1990년대 이후 전 세계는 데이터와 알고리즘을 기반으로 한 시스템 운영과 업무 처리 방식으로 전환되었으며, 인터넷을 통해 시간과 장소의 제약을 극복하는 분산 업무 환경이 확산되었다. 이 과정에서 사용된 전통적인 컴퓨터 프로그래밍은 다음과 같은 구조를 따랐다.

데이터(Data) + 알고리즘(Algorithms) = 결과(Results)

하지만 알고리즘이 발전하면서, 인간의 사고방식에 가까운 방식으로 데이터를 처리하도록 컴퓨터에 학습시키는 인공지능(AI)이 등장하였다. 기존에는 사람이 데이터와 알고리즘을 이용해 결과를 도출했지만, 이제는 컴퓨터가 스스로 알고리즘을 학습하고 자율적으로 결과를 도출하는 방식으로 전환되었다.

이는 인간의 두뇌처럼 계층 구조를 이루며 상호 연결된 노드(뉴런)로 구성된 인공신경망(Neural Networks)을 통해 구현된다. 입력 데이터를 처리한 후, 딥러닝 알고리즘을 통해 여러 은닉층의 학습을 반복하며 점차 정확도를 높여 결과를 생성하게 된다.

다층 알고리즘 기반 인공신경망의 발전

최초의 인공신경망 모델은 1958년 Frank Rosenblatt가 제시한 퍼셉트론(Perceptron)으로, 단일 뉴런에 기반한 선형 회귀 모델이었다. 이후 신경망 구조는 점차 복잡해졌고, 오늘날의 딥러닝(Deep Learning)은 다층 신경망으로 구성된다. 일반적인 다층 신경망은 피드포워드 신경망, CNN(컨벌루션 신경망), RNN(순환 신경망)으로 구분한다. 머신러닝(Machine learning)은 데이터와 결과를 이용하여 알고리듬을 만들어 나간다.

데이터(Data) + 결과(Results) = 알고리듬(Algorithms)

이러한 알고리즘을 작동시키기 위해 필요한 데이터는 관찰, 실험, 조사, 수집 등을 통해 취득되며, 정보 시스템과 소프트웨어를 통해 생성되기도 한다. 인터넷과 디지털화의 가속화로 정형 및 비정형 데이터를 포함한 빅데이터(Big Data)가 방대하게 축적되고 있으며, 이는 인공지능과 결합되어 다양한 문제 해결, 서비스 기획, 개발 등에 활용되고 있다. 오늘날 데이터 산업은 AI 기술과 융합하여 데이터의 생산→유통→거래→활용의 전 과정을 포괄하는 서비스로 진화하고 있으며, 이로부터 경제적 부가가치를 창출한다.

구글 창립에 기여한 스탠포드대 (사진: 구기동)

인공지능의 선두주자 구글 (사진: 구기동)

데이터 사이언스(Data Science)는 데이터 분석, 통계처리, 알고리즘 기술을 활용하여 빅데이터를 해석하고 의미를 도출한다. 주요 역할은 새로운 데이터 소스 발굴, 데이터의 정확성 및 유효성 평가, 데이터 모델 수립 및 알고리즘 개발 등이다. 이를 위해 필요한 능력으로 통계 프로그래밍 언어(R, Python, SQL 등)의 활용 능력, 데이터 구조에 대한 이해, 머신러닝과 고급 통계 분석 지식, 설득력 있는 문서 작성 능력 및 커뮤니케이션 역량 등이다.

이 분야는 자연어 처리, 이미지 분석, 광고 기술(Ad Tech), 헬스케어 및 생명과학 등 다양한 분야에서 핵심 기술로 자리 잡고 있다. 기업은 이를 통해 제품 개발, 마케팅 전략, 경영 최적화를 실현하고 있다.

데이터 활용의 생태계 (출처: 관계부처 합동(2018))

전 세계의 대학에서도 AI 및 데이터 사이언스는 단지 전공 과목을 넘어 산업과 교육의 필수 도구로 자리잡고 있다. 대학 교육의 주요 변화로 학제 간 융합 및 전공 확장이 이루어지면서 다양한 전공에서 AI와 데이터 과목의 비중이 확대되고 있다. 수업에서도 프로젝트 기반 학습으로 실제 데이터를 기반으로 AI 모델을 설계·실행한다. 교육에서도 AI 기반 개인화 학습 시스템으로 학습자의 수준과 진도를 분석하여 맞춤형 콘텐츠 제공한다. 예를 들어, 퍼듀대학교(Purdue University)의 ‘The Data Mine Program’은 기업 및 연구기관과 협력하여 학생들이 실제 산업 문제를 해결하는 경험을 쌓을 수 있도록 지원하고 있다.

퍼듀대의 데이터 사이언스와 AI학습 전용관

어떤 교육이 필요한가?

고급 인공지능이나 빅데이터 기술은 데이터베이스 관리, 데이터 모델링, 프로그래밍 언어 등의 기초 이론에 대한 교육이 필수적이다. 이를 바탕으로 실제 프로젝트를 수행하는 반복적 학습과 실습이 필요하다. 초급 수준에서 통계 패키지 활용, 기초 코딩, SQL 등을 익히고, 머신러닝은 TensorFlow와 같은 플랫폼을 통해 학습이 가능하다. TensorFlow는 초보자와 전문가 모두에게 적합한 머신러닝용 오픈소스 플랫폼으로, 다양한 언어를 지원하며 도구, 라이브러리, 커뮤니티 리소스를 제공한다. 연구자는 최신 기술을 탐색하고, 개발자는 머신러닝 기반 애플리케이션을 손쉽게 개발·배포할 수 있다.

한국산업인력공단의 ‘K-Digital Training’ 프로그램은 초급과 중급 수준으로 나뉘어 데이터, 인공지능, 데이터 사이언스를 연계한 커리큘럼을 제공하였다. 중등 수준 이상의 기초 학력을 요구하므로, 대학 저학년 수준에서 체계적인 교육을 제공할 경우 향후 학습장의 성장 가능성이 매우 크다.

K-Digital Credit 훈련과정 (출처: 산업인력공단)

빅데이터와 AI는 미래의 핵심 동력이다

지난 20여 년간 전 세계는 인터넷과 글로벌 네트워크의 확장과 함께 빅데이터와 인공지능을 기반으로 한 디지털 대전환을 겪고 있다. 이 변화의 핵심에 스마트폰과 센서 기술의 발전이 있었으며, 데이터 수집 및 저장 능력의 비약적 향상이 그 기반이 되었다. 축적된 데이터는 패턴과 추세를 분석할 수 있게 하였고, 이를 통한 예측과 분류 알고리즘 개발이 가능해졌다. 모집단에 가까운 규모의 데이터는 분석의 정확도를 높이고 추정 오차를 줄이는 데에도 기여하였다.

이러한 첨단 기술 기반의 교육은 대학이 주도해야 한다. 중세 대학이 신학에서 과학의 시대로, 근대 대학이 기술과 발명의 시대로 이끌었던 것처럼, 오늘날의 대학은 AI와 데이터 사이언스 시대의 혁신 거점이 되어야 한다. 미국이 과학 강국이 된 배경에는 최고의 대학들이 존재했으며, 지금도 세계적 기술 혁신의 중심에는 대학이 있다. 대학을 단순한 직업훈련 기관이나 비용 부담 집단으로만 인식한다면, 그 사회의 미래는 암울할 수밖에 없다.

지금 준비하지 않으면, 미래는 없다.