습관 형성에 필요한 시간은 18~254일로 개인마다 달라
활동의 유형, 동기부여, 보상, 환경적 요인 등이 습관 형성에 영향을 미쳐
하루나 이틀 정도 놓치더라도 실천 가능한 계획으로 다시 시작해야

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

습관을 굳히는 데 21일이 걸린다는 연구 결과가 있다. 습관 형성에 관한 연구를 수행한 미국 캘리포니아공과대학의 행동경제학자 콜린 캐머러(Colin Camerer)는 사람들이 새로운 습관을 시작하거나 오래된 습관을 버리려는 의욕이 높아지는 새해 첫날엔 3주라는 기간이 쉽게 도달할 수 있는 것처럼 들릴 수 있다고 말한다. 하지만 매년 1월 21일이 되면 결심을 지켰다고 자랑할 수 있는 사람은 거의 없다. 한 설문조사에 따르면 2023년에 실제로 목표를 달성한 사람은 9%에 불과했다.

심리학 선임 강사이자 영국 서리대학교의 습관응용및이론그룹의 공동 책임자인 필리파 랠리(Phillippa Lally)는 개인마다 습관을 형성하는 데 걸리는 시간이 다르지만, 반복이 습관 형성의 핵심이라고 설명했다. 랠리와 캐머러는 건강한 행동을 강화하고 궁극적으로 무의식적인 습관으로 만들기 위한 다양한 방법을 제안했다.

습관 형성은 몇 주에서 몇 달까지, 그 기간은 개인마다 달라

'3주 이론'의 기원은 습관 그 자체와는 무관하며, 1960년 출간된 자기계발서 '사이코사이버네틱스'에서 성형외과 의사 맥스웰 몰츠가 수술 후 환자가 새로운 외모에 익숙해지는 데 약 21일이 걸린다는 사실을 관찰한 데서 비롯된 것으로 보인다. 이를 검증하기 위한 공식적인 실험은 이뤄지지 않았지만, 이 책은 21일이라는 기간을 삶의 다른 측면에도 적용했다. 새로운 집에 적응하는 데 필요한 시간이나 자신의 신념을 바꾸는 데 필요한 시간을 3주라고 주장한 바가 있다.

확실한 연구 결과 없이도 21일 신화는 널리 받아들여졌다. 그것이 합리적인 시간처럼 보였기 때문에 지속된 것 같다고 캐머러 교수는 설명했다. 3일이라고 주장했으면 믿을 수 없는 일처럼 느껴지고, 1년은 벅차게 느껴진다. 그 결과 21일은 현실적이고 달성 가능한 기간으로 여겨졌을 것이다.

하지만 반세기가 지난 후, 연구자들은 마침내 이러한 생각을 반박하는 강력한 증거를 수집했다. 2009년 습관 형성에 관한 대표적인 연구에 따르면 습관은 18일에서 254일 사이에 형성되며, 연구의 참가자들은 점심과 함께 과일 한 조각 먹기, 점심과 함께 물 한 병 마시기, 저녁 식사 전 15분 동안 달리기 등 세 가지 새로운 일상 활동 중 하나를 안정적으로 통합하는 데 평균 약 66일이 걸렸다고 답했다. 이 연구의 제1 저자인 랠리 교수는 매일 꾸준히 반복하는 것이 가장 큰 요인이라고 강조했다.

활동의 유형도 중요한 요소였다. 완전히 새로운 기술이나 과정을 스스로에게 가르치는 것은 아침에 물을 더 많이 마시는 것을 기억하는 것보다 분명히 더 오랜 시간이 걸린다고 랠리 박사는 언급했다. 2015년의 한 연구에 따르면 새로 헬스장에 다니는 사람들이 운동 습관을 기르려면 6주 동안 일주일에 최소 4번 이상 운동을 해야 한다고 한다. 캐머러 교수와 그의 동료들도 머신러닝을 활용해 습관 형성에 필요한 시간을 결정하는 연구를 수행한 결과, 위와 비슷한 결론에 도달했다. 사람들이 운동 습관을 기르는 데 반년이 걸리는 데 비해, 손 씻기 습관을 기르는 데는 몇 주가 걸리는 것으로 나타났다. 연구진은 손 씻기가 운동보다 덜 복잡하고 연습할 기회가 더 많다고 분석했으며, 습관 형성은 사람이 어떤 활동을 실천하기 위해 기울이는 노력과 그 행동을 상기시켜 주는 환경적 신호의 존재 여부에 달려 있다고 설명했다.

좋은 습관을 형성할 때 일관성을 유지하는 방법

'새해, 새로운 나'라는 초기의 설렘이 사라지면 동기를 유지하기가 어려울 수 있다. 이에 따라 몇 주만 지나면 활동을 중단하거나 완전히 포기하기 쉽다. 활동을 수행하기 위한 구체적인 계획을 세우고(예: '스페인어 더 배우기'라는 막연한 목표보단 '일주일에 세 번 20분씩 스페인어 문법 공부하기'), 앱 트래커나 친구 등 책임감을 상기해 줄 수 있는 사람이 있다면 진행 상황을 모니터링하고 계속 진행하도록 독려하는 데 도움이 될 수 있다. 아울러 사람들은 단순히 '해야 한다고 생각하는 결심'보다는 자신이 '흥미를 느끼는 결심'을 지키려는 경향이 더 강하다.

한편 보상은 훌륭한 동기부여가 되지만 즉시 주어질 때만 효과가 있다. 랠리 교수는 사람들이 일주일 내내 헬스장에 갔다가 토요일에 쇼핑하는 등 만족을 미루는 실수를 저지르는 경우가 많다고 전했다. 보상은 작업 중에 받는 것이 훨씬 더 효과적인데, 주말까지 기다리지 않고 러닝머신에서 뛰면서 새로 개봉한 영화를 보는 것을 추천했다. 2014년 연구자들은 실험 기간 동안 헬스장에서만 들을 수 있는 당시 인기 있던 오디오북(예: 헝거게임 3부작, 악마는 프라다를 입는다)을 듣게 한 결과, 참가자들이 처음에 대조군보다 51% 더 자주 운동에 참여했다는 사실을 발견한 바 있다.

랠리 교수가 추천하는 또 다른 팁은 목표와 일상을 결합하는 것이다. 일주일에 이틀을 사무실에 출근하는 사람이 있으면 퇴근 후 바로 헬스장에 방문하는 일정을 짜는 것이 좋다. 두 가지 행동을 연관시킬수록 기억과 습관 형성에 관여하는 뇌 영역의 신경 연결이 더 강해지기 때문이다.

물리적 공간을 재구성하는 것도 도움이 될 수 있다. 예를 들어 과일을 더 많이 먹는 것이 목표라면 집에 다양한 과일을 구비하고 진열해 두면 과일을 더 많이 먹을 가능성이 높아진다고 랠리 교수는 말했다. 이는 습관을 고치는 데에도 적용된다. '드라이 1월'에 참여하는 사람들은 술의 유혹을 피하고자 미리 술 캐비닛을 비울 수 있다. 물론 약물 및 알코올 중독은 더 적극적인 의학적 개입과 시간을 필요로 한다.

목표는 실현 가능하게, "무리한 일정은 오히려 독!"

어떤 새로운 습관이든 하루나 이틀을 쉬는 것은 정상적인 일이다. 사람들은 엄격한 스케줄을 만드는 경향이 있는데, 이는 오히려 역효과를 불러일으킬 수 있다. 자신의 기대에 부응하지 못하거나 활동 자체(예를 들어, 매일 10마일 달리기 등)가 너무 힘들면 재도전을 주저하게 된다.

따라서 목표에서 벗어나고 있다고 생각되면 잠시 시간을 내어 결석한 이유를 평가하고 문제를 해결할 방법을 생각해 보라고 랠리 교수는 조언한다. 매일 10마일을 뛰는 대신 일주일에 세 번 2마일씩 조깅을 해보거나, 그래도 너무 힘들다면 속도를 늦추거나 거리를 줄여서 더 조정한 다음 원래 목표에 도달할 수 있도록 노력하는 등 실현 가능한 계획을 세워야 한다는 것이다. 운동화를 신고 한 블록을 걷는 것이 처음에는 큰 성과처럼 보이지 않을 수 있지만, 올바른 방향으로 나아가는 한 걸음이다.

그러니 이달 21일까지 목표를 달성하지 못했다고 해서 자책하지 말자. 아무리 오래 걸리더라도 반복적으로 노력하면 더 잘할 수 있다.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.

파이는 무리수이면서 초월수이기 때문에 단순 계산으로 알기 어려워 
초월수 자체에 대한 이해가 부족해 추상 수학으로도 답을 구할 수 없어
아직 증명되지 않았지만, 섀뉴얼의 추측에 따르면 결과는 초월수 

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

파이(π)는 아마도 수학에서 가장 유명한 수일 것이다. 많은 전문가들이 파이를 광범위하게 연구했을 뿐만 아니라 아마추어들에게도 매혹적인 숫자로 파이와 관련된 책, 영화, 노래들을 어렵지 않게 찾을 수 있다. 파이의 매력 중 하나는 가장 단순하고 대칭적인 원을 설명하는 데 사용되지만, 십진수로 표현한 파이엔 대칭성이 전혀 없다는 점이다. 파이의 소수점 값은 끝이 없고 반복되지 않는다는 특징이 있기 때문이다.

사람들은 수천 년 동안 파이라는 숫자를 연구해 왔다. 따라서 파이에 대해 이미 거의 모든 것이 알려져 있다고 생각할 수 있다. 하지만 파이엔 여전히 많은 미스터리가 남았다. 그중 하나는 파이를 반복적으로 곱하면 어떻게 되는지에 대한 질문과 관련이 있다. π^(π^(π^π)))는 자연수가 될 수 있을까?

무리수를 거듭하여 곱해서 소수점 이하가 없는 숫자를 구하겠다는 생각이 언뜻 터무니없어 보일 수 있다. 하지만 √2로 예로 들면, (√2^√2)^√2는 √2^{√2 x √2}로 단순화할 수 있으므로 √2² = 2가 된다. π도 무리수니까 정수를 금방 구할 수 있을 것 같지만, 무리수이면서 초월수인 π에서는 계산이 어떻게 작동하는지를 알기란 쉽지 않다.

수학 커뮤니티를 달군 '⁴π'

2013년 5월 3일, 현재 에픽게임즈의 수석 수학자인 댄 피포니(Dan Piponi)는 트위터(현재는 X)에 π^(π^(π^π))) 정수가 아님을 증명해 달라는 내용의 글을 올렸다. 몇 개의 댓글이 달렸지만 당시엔 큰 관심을 끌지는 못했다. 컴퓨터 과학자 다니엘 스피왁(Daniel Spiewak)은 피포니의 의도를 꿰뚫어 보고 "팔로워들에게 (테트레이션과 관련하여) 아직 풀리지 않은 중요한 질문 중 하나를 해결해 달라고 요청하고 있는 건가요?"라고 답변을 달았다. 테트레이션은 반복적으로 수행되는 지수를 뜻하며 피포니의 질문을 ⁴π로 바꿔 표현할 수 있다. 실제로 수학자조차도 ⁴π의 결과가 어떤 숫자인지 알지 못한다.

믿기 어렵겠지만 그다지 어려워 보이지 않은 이 문제를 수학자들조차도 풀지 못했다. 옥스퍼드대학교의 수학자 토마스 블룸(Thomas Bloom)은 2021년에 트위터에서 이 문제를 다시 제기했는데, 이번엔 90회 공유되고 500회 이상 '좋아요'를 받았을 정도로 많은 관심을 불러일으켰다. 수학자이자 필즈 메달리스트인 티모시 가우어스(Timothy Gowers)는 "와! '소수점 이하 한두 자리까지만 풀면 되지 않을까'라는 생각이 먼저 들었는데, 이내 왜 불가능한지 깨달았다. (π^π^π에서는 가능하다)"고 트윗을 남겼다.

π는 상수인데 직접 계산해 보지 않고 왜 열띤 논의를 펼치는지 의아해할 수도 있다. 비록 π^(π^(π^π)))가 단순해보일지라도, 상상할 수 없을 정도로 거대한 숫자기 때문이다.

π^(π^(π^π))), "직접 계산하는 게 정말 어려울까?"

먼저 다중 지수가 오른쪽에서 왼쪽으로 수행된다는 것을 알아야 한다. 가장 오른쪽에 있는 π^π를 먼저 계산하면 대략 36.46이 나온다. 그런 다음 π^36.46을 구하면 1.34… x 10¹⁸이라는 18자리 숫자를 얻는다. 아직 버거워하기엔 이르다. ³π의 결과일 뿐이다. 마지막으로 π^{1.34… x 1018}를 계산하면 정말 거대한 숫자가 튀어나온다. 거의 10¹⁸ 자릿수를 가진 숫자가 계산된다. 참고로 파이는 2022년 기준으로 62x10¹²번째 자리까지 밝혀졌는데, ⁴π를 계산하려면 백만 배 더 많은 자릿수를 계산해야 한다. 2022년의 기록을 세우기 위해 약 5개월이 소요된 점을 감안하면, 100만 배 더 많은 자릿수를 계산하기 위해선 상상 이상의 시간과 자원을 동원해야 한다. 게다가 아직 소수점 이후의 숫자는 고려하지 못했다.

수학자들이 실제로 관심을 두는 것은 소수점 이후의 숫자다. 왜냐하면 ⁴π가 정수냐는 물음은, 소수점 뒤에 숫자가 있느냐와 같은 질문이기 때문이다. 따라서 소수점 앞의 10¹⁸여 자리 숫자는 무시해도 된다. 문제가 간단해진 것 같지만 파이의 소수점 이후의 자릿수는 무한대다. 무한대의 수를 생각하기 전에 더 간단한 예부터 살펴보자. ³4를 계산하려고 하는데 마지막 두 자리에만 관심이 있다고 가정한다. 4²⁵⁶을 바로 계산해도 되지만, 시간이 오래 걸리며, 결과의 마지막 두 자리에만 관심이 있기 때문에 정직한 계산을 고집할 필요가 없다. 지름길은 의외로 단순하다. 거듭제곱을 이어나가는 중 백의 자리를 넘을 땐, 마지막 두 자릿수만 남기고 계속 계산하는 방식이다.

먼저 4¹ = 4를 계산하고 여기에 4를 곱하면 4² = 16이 된다. 여기에 다시 4를 곱하면 4³ = 64다. 이 과정을 반복하면 4⁴ = 256이 나오는데, 다음 단계에서는 3자리 결과 전체에 4를 곱하는 대신 마지막 두 자리(즉, 56)만 계산에 사용한다. 궁극적으로 결과의 마지막 두 자리 숫자에만 관심이 있기 때문이다. 4⁵ = …56 x 4 = …224가 계산되고, 다음 단계에서는 다시 백의 자리를 무시하고 4를 곱해주는 패턴으로 계속 진행한다. 이 과정을 256번 반복하면 원하던 마지막 두 자릿수를 알 수 있으며 4가 정수라는 사실도 함께 증명할 수 있다.

하지만 앞서 말했듯이 π에서는 위와 같은 방식이 작동하지 않는다. 파이는 소수점 이하 자릿수가 무한해서, 지수화할 때 고려할 수 있는 '가장 작은 자릿수'란 개념이 없다. 물론 지수화 후 가능한 가장 정확한 결과를 얻기 위해 계산에 π의 소수점 이하 몇 자리까지 포함해야 하는지를 조사할 수는 있다. 이렇게 하면 ⁴π가 정숫값을 가질 수 있는지를 대략 파악할 수 있을지도 모른다.

추상 수학으로도 알기 어려운 초월수의 확장 형태

호주의 수학자 매트 파커(Matt Parker)는 실제로 가장 작은 자릿수를 찾기 위해 일반화를 시도했다. 하지만 그가 영상에서 밝힌 계산에 따르면 소수점 이하 몇 자리까지 정확하게 구하려면 파이의 몇 자리까지 고려해야 하는지 정확히 계산할 수 없다. 소수점 이하 다섯 자리만 고려한 3.14159⁶과 같은 간단한 예시에선 소수점 이하 두 자리까지만 정확하다는 결과를 쉽게 구할 수 있지만, 고려해야 하는 소수점 자릿수와 정확도 사이의 닫힌 공식은 찾을 수 없다. 다만 소수점 이하에서 적어도 한 자리 이상 정확한 숫자를 얻으려면 소수점 이하 자릿수의 최소 두 배(즉, 2 x 1.34…x10¹⁸)의 지수가 필요하다는 것이 그의 생각이다.

수학은 숫자가 정수인지, 무리수인지, 아니면 초월수인지 식별할 수 있는 다른 추상적 도구를 제공하지만, 안타깝게도 초월수에 대한 이해는 부족하다. 왜냐하면 초월수는 간단한 방정식의 해로 표현할 수 없는 숫자기 때문이다. 무리수인 √2처럼 x² = 2의 해를 가질 수 없다는 의미다. 그 결과 π^π 조차도 초월수인지 알 방법이 없다. 1960년대에 미국의 수학자 스티븐 호엘 섀뉴얼(Stephen Hoel Schanuel)은 어떤 값이 초월적인지(따라서 무리수인지) 평가하는 데 사용할 수 있는 추측을 제시했다.

일부 전문가들은 섀뉴얼의 추측을 이용해 π^(π^(π^π)))를 조사한 결과, ⁴π는 초월적이어야 하므로 정수가 될 수 없었다. 그러나 섀뉴얼의 추측은 여전히 추측에 불과하며 아직 아무도 이를 증명하지 못했다. 따라서 숫자가 초월적이라는 결론은 여전히 논쟁의 여지가 있다.

결국 ⁴π의 퍼즐을 푸는 방법은 두 가지뿐이다. 파커는 동영상 말미에 "수학이 발전해서 섀뉴얼의 추측을 증명하거나, 아니면 계산을 훨씬 더 잘해야 한다"라며, "그때까지 우리는 ⁴π가 정수인지 아닌지 알 수 없다"라고 말했다.

영어 원문 기사는 사시언티픽 아메리칸에 게재되었습니다.

연구자들의 회의적인 시선 뚫고 항우울제 개발에 새로운 돌파구 마련
실험적 구조와 예측된 구조의 차이 분석 중에 발견한 환각 분자 탐색 효과
실험을 완전히 대체하지는 못하지만, 신약 개발 주기 단축에 도움 될 전망

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

단백질 구조 예측 도구인 알파폴드(AlphaFold)가 새로운 항우울제 개발을 위한 잠재 환각 분자를 발견하는 것에도 큰 도움이 될 수 있다고 밝혀졌다. 구글 딥마인드 연구팀이 개발한 알파폴드의 예측 구조가 수개월 또는 수년에 걸려 실험적으로 도출된 단백질 구조만큼이나 신약 개발에 유용할 수 있다는 얘기다.

위의 발견이 크게 놀랍지 않을 수도 있다. 아마도 미디어에서 접한 알파폴드의 파급력에 대해 익히 들었기 때문일 것이다. 하지만 미디어에서 생물학 분야의 장밋빛 미래를 그리는 동안, 일부 과학자들은 알파폴드의 예측이 신약을 찾는 데 있어 표준 실험 모델을 대신할 수 있는지 의심했었다. 알파폴드가 절대적인 혁명인 것은 맞지만, 실제 연구에 적용했을 때, 모든 조건에서 뛰어난 것은 아니기 때문이다.

알파폴드 회의론, 신약 개발의 한계

알파폴드를 신약 개발에 적용하려는 노력이 상당한 회의론에 부딪혔다고 미국 샌프란시스코 캘리포니아대학교의 제약 화학자인 브라이언 쇼이쳇(Brian Shoichet)은 말했다. "과장된 부분이 많았다. 누군가 '이러이러한 것이 신약 발견에 혁명을 일으킬 것'이라고 말할 때마다 회의적인 시각을 가질 필요가 있었다"고 그는 운을 뗐다.

쇼이쳇 교수는 잠재적 약물을 식별하기 위해 사용하는 단백질-리간드 도킹(protein–ligand docking)이라는 모델링 기법에서 알파폴드의 예측이 X-선 결정학과 같은 실험적 방법으로 얻은 단백질 구조보다 덜 유용하다는 사실을 발견한 10건 이상의 연구를 예로 들었다.

신약 개발의 초기 단계에서 흔히 사용되는 단백질-리간드 도킹 모델은 단백질의 활성을 변화시키는 화합물을 식별하기 위해 사용되는데, 이전 연구에 따르면 알파폴드로 예측한 구조를 사용할 경우, 특정 단백질에 결합하는 것으로 이미 알려진 약물을 골라내는 데는 한계가 있는 것으로 나타났다. 연구자들이 회의적인 시각을 갖게된 결정적인 동기다.

미국 노스캐롤라이나대학 채플힐의 구조 생물학자인 브라이언 로스(Bryan Roth)와 쇼이쳇 교수가 이끈 연구팀도 신경정신과 질환과 관련된 두 단백질(알파폴드 구조)을 이미 알려진 약물들과 비교했을 때 비슷한 한계에 봉착했다. 그러나 연구진은 한발 더 나아가서, 실험 구조와 예측된 구조 사이의 어떤 차이로 인해 단백질에 결합하는 특정 화합물을 놓쳤는지, 혹은 그보다 더 유망한 또 다른 화합물을 찾아낼 수 있는지 궁금해했다.

이 아이디어를 검증하기 위해 연구팀은 두 가지 단백질의 실험적 구조를 사용하여 수억 개의 약물 후보를 가상으로 스크리닝했다. 한 단백질은 신경전달물질인 세로토닌을 감지하는 수용체로, 이전에 극저온 전자현미경을 통해 구조가 결정된 바 있다. 다른 단백질은 σ-₂ 수용체라고 불리며, X선 결정구조 분석을 통해 그 구조가 밝혀졌다.

실험적 구조와의 차이, 항우울제 개발의 새로운 패러다임 제시

연구팀은 알파폴드 데이터베이스에서 추출한 단백질 모델을 이용해 동일한 스크리닝을 진행했다. 그리고 예측 구조와 실험 구조에서 확인된 가장 유망한 화합물 수백 가지를 합성하고 실험실에서 그 활성도를 측정했다.

예측 구조와 실험 구조로 각각 스크리닝한 결과, 전혀 다른 약물 후보물질이 나왔는데, "같은 분자는 하나도 없었다"라며, "심지어 서로 닮은 것도 없었다"고 쇼이쳇 교수는 강조했다.

하지만 놀랍게도 '적중률'(실제로 의미 있는 방식으로 단백질 활성을 변화시킨 화합물의 비율)은 두 그룹이 거의 동일했다. 그리고 알파폴드 구조는 세로토닌 수용체를 가장 강력하게 활성화하는 약물을 식별했는데, 마침 많은 연구자들이 큰 관심을 가진 주제며, 항우울제 후보로 같은 작용을 하는 비환각성 화합물을 찾는 것에 도움이 될 것으로 기대됐다. "이것은 정말 새로운 결과다"고 쇼이쳇 교수는 놀라워했다.

또한 스웨덴 웁살라 대학의 계산화학자 옌스 칼슨(Jens Carlsson) 교수의 연구팀은 아직 발표되지 않은 연구에서 알파폴드 구조가 적중률이 약 60%에 달하는 G단백질 결합 수용체라는 수요가 높은 약물을 식별하는 데 효과적이라는 사실을 발견했다.

칼슨 교수는 예측된 단백질 구조에 대한 확신을 갖는 것은 신약 개발의 판도를 바꿀 수 있다고 전했다. 실험적으로 구조를 결정하는 것은 쉬운 일이 아니며, 많은 표적 단백질은 기존의 실험 도구로는 발견되지 않을 수도 있는 점을 꼬집었다. "버튼을 누르기만 하면 리간드 탐색에 사용할 수 있는 구조를 얻을 수 있어서 매우 편리할 것이다"라고 그는 덧붙였다.

한편 알파폴드를 실제로 사용하고 있는 뉴욕에 본사를 둔 의약품 소프트웨어 회사인 슈뢰딩거(Schrödinger)의 치료제 연구개발 대표 카렌 아킨산야(Karen Akinsanya)는 알파폴드로 예측된 구조는 일부 표적 약물에는 도움이 되지만 다른 표적에는 도움이 되지 않으며, 어떤 것이 적용했는지를 항상 명확하게 설명할 수는 없었다고 지적했다. 한 연구에 따르면 약 10%의 경우, 알파폴드가 매우 정확하다고 판단한 예측이 실험 구조와 상당히 다른 것으로 나타났으며, 예측한 구조가 단서를 식별하는 데 도움이 되더라도 특정 약물 후보의 특성을 최적화하기 위해서는 더 자세한 실험 모델이 필요한 경우가 많다고 아킨산야는 설명했다.

딥마인드, 신약 개발 기술 상용화에 집중한 아이소모픽 랩스 설립

쇼이쳇 교수는 알파폴드의 예측이 보편적으로 유용하지는 않다는 데 동의한다. "너무 나쁘다고 생각해서 시도조차 하지 않은 모델들이 많았다"고 그는 고백했다. 하지만 그는 알파폴드의 예측 구조가 프로젝트의 시작 시기를 앞당길 수 있다고 전망했다. "기존의 실험적 방법으로 새로운 구조를 만드는 것과 비교하면 프로젝트를 2년 정도 앞당길 수 있으며, 이는 엄청난 일이다"라고 그는 긍정적으로 평가했다.

런던에 위치한 딥마인드의 신약개발 자회사 아이소모픽 랩스(Isomorphic Labs)는 쇼이쳇 교수가 꼽은 알파폴드의 장점을 극대화하기 위해 설립됐다. 지난 7일 이 회사는 제약 대기업인 노바티스(Novartis)와 일라이 릴리(Eli Lilly)를 대신해 알파폴드 같은 머신러닝 도구를 사용해 약물을 개발하는 데 최소 8,250만 달러, 사업 목표가 달성되면 최대 29억 달러 상당의 계약을 체결했다고 발표했다.

아이소모픽 랩스는 단백질이 약물 및 기타 상호 작용하는 분자에 결합하였을 때 단백질의 구조를 예측할 수 있는 새로운 버전의 알파폴드가 이 작업에 도움이 될 것이라고 내다봤다. 딥마인드는 이전 버전의 알파폴드가 그랬던 것처럼 이 업데이트가 연구자들에게 언제 제공될지 아직 밝히지 않았다. 경쟁 도구인 로제타폴드 올아톰은 곧 출시될 예정이다.

이러한 도구가 실험을 완전히 대체하지는 못하겠지만, 신약 개발에 도움이 될 수 있는 잠재력을 무시해서는 안 된다는 게 전문가들의 중론이다. 알파폴드가 모든 것을 해내기를 바라는 사람들이 많지만, 구조 생물학자들의 역량도 여전히 필요하다. 적절한 균형을 찾는 일은 항상 어렵지만, 알파폴드의 사례처럼 기계와 인간이 할 수 있는 점을 구별하고 조합할 줄 아는 지혜가 현 인공지능 시대를 살아가는 좋은 접근법이다.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.

표본 추출 편향으로 발생한 우정의 역설
부분적인 관점과 전체적인 관점의 차이에서 비롯
연구 대상이 특정 표본이면 무작위 표본 추출에도 역설 활용해

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

1991년 사회학자 스콧 펠드(Scott Feld)는 소셜 네트워크의 속성을 연구하던 중 놀라운 사실을 발견했다. 펠드는 네트워크에 속한 사람의 평균 친구 수를 계산한 후 이를 친구들의 평균 친구 수와 비교한 결과, 대다수의 친구 수는 평균적으로 친구들의 친구 수보다 적었다. 하지만 여기서 조금 이상한 점은 대다수의 친구 수가 평균적으로 더 적은데, 어떻게 주변 친구들의 친구 수가 평균적으로 더 많다는 사실이 서로 양립할 수 있는 걸까?

이를 '우정의 역설'(Friendship paradox) 또는 '친구의 역설'이라고 하며 더 일반적으로는 '조사의 역설'(Inspection paradox)이라고 부른다. 이러한 역설은 삶 곳곳에서 발견할 수 있는데, 기차나 버스를 평균적으로 더 오래 기다리는 것처럼 느껴지는 이유, 콜센터의 통화량이 항상 평균보다 많은 것처럼 느껴지는 이유 등을 예로들 수 있다. 결과적으로 보면 이는 통계학에서 말하는 표본 편향이 일으킨 오류다. 더 쉽게는 친구의 친구 수가 많으므로 상대적으로 친구가 적은 사람들이 많아지는 원리고, 평균적인 대기 시간보다 긴 대기 구간이 짧은 구간보다 실제로 더 많기 때문에 개인이 느끼는 기다림은 확률적으로 더 길었던 것이다. 당연한 얘기 같으면서도 헷갈리는 이 역설을 위에서 언급한 예시들로 하나하나 살펴보자.

우정의 역설, 소셜 네트워크의 글로벌 관점 vs. 국지적 관점

먼저 평균적으로 수백 명의 친구를 보유한 페이스북(현 메타)과 같은 소셜 네트워크를 생각해 보자. 10,000명의 친구를 가진 '인싸'는 10,000명의 다른 사용자의 친구 목록에 나타나기 때문에 평균적인 친구 수를 보유한 그의 많은 친구들은 상대적으로 인기가 없다고 느끼게 된다. 반대로 친구가 5명인 사용자는 5명의 친구 목록에만 나타나기 때문에 평균적인 친구 수를 보유한 5명만이 자신을 인기가 있다고 느낀다. 그 결과 인기가 없다고 느낀 사용자의 수가 인기가 높다고 느낀 사용자의 수보다 압도적으로 높을 수밖에 없는 것을 확인할 수 있다. 이에 따라 친구가 보유한 친구 수가 자신보다 항상 평균적으로 더 많다고 느꼈던 것이다.

4명의 사용자가 총 8명의 친구를 보유한 네트워크가 있다. 챈들러는 친구가 3명, 모니카와 피비는 2명, 제니스는 1명으로, 4명의 평균 친구 수는 2명이며 모니카의 친구 수는 전체 네트워크의 평균과 같으므로 모니카는 친구가 많지도 적지도 않은 평범한 사용자에 속한다. 그러나 모니카가 친구를 맺은 챈들러와 피비가 보유한 친구 수의 평균은 (3 + 2) / 2 = 2.5명이다. 즉 모니카의 친구들은 평균적으로 모니카보다 더 많은 친구를 가지고 있으므로(2.5 > 2), 모니카는 실제로는 지극히 평균적인데도 불구하고 상대적으로 인기가 없다고 느낄 수 있다.

친구의 친구 수가 평균적으로 각각 2.5명과 3명인 피비와 제니스도 마찬가지다. 챈들러의 친구 그룹만 평균 1.67명의 친구를 보유하고 있어, 이 네트워크에 속한 대다수는 자신의 인기가 낮다고 평가하게 된다. 이를 다른 방식으로도 증명할 수 있는데, 친구의 평균 친구 수 (2.5 + 2.5 + 3 + 1.67) / 4 = 2.42와 평균적인 사람의 친구 수인 2를 비교해서 해당 네트워크의 대다수는 자신을 인기가 없다고 판단했음을 정량화할 수 있다. 모든 사람이 동일한 수의 친구를 가지고 있지 않은 한, 놀랍게도 이러한 현상은 모든 네트워크에서 항상 발생한다.

학급 규모 조사와 교통 대기 시간, "왜 나만 붐비고 오래 기다리지?"

우정의 역설이 다소 이해하기 어려웠어도 괜찮다. 다른 예를 보자. 대학생들에게 평균 학급 규모를 물어보면 학교 측에서 공식적으로 발표하는 평균 학급 규모보다 항상 더 큰 수치로 왜곡돼서 집계된다. 학생들이 과장하고 있는 걸까, 아니면 학생 대 교사 비율을 더 유리하게 보이게 하려고 학교 측에서 수치를 부풀린 것일까? 각자의 관점에서 보면 모두 맞는 말이다. 대규모 강의를 듣는 학생들은 당연히 평균 수업 규모가 더 크다고 보고하는 반면, 소규모 강의만 듣는 학생들은 평균 수업 규모가 더 작다고 보고할 것이다. 하지만 대규모 강의실에는 소규모 강의실보다 더 많은 사람이 수강할 수 있기 때문에 전자의 그룹에 훨씬 더 많은 사람이 속한다. 그래서 학생을 대상으로 한 설문조사에서는 등록률이 높은 수업이 등록률이 낮은 수업보다 더 자주 집계되는 반면, 대학에서 평균 수업 규모를 집계할 때는 대규모 강의와 소규모 강의를 각각 한 번씩만 집계하므로 학교와 학생이 생각하는 평균적인 학급 규모가 달랐던 것이다.

조사의 역설은 대중교통에서도 작동한다. 지하철 열차가 평균 8분마다 한 역에 정차한다고 가정하자. 출퇴근 시간을 제외하고 열차 사이의 임의의 시간에 역에 도착하면 7분 50초 동안 앉아있을 때도 있고, 개찰구를 통과할 때쯤 기차가 다가오는 소리가 들릴 때도 있을 것이다. 이런 경우 시간이 지나면서 평균적으로 4분 정도 기다리는 것으로 예상할 수 있다. 그런데 왜 항상 그보다 더 길게 느껴질까?

물론 평균 8분마다 기차가 도착한다고 해서 8분마다 정시 도착하는 것은 아니다. 배차 간격이 길기도 하고 짧기도 하는 등 일정이 엇갈리기도 한다. 하지만 학급 규모 조사와 마찬가지로 간격이 길기 때문에 긴 대기 시간을 경험한 사람이 더 많아진 것이다. 더 구체적으로는 6회의 배차 간격 중 절반은 12분, 나머지 절반은 4분인 배차 스케줄이 있을 때, 대중교통 당국은 열차 간 평균 배차 간격이 8분이라고 광고할 수 있지만, 개인 통근자들은 배차 간격이 길어져 불쾌한 대기를 경험할 확률이 3배나 높다.

역설의 재발견, 특정 표본에 관심 있을 때는 역으로 활용

이렇듯 사람의 직관과 통계가 부딪히는 분야에선 역설로 인해 발생할 수 있는 편향을 조심해야 한다. 연구의 방향과 결과 모두 영향을 받기 때문이다. 하지만 조사의 역설이 항상 연구에 방해가 되는 방식으로만 작동하지 않는다. 일부 영리한 연구자들은 무작위 표본 추출을 개선하기 위해 이 현상을 이용하기도 했다. 특히 흥미로운 예는 독감의 확산에 관한 연구에서 찾을 수 있다.

독감이 유행할 때 사회적 접촉이 많은 사람들은 질병에 더 일찍 걸리는 경향이 있다. 따라서 무작위로 독감 상태를 확인하는 순진한 방법으로는 사회적 접촉이 많은 사람들에게 우선순위를 부여할 수 없고, 소셜 네트워크의 전체적인 구조를 파악하는 데도 너무 많은 시간이 소요된다. 이때 연구자들은 무작위로 사람들을 골라 그들의 친구를 모니터링하는 방법을 시도했다. 앞서 살펴본 바와 같이, 대다수 사람들의 친구는 자신보다 더 인기 있는 경향이 있어서 이러한 약간의 조정으로 사회적 접촉이 많은 사람들이 표본에 나타날 확률을 크게 높일 수 있다. 이 기법을 통해 연구진은 기존의 무작위 표본 추출 방식보다 2주 일찍 독감 발병을 감지할 수 있었다.

연구 분야에서 일하지 않는 다른 사람들에게도 조사의 역설은 일상적인 관찰을 설명하는 데 도움이 될 수 있다. 적어도 자신이 불운하다는 생각에서 잠시 벗어날 기회를 얻을 수 있다. 콜센터의 통화량이 항상 평소보다 많은 것처럼 느껴질 때, 직원의 인력 부족을 탓하는 대표의 얼굴을 떠올리기 전에 좀 더 넓은 시야를 가져보자. 어쩌면 우리가 큰 규모의 동시 통화자 그룹에 속했고, 동시 통화자 그룹이 일반적으로 더 크기 때문에 대기시간이 길어졌을 가능성이 높다. 가끔 운이 나쁘다고 느낄 때는 '나'(부분)에서 '우리'(전체)의 관점으로 생각을 확장해 보자.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.

덴마크 연구팀, 언어 모델 기반 인공지능으로 사망률·해외 이동 예측
4년 이내 사망률 78% 정확도, 해외 이동 73% 정확도
활용 가능성 높지만, 윤리적 고려도 필요

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

사람들은 항상 미래를 예측하려 한다. 그리고 오늘날 머신러닝의 발전이 가속화되면서 불가능해 보였던 죽음에 관한 예측 가능성도 새롭게 제기됐다. 게다가 이번엔 정형화된 데이터로 학습한 방식이 아닌, 챗지피티와 같은 언어 모델로 죽음을 예측한 것이 화제다. 네이처 계산과학(Nature Computational Science)의 최근 연구에 따르면 인간의 삶을 언어처럼 취급하는 새로운 인공지능 시스템이 특정 기간 내에 사망할지 여부를 비롯한 여러 가지 삶의 세부 사항을 유능하게 추측할 수 있을 것으로 보인다.

라이프투벡 사망률 예측 78% 정확도, 독특한 방식으로 삶의 궤적 예측

연구팀은 사망, 해외 이동, 성격 특성 같이 사람들 삶의 세부 사항에 대해 일반적인 예측을 할 수 있는 라이프투벡(life2vec)이라는 머신러닝 모델을 개발했다. 이 모델의 학습 대상은 600만 명의 덴마크 거주자다. 생년월일, 성별, 직업, 거주지, 덴마크의 보편적 의료 시스템 사용 여부 등의 정보가 포함됐다. 연구 결과에 따르면 이 새로운 모델은 4년 이내의 사망률을 78% 이상 정확하게 예측했으며, 다른 여러 예측 방법보다 훨씬 뛰어난 성능을 보였다. 아울러 별도의 테스트에서 라이프투벡은 같은 기간 동안 사람들이 덴마크를 떠날지 여부도 약 73%의 정확도로 예측했다. 연구진은 또한 라이프투벡을 사용하여 성격 설문지에 대한 사람들의 응답을 예측했으며, 해당 모델이 성격 특성과 삶의 특정 사건을 연결지어 해석할 수 있다는 기대감을 샀다.

이 연구는 사람들의 삶의 궤적을 예측하고 분석하는 흥미로운 접근법을 보여줬다고 컴퓨터 사회과학을 연구하고 '비트 바이 비트: 디지털 시대의 사회 연구'라는 책을 저술한 프린스턴대의 사회학 교수인 매튜 살가닉(Matthew Salganik)은 말했다. 그는 "지금까지 아무도 사용하지 않았던 매우 다른 스타일을 사용했다"라고 덧붙였다.

살가닉 교수의 말대로 라이프투벡은 독특한 방식으로 작동한다. 라이프투벡은 오픈AI의 챗지피티와 구글의 바드와 같은 유형의 언어 모델 아키텍처를 기반으로 한다. 특히 2018년에 구글이 도입한 언어 모델인 버트(BERT)에 가장 가깝다. 연구를 이끈 덴마크 공과대학의 네트워크·복잡성과학의 수네 리만 교수는 "우리는 언어 모델링을 위해 개발된 원리를 인간의 삶을 서술한 문장 데이터에 적용했다"고 전했다. 예를 들어 '2012년 9월, 프란시스코는 엘시노레의 성에서 경비원으로 일하며 2만 덴마크 크로네를 받았다' 또는 '중등 기숙학교 3학년 동안 헤르미온느는 5개의 선택 수업을 들었다'와 같은 개인의 삶을 이벤트 단위로 서술한 내용들이다.

일반적으로 텍스트 형태의 일련의 정보가 주어지면 언어 모델은 입력을 수학적 벡터로 변환하고, 학습된 패턴에 따라 다음에 올 문장을 채우는 자동 완성 프로세스처럼 작동하여 예측을 수행한다. 여기서 사람들의 미래를 예측할 수 있는 언어 처리 도구를 개발하기 위해 리만 교수와 그의 동료들은 개인의 데이터를 급여 변동이나 입원과 같은 이벤트로 구성된 고유한 타임라인으로 처리하고, 특정 이벤트를 컴퓨터가 인식할 수 있는 디지털 '토큰'으로 변환했다. 연구진은 훈련 데이터가 사람에 대해 많은 정보를 포착하고 모델 아키텍처가 유연하기 때문에 라이프투벡이 아직 밝혀지지 않은 인간 삶의 많은 측면에 대한 예측을 쉽게 미세 조정할 수 있는 기반을 제공할 수 있다고 제안했다.

잠재적 활용 방안은 다양하지만 한계도 존재

이미 일부 의료 전문가들은 희소 질환의 위험 요인을 밝히는 데 도움이 될 수 있는 라이프투벡의 보건 버전을 개발하자며 리만 교수의 연구팀에 협업을 요청하는 중이다. 리만 교수는 이 모델을 사용하여 '인간관계가 삶의 질에 어떤 영향을 미치는가?', '연봉이나 조기 사망을 결정하는 가장 중요한 요인은 무엇인가?'와 같은 질문을 탐구함으로써 세상과 인간의 삶의 결과 사이에 이전에 알려지지 않은 관계를 발견하기를 희망한다고 전했다. 또한 승진과 나이 또는 출신 국가 사이의 예상치 못한 연관성 등 숨겨진 사회적 편견을 찾아낼 수도 있다고 전망했다.

하지만 현재로서는 몇 가지 심각한 한계가 있다. 리만 교수는 연구 대상이 덴마크에 한정되어 있다고 지적했다. 그리고 사용된 정보에는 많은 공백이 남아 있는데, 개인의 사망 위험이나 삶의 궤적과 관련된 모든 내용을 포착하기 어렵고, 일부 사회계층은 광범위한 건강·고용 기록을 보유할 가능성이 작기 때문이다.

게다가 가장 중요한 정확도 측정 방식이 엄밀하지 못하며, 여러 소식통에 따르면 이 연구 결과는 특정 사람이 어떤 기간에 사망할지를 정확하게 예측할 수 있기보다는 개념 증명(PoC)에 가깝다고 한다. 듀크-마골리스(Duke-Margolis) 보건정책센터의 디지털건강연구 책임자인 크리스티나 실콕스(Christina Silcox)는 이 연구의 통계 분석 결과를 보면 라이프투벡의 개별 4년 사망률 예측에 너무 많은 신뢰를 두면 안 된다고 전했다. 이는 리만과 그의 연구팀의 방법론에 대한 비판이 아니라 삶에 관한 예측 분야의 본질적인 한계라고 지적했다.

살가닉 교수도 이와 같은 도구의 정확성을 평가하는 가장 좋은 방법을 알기는 어렵다고 언급했다. 왜냐하면 이와 비교할 만한 다른 도구가 없기 때문이다. 모든 사람이 결국 사망하지만 대부분의 젊은이와 중장년층은 해마다 생존하기 때문에 개인 사망률을 평가하기는 특히 어렵다. 연구 대상인 65세 미만 연령층에서 사망은 비교적 드물게 발생한다. 덴마크에 거주하는 35세에서 65세 사이의 사람들(연구 대상 집단)의 모든 사람이 매년 생존할 것이라고 간단히 추측한다면, 이미 꽤 정확한 사망 예측을 한 셈이다. 이 연구에 따르면 라이프투벡은 이러한 추측보다 훨씬 더 나은 성능을 보였지만, 살가닉 교수는 현실과 비교하여 얼마나 연관성이 높은지는 정확히 판단하기는 어렵다고 강조했다.

미국 산타바바라 캘리포니아대학의 통계학·응용확률학 교수인 마이클 루드코브스키(Michael Ludkovski)도 이에 동의했다. 그의 연구 분야는 대부분 보험 계리, 즉 위험 예측 분야이며, 라이프투벡의 예측 결과가 보험 계리사가 말하는 방식과는 다른 언어를 사용하고 있다고 설명했다. 예를 들어 보험계리 예측은 '사망' 또는 '생존'이라는 이분법적 예측이 아니라 위험 점수를 부여하며, 이러한 연속 데이터(위험 점수)는 라이프투벡의 이진 분류가 설명하지 못하는 불확실성을 더 많이 포착한다.

개인정보 보호·차별 금지·알고리즘 편향 등, 심도 있게 논의해야

라이프투벡의 예측 대상이 사람과 생명에 관련된 만큼 윤리적 고려 사항도 중요하다고 전문가들은 강조했다. 실콕스 교수는 이러한 모델의 알고리즘 편향은 실질적인 위험이며, "AI 도구로 해결하고자 하는 문제에 대해 매우 구체적으로 테스트해야 한다"고 전했다. 새로운 용도로 사용할 때마다 라이프투벡을 철저히 평가하고, 학습 데이터에 반영된 과거 조건이 더 이상 적용되지 않는 데이터 드리프트(예: 중요한 의학 발전 이후)와 같은 결함이 있는지 지속해서 모니터링하는 것이 중요하다.

연구진은 자신들이 위험한 영역에 발을 들여놓았다는 사실을 인정했다. 하지만 연구진은 덴마크가 강력한 개인정보 보호 및 차별 금지법을 시행하고 있다는 점을 피력했다. 학계, 정부 기관 및 기타 연구자에게 라이프투벡에 대한 접근 권한을 부여한 연구자들은 데이터가 유출되거나 비과학적 목적으로 사용되지 않도록 해야 하는데, 저자들은 논문에서 "자동화된 개인 의사 결정, 프로파일링 또는 개인 수준 데이터 접근을 위해 life2vec을 사용하는 것은 엄격히 금지되어 있다"고 명시했다. 리만 교수는 이런 민감한 문제에 대해 편안함을 느끼는 이유 중 하나는 덴마크 정부를 신뢰하기 때문이라고 전했다. 그는 연방 데이터 보호법이 없는 미국에서 이러한 모델을 개발하는 것이 '불편할 것'이라고 밝혔다.

리만 교수의 걱정처럼 라이프투벡과 동등하게 침습적이고 강력한 머신러닝 도구는 이미 공적, 사적 분야 구별할 것 없이 인간의 삶에 깊숙히 들어와 있다. 미국에서는 많은 법원에서 알고리즘을 사용하여 형량을 결정하고, 법 집행 기관은 예측 치안 소프트웨어를 사용하여 경찰관과 자원을 어떻게 배분할지 결정한다. 국세청에서도 머신러닝을 활용하여 세무 감사를 실시한다. 이 모든 사례에서 편향성과 부정확성이 반복되는 문제가 발생하고 있는 것이 현실이다. 문제가 있어도 해결하기 쉽지 않은 것이 민간 영역에서 기술 기업은 고급 알고리즘 예측과 수집한 사용자에 대한 엄청난 양의 데이터를 사용하여 소비자 행동을 예측하고 참여 시간을 극대화하는데, 정부 및 기업의 AI 시스템에 관련된 세부 사항은 모두 비공개이기 때문이다.

리만 교수는 학계 연구자들이 접근할 수 있는 강력한 AI 예측 도구를 개발함으로써 이미 시작된 예측의 시대에 투명성과 이해도를 높여야 한다고 말했다. "이제 우리는 예측에 관해 이야기하기 시작할 수 있고, 무엇이 가능하고 무엇이 옳은지, 무엇을 내버려둬야 하는지 등 예측을 어떻게 사용할지 결정할 수 있다"라며 "이것이 우리를 디스토피아에서 벗어나 유토피아의 방향으로 나아가는 데 도움이 되는 논의의 일부가 되기를 바란다"고 그는 덧붙였다.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.

구글 딥마인드, "기하학 문제 30개 중 25개 성공"
알파지오메트리, LLM과 연역적 알고리즘 결합
기하학 문제 넘어 다른 수학 분야에도 적용 기대

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

국제수학올림피아드(IMO)는 예비 대학생을 대상으로 하는 가장 권위 있는 수학 대회다. 매년 전 세계 학생들이 치열한 경쟁을 펼치며 작년에는 112개국이 참가했다. 새로운 방식으로, 인공지능 프로그램도 곧 이들과 경쟁할 수 있게 될 전망이다.

구글 딥마인드의 트리우 트린(Trieu H. Trinh)이 이끄는 구글 딥마인드와 뉴욕대학교 연구팀은 지난 1월 17일 네이처 저널에 '알파지오메트리'(AlphaGeometry)라는 새로운 AI 프로그램을 공개했다. 연구진은 이 프로그램이 과거 IMO에서 출제된 기하학 문제 30개 중 25개를 성공적으로 풀었다고 밝혔다. 이는 해당 대회에서 금메달을 획득한 인간 참가자와 비슷한 성공률을 보인 것이다. 또한 알파지오메트리는 2004년 IMO에서 출제된 3개의 원 안에 있는 선분의 위치를 증명하는 기하학 문제를 기존에 정답으로 제시된 풀이보다 일반적인 증명 방법도 찾아냈다.

IMO에 참가한 학생들은 이틀 동안 서로 다른 수학 영역에서 총 6개의 문제를 풀어야 한다. 일부 문제는 너무 복잡해서 전문가도 풀 수 없는 문제도 있다. 이 문제들은 대개 짧고 우아한 해답을 요구하는 동시에 많은 창의력을 필요로 한다. 따라서 창의적인 능력을 갖춘 시스템을 개발하는 것을 목표로 연구 관점에서 볼 때 이번 연구 결과는 특별할 수밖에 없다. 지금까지는 OpenAI의 GPT-4와 같은 대규모언어모델(LLM)조차도 이러한 과제에서 고전을 면치 못했다.

기존 데이터 세트의 한계 극복, 컴퓨터가 이해할 수 있는 합성 데이터 구축

기존의 AI 프로그램이 성공하지 못한 이유 중 하나는 데이터에 대한 접근성이 부족했기 때문이다. GPT-4와 같은 LLM은 수십 기가바이트의 텍스트 파일로 학습하는데, 이는 편지 크기의 페이지 약 2,000만 개에 해당하는 양이다. 하지만 기하학 증명 문제는 학습 자료가 부족하며 기하학적 수학적 증명을 컴퓨터가 이해할 수 있는 프로그래밍 언어로 번역하려면 강도 높은 작업이 필요하다. 특히 기하학 분야에서는 해를 계산할 수 있도록 증명을 형식화하기가 더욱 어렵다. 기하학을 위해 특별히 개발된 공식 프로그래밍 언어가 있긴 하지만, 다른 수학 주제의 방법론을 거의 사용하지 않으므로 기학 외의 요소가 문제에 포함되는 경우엔 기하학에 특화된 프로그램을 사용할 수 없게 된다.

위의 어려움들을 극복하기 위해 트린과 그의 동료들은 인간이 생성한 증명을 공식 언어로 번역할 필요가 없는 합성 데이터 세트를 만들었다. 이를 위해 먼저 알고리즘이 문제에 내재된 기하학적 전제를 생성하도록 했다. 그런 다음 연구자들은 연역적 알고리즘을 사용하여 어떤 각도가 일치하는지, 어떤 선이 서로 수직인지 등 관련 도형의 추가 속성을 추론하도록 설계했다. 해당 프로그램은 수십 년 동안 사용됐으며, 미리 정의된 기하학적 및 대수적 규칙을 사용하여 객체에 대한 진술을 체계적으로 작성하는 일련의 과정을 거친다.

연구진은 기하학적 전제와 이로 파생된 속성을 결합하여 AI에 적합한 학습 데이터 세트를 합성해 냈다. 예를 들어 삼각형의 특정 특성, 즉 두 각도가 같다는 것을 증명하는 문제가 있을 수 있다. 이 경우 연역적 알고리즘을 통해 두 각도가 같은 삼각형을 증명하는 과정을 생성하여 자체 학습 데이터를 마련한다. 이러한 방식으로 트린과 그의 동료들은 1억 개가 넘는 문제와 그에 상응하는 증명이 포함된 합성 데이터 세트를 생성했다.

LLM과 연역적 알고리즘의 결합, 언어 모델로 새로운 단서 제기

그러나 이러한 방법만으로는 IMO 수준의 증명 문제를 풀어낼 수 없다. 대회에서 마주치는 문제들은 보통 단순한 추론 능력 이상의 것을 요구하기 때문이다. 트린과 그의 팀은 논문에서 "올림피아드 수준의 문제를 풀기 위해서는 새로운 증명 단서를 생성하는 것이 핵심이다"고 언급했다. 예를 들어 삼각형에 대한 어떤 것을 증명하려면 문제에 언급되지 않은 새로운 점과 선을 도입해야 할 때가 있는데, 바로 이러한 새로운 보조 객체(점과 선)의 도입은 증명에 접근하는 데 필요한 것으로, GPT-4와 유사한 LLM이 이를 잘 수행하는 것으로 분석됐다.

트린과 그의 팀은 LLM을 점, 선 및 기타 증명에 유용한 보조 개체를 찾는 데 집중시켰다. LLM은 단어와 문장 간의 일련의 확률에 따라 텍스트를 생성하므로 증명에 필요한 보조 수단을 확률적으로 추천하는 데에 유용했던 것이다. 그러나 LLM은 잘 알려진 대로 추론에 도달하는 과정을 파악하기 어렵기 때문에 해답을 찾기 위한 연역적 단계를 학습하지 않았으며, 연역 알고리즘을 보조하는 역할에 그쳤다.

따라서 알파지오메트리에 문제를 주면 연역 알고리즘이 먼저 문제의 설명에서 다양한 속성을 도출하고, 문제 풀이 단서가 부족한 경우, LLM이 추천한 보조 개체를 사용한다. 예를 들어 삼각형 ABC에 네 번째 점 X를 추가하여 ABCX가 평행 사변형 나타내도록 증명 방향을 재설정하는 식이다. 이렇게 하면 연역 알고리즘이 기하학적 객체의 추가 속성을 도출하는 데 사용할 수 있는 새로운 정보를 얻을 수 있다. 원하는 결과에 도달할 때까지 LLM과 연역적 프로그램은 이 과정을 계속 반복한다. "이 방법은 합리적으로 들리며 어떤 면에서는 국제수학올림피아드 참가자들의 훈련과 유사하다"고 국제수학올림피아드에서 금메달을 세 번이나 수상한 필즈 메달리스트 피터 숄제(Peter Scholze)는 말했다.

수학 AI의 문제 해결 범위는 아직 제한적, 조합론 등 다른 분야로 확장 예정

과학자들은 알파지오메트리를 테스트하기 위해 2000년 이후 IMO에 출제된 기하학 문제 30개를 선정했다. 이전에 기하학 문제를 푸는 데 사용되었던 표준 프로그램인 우의 알고리즘(Wu’s algorithm)은 10개 문제만 제대로 풀었고, GPT-4는 모든 문제에서 실패했지만, 알파지오메트리는 25개를 풀었다. 연구진에 따르면 그들의 수학 AI는 30개 문제 중 평균 15.2개를 푼 대부분의 IMO 참가자보다 뛰어난 성적을 거뒀다. 반면 금메달 수상자들은 평균 25.9개의 문제를 정확하게 풀었고, 인간 참가자는 기하학 문제만 푸는 것이 아니라 대수학, 수론, 조합론 등 다른 영역의 문제도 풀어야 했다.

한편 알파지오메트리가 생성한 증명을 살펴본 결과, 2004년에 출제된 문제에 제공된 모든 정보를 사용하지 않았다는 사실을 연구진은 발견했다. 이는 알파지오메트리가 문제의 출제 방향보다 일반적이지만 연관이 깊은 정리에 대한 해답을 찾았다는 것을 의미했다. 또한 IMO 참가자들의 성적이 저조한 복잡한 문제는 AI 모델도 증명 시간이 더 오래 걸린다는 것도 밝혀졌다. 기계도 인간과 동일하게 어려운 문제를 해결하기 위해 고군분투하는 것으로 보인다고 연구진은 전했다.

기하학 문제가 전체 문제의 3분의 1밖에 차지하지 않는 국제수학올림피아드에서 알파고메트리는 아직 인간 참가자들과 경쟁할 수 없다. 하지만 트린과 그의 동료들은 그들의 접근 방식이 조합론과 같은 다른 수학 분야에도 적용될 수 있다고 강조했다. 몇 년 후에는 인간이 아닌 참가자가 처음으로 IMO에 참가하여 금메달을 획득할 수도 있을 것으로 기대된다.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.

구글·마이크로소프트, 리테일러를 위한 생성형 AI 도구 출시
구글은 가상 어시스턴트와 카탈로그 검색 등 5종, 마이크로소프트는 코파일럿 템플릿 서비스 제공
생성형 AI, 고객 경험 개선 및 운영 효율성 향상 기대되나 환각으로 인한 잘못된 정보 유통 등 부작용 우려

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

미국 뉴욕에서 진행된(현지시각 14일부터 16일까지) 유통산업박람회 NRF 2024 콘퍼런스에서 생성형 AI가 큰 주목을 받았다. 가상 비서, 리테일 운영 및 분석을 위한 최첨단 도구가 대거 등장했기 때문이다.

유통 분야에선 생성형 AI 도구에 대한 수요가 꾸준히 증가하고 있었다. 구글 클라우드의 조사에 따르면 리테일 의사결정권자의 약 81%가 생성형 AI 도입이 시급하다고 답했으며, 72%는 2024년에 이 기술을 구현할 것이라고 답했다. 응답자의 약 78%는 이 기술이 올해 업계에 영향을 미칠 것이라고 답했으며, 95%는 고객 경험에 영향을 미칠 것으로 생각했다.

"소매업은 가장 풍부한 소비자 데이터를 보유하고 있을 뿐만 아니라 GPT의 대화형 인터페이스 특성과 매우 잘 어울리는 '검색'이라는 표준 인터페이스를 갖추고 있으므로 생성형 AI에 적합한 카테고리다"고 CommerceIQ의 총괄 매니저 겸 제품 부사장인 히만슈 자인(Himanshu Jain)은 말했다.

NRF 콘퍼런스를 앞두고 구글과 마이크로소프트는 이미 새로운 생성형 AI 제품의 출시를 발표했다.

구글, 고객 맞춤형 쇼핑 경험 제공

구글은 리테일러를 위한 5가지 생성형 AI 도구를 출시했다. AI 기반 가상 어시스턴트를 시작으로 구글은 리테일러에게 이러한 어시스턴트의 맞춤형 버전을 웹사이트와 모바일 앱에 통합할 수 있는 기회를 제공한다. 가상 어시스턴트는 색상 선택, 예산 제약, 액세서리 요구 사항 및 매장 유형과 같은 고객 선호도에 맞게 조정될 수 있다. 예를 들어 가상 어시스턴트는 고객이 하이킹 여행을 준비하는 데 도움을 줄 수 있다. 고객은 합리적인 가격에 적합한 하이킹 장비가 무엇인지 물어보면, AI가 하이킹 부츠, 비바람에 강한 의류, 배낭, 나침반, 수분 팩을 추천하는 방식이다.

다음은 유통 업체가 카탈로그 검색과 사용자 검색 패턴을 맞춤화할 수 있는 도구인 버텍스 AI 검색(Vertex AI Search)다. 이러한 맞춤 설정은 보다 관련성 높은 검색 결과로 이어져 잠재적으로 판매 전환율을 높이는 기능을 수행한다. 아울러 고객 서비스 솔루션도 있다. 이 솔루션은 기존 고객 관계 관리(CRM) 시스템과 생성형 AI를 통합하여 개인화된 제품 추천, 약속 예약, 주문 상태 확인을 가능하게 한다. 또한 고객과의 대화 내용을 요약하고 내부 데이터를 기반으로 응답을 생성하는 등 고객 응대 지원 기능도 제공된다.

한편 검색 엔진 최적화(SEO)에 맞게 조정된 제품 설명 및 메타데이터 생성을 자동화하기 위해 생성형 AI를 사용하는 카탈로그 강화 도구도 있다. 기존의 최적화 과정과는 달리, 생성형 AI는 이 과정을 간소화하고 대규모로 구동할 수 있는 장점이 있다. 마지막으로, 분산형 클라우드 엣지는 오프라인 매장을 위한 하드웨어 및 소프트웨어 솔루션이다. 이를 통해 인터넷 접속이 거의 또는 전혀 불가능한 곳에서도 AI 애플리케이션에 접근할 수 있다.

빅토리아 시크릿은 구글의 유통 생성형 AI 솔루션의 얼리 어답터다. 이 회사는 가상 어시스턴트와 검색 기능을 사용할 예정이며 공급망 관리, 개인화된 직원 온보딩 및 교육 프로그램과 같은 영역에 생성형 AI를 도입하는 방안도 고려하고 있다.

MS, 리테일 업계의 디지털 전환 가속화

마이크로소프트(MS)도 리테일러를 위한 포괄적인 생성형 AI 애플리케이션 제품군을 발표했다. 이 제품군의 핵심은 애저 오픈AI(Azure OpenAI) 서비스의 새로운 코파일럿 템플릿 서비스다. 이를 통해 소매업체는 가상 어시스턴트와 매장 운영을 위한 자체 맞춤형 시스템을 구축할 수 있다. 예를 들어 고객이 뒷마당에서 텃밭을 가꾸려고 계획하고 있다고 가정해 보자. 이 고객은 관련 웹사이트를 방문하여 "처음으로 텃밭을 시작하려고 하는데 무엇을 심고 어떻게 관리해야 하는지 조언이 필요하다"라고 인터페이스를 통해 입력할 수 있다. 코파일럿은 유통 업체의 상품 데이터베이스와 통합하고 고객에 대한 관련 정보를 바탕으로 답을 제공하게 된다. 또한 함께 판매하면 좋은 품목을 표시하여 크로스 판매(Cross-Sell)를 늘리면서 고객 만족도를 강화해 주는 역할도 수행한다.

MS는 매장 운영에 도움이 되는 또 다른 코파일럿을 보유하고 있다. 매장 직원들은 이 기능을 사용하여 트렌드, 제품 카탈로그, 매장 절차 및 인사 정책에 대한 세부 정보와 인사이트를 얻을 수 있고, 음성 지원 기능으로 작업 생성 및 할당도 가능하다. 게다가 매장 관리자는 직원과 고객이 자주 묻는 질문을 파악할 수 있어서 FAQ를 기반으로 교육, 절차 또는 지침 업데이트와 같은 의미 있는 조처를 할 수 있다.

조직이 데이터의 잠재력을 실현하고 AI 시대의 기반을 마련하는 데 필요한 모든 데이터 및 분석 도구를 통합하는 엔드투엔드 통합 분석 플랫폼인 MS 패브릭(Microsoft Fabric)의 새로운 유통 데이터 솔루션도 출시됐다. MS 패브릭은 데이터 솔루션을 계획, 아키텍처 및 설계할 수 있는 데이터 모델을 제공하며, 이 모델은 데이터 거버넌스, 보고, 비즈니스 인텔리전스 및 고급 분석에 사용할 수 있다. 데이터 커넥터도 제공되는데, 이 커넥터는 전자 상거래 데이터를 사이트코어 오더클라우드(Sitecore OrderCloud)에서 MS 패브릭으로 실시간으로 가져오는 기능이 포함됐다. 그 결과 매장 방문부터 주문 처리까지 모든 접점에서 고객 만족도와 비즈니스 운영을 선제적으로 개선할 수 있게 된다.

마지막으로 브랜드가 성공적인 마케팅 캠페인과 소매 미디어 광고 캠페인을 제공할 수 있도록 지원하는 코파일럿 기능을 다이내믹 365 고객 인사이트(Dynamics 365 Customer Insights)에 도입했다. 이 새로운 기능은 마케팅팀이 원하는 결과를 직접 입력하거나 기존 크리에이티브 요약을 업로드하여 프로젝트를 시작할 수 있는 AI 우선 환경을 제공한다. 그러면 코파일럿이 중앙 집중식 프로젝트 보드를 생성하여 응답하므로 마케터는 한 곳에서 캠페인 워크플로를 관리 및 업데이트하고 쉽게 변경할 수 있는 AI 추천 콘텐츠를 얻을 수 있어 사일로화된 애플리케이션은 더 이상 필요하지 않아 그만큼 시간을 절약할 수 있게 된다. 또한 브랜드에 맞는 이미지를 제작하고 개인화된 콘텐츠를 강화하여 더 큰 영향력을 발휘할 수 있으며, 이 모든 기능을 다이내믹스 365 고객 인사이트 내에서 사용할 수 있다. 서체 기능은 중앙 라이브러리에서 추출한 테마, 글꼴, 제품 이미지 등 조직의 브랜드에 맞게 콘텐츠를 조정하는 데 도움을 준다.

생성형 AI의 환각 문제로 부작용 우려

생성형 AI의 도입으로 상승 작용만 기대되는 것은 아니다. 대규모언어모델(LLM)은 환각에 취약하기 때문에 허위 또는 오해의 소지가 있는 콘텐츠를 생성할 수 있다. 그 주된 이유는 관련 학습 데이터가 부족하거나 부정확할 수 있기 때문인데, 결과적으로 LLM의 환각이 나쁜 고객 경험과 브랜드 손상으로 이어질 가능성을 배제할 수 없다.

LLM을 깨끗한 데이터 세트에 기반을 두는 것이 이 문제를 완화하는 방법이다. 하지만 이는 결코 쉬운 일이 아니며, 특히 전문 지식이 부족한 소규모 리테일러의 경우 더욱 그렇다. 이를 위해 AI가 생성한 콘텐츠를 사람이 평가하는 것이 중요한데, 실제로 구글은 이 평가 과정을 생성형 AI 리테일 도구에 통합하고 있다. LLM의 고질적인 환각 문제는 유통 분야에 특정된 도전 과제가 아니므로 언어 모델 자체에 기술 혁신이 있을 때까지는 뾰족한 수가 없을 것으로 사료된다.

영어 원문 기사는 AI 비즈니스에 게재되었습니다.

소외 지역 중심으로 충전소 공급 예정
대형(트럭)·중소형 차의 수요에 맞게 지원해
특정 사용 사례 충족을 위한 소규모 프로젝트도 포함

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

바이든 행정부가 소외된 지역 사회와 화물 트럭에 초점을 맞춘 6억 2,300만 달러(한화로 약 8,371억원)의 인프라 자금 지원 대상을 발표하면서 미국의 전기자동차(EV) 충전 공급 시장에 큰 변화가 예상됐다.

이번에 발표된 보조금은 22개 주와 푸에르토리코로 나뉘어 미국 전역의 EV 충전 네트워크의 격차를 해소하는 것을 목표로 하고 있다. 보조금은 조지아, 오하이오, 텍사스 지역에서 사용되며 북부 캘리포니아의 도서관 이용자, 뉴저지의 아파트 거주자, 애리조나의 전기 자전거 라이더 등 다양한 프로젝트를 지원할 예정이다.

"이 자금 지원은 미국 운전자들이 전기차 충전기에 대한 접근성, 신뢰성, 편의성을 확보하는 동시에 미국 근로자들을 위한 충전기 제조, 설치, 유지보수 분야의 일자리를 창출하는 데 도움이 될 것"이라고 피트 부테기그(Pete Buttegig) 교통부 장관은 성명에서 밝혔다.

전기차 충전 인프라 확대, 소외 지역 우선 지원

이 자금은 2021년 인프라 개발법에서 EV 충전을 위한 75억 달러의 두 번째 자금으로, 미국인들의 전기차 보급과 바이든 행정부의 교통 부문 탈탄소화 목표에 있어 항속거리 불안이 큰 문제로 여겨졌기 때문에 많은 기대를 모았다. 처음 두 차례의 지출이 발표되기 전까지는 연방정부가 그 격차를 어떻게 메울 것인지가 명확하지 않았으나, 5년의 프로그램 기간 동안 다른 구체적인 연례 지출 계획도 발표될 예정이다.

올해 예산의 상당 부분은 부족들의 땅이나 가난한 도시, 농촌 등 현재 충전소가 없는 곳에 충전소를 설치하는 데 쓰일 예정이다. 정부는 지난 11일에 2차 자금으로 건설할 7,500개 충전소 중 70% 이상을 소외지역이 차지할 것이라고 밝혔다. 민간에서 직접 충전 네트워크를 증설하는 것은 재정적 부담이 크기 때문에 불우한 지역은 소외당하기가 쉽다. 따라서 정부의 지원금으로 그 공백을 채울 수 있게 돼서 좋은 일이라고 EV 데이터 컨설팅 회사 EVAdoption의 설립자 로렌 맥도날드(Loren McDonald)는 말했다. 하지만 맥도날드는 전기차가 아직 저소득층이 구매할 수 있을 만큼 충분히 저렴하지 않다고 덧붙였다.

충전 및 급유 인프라 프로그램(CFI)으로 알려진 이 자금은 연방 고속도로 관리국(FHWA)에서 운영하고 있다. 모든 전기차 인프라 프로그램에 대한 결정권은 에너지부와 교통부의 새로운 합동 사무소에 있다. 지난 11일의 자금 지원은 의회가 지역 사회 EV 충전소 프로젝트를 위해 확보한 총 25억 달러의 첫 번째 자금이다. 주, 지역 및 도시는 경쟁 보조금 프로그램을 통해 자금을 요청한다.

한편 미국 내 전기차 보급률이 가장 높고 다른 어떤 주보다 많은 충전소를 보유한 캘리포니아가 2억6,800만 달러로 가장 많은 기금을 받았다. 캘리포니아도 수요에 비해 아직 충전소가 부족한 상태라고 전문 분석 업체가 밝혔다. 텍사스는 1억 달러로 두 번째로 많은 금액을 받았다.

화물차 탄소 제로화를 위한 수소·전기 충전소 구축

이 프로그램이 해결하고자 하는 복잡한 문제 중 하나는 화물차의 배기가스 배출을 제로화하는 것이다. 중대형 트럭에 수소 연료 또는 고출력 전기차 충전소를 공급하는 프로젝트가 2억 5,200만 달러로 신규 자금의 상당 부분을 차지했다. 수소는 언젠가 휘발유를 대체할 수 있는 에너지 밀도가 높은 연료지만 아직 산업 초기 단계에 머물러 있다. 아직 관련 연구가 더 진행돼야 하는 분야다.

트럭을 위한 해당 지원금은 텍사스, 콜로라도, 캘리포니아, 뉴욕에 수소 연료 공급 네트워크를 구축하기 위한 것이다. 올해 단일 지원금 중 가장 큰 규모인 7,000만 달러는 휴스턴, 댈러스-포트워스, 오스틴, 샌안토니오를 포함하는 텍사스 트라이앵글 주변에 5개의 수소 충전소를 건설하는 데 사용될 예정이다.

캘리포니아에서도 두 개의 수소 관련 프로젝트가 진행 중인데, 남부 캘리포니아의 주요 항구 근처에 700만 달러 규모의 충전소를 건설하고 다른 남서부 주의 주요 관문인 바스토에 1,200만 달러 규모의 충전소를 건설하는 것이다. 약 900만 달러는 콜로라도주 25번 주간 고속도로를 따라 3개의 수소 충전소를 건설하고, 1,500만 달러는 뉴욕시 브롱크스 자치구의 수소 및 전기차 공동 충전 프로젝트에 지원될 예정이다.

한편, 수천만 달러는 전기 트럭을 위한 대용량 충전기를 건설하는 데 사용된다. 여기에는 뉴멕시코에서 10번 고속도로의 트럭 충전소 2곳에 약 6,400만 달러, 5번 고속도로와 10번 고속도로의 두 프로젝트에 약 7,600만 달러가 투입된다. 또 다른 1,200만 달러는 워싱턴주의 시애틀과 터코마에 있는 항구 인근 충전소에 지원될 예정이다.

EV 승용차 보급 활성화를 위한 주·지역 정부의 충전 인프라 구축 지원

하지만 6억 2,300만 달러의 대부분은 여전히 경형 승용차 충전에 사용될 예정이다. 전기차 판매는 빠르게 증가하고 있지만 일부 EV 모델이 매장에 쌓이면서 최근 몇 달 동안 판매량이 둔화하고 있다. 잠재적인 전기차 구매자들이 가장 우려하는 것은 충분한 충전소가 존재하는지 여부다. 따라서 새로운 자금의 대부분은 지역 및 주 정부에 전달되어 전기차 충전 지도의 빈 곳을 채우는 데 쓰이고 있다.

코네티컷, 일리노이, 메릴랜드, 뉴욕 등 4개 주에서는 충전소 건설을 위해 각각 1,500만 달러를 지원받게 된다. 또한 샌프란시스코 베이 지역, 텍사스의 댈러스-포트워스 지역, 워싱턴 서부와 오리건 북부의 공동 지역 등 다른 지역에도 1,500만 달러가 지원될 예정이다. 그리고 총 2,750만 달러에 달하는 두 개의 보조금은 오하이오주 전역에, 600만 달러는 애틀랜타 대도시에 지원될 계획이다.

대도시 외에도 캘리포니아의 여러 카운티(군), 콜로라도의 볼더 카운티, 뉴멕시코의 산타페 카운티, 뉴욕의 오나이다 카운티를 포함하여 더 많은 기금이 카운티에 전달될 예정이다. 아이다호주 보이시, 매사추세츠주 디어필드, 미주리주 컬럼비아, 노스캐롤라이나주 킹스 마운틴, 뉴멕시코주 타오스, 텍사스주 엘패소에서는 이보다 훨씬 더 큰 1,500만 달러 규모의 프로젝트가 진행 중이다.

아파트·도서관·스쿠터 등 특정 장소·목적의 수요를 위한 소규모 프로젝트

CFI 프로그램의 일부는 특정 사용 사례를 위해 초점이 맞춰져 있다. 예를 들어 자금의 일부는 고속도로에 충전소를 건설하는 대규모 연방 프로그램을 보완하는 데 사용된다. FHWA에 따르면 총 3억 1,200만 달러가 11개 프로젝트에 지원됐다. 여기에는 아이다호주 아이다호 폴스와 노스캐롤라이나주 더럼의 주요 도로에 가까운 충전소와 푸에르토리코의 고속도로를 따라 1,500만 달러 규모의 주요 건설 프로젝트가 포함된다. 여기서 고속도로에 대한 주요 자금은 주를 넘나드는 고속도로와 가까운 곳에 50마일 간격으로 고속 충전소를 건설하는 것을 목표로 하는 인프라 법에 따른 50억 달러의 대규모 자금에서 나온다.

다른 소규모 프로젝트는 특이한 장소나 목적이 눈에 띄는데, 캘리포니아의 콘트라 코스타 카운티는 1,500만 달러를 지원받아 15개 도서관에 급속 충전기를 설치하여 주유소 및 쇼핑몰과 경쟁하여 도서 대출자들이 전기차에 전력을 공급할 수 있는 장소를 확보할 수 있도록 지원할 계획이다. 아울러 애리조나주 메사에서는 전기 스쿠터와 자전거를 충전할 수 있는 스테이션을 설치하는 약 1,200만 달러 규모의 프로젝트가 진행 중이고, 뉴저지에서는 주 환경보호부가 아파트 주민들을 위한 충전소를 건설하는 데 1,000만 달러를 투자할 예정이다.

차고가 없는 운전자가 전기차 충전 서비스를 제공하기 가장 어려운 집단인데, 가장 큰 이유는 주거용 건물의 소유주들이 자기 건물이 주유소가 되는 것을 좋아하지 않기 때문이다. 그리고 건물주들은 충전소 설치로 인해 발생하는 지붕과 보도 수리비 지출도 달가워하지 않는다. 바로 이런 부분에서 정부의 인센티브가 효과적으로 도입돼야 한다고 EV 분석 전문가는 강조했다.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.

외계 생명체 탐색은 어려움과 가능성을 동시에 가지고 있는 분야
정보 이론을 이용한 새로운 방법이 외계 생명체 탐색에 새로운 가능성을 제시
제임스 웹 우주망원경과 같은 새로운 관측 장비의 등장으로 외계 생명체 탐색의 가능성도 높아지고 있음

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

우주 어딘가에 생명체가 존재할 가능성보다 더 흥미로운 질문은 드물다. 하지만 외계인은 지구를 방문하지 않고, 우리도 단기간에 외계인의 행성을 갈 수 없으므로 먼 우주에 생명체가 존재한다는 간접적인 증거가 답을 구하는 제일 나은 방법이다.

외계 생명체의 존재, 대기에 남은 생물학적 활동 증거 발견해야

문제는 행성과 위성이 모항성보다 훨씬 작을 뿐만 아니라 훨씬 더 어두우므로 직접 관측하기가 매우 어렵다는 것이다. 다행히도 창의적인 천문학자들은 우주에서 멀리 떨어진 별을 공전하는 행성을 감지하고, 행성 대기의 대략적인 화학 성분을 파악할 수 있는 관측 방법을 고안해 냈다. 생명체가 행성의 곳곳에 존재한다면 대기 중에 신호를 남길 수 있다. 지문처럼 다양한 종류의 생물학적 활동은 대기에 특정한 흔적을 남기기 때문이다. 예를 들어 광합성을 통해 생성되는 대기 중의 풍부한 산소가 지구의 생명체 존재를 증명하는 것과 같다. 결과적으로 우리의 과제는 생명체가 외계 대기에 남기는 메시지를 해독하는 것이다.

이를 위해서는 강력한 망원경이 필요할 뿐만 아니라 외계에서 포착한 빛에 숨겨진 정보를 해독하는 방법에 대한 새로운 사고방식도 필요하다. 이에 천문학자들은 정보 이론을 사용해서 외계 행성의 잡음으로부터 신호를 선별해야 한다고 제안한다. 이 접근 방식은 두 단계로 이뤄지는데 △외계 행성에서 빛을 포착한 후 △정보 이론을 사용하여 생명체의 존재와 관련된 화학 물질을 탐색하는 식이다. 통신에서 문장을 구성하는 알파벳 문자가 있다면, 우주생물학에서는 먼 행성의 대기에 존재하는 특정 화학 물질을 가리키는 징후로 작용한다.

오늘날 외계 행성의 화학 성분을 가장 잘 추론할 방법은 '통과 분광법'(transit spectroscopy)이다. 지구에서 볼 때 행성이 별 앞을 지나갈 때 행성의 대기는 별빛의 일부를 흡수한다. 그 결과 생성되는 '흡수 스펙트럼'(absorption spectrum)은 들쭉날쭉한 산맥의 윤곽과 비슷하게 보이며, 골짜기 부분은 별에서 오는 빛을 흡수하는 다양한 화학 원소에 해당한다. 이로부터 그곳에 어떤 종류의 생물학적 활동이 있는지 추론할 수 있게 된다.

외계 생명체 탐색의 어려움과 가능성

물론 그것을 찾는 방법을 안다는 전제 하의 말이다. 더 어려운 질문을 하기 전까지는 매우 희망적으로 보이지만, 어디까지나 이러한 생물학적 신호가 인간이 알고 있는 지구상의 생명체에 한하여 가정하고 있다. 이것이 좋은 출발점일 수 있지만, △실제로 생물학적 신호를 발견할 것이라고 어떻게 확신할 수 있을까 △그렇다면 어떤 종류의 대기에서 생물학적 신호를 찾아야 할까 △지구와 유사한 행성을 찾고 있다면 진화 역사의 어느 단계에 속한 생물학적 신호를 발견할 수 있을까. 생명체는 35억 년 전 처음 출현한 이래 지구의 대기를 크게 변화시켰다. 지질학적 시대가 다른 지구를 바라본 외계 천문학자는 지구의 대기에 급격한 변화를 발견할 수 있었을 것이다. 지구의 생명이 진화하는 동안 생명체는 지구 대기의 산소와 오존을 엄청나게 증가시켰을 뿐만 아니라 메탄의 변동을 촉발했다. 마지막으로 모항성은 다양한 크기와 온도로 존재하며, 또한 변화한다. 뜨거운 노란색 별부터 차가운 붉은색 별까지, 각기 다른 수명 주기 단계에 있는 모항성은 행성에 미치는 영향이 다 다르다.

이러한 이유로 다른 행성의 대기에서 생명체의 흔적을 찾기 위해 여러 가지 방법을 동원해야 한다. 최근 논문에서는 이러한 핵심 도구 중 하나로 정보 이론(모든 종류의 데이터 전송에서 잡음으로부터 신호를 해독하는 방법론)을 제안했다. 이 분석에서는 시뮬레이션 된 외계 행성의 스펙트럼 데이터를 다양한 진화 단계와 다양한 항성 주위를 공전하는 광범위한 천체 물리학 및 행성 맥락에서 지구의 스펙트럼 데이터와 비교 분석했다. 그 결과, 이 도구가 현재와 미래의 관측 데이터를 안정적으로 분석하여 외계 생명체 흔적을 찾을 수 있음을 시사한 것이다. 젠슨-섀넌 발산(Jensen-Shannon divergence)이라고 알려진 정보 이론에서 채택한 이 측정법은 두 흡수 스펙트럼을 직접 비교하여 얼마나 유사한지(또는 그렇지 않은지)를 정량화한다.

이 '구성 엔트로피'(configuration entropy) 측정값은 행성의 스펙트럼 패턴에서 미묘한 변화를 식별하는 데 탁월한 역할을 하는데, 값이 작으면 비교 대상인 두 행성의 전반적인 대기 구성이 매우 유사하다는 뜻이고, 반대로 값이 크면 상당히 다르다는 뜻이다. 그런 다음 더 정밀한 진단 도구를 사용하여 특정 파장의 빛, 즉 특정 물질의 산맥 골짜기인 '스펙트럼 시그니처'(spectral signatures)를 가장 쉽게 볼 수 있는 전자기 스펙트럼 영역에 대한 구성 엔트로피를 계산했다. 이를 통해 이산화탄소나 메탄과 같은 특정 화합물 또는 메탄과 오존처럼 함께 나타나는 두 가지 화합물에 초점을 맞추고 두 세계에 대해 그 농도를 직접 비교할 수 있게 된다.

정보 이론으로 정의하는 지구 유사체, 분광학적 시그니처의 유사도로 구별

우리에게 외계 행성은 지구에 가까운 반경과 질량을 가지고 있을 뿐만 아니라 지구의 수십억 년 역사를 통틀어 흡수 스펙트럼이 지구와 정보 공간에서 매우 유사할 때 '지구 유사체'라고 부를 수 있다. 이는 우주생물학에서 널리 사용되는 '지구와 비슷하다'는 개념을 확장하여 생물권의 현재 상태를 넘어 생명의 징후가 크게 다를 수 있는 먼 과거(그리고 가능한 미래)까지 살펴볼 수 있도록 한다. 연구진은 20억 년 전 대산화(산소 대폭발) 사건 직후 대기 중 산소가 거의 없고 바다와 해저 암석에 소량의 산소가 존재하던 시기부터 산소가 약 10%였던 8억 년 전, 그리고 마지막으로 21%에 달하는 현대에 이르기까지 지구가 진화하는 세 단계를 고려했다.

연구진이 제안하는 정보 측정법은 분광학적 시그니처를 기반으로 세계를 구분한다. 행성의 나이와 별의 종류가 비슷한 생체 신호를 찾는 데 여전히 혼란을 줄 수 있기 때문에 주의해야 한다고 전했다. 지구와 유사한 행성을 확실하게 식별하려면 태양과 같은 항성 주위를 도는 외계 행성을 찾아야 한다. 그러나 연구진은 생명체가 현재 지구에서 보이는 것을 바탕으로 가정하는 것보다 더 창의적일 것으로 기대한다고 덧붙였다.

현대 지구의 특정 화합물 스펙트럼 시그니처와 다른 항성 궤도를 도는 지구와 유사한 행성의 스펙트럼 시그니처를 비교하면, 연구진의 방법이 생물학적 활동의 원인이 무엇이고 오랜 세월에 걸쳐 어떻게 변화하는지 파악하는 데 매우 적합하다는 것을 발견할 수 있다. 물론 정확도는 스펙트럼이 얼마나 깨끗한지(또는 '저 노이즈') 여부에 따라 달라지지만, 제임스 웹 우주망원경(JWST)의 역량 내에서도 결과는 매우 유망하다고 연구진은 강조했다. 또한, 이 새로운 정보 측정법은 지구와 유사한 세계뿐만 아니라 모든 종류의 세계에 비교 기준으로 적용될 수 있는데, 예를 들어 지구에서 볼 수 있는 생물학적 활동과 일치하지 않는 외계 생명체를 찾아내어 관련 대기 화학을 새로운 카테고리로 분류할 수 있다는 의미다. 이러한 개방성과 유연성은 우리가 알고 있는 생명체와 알지 못하는 생명체를 찾는 데 더 큰 도움으로 작용할 전망이다. 우주에 지구만 존재하는지는 아직 알 수 없지만, 생명체가 어딘가에 숨어 있다면 곧 발견할 수 있을 것이라고 연구진은 기대했다.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.

인공지능을 활용해 카테터 내부에 날카로운 삼각형 모양의 융기 구조를 설계
융기 구조로 인해 박테리아가 카테터 내부로 이동하지 못해 감염을 예방
대장균에 대한 효과는 입증됐으나, 다른 박테리아 종에 대해서는 추가 연구 필요

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (GIAI R&D Korea)에서 콘텐츠 제휴가 진행 중입니다.

전 세계적으로 매년 1억 명 이상의 사람들이 요로 카테터가 필요하다. 이 장치는 특히 수술 후 환자의 건강을 회복시키는 데 효과적으로 사용됐다. 그러나 개발도상국에서는 약 1/4, 미국에서는 약 1/8이 카테터를 사용하는 사람 중 상당수가 카테터 내부에 박테리아가 축적되어 발생하는 카테터 관련 요로 감염(Catheter-Associated Urinary Tract Infection, CAUTI)에 걸려 고통을 호소하고 있다.

박테리아의 상류 유영 저지, 항생제 사용 줄이고 카테터 사용 기간 연장

최근 사이언스 어드밴시스(Science Advances)에 게재된 새로운 연구에 따르면 인공지능의 도움으로 연구자들은 항생제 없이도 박테리아 오염을 최대 2배까지 줄일 수 있는 새로운 카테터를 설계했다. 카테터 내부는 박테리아가 달라붙는 것을 방지하는 데 도움이 되는 3차원 기하학적 모형이 장식돼 있다.

"일반 카테터에는 내부가 비어 있다"라고 이 연구의 공동 저자인 캘리포니아 공과대학교의 컴퓨터과학자 애니마쉬 아난드쿠마르(Animashree Anandkumar)는 말했다. 일반 카테터의 매끄러운 내부 표면으로 인해 박테리아가 카테터에 군집을 형성하면서 요로로 들어가 카테터 관련 요로 감염을 일으킨 것이다.

과거에 의사들은 박테리아를 죽이기 위해 카테터 내벽을 항생제나 은과 같은 금속 물질로 코팅하기도 했다. 그러나 이러한 방법은 비용이 많이 들고 항생제 내성 박테리아가 더 널리 퍼짐에 따라 효과적이지 않게 됐다. 이와는 다르게 새로운 카테터는 박테리아를 퇴치하기 위해 특수 코팅에 의존하지 않고 내부 표면에 단순한 기하학적 구조를 추가했다.

3D 프린팅된 날카로운 삼각형 모양의 작은 융기 부분이 카테터 내부에 줄지어 있어 박테리아가 통과할 수 없는 일종의 장애물 달리기 코스를 형성한다. 박테리아가 상류로 헤엄쳐 올라가려다가 뾰족한 융기 부분에 부딪히고 넘어져 결국 하류에서 멈추거나 튕겨 내려가는 구조다. 장애물 높이는 유효 와류를 향상하는 것과 튜브의 막힘을 방지하는 것 사이의 절충을 고려해 설정됐다고 연구진은 전했다. 결과적으로 이 디자인은 값비싸고 불필요한 항생제 사용을 줄이고 카테터 사용 기간을 연장하는 데 도움을 주는 것으로 분석됐다.

대장균 100배 감소 효과, 박테리아 종류에 따라 미세 조정 필요

완벽한 박테리아 퇴치 미로를 찾기 위해 아난드쿠마르와 그녀의 팀은 AI를 사용하여 수만 번의 시뮬레이션을 통해 디지털 모델링된 카테터를 빠르게 설계해 나갔다. 컴퓨터 모델의 여러 시나리오에서 가상의 박테리아를 가장 잘 차단하는 디자인을 찾은 후, 3D 프린팅으로 시제품을 제작하고 실험실에서 대장균을 사용하여 테스트했다. 24시간 후, 기존 카테터보다 거의 100배나 적은 수의 박테리아 군집이 발견됐다.

이 새로운 카테터는 현재 카테터 관련 요로 감염과 관련된 가장 흔한 미생물 중 하나인 대장균에 저항하도록 최적화됐다. 그러나 다른 박테리아 종들도 카테터에 서식하여 감염을 일으키는 것으로 알려져 있다. 미국 클리블랜드 클리닉 비뇨기과 전문의 글렌 베르네버그(Glenn Werneburg)는 "카테터에 있는 박테리아는 세균막(바이오필름) 형태로 존재하며, 박테리아는 종류에 따라 다른 방식으로 유영하는 것으로 알려져 있다"고 언급했다. 그는 장구균이나 프로테우스 박테리아와 같은 다른 박테리아도 접근하지 못하도록 향후 수정된 디자인을 개발해야 할 수도 있다고 덧붙였다.

아난드쿠마르도 이에 동의하며, 새로운 디자인을 정확하게 모델링하려면 더 많은 연구와 박테리아의 물리적, 화학적 특성에 대한 더 많은 데이터가 필요하다고 설명했다. 또한 연구자들은 디자인을 널리 생산하기 전에 임상 환경에서 테스트해야 할 것이다. 아난드쿠마르는 AI 모델링이 카테터 이상의 잠재력을 가지고 있다고 전망했다. 그녀는 AI를 활용하여 약물, 에너지 효율적인 비행기 프로펠러 등을 설계하는 데 도움을 주고 싶다고 말했다. "이것은 시작에 불과하다"라고 그녀는 AI 디자인 모델링에 대한 넓은 활용처에 대해 자신했다.

영어 원문 기사는 사이언티픽 아메리칸에 게재되었습니다.