프로젝트는 어디에서 시작할까요?
만들 수 있는 것을 먼저 떠올리면, 만들고 나서 왜 만들었는지 설명하지 못하게 됩니다
데이터로 모델을 만드는 법을 알아도 무엇을 만들지는 스스로 정해야 합니다. 프로젝트에서 가장 오래 막히는 곳이 여기입니다.
대부분 여기서 멈춥니다
「인공지능 프로젝트를 해 봅시다」라는 말을 들으면 대개 둘 중 하나를 합니다. 하나는 검색창을 열어 주제 목록을 찾아보는 것이고, 다른 하나는 써 본 도구를 떠올리고 그것으로 할 수 있는 일을 찾는 것입니다.
두 방법 모두 시작은 빠르지만 같은 자리에서 막힙니다. 남이 골라 놓은 문제라서 데이터를 어디서 구할지 모르고, 내 문제가 아니라서 잘 되었는지 판단할 기준도 서지 않기 때문입니다. 발표 시간에 「그래서 이게 왜 필요한가요?」라는 질문을 받고 답하지 못하는 프로젝트는 대개 이렇게 시작한 것들입니다.
「이미지를 분류할 수 있으니 무언가를 분류해 보자」로 시작합니다. 분류할 대상은 나중에 찾습니다.
- 대상을 찾다가 이미 인터넷에 잘 정리된 자료로 흘러갑니다.
- 모델은 돌아가는데 그래서 무엇이 나아졌는지 말하기 어렵습니다.
- 결과가 이상해도 기준이 없어 이상한지조차 모릅니다.
「자습하러 갔더니 도서관에 자리가 없다」로 시작합니다. 무엇으로 풀지는 나중에 정합니다.
- 데이터가 내 주변에 있어 직접 모을 수 있습니다.
- 줄었는지 늘었는지 확인해 줄 사람이 곁에 있습니다.
- 인공지능이 필요 없다는 결론이 나와도 그 결론이 성과가 됩니다.
도구에서 출발하는 것이 언제나 틀린 것은 아닙니다. 새 도구를 익히는 것 자체가 목적이라면 그렇게 시작하는 편이 빠릅니다. 다만 프로젝트의 목적은 도구를 익히는 것이 아니라 겪고 있는 불편을 조금이라도 줄이는 것이므로, 이 단원에서는 문제 쪽에서 출발합니다.
지금 머릿속에 떠오른 주제가 하나 있다면, 그것이 도구에서 나온 것인지 문제에서 나온 것인지 구별해 보세요. 「무엇이 불편해서 이걸 떠올렸지?」라는 질문에 곧바로 답이 나오지 않는다면 어느 쪽일까요?
나에서 시작해 사회까지
「좋은 문제가 안 떠오른다」는 말은 대개 한 자리에서만 찾고 있다는 뜻입니다
범위를 한 겹씩 넓혀 봅니다
가치 관계 확장법(내가 마음 쓰는 범위를 나 → 주변 사람 → 사회로 한 겹씩 넓혀 가며 생각하는 방법)은 문제가 떠오르지 않을 때 쓰는 간단한 장치입니다. 특별한 도구가 필요하지 않고, 막힌 자리를 옮겨 주는 것만으로 새 문제가 딸려 나옵니다.
각 겹에서 물어볼 것
| 범위 | 스스로에게 던지는 질문 | 이렇게 나올 수 있습니다 |
|---|---|---|
| 나 | 지난 한 주에 짜증이 났던 순간은 언제였나? | 필기를 사진으로 찍어 두는데 나중에 어느 사진에 무엇이 있는지 찾지 못한다 |
| 우리 · 타인 | 우리 반, 우리 동아리에서 해마다 똑같이 반복되는 불편은? | 동아리 신입 부원이 첫 달에 많이 그만두는데 어느 활동에서 빠져나가는지 아무도 모른다 |
| 사회 공동체 | 뉴스에 반복해서 나오는데 아직 해결되지 않은 일은? | 버스가 언제 올지 알 수 없어 정류장에서 하염없이 서 있는 사람이 많다 |
사회 범위의 문제가 더 훌륭한 주제인 것은 아닙니다. 오히려 나와 주변의 문제는 데이터를 직접 모을 수 있어 끝까지 갈 확률이 높습니다. 범위를 넓히는 것은 더 큰 주제를 고르기 위해서가 아니라, 후보를 여러 개 만들어 놓고 고르기 위해서입니다.
한 학생이 「전국 청소년의 수면 부족」을 주제로 골랐다가 데이터를 구하지 못했습니다. 이 문제를 어느 겹으로 옮기면 직접 모을 수 있는 문제가 될까요? 옮긴 문제를 한 줄로 적어 보세요.
그래도 떠오르지 않는다면
떠올리는 일과 걸러 내는 일을 동시에 하려니 막히는 것입니다
아이디어가 안 나오는 가장 흔한 까닭은 하나 떠올릴 때마다 「이건 별로인데」 하고 스스로 지워 버리기 때문입니다. 아래 세 방법은 모두 판단을 잠시 미루고 양부터 모으게 만듭니다.
브레인스토밍 — 판단을 미루고 쏟아 놓기
시간을 정해 두고(짧게는 5분) 그 안에는 어떤 생각도 평가하지 않기로 약속한 뒤 계속 적어 나가는 방법입니다. 규칙은 셋뿐입니다.
- 남이 낸 것에 「그건 안 될 것 같은데」라고 말하지 않습니다. 거르는 일은 나중에 따로 합니다.
- 엉뚱해 보여도 적습니다. 엉뚱한 것 옆에서 쓸 만한 것이 나오는 일이 잦습니다.
- 남이 낸 것에 얹어서 새것을 만듭니다. 「그거랑 비슷하게, 대신 ~라면?」
스캠퍼 — 있는 것을 일곱 방향으로 비틀기
스캠퍼(SCAMPER)는 이미 있는 것을 정해진 방향으로 하나씩 비틀어 보는 방법입니다. 백지에서 시작하지 않아도 되므로 브레인스토밍보다 막히지 않습니다. 아래는 「우리 학교 알림장」을 놓고 비틀어 본 것입니다.
| 비트는 방향 | 이렇게 물어봅니다 |
|---|---|
| 바꾸기 | 글자 대신 그림으로 알린다면? |
| 합치기 | 시간표와 알림장을 하나로 합치면? |
| 가져다 쓰기 | 배달 앱이 쓰는 알림 방식을 여기에 가져오면? |
| 키우거나 줄이기 | 한 줄만 남긴다면? 반대로 아주 자세히 적는다면? |
| 다른 데 쓰기 | 알림장을 동아리 모집에 쓴다면? |
| 덜어 내기 | 알림장을 아예 없앤다면 무엇이 그 자리를 메울까? |
| 거꾸로 하기 | 선생님이 학생에게 알리는 것을 뒤집어, 학생이 먼저 알린다면? |
컬러 배스 — 낱말 하나를 정하고 하루를 지내기
컬러 배스(color bath)는 아침에 낱말을 하나 정해 놓고, 그날 하루 동안 그 낱말과 이어지는 것만 눈여겨보는 방법입니다. 빨간색을 정해 두면 온종일 빨간 것만 눈에 들어오는 경험에서 나온 이름입니다.
낱말을 「기다림」으로 정했다고 해 봅시다. 아침에는 급식 줄이, 점심에는 인쇄실 앞이, 하굣길에는 버스 정류장이 차례로 눈에 걸립니다. 매일 지나다니면서도 문제라고 생각해 본 적이 없던 곳이 이렇게 드러납니다.
세 방법 모두 양을 모으는 데까지가 할 일입니다. 여기서 나온 것들은 대부분 프로젝트로 삼을 수 없습니다. 그래도 괜찮습니다. 고를 것이 많아야 고를 수 있기 때문입니다. 걸러 내는 일은 기준을 세워 따로 합니다.
모둠 브레인스토밍에서 한 친구가 아이디어가 나올 때마다 「그건 데이터가 없잖아」라고 말합니다. 세 방법이 함께 지키는 약속 가운데 무엇을 어긴 것이고, 그 말은 언제 하면 될까요?
지속가능발전목표에서 주제 찾기
17개 목표는 문제의 목록이 아니라 방향의 목록입니다
지속가능발전목표란
지속가능발전목표(SDGs, Sustainable Development Goals)는 유엔 회원국들이 2015년에 함께 정한 약속입니다. 지구와 사람이 함께 버텨 나가려면 2030년까지 무엇을 해내야 하는지를 큰 목표 17개로 묶고, 그 아래에 좀 더 잘게 나눈 목표 169개를 달아 두었습니다.
이 목록이 주제를 찾는 데 쓸모 있는 까닭은 이미 많은 사람이 「이것은 풀어야 할 문제다」라고 합의해 둔 목록이기 때문입니다. 내가 떠올린 불편이 나 혼자만의 것인지, 여러 사람이 겪는 것인지 가늠해 볼 수 있습니다.
17개 목표의 전체 목록과 세부 목표는 유엔이 운영하는 sdgs.un.org/goals에서 볼 수 있습니다.
17개 목표
인공지능이 끼어들 수 있는 자리는 대개 셋입니다
목표는 크지만, 그 안에서 인공지능이 실제로 맡는 일은 대개 아래 세 가지 중 하나입니다. 주제를 고를 때 내 문제가 이 셋 중 어디에 해당하는지 먼저 정해 두면 뒤 단계가 훨씬 수월해집니다. 여기의 세 낱말은 인공지능이 맡는 일을 나눈 말이라서, 주제를 좁힐 때 쓰는 모델의 세 유형(예측 · 분류 · 묶기)과 이름이 겹쳐도 같은 구분은 아닙니다.
관측
사람이 일일이 볼 수 없는 양을 대신 살펴봅니다. 넓은 지역의 위성 사진에서 숲이 줄어든 곳을 찾아내는 일이 여기에 포함됩니다.
분류
쏟아져 들어오는 것을 종류별로 나눕니다. 선별장에 밀려드는 재활용품을 재질별로 나누는 일이 여기에 포함됩니다.
예측
아직 오지 않은 값을 미리 가늠합니다. 날씨와 계절로 다음 주 전력 사용량을 미리 잡아 보는 일이 여기에 포함됩니다.
여기까지가 인공지능의 몫입니다
여기서 인공지능은 대개 보고, 나누고, 가늠하는 데까지 합니다. 그다음에 무엇을 할지 정하고 실제로 옮기는 일은 사람과 제도의 몫입니다. 그래서 프로젝트의 목표를 적을 때도 「인공지능으로 기아를 없앤다」가 아니라 「어디에 식량이 모자란지 더 빨리 알아낸다」처럼 적어야 합니다. 앞엣것은 지킬 수 없는 약속이고, 뒤엣것은 해냈는지 아닌지를 판단할 수 있는 목표입니다.
「인공지능으로 기후 변화를 막는다」는 목표가 왜 확인하기 어려운 목표인지 설명해 보세요. 이 문장을 관측 · 분류 · 예측 중 하나에 맞추어 다시 쓴다면 어떻게 적을 수 있을까요?
이 주제, 프로젝트로 삼아도 될까요?
떠올리는 것보다 어려운 일은 버리는 일입니다
후보가 여러 개 모였다면 이제 걸러 낼 차례입니다. 아래 네 가지를 차례로 물어보면 대부분의 후보가 여기서 떨어집니다. 떨어지는 것은 실패가 아니라 시작하기 전에 알아낸 것입니다.
① 내가 겪었거나 곁에서 본 문제인가
겪어 본 문제라야 어떤 데이터가 필요한지 감이 옵니다. 검색으로 알게 된 문제는 남의 문제라서 중간에 힘이 빠집니다.
② 데이터를 실제로 모을 수 있는가
「어딘가에 있을 것 같다」와 「내가 이번 달 안에 손에 넣을 수 있다」는 전혀 다릅니다. 어디서 어떻게 얻을지 지금 한 줄로 적을 수 없다면 위험 신호입니다.
③ 맞혔는지 틀렸는지 판정할 수 있는가
가장 자주 빠뜨리는 물음입니다. 정답을 정할 수 없는 문제라면 모델이 잘하고 있는지 아무도 판정할 수 없습니다.
④ 틀렸을 때 생기는 일이 감당할 만한가
수업에서 만드는 모델은 틀릴 때가 있고, 대개는 자주 틀립니다. 틀렸을 때 누군가가 크게 다치거나 불이익을 받는 주제라면 수업의 주제로는 알맞지 않습니다.
③에서 걸린 주제는 버리지 말고 바꿉니다
사람마다 답이 나뉘는 문제는 그대로는 다루기 어렵습니다. 그런데 대개 물음을 조금 바꾸면 판정할 수 있는 문제로 옮겨 갑니다.
| 그대로는 어려운 물음 | 판정할 수 있게 바꾼 물음 |
|---|---|
| 어떤 음악이 좋은 음악인가? | 이 사람이 자주 듣는 곡과 비슷한 특징을 가진 곡은 무엇인가? |
| 누가 성실한 학생인가? | 과제 제출 기록으로 다음 과제를 기한 안에 낼지 가늠할 수 있는가? |
| 도서관을 잘 운영하려면 어떻게 해야 하는가? | 어느 요일 몇 교시에 열람실 자리가 가장 빨리 차는가? |
오른쪽 물음들은 왼쪽보다 작아 보이지만 정직합니다. 「좋은 음악」을 맞히겠다고 해 놓고 실제로는 비슷한 곡을 찾아 주는 모델을 만들었다면, 그것은 목표를 이룬 것이 아니라 목표를 슬쩍 바꾼 것입니다.
한 모둠이 「가장 맛있는 급식 메뉴 맞히기」를 주제로 골랐습니다. 네 물음 가운데 어디에서 걸리나요? 판정할 수 있는 물음으로 바꾸어 적어 보세요.
큰 주제를 손에 잡히는 크기로
「기후 위기를 해결하는 인공지능」은 주제가 아니라 바람입니다
세 번 물으면 손에 잡히는 크기가 됩니다
골라 낸 주제는 아직 큽니다. 아래 세 물음을 차례로 던지면서 한 번에 한 걸음씩 좁힙니다. 한꺼번에 좁히려 하면 대개 중간이 비어 나중에 데이터 단계에서 막힙니다.
① 무엇에 대한 문제인가 — 대상을 좁힙니다
「자습할 자리가 부족하다」→ 「우리 학교 도서관 열람실의 빈 좌석」. 세상 전체가 아니라 내가 직접 볼 수 있는 곳으로 내려옵니다.
② 그것을 무엇이 말해 주는가 — 데이터를 정합니다
요일, 교시, 시험 기간인지 여부, 그날의 날씨, 그리고 그 시간에 세어 본 빈 좌석 수. 여기서 적을 것이 없으면 ①로 돌아가 대상을 바꿉니다.
③ 무엇을 맞히게 할 것인가 — 출력을 정합니다
「그 시간대에 남아 있을 빈 좌석 수」를 맞히게 합니다. 숫자를 맞히는 일이므로 예측(회귀)에 해당합니다.
세 물음의 답을 한 문장에 담습니다
(어떤 데이터)로 (무엇)을 (예측 / 분류 / 묶기)하는 모델을 만든다
앞의 예라면 — 요일 · 교시 · 시험 기간 · 날씨 데이터로 도서관의 빈 좌석 수를 예측하는 모델을 만든다.
세 가지 중 무엇인지 정해 둡니다
지도학습·비지도학습으로 푸는 세 유형인 회귀 · 분류 · 군집을, 여기서는 모델이 하는 일에 맞춰 예측 · 분류 · 묶기라고 부릅니다. 주제를 한 문장으로 적을 때 어느 갈래인지 함께 적어 두면 뒤에 알고리즘을 고를 때 헤매지 않습니다.
| 갈래 | 맞히는 것 | 이렇게 적습니다 |
|---|---|---|
| 예측 | 이어지는 값(무게, 시간, 인원 등) | 요일과 교시로 도서관의 빈 좌석 수를 예측하는 모델 |
| 분류 | 미리 정해 둔 갈래 중 하나 | 필기 사진으로 어느 과목의 필기인지 분류하는 모델 |
| 묶기 | 정답이 없는 상태에서의 무리 | 동아리 활동 참여 기록으로 비슷하게 움직이는 무리를 묶는 모델 |
지금 적은 한 문장이 마지막 문장은 아닙니다. 데이터를 모으다 보면 생각보다 적게 모이거나 필요한 값이 아예 기록되어 있지 않아 문장을 고쳐야 하는 일이 자주 생깁니다. 그때 문장을 고치는 것은 계획이 틀어진 것이 아니라 계획대로 되어 가는 것입니다.
②에서 적을 데이터가 하나도 떠오르지 않으면 어디로 돌아가라고 했나요? 그리고 「우리 학교 급식에서 남는 잔반」이라는 대상은 왜 「음식물 쓰레기」보다 다루기 쉬운가요?
해 보기: 주제 후보 세 개 만들고 걸러 내기
모둠에서 후보를 모으고, 네 물음으로 하나만 남겨 봅시다
1단계 — 세 겹에서 하나씩 꺼냅니다
모둠원이 각자 나 / 우리 · 타인 / 사회 공동체에서 문제를 하나씩 적습니다. 이때는 인공지능으로 풀 수 있는지 고민하지 않습니다. 불편한 것을 적는 단계입니다.
2단계 — 네 물음으로 점수를 매깁니다
모인 후보를 표에 놓고 네 물음에 각각 ○ · △ · ×를 답니다. ×가 하나라도 있으면 그 자리를 어떻게 메울지 적어 봅니다. 메울 방법이 없으면 후보에서 뺍니다.
| 주제 후보 | ① 동기 | ② 데이터 | ③ 판정 | ④ 대가 | ×를 메울 방법 |
|---|---|---|---|---|---|
| 우리 반 분실물이 자주 생긴다 (작성 예시) | ○ | × | △ | ○ | 분실물 기록이 없다 → 두 주 동안 직접 적어 모은다 |
3단계 — 남은 하나를 한 문장으로 적습니다
(________)로 (________)을 (예측 / 분류 / 묶기)하는 모델을 만든다
이 한 문장을 모둠원 전원이 같은 말로 옮겨 적을 수 있을 때까지 고칩니다. 사람마다 다르게 옮겨 적는다면 아직 문장이 덜 좁혀진 것입니다.
모둠원이 같은 문장을 저마다 다르게 옮겨 적었다면 무엇이 부족한 것일까요? 그리고 「급식 잔반이 많다」라는 후보가 ② 데이터에서 ×를 받았다면 어떻게 메울 수 있을까요?
핵심 정리
문제에서 출발합니다
도구로 할 수 있는 일을 먼저 찾으면 데이터를 구할 곳도, 잘 되었는지 판단할 기준도 없이 시작하게 됩니다. 그래서 도구에서 출발하는 것은 그 도구를 익히는 것 자체가 목적일 때에 알맞습니다.
가치 관계 확장법
나 → 우리 · 타인 → 사회 공동체로 범위를 한 겹씩 넓히며 문제를 찾습니다. 넓힐수록 후보는 많아지지만 데이터는 모으기 어려워집니다. 넓은 범위가 더 좋은 주제라는 뜻은 아닙니다.
지속가능발전목표
2015년 유엔 총회에서 채택한 17개 목표와 169개 세부 목표입니다. 여기서 인공지능이 맡는 일은 대개 관측 · 분류 · 예측까지이고, 무엇을 할지 정해 옮기는 일은 사람과 제도의 몫입니다. 이 셋은 인공지능이 맡는 일의 종류를 나눈 것으로, 지도학습·비지도학습으로 푸는 세 유형(예측·분류·묶기)과는 다른 구분입니다.
네 물음과 한 문장
동기 · 데이터 · 판정 · 대가를 묻고, 남은 주제를 「(어떤 데이터)로 (무엇)을 (예측 / 분류 / 묶기)하는 모델을 만든다」 한 문장으로 적습니다. 이 문장은 나중에 고쳐도 됩니다.
확인 퀴즈
배운 내용을 확인해 봅시다.