<자막원문>

한: 오늘 세종대학교 손기선 교수님 모셨습니다. 안녕하십니까.

손: 안녕하십니까.

한: 손 교수님 전공과목이나 연구 분야에 대해서 설명을 해주시죠.

손: 전공을 우리 소재하는 분들한테 여쭤보시면 대부분 소재 분류로 말씀하시는데요. 그런 식으로 제가 말씀드리면 저는 디스플레이 발광 소재하고 에너지 전극 소재, 전해질 소재. 주로 Inorganic(무기물) 다시 말하면 무기 소재 기반으로 한 기능 소재를 연구하고 있다고 말씀드리겠습니다. 그리고 그건 소재 분야로 말씀드리고 이것과 더불어서 그걸 개발하는 방법론 쪽으로는 주로 인공지능이라든지 최적화 공법이라든지 이런 걸 사용하고 있습니다.

한: 무기물 소재 그중에서 아까 말씀하신 발광 소재라고 하면 LED 같은 걸 말씀하시는 건가요?

손: 그렇습니다.

한: 형광체.

손: 형광체를 비롯해서 요즘 차세대로 뜨고 있는 페로브스카이트(Perovskite) 구조까지.

한: “그것을 인공지능으로 뭔가 개발을 한다”라는 방법론을 연구하고 계신대. 소재를 인공지능으로 개발한다면 어떻게 하는 겁니까?

손: 가장 쉬운 말씀을 드리면 우리가 소재를 개발할 때 생각해야 될 변수. 그게 이제 아무리 적어도 아까도 계속 말씀드렸지만 수십 개 정도 되고요. 아무리 줄여도 10개 정도 된다고 생각하시면 그 10개의 변수를, 각 변수가 예를 들면 조건이 10개씩 있다고 치면 그러면 생각하셔야 될 가짓 수가 어떻게 나오냐면 10의 10승이 나오지 않습니까?

한: 10의 10승이요. 10의 10승이면 어느 정도입니까?

손: 기가 (giga)죠. 10기가 (giga) 정도 되는 거죠.

한: 다 조합했을 때?

손: 다 조합했을 때.

한: 우리가 집에서 김치찌개를 끓이려고 하면 김치도 썰어야 되고 고춧가루도 넣어야 되고 매운 고추도 좀 넣어야 되고 설탕도 넣어야 되고. 이런 여러 가지 변수들에 대한 걸 얘기하시는 겁니까?

손: 그 변수는 김치찌개나 예를 들면 된장찌개 같은 경우는 그것도 뭐 그 정도 되겠죠. 그럼에도 불구하고 된장찌개나 김치찌개를 매년 예를 들어서 1천만명이 300년 동안 끓였다고 그러면 이미 웬만큼 괜찮은 데는 다 찾아냈다고 보는 거죠.

한: 괜찮은 맛을 말씀하시는 거예요?

손: 그렇죠. 괜찮은 맛이 나올 수 있게 엄청난 공간에서 1천만명이 300년. 1천만 x 300번을 해본 거죠. 제가 볼 때는. 그렇게 해서 구전을 타고 제일 좋은 게 찾아진 건데. 우리가 예를 들어서 소재를 개발한다고 그러면 1천만명도 없고 300년도 없습니다. 2~3명이 1년 안에 해야 되는데. 1천만명이 300년 동안 한 걸 3명이 1년 안에 어떻게 하겠습니까.

한: 최적이라고는 할 수 없는 거네요? 지금 다 상용화가 된 것들이?

손: 대부분 그렇습니다. 그래서 최적이라고 믿고 있는 분들도 계시지만 대부분 어떤 건 진짜 최적일 수도 있겠죠. 그렇지만 그렇지 않을 경우가 거의 99.9%일 것이다라고 생각을 하는 게 이런 데이터 사이언스나 오퍼레이션 사이언스에서 보는 거고. 기존에 예를 들어서 전통적인 재료 공학자들은 내가 다 안다고 생각하시고 계신 거고요.

한: 그러면 예를 들어서 어떤 재료를 개발한다고 했을 때 그 프로세스가 어떻게 됩니까?

손: 매우 복잡하죠. 우리는 된장찌개를 끓일 때 첨가되는 소재 재료만 가지고 지금 10의 10승인데.

한: 고춧가루도 넣어야 되고 이것저것 다 넣어야 되고.

손: 그걸 어떤 순서로 넣을까는 생각해보셔야죠.

한: 고춧가루부터 넣을지.

손: 그다음에 불을 언제 붙일지 그다음에 어느 시점에서 넣을지 온도는 어떻게 할지. 이런 것들이 다 변수라면 더 많아지는 거죠. 그래서 그런 것들이 우리 공정에서도 늘 일어나고 있는데. 그게 하다 보면 사람이 하는 일이니까 거의 최적에 가까운 데로 찾아가긴 합니다. 그래서 지금 우리가 알고 있는 여러 가지 소재에 현 상황이 그런 최적점에서 너무 멀다고 생각하진 않습니다. 그렇지만 아직은 적어도 좋게 보면 100%에서 나쁘게 보면 20%까지는 더 올릴 수 있는 우리가 모르는 공간이 남아있다라는 가정 아래 이러한 제가 말씀드리는 수법을 사용하면 찾아갈 수 있을 수도 있다라고 제가 말씀을 드릴 수 있습니다.

한: 우리가 일반 사람들이 생각했을 때 인공지능이라고 하면 이세돌 프로하고 바둑을 뒀던 알파고를 생각을 하게 되는데. 그것도 인공지능 알고리즘이 여러 가지 종류가 있는 것 같던데요 보니까.

손: 그 알고리즘은 우리가 흔히 얘기하는 Deterministic Policy Gradient라는 걸 사용한 건데요. 그건 일종에 강화학습법이라는 겁니다. 인공지능은 세 부류로 나뉘는데요. 우리가 흔히 얘기하는 슈퍼바이즈드 러닝(Supervised learning), 언슈퍼바이즈드(Unsupervised learning) 그다음에 강화 학습(Reinforcement learning)이라고 하는데요. 그것은 지도학습, 비지도학습 그다음에 강화학습 이렇게 변하는데. 아주 쉽게 말씀드리면 지도학습은 x값과 y값이 다 있는 걸 맞춰보는 거고요. 비지도학습은 y값이 없는데 x값만 갖고 클러스터링이라고 해서 뭉쳐져 있는지, 데이터가 어떻게 생겼는지 보는 거고요. 강화 학습(Reinforcement learning)은 변하는 어떤 거에 대한 상황을 쫓아가면서 옵티마이즈하는 그러한 경우를 세 가지로 보는데. 우리 소재 개발에 있어서는 대부분 세 번째 강화학습법에 해당하는 상황이 많고요. 그다음에 데이터가 충분히 있으면 이미 우리 선조들이 많은 데이터를 남기고 갔으면 그건 우리가 흔히 얘기하는 슈퍼바이즈드 러닝(Supervised learning), 강화학습으로 x값, y값을 맞춰볼 수가 있는데요.

한: 거기서 x값과 y값은 뭘 의미하는 겁니까?

손: x값은 조성이나 공정 변수. 다시 말하면 된장찌개에다가 뭘 집어넣을 건지 어떻게 끓일 건지가 x고요. y는 맛 그다음에 냄새 그다음에 색깔. 더 나아가서는 가격 이런 걸 우리가 y값이라고 부르는 거죠.

한: x축, y축은 다 있느냐, 하나만 있느냐,

이: x는 여러 개가 있고 y도 여러 개가 있는 거죠. 그런데 제가 말씀드리는 건 우리 엔지니어링은 제가 20~30년 일을 하다 보니까. 우리 엔지니어링하고 학생들이 실험하고 이러는 경우는 대부분은 x값이 수십 개 정도는 되더라. 한 100개 미만 정도 되고 y값은 수개 정도 되더라. 예를 들면 발광소재를 한번 보시겠습니다. y값은 발광강도, 발광색 그다음에 가격 이런 게 몇 개 있는 거고요. 그다음에 x값은 조성이 있을 수 있고 몇 도에서 만드냐, 심지어는 누가 만드냐도 있을 수 있고요. 나중에 열처리를 어떻게 하느냐 나중에 예를 들면 공정 프로세싱이라고 그래서 파우더가 나오면 빻아서 하는 공정도 있거든요. 그럴 때 어떤 도르래를 쓸 거냐 이런 여러 가지 변수들을 x값으로 보는 거죠.

한: x, y를 잡아내는 것도 쉽지 않겠네요.

손: 그렇죠. 그걸 프로그램 세팅이라고 합니다. 그래서 그게 되어야만 인공지능을 사용할 수가 있는데. 제가 계속 말씀드리는 건 자기가 무슨 실험을 하거나 어떤 계산을 하고 있으면서도 그게 정립이 안 되어 있는 상황이 많기 때문에. 지금 내가 하는 일에는 입력 변수(x값). 어떤 걸 입력하면 아웃풋이 어떤 것이 나오는 이런 일을 하고 있구나라고 세팅하는 걸 우리가 문제 설정 그래서 인공지능을 하려면 일단 자기가 하는 일을 장악해야 하는데. 제일 중요한 것은 문제 설정을 잘해서 자기가 그것을 설정만 잘하면요. 우리 데이터 사이언티스트들이든지 오퍼레이션 사이언티스트들이 그것만 가지고 제일 좋은 알고리즘을 사용해서 그 문제를 해결해줄 수 있다고 제가 보고 있습니다. 그래서 자기 문제를 특히 젊은 학생들이나 젊은 엔지니어링 분들은 내가 지금 하고 있는 일을 빨리 문제 세팅을 해주시면 의외로 쉽게 찾아낼 수 있는 여러 가지 알고리즘들이 있으니까 도움을 받을 수 있다.

한: 이럴 수 있습니까? 어떤 맛집에 가서 우리가 김치찌개가 굉장히 맛이 있었단 말이죠. 근데 이제 안에 재료가 뭐가 들어간 지 몰라요. 근데 이제 맛은 알고. y값은 알고 있는 거잖아요. 그런 상태에서 x값을 도출을 하려면 그건 어떤 방식으로 해야 되는 겁니까?

손: 그러니까 지금 여러 가지 말씀 중에 가장 인공지능에 대한 기본적인 오해랄까요? 그런 부분인데요. 원래 데이터가 있는 상태에서 그 데이터를 분석해서 데이터의 구조가 어떻게 생겼는지 알아맞히는 거지. 무에서 유를 창조하는 게 아닙니다.

한: 그건 아니다.

손: 예를 들면 사진을 보여줬을 때 여자인지 남자인지 알아맞히려면 여자 사진, 남자 사진을 몇 천장이 있어야 그걸 보여주고 난 다음에 안 보여줬던 새로운 사진을 보여줬을 때 인공지능이 “여자입니다, 남자입니다” 알아맞히는 거지. 한 번도 보여준 적이 없는 엔진에. 그런 걸 우리가 로직 베이스에 너무. 옛날 컴퓨터는 여자인지 남자인지 어떻게 알아 맞혔냐면 눈 사이의 거리, 코의 높이, 입가에 주름의 개수를 변수화해서 그런 걸 로직 서킷으로 Yes냐 No냐 물어봐서. 여러분들 로직 트리 있지 않습니까? 우리가 흔히 얘기하는 로직 트리. 그 로직 트리를 만들어서 머리 좋은 사람이 기가 막힌 3천개짜리에 어떤 가치 기준을 놓고 여자인지 남자인지 알아 맞히면 3천개짜리 디스크립터(Descriptor)라고 부르는데요 그거를. 설명자. 그 설명자를 3천개를 놓고서 하나하나 다 물어보면서 마지막에 딱 귀착할 때 “남자다, 여자다”라는 그런 로직 프로그램을 만들어놓으면 그럼 할 수 있죠. 근데 얘는 그런 게 아닙니다. 그런 게 없는 거예요. 생각하는 게 아니라 그냥 보여준 대로. 안 보면 못 하고 그래서 예를 들어서 김치찌개 레시피를 적어도 1000건 이상 못 본 상황에서는 맛만 보고 여기에 뭐가 들어갔는지 전혀 모르죠.

한: 그러면 김치찌개의 맛과 그 안에 들어가는 여러 가지 재료들을 다 알고 있다고 하면 AI를 활용해서 어떤 걸 도출해내는 겁니까?

손: 그동안 우리가 못 만들어봤던 예를 들어서 서울 시내 전국에 있는 김치찌개 집에 있는 모든 사장님이 자기 레시피를 오픈했습니다. 그걸 제가 데이터베이스로 가지고 있어요. 그러면 그 데이터베이스에는 x값 수십 개, y값 몇 개가 있을 거 아닙니까? 그걸로 프로세싱을 해서 y값을 예측하는 모델을 만들어 놓으면, 그 모델만 가지고 있으면 한 번도 시도해보지 않았던 조합을 집어넣었을 때 그게 맛이 얼마인지 얘가 알아내는 거죠.

한: 새로운 어떤 김치찌개를.

손: 더 나아가서 지금 하는 일은 그게 모델이 됐으니까 이 모델을 내가 100% 믿는다면 이 모델에서 가장 높은 맛의 퀄리티를 보는 y값을 찾아내서. 아까 좀 전에 물어보신 그걸 우리가 ‘역설계’라고 합니다. 질문을 어떻게 주는 거냐면 그 모델이 있다. 모델이 있다는 얘기는 뭐냐면 이미 몇 1000개 가게의 레시피를 내가 가지고 있단 얘기죠. 그걸 모델로 축약시켜놓은 모델이 있는 거고. 그 모델이 있으면 그다음에는 제일 맛이 좋을 때에 x값을 이 모델로 찾아낼 수 있는데 그걸 우리가 역설계라고 부릅니다. 다시 말하면 y값을 주고 x값을 찾아내는. 아까 주셨던 그 질문에 대한 겁니다.

한: 교수님은 그런 거에 대한 연구를 언제부터 하셨습니까?

손: 한 20년 전에, 아까도 말씀드렸지만 조합 화학이라는 게 있었습니다. 그게 뭐냐면 샘플을 만드는데 그 당시에도 발광체를 하고 있었는데요. 이 발광체를 하루에 만들어봐야 학생들하고 열심히 만들면 2~3개, 많게는 10개 정도 만드는데. 그걸 로보틱스로 레이어를 짜서 아주 Systemactic하게. 하루에 예를 들면 씬필름 같은 걸로 그 당시에 스퍼터나 이런 걸로 그래디언트를 주고 그래서 다른 조성을 1만 개씩 만들어내는 그러한 기술을 우리가 조합 화학이라고 합니다. 조합 화학(combinatory chemistry)이라고 그러는데. 그 기술이 조합 재료 과학. 조합 재료 과학이라는 게 지금은 다 죽어버린 상태. 그 당시 20년 전에는 그게 아주 신기술로 굉장히 각광을 받고 있었는데 그걸 연구하다가 보니까. 이게 돈이 많은 분들은 특히 미국 쪽에는 펀딩이 많으니까 로보틱스나 이런걸 세게 해서 좋은 기계들을 만들어내는데. 우리는 그런 기술도 없고 돈도 없으니까. “도대체 저걸 몇만 개씩 왜 만들어야 하나”라는 생각을 하기 시작한 게, 저만 그런 게 아니라 특히나 돈이 별로 없는 유럽 쪽에 계신 분들이 “저걸 왜 몇만 개씩 만드냐, 몇백 개만 해도 되는데” 이러한 인공지능 기법을 사용하면 그걸 처음 시작을 한 게 90년대 말이고요. 그때부터 지금까지 쭉 그걸 이어왔다고 보시면 되겠습니다.

한: 교수님 말씀 중간에 “아까도 얘기했는데” 라는 것은. 저희가 4월 15일 날 한국정보디스플레이학회에서 교수님이 나오셔서 웨비나를 합니다. 이것과 관련된, 재료 개발과 관련된 인공지능에 대해서 1시간 정도 웨비나를 해주셨는데. 저희 디일렉 사이트를 통해서 할 거니까 그쪽에 오셔서 나중에 구체적인 사항을 확인해보시면 될 것 같고. 그래서 교수님은 20년 전부터 이런 걸 하셨는데. 이런 것들이 산업계에 어떻게 적용될 수 있습니까?

손: 아까도 말씀드렸지만 프라블럼 세팅이 안 되어 있고 일단.

한: 일단은 산업계에서 모른다.

손: 그래서 근래에는 ‘이세돌 vs 알파고’ 구글 딥마인드에 굉장히 고마움을 표하는 이유는 그 이후에 이런 것을 해봐야 되겠다는, 어떤 업체나 기구들에서 이런 것들이 왕왕 지금 어떻게 보면 부스트업이 되고 있어요. 그래서 근래에는 어디라고 말씀을 못 드리지만 굴지에 대한민국에 대기업 세 군데하고 이 일을 하고 있는데. 물론 그전에도 몇 번의 시도는 있었는데 대부분 용두사미로 끝나게 되는 게 이 내용에 대한 기본적인 이해를 잘 못 하셔서 그랬는데요. 근래에 이걸 사용하니까 굉장히 잘되고 있습니다. 왜 그러냐면 그쪽은 기업에서는 자기가 노하우를 가지고 아주 일관적인 다시 말하면 생산 또는 실험에 대한 스펙이 잡혀 있잖아요? 우리가 실험실에서 하면 오늘 만들면 10이 나오고 내일 만들면 13이 나오고 그러는데. 그러면 이걸 못 합니다. 그런데 그게 잘 되어 있는, 커스터마이즈가 잘 되어 있는 시설에서 이걸 쓰면 100% 되게 되어있는 게 아시다시피 이 알고리즘은 제가 만든 것도 아니고 다 시대의 천재들이 만들어놓은 알고리즘이라 잘 돌아가게 되어 있습니다.

한: AI 알고리즘을 말씀하시는 거죠.

손: 그렇죠. 그래서 이런 알고리즘을 사용해서 실제로 좋은 소재들이 막 나오고 있는 상황이죠.

한: 그게 사람이 그냥 예를 들어서 이렇게도 해보고 저렇게도 해보고 했을 때는 시간이 엄청나게 걸리잖아요.

손: 그렇죠. 아까도 말씀드렸지만 1천만명이 300년 동안 하면 지금에 그 맛있는 레시피가 나오지만 3명이 1년 동안은 못 하거든요. 그래서 제 생각에는 모든 공장에서 이 방법을 사용하시면 굉장히 좋을 거라고 저는 생각하는데. 물론 여러 가지 제약조건이 없진 않습니다. 그렇지만 일단 문제가 이렇게 큰 문제면. 다시 말하면 수십 개를 내가 동시에 생각해야 되는 그런 문제면 머리 쓰시지 마시고 이런 방법을 쓰시는 게 더 나을 수 있다.

한: 아까 말씀하신 어쨌든 x축과 y축은 다 준비가 되어 있어야 된다는 말씀이시죠?

손: 그렇죠. 그래서 그건 누구나 다 준비가 되어 있는 게 아니라 누구나 무슨 일을 하고 있으면 내가 뭘 개발한다든지 아니면 어떤 연구를 하고 있으면. 있기 나름이거든요. 어떤 입력을 넣어야 어떤 아웃풋이 나오는 건 막연하니까. 그걸 막연하게 생각하시면 안 되고 그건 명확하게 나와 있어야 됩니다. 예를 들면 내가 논문을 읽어서 예를 들어서 새로운 아이디어를 찾겠다는 그런 인물을 하는 학생이라도 그 논문을 읽는데 내 논문을 초이스하는 방법도 있을 거고 다 x가 있는 거거든요. y는 그 논문을 읽어서 내가 원하는 뭔가를 얻어내는 걸 예를 들면 척도를 해서 그걸 완벽하게 내가 기분 좋게 알아냈으면 100이고 알랑말랑 알아냈으면 50이고 이런 식으로 그걸 매개 변수화(parameterization)해서 모든 일을 우리가 아니라고 생각하지 마시고 우리가 자연과학도면 내가 하고 있는 일을 전부 다 이런 정량화된 세팅 안에 넣을 수가 있어야 이 인공지능을 할 수 있다 이렇게 제가 말씀드릴 수 있습니다.

한: 그거 말고 아까 사례는.

손: 그거 말고는 다른 분들도 많이 하시는 거니까 제가 대충 넘어간 것들이 있는데. 아까 우리나라에 교수님들도 많이 하고 계시는 이미지 프로세서 같은 경우는 요즘 굉장히 거의 많은 분들이 하시고요. 제가 이걸 처음 시작할 때가 2014~2015년 그럴 때 이미지 프로세스를 철강회사하고 같이 했었는데. 요즘은 대부분에 회사들이 인공지능 다시 말하면 이미지 프로세스를, 그게 왜 그러냐면 아까 말씀은 안 드렸지만 자율자동차의 핵심기술이지 않습니까? 그래서 우리나라에서 인공지능을 전공하시는 분들도 이미지프로세스 쪽을 제일 많이 하고 계시고요. 그건 굉장히 많이들 하시는데.

한: 철강회사랑 한 걸 짧게 소개를 해주시죠.

손: 금속 조직이라는 게 있습니다. 현미경으로 금속을 보게 되면 여러분들이 밝은 대낮에 얼굴이 비칠 정도로 빤질빤질한 철강 표면도 예를 들어 스테인레스나 그런 걸 보면 표면이 굉장히 좋잖아요? 그거를 약간 화학물질에 에칭을 해서 500배 이상 보시게 되면 그 안이 구조로 되어 있습니다. 어떤 구조로 되어 있냐면 여러분들이 공사장을 가보시게 되면 스티로폼이 있잖아요? 스티로폼에 알갱이들이 바운더리로 되어 있는 것처럼 철강도 그렇게 생겼거든요. 그러면 그런 구조에 알갱이들이 안에 그걸 우리가 미세조직이라고 그러는데. 미세조직들이 다양합니다. 여러 개 이름도 붙어있고요. 생긴 것도 다 다르고요. 그래서 그런 것들을 조직 사진을 보면서 여기에 뭐가 있는지를 알아내면 이런 철강 또는 금속 소재에 물성이 나오는데. 그걸 지금까지는 사람이 쳐다보고 “아 여기는 A상이 있다, 여기는 B상이 있다” 그리고 조금 더 나아가서는 Image Analysis라는 기계가 있습니다. 사진으로 찍어서 로직 시스템으로 알아내는 그런 장비를 썼었는데. 그걸 인공지능이 대신해주는 것들을 지금 국내에서는 철강회사들이 전부 다 쓰고 있는 걸로 제가 알고 있고요. 매우 발달하고 학교나 이런 곳에서도 많이 하셔서 우리나라에서 소재 분야의 인공지능이라고 하면 제가 볼 때는 이미지 쪽이 굉장히 잘하고 계십니다.

한: 지금 소재 분야의 인공지능이라고 말씀하셨는데. 대표적으로 국내에서는 이런 연구들이 많이 일어나고 있습니까? 교수님 외에.

손: 많이 있죠. 근래에. 아까도 말씀드렸지만 저 말고도 여러분이 계시고요. 그다음에 이후에 지난 3~4년 동안 저희가, 제가 자꾸 아까라고 말씀드려서 죄송하지만 제가 금속 재료학회에서도 튜토리얼을 2년 연속 이런 내용으로 하고. 저 말고도 다른 분들도 하시고. 한 수백 명 정도가 관심을 가지고 이걸 하시는데요. 근래에 제가 다른 건 모르겠고 논문이 나온 걸 보면 전혀 안 하셨던 분들이 이쪽 계통으로 논문을 발표하시는 게 눈에 보일 정도로 많이 늘어나고 있어요.

한: 교수님 연구실에 그러면 이런 인공지능을 구현하기 위한 연산을 하기 위한 하드웨어. PC 컴퓨터라고 해야 됩니까?

손: 이것은 주로 GPU라고 해서 CPU가 아니고 그래픽카드로 계산을 합니다. 모든 게 행렬 계산이기 때문에. 그 행렬이 픽셀을 어사인하는 그래픽카드하고 같기 때문에 동시에 패러럴하게 계산할 때는 GPU가 제일 좋은데요. GPU는 저희가 지금 30개 정도를 가지고 있는데. 저렴한 건 초창기에 저렴하게 산 것들은 190만원짜리도 있고요. 근래에는 하나에 600만원~1000만원하는 것도 있고 그래서 자기 계산을 어떤 것을 하느냐에 나름인데. 그렇게 비싸지 않습니다. GPU가. 그래서 예를 들면 기존에 서버급 하이코어 CPU를 생각하시면 그건 워크스테이션급으로 엄청나게 돈이 많이 든다고 생각하시지만 GPU는 그렇게 비싸지 않으니까요. 그걸로 일반 엔지니어링 분들도 쉽게 접근할 수 있다.

한: 나노신소재공학과면 이쪽 분야에 연구원분도 있을 텐데 그냥 일반 IT 전공을 한 연구원도 있겠네요 그렇게 되면.

손: 저희는 일단 IT를 전공한 학생들이 너무 비싸니까 쓸 수는 없고요. 낙수효과가 여기까지 내려오지도 않고요. 그래서 일단은 자기가 배워서 해야 되는 그런 기본적인 걸로 하고. 또 한 가지 제가 드리고 싶은 얘기는 인공지능은 전공하신 분들보다는 저희같이 비전공자들이 더 어떻게 보면 접근을 잘 할 수가 있는 게. 우리가 알고리즘을 개발한다든지 아니면 코딩을 한다든지 이런 건 아니니까. 물론 코딩도 기본적인 것만 하는 거지 오리지널, 요즘에는 ‘라이브러리’라고 그러는데요. 예를 들면 오픈 AI라든지 구글이라든지 페이스북이라든지 아니면 미국에 유수에 여러 대학에서 오늘내일 나오는 핫한 알고리즘들 코드들이 다 오픈되어 있기 때문에. 그걸 빨리 받아서 코드를 읽을 줄을 아는 게 중요한 거지 자기가 그걸 깊은 코드를 짤 필요는 없고요. 그걸 보고 이해할 수 있고 약간 인터페이스 정도를 짜서 우리가 사용할 수 있게 약간 변형시킬 수 있을 정도에 수준이면 우리가 더 유리한 게 저희는 데이터를 갖고 있으니까.

한: 전공 분야의 데이터를 갖고 계시니까요.

손: 우리 소재 쪽 데이터는 아무리 열심히 하시는 컴퓨터과학자들도 이해를 잘 못 하시니까. 조직 사진 같은 것도 그렇고. 그래서 저는 디스플레이학회에서 이런 좋은 기회를 주신 것도 디스플레이를 전공하신 얼마나 많은 전문지식을 가지고 계십니까. 그런데 이 인공지능을 여기에 조금만 가미하면 여러분들이 알고 계신 그러한 지식보다 훨씬 적은 노력으로 이걸 할 수 있기 때문에. 그래서 여러분들께서 인공지능에 관심을 가지시고 자신이 하는 일을 여기에 접목할 수 있는 걸 하시면 조금 도움이 되지 않을까 싶습니다.

한: 최근에 기업도 어쨌든 관심을 많이 갖고 있다고 하는데.

손: 기업들은 거의 올인하다시피 하는 분들이 많이 있으시고요. 이게 혁신의 아이콘처럼 보이니까 지금 모든 기업에서, 특히 소재 쪽 기업은 대기업은 대부분 다 하고 계신다고. 예전에는 CAE라고 컴퓨터 이용 공학(computer-aided engineering)이라고 했나요. 그런 팀들이 거의 인공지능을 다 커버를 하고 계십니다.

한: 오늘 여기까지 하겠습니다. 교수님 말씀 감사합니다.

손: 고맙습니다.