연한 말이지만, 지식기반 시스템은 특정의 과제에 관련된 여러 가지 지식을 대량으로 포함하고 있다. 흔히 전문가 시스템과 지식기반 시스템은 동일한 의미로 사용되고 있는데 정확히 말하자면 전문가 시스템은 지식기반 시스템의 일종이다.
그렇다면 전문가 시스템이란 무엇인가? 그것은 전문가와 같은 수준의 일을 할 수 있도록 지식과 능력을 조립해 넣은 컴퓨터 프로그램이다. 전문가의 일이란, 예를 들면 의학박사가 행하는 진단이나 치료, 이학박사나 경험이 풍부한 사람이 행하는 공학ㆍ과학 또는 관리 등에 관련된 일이다. 전문가 시스템은 그와같은 인간준문가에게 고도의 지적인 도움을 주는 것이다. 그러므로 그것은 지능적 조수라고도 불려진다.
전문가 시스템은 보통 어떤 일을 결정할 때까지의 사고의 과정을 보여줄 수 있도록 제작된다. 시스템 중의 어떤 것은 왜 저러한 사고의 과정을 버리고 이러한 사고의 과정을 선택했는가 하는 이유까지도 설명할 수 있게 만들어졌다.
이와같이 속이 훤히 들여다보이게 하는 방법은 전문가 시스템의 현저한 특징으로 되고 있다. 사용 여부는 이용자가 그것을 신뢰하는지의 여부에 달려 있는데 이 점은 누구보다 설계자들이 잘 알고 있으므로 처음 시스템을 만들 때 많은 주의를 기울이고 있다. 기계의 작동과정의 결과, 즉 사고의 과정을 잘 보여주면서 그것을 설명할 수 있다면 그것은 그만큼 신뢰성을 높이는 결과가 될 것이다.
지식기반 시스템과 전문가 시스템이라는 단어를 같은 의미로 쓴다는 것은 엄밀성을 따지기 좋아하는 과학자들의 기분에는 맞지 않을 것이다. 간단히 말하면 그림이나 단어를 이해하는 시스템은 대량의 지식에 의거하여 그와같은 인식이 가능하게 된다. 그러나 그 일을 함에 있어 인간의 전문적인 지식은 전혀 필요치 않다.
정상적인 인간은 눈과 귀를 갖고 태어난다. 그 눈과 귀의 깊은 곳에는 눈과 귀를 통해 들어오는 신호를 처리하는 도구가 갖추어져 있다. 그리고 인간은 그 신호를 이해하는데 필요한 지식을 곧 얻는다. 그러나 큰 건설공사를 관리한다든지 질병을 진단하고 치료한다든지 하는 것은 태어나면서 금방 알 수는 없는 일이다. 그것들은 전문적인 지식을 필요로 하며 그것을 배우는 데는 긴 시간이 필요하다.
그러나 과학자들 중에는 이와 같은 두 단어의 구별이 공론에 불과하다고 주장하는 사람도 많다. 이 단어들에 대해서는 국가에 따라서 약간의 차이가 있다. 이를테면 일본 같은 데서는 <지식공학> 이라는 말을 아주 좋아한다. 그것은 일본에서는 공학자들이 높은 지위를 차지하기 때문이다. 한편 영국에서는 공학자들이 그와같은 영광의 자리에는 있지 않다. 그래서 영국에서는 지식공학 같은 훌륭한 말 대신 전문가 시스템이라는 단어를 쓰고 있다.
전문가 시스템은 사고 내용의 대부분이 계산이 아니고 추론일 경우에 특히 잘 작동한다. 세상의 대부분의 일은 계산적이기보다는 추론적이다. 전문적인 일들이 일견 수식으로 꽉 짜여져 있는 듯이 보이지만 수학을 기초로 한 과학을 제외하고는 모든 분야가 다분히 기호론적이며 추론적이고 또한 경험적인 지식에 뿌리를 내리고 있는 것이다.
전문가들은 교과서나 강의를 통해서 얻을 수 있는 명백한 지식을 토대로 자신들의 전문지식을 구축하며 거기에다 풍부한 경험을 플러스시킨다. 그들은 동일한 일을 몇 번이고 반복하는 과정에서 실패도 하고 또 성공도 하며, 시간과 노력을 헛되이 바칠 때는 거기에서 시간과 노력을 절약하는 방법을 배우면서 문제 해결의 열쇠를 찾아 내기도 하고 어느 경우에 교과서의 지혜를 따라야 하고 어떤 경우에 그 원칙들을 벗어나야 하는지도 배워나간다. 이런 과정을 통해 그들은 경험이라는 고귀한 지혜 위에 삶의 법칙을 쌓아나간다. 바로 이것이 책에서 얻은 지식과 일치되면 그들은 마침내 전문가로서의 활동을 할 수 있는 것이다.
그럼 여기서 전문가 시스템이 어느 분야에서 어떻게 사용되고 있는지 자세히 알아보도록 하자.
전문가 시스템이 가장 널리 사용되고 있는 분야는 아마도 의학계통일 것이다. 현재 사용되고 있는 시스템 중에서 가장 지식집약적인 것은 피츠버그 대학에 있는 전문가 시스템이다. 일명 <도깨비 상자> 라고도 불려지고 있는 이 기계는 간단히 얘기하면 전문가와 같은 수준에서 환자를 진단하는 기계이다.
미국의 《뉴 잉글랜드 의학지》는 의사들의 공부를 돕기 위해 <임상병리의 실례> 라는 연재물을 싣고 있는데, 이것은 환자의 증상이나 검사결과 등을 자세히 기술한 다음 그 환자가 어떤 병에 걸려 있는지 기계로 하여금 판단하게 만든 기획물이다. 그 환자의 정확한 병명이 무엇인가는 시체 해부에 의해서 이미 알고 있는 것이기 때문에 의사들은 기계의 해답이 바른지 어떤지는 곧 알 수 있다.
<도깨비 상자> 는 실험 결과 환자의 병명을 거의 정확하게 대답할 수 있었다. 얼마 안 있어 의료의 현장에서 널리 사용될 이 기계는 내과질환의 500 여 병명과 3500 여의 증상을 암기하고 있다고 한다.
이 기계는 원래 숙련된 내과의사가 복잡한 의학적 문제를 풀려고 할 때 도움을 줄 수 있도록 설계되어진 것인데 앞으로는 지방의 진료소나 군인병원 등지에서 사용되거나 또는 우주비행 중에도 독자적으로 사용될 수 있을 것이다.
스탠포드 대학에도 의학의 전문가 시스템이 여러 개 설계되어 있다. <마이신> 이라고 이름붙여진 전문가 시스템은 혈액과 뇌막의 감염증을 진단할 수 있으며 한 발 더 나아가 그것을 치료하기 위한 항생물질에 관해서도 조언을 하고 있다. 다른 전문가 시스템과 마찬가지로 마이신은 이용자인 의사와 대화를 나누고 의사의 자문역도 맡는다. 의사들은 환자의 병력이나 검사결과를 마이신에게 가르쳐준다. 이런 것들은 컴퓨터가 추론할 수 없는 데이터들이다. 컴퓨터는 그것들에 관한 데이터를 다 배우고나서 그때서야 병명을 추론하기 시작한다.
컴퓨터가 왜 이런 진단을 내렸을까, 어째서 하필 이 약을 추천했을까 등에 관해서 의사가 미심쩍게 느껴질 경우에는 컴퓨터에게 추론과정을 물어 볼 수도 있다. 예를 들면 의사는 이렇게 묻는다.
「왜 내게 이런 말을 들려주는 거지?」
「어떻게 하여 이 결론에 도달했지?」
그러면 마이신은 적절한 대답을 알아듣기 쉽게 할 수 있으며 어째서 다른 추론은 버렸는가에 대해서 설명하게 된다. 마이신의 진단과 치료 솜씨는 감염증 전문의와 비슷한 수준이며 전문분야가 아닌 다른 의사들보다는 더 우수하다는 평가를 받는다.
폐를 전문으로 진단할 수 있는 컴퓨터도 생겼다. 이 컴퓨터는 현재 샌프란시스코의 패시픽 의료센타에서 사용되고 있는데 호흡이 곤란한 환자를 정확히 진단해낸다. 인공호흡기 관리보조장치라고 부르는 이 기계는 현재 대단한 신뢰를 받으며 사용되고 있다.
또 다른 전문가 시스템도 사용되고 있다. 그것은 인공호흡기로 호흡해야 하는 중증 환자에 관해서 시시각각으로 의사에게 어드바이스해주는 시스템이다. 이 장치는 환자의 상태를 요약해서 알기쉽게 의사에게 알려준다. 만약 환자에게 어떤 이상이 생기면 이 기계는 즉각 의사를 부르고 어떤 조치를 취하는 것이 가장 현명한 방법인지도 가르쳐 준다. 환자나 의사를 위해 그들이 바라는 목표에 접근할 수 있도록 큰 도움을 주는 기계인 것이다.
이 인공호흡기 관리보조장치는 환자에게 부착된 측정장치로부터 끊임없이 보내오는 많은 데이터를 기초로 하여 작동한다. 이 장치가 나오기 전에는 측정장치에서 나오는 데이터를 의사나 간호원이 일일이 모아야 했다. 데이터를 해석하는 데는 시간이 많이 걸리며 착오도 많았다. 더구나 그런 방법으로는 환자에 관한 정보의 양도 무척 제한적이었다. 인공호흡기 관리보조장치를 통해 의사는 환자나 환자를 위해 시행 중인 모든 일들을 끊임없이 파악할 수 있다. 그리고 환자의 과거 상태와 현재의 상태를 비교 분석할 수도 있다.
그외에도 심장병, 녹내장, 신장병, 관절염, 태아의 상태, 약품개발 등을 돕기 위한 전문가 시스템이 있으며 다른 분야에도 계속 확산될 기미를 보인다.
생물학의 분야에서도 유전자를 배양하기 위한 방법에 관해서 조언하거나 분자생물학자가 DNA 의 고리에 관한 데이터를 분석하는 일 등을 돕는 전문가 시스템이 사용되고 있다. 그것은 모레큘러 제네틱스 (molecular genetics) 라는 영어를 단축하여 <몰젠> 이라 불리운다.
몰젠은 유전과 배양실험의 목표에 관해 기술한 문장을 집어 넣으면, 그것을 달성하기 위한 몇 개의 「과연 그렇구나!」라고 생각되는 실험계획을 작성해주는데, 그 배양을 실험실에서 실행함에 있어 필요하고 복잡한 절차를 상세하게 연구가에게 가르쳐준다. 몰젠이 갖고 있는 광범위한 지식은 현대 분자생물학의 <지적 백과사전> 으로 이용된다. 이 몰젠도 대학이나 산업계의 분자생물학과 유전자공학의 연구실에서 널리 사용되고 있다.
단어와 영상을 이해하는 컴퓨터를 개발함에 있어 지식을 기초로 하는 방법을 시도한 지는 이제 상당히 오래 되었다. 하나하나의 단어를 듣고 알 게 할 뿐만 아니라, 계속해서 말한 단어를 컴퓨터에게 이해시키려는 연구는 카네기메론 대학 등에서 1970 년대에 시작되었는데, 언어학적 지식만이 아니라 대화의 내용에 관한 지식을 설계자가 컴퓨터에게 줄 수 있게 된 후에, 이 연구는 성공할 수 있었다.
대화를 이해한다는 것은 신호를 이해한다고 하는 문제보다 더 넓은 의미를 지닌다. 신호는 마이크로폰이나 텔리비전카메라 뿐만 아니라 여러 가지 기계로부터도 나올 수 있기 때문이다.
국방분야에 관계 있는 전문가 시스템도 있다. 그 중의 하나는 <수동적 음향탐지 시스템> 으로 그 본질적 부분은 이미 공표된 바 있다. 그것은 잡음이 많은 바다 속의 소리를 해석하기 위해서 설계된 것이다. 종래의 컴퓨터 방식으로 통계학적인 기술을 이용해서 그와같은 일을 하려면 고가의 초고속 컴퓨터가 필요할 뿐만 아니라 그런 비싼 컴퓨터를 사용해도 문제가 해결될지 어떨지는 의문이다. 초고속 컴퓨터를 몇 시간이고 작동시켜서 음향 탐지기로 얻어낸 대량의 신호에 대해서 상호관계나 자기상관을 밝히려 해도 아무런 의미가 없을런지 모른다.
실례로, 올바른 해석을 내리기 위해 필요한 정보의 대부분은 그와 같은 신호 속에 포함되어 있지 않다. 그것은 그 경우의 상황에 관련된 지식 속에 포함되어 있는 것이다. 그것은 대체 어떤 지식일까, 그것은 선반 위에 놓여 있는 두터운 보고서 속에도 있으며 첩보원이 수집해오는 정보 속에도 있다. 예를 들면, 부근의 감시소에서 어제 무엇을 보았는가, 어떤 것이 정상상태인가, 지금은 여름인가 겨울인가, 상선의 출입에 관해서 신문은 어떤 기사를 쓰고 있는가 등의 지식이 필요한 것이다. 대량의 잡음들 속에서 미세한 신호를 포착하기 보다는 위에서 말한 모든 지식을 토대로 하여 추론하는 것이 더욱 중요하다.
이 시스템을 국방성의 과학자들이 실험해 보니 인간 정도의, 때로는 인간 이상의 능력을 보여주었다. 설계자들의 말에 의하면 지식을 토대로 추론하는 방법을 구사하여 영리하게 일을 하는 컴퓨터는 전문가의 사용시간보다 100 분의 1, 또는 1000 분의 1 로 단축할 수 있다고 한다. 이것은 국방예산의 커다란 절약을 의미한다.
이와 마찬가지로 <영리하게 해낸다> 는 것으로 절약이 가능하다는 것은 화학분야의 경우에도 분명해졌다. 화학과 질량 분석의 방법에 관해서는 참으로 많은 것을 알고 있으며 또 대단히 계통적으로 추론한다. 해상도가 좋지 않은 질량분석계의 데이터로부터도 화학구조의 문제를 풀 수 있다. 화학자가 그 일을 하는 경우에, 고해상도와 질량분석계의 데이터가 없으면 손쉽게 문제를 풀지 못한다. 그러나 기계는 값이 싼 저해상도의 질량분석계와 지식기반 시스템을 결합하여 조립시키면 값비싼 고해상도 질량분석계와 같은 일을 해내는 것이다.
전문가 시스템은 두 가지 종류의 문제를 푸는 데 있어 뛰어났다. 그 하나는 순열조합의 문제이다. 모든 경우의 수를 하나하나 센다고 하는 직접적이며 지능적이지 못한 방법을 취한다면 그것이 폭발적인 수효에 달려 미처 처리할 수 없는 경우가 많다. 그 실례의 하나가 체스이다. 일반사람들은 「컴퓨터는 체스의 말이 움직일 수 있는 모든 경우를 예측하면서 말을 놓는다.」는 틀린 생각을 갖고 있는 수가 있지만, 체스의 말이 움직임에 있어 성공확률은 겨우 10 의 120 제곱의 가능성이다. 지금 가동하고 있는 것 중에서 가장 빠른 컴퓨터를 사용해도 태양이 다 타 버리기 전에 모든 가능성을 다 살펴본다는 것은 불가능할 것이다. 순열조합의 폭발은 어디에나 있다고 생각된다.
그러나 인간의 마음은, 쓸모없다고 생각되는 그 가능성을 믿고 하나하나 해석을 진행시킨다. 인간은 탐구하여 해답을 구함에 있어, 여러 가지 방법으로 쓰여져 있는 지식을 이용하고 있을 수 있는 모든 가능성에 초점을 마춘다. 게다가 인간은 경험에서 얻은 법칙도 이용한다. 그렇다고 해서 올바른 해답이 구해진다는 보증이 있는 것은 아니지만, 인간은 일반적으로 그렇게 하면서 올바른 해답에 접근해갈 수 있다.
예를 들면, 당신이 키우고 있던 개가 없어졌다고 가정해 보자. 당신은 아마 집 부근에서 개를 찾아볼 것이다. 그리고나서 거리의 동물수용소에 전화를 걸 것이며 마지막으로 신문에 <잃은 개를 찾음> 이라는 광고를 낼 것이다. 그런데 만약 당신이 샌프란시스코에 거주한다면 거기에서 400 킬로미터 떨어진 로스앤젤리스나 600 킬로미터 떨어진 네바다주의 리노동물수용소에 전화를 걸거나 하지는 않을 것이다. 개가 잘못하여 배에 실려져 바다를 건너게 될 가능성도 통계적 확률로 없지는 않다고 하여 런던의 동물애호협회에 전화를 걸지는 않을 것이다.
전문가 시스템이 잘 해낼 수 있는 두 번째의 인공호흡기 관리보호장치나 그밖에 이미 작동하고 있는 지식기반 시스템들처럼, 대량의 데이터 신호를 해석하는 일이다.
이 두가지 종류의 문제는 산업계에서 흔히 볼 수 있는 문제이다. 따라서, 적은 이익이라도 놓칠세라 염려하는 사람들이라면 전문가 시스템의 이용법에 곧 주목하게 될 것이다.
대학의 경제학 강의에서 처음으로 배우는 것 중 하나는 <비교적 경제이익의 법칙> 이라는 평범하지만 중요한 법칙이다. 「기계는 그것이 인간보다 값이 싸게 먹힐 경우, 인간을 대신한다.」는 것은 이 법칙의 간단한 보기이다. 돌파구를 찾으려면 비교적 값이 싼 기계나 비교적 비싼 인간을 찾으면 된다는 것이 이 법칙의 결론이다.
지금, 마이크로 일렉트로닉스 회사는 마치 책을 인쇄하는 것처럼 문자 그대로 칩에다 컴퓨터를 인쇄하고 있다. 이런 일은 비교적 값비싼 인간, 즉 전문가에 의해서 진행된다. 우리 사회에서 가장 값비싼 인간은 전문가이다. 그들이 비싼 이유는 그들의 작업이 가져오는 부가가치가 크기 때문이다. 또 전문가를 양성하기 위해서는 장기간에 걸치는 교육과 훈련, 그리고 경험이 필요하다. 따라서 전문가의 수효는 적다.
그러므로, 전문가 시스템은 경제에 커다란 충격을 줄 가능성이 있다. <비교적 경제이익의 법칙> 은 우리들에게 이 사실을 가르쳐 준다. 또 전문가 시스템을 사용하면 인간의 노력의 가치가 부가되므로 이 사실도 주의깊게 보아야 한다고 비교적 경제이익의 법칙은 우리들에게 가르쳐준다. 그것은 그 외에도, 값싼 지적 조수를 사용하면 커다란 경제적 이익을 얻는 분야가 있으므로, 그 분야에 눈을 돌려야 한다고 가르친다.
전문가 시스템의 기술을 일찍 채용한 회사 중에는 자기 회사의 일들을 조사하여 과연 어디에 돌파구가 있는가를 찾으려고 하는 사람들이 많다. 어떤 회사 사장이 이것을 다음과 같이 대변한다.
「그것은 금덩이가 굴러다니는 들판을 걷는 것과 같다. 허리를 굽혀 금덩이를 줍기만 하면 된다. 땅을 팔 필요조차 없다. 단지 하나의 문제는 틀림없이 큰 것을 주어야 한다는 것이다.」
지식기술은 소프트웨어의 기술과 비슷하다. 아니, 그보다는 여러 가지 지면에서 훨씬 진보한 소프트웨어의 기술이라고 사람들은 말한다. 소프트웨어는 투자가들을 흥분시켰다. 새로운 산업 중에서 그것처럼 투자가들을 들끓게 한 것은 일찍이 없었다. 그 흥분의 이유는 간단하다. 이 산업에서 살아남는 회사의 경우, 투자자본과 비교해서 엄청난 이익을 낼 수 있는 것이다. 투자자본을 분모, 이익을 분자로 하면 분자가 때로는 대단히 큰데, 경우에 따라서는 보이지 않을 만큼 것도 있었다. 그런데, 이런 이익을 만든 투자자본, 즉 분모는 놀라울 정도로, 정말 놀라울 정도로 적은 것이다.
소프트웨어는 수많은 근로자가 작업하는 공장에서 만든 것도 아니며 생산을 위해서 거대한 자본이 필요한 것도 아니다. 소프트웨어는 작으마한, 보통의 가구를 갖춘 사무소에서 머리좋은 몇 사람에 의해서 만들어진다. 그들은 중형의 컴퓨터 단말기를 사용하여 작업하며, 또 경비가 많이 들지 않는 컴퓨터를 사용하여 일을 한다.
그들의 <생산> 은, 개발한 소프트웨어를 컴퓨터의 속도로 테이프나 디스크에 복제하는 일이다. 그들은 차고 속과 같은 지저분한 사무실에서 소프트웨어를 만들며 컴퓨터 잡지에 광고를 내고 컴퓨터 전문점을 통하거나 하여 그것을 판매한다. 필요한 자본은 적으나 이익은 매력적인 크기에 달한다.
어느 회사의 경우, 그 이익률이 무한 대에 접근하고 있다고 한다. 컴퓨터는 소프트웨어가 없으면 아무것도 할 수 없다. 그러나 좋은 소프트웨어를 만들어내기는 어렵다. 따라서 소비자 취향의 제품에는 큰 부가가치가 붙는다. 거기다 판매관리까지 잘만 한다면 엄청난 이익은 보증된거나 다름없다.
전문가 시스템은 소프트웨어와 다른 의미의 경제가치를 지닌다. 어떤 종류의 이익은 사전에 이미 확실한 것일 경우가 있는 반면, 어떤 이익은 그 결과가 애매할 수 있다. 여기서 우리는 산업상의 몇 갖기 전형적인 문제를 보기로 하자. 그리고 전문가 시스템이 어찌하여 수백만 달러의 이익상의 차이를 가져오는지도 보기로 하자.
사례 1.
전문지식의 획득, 복제, 분배문제
「새로운 사업을 벌일 좋은 기회가 있다. 우리에겐 이 사업을 감당하기에 필요한 전문가들이 충분하다. 하지만 그것만으로는 완전치 않다. 만약 지금 고용하고 있는 전문가로 하여금 다른 사람들을 훈련시키려면 시간이 너무 걸릴 것이다. 전문가가 가지고 있는 지식은 다른 사람이 직접 배워서 이해할 수 있을 정도로 쉽지 않으며 또 문장으로 쓰여질 수도 없다. 한 사람을 전문가로 키우기 위해서는 그를 여러 해 동안 훈련해야 하며 풍부한 경험을 쌓게 해야 한다.」
A 회사는 새로 굴착한 유정의 암석, 석유, 가스 등에 대하여 물리적 측정을 하는 회사이다. 그 일은 벌이가 좋은 큰 사업인데 A 사는 이 분야에서 세계 제 1 위이다. 이 회사는 얼마전에 고객인 석유회사들에게 「지금까지 실행했던 측정과 실험의 결과에 관해서 해석을 가하는 일을 시작한다.」고 통지했다. 이 회사는 이미 열 개가 넘는 현장 해석센터를 설치하고 이런 서비스를 제공하고 있다. 이 여러 센터에는 몇 사람의 해석전문가가 붙어 있어야 한다. 미국과 프랑스에 있는 이 회사의 지식 공학자들은 지향사와 암석을 해석하는 시스템을 만들어냈다. 그리고 더 많은 전문가 시스템을 만들기로 계획하고 있다.
A 사의 K 회장은 「우리가 인공지능의 일을 시작하는 것은 석유탐사의 붐이 일어난 것과 마찬가지로 우리의 사업에 있어 중요한 것이다. 그 일은 우리들의 매상고를 자릿수가 다르게 큰 것으로 만들어 줄 것이다.」라고 말하고 있다.
이와같은 변화는 커다란 경제적 가치를 만들어낸다. 컴퓨터와 통신회선을 사용한 이 서비스는 1 년에 20 억 달러의 매상을 올리고 있다.
A 사와 경쟁관계에 있는 B 회사는 해석의 질을 어떻게 보증하느냐에 성패가 달렸다고 보고 있다. 유정을 굴착하는 일은 큰 돈이 든다. 따라서 고객들은 「해석의 질이 최선의 것이어야 된다.」고 요구하고 있다. 그런데, 이와같은 측정기술에는 애매한 것이 많다. 그 일을 잘 해내기 위해서는 유정의 굴착작업 현장에 전문가를 파견해서 밤낮을 가리지 않고 열심히 일하도록 해야 한다. 정확한 측정을 못했을 경우에 고객에게 돌려주는 돈은 회사로서는 언제나 두통거리이다. 이 경우에 1 년간 4000 만 달러의 손해를 감수해야 한다.
이 문제의 해결책은 철야작업과 근면을 장려하는 정신 운동으로 되는 게 아니다. 그것은 지금 현장에서 작업하고 있는 그다지 전문가가 아닌 사람들의 곤란하고 싫증나는 일을 전문가 시스템의 어깨에 넘겨주는 것이다.
프랑스의 국영석유회사는 굴착회사와 계약하여 유정을 파고 있는 데 굴착회사가 새로운 유정의 심부에서 문제에 부딪히면 곧장 자기 회사의 전문가를 굴착 현장에 파견한다. 왜냐하면, 문제를 해결함에 있어 착오를 범하면 금전적인 면에서나 시간면에서나 대단히 큰 부담을 안게 되기 때문이다.
유전 굴착의 경우, 굴착작업을 진행하는 과정에서 생긴 문제를 잘 해결하지 못한 결과로 100 만 달러 내지 200 만 달러를 들여서 판 유정을 포기하거나 혹은 방향을 바꾸거나 해야 하는 경우가 드물지 않다.
프랑스 국영석유회사의 전문가들은 비행기를 타고 끊임없이 현장에서 현장으로 날아다닌다. 전문가의 도착을 기다리며 굴착 현장에서 쉬고 있는 굴착기계와 어슬렁거리는 사람들의 경비는 하루에 10 만 달러 이상에 이른다. 그래서 이 회사는 <굴착조언자> 라는 이름의 전문가 시스템을 개발했다.
이 전문가 시스템은 유능한 굴착전문가의 협력을 받아 만들어진 것인데, 여러 가지 굴착문제를 진단하며, 수정처리 방법도 조언한다. 또 그것은 동일한 일을 반복하지 않게 하는 예방책에 대해서도 조언한다. 이 분야에서의 전문가 시스템의 경제적 가치는 엄청나다. 이 회사는, 「전문가 시스템의 연구와 개발에 소요된 경비는 이 시스템이 현장에서 단 한 번만 효과적으로 작동하면 되찾을 수 있다.」고 생각한다.
전문가 시스템의 가장 중요한 응용 중의 하나는 기계를 수리하는 사람들을 돕는 일이다. IBM 사의 현장 기술부는 컴퓨터의 고장을 진단하고 수리하는 전문가 시스템을 개발했다. 제너럴 일렉트릭사도 기관차 고장에 대해서 그와 같은 일을 하는 전문가 시스템을 개발했다.
그러한 전문가 시스템에 대한 수요는 경제적 이익을 도모하는 분야뿐만 아니라 국가의 안전을 보장하는 분야로부터도 나오고 있다. 미국 군대에서는 병기를 수리하는 전문가들이 군대를 그만두는 경우가 많고, 신병들이 필요한 경험을 쌓을 시간이 짧다. 그렇기 때문에 거기에서는 그들이 수리해야 할 현대병기의 기술은 발달하고 있는데 반하여 신병들이 받는 교육수준은 떨어지고 있다는 모순이 생긴다. 그래서 병기를 전문으로 수리하는 컴퓨터 시스템이 탄생되기에 이르렀다. 필요는 발명의 어머니인 것이다.
사례 2.
여러 가지 전문지식의 융합문제
「문제의 전반에 걸쳐서 폭넓은 전문지식을 갖고 있는 전문가는 한 사람도 없다. 그 문제는 몇 사람의 전문가들이 협력하여, 각자의 전문지식을 지능적으로 융합하지 않으면 해결할 수 없다.」
히다찌 제작소는 지식을 융합하기 위한 시스템 두 개를 개발하고 있다. 그 중 하나는 집적회로의 칩을 생산할 때 생기는 제도상의 문제를 진단하는 시스템이다. 마이크로 일렉트로닉 (Micro Electronic 극소 전자공학) 의 칩을 제작함에 있어서는 허용오차의 한계는 극히 적다. 그것은 인류가 물건을 만듦에 있어서 허용될 수 있는 최소의 오차라고 말할 수 있을 정도이다. 그 일에 있어서는 극히 높은 정밀도가 요구되기 때문에 생산된 칩 중의 많은 것이 불합격품이 된다. 칩의 좋은 합격률은 이익에 큰 관계가 있다. 따라서 칩의 결함을 끊임없이 분석해야 한다. 만약 좋은 칩의 비율이 계통적으로 낮아지면 관련된 과학, 기술, 제조의 전문가들이 분석의 결과를 가지고 모여서 가능한한 신속하게 원인을 진단하고 수정조치를 취해야 한다. 이 진단은 때로는 며칠 또는 몇 주간이 소요되는 경우가 있다. 그동안 고가의 생산설비는 정지될 수밖에 없다. 만약 이와같은 전문가의 분석결과와 판단을 전문가 시스템으로 신속하게 융합할 수 있다면 커다란 경제적 이익을 가져올 수 있을 것이다. 약간의 개량으로도 연간 수백만 달러의 이익에 관계될 것이다. 히다찌 제작소는 대규모의 건설공사에도 손을 대고 있는데 이와같은 개설공사를 설계하고 관리함에 있어서는 공학, 설계, 개설 등의 여러 분야의 전문가들이 협력하여 각자의 계획을 하나로 통합하며 잠재적 문제들과 일어날 수 있는 위험 등에 관해서 판단해야 한다. 이런 위험을 분석하기 위해서, 히다찌 제작소는 <위험 해석 시스템> 이라고 불리우는 전문가 시스템을 개발하고 있다.
사례 3.
복잡한 문제의 관리와 전문지식의 증폭
「우리들의 문제는 수없이 혼합된 조합을 포함하고 있다. 그 조합을 조사해 보아야 하는데, 그 수가 너무 많음으로 무엇인가를 간과하고 말 위험이 있을지도 모른다. 우리의 전문가들은 우수하지만 그들로서는 반드시 완전하다고 할 수는 없다. 컴퓨터가 문제를 훨씬 더 잘 해결할 수 있을지도 모른다.」
언제나 그렇다고는 말할 수 없지만, 많은 요인이 있고 또 그것들이 복잡하게 짜여진 문제를 해결함에 있어 전문가 시스템은 때로는 인간 전문가보다도 더 잘 해낸다.
특히 그것이 순열조합적인 대량의 시행착오를 포함하는 문제인 경우에는 더욱 그렇다. 컴퓨터는 문제의 요소를 체계적으로 시험해나간다. 데이터의 해석, 가설의 작성, 진단, 설계, 배치 결정의 문제 등도 마찬가지이다.
DEC (디지털 기기회사) 는 컴퓨터를 만들고 있는데 고객들의 개별적인 요망에 응하기 위하여 거의 전부의 컴퓨터를 어느 정도 특별 주문의 형태로 만들고 있다. 따라서, 각각의 컴퓨터를 어떤 방식으로 형성할까 하는 것은 언제나 새로운 문제로 대두된다. 이 문제를 해결하려면 수 많은 조각들을 모아서 다수의 컴퓨터 모듈 (module) 을 조합하여야 한다. 디지털 기기회사의 기술자들은 이 컴퓨터의 생산계획을 세우는 일에 모듈의 조합에 관한 전문가 시스템을 사용하고 있다. 그 전문가 시스템은 그 일을 함에 있어, 전체의 99 % 이상을 올바르게 계획했는데, 놀랍게도 이것은 제조전문가보다 우수한 기록을 세운 것이라 한다.
이렇게 하면, 문제의 해결은 신속하게 되고, 자금이 그다지 많이 들지도 않으며, 게다가 경비를 증가시키는 결함을 피할 수 있으므로 절약이 된다. 결함은 고객의 주문을 받을 때에 발생하는 경우가 많다. 이런 결함은 컴퓨터의 생산에 착수한 후보다는 주문을 받을 때에 발견하는 편이 좋다. 일단 주문을 받고 나면, 착오가 있든 없든 제품을 제작하는 경비는 회사가 부담해야 한다. 따라서 디지털 기기회사는 그 전문가 시스템을 영업부의 사람들에게 사용하도록 했다. 이런 시도에 의하여 디지털 회사가 달성한 절약액은 1 년간 수백만 달러에 이르고 있다.
유전의 정보는 DNA 가 맡고 있는데, 그것은 A, C, G, T 의 네 문자적 짜임으로 나타낸다. 현대의 분자유전학은 동물이나 식물의 DNA 의 문자 배열을 결정하는 효과적인 방법을 갖고 있다. 그리고 수천이나 되는 DNA 의 배열형태가 데이터뱅크에 들어가 있다. 그런데 하나의 DNA, 혹은 몇 개의 DNA 의 그와같은 문자 배열 중에서, 여러 가지 의미로 어느 것이 흥미로운가를 결정하는 일은 싫증이 나며, 어렵고 또 틀리기 쉬운 일이다. 가장 우수한 전문가일지라도 이 일을 좋아하지 않으며 그다지 잘 되지도 않는다.
유전공학은 새로운 분야이며 급속한 발전을 이룩하고 있지만, 그 전문가의 수는 많지 않다. 그러한 많지 않는 전문가의 귀중한 시간을 절약하는 데에 이 프로그램이 쓰인다. 그뿐만 아니라 그것은 일을 철저하고 정확하게 한다는 점에서 인간전문가들보다 우수하다. 이 프로그램의 개발로 얻은 보수는 초기의 연간 매상고 100 만 달러라는 숫자에 나타나 있다. 이 회사의 고객인 유전공학이 성숙해감에 따라 매상고는 더 크질 것이다.
누구나 잘 알고 있는 미국의 한 기업이 최근에 처음으로 전문가 시스템의 개발계획에 착수했다. 이 시스템의 과제는 증기로 운전되는 발전시설의 고장을 거기에서 나오는 여분의 증기의 화학적 측정으로 진단한다는 것이다. 이 전문가 시스템의 초기의 것이 완성되려면 아직 멀었지만, 1981 년에 실제로 일어났던 발전소의 고장과 운전정지의 데이터를 기초로 실험을 해 보니, 이 시스템은 고장의 올바른 진단을 단 몇 초 안에 해냈다. 즉 그 이전의 운전 정지의 원인이 된 실제의 문제를 맞추어내었던 것이다. 물론, 그것 자체는 그렇게 대단할 것 없다. 왜냐하면, 그 진단이 극히 복잡한 것은 아니기 때문이다. 그런데도 전문가들은 올바른 진단을 내릴 수 있는 추론 과정을 여러 날이 지나도록 발견하지 못했었다. 이것과 비교하면 전문가 시스템은 훌륭하다고 할 수 있다. 그 발전소는 실제로 나흘 동안 폐쇄되었었다. 전력회사는 그 일 때문에 120 만 달러나 손해보았다. 그때에 전문가 시스템이 작동하고 있었다면 이러한 손해의 대부분은 피할 수 있었을 것이다.
사례 4.
지식의 관리 문제
「우리 분야에서 어떤 훌륭한 일을 하려고 생각한다면 대단히 많은 것을 알아야 한다. 이것이 우리들이 직면한 문제이다. 지금 이용하고 있는 지식은 자주 변하며, 최신의 지식을 익히기는 어렵다. 그런데 알지 않으면 안되는 여러 가지 측면이나, 예외, 그리고 세분화된 전문지식도 있다. 만약 우리들이 필요한 지식을 갖고 그것을 정연하게 이용할 수만 있다면 문제를 푸는 일이 그처럼 어렵지는 않을 것이다.」
여기에서 또 하나의 회사를 보기로 하자. 이 회사에서는 기술자들이 복잡한 시스템을 설계하고, 제조 파트가 그것을 만들면 판매부처의 사람들이 팔고 있다. 이 회사도 누구나 알고 있는 미국의 대기업으로, 사무용기계를 제작한다. 여러 가지 부품을 연결하여 시스템을 만들거나, 대회사의 공장이나 사무실 속의 정보의 흐름을 자동화하거나 하는 것들이 이 회사의 전문분야이다. 그러나 사무실들과 공장의 자동화기술의 발달은 급속히 이루어지며, 사용되는 부품은 끊임없이 변하고 있다. 또 상호통신의 기술이나 소프트웨어를 비롯하여 현대의 사무기기는 모든 면에서 진보가 급격하다. 끊임없이 새로운 형의 부품이 등장한다. 새로운 기술의 출현으로 제작비가 감소되기 때문에 판매가격도 자주 변한다. 판매부처의 사람들은 서 있는 지면이 자주, 그것도 크게 움직이므로 똑바로 서 있을 수가 없다. 그래서 수수료를 받을 때마다 착오를 일으키는 경우가 많다.
예를 들면, 만들 수도 없는 물품의 주문서를 받으며 무지의 소치로 성능이 나쁜 것을 입찰에 나서거나, 필요 이상의 비싼 값을 매겨 납품에 응찰하려고도 한다. 그래서 번번이 더 영리한 회사에 계약을 빼앗기고 만다.
통상적인 영업정보의 전달이나 정기적으로 열리는 판매회의에서는 판매부분의 사람들이 일을 잘해나가기에 필요한 정보는 충분히 전달되지 않는다. 이 문제가 어찌어찌하여 요술처럼 해결되었다할지라도 판매담당자는 정보의 홍수에 신음하게 된다.
통상적인 영업이 부진하자 그 회사는 판매부처의 사람들을 위해 주문을 점검하기 위한 전문가 시스템을 실험하기 시작했다. 그 결과, 이 회사의 경우 지금 받고 있는 주문의 25 % 에 잘못된 곳이 있었다고 한다. 동일한 문제에 처해 있는 어느 유럽의 회사는, 주문서에 100 % 의 잘못된 곳이 있다고 말할 정도이다. 그 회사는 충분히 개발된 전문가 시스템은 어느 정도의 가치가 있는가를 개략적으로 계산해 보았다. 그랬더니 1 년에 1 억 달러 정도가 절약된다는 것을 알 게 되었다. 그리고 연구와 개발에 필요한 비용은 겨우 몇 주일 안에 되돌려 받을 수 있다는 것도 알 게 되었다.
스탠포드 국제연구소의 지능공학자들은 미국지질연구소의 과학자들과 협력하여 탐광기 (prospecter) 라는 이름의 전문가 시스템을 만들었다. 그것은 야외에서 광맥을 탐사할 때 탐사자들을 도와주는 것으로, 현장 지질학자들의 지능적 조수가 되는 것이었다. 그 프로그램은 광물학의 일반적 지식을 알고 있을 뿐 아니라, 미시시피강 유역의 분지라든지 미국의 중요한 산맥 등의 특별한 지역에 관해서도 특수한 지식을 갖고 있다.
1982 년에 워싱턴주의 한 산맥에서, 어떤 회사가 이 전문가 시스템을 사용하여 모리브덴의 광맥을 발견했다. 그 광맥의 가치는 1 억 달러 이상이라는 평가를 받고 있다. 그 회사의 전문가들은 그런 곳에 광맥이 있으리라고는 생각지도 못했던 것으로 그 근처의 광산에서 나오는 광석의 찌꺼기를 사람들은 버려왔었다고 한다.
사례 5.
경쟁력의 획득
「우리 회사의 기술은 해당업계에서 잘 알려져 있어, 모두들 이용하고 있다. 시장에서 우리 회사의 점유율은 작은대로 안정되어 있다. 이 점유율을 높이기 위해서는 새로운 아이디어가 필요하다. 아무리 사소한 개선일지라도 그것은 큰 의미를 가지게 될 것이다. 그 개량은 우리 회사를 경쟁 상대회사와 구별하는 데 필요한 것이기 때문이다.」
여기에 심전도 기계를 만드는 큰 기계회사가 있다. 심전도 기계는 단순히 심전도를 기록할 뿐만 아니라, 의사들을 위하여 그것을 해석한다. 컴퓨터의 심전도 해석은 1960 년대에 개발되어 70 년대말에는 의료기계업계에 널리 보급되어왔다. 그 성능은 약 75 % 의 정확한 분석 결과를 낼 수 있게 되었으며 이 수준에서 안정되어 있다. 대학이나 산업계의 연구가들은 이 정확도의 수치를 높일 수 없었다. 여기서 잘 알려진 통계적 수법이나, 도형인식의 수법을 넘는 무엇인가가 필요하게 되었다.
그 회사의 시장 점유율은 5 % 수준에서 안정되어왔었다. 시장 조사 결과, 만약 정확한 분석 판단의 비율을 75 %에서 85 % 로 끌어올릴 수 있다면, 점유율은 30 % 로 증가시킬 수 있음을 알 게 되었다. 이 기계가 그 정도로만 많이 팔려도 1 년간의 이익은 수배만 달러로 증대시킬 수 있다고 이 회사 사람들은 믿게 되었다. 이런 생각에서 그들은 전문가 시스템에 모든 것을 걸고 개발에 착수했다. 만약 그 일에 성공한다면, 연구와 개발에 투입한 자금은 일년 안에 돌려받을 수 있다.
그런데 전문가 시스템의 발전에 기여하는 문제들 중에는 몹시 파격적인 것이 있다. 파이겐바움이 스탠포드 대학의 동료들과 함께 지식공학 회사를 설립하고 전문가 시스템을 주문받는다고 하자, 산업계의 매력적인 문제들이 계속해서 이 회사로 흘러들어 왔다.
예를 들면, 미국 중서부의 특수 합금회사는 인적 자원의 상실에 대해서 상담을 하러 왔다. 그 회사의 전문가들은 나이가 모두 50 세부터 60 세가 되어 있어 언제 퇴직해도 이상할 것이 없는 상태에 있었다. 그들이 떠나기 전에 가지고 있는 전문지식을 데이터 은행에 모아 둘 방법은 없을까?
이와 동일한 <회사의 기억> 의 문제를 다른 한 회사도 가져왔다. 그것은 특별주문품인 도구를 만드는 회사였다. 그 회사에는 여러해 동안에 상당히 많은 양의 전문지식이 축적되어 있었다. 그러나 그것은 거의 대부분이 인간의 머리 속에 쌓여진 것으로 서류의 형태로는 되어 있지 않은 것들이었다. 불행한 일이지만, 인간은 죽거나, 퇴직하거나, 또는 잊어 버리거나 한다. 회사에 전문지식을 집단적으로 축적하는 데이터은행이 있으면 좋을텐데… 또 신참 설계자에게 「당신의 선배들은 이런 일을 알고 있었지요.」하며 충고하고 가르쳐주는 전문가 시스템은 없을까?
전문가 시스템의 힘은 그것이 갖고 있는 지식에서 나오는 것이다. 그 지식은 지금은 인간전문가들 머리 속에 축적되어 있다. 그것을 끄집어내는 것을 인공지능의 연구가들은 지식획득의 문제라고 부르는데, 그것은 지금 지식공학자들이 직면하고 있는 최대의 문제이다. 전문가 시스템은 이미 실증되어진 바대로 쓸모있는 시스템이다. 그러나 지식획득은 인공지능의 연구실에서 조립해내어야 하는 큰 문제이며, 지금으로부터 10 년 동안에 해결해야 하는 문제이다.
전문가 시스템의 성질과 구조에 관해서 우리들은 일반론을 진술할 수 있을까. 그렇게 할 수 있다. 1970 년대 말까지 전문가 시스템과 그것을 만드는데 필요한 지식공학은 어떤 광범위한 공통의 성질을 획득해왔다.
지식이야말로 전문가 시스템을 움직이게 하는 열쇠가 되는 요소이다. 지식에는 두 가지 형태가 있다. 첫째 형태의 지식은 그 영역의 <사실이다. 그것은 많은 사람들이 공유하고 있는 지식이며 일하고 있는 사람들 사이에서 널리 인정되고 있는 지식이다. 그것은 그 분야의 교과서나 잡지에 쓰여 있는 지식이며, 교수들이 강의실에서 강의할 때에 기초로 삼는 지식이다.
제 2 의 형태의 지식은 <경험적 지식> 이라고 하는 것이다. 그것은 그 분야에서 좋은 방법, 혹은 좋은 판단이라고 일컬어지는 것이며 또한 경험에 기초하는 지식으로 <좋은 추론의 기술> 이라고도 일컬어지는데 그것은 오랜 세월을 보내며 전문가가 획득하는 지식이다.
전문가 시스템은 의학박사나 이학박사, 또는 같은 일을 오랫동안 계속해온 사람들과 동일한 정도로 높은 전문적인 수준에서 문제를 풀어내야 하는데 그렇게 할 수 있기 위해서는 두 종류의 지식을 자신의 <지식은행> 에 축적하고 있어야 한다. 이 지식은행은 지식기지 (base) 라고도 불려진다. 즉 지식을 공급하는 보금자리라는 뜻이다.
우리들은 데이터은행, 혹은 데이터기지라는 말을 듣는데 지식기지는 데이터기지와 같은 것이 아니다. 그 차이는 다음의 실례에서 잘 볼 수 있다.
지금 환자의 침대로 걸어가는 의사가 있다고 가정하자. 그가 환자의 진료부를 들어올린다. 그 진료부는 그의 데이터은행이다. 그 속에는 환자의 병력, 혈압ㆍ체온의 측정치, 투약했던 약, 그 약들에 대한 환자의 반응 등이 기록되어 있다. 그것은 의사가 오늘 대처해야 할 문제가 무엇인지를 보여준다. 그는 이 데이터들을 해석하며, 진단을 계속하고, 치료의 계획을 세워야 한다. 그 일을 하기 위하여 그는 자신이 갖고 있는 의학지식을 동원해야 한다.
그가 사용하는 지식기지는 그가 인턴으로서, 혹은 전문의수련 등을 통하여 직접 몸에 익혀 만들어낸 것이다. 그것은 의학 전문잡지에서 지금도 배우고 있는 지식이다. 그 속에는 사실과 편견, 신념도 포함되어 있겠지만 가장 중요한 것은 아마도 경험적 지식일 것이다.
물론 의학 또는 그밖의 전문가들은 그 이외의 것에 대해서도 알고 있어야 한다. 예를 들면, 자신이 가지고 있는 지식을 정리하여 축적하는 방법이라든지 타당한 판단을 내리는 방법 등을 알고 있어야 한다.
경험적 지식을 획득한다는 것은 가장 어려운 것이다. 왜냐하면 전문가 자신도 그것이 무엇인가를 거의 알고 있지 못하기 때문이다. 따라서 보석을 캐내는 것처럼, 전문가의 머리에서 한번에 하나씩 힘들여 파내어야 하는 외에 방법이 없다. 그것을 파내는 사람을 우리는 <지식공학자> 라고 부른다.
인공지능을 연구하고 있는 지식공학자는 어떻게 하면 지식을 컴퓨터에 넣을 수 있는지를 알고 있다. 또 그들은 그 지식을 활용하기 위한 추론의 프로그램을 작성하는 방법도 알고 있다. 그리고 그들은 여러 가지 전문 분야를 넘어서려는 정신을 갖고 있다. 그들은 그 귀중한 보석을 캐내어 지식기지에 넣는다. 그 일은 전문가 시스템의 가장 중요한 부분을 이룬다. 전문가 시스템은 지식 이외에 <추론의 순서> 라는 것을 필요로 한다. 그것은 지식과, 그 문제에 관련된 데이터를 결합하여 이행하기 위한 추론의 방법이다. 지식공학자는 문제를 해결하는 방법으로서 추론 순서를 사용하는데, 그것은 난해하고 복잡한 것이어야 할 필요가 없다. 상식적인 추리법이나 초보의 논리학 강의에서 들을 수 있는 간단한 방법으로도 충분하다. 실제로 간단한 추론 순서를 사용하여 그것대로의 좋은 점이 있다. 전문가 시스템의 도움을 받은 말단의 이용자가 그 시스템의 추론과정을 더듬어 보려고 하는 경우, 그것은 간단한 편이 알기가 쉽다. 말단의 이용자들은 전문가 시스템이 무엇을 하고 있는가를 간단히 이해할 수 없으면 전문가 시스템의 추론과정을 신용할 수 없게 되며 따라서 전문가 시스템을 사용하지 않게 될 것이다.
예를 들면, 잘 사용되는 간단한 추리의 방법 중에는 목표지향형 역연쇄법이라는 것이 있다. 그것은 역방향으로 사고를 진행시킨다는 흔히 쓰이는 전략이다. 이것은 사고를 시작할 때 목표에 대하여 알고 있는 것을 기점으로 하고 거슬러가며 생각하는 것이다.
지금, 샌프란시스코에서 뉴욕까지 자동차로 여행하는 것이 목표라고 가정하자. 목표지향형 역연쇄법으로 생각한다면 이렇게 될 것이다. 먼저, 목적지에 도착한 자기 자신을 마음 속에 그려 본다. 맨해턴의 리버사이드 거리에 주차하기로 하자. 이 상상도를 보면서 도착 시각을 낮으로 할까 아니면 밤으로 할까 하는 점ㅇ리 문제가 된다는 것을 알 게 된다. 그것에 생각이 미친 것을 실마리로 하여, 하루 중에 어느 시각에 도착하고 싶은지에 대해서 생각한다. 뉴욕에는 저녁무렵에 들어가는 것이 좋다. 저녁인 편이 주차하기에 용이하기 때문이다. 이 일을 기점으로 하고 역산하여 마지막 날에는 어느 정도의 거리를 달리게 되는가를 생각한다. 그 마지막 날에는 너무 원거리를 달리고 싶지 않다. 뉴욕에 도착한 그날 밤에는 큰 연회가 열리기로 되어 있으며 생기있는 얼굴로 거기에 나가고 싶기 때문이다. 그 다음, 도착하기 하루 전날 밤은 해리스버그나 피츠버그에서 묵어야지 하고 생각한다. 피츠버그로 정하는 것이 친구들이 많이 살고 있으니 매력적이다. 그런데 친구들을 방문하려면 시간이 걸린다. 따라서 그 날도 너무 장거리를 달려서는 안된다. 그렇기 때문에 그 전날 밤에는 인디애나폴리스의 교외에서 숙박해야 한다. 이런 방식으로 출발지인 샌프란시스코까지 거슬러온다. 당신은 목적지를 알고 있으며 데이터를 가지고 있다. 거기서, 추론순서를 사용하여 목표달성을 위한 지식을 얻게 된다. 인공지능의 연구자들은 인간이 언제나 사용하는 추론 순서를 많이 알아내고 분석했으며 복제했다. 그리고 전문가 시스템을 만드는 지식공학자들은 그들이 작성하는 프로그램에 꼭 알맞는 추론 순서를 능숙하게 골라낸다.
전문가 시스템을 만들기 위해서는, 축적해야 할 지식이 무엇인가를 아는 방법도 필요하다. 그것은 기술상의 문제이기 때문에 본질적으로는 논리구조와 적당한 데이터구조의 양면이 필요하다. 그것에 의해서 지식기지 속의 특정한 지식, 예를 들면 리버사이드 거리에 도착하는 것에 관한 또는 피츠버그에서의 들를 곳 등에 관한 지식이 컴퓨터의 기억장치에 보내진다.
지식기지의 관리도 데이터기지의 관리와 마찬가지로 두려워 해야 할 문제이다. 지식이 어떻게 조직되어 프로그램으로 되며, 또 전달되는 것일까. 지식은 그 특색, 성질, 다른 지식과의 관계 등과 관련하여, 어떤 방법으로 새로운 것으로 변화하는 것인가. 더구나 이런 일들은 전문가 시스템 속에서 자동적으로 일어나야 하는 변화이다. 왜냐하면 말단의 이용자에게 이와같은 귀찮은 일을 시켜서는 안되기 때문이다.
지식기지 관리시스템이나 추론시스템 등은 소프트웨어의 패키지 형태로 축적되어 있다. 이것은 맞추어 조립된 틀 (frame) 이다. 연구가들은 이것을 사용함으로써 전문지식의 영역에 들어갈 수 있으며 또 그렇게 함으로써 훨씬 짧은 시간 안에 완전히 새로운 전문가 시스템을 만들어낼 수도 있다. 여기서 <훨씬 짧은 시간> 이라고 말한 것은 시간의 자릿수가 다를 정도로 단축된다는 것을 의미한다. 한 사람이 일년 동안 하는 노동량을 <1인 / 년> 이라고 나타낸다면, <50 인 / 년> 이 걸리는 전문가 시스템은 <5 인 / 년> 으로 만들 수 있다.
예를 들면, 감염증을 진단하는 전문가 시스템인 <마이신 (Mycine)> 을 해체하여, 그 속의 지식기지를 새로운 지식기지와 바꾸어 넣으면 폐의 병을 진단하는 전문가 시스템, 혹은 공학의 구조해석을 하는 전문가 시스템이 될 수 있다.
그런 모든 전문가 시스템의 핵심으로 된 것은 <에마이신> 이라고 불리우는 소프트웨어 패키지이다. 에마이신이라는 것은 이센셜 마이신 (Essential Mycine) 을 단축시킨 이름인데, 그 속에는 그와같은 형식의 문제를 푸는 데 필요한 지식기지 관리 시스템과 추리 순서 시스템이 포함되어 있다.
위에서 언급한 바를 요약하면, 인공지능의 중심에 있는 과학적 과제는 실제로는 지식공학의 기반이 되는 문제라는 것이다. 그런 과제들은 전문가 시스템의 문제의 일부인 바, 우리는 그것을 다음과 같이 열거할 수 있다.
그 첫째의 것은 <지식제시> 의 과제이다. 그것은, 어떤 분야의 지식을 어떤 방식으로 데이터구조로 만들어 컴퓨터의 기억장치 속에 넣을 수 있는가 하는 과제이다. 이 경우 그 지식은 문제해결을 위하여 편리하게 쓰일 수 있게끔 컴퓨터 속에 넣어야 한다.
그 둘째의 것은 <지식이용> 의 과제이다. 그것은 어떻게 하면 그 지식들을 문제해결을 위하여 쓸 수 있을까 하는 과제이다.
그 셋째의 것은 <지식획득> 의 과제인데 이것은 가장 중요한 것이다. 그것은 어떻게 하면 문제해결에 중요한 지식을 자동적으로, 적어도 반자동적으로 얻을 수 있을까 하는 과제이다. 전문가가 갖고 있는 지식이나 교과서에 쓰여 있는 지식, 혹은 그들이 갖고 있는 데이터 등을 컴퓨터의 기호적 데이터로 바꾸어야 하는 과제가 있는데, 이 일을 컴퓨터가 잘 해낼 수 있는 방법으로 실행시켜야 할 필요가 있다. 지식획득이란 인공지능으로는 어디까지나 완결되어질 수 없는 문제이다.
<지능> 이라는 말과 마찬가지로 <학습> 이라는 말도 유동적이고 애매하여, 컴퓨터의 프로그램을 만듦에 있어서 별로 쓸모없는 단어이다. 「기계는 배울 수 있는가?」라는 물음은 「기계는 생각할 수 있는가?」라는 물음과 마찬가지로 일을 함에 있어 쓸모가 없다. 현실적으로는 기계는 경험에 의해서 자신의 행동을 바꾼다는 것이 실증되었다.
인공지능 초기의 실례인 체스의 한 프로그램은 그러한 것을 하였고, 결국 선수권이 걸린 경기까지 했었다. 현재 우리들은 기계의 학습문제에 관해서 더욱 정밀한 논의를 할 수 있게끔 되었다. 정밀도가 높아졌으므로 <지식획득 연구> 라는 새로운 단어도 나왔다.
그것은 인공지능의 중심적 문제 중에서도 가장 중요한 문제이다. 그 이유는 간단하다. 인공지능의 성능을 향상시키거나, 그 능력을 증폭시키거나 하는 것은 해결해야 할 문제의 분야에 관한, 이용 가능한 지식의 양이기 때문이다. 그러므로 지식기지가 유효하기 위해서는 그 지식이 광범위하고 질이 좋은 것이어야 한다. 사람들은 지금 이 지식을 단단히 힘들여 수집하고 있다. 개별적인 컴퓨터학자들은 개별적인 전문가들과 함께 그들의 경험적 지식을 해명하는 작업을 수행하고 있다.
실용적인 인공지능이 장래에 중요하다고 우리들은 믿고 있다. 만약 그렇다면 현재 대단히 시간이 걸리며, 또 비용이 많이 드는 지식획득 작업은 더욱 자동화시켜야 할 필요가 있다. 현재 지식획득의 작업은 인공지능에 있어 중대한 장애로 되고 있다.
H. 페이니는 지식공학의 선구자이며 동시에 그 분야의 비판자이고 순수주의자이기도 하다. 그녀는 보통의 프로그래머 훈련을 받고나서, 컴퓨터 시스템에 관한 더 깊은 지식을 쌓기 위해 대학원으로 돌아온 사람이다.
그녀는 스탠포드 대학을 택하여 거기에서 경험적 프로그램을 쓰는 방법을 알 게 되었다. 그녀는 넓은 분야에 걸쳐 흥미를 가지고 있었는데 그 새로운 프로그램에 의한 컴퓨터 작동은 그녀에게 종래의 시스템 프로그램보다도 훨씬 넓은 시야를 줄 수 있었다.
경험적 법칙을 나타내는 <히우리스틱 (heuristic)> 은 <발견하다> 라는 뜻의 그리스어 eureka 와 같은 어원에서 나온 것으로, <경험으로 얻은 법칙>, 또는 <좋은 추론의 법칙> 등의 뜻을 지닌다. 경험법칙은 종래의 앨거리슴 (algarithm ; 컴퓨터의 문제 해결의 방법) 과 마찬가지로, 좋은 결과를 절대로 보증하는 것은 아니다. 그러나 그것은 대개의 경우 유용한 결과를 능률적으로 제공해준다.
경험적 프로그램은 인간의 지식을 포착하여 결국 다른 사람에게 전하여주기 위한 여러 가지 방법이다. 그것은 지식을 제공해준 전문가 자신에게도 그 지식을 전하여준다. 전문가라고 하여도 인간이기 때문에 빠뜨리거나, 잊거나, 잘못 해석하거나, 싫증나거나 한다. 그렇지만 인공지능의 프로그램의 경우에는 전혀 그런 일이 없다.
그녀는 이미 10 년 동안에 걸쳐서 전례가 되는 수많은 전문가 시스템의 제작을 보아왔으므로 이제는 새로운 전문가들에게 가까이 가서 그 사람의 분야에 들어가기 위한 상당히 표준적인 방법을 터득하였다. 그녀의 방법은 다른 많은 지식공학자들의 방법과는 상당히 다르다. 예를 들면, 그녀는 인터뷰를 할 때에 녹음기를 사용하지 않는다. 그녀의 방법은 실례로서 언급해도 좋을 정도로 표준적이다.
물론 그녀는 인터뷰 전에 우선 전문가를 설득해야 한다. 그 전문가의 머리 속에 있는 보석을 캐낸다는 것은 상당한 시간이 걸린다. 방법은 여러 가지지만 전문가는 결국 납득하게 되어 인터뷰에 응하게 되며, 마침내 계획사업은 시작된다. 그녀는 그 전문가의 동의를 얻어내자마자 곧 대학의 교과서나 잡지의 기사를 비롯한 여러 가지 자료를 읽으며 전문용어를 배운다. 그 일이 끝나면 마침내 최초의 인터뷰를 하게 된다.
그녀는 「조사의 대상으로서 비교적 어려운 문제를 택하여 주셨으면 합니다.」라고 전문가에게 부탁한다. 쉬운 문제라면 누구나 곧 흥미를 잃게 되는 것이다. 더구나 쉬운 문제에는 전문지식이 거의 포함되어 있지 않다. 그녀의 방침에 의하면 검토해야 할 문제가 변변치 않는 것이어서는 안되지만, 한편 너무 어려운 문제도 좋지 않다. 그녀는 인간이 몇 시간 걸려서 풀 수 있는 문제가 좋다고 생각한다. 문제를 푸는 데 며칠이 걸릴 정도의 것이라면 아마도 현재의 인공지능의 기술에 의한 전문가 시스템에서는 소화할 수 없을 정도로 어려운 문제이거나 초점을 이탈할 문제이다.
이와같은 초기의 정보를 수집하고 나면, 그녀는 이것을 팀의 구성 원인 프로그래머에게 가지고온다. 그것을 컴퓨터용 부호로 바꾸는 작업은 프로그래머들이 하는 것인데, 얼마든지 있는 이용가능한 문제해결의 틀 (frame ; 추리 순서) 들 중에서, 그 새로운 분야에 가장 적당한 것을 선택하는 것은 지식공학자의 일이다. 프로그래머들은 최초의 프로그램을 작성한 다음, 며칠간 그것을 작동시켜 본다. 기이한 일이지만, 이 최초의 며칠간은 심리적으로 대단히 중요한 시기이다. 전문가를 그 계획사업에 계속 가담하게 할 수 있느냐의 여부는 처음의 몇 주간이 아니고 처음의 며칠 사이에 결판나는 것이다. 전문가들도 우리들 범인과 마찬가지로 빨리 만족감을 얻고 싶어하며, 전진하고 있음을 알고 있는 계획에는 자신이 갖고 있는 귀중한 자료와 신간을 아낌없이 제공한다.
물론, 최초에 만들어진 전문가 시스템은 가끔 결함이 있다. 그것은 전문가가 자신이 하고 있는 것을 잘 말해주지 않았기 때문인지도 모르며, 그가 말한 것을 잘못 받아들여서 그런지도 모른다. 또는 그가 사용한다는 방법이 교과서에 쓰여 있는 허구일 뿐 현실의 세계에서의 실제적 대처방법과는 아무 관계가 없는 것이었기 때문에 그렇게 되는 것인지도 모른다. 이런 일은 가끔 있는 일이다. 전문가는 자신의 앞에 있는 브라운관에 펼쳐지는 프로그램을 보고 신음한다. 「이렇지 않아.」라고 말한다.
「그러면, 어찌된 것입니까? 그녀가 묻는다. 어디가 틀린 것일까요?」
그러나 전문가가 처음에 확실하게 말하지 않았던 것이라면 이때에 와서도 말할 수는 없을 것이다. 여기서 그녀는 하나의 문제를 전형적인 실례로 삼아 설명해달라고 부탁한다. 그녀는 그가 그 문제를 처리함에 있어 더듬어나가는 모든 단계의 설명을 듣는다. 이때, 그녀의 관찰에 의하면 그가 처음에 들려주던 교과서적인 방법과는 전혀 다른 방법이 그의 설명 속에서 나오는 경우가 많다고 한다.
그녀는 전문가를 주의깊게 관찰한다. 그는 때때로 「이 데이터를 사용합니다.」고 말하는데, 그러면서도 그 데이터에 한번도 눈을 돌리지 않는 경우가 있다. 또는 그가 말하는 시기가 아니고, 다른 단계에서 그가 말하는 데이터를 사용하는 경우도 있다. 이 모든 것들을 전문가 시스템의 새로운 개정판에 짜 넣는다. 그리고 그녀는 그것을 전문가가 이 계획에 관한 관심을 잃기 전에, 그의 앞으로 가져가서 검증과 수정을 받는다.
그녀는 인터뷰하는 동안 전문가가 말하는 <사실> 에는 그다지 귀를 기울이지는 않고, 오히려 그가 지식을 「어떻게 다루고 있는가?」에 온갖 주의를 기울인다고 말한다. 그녀는 전문가의 말을 들으면서, 인공지능의 여러 가지 <지식제시법> 이나 추리 순서, 예를 들면 목적지향기술, 흑판기술, 그리고 생산의 원칙 가운데 어느 것이 그 전문가에게 꼭 맞는 것일까를 마음 속에서 계통적으로 탐구한다.
그녀는 질문한다. 「이와 같은 일은 의미가 있습니까?」, 「이런 방법으로 합니까?」라고. 이 질문들은 전문가로부터 많은 지식을 끄집어내기 위해서 뿐만 아니라 그녀가 자신의 마음 속에서 만들어내고 있는 그 전문가의 작업의 모델을 실험해 보기 위해서이다.
또 그녀는 전문가의 해석이나 가정이 그의 독자적인 것인가, 아니면 그 분야에서 똑같이 합의된 것인가도 확실히 알아내야 한다. 그녀는 전문가의 지식과 교과서의 지식과를 비교하여 보는데, 많은 경우에 교과서의 지식은 너무나 일반화되어 있고 거의 쓸모없는 수가 있다. 교과서에 쓰여 있는 것과 충돌이 되는 경우에 전문가들은 대체로 이렇게 말한다. 「그것은 옳습니다. 그러나 많은 환자를 진료하다 보면 결국 그것은 진실이 아님을 알 게 될 것입니다.」
암석, 칩의 설계, 계기판독 등에 대해서도 사정은 마찬가지이다. 이렇게 되면 모든 경우가 특별한 것으로 되며, 그 각각에는 각기 특별한 지식이 존재한다는 결과가 되어 버린다.
그 외에 인터뷰를 진행함에 있어 전문가의 말을 한 점에 집중시켜야 한다는 문제도 있다. 전문가의 마음 속에서조차도 결단이 흔들리며 이리저리 방황하는 수가 있다. 그녀가 사용하는 요령의 하나는 전문가의 해답을 구하고자 하는 어느 특별한 문제에 자신의 주의를 집중하는 일이다. 이런 문제에 대해서는 누구나 큰 관심을 가질 뿐만 아니라, 그 분야의 사고법에 관해서 그녀가 마음 속에서 만들어내는 모델을 실험하는데 도움이 된다. 이와같은 순서가 다음 날에도, 그 다음 날에도 반복된다. 전문가 사무실에는, 그의 행동의 모방을 목적으로 하는 컴퓨터 프로그램의 최신판이 끊임없이 개발된다.
올바른 의도를 가지고 주의깊게 작업을 추진하였는데도 때로는 모든 일이 탈선돼 버리는 수가 있다. 전문가가 적당하지 않는 문제를 선택하였을 경우도 있고, 지식공학자가 사고의 과정을 나타내기에 적당하지 않은 도구를 선택하는 경우도 있기 때문이다.
페이니는 전에 이렇게 쓴 적이 있다. 「지식기반 프로그램을 쓰기에는 어려운 점이 있는데 그 하나는 적어도 두 사람의 당사자, 즉 그 분야의 전문가와 지식공학자가 끊임없이 의견을 바꾼다는 데 있다. 프로그램 속에 지식이 축적되고 문제가 확실해짐에 따라 지식공학자는 지식을 제시하고 처리하기 위한 보다 좋은 방법을 발견하는 수가 있다. 그 결과로 일어나는 프로그램의 행동은 전문가를 자극하여 그 문제에는 해결해야 할 문제가 더 많아지게 된다. 전문가 시스템을 개발하기 위해서는 전문가와 프로그래머 사이에 협동작업이 잘 되는 관계를 만들어내며, 천천히 그리고 착실하게 프로그램의 구조를 진보시켜서, 그것이 잘 작동하도록 해야 한다.」
그것은 손을 쓸 수 없이 거북살스러운 이인삼각인 셈이다.
H. 페이니는 지식공학에 있어서의 경험원칙을 다음과 같이 요약한다.
1. 자기자신이 전문가가 되어서는 안된다. 자기 자신의 전문지식을 분석하려고 하면 우둔한 지네처럼 될 위험성이 있다. 지네의 그 많은 다리가 어쩌면 그렇게 절도있게 움직일 수 있는 것일까를 생각하기 시작하면, 지네는 그만 다리가 엉켜서 움직일 수 없게 될 것이다.
2. 처음에 정성들여 쓴 것이라도 과감히 내 버릴 각오가 필요하다. 작가는 초안을 쓰며, 화가는 예비적인 스케치를 그린다. 지식공학자도 마찬가지이다.
3. 문제들을 잘 선택하여야 한다. 인공지능의 연구는 새로 생겨난 분야이며 세상이 품고 있는 모든 문제를 모두 제기할 수는 없다. 전문가 시스템은 문제가 한정되어 있을 경우에 더욱 잘 작동한다. 문제를 풀기 위해서는 세상의 일반적 지식이 아니고 전문적 지식이 대량으로 필요하다. 그 문제를 기술하는 것은 컴퓨터이다.
4. 만약 진정으로 실용적인 컴퓨터를 만들려고 한다면, 일이 절반이 넘을 정도로 진행될 때까지는 반드시 전문가를 끌어들여야 한다. 그 전문가가 컴퓨터에 대해서 전혀 알지 못하면 당신의 작업은 그 만큼 어려워진다.
5. 언제 사용해도 도구가 쓸모없으면, 새로인 도구 하나를 만들어야 한다.
6. 사실 이외의 것을 취급하면 불확실하게 된다. 경험원칙과 같은 것은 확고한 것이 아니며, 사실과 동일하게 다루어서는 안된다. 전문가 시스템 속에서는 「나는 강하게 이것을 믿는다.」라던가, 「증거는 이렇다고 시사한다.」는 등의 평가를 동반하는 표현을 함께 써 넣어야 한다.
7. 고성능의 프로그램, 즉 전문가가 자기 자신을 위하여 사용하는 것과 같은 프로그램은 지식의 변경과 새로운 지식의 추가, 낡은 정보의 제거 등이 아주 쉽게 처리될 수 있도록 만들어야 한다.
8. 문제는 쓸모있고 흥미있는 것이어야 한다. 어려운 수수께끼를 푸는 지식기반 시스템도 있지만, 대체 누가 그런 것을 필요로 할까. 더욱 중요한 것은 이용자가 자신의 일과 관련하여, 그 시스템의 갖는 올바른 가치를 이해하는 것이다.
페이니가 만든 전문가 시스템은, 결론에 도달하기까지의 추론의 과정을 설명할 수 있다고 한다. 그 설명에 의하면, 전문가는 기호의 세밀한 점까지 파악하지 않고도 그 프로그램을 이해할 수 있다. 이와같은 설명은 프로그램의 결함을 발견하는데 필요하다. 결함은 기호화된 프로그램 속에만 아니라 지식기지 그 자체 속에도 있다. 그것들은 사무적 착오, 불완전한 지식, 지식의 부정확한 사용, 전문가들 사이의 의견의 상위에 의해서 생기는 모순 등으로 그 결과를 가져온다.
<아마도> 라는 단어로 표현되는 것과 같은 불확실한 지식을 포함하는 프로그램의 경우에, 이용자들은 추론의 과정을 고려하지 않고 맹목적으로 결과만 받아들여서는 안된다. 전문가 시스템은 이용자에게 추론의 과정을 설명하지 않으면 안된다는 조건을 일본과 유럽의 지식공학자들도 이해하지 못하고 있다. 그녀는 그 사실을 우려하고 있다.
지식공학자는 전문가임과 동시에 무엇이나 다 아는 <만물박사 (Generalist)> 가 되어야 한다. 지식공학자는 협동작업의 상대인 전문가에게 최종적으로, 프로그램이 그의 생각하는 방법을 고도의 정확도로 모방할 수 있다는 것을 주의깊게, 바르게 주지시킬 수 있어야 한다.
그리고 지식공학자는 전문가의 지식을 <틀> 에 짜 넣고, 프로그래머가 그 지식을 컴퓨터의 기호로 바꿀 수 있어야 한다. 지식공학자는 주임외과의이며, 주임건축가이며, 또한 계획 전체의 주임이다.
그러나 지식공학자의 역할은 일시적인 것에 불과하다. 왜냐하면 지식공학자의 일은 대단히 신경이 쓰이며, 곤란하고, 또한 대단히 힘든 일이어서 거의 대부분의 사람들이 「이 일은 자동화되어야겠다.」고 생각하기 때문이다.
초기의 노력으로 전문가 시스템은 중요한 지적 기초가 이루어졌으며, 어떤 종류의 일을 하기 위한 유용한 도구로 만들어졌다. 그러나 거기에는 한계가 있다.
인간전문가는 문제를 푼다. 더구나, 그는 그 결과를 설명할 수 있다. 또 그는 계속 배울 수 있으며 자기 자신의 지식을 재구성할 수도 있다. 그는 언제 법칙을 버려야 하는가도 알고 있으며, 무엇이 자기의 과제와 관계되고 있는가, 무엇이 관계가 없는가를 알고 있다. 그리고 틀렸을 경우에도 그는 파국적 결과에는 떨어지지 않는다. 게다가, 자기가 감당할 수 없는 사태라는 것도 알고 있다.
그는 또한 다른 사람들의 도움을 청해야 할 시간도 알고 있다. 어느 직업에 있어서도, 그 일을 시작하면 곧 법칙과 같은 정도로 수많은 예외가 있다는 것을 배우게 된다. 전문가가 되기 위한 공부는 단지 법칙의 문장만을 이해하는 것이 아니고 그 법칙의 정신을 이해하는 것이다. 또 그것은 무엇이며, 무엇이 옳지 않는가를 이해하는 것이다. 전문가 시스템은 아직 이와같은 일을 이해할 수는 없다.
전문가 시스템의 연구가들은 지금까지 문제의 해결, 설명, 심오한 학습 등에 관해서 조사해왔다. 그것들 중에서 <문제해결> 이 우리들에게 가장 잘 이해가 된다. 무엇이 되며, 무엇이 되지 않는지는 우리들도 알고 있다. 그러나 설명과 학습 (지식획득) 의 연구는 이제 막 시작되었을 뿐이다.
그렇기 때문에, 전문가 시스템의 연구는 지금 프로그램 구축의 원칙을 제시해주는 그런 사례에 관해서 조사하고 있는 단계이다. 인공지능 전문가의 대부분은 원칙이라는 단어보다 <지혜의 기본적 단편> 이라는 표현을 더 좋아하는데 그런 것이 있다고 한다면 지식 속에 힘이 있다는 것을 뜻한다.
그러나 지식은 불확실하며 불완전하다. 인공지능의 연구자들이 힘써 밝히려고 하는 문제는 그 완전한 법칙이나 이론을 좀처럼 가져다 주지는 못하는 문제이다.
앞의 <활동하는 지식공학자> 부분에서 이미 보아온 것처럼 전문가의 지식은 가끔 상세히 기술되어 있지 않으며 불완전한 것이다. 왜냐하면 전문가들이 자신의 영역에서, 자신이 무엇을 알고 있는지를 반드시 정확하게 알고 있는 것은 아니기 때문이다.
그 외에 다른 하나의 문제가 있다. 그것은 전문가 시스템은 끊임없이 최신의 정보를 받아들여야 하는데, 시스템 자체가 그것을 신속하고 용이하게 받아들일 수 있도록 유연하게 만들어진 것이 아니라는 점이다. 또 전문가 시스템이 다루고 있는 영역은 비교적 좁다. 그리고 인간과 컴퓨터가 자연의 언어로 대화하기는 어렵다. 따라서 전문가 시스템의 사용자와 프로그램 사이의 대화는 한정되어 있다.
슬픈 일이지만, 전문가 시스템의 설계자들은 그들의 시스템이 만들어지는 환경과 그 이용자들의 환경과는 다르다는 것을 알 게 되었다. 예를 들면, 미국의 DEC 가 제작한, 컴퓨터 자체의 문제를 생각하는 전문가 시스템 <R1> 은 연구실 속에서는 90 % 의 정확도로 문제를 풀었다. 그러나 현장에서 직접 사용된 때에는 그 정확도가 60 % 로 떨어졌다. 이용자가 프로그램이 어떤 식으로 작동하는가를 알지 못했으며 부정확한 데이터를 사용했기 때문이다. 또 현장에서의 문제의 조합도 연구실에서 생각한 것과는 달랐다. 결국 연구실에서 행한 전문가 시스템의 성능평가는 그것이 이용자의 눈앞에 설치되었을 때의 결과에 대한 거친 측정에 불과한 것이다.
전문가 시스템은 끊임없이 개량되고 재구축되지 않으면 안된다는 교훈을 <R1> 은 주고 있는 것이다.
이 작은 사회에서 많은 근로자가 직면하지 않을 수 없는 문제가 전문가 시스템에도 있다. 그것은 하나의 <혁명> 이다. 어떤 혁명에도 희생자가 따르기 마련이다. 어떤 전문가는 지식공학자에 협력하여 자신의 전문지식을 제공했다. 그러나 여러 해에 걸쳐서 모아온 전문지식이 겨우 몇 백 개의 경험원칙으로 표현된다는 것을 알 게 되었을 때, 어떤 전문가는 자존심에 큰 상처를 입었다. 그는 그 전문지식의 덕택으로 높은 급료를 받았으며 모든 사람들의 존경을 받아왔었다. 그러나 그는 곧 풀이 죽었다. 그 후에 그는 자신의 전문분야에서 떠나 버렸다. 참으로 불행하고 서글픈 사태였다.
그렇다면 어째서 전문가들이 자기 자신을 특별한 존재로 만들어주는 전문지식을 처음에는 지식공학자들에게, 그리고 마침내는 기계에게 넘겨주는 일에 동의하는 것일까.
산업혁명이 시작되었을 때에는 이것과 동일한 일이 폭동의 원인이 되었었다. 그리고 1980 년대의 초기에는 노동자들이 악의에 찬 시선은 아니라 할지라도 신경질적인 눈길로 로봇트를 노려보고 있었다.
본질적으로 그것은 사람들이 책을 쓰는 이유와 비슷하다. 우리들은 자신의 이름을 후세에 남기고 싶다고까지는 생각하지 않는다 하더라도, 적어도 자신의 지식을 보다 널리 알리고 싶어한다. 그와같은 희망은 위대한 동기로부터도, 보잘 것 없는 동기로부터도 다 나오는 것이다. 그것은 전문가 시스템이 전문가의 상상력을 휘어잡았을 때 가장 분명하게 표현된다.
전문가는 몇 주간에 걸쳐서 자신의 사고의 과정이 브라운관 위에서 마치 어릿광대처럼 춤추며 돌아가는 것을 보아왔다. 이렇게 말하는 것이 가장 애정에 넘치는 표현일 것이다. 그런데 돌연히, 알아볼 수 있을 정도로, 그 어릿광대의 춤은 교묘한 모방으로 변한다. 눈앞에 있는 것은 그 자신의 사고의 과정이었다. 그것은 직업인으로서 살아온 오랜 세월 동안 창조하고 키우며 소중하게 여겨온 것이다. 전문가의 흥분은 절정에 달하며, 자기의 사고의 전자적 영상을 완성하는 작업의 최후의 단계에 이르면, 그는 열광적 협조자가 된다.
어떤 연구자가 말한 바와 같이, 그는 <불사증후군> 에 사로잡히는 것이다. 자신의 생애를 거의 다 바쳐 획득한 지식이 사후에도 살아남을 것이라는 것을 알고서 그는 득의만만해 한다. 인간은 전문가 시스템을 필요로 한다. 그러나 문제는, 그것을 인간이 때때로 신용하지 않는다는 것이다. 심리학자가 과거 50 년 동안에 분명히 한 것인데, 인간이 동시에 마음편히 다룰 수 있는 데이터는 고작 4 개 정도라고 한다. 그것은 그리 많은 수효가 아니다.
인간이 생각하지 않으면 안되는 많은 데이터를 맡아서 그것에 단순하고 납득될 만한 해석을 가해주는 프로그램이 있다면 인간은 그 문제에서 해방되고 기계에 집어 넣을 수 없는 어려운 지식에 눈을 돌려 그것을 프로그램의 문제와 연결시킬 수 있을 것이다. 만약 이와 같은 일이 반복되어 일어나서 새로운 지식도 최후에는 기계에 넣을 수가 있게 되면 이용자들은 흔쾌히 새로운 문제로 향하게 될 것이다.
생각한다고 하는 일은 언젠가는 기계가 대리하게 될 것이고, 기계쪽이 인간보다도 더 잘, 그리고 신속하게 처리하게 될 것이다. 이러한 통찰의 말을 사람들이 들으면, 거의 대부분의 사람들은 들뜬 마음이 되며 그 일을 기뻐한다. 그러나 그와같은 일이 진정으로 실현되는 날, 바로 그 사람들은 깊은 회의에 빠지게 될 것이다.
이와같은 문제가 있음에도 불구하고 전문가 시스템은 지금까지 상당한 성공을 거두었다. 그와같은 성공은 「지식을 구성하고 있는 것은 무엇인가?」라는 문제에 관한 인공지능 연구가들의 생각을 변화시켰으며 그 분야 이외의 사람들, 특히 기업가들의 관심을 끌어들이기에 상당히 성공했다. 또 경험과 새로운 도구의 덕택으로 전문가 시스템을 만들어내는데 필요한 노력은 <50 인 / 년> 으로부터 <5 인 / 년> 으로 줄 게 되었다.
그러나 문제는 아직 남아 있는데, 더구나 그것은 어려운 문제이다. 전문가가 아닌 사람들은 비웃으며 이렇게 물을런지 모른다. 「어째서 과학자들은 전문가 시스템에 머리를 틀어박기 전에 그와같은 곤란한 문제를 모두 예상할 수 없었는가?」라고.
과학은 가능한 것만을 할 수 있을 뿐이다. 어떤 문제는 다른 하나의 문제가 해결되지 않으면 들어나지 않는 것이다. 그것이 인공지능의 역사였으며, 또 다른 모든 과학의 역사이기도 했다.
마찬가지로, 누구나 베토벤의 제 9 교향곡에 대해서 다음과 같이 질문할 수 있을 것이다.
「저 위대한 합창 부분을 작곡하기 전에 베토벤은 2 년 이상이나 걸려서 헤아릴 수도 없을 정도의 시험적 작곡을 하면서 수정하곤 했는데, 그것을 어째서 한 번에 써낼 수 없었을까?」
인공지능의 창조는 인간의 마음이 지금까지 짜서 엮어낸 과제 중에서 가장 도전적이며, 논쟁을 불러일으키기에 충분한 것이리라. 또 그것은 몹시 어려운 문제이기도 하다. 그러나 비록 그렇다 하더라도, 그것은 이 분야에 있어 꿈 많은 미래의 예상을 방해할 수는 없다. 어떤 놀라운 것이 도래하게 될지는 아무도 모른다는 것이 진실이다. 우리들은 단지 예상만 할 수 있을 뿐이다.
전문가 시스템은 아마도 사무의 기본적 기능을 바꾸지는 못할 것이다. 그러나 그것은 사무의 진행 양태를 바꾸게는 될 것이다. 거의 모든 시스템은 통신의 방해요인을 감소시킬 수 있게끔 설계될 것이다. 따라서 통신은 사무원의 손을 빌리지 않고도 가능하게 될런지 모른다. 얼마 있으면, 회사의 중역은 각 사무소들과 직접 말을 주고 받을 수 있게 된다. 그리고 그런 통신의 완전한 사본이 만들어진다. 서류철이 없어지거나 하는 일은 이제는 없다. 일반적으로 말하면, 평범한 일들은 모두 훨씬 빨리, 그리고 비용이 적게 들어 처리된다.
가장 중요한 것은 전문가 시스템이 복잡한 상황에 대하여 조언할 수 있다는 점이다. 문제의 소재를 분명히 하며 그 문제를 해석한다. 또 이용자의 필요에 응해서 데이터를 해석할 수도 있다. 커다란 문제를 피하기 위하여 무엇인가 급히 판단해야 할 경우에 전문가 시스템은 그것을 도와줄 수 있다. 예를 들면 원자력발전소에서 고장이 발견되어 운전을 중지해야 하는지 어떤지를 판단해야 할 경우에 전문가 시스템은 조언을 한다. 이와같은 새로운 발전은 지금의 우리들의 사무실에 어떤 영향을 주게 될까? 두세 사람의 미래학자들은 컴퓨터 네트워크가 있음으로 우리들은 모두 집에서 근무하게 될 것이라고 예측하고 있다. 또 그 영향 때문에, 탁아소가 필요없게 될 것임으로 우리는 한 쪽 눈은 아기에 향하고 다른 한 쪽 눈은 컴퓨터의 단말기에 향하고서 작업을 하게 될 것이며 그런 상태가 더 진행되면 우리들은 전자적 방법이 없이는 다른 사람들과 대화도 나눌 수 없는 반사회적 동물이 되어 버릴 것이라고 그들은 예언하고 있다.
그러나 그와같은 예상에 우리들은 찬성할 수 없다. 인간은 적어도 누군가와 어울려 함께 지내기를 희망한다. 만약에 사람들이 일반적으로 혼자서 일하게 되며 자율적인 업무가 많아지게 되면 그 나머지 시간에 사교적 교류의 자리를 마련하려고 의식적으로 노력하게 될 것이다. 우리는 때때로 혼자 있고 싶어 하지만 그와 함께 사람들과의 교류도 필요로 한다. 우리들은 이것을 알고 있으며 그것이 결핍되면 우리 스스로 알 게 된다. 따라서 우리들은 어떤 방식으로든지 그 대책을 강구할 것이다.
각 가정에 비치된 단말기가 우리들에게 주는 것은 선택권과 유연성이다. 대부분의 사람들은 교통의 정체현상과 혼잡을 참고 견디며, 미리 정해진 시간에 맞춰 멀리 떨어져 있는 직장에 도착해야 하는데 앞으로는 그럴 필요가 없게 될 것이다. 교통기관은 사람들의 붐빔이 최고조에 달할 때는 충분하지 못하고, 한낮과 한밤 중에는 거의 필요없게 되는데, 앞으로는 이런 일도 없게 될 것이다.
그때에는 도대체 중앙의 직장이라는 것이 존속이나 하고 있을까? 아마도 존속은 할 것이다. 예를 들면, 매주 목요일 오후 3 시부터라는 식으로 시간을 정하여 동료 몇 사람이, 혹은 모두가 모여서 특별한 계획에 관해서 검토할 것이다. 전자적 네트워크의 덕택으로 신속한 통신이 용이하게 이루어지는데 무엇 때문에 모이는 것일까. 그것은 우리들이 사회적 동물이며 서로 함께 있고 싶어하기 때문이다.
전체적으로 보면, 대부분의 사람들이 과거 2 세기와 비교하여 훨씬 긴 시간을 자기 집에서 일하게 될 것이다. 그때가 되면 우리들은 과거 2 세기를 돌이켜보며, 「그것은 인간의 역사 속에서 참으로 이상한 시기였군.」하고 생각하게 될 것이다. 「그 2 세기 동안 사람들은 인생의 다른 분야, 특히 가정생활과는 분리되어 있었군. 그러길래 가정의 파괴, 통근에서의 체력소모 등 여러 가지 좋지 않은 일이 일어났겠지…」「인류는 저런 지루한 생활에 용케도 견디어냈군.」하며 그 시기를 기이하게 여길 것이다.
지능에 관심을 가지는 사람이라면 환영하리라고 생각되는 정보처리 시스템의 응용실례가 있다. 그것은 <지능도서관> 이다.
도서관에는 정보가 있으며 지식도 축적되어 있다. 그러나 거기서는 이용자인 당신 스스로 지능을 마련하여야 한다. 당신은 도서카드를 찾으며, 서가를 흝어보고, 분류하며 선택한다. 그리고나서 원하는 책을 못찾으면 실망하며 사서에게 문의하러 간다.
그러나 지능도서관에는 지식정보처리 시스템에 의해서 지식과 정보 외에 지능도 제공해준다. 그것은 피동적인 서비스가 아니고 적극적 활동이다. 기계가 당신과 대화를 한다. 기계는 당신이 말한 것을 토대로 추리하여, 당신이 정말로 바라는 것이 무엇인지를 판단한다. 당신은 질문할 수도 있으며 목적을 말할 수도 있다. 그렇게 하면 기계는 당신에게 질문하며, 당신의 희망을 추리하고, 또 그것에 합당한 것을 찾아준다. 그리고 당신이 그때 생각하지 못했던 관련문제 (topic) 까지도 암시 (hint) 로 제시해준다. 또 당신의 가설을 실험하여 보여주고, 당신의 직감을 실증하여주며, 또 당신이 납득할 때까지 설명해주기도 한다.
이와같은 것들은 모두 추론에 의하여 되는 것들이다. 때로는 도서관의 기계가 바른 해답을 가지고 있지 않을 경우도 있다. 그러나 기계는 다른 정보들 속을 누비며 끝내 납득되는 개요를 제공해준다. 또 희망한다면 그와같은 개요에 도달하게 된 이유까지도 설명해준다.
그런데 지금 우리들이 알고 있는 도서관이 없어진다면 책이라는 것도 없어지는 것일까. 그런 일은 있을 수 없을 것이며, 있다고 하더라도 아마 먼훗날까지는 그렇지 않을 것이다. 우리들은 전화나 텔렉스와 같은 상호 통신수단을 갖고 있는데도 지금도 편지를 쓴다. 먼 장래에 책은 예술품의 하나가 될런지도 모른다. 그러나 책은 큰 장점을 가지고 있다. 예를 들면 사진 등이 갖고 있는 해상도, 들고 다니다가 페이지를 손쉽게 후루루 훑어보고 아무데서나 읽기 시작할 수 있는 무순도달 (random access) 의 성격 등이 그것이다. 책의 자리에 들어서려고 하는 것은 그것이 무엇이든지간에 이런 특징을 지녀야 할 것이다. 이렇게 말하면 누구나 책과 크기가 같은 개인용 <독서기계> 를 쉽게 상상할 수 있을 것이다. 이 기계에 집접회로의 칩을 넣고, 자기가 좋아하는 곳에 가지고 간다. 보는 것보다도 듣는 것을 좋아하는 사람이라면, 이 기계는 그를 글자로 세계로부터 말의 세계로 데리고 갈 것이다.
서유럽의 어느 지식인에 관한 이야기이다. 그는 자신이 과학에 관해서 무엇 하나 아는 것이 없다는 것을 깨닫고, 최근에 이렇게 탄식했다고 한다. 「우주는 말없이 나의 머리 위를 넘어 지나가 버렸다.」이와같은 반응은 좀 극단적인 것처럼 생각되지만 그가 인내력만 가지고 있다면 조만간 구원의 손길이 뻗쳐올 것이다.
우리들은 많은 문제에 대해서 전혀 아무것도 모른다. 그러나 배우는 것이 그다지 어렵지 않다면 그 문제들에 관해서도 알고 깊어한다.
이 경우에 학습의 어려움은 두 가지 종류가 있다. 첫째로, 날마다 다루어 익숙해진 것이 아닌 전혀 생소한 것들은 머리 속에 넣기가 어렵다. 둘째로, 「이해할 수 없다.」고 계속 인정한다는 것은 어른이 된 사람에게는 대단히 부끄러운 일이다. 그러한 것은 우리들을 압도하기 때문에 우리들의 대부분은 인간의 지적 활동의 많은 분야에 대해서 마음의 문을 굳게 닫아 버린다. 그러나 인내심이 한없이 강하고 머리가 좋으며 비판하지 않는 가정교사가 있다면 우리들의 마음은 달라질 것이다.
당신은 지능기계의 가정교사에게 마치 혼자서 중얼거리는 것처럼 이렇게 묻는다.
「물리학에 관해서 무엇을 좀 가르쳐 줄 수 있나요?」
그러면 기계가 대답한다.
「보편적이고 아주 쉬운 이론부터 시작합시다.」
「아, 좋습니다.」
지능기계의 가정교사는 당신에게 목소리가 아닌, 어떤 종류의 수신기로부터 프린트의 형태로 글자를 보여줄지도 모른다. 아무튼 곧 그림이 나오기 시작할 것이다. 현재는 어떤 방법으로도 그림이 되지 않는 현상이 컴퓨터 프로그램의 덕택으로 그림으로 비춰나오게 된다. 정리는 숨을 죽일 정도로 아름다운 시각적 그림으로 제시된다. 그 규칙성과 우아함은 시각적으로 그 내부를 투시할 수 있는 형태로 제시된다. 그것은 참으로 <백문불여일견> 이라는 중국의 옛 속담 그대로이다.
지능기계 가정교사의 덕택으로, 지식은 당신이 바라는대로의 수준에서 제공되게 된다. 초심자 취향의 일반적이며 개괄적인 입문편으로부터, 전문가들만이 원하는 상세하고 전문적인 지도까지 여러 단계가 있다.
당신이 그 분야의 것을 잘 알고 있기나 한 것처럼 기계에 말을 걸 경우에, 혹은 기계가 당신을 몰래 시험해 보려고 생각한 경우에는 처음에 제공된 지식은 당신의 이해력을 넘는 것일 수가 있다. 그럴 경우에 지능기계는 당신의 이해를 도모하는데 필요하다고 생각되는 모든 것, 예를 들면 이야기, 그림, 수학의 용어 등 무엇이나 다 사용하여 개념을 좀더 이해하기 쉽도록 풀어서 설명한다.
그래도 이해하지 못한다면, 기계는 당신이 실제로 흡수할 수 있는 정도의 것을 임기응변으로 가르쳐준다. 따라서, 당신은 이해되지 않는다는 것 때문에 속상해 할 필요가 없다.
일본사람들은 점점 고령화 되어가는 국민의 생애교육에 이와같은 지능기계의 가정교사를 활용하려고 생각하고 있는데, 만약 어른들이 이와같은 가정교사를 이용하게 된다면 어린이들의 교육은 대체 어떤 모양으로 될까?
그것에 대한 하나의 대답은 최근에 개최된 <비디오게임 심포지움> 에서 들을 수 있었다. 이와같은 자리에서 지적인 컴퓨터에 관하여 생각한다는 것은 기묘하게 생각되지만 강연을 한 인사들의 거의 대부분이 다음과 같이 언급했다.
지금의 비디오게임은 단지 날고 있는 것을 쏘아서 떨어뜨리는 따위의 비교적 단순한 것인데 그런 것보다는 훨씬 진보된 게임을 연구하고 있는 두세 사람의 강연자들이 집회에 모인 학자들에게, 「지금의 비디오게임은 문자 그대로 유년기에 머물러 있습니다.」라고 말했다. 그러나 지금의 원시적 단계에서도 장래에 가능하게 될 비디오 게임을 상상하는 것은 용이하다. 그 즈음에는 컴퓨터의 속도도 빨라지고 고도로 정밀한 제도법 (graphics) 도 가능하게 되며, 추론의 능력도 향상하게 될 것이다.
그와같은 장래의 게임 갖는 중요한 성질은 게임이기 때문에 그것이 재미있다는 것은 당연한 사실이니 말할 것도 없고 어려움없이 자연스럽게 사물을 가르칠 수 있다는 데 더 큰 특징이 있다.
자기 자신만을 위해서 특별히 설계된 비디오게임을 갖고 있는 사람도 있다. 예를 들면, 민간 제트기의 조종을 연습하는 사람들은 처음부터 실제의 제트기를 탈 필요는 없다. 그 대신에 모의비행장치 (Simulation) 라는, 1000 만 달러나 되는 <장난감> 을 사용하여, 실제의 제트기를 조정하여 나르는 감각을 가능한한 정확하게 배우고 최후로 실제의 제트기를 조종한다.
게임이라고 하면 우리는 특별한 연상, 주로 경시적인 연상을 하게 된다. 그것은 현실의 어른들의 일과와는 아무 관계가 없다고 생각하는 사람들이 있다. 그러나 게임은 그것과 관계가 있다. 과학자들은 자기들이 하는 일을 명예로운 게임이라고 말하는 사람들이 많다. 또 증권분석가들도 그런 식으로 말한다.
오늘날의 비디오게임은 분명히 원시적인 수준에 머물러 있지만, 그것으로도 게임을 즐기는 한편, 지능을 자극시키며 여러 가지 기능이나 사실을 배울 수 있다. 이렇게 게임의 설계자들은 설득력 있게 주장한다.
<타임 존 (Time John)> 이라는 게임은 역사의 세계에 사람들을 유인한다. 그리고 쥴리어스 시저의 암살에 그들을 참가시킨다. 물론 그들이 그 암살을 저지할 수는 없다. 또 그들을 독립선언서에 서명하라고 얼굴을 맞대고 벤자민 플랭클린을 설득하는 장면에도 입회시킨다. 다만 그 설득은 성공하지 못한다.
지금의 게임에는 시간의 제약까지도 짜 넣어져 있다. <형사> 라는 게임에서는 재빠르게 추리하지 않으면 증거는 사라진다. 한 번 사라지면 그 증거는 게임이 끝날 때까지 다시 나타나지 않는다. 따라서, 그럴 경우에 경기자는 자기의 머리를 짜내어 그것을 메꾸어야 경기를 진행할 수 있다. 이와같은 게임은 즐기기 위한 차원을 벗어나 그 게임에 참가하는 사람들에게 추리의 기술을 가르칠 수 있는 것이다.
장래의 어린이들이 이 게임과 같은 방식으로 학과를 배운다고 하면 학교의 교실은 어떻게 될까? 대단히 먼 장래에는 교실은 컴퓨터가 등장하기 전의 여러 조직들이 겪은 운명과 같게 될 것이다. 그러나, 우리들이 예상할 수 있을 정도의 가까운 장래에는 어떤 종류의 교실은 반드시 존속할 것이다. 가장 훌륭한 게임이라고 할 수 있는 <모의장치> 나 환등기 등이 그 즈음에 어떻게 불리어질런지 알 수 없으나 그것들을 한 집 한 집마다 모두 비치해 놓기에는 너무 크거나 너무 높거나 할 것이다. 그런 경우에만 교실은 존속할 것이다. 게다가 아이들은 친구를 필요로 한다. 새로운 교실은 친구들과 만나는 장소의 하나로 될 것이다.
학교 선생님은 사라져 버릴 것인가? 아마 그렇게 되지는 않을 것이다. 그러나 어린이들은 지금보다 훨씬 자립적인 방식으로 학습하게 될 것이다. 무엇을 배울 것인가, 그리고 언제 배울 것인가도 자기 자신이 결정한다. 어린이들이 이런 일들을 현명하게 결정할 수 있을까? 만약 학습게임이 지혜를 제공할 수 있게끔 설계된다면 그것은 가능할 것이다.
인공지능 학자들은 지능적인 컴퓨터 프로그램의 작성방법을 발견하므로써 인간학습의 과정에 빛을 비추리라는 원대한 희망을 품어왔다. 그런데 이즈음의 교육은 어린이들에게 이런 저런 말을 주입시켜서, ;그 일부가 어린이의 마음 속에 남아 있도록 하는 것에 불과하다
금후 수년간에 걸쳐서 교육자나 인식 심리학자들이 직면하게 될 커다란 도전은 새로운 세계에 참가하기 위한 기술을 가르치는 프로그램을 설계하는 일일 것이다. 그러기 위한 최초의 과제는 아마도 그 기술이란 무엇인가를 아는 일일 것이다.
지금 일어나고 있는 사건에 대해서 큰 흥미를 갖고 있는 사람이 있는가 하면, 그런 시시한 사건에 시간을 빼앗길 틈이 없다고 생각하는 사람도 있다. 미래의 지능적인 신문은 당신이 어떤 것에 흥미를 느끼는가를 알고 있어 그것에 맞게 행동한다.
지능기계가 그것을 알고 있는 까닭은 당신 자신이 그 기계를 그렇게 훈련시켰기 때문이다. 당신이 어떤 주제에 특별한 관심을 기울이고 있는가를 지능적인 뉴스편집 시스템에게 가르친다는 것은 그다지 어려운 일이 아니다. 편집방침은 당신 자신이 결정하고 기계는 그 방침에 따라서 행동한다.
뉴스원은 수백 아니 수천도 더 있어 서로 경쟁할 것이다. 그것들 가운데서 어느 것을 당신은 가장 신뢰하는가, 어떤 문제에 관해 어떤 반대 의견을 듣고 싶은가, 또는 언제 그 기계의 방해를 받고 싶지 않는가 따위의 것들도 기계는 환히 알고 있다. 그것도 당신이 기계에게 가르치기 때문이다.
당신이 뉴스를 모아서 읽는 것을 보면, 지능기계는 당신의 흥미가 어디에 있는지를 추리할 수 있다. 무엇이 당신을 웃게 하는가를 기계는 기억하고 있으므로 당신을 즐겁게 할 수 있을 듯한 재미있는 이야기들을 모아준다. 또 무엇이 당신을 노하게 하는가를 지능기계는 알고 있어 노여움의 대상에 관해서 정보를 수집하며 그것을 찬성하는 그룹과 반대하는 그룹의 이름도 하나하나 일러준다.
부근에서 무슨 일이 일어나고 있을까? 범죄율이 작년의 같은 기간과 비교하여 낮아졌다는 것을 들으면 당신은 기뻐 할 것이다. 반대로 그것이 높아졌다는 것을 들으면 당신은 기뻐 할 것이다. 반대로 그것이 높아졌다면 당신은 속상해 할 것이다. 또 어느 도시의 젊은 부부가 계집아이를 낳아 죠안나라고 이름지었는데 많은 사람들의 축복을 받고 부부는 감사해 한다는 망릉 들으면 당신은 행복한 기분에 젖을 것이다.
당신은 또 이런 프로그램도 만들 수 있다. 예를 들면 「때때로 나를 좀 깜짝 놀라게 해주라우!」하고 지능기계에게 일러줄 수도 있다. 그럴 경우에, 당신은 <잡학> 의 지식이 급속히 증대하게 될 것이다.
어느 분야에서도 그렇지만 전문가는 편재해 있다. 의사는 특히 그렇다. 미국 국립위생연구소가 전문가 시스템의 연구를 열심히 지원하는 것은 첫째로 의사 편재되어 있기 때문이다. 이것은 몽고의 울란바토르에 사는 사람들이 로스앤젤리스에 사는 사람과 동일한 의료를 받지 못하고 있다는 뜻이 아니다. 캘리포니아 중부의 중소도시인 프레즈노에서조차도 로스앤젤리스에서와 같은 의료를 받지 못하기 때문이다. 또 그것은 같은 로스앤젤리스에도 가난한 사람들은 부유한 사람들과 같은 의료를 받는 행운을 갖고 있지 않기 때문이다.
만약 기계의사라는 생각이 당신의 기분을 상하게 한다면, 모든 사람들이 다 그렇게 생각하지는 않는다는 점을 생각해 보기 바란다. 영국의 한 조사에 의하면, 자신에게 호의를 가지고 있지 않다고 느껴지는 의사에게 검사를 받는 것보다는 컴퓨터의 단말기에 검사를 받는 편이 훨씬 쾌적하며 개운하다고 많은 사람들이 생각하고 있다. 기계의사는 여러 가지 가능성을 계통적으로 살피고 추론하며 결론을 내린다. 그 일은 그 프로그램을 만든 전문가보다도 더 우수하게 해낼 경우가 종종 있다. 왜냐하면, 기계는 계통적으로 살펴볼 뿐, 무엇을 빠뜨리거나 잊거나 하는 일이 없다. 또 그것은 인간처럼 피곤해 하거나 당황하거나 하지 않으며 그 외의 과오, 즉 인간적인 과오를 범하지 않는다. 그리고 기계는 환자가 적당하다고 생각할 때 부를 수 있으며 당장 의사가 없는 곳에서도 의료혜택을 받을 수 있다.
전문가 시스템은 아마 처음에는 영업용으로서 개발되었을 것이다. 그러나 그 뒤를 이어 가정용의 전문가 시스템도 곧 개발하게 될 것이다. 가정용 비디오게임이나 휴대용 컴퓨터 등은 그 선구자라고 볼 수 있다. 하여간에 더욱 정교한 시스템이 가정용으로 개발되어 영양학에서 세금계산, 체조, 법률상담 등에 이르기까지 혜택을 베풀 게 될 것이다.
《스포크 박사의 육아법》은 몇 십 년 동안 계속 부모들에게 도움을 주고 있는데, 대화를 하는 전자적 스포크 박사는 인쇄물의 스포크 박사보다 훨씬 더 쓸모가 있을 것이다.
전문가 시스템은 다른 여러 가지 문제에 관해서도 조언할 수 있을 것이다. 《일요일의 수선공》이라는 책에는 물이 새는 변기를 고치는 방법이 쓰여 있다. 그러나 자기 집의 변기는 책에 나오는 것과는 좀 달라서 아무 도움도 받지 못한다는 경우가 많다. 전문가 시스템은 당신 집의 변기수선을 한 걸음 한 걸음 단계를 밟으며 가르쳐준다. 그 밖에도 그것은 자동차나 가전제품의 수리방법도 가르쳐줄 것이다.
집 뜰의 채소밭을 가꾸는 방법을 가르치는 프로그램은 어떠할까? 그것은 적당한 비료의 정도, 일기관계, 벌레의 구제, 손톱 밑에 들어간 흙 등의 문제에 대하여 조언해준다.
또 지능적인 사전이나 지능적인 백과사전은 어떠할까? 그것은 모두 당신 자신의 사전이며 백과사전이다. 그것은 당신 자신의 문제와는 관계가 없는 일반적이며 추상적인 해답을 제시하는 것이 아니고 당신이 지금 알고 싶어하는 문제를 풀어준다.
그 모든 것들은 전적으로 당연한 것이며, 벌써 몇 년 동안이나 이야기되어왔던 것들이라고 맥코덕은 생각한다. 그것들은 이론적으로도 가능한 것이며 반드시 실현될 수 있을 것이다. 그것을 위한 기반은 이미 확고하게 되어 있다.
맥코덕은 그밖에도 여러 가지 희망을 품어왔다. 그렇기 때문에 일본의 제 5 세대 컴퓨터 계획이, 그 개발 목적의 하나로서 <고령화 문제의 경감> 을 열거하는 것을 읽고 기뻐했다. 그녀는 여러 해에 걸쳐서 노인간호용의 로봇트를 개발할 것을 활발히 주장하고, 추진하며, 그리고 선전해왔다.
그런데 그녀의 친구들인 인공지능 연구가들은 의학의 전문가 시스템이라든지, 지질학ㆍ군용ㆍ첩보 등의 전문가 시스템 따위만을 개발하고 가정에 도움이 되는 기계는 개발하려고들지 않았다. 그러나 시간은 점점 지나간다. 얼마 지나지 않아 노인간호용 로봇트가 모든 사람의 직접적 관심의 대상이 될 것이다.
노인간호용 로봇트는 굉장하다. 로봇트는 노인이 남길 유산에 욕심이 나서 간호에 임하는 것이 아니다. 물론 피할 수 없는 죽음을 재촉하려고 무엇인가를 타서 먹이거나 하지도 않는다. 모두들 할 일이 없어서 노인의 간호를 한다는 것도 아니다. 로봇트는 노인의 것이기 때문에 노인을 돌봐주는 것이다.
그것은 노인을 목욕시켜주며 음식을 먹인다. 또 노인이 신선한 바깥공기를 쏘이고 싶다거나, 철이 바뀐 풍경을 바라보고 싶어할 때 바퀴의자를 밀면서 양지 바른쪽으로 데려간다. 그런 일들을 모두 하고서도 게다가 이 로봇트는 노인들에게 이야기도 들려준다. 그것은 참으로 굉장한 일이다.
「당신의 자식들에 관해서 한번 더 들려주세요.」라고 로봇트가 말한다.
「1963 년에 크게 성공했던 그 멋진 이야기를 한번 더 들려주세요.」라고도 한다.
로봇트는 진정으로 듣고 싶은 것이다. 노인들이 같은 말을 싫증낼 줄 모르고 몇 번이고 되풀이하는데도 로봇트는 듣기를 싫증내는 일이 없다. 로봇트는 노인이 좋아하는 것을 좋아한다. 인간은 싫증을 내며 욕심을 내고 변화를 좋아한다. 그것은 물론 인간의 매력의 일부이긴 하다. 그러나 로봇트는 싫증내거나 욕심을 내지 않는다. 바로 이것이 로봇트의 매력이다.
그런데 여기에 일본 사람들이 등장한다. 이 영리한 사람들은 제 5 세대 컴퓨터가 고령화 사회의 문제를 경감할 것이라고 주장한다. 맥코덕은 제 5 세대 컴퓨터의 보고서를 열심히 읽었다. 거기에는 생애 교육 시스템, 의료정보 시스템에 관한 것들을 비롯하여 그밖의 여러 가지 것들이 자세한 부분까지 치밀하게 쓰여 있었다.
그녀는 그만 기분이 나빠져서, 그 보고서를 던져 버렸다. 왜냐하면 일본사람들이 먼저 그 일을 하려고 하기 때문이다. 그녀는 인공지능을 <보는 게임> 이 아니고 <하는 게임> 으로 만들어야 한다고 생각했다. 너무나 늦어지기 전에 자신도 하나 만들 필요가 있겠다고 그녀는 생각했다.
지금까지의 이야기를 요약하도록 하자. 우선 컴퓨터 시스템이란 무엇인가 하는 문제인데 그것은 다양한 직업의 분야에서 인간의 전문가와 동일한 수준으로 일하는 컴퓨터 프로그램을 뜻한다.
전문가 시스템은 인공지능이라고 불리우는 컴퓨터과학의 커다란 연구의 일부이다. 인공지능의 연구는 1950 년의 중간쯤에서 이미 시작되었다. 그러나 1970 년대가 되기까지 전문가 시스템은 그렇게 많이 꽃피지를 못했다. 왜냐하면 전문가 시스템을 만드는데 필요한 원칙은 인공지능의 연구자들이 굳게 믿고 있는 바와 반하는 것이었기 때문이다. 그들은, 인간이나 컴퓨터의 지능적인 행동은 사고에 관한 크고 정연한 일반법칙에 따르는 것이라고 생각해왔었다.
연구자들은 이와같은 대원칙에서 좀처럼 탈출하지 못했다. 그 법칙을 완강하게 지키며 서 있었다. 거기서 두세 사람의 연구가들은 마비 상태에서 떨쳐나와 그다지 일반적인 것은 아닐지라도 적어도 특정의 일을 해낼 수 있는 시스템을 설계하기로 결심했다. 즉 그것은 가능한한 많은 사실과 경험원칙, 그리고 잘 되어나가리라고 여겨지는 전략을 모아서 특정의 일을 해보자는 것이었다.
철학자며 논리학자인 앨프레드 노오스 화이트헤드 (Alplred North Whitehead) 는 「복잡성의 속에서야말로 신이 존재한다.」고 말했다. 그와같은, 여러 가지가 뒤섞인 복잡성은 과학적으로 말하면 당혹할 것일런지 모르지만 그 복잡성으로 인하여 최초의 전문가 시스템인 분자구조 해석용의 컴퓨터가 성공되었다. 이 지식을 기초로 하는 방법은 다른 분야에서도 실험되었으며, 과연 일을 잘 해냈다.
전문가 시스템을 성공시키기 위하여서는 자신이 일을 할 때 전문가 시스템이 중요한 조수가 될 수 있을 것이라는 것을 신용해주는 사람들의 그룹이 몇 있어야 한다. 상당히 성능이 좋은 의학진단용 전문가 시스템이 만들어진 일이 있는데, 그 이용자가 되리라고 예상되었던 의사들이 그런 것은 필요없다고 생각하는 바람에 그 시스템은 사용되지 못했다. 그 의사들은 틀린 생각을 했던 것이다. 그러나 틀렸건 안틀렸건간에 사용해주지 않는다면 어떻게 할 수가 없는 것이다.
1970 년대 말부터 전문가 시스템은 기업가들의 주목을 받았다. 그들은 생산성을 높이기 위하여, 나아가서는 이윤율을 높이기 위하여, 여러 분야에서 이 전문가 시스템은 쓸 만하다고 생각했다. 인공지능이 대담하게 현실의 세계에 들어와서 유용하게 쓰이는 것을 보면 유쾌하지만, 그러나 그 문제를 둘러싸고 과학자들 속에서 약간의 긴장이 조성되었다.
기업의 그와같은 모험이 성행되자, 장기적인 과학적 가치와는 그다지 관계가 없는, 눈앞에 시장을 위한 응용에 젊고 유능한 연구가들을 빼앗기고 말 것이라고 과학자들은 우려했다.
그러나 전문가 시스템의 연구는 순수과학에 대해서도 한낱 심심풀이로 하는 일이거나 예상착오의 우행이라고 말할 수는 없다. 지식을 기반으로 하는 방법으로 인공지능을 추구하려는 연구가 시작된 이후 아직 20 년밖에 지나지 않았다. 커다란 문제가 아직 많이 남아 있다.
아마도 가장 중요한 일은 지식을 수집하는 일일 것이다. 그것은 전문가 시스템의 지식기지에 넣기 위한 것인데, 지금으로서는 지식을 지식공학자가 인간전문가로부터 힘들여 끄집어내어 컴퓨터가 아는 부호로 바꾸어서 지식기지에 넣어진다. 그것은 전문가와 지식공학자의 모두에게 자신이 걸리는, 참으로 크나큰 인내가 필요한 일이다.
지식을 기반으로 하여 인공지능을 해결하려는 시도는 아직 제한적 성공밖에 성취하지 못하였는데, 그것은 일본사람들에게 자극을 주었다. 그들은 야심적인 연구개발계획에 착수했다. 그것은 망가지기 쉬운 전문가 시스템을 위하여, 컴퓨터의 하드웨어와 소프트웨어를 대량 생산하는 것을 목표로 한 계획이다. 그것은 손으로 만든, 말이 없는 마차를 만들어 모든 사람들을 위하여 값이 싼 것으로 되게 하려는 계획이다.
일본사람들은 자기들의 활력에 넘치는 새 계획에 <제 5 세대> 라는 호칭을 붙였다. 왜냐하면 이 기계들은, 그들이 알고 있는 지금까지의 네 가지 세대의 컴퓨터와는 대단히 다름으로 그것을 구별하는 편이 좋다고 믿고 있기 때문이다. 일본사람들은 자신들의 지식정보처리 시스템을 가지고 지식에 관한 세계적 혁명을 일으킬 것을 목표로 삼고 있다.
그것을 실현하기 위하여, 일본은 우선 몸 가까이에 있는 작은, 그러나 중요한 혁명부터 시작했다. 그것을 이제부터 보기로 하자.