Current Issue

2016년 인공지능 알파고(AlphaGo)와 이세돌의 바둑 대회에서 예상과는 달리 알파고가 이기자 많은 사람은 큰 충격에 빠졌다. 이후 인공지능은 빠른 발전을 거듭해 왔다. 4차 산업혁명 시대인 현재, 인공지능은 선호하는 상품과 영상의 추천 분야, 안면 및 생체, 이미지와 글자 및 음성 등의 여러 인식 분야, 말하기와 번역, 감성 분석과 텍스트 분석 등의 자연어 처리 분야, 이미지와 동영상 합성 및 생성 분야, 에세이와 소설, 노래, 디자인 등의 창작 분야, 음성인식과 자연어 처리 및 지식표현 기술이 융합된 챗봇 분야, 전화 예약과 상담 분야 등 우리 생활에 널리 활용되고 있다. 인공지능 기술 중에서 가장 성과가 좋은 기술 중 하나인 머신러닝은 데이터를 활용하는 방법에 따라 지도학습(supervised learning)과 비지도 학습(unsupervised learning), 강화학습(reinforcement learning)으로 나뉜다. 머신러닝이란 기존의 축적된 데이터를 이용해 스스로 학습한 모델이 새로운 데이터에 관한 결과를 예측하는 기법이다. 정답이 붙어있는 데이터를 이용해 학습하는 지도학습과 달리 비지도 학습은 정답이 없는 데이터에서 비슷한 특징끼리 군집화(clustering)하여 새로운 데이터에 관한 결과를 예측한다. 체스나 바둑과 같은 게임은 현재의 상태에서 다음 수의 결정이 모여 승패를 가른다. 강화학습은 다양한 게임에 활용될 수 있는 기법으로 현재의 상태(state)에서 어떤 행동(action)을 취하는 것이 최적인지를 학습하는 방식이다. 행동을 취할 때마다 외부 환경에서 주어지는 보상(reward)을 최대화하는 방향으로 학습을 진행한다. 바로 알파고가 강화학습과 딥러닝으로 학습된 인공지능이다[1].

여러 인공지능 기법 중에서 2010년 이후 인공지능의 주류는 딥러닝(deep learning)이다. 딥러닝은 1943년 인간 뇌의 신경세포인 뉴런이 연결된 형태에서 착안한 매컬럭(McCulloch)과 피츠(Pitts)의 MCP 뉴런(MCP neuron)에서 시작되었다. 1958년 로젠블랫(Rosenblatt)은 MCP 뉴런을 발전시켜 스스로 학습해 가중치(weights)와 편향(bias)을 수정할 수 있는 퍼섭트론(perceptron)을 발표한다. 인공신경망(ANN: Artificial Neural Network)인 여러 퍼셉트론을 여러 층으로 쌓는 다층(multi layer) 퍼셉트론은 1986년 힌튼(Hinton)의 오차 역전차(error backpropagation) 알고리즘을 활용해 학습에 성공한다[2]. 1960년대 하버드대의 허블(Hubel)과 비셀(Wiesel)은 고양이 시각 피질 실험에서 소수의 뉴런이 이미지의 부분을 인식한다고 밝혀냈다[3]. 1989년 얀 르쿤(Yann Lecan)은 이러한 시각 피질의 근접 수용 영역(local receptive field) 이론을 인공신경망에 결합한 합성곱신경망(CNN: Convolutional Neural Network)을 발표한다. 은닉층(hidden layers)이 많을수록 기울기 소실(gradient vanishing) 문제로 제대로 학습이 어려운 심층신경망(DNN: Deep Neural Network)은 2006년 제프리 힌튼이 제안한 활성화 함수 ReLU(Rectified Linear Unit)와 학습 도중에 고의로 데이터를 누락시키는 드롭아웃(dropout)의 적용 등으로 문제없이 학습하고 성능이 향상되었다. 이를 계기로 힌튼은 신경망에서 은닉층이 깊다는 의미에서 딥러닝이라 명명하였다. 1986년 루멜하트(Rumelhart)의 연구에 기반을 둔 순환신경망(RNN: Recurrent Neural Network)은 은닉층의 이전 출력이 다시 입력으로 사용되는 순환구조(directed cycle)의 인공신경망이다. 순환신경망은 앞선 시간의 정보가 뒤에 있는 정보에 영향 주도록 설계되어 시계열 구조의 데이터를 대상으로 한 감성 분석과 필기, 음성인식 등의 자연어 처리 분야에서 좋은 성과를 내고 있다. 특히, 순환신경망을 응용한 장단기 메모리(LSTM: Long Short Term Memory)와 게이트 순환 유닛(GRU: Gated Recurrent Unit) 등은 긴 시간에 의존하는 데이터에 더 적합하다. 2010년 이후, 빅데이터 축적과 GPU(Graphical Process Unit) 등의 하드웨어 성능 향상과 다양한 딥러닝 기법의 발전으로 자율주행, 음성인식, 자연어 번역, 여러 예술의 창작 분야 등에서 뛰어난 성과를 보이고 있다.

전통적 리터러시(literacy)란 사전적인 의미 그대로 ‘말하고 읽고 쓸 줄 아는 능력’이다. 즉 우리 인간이 사회 구성원으로서 생활하는 데 필요한 말과 글을 활용하는 역량을 말한다. 사회의 발전에 따라 인간의 필요 역량은 변화·증가하고 있어, 리터러시는 이제 새로이 등장한 기술과 결합하여 관련 기술을 사용하거나 활용하는 능력을 말한다. 3차 산업혁명 정보화 시대의 컴퓨터 활용 리터러시를 거쳐 현재 4차산업혁명 초연결·초지능 시대에는 인공지능이 중요한 리터러시로 자리 잡고 있다. 컴퓨팅 사고력 중심의 디지털 리터러시는 진화되어 빅데이터와 인공지능 소양이 모든 산업에 필수적으로 요구되는 역량이 되었다[4],[5]. 즉 현재 비약적으로 발전하고 있는 인공지능이 우리 생활 속에서 광범위하게 활용되기 시작하면서 교육으로 인공지능 기술의 이해와 활용 능력을 길러주어야 한다는 것이다. 인공지능의 이해란 인공지능이 무엇인지, 어디에 적용되는지를 아는 능력이다. 인공지능의 활용이란 인공지능을 실생활의 문제해결에 활용할 수 있고 인공지능을 제대로 사용할 줄 아는 능력이다[6],[7]. 우리나라는 인공지능 리터러시 함양을 위해 2019년 초·중등학교에서 인공지능 융합 교육을 필수로 지정[8]하였으며, 2020년 고등학교의 수학 교과에서 ‘인공지능 수학’, 기술·가정 교과에서 ‘인공지능 기초’ 2개 과목을 신설해 추가하였고, 실제 학교에서는 2021년 2학기부터 관련 교육이 시행되고 있다[9]. 2019년 한국과학창의재단은 머신러닝과 인공신경망 등 인공지능 모델의 설계 및 적용 역량을 포함한 차세대 소프트웨어교육 표준모델을 개발하였다[10]. 초중고 학생이나 교사를 위한 인공지능 관련 교육 연구[11]-[19]는 이미 활성화되었으며, 대학에서의 인공지능 전공 교육과정에 대한 연구[20],[21]나 비전공자를 위한 인공지능 교양 교육 과정에 대한 연구 사례[22]가 있다. 또한, 딥러닝 모델을 쉽게 구현할 수 웹 기반 교육용 딥러닝 플랫폼을 설계 및 구현 연구[23] 등이 있다.

많은 대학에서 인공지능 리터러시 교육을 위해 관련 강좌가 개설되고 있으나 컴퓨터 전공 전문대학의 관련 학과에서는 2~3년의 짧은 학제로 인공지능 관련 교과목을 여러 개 늘리는 것은 한계가 있다. 본 연구는 컴퓨터 전공 관련 학과에서 인공지능을 처음 접하는 2 또는 3학년을 대상으로 인공지능 리터러시와 함께 텐서플로(Tensorflow) 기반의 딥러닝 구현 역량을 하나의 과목에서 학습하는 수업 모형을 제안한다. 본 연구 수업 모형은 인공지능 초급 수준의 인공지능 모델 구현에 초점을 두고, 컴퓨터 전공자에게 텐서플로 기반의 딥러닝 구현 교육 내용을 연구하고 학습역량을 도출하여 수업 모형을 설계한다. 수업 모형에서는 인공지능 개론과 역사, 활용 등의 인공지능 리터러시 함양을 기초로 개발환경 코랩과 협업환경 깃허브를 활용한다. 특히 다양한 인공지능 라이브러리 중 대학과 현장 업무에서 가장 많이 활용되는 텐서플로를 선택한다. 제안된 수업 모형을 전공학과의 강좌에서 운영해 수업 전후의 학생 역량 향상을 검증하고자 한다.

정보화 시대인 3차 산업혁명 시대에는 컴퓨터활용 능력이 사회가 요구하는 인재 역량이었다. 초연결·초지능 사회인 4차 산업혁명 시대에 들어와 소프트웨어 및 빅데이터와 인공지능 관련 기술의 발전으로 사회에서 요구되는 인재 역량도 변화되고 있다. 이를 반영해 빅데이터와 인공지능의 소양을 요구하는 인공지능 리터러시는 학교 교육에서 그 중요성이 강조되고 있다. 이러한 변화에 맞추어 소프트웨어 개발자 인재양성을 목표로 하는 대학의 컴퓨터 관련 학과에서는 인공지능 관련 교과를 개설해 운영하고 있다. 본 연구는 컴퓨터 관련 전공학과에서 운영될 수 있는 텐서플로 기반 딥러닝 수업 모형을 개발하고 직접 수업에 운영하여 유의미한 학습 효과를 검증했다. 본 연구의 수업 모형은 2년제 전문대학의 졸업 학기 교과목으로 설계되어 수강 대상은 정보기술의 이해하고 파이썬과 C, 자바 언어는 이수한 학생이다. 또한, 수업 모형은 인공지능 리터러시 함양을 위한 인공지능의 이해와 함께 깃허브와 코랩을 활용한 텐서플로 기반의 딥러닝 구현을 목표로 깃허브와 코랩 활용, 인공지능과 머신러닝, 딥러닝의 이해, 텐서플로 기반 딥러닝 구현의 학습 내용으로 구성된다. 본 연구의 수업 모형에서 설계된 교육역량은 대응표본 t-검정으로 교육 효과를 검증했다. 시행 결과, 깃허브와 코랩 활용(UTCG)과 인공지능과 머신러닝, 딥러닝의 이해(USAD), 그리고 텐서플로 기반의 딥러닝 구현(IMDT) 학생 역량이 향상되었다. 본 연구의 텐서플로 기반 딥러닝 수업 모형 설계와 운영에서 의의를 살펴보면, 본 수업은 인공지능 리터러시가 필요한 시대를 반영하여 컴퓨터 관련 전공 학생에게 여러 산업 분야에 활용 가능한 텐서플로 기반 딥러닝 프로그래밍 학습으로 인공신경망과 합성곱신경망, 순환신경망 프로그래밍이 가능하도록 했으며, 일선 프로젝트 현장에서 사용되는 코랩과 깃허브 활용 기술을 학습하고 사회 현장실무에서 필요로 하는 인공지능 및 딥러닝 관련 업무를 수행할 수 있는 성과가 있었다. 본 수업 모형에서 사용한 개발환경 코랩과 버전관리 깃의 원격저장소 호스트 서비스이면서 협업을 위한 커뮤니티인 프로젝트 협업환경 깃허브의 활용학습은 졸업 후 성공적인 프로젝트 실무 적응을 위해 매우 의미가 크다고 본다. 다만 주당 3시간의 수업으로 딥러닝과 함께 프로젝트 협업환경 깃허브의 내용을 자세히 다루기에는 시간이 부족하다. 깃허브 활용 교육을 이전 학기에 선행으로 충분히 운영하고 딥러닝 교육에 더 많은 시간을 활용한다면 학습 성과가 더 향상될 것으로 보인다.