데이터의 양에 따른 가치 창출의 정도는 통계적 관점과 경제적 관점에 따라 입장이 완전히 달라진다. 통계적 관점에서 보는 데이터에는수확 체감의 법칙이 적용된다. 데이터가 하나씩 추가될 때마다 정확도를 높이는 데 기여하는 정도는 이전 데이터에 비해 낮아진다. 예측의 정확도를 높이는 데는 열 번째 관측이 천 번째 관측보다 낫다. 경제적 관점에서 보면 이야기가 달라진다. 이미 데이터가 많이 존재하고 있는 상황에 데이터가 추가되면 데이터가 적은 상황에서 추가되는것보다 더 좋을 것이다. 예를 들어 데이터를 추가하게 되면 사용할 수없었던 예측 기계의 성과가 임계치를 넘어 사용할 수 있는 것으로 바뀌거나 규제의 한도를 깨뜨리거나, 앞서가던 경쟁사를 뒤로 제칠 수있다. 따라서 조직은 추가하는 데이터와 예측의 정확도와 가치 창출등의 관계를 파악해야 한다. - P77
답부터 말하자면 그렇다. 심리학자 대니얼 카너먼 Daniel Kahnenman과아모스 트버스키 Amos Tversky는 여러 차례의 실험을 통해 그렇다는 사실을 입증했다. 두 사람은 사람들에게 두 곳의 병원을 제시했다. 매일 마혼다섯 명의 아기가 태어나는 병원과 매일 열다섯 명의 아기가 태어나는 병원이다. 그런 다음 신생아 중 60퍼센트 이상이 남자 아기인 날이더 많은 병원이 어느 병원인지 물었다. 정답을 맞힌 사람은 거의 없었다. 답은 작은 병원이다. 경우의 수(여기서는 신생아 수)가 클수록 결과가 평균(이 경우엔 50퍼센트)에 가까운 확률이 크기 때문에 작은 병원이 정답이다. - P81
때로 인간과 기계가 손을 잡고 서로의 약점을 보완할 때 최고의 예측이 나오는 경우가 있다. 2016년에 하버드·MIT의 인공지능 연구팀은조직검사 슬라이드를 보고 전이성 유방암을 컴퓨터로 검출해 내는 경연대회인 카멜리온 그랜드 챌린지 cameyon Grand Challenge에서 우승했다.
이 팀에게 승리를 안겨 준 딥러닝 알고리즘은 92.5퍼센트의 적중률을보였다. 96.6퍼센트를 적중시킨 인간 병리학자에 조금 못 미치는 꽤 정확한 예측이었다. 결국 인간의 승리처럼 보였지만 연구진은 이에 그치지 않고 한 걸음 더 나아가 그들의 알고리즘의 예측과 그 병리학자의예측을 결합했다. 결과는 99.5퍼센트의 적중률로 나타났다." 즉 3.4퍼센트였던 인간의 오류율이 0.5퍼센트로 떨어진 것이다. 오류는 85퍼센트 줄어들었다.
이 역시 고전적인 분업이지만 애덤 스미스가 말한 신체적인 분업은아니다. 오히려 그것은 경제학자이자 컴퓨터 선구자인 찰스 배비지가19세기에 처음 설명한 인식적 분업이다. - P96
인간과 기계는 예측을 잘하는 분야가 서로 다르다. 병리학자가 암이 있다고 말하면 대체로 틀림이 없었다. 인간이 암이 있다고 판정했는데 암이 아닌 경우는 드물었다(낮은 2종의 오류). 반대로 인공지능은 암이 없다고 말할때 훨씬 더 정확했다(낮은 1종의 오류). 인간과 기계는 실수하는 유형이 달랐다. 이렇게 인간과 기계는 서로 다른 능력을 인정하고 손을 잡음으로써 각자의 약점을 극복했고 그래서 오류율을 크게 줄였다.
이런 협업을 사업에 어떻게 적용할 것인가? 기계 예측은 두 가지 경로를 거쳐 인간의 예측 생산성을 향상시킬 수 있다. 첫째는 기계가 먼저 예측을 내놓는 방법이다. 그러면 인간은 이를 이용해 자신의 평가와종합한다. 둘째는 기계가 사후에 다른 의견을 제시하는 방법이다. 즉기계가 인간의 작업을 감시하는 식이다. 상사도 이 방법을 써서 부하직원이 예측 작업에 적극적으로 노력하게 만들 수 있다. 그런 감시가없으면 인간은 필요한 만큼 열심히 하지 않을지도 모른다. 이론적으로볼 때 인간의 예측이 객관적인 알고리즘과 다를 경우 인간은 그 이유를설명해야 하기 때문에 인간은 웬만큼 자신 있다고 확신할 수 있을 만큼각별한 노력을 기울일 경우에만 기계를 제압할 수 있을 것이다.
- P97
결정은 보통 불확실한 상황에서 이루어진다. 교사는 어떤 아이에게어떤 교수법이 좋은지 확신하지 못한다. 인사 담당자는 구직자가 주어진 업무를 잘할지 확신하지 못한다. 의사는 값비싼 검사를 꼭 해야 하는지 확신하지 못한다. 이들은 모두 예측을 해야 한다.
그러나 예측은 결정이 아니다. 결정은 예측을 판단한 다음 취하는행동이다. 최근에 인공지능에서 큰 진전이 있기 전만 해도 인간은 항상예측과 판단을 동시에 했다. 이 둘을 구분하는 문제는 학자들의 관심사일 뿐 그 이상은 아니었다. 하지만 기계 예측이 발전하면서 인간은 결정의 과정을 면밀히 해부하고 검토해야 하는 입장이 되었다. - P106
예측 기계가 더 정확해지고 예측 비용이 내려가게 되면, 예측을 가장 잘 활용할 방법을 생각해 봐야 한다. 판단을 미리 구체적으로 밝힐수 있든 없든, 누군가는 판단을 결정해야 한다. 보상 기능 엔지니어링rewand function engineering이란 것이 있다. 인공지능의 예측이 주어졌을 때여러 가지 행동에 대한 보상을 판단하는 일이다. 이런 일을 잘하려면조직의 니즈와 기계의 역량을 알아야 한다.
보상 기능 엔지니어링에는 때로 판단을 하드코딩하는 일이 포함된다. 즉 행동을 자동화하기 위해 예측에 대한 보상을 미리 프로그래밍해넣는 것이다. 자율주행 차량도 그렇게 하드코딩이 된 보상의 한 가지사례다. 예측이 나오면 행동은 즉각적이다. 그러나 제대로 된 보상을얻는 일은 사소한 문제가 아니다. 보상 기능 엔지니어링은 인공지능이성공의 여러 가지 기준 중 어느 한 가지 기준을 과도하게 최적화한 탓에 조직의 큰 목표와 맞지 않는 행동을 할 가능성을 고려해야 한다. 자율주행 차량을 다루는 사람들도 이런 문제를 해결하기 위해 애쓴다. 그래도 여러 가지 새로운 결정을 위해서는 이처럼 분석을 해야 한다. - P129
어떤 결정과 관련된 행동상황 조합의 수가 감당할 수 있을 정도라면, 판단을 예측 기계에게 넘길 수 있다(이것이 ‘보상 기능 엔지니어링‘이다). 그러면 기계는 예측을 해 스스로 결정한다. 그렇게 하면 결정을자동화할 수 있다. 그러나 행동상황의 조합이 너무 많아 모든 득실을 미리 코드화하기 어려울 정도로 비용이 많이 들 때가 있다. 흔하지않은 조합일 때는 특히 그렇다. 이런 경우엔 예측 기계가 예측한 뒤에인간이 판단하는 편이 더 효과적이다. - P132
|