직장이라면 누구나 아침에 눈을 떴을 때, 빨리 출근하고 싶은 회사를 꿈꾼다. 출근하고 싶어 안달 나는 회사가 존재한다면 그곳이 바로 '꿈의 직장'일 것이다. 그리고 이렇게 직원들이 출근하고 싶은 회사를 만드는 데는 CEO의 역할이 절대적이다. CEO가 어떤 철학을 가지고 조직을 이끌어가는지에 따라 구성원들의 삶이 달라지기 때문이다.

이런 점에서 가장 모범적인 CEO 가운데 한 사람으로 미국 노스캐롤라이나 주에 위치한 소프트웨어 업체 SAS(SAS Institute)의 CEO 짐 굿나잇(Jim Goodnight) 회장을 들 수 있다. 다음은 그의 말이다.

"매일 저녁 내 자산의 95%가 운전을 해서 회사 정문을 빠져나갑니다. 그들이 매일 아침 다시 이곳으로 돌아오도록 환경을 조성하는 것이 내 임무이지요. 그들이 SAS에 제공하는 창의성이 우리의 경쟁우위 요소이기 때문입니다.(95 percent of my assets drive out the gate every evening. It's my job to maintain a work environment that keeps those people coming back every morning. The creativity they bring to SAS is a competitive advantage for us.)"

회사에 많은 자산이 있지만 그중에서도 가장 중요한 자산이 바로 직원들이라는 확고한 철학을 가진 짐 굿나잇 회장. 그는 창업 이래 직원들이 매일 아침 출근하고 싶어 하는 '꿈의 직장'을 만들기 위해 노력했고, 그 결과로 SAS는 <포춘>이 '미국에서 가장 일하기 좋은 100대 기업'을 발표하기 시작한 1998년부터 올해까지 18년 동안 연속으로 '일하기 좋은 기업' 상위에 랭크되고 있다. (맨 아래 링크 참조)

넓은 숲 속에 25개의 건물이 듬성듬성 자리하고 있는 SAS 본사. 미국 동부 노스캐롤라이나 주 캐리 시에 위치한 회사는 그들의 표현대로 대학 캠퍼스라는 말이 더 어울린다. 깔끔하게 잘 정돈된 잔디와 정원, 곳곳에 세워진 다양한 미술작품과 조각품들. 마치 공원과 같은 분위기다.

SAS의 직원들에게는 모두 개인 사무실이 주어지는데, 갓 입사한 신입사원이든 오래 근무한 임원이든 직급에 관계없이 모두 같은 크기다. CEO인 짐 굿나잇 회장도 마찬가지다. SAS에서는 어느 직원이 몇 시에 출근하는지 아무도 신경 쓰지 않는다. 근무시간은 주당 35시간이고, 직원 스스로 그 시간 안에서 원하는 때를 정해서 일을 하면 된다.

SAS에는 비정규직이 없다. 레크레이션 강사부터 미용사, 정원사, 예술작품을 설치하는 미술가 등 직원들의 복지를 위해 일하는 200여 명에 달하는 인원을 포함한 모든 직원이 정직원이다. 이들을 모두 정직원으로 고용한 이유에 대한 짐 굿나잇 회장의 답변은 간단하다.

"프로그램 개발자와 마찬가지로 정원을 관리하고 직원들을 위해 요리를 하는 사람들도 회사를 위해 일합니다. 그들 모두 회사의 성공을 뒷받침해주고 있는 인재이기 때문에 정직원으로 고용한 거죠."

그렇다면 회사가 이렇듯 직원들에게 최상의 근무 환경을 만들어주면서 기대하는 것은 무엇일까? 그것은 '문제해결을 위한 독창성 개발'이라는 SAS의 기업 정신과 관련이 있다. 짐 굿나잇 회장은 회사의 성장을 위해서는 무엇보다도 직원들 개개인의 창의성이 가장 중요한데, 이는 직원들이 일 이외의 모든 스트레스로부터 벗어나야 발휘될 수 있다고 생각한다. 다음은 그의 말이다.

"창의적인 조직을 만들기 위해서 이를 방해하는 요소를 모두 제거하는 것은 리더의 임무입니다. 우리 제품은 창의적인 사고를 통해 만들어지는 것이고, 그렇기 때문에 창의력을 발휘할 수 있도록 직원들의 머리를 쉬게 해줄 필요가 있습니다."

이러한 짐 굿나잇 회장의 경영 철학이 비현실적이라고 생각하는 사람들이 있을 수도 있다. 그러나 SAS가 단지 미국에서 가장 일하기 좋은 기업, 놀라운 복지 제도를 가진 회사이기만 한 것은 아니다. SAS는 복지 제도를 확대해가면서도 창립 이후 35년 동안 계속 흑자를 기록하며 성장해왔다. 2009년 전 세계에 불어닥친 금융위기 때에도 SAS는 복지 제도를 그대로 유지하면서 흑자를 냈다.

실제로 이런 놀라운 성과를 목도한 많은 기업들이 짐 굿나잇 회장의 경영 철학을 배우기 위해 SAS 캠퍼스를 방문하고 있다. 그중 대표적인 기업이 바로 구글이다. 현재 구글이 직원들에게 제공하는 무료 식사 등의 프로그램은 SAS의 복지 제도를 벤치마킹한 것이기도 하다. 이처럼 구글을 비롯한 전 세계의 많은 기업들이 SAS의 경영 방식을 벤치마킹해서 성공적으로 회사를 운영하고 있다.

짐 굿나잇 회장은 자신의 방식에 여전히 의구심을 가지고 있는 사람들에게 자신이 하고 있는 일은 아주 평범하고 당연한 일이라며 다음과 같이 말한다.

"내가 하는 이 모든 일들은 괴짜 경영이 아닙니다. 나로서는 다른 기업들이 왜 이렇게 하지 않는지 오히려 놀라울 뿐입니다."

'최고의 대우! 직원을 왕처럼 대우하는 회사 (BEST place to work and treated like a King)'

이는 미국의 CBS 방송 시사 프로그램 <60분(60 Minutes)>에서 SAS를 소개한 문구다. 이 한 줄의 말은 지금까지 이야기한 짐 굿나잇 회장의 철학을 잘 대변해준다. 많은 언론사들이 그에게 이렇게 묻곤 한다. "기술, 고객, 직원 가운데 어느 것이 가장 우선인가?" 그때마다 그는 항상 셋 중에 가장 중요한 것은 '직원'이라고 대답한다.

흔히 회사가 성공하기 위해서는 '고객'에게 최고의 서비스를 제공해야 한다고들 말한다. 그러나 짐 굿나잇 회장은 기업의 리더가 최고의 대우를 해주어야 하는 대상은 고객이 아니라 직원이라고 주장한다. 직원이 만족하고 행복해하면 그들은 자연스럽게 고객을 만족시키기 위해 최선을 다하게 되고, 그 결과 기업의 이윤은 늘어나고 회사는 성장하게 된다는 것이다. 다음은 그의 말이다.

"SAS의 기업 철학 중 중요한 부분은 여기에서 일하는 직원들을 믿는 것입니다. 만약 직원들이 발전할 것이라고 믿고 그들을 진심으로 대우한다면, 직원들은 그 기대에 맞추어 스스로 성장하고 발전하기 위해 노력할 겁니다. 회사가 크기 위해서는 고객이 있어야 합니다. 그리고 그 고객을 만족시킬 수 있는 사람은 바로 직원들입니다. 회사의 리더라면 이 점을 절대 잊지 말아야 합니다. 가장 좋은 고객 관리란, 업무에 뛰어나고 자신의 일을 즐기는 직원을 회사에 붙잡아두는 것입니다."

미국에서 가장 일하기 좋은 기업: SAS Institute

SAS는 전세계 모든 산업 분야의 기업, 기관들이 각자가 보유한 데이터로부터 매출, 고객, 시장, 리스크 등을 예측할 수 있는 인사이트를 제공해...

blog.naver.com

출처: http://ksc12545.blog.me/220517318893

출처: http://www.newswire.co.kr/newsRead.php?no=808146&ected=

최고의 모바일 기기, 자동차

2019년, 애플이 목표로 제시한 애플 자동차 생산 시점이다. 이를 위해 애플은 ‘타이탄’이란 이름 아래 자동주행 전기자동차 생산을 위해 질주하고 있다. 애플의 제프 윌리엄스는 2015년 5월 ‘코드 컨퍼런스’에서 애플이 현금으로 보유하고 있는 약 1,780억 달러라는 천문학적인 돈으로 무엇을 할 수 있는가라는 질문에 “자동차야말로 최고의 모바일 기기다(The car is the ultimate moble device)“라고 대답했다. 제프 윌리엄스는 애플의 타이탄 프로젝트를 책임지고 있으며, 팀 쿡의 뒤를 이을 차기 애플 CEO 1순위로 평가받는 인물이다. 애플에게 있어 타이탄 프로젝트가 가지고 있는 의미를 알 수 있는 대목이다.

참조로 2013년 팀 쿡은 제프 윌리엄스의 발언이 나왔던 동일한 코드 컨퍼런스에서 웨어러블에 대해 어떻게 생각하냐는 질문을 받았고 “손목은 흥미롭다(I think the wirst is interesting)“라고 답했다. 그로부터 2년 뒤인 2015년 애플의 ‘애플워치’가 관련 시장을 흥분시켰다.

엔비디아의 딥러닝 서비스 Drive PX, 출처 Nvidia Drive PX 스크린샷

애플의 딥러닝 전문가 영입

타이탄 프로젝트에는 현재 약 600명이 일하고 있으며 그 수는 곧 1800명으로 늘어난다고 한다. 이를 위해 인재 영입이 한창이다. 지난 10월말 애플은 엔비디아의 딥러닝 전문가 조나단 코헨을 영입했다. 그래픽 처리 장치 전문업체인 엔디비아는 드라이브 PX라는 플랫폼을 운영하고 있다. 드라이브 PX는 자동차에 설치된 카메라에 찍힌 이미지를 딥러닝 방법으로 분석하는 기능을 담당하고 있다.

드라이브 PX는 자동차 한 대당 200만픽셀의 영상을 기록하는 카메라를 초당 12대를 동시에 분석할 수 있는 수준의 기술을 자랑한다. 또한 드라이브 PX는 플랫폼으로 기능한다. 다시말해 네트워크로 연결된 다수의 카메라가 전송하는 그래픽 데이터를 통해 사물인식 능력을 진화시키고 있다. 아래 동영상은 이와 관련된 기술을 설명하고 있다. 동영상에 등장하는 인물이 2008년부터 드라이브 PX를 이끌고 있는 조나단 코헨이며, 그가 바로 애플로 자리를 옮긴 것이다. 2019년 애플의 첫 번째 자동차가 자동주행 자동차일 가능성은 낮으나, 조나단 코헨이 애플에 결합한 사실에서 애플 또한 장기적으로 자동주행 자동차를 목표로 하고 있음을 알 수 있다.

애플의 하드웨어 생산능력은 저평가돼선 안된다. 애플은 아이폰을 통해 기술적으로 매우 난해한 하드웨어의 대량생산 기술을 성숙시켜 왔다. 아이폰은 호주머니에 들어간 작은 슈퍼컴퓨터다. 내연기관이 사라진 전기자동차 생산이 아이폰 또는 최신 안드로이드폰의 대량생산보다 어렵다고 주장할 근거는 없다. 일류 역사상 가장 많은 기업 이익을 창출한 애플이, 하드웨어와 소프트웨어 그리고 기술 구매와 인재 영입에서 세계 경제를 선도하는 애플이 (전기)자동차 생산에 뛰어든 것이다.

전기자동차 혁명

애플만 전기자동차 또는 자율주행자동차 시장에 뛰어든 것이 아니다. 주문형 운송 서비스 업체인 우버가 최근 공격적으로 로봇공학 전문가를 영입하거나 전문기업을 매입하고 있다. 우버는 구글, 애플 등에 의해 생산된 자동주행 자동차로 또는 우버 스스로 생산한 무인자동차로 우버 운전사를 장기적으로 대체해 나갈 수 있다. 중국 인터넷 기업 바이두 또한 무인자동차 및 전기자동차 시장에 뛰어들었고, 독일의 자동차 부품업체 보쉬도 무인 전기자동차 개발을 시작했고, 미국 자동차 부품업체 델파이는 아우디 Q5를 개조한 자율주행자동차를 제작해 2015년 3월 미국 횡단 주행 테스트를 진행했다. 다시말해 전기자동차 또는 자율주행자동차 개발에 뛰어든 기업은 다임러 벤츠, 폭스바겐, 도요타 등 전통 완성차 기업에 제한되지 않는다.

자동차 시장은 지난 30년 동안 신규 사업자가 등장하지 못했던 시장이었다. 그런데 어떤 이유에서 전통 자동차 기업 뿐 아니라 지금까지 자동차 또는 완성차와 무관한 기업들까지 (무인) 전기자동차 시장에 앞다퉈 뛰어들고 있을까. 자동차 산업을 덮쳐 오는 변화의 정체는 무엇일까. 해답은 자동차 산업의 가치사슬 또는 생산방식의 변화에 있다.

자동차 가치사슬 및 생산방식의 변화

컨베이어 벨트로 상징되는 미국 포드 자동차의 생산방식은 자동차의 대중화를 가능케 했다. 포디즘은 자동차뿐 아니라 자본주의 생산성의 질적 비약을 가능케했던 생산방식의 혁신이었다. 그 이후 포디즘 또는 대량생산이 자동차 산업에서 자리를 잡았지만, 완성차 사업자의 이른바 ‘생산의 깊이'(Production Depth)는 매우 높은 편이었다. 생산의 깊이는 자동차 생산의 가치사슬에서 특정 기업이 완성차 생산에 기여하는 비중을 말한다. 포드의 초기 생산의 깊이는 100%였다. 자동차 생산에 필요한 철강과 타이어 심지어 유리까지 직접 생산했기 때문이다.

더 읽어보세요!

전기차 vs 수소차…테슬라-현대차 '동상이몽'

포디즘에 기초한 자동차 생산방식에서 가장 큰 변화는 일본의 도요타를 통해 일어났다. 도요타는 1970년대와 1980년대를 거치면서 ‘적시생산‘이라 불리는 ‘도요타 생산시스템'(Toyota Production System: TPS)을 발전시켰다. 도요타는 협력업체 또는 부품업체와 새로운 생산 가치사슬을 형성하며 자동차 생산성 증대를 꾀했다. 도요타는 내연기관과 차체 개선을 중심으로 (신형)모델 개발에 집중했고, 복수의 부픔업체는 계기판, 브레이크, 좌석, 타이어 등에서 전문성과 규모의 경제를 확보하며 자동차 생산 가치사슬에 결합했다. 독일 자동차 산업의 경우 2010년 기준 완성차 업체가 차지하는 생산의 깊이는 22% 수준이다. 나머지 78%는 부품업체가 담당하고 있다. 자동차 산업의 가치사슬이 소수의 완성차 업체와 다수의 부품업체 구도로 변한 것이다. 한국 자동차 산업의 경우 현대자동차는 현대모비스라는 자회사를 통해 부품업체를 사실상 단일화했고, 이 덕분에 현대모비스는 컨티넨탈, 보쉬 등에 이어 세계 5위 부품업체의 지위를 가지고 있다.

소수의 완성차 사업자가 다수의 부품업체를 지배할 수 있는 이유는 폭발하는 힘을 움직이는 동력으로 전환하는 내연기관의 개발과 생산에 있다. 내연기관의 효율성을 진화시키고 이를 안전하게 지탱하는 차체를 생산하는 능력은 시장 진입장벽으로 기능한다. 내연기관 생산능력이 없는 새로운 사업자가 완성차 시장에 진입하기란 여간 쉬운 일이 아니다. 삼성자동차의 실패가 이를 증명한다.

내연기관이 사라지면 자동차 산업 구조가 변한다

포드와 도요타가 주도해 온 자동차 생산의 가치사슬 구조가 전기 자동차에 의해 변화를 맞고 있다. 시장진입장벽으로 기능해온 내연기관이 사라졌기 때문이다.

여기서 간단한 퀴즈를 풀어보자. 구글은 자동주행 전기자동차를 생산하기 위해 어떤 업체와 협력을 하고 있을까? 도요타와 계속 협력 관계를 유지하고 있을까? 아니면 포드, 벤츠, 폭스바겐? 아니다. 구글이 전기자동차 생산을 위해 협력하는 기업은 독일의 보쉬, 컨티넨탈과 미국의 델파이다. 모두 자동차 부품업체다. 내연기관이 필요없으니 완성차 업체와 협력이 불필요하다. 센서 기술을 앞세워 자동주행 전기자동차 생산에 뛰어는 보쉬 입장에서도 완성차 사업자보다는 소프트웨어 능력이 탁월한 구글과의 협력이 절실하다. 전통 자동차 부품업체 또한 소프트웨어에 투자를 늘려가고 있다. 독일 보쉬의 자동차 사업부문에는 약 3만4천명의 기술자가 일하고 있고, 그 중 3분의 1이 개발자다. 마이크로프로세스와 소프트웨어가 내연기관의 위치를 대체하고 있다. 테슬라 전기자동차는 100개의 마이크로프로세스와 1억줄의 소프트웨어 코드를 포함하고 있다.

제2의 삼성자동차와 힘을 잃어가는 현대자동차

전기자동차 생산방식은 센서, 배터리 등 전통 부품업체와 소프트웨어 전문성을 가진 구글, 애플과 같은 기업의 새로운 조합를 가능케 하고 있다. 여기서 애플은 호주머니에 들어가는 작은 컴퓨터를 진화시켜 온 뛰어난 하드웨어 능력까지 갖추고 있다. 이론적으로 볼 때 애플을 사랑하는 삼성전자 또한 충분히 전기자동차 사업에 뛰어들 수 있다.

자동차 생산 가치사슬의 변화라는 맥락에서 애플과 베엠베(BMW)의 협상 실패 또한 이해할 수 있다. 베엠베의 전기자동차 i3는 차체를 탄소섬유로 만들며 생산방식을 진일보시켰다. 그러나 전통 완성차 위치를 고수하려는 베엠베와 새로운 완성차 사업자로 등극하려는 애플 사이에서 협상이 성공할 가능성은 낮다. 이 대목에서 현대자동차가 이후 전기자동차 시장에서 더욱 왜소해질 수 있음을 예측할 수 있다. 전기자동차 가치사슬에서 전통 완성차 사업자는 구글 및 애플과 보쉬, 델파이 등 부품업체 사이에서 자신의 자리를 찾기 쉽지 않기 때문이다.

전기자동차 시장은 아직 규모의 경제를 실현하고 있지 못하다. 테슬라가 전기자동차의 거센 바람을 일으키고 있지마 전체 자동차 시장에서 차지하는 비율은 미미하다. 노르웨이에서 전기자동차 비율이 높다고 하지만, 2013년 기준 약 6.2%에 불과하다. 규모의 경제를 이야기하기에는 역부족이다. 규모의 경제는 전기자동차의 생산량이 계속해서 증가하면서 단위 생산단가가 낮아질 때 가능하다. 뿐만 아니라 전기자동차 배터리 가격의 하락에서 확인할 수 있는 것처럼, 시간이 지날 수록 학습효과의 증가하면서 단위 생산단가는 하락할 수 있다. 또한 베엠베 i3 생산과정을 담은 아래 동영상에서 확인할 수 있는 것처럼, 전기자동차 생산은 내연기관을 가진 자동차 생산보다 단순하다. 규모의 경제, 다시말해 전기자동차의 가격하락은 충분히 가능하다.

스마트폰 시장을 닮아갈 전기자동차 시장

지금까지 전기자동차로 인해 자동차 생산의 전통 가치사슬이 붕괴되고 있음을 확인했다. 이 변화의 소용돌이에서 현대자동차 등 완성차 사업자가 점차 힘을 잃어갈 수 있음은 특히 한국 경제에 작지 않은 도전이 될 것이다. 문제는 여기서 끝나지 않는다.

스마트폰은 휴대폰이 아니라 크기가 매우 작은 고성능 컴퓨터다. 스마트폰이라는 초소형 컴퓨터 생산에는 높은 수준의 하드웨어 기술이 필요하다. 삼성전자가 세계 스마트폰 판매율 1위를 차지하고 있는 이유 중 하나다. 그러나 스마프폰 시장의 전체 이윤 중 90% 이상을 애플이 가져가고 있다. 하드웨어 및 소프트웨어 능력, 앱스토어 플랫폼, 음악서비스 등 애플은 스마트폰 시장을 수직으로 지배하고 있기 때문이다. 구글(광고), 페이스북(광고), 모바일 메신저, 우버 등은 스마트폰 시장을 결정하는 힘을 가지고 있고 그만큼 이익을 취하고 있다.

휴대폰과 스마트폰이 질적으로 서로 다른 시장을 만든 것처럼, 전기자동차는 운송수단이라기보다 바퀴를 가진 컴퓨터로 이해돼야 한다. 스마트폰 판매량에서 세계 시장을 선도하고 있는 삼성전자가 시장의 진정한 주인이 아닌 것처럼, 움직이는 컴퓨터인 전기자동차는 인간의 삶을 구성하는 새로운 시장을 만들며 이 시장의 주인은 전기자동차 생산자가 아닐 수 있다. ‘안드로이드 오토‘와 ‘애플 카플레이’는 시작에 불과하다. 우리는 이동하는 자동차에서 작지않은 시간을 보내며 살고 있다. 이 시간과 자동차 내부에 자리를 잡은 인간의 삶을 차지하려는 싸움을 구글과 애플은 준비하고 있다.

전기자동차 시장의 승자는 전기자동차 생산자가 아니라 구글과 애플 그리고 페이스북, 모바일 메신저, 전자상거래 등 다양한 인터넷 서비스 사업자가 될 가능성이 높다. 특히 우버와 유사한 서비스가 스마트폰이 아닌 움직이는 컴퓨터인 전기자동차에 통합될 경우 자동차를 소유할 필요성이 크게 줄어들 가능성이 높다. 현대자동차의 미래가 어두운 두 번째 이유다.

포드의 최고경영자 마크 필즈는 2020년 무인 자율주행자동차 시대가 시작될 것이라 예측하고 있다. 무인자동차가 대중화되기 위해서는 사고 책임의 주체 논쟁, 자동차 조정 알고리즘의 윤리 문제, 교통 시스템의 혁신 등 다양한 사회 문제가 먼저 해결돼야 한다. 이 과정은 적지 않은 시간과 사회 갈등을 요구한다. 때문에 2020년은 지나치게 빠르다. 그러나 전기자동차는 무인자동차보다 먼저 찾아와 자동차 시장을 그 아래로부터 변화시킬 것이다. 그리고 이 시기는 2020년보다 빠를 수 있다. 관련 기술 혁신 뿐 아니라 정치의 경각심이 절실하다. 이는 단지 현대자동차의 미래가 걱정되기 때문이 아니다. 이는 한국 자동차 산업에 종사하는 수 많은 노동자와 그 가족의 미래가 달린 일이기 때문이다.

출처: http://www.bloter.net/archives/242887

투명한 창문으로 확 트인 바깥 풍경을 볼 때마다 사실 저는 답답했습니다. 과연 인생을 살면서 저 바깥 쪽에 겹겹이 쌓인 먼지를 닦는 날이 올까요? 아무리 찜찜해도 창문 닦는 아르바이트를 쓸 수도 없는 노릇이고요. 그렇게 창문의 먼지는 잊혀갈 때쯤, 호봇(HOBOT-188)을 만나게 됐습니다. 유리창을 닦아주는 로봇이죠. 가슴이 두근거렸습니다.

장점
– 닦기 힘든 바깥쪽 유리창을 상쾌하게 닦을 수 있다.
– 보고 있으면 신기함을 자아낸다.
– 걸레를 갈아 끼우기 쉽다.

단점
– 매우 시끄럽다.
– 전원 케이블이 꼭 연결되어 있어야 한다.
– 비싸다.

창을 닦을 준비물

손걸레나 신문지가 아닙니다. 이제 로봇으로 창을 닦는 시대가 왔습니다. 호봇에는 여분의 극세사 면포를 비롯해 길다란 전원 케이블, 묵직한 어댑터, 리모콘 등이 들어 있습니다.

봉긋한 저 봉우리는 무엇인가

호봇은 ‘나 로봇이다’라고 말하는 것처럼 생겼습니다. 스위치도 있고 전원을 연결하는 단자도 있고 불이 들어오는 LED도 있습니다. 밑면에는 걸레가 붙어 있는데 이게 어떻게 창문을 닦는다는 건지, 참 신기한데요.

작동을 시키면 면포 안쪽에서 바람을 빨아들이며 중앙의 봉우리 구멍으로 먼지가 배출됩니다. 마치 진공 청소기처럼요. 그 흡입력이 굉장히 세기 때문에 유리나 벽에도 안정적으로 잘 붙어있을 수 있는 것이었습니다.

바로 이렇게 말이죠. 떼어낼 때는 손으로 꽤 힘을 줘야 합니다. 그 정도로 바람의 흡입력이 강하죠. 다만 상당히 시끄럽습니다. 진공 청소기의 세기를 최대로 올려 놓은 것과 비슷한 느낌입니다. 회사에서 붙여놓으니 괜히 눈치가 보이기 시작했습니다.

요염한 움직임

2개의 극세사 면포가 빙글빙글 돌아가며 꿈틀꿈틀 움직입니다. 제조사에 따르면 1제곱미터 면적을 2번 닦는데 4분 정도가 걸립니다. 느릿느릿하지만, 청소는 확실합니다. 면포 한 쪽에 물을 살짝 적셔서 닦게 하니 효과가 더 좋았습니다.

꽂아주지 않으면 움직이지 않습니다.

시끄럽고 느린 것 뿐만 아니라, 사실 가장 불편했던 점은 전원 케이블이 꼭 꽂혀 있어야 한다는 것이었습니다. 충전을 할 수 있어서 무선으로 청소가 되는 건가 싶었는데, 그건 아닙니다. 그래도 다행인 건 전원 케이블을 쭉 연결하면 총 5m로 굉장히 길다는 것이죠. 멀티탭과 함께라면 베란다 창문 정도는 큰 문제 없습니다. 무선이었다면 더 좋았겠지만요.

호봇이 청소를 하며 이리저리 움직이다 보면 전원 케이블 플러그가 살짝 빠지게 되는 경우가 있습니다. 그럴 때는 가차없이 우렁찬 비프음으로 경고가 울립니다. 이 때는 청소를 중단합니다. 내장된 배터리로 20분 동안 버티며 구조 요청을 보내죠. 배터리가 있는 이유는 이것 때문입니다. 그 사이에 호봇을 구출하거나 다시 전원을 연결해줘야 합니다.

이건 실제 상황입니다.

이제 창문 바깥쪽을 닦아볼까요. 이 튼튼한 안전 줄을 잘 고정시키는 게 무엇보다 중요합니다. 그럴 일은 없겠지만, 그래도 앞 일은 모르는 거니까 몸체와 연결된 안전로프와 카라비너를 주위에 단단히 묶어줍니다. 이건 실제 상황입니다. 흡입력이 세다고 해서 안전로프를 묶지 않는 건 대단히 위험한 행동입니다.

역시 밖에서도 잘 붙어 있습니다. 떨어지면 안 되는데, 마음이 불안해지지만 호봇을 믿고 청소를 시작해봅니다.

리모콘으로 이리저리 직접 움직여보다가, 자동 청소 버튼을 눌러 알아서 하도록 놔뒀습니다. 잘 닦고 있네요. 모서리에서는 멈칫거리며 조금 당황하는 모습을 보이지만, 이내 알아서 방향을 틀어 다른 쪽으로 움직입니다. 기특합니다. 지나간 자리에 먼지가 지워진 흔적이 보이시나요?

청소에 성공했어요. 해냈어! 좋은 청소였다.

약 5분이 흘렀을까요. 창문이 상쾌해졌습니다. 그만큼 면포는 더러워졌습니다. 유리창 바깥쪽을 닦는 날이 오다니, 시끄럽고 케이블 때문에 좀 불편하긴 했어도 감동이 밀려옵니다. 이제 한 번 사용했던 면포는 슥 빼내서 빨래 해주면 됩니다. 하나로 여기저기 사용하면 오히려 더러워지니 주의하세요. 여분으로 6쌍이나 더 들어있으니 마음 놓고 빨래를 할 수 있었습니다.

울퉁불퉁한 벽도 잘 닦습니다.

매끈한 유리 뿐만 아니라 이렇게 울퉁불퉁한 벽에도 잘 붙어서 걸레질을 합니다. 벽에도 먼지가 많이 묻어있을 줄은 생각도 못했습니다. 다만 시계나 액자가 걸려있다면 치우고 나서 청소를 하는 게 좋습니다.

참은 만큼 상쾌해지게 만드는 청소 로봇

유리창 청소는 사실 매일 하게 되진 않습니다. 가끔 하더라도 보통은 손걸레나 신문지로 쓱쓱 닦기 마련이죠. 그래도 바깥 쪽은 닦기 힘든데, 호봇은 그 가려운 부분을 시원하게 긁어줍니다. 다만 좀 참아야 할 것이 있습니다. 길고 복잡한 전원 케이블의 번거로움, 그리고 시끄러운 소리. 이것만 견딘다면 깨끗한 바깥 풍경을 볼 수 있습니다.

한 가지 더 생각할 게 있네요. 사느냐 마느냐, 그 고민을 뛰어 넘는 것입니다. 호봇의 가격은 30만원 후반대에 형성되어 있습니다. 가격만 놓고 보면 고민이 꽤 많이 됩니다. 하지만 쉽게 할 수 없는 청소를 도와주는 고마운 기능을 찬찬히 생각해보면 그리 나쁘지도 않습니다. 그래도 저의 경우엔 새로 이사를 가서 누군가가 집들이 선물로 주기까지 조금 참아 보기로 했습니다.

사세요
– 유리창 바깥쪽을 꼭 닦고 싶은 분
– 유니크한 집들이 선물을 찾는 분
– 학창시절 유리창 청소에 환멸을 느낀 분

사지 마세요
– 유리창이 좀 더러워도 아무렇지 않은 분
– 시끄러운 걸 못 참는 분
– 콘센트와 창문의 거리가 너무 먼 곳에 있는 집에 계신 분

출처: http://www.earlyadopter.co.kr/65983

"당신은 늘 틀린 질문을 하니까 틀린 답을 찾을 수 밖에 없는거야. 왜 내가 당신을 15년동안 가둬놨냐고 물을 게 아니라, 내가 15년만에 당신을 왜 풀어줬을까를 질문해야지"  

박찬욱 감독의 영화 '올드보이'에 나오는 유명한 대사입니다. 질문이 잘못되면 답을 영원히 알 수 없다는 뜻입니다. 요즘 우리나라 전세시장도 비슷한 것 같습니다. 

사람들은 "왜 요즘 전세 매물이 없어지고 있는가"를 궁금해합니다. 그리고 대개는 전문가들로부터 이런 답을 얻어내곤 하죠. "워낙 저금리 시대라 집주인들이 전세금을 받아봐야 그걸 어디에 굴릴 데가 없기 때문"이라고. 그런데 질문을 올드보이식으로 한 번 바꿔볼까요. 전세 매물들이 왜 이제서야 사라지고 있을까요? 생각해보면 전세라는 건 없어졌어도 벌써 오래전에 없어졌어야 하는 건데 말입니다. 

◇ '월세가 유리한데'..왜 전세를 택했을까 

은행에서 대출을 잘 해주지 않을 때는 전세라는 제도는 집주인에게 대단히 유용했습니다. 4억원짜리 집을 전세를 끼고 사면 2억원만 주고도 살 수 있으니까요. 그러나 은행 대출문턱이 낮아진 2000년대 이후에는 전세라는 게 집주인에겐 아무 효용이 없습니다. 

4억짜리 집을 대출 2억원을 끼면 역시 2억원에 살 수 있지요. 대출이자는 그 집에서 나오는 월세로 갚으면 다 해결되고도 남습니다. 2억원의 대출이자가 연 6%라면 매월 100만원의 이자를 내야 하지만 그 집은 전세 2억짜리 집이니 월세로 놓으면 전월세전환율(전세를 월세로 바꿀 때 적용되는 전환율)이 9%라고 가정할 때 한달 월세로 150만원을 받을 수 있습니다.(대개 전월세 전환율은 시중 주택담보대출 이자율보다 3~4%포인트 정도 높습니다.) 

그러니 집주인들 입장에서는 은행 대출을 받아서 전세금을 돌려주고 그 집을 월세로 놓는 게 훨씬(정확히 말하면 전월세전환율과 대출이자의 차이만큼) 유리합니다. 

이건 시중금리가 저금리냐 고금리냐에 관계없이 늘 성립하는 공식입니다. 시중금리가 아주 높을 때도 전세금을 받아서 은행에 넣어두는 것보다 전세금만큼 은행에서 대출을 받고 세입자에게는 월세를 받는 게 유리합니다. 고금리 시대라고 전세 매물이 많고 저금리가 됐다고 전세가 사라지는 건 논리에 맞지 않습니다. 

일부 전문가들은 "집값 상승 기대감이 사라졌기 때문에 전세를 끼고 집을 사는 수요가 감소했다. 그래서 전세 매물이 귀해졌다"고 설명합니다만 이 역시 헛점이 많습니다. 집값 상승 기대감이 충만하더라도 전세를 끼고 집을 사기보다는 은행 대출을 받아서 집을 사는 게 훨씬 낫거든요. 월세를 놓고 그 월세로 대출이자를 충당하면 돈이 남기 때문이죠. 

정리해보면, 집주인의 입장에서는 시중 금리가 높든 낮든, 집값 상승 기대감이 크든 희박하든 무조건 대출을 받아서 집을 사고 월세로 내놓는 게 유리합니다. 그런데 왜 집주인들은 지금까지 집을 전세로 내놓고 있다가 요즘에 와서야 월세로 바꾸고 있는 걸까요. 왜 전세 매물들이 이제서야 사라지고 있는 걸까요. 

◇ '죄수의 딜레마'..그동안은 집주인의 몫 

그건 집주인들이 '죄수의 딜레마'에 빠져있었기 때문입니다. 죄수의 딜레마란 두 죄수가 최선의 답을 알면서도 그 답을 선택하지 못하는 상황을 의미합니다. 두 죄수를 따로 취조하면서 이렇게 일러둡니다. "너희 둘 다 자백을 하면 둘 다 징역 1년이다. 둘 다 입을 다물면 모두 석방될 수 있다. 그러나 한 사람만 자백하면 그 사람만 석방하고 다른 한 사람은 징역 10년이다" 

죄수들에게 최선의 선택은 입을 다물어서 같이 석방되는 것이지만 상대가 끝까지 입을 다물 것이라는 확신이 없기 때문에 둘 다 먼저 자백을 하는 쪽을 선택한다는 겁니다. 

그동안 전세시장도 이런 상황이었습니다. 집주인들에게 최선의 선택은 집을 월세로 내놓는 것이었지만, 그건 모든 집주인들이 다 월세로 내놓을 때 얘기지, 나만 월세로 내놓으면 내 집은 세입자를 찾기 매우 어렵게 됩니다. 그러니 다들 월세가 좋은 줄은 알지만 어쩔 수 없이 전세로 내놓았던 겁니다. 자칫하면 세입자를 못구하고 수개월간 빈 집으로 놔둬야 하니까요. 

집을 월세로 내놓으면 전세금에 전월세전환율과 대출이자율의 차이를 곱한만큼 이익이 생기지만, 월세로 내놓고 세입자를 구하지 못하면 집주인은 매월 은행 대출이자만큼 손해를 봅니다. 예를 들어 볼까요. 약 10년전인 2005년 전월세전환율이 10%이고 대출이자는 연 7%이던 시절에 전세 2억원짜리 집을 월세로 놓으면 집주인은 매월 167만원의 월세를 받을 수 있었습니다. 그러나 대출금리가 연 7%이니 한달에 약 117만원씩 이자를 내야 했습니다. 그래서 그냥 전세로 놓는 것보다 대출을 끼고 월세를 놓으면 매월 50만원(167만원-117만원)씩, 1년이면 600만원이 더 남는 장사를 할 수 있었죠. 

그런데 이렇게 월세를 놓으려고 하다가 만약 한 달 동안 세입자를 못구하면 대출이자 117만원이 그냥 날아갑니다. 그래도 한 달 기다렸다가 세입자를 구하면 연간 이익은 433만원(11개월 차액 550만원-허공에 날려버린 한 달 대출이자 117만원)이 생기지만 4개월간 세입자를 못구하면 오히려 마이너스가 됩니다. (남은 8개월간 차액 400만원-허공에 날려버린 3개월 대출이자 468만원). 그러니 월세로 놓으면 전세 세입자를 내보내고 난 후 3개월 안에 세입자를 구해야 합니다. 

3개월째에 세입자를 구해도 연간 차익은 100만원 남짓인데 월세 세입자에게는 도배와 장판 등을 바꿔주는 관행을 감안하면 집 주인은 손해가 더 큽니다. 즉 현실적으로는 2개월 안에 세입자를 구할 수 있을 때만 월세로 돌린 효과가 겨우 발생한다는 겁니다. 그래서 집주인들은 월세로 집을 내놓지 못했습니다. 월세로 내놓으면 이익이라는 걸 알지만 다들 월세가 아닌 전세로 내놓으니 만약 나만 월세로 내놓으면 내 집에 세입자를 쉽게 들일 수 있을까 하는 의문이 생겼던 거죠. 전형적인 '죄수의 딜레마' 상황이었던 겁니다. 

◇ 이제는 세입자의 딜레마..전세 부활은 없다 

그런데 요즘은 상황이 달라졌습니다. 요즘 전월세전환율은 6% 대출이자는 3%쯤 됩니다. 2억원짜리 전셋집을 월세로 놓으면 월세는 매월 100만원, 대출이자는 매월 50만원이 나갑니다. 집주인이 전세 2억원짜리 집을 전세 대신 월세를 놓아서 벌 수 있는 연간 차액은 600만원으로 10년 전과 동일합니다. 그러나 한 달간 세입자를 못 구했을 때 날아가는 기회비용은 과거에 비해 확 줄었습니다. 월 대출이자가 50만원에 불과합니다. 5개월간 세입자를 구하지 못해도 집주인은 약 100만원의 차액이 생깁니다(남은 7개월간 이익 350만원-5개월간의 대출이자 250만원). 

4개월 안에만 세입자를 구하면 월세로 돌린 효과를 볼 수 있습니다. 전세를 월세로 바꿨을 때의 차익은 10년 전과 동일하지만 월세로 내놓고 집이 나갈 때까지 '버텨볼 수 있는 기간'이 2개월에서 4개월로 늘었습니다. 집주인들 입장에서는 외롭더라도 버텨볼만한 여지가 생긴 겁니다. 주택담보대출의 이자율이 내려가면서 집주인들에게 그런 여유가 생긴 겁니다. 

죄수들이 버틸 수 있는 여유가 생기면 죄수의 딜레마는 깨집니다. 월세로 내놓고 버티는 집주인들이 늘어날 수록 전셋집은 줄어듭니다. 월세도 생각보다 빠르게 세입자를 구할 수 있다는 소문이 돌기 시작하면 집주인들은 용기를 얻고 월세로 전환할 가능성이 커집니다. 그러면 전세는 더 줄어들고 월세는 세입자를 더 빨리 구할 수 있습니다. 이제는 굳이 전세로 내놓을 이유가 없어집니다. 월세가 대세가 됐으니 월세로 내놓은 집이 몇달씩 비어 있을 가능성은 거의 없습니다. 

이제는 거꾸로 세입자들이 죄수의 딜레마에 빠졌습니다. 세입자들도 '전세가 이익이라는 걸 알지만 다들 월세를 받아들이는 상황에서 나만 전세를 고집하다가는 자칫 셋집을 구할 수 없다'는 두려움에 빠져들었습니다. 

전세가 왜 사라지고 있는지를 정확하게 분석하는 건 아주 중요한 일입니다. 미래에 전세가 다시 늘어나는 시기가 올 지, 아니면 이제 계속 월세시대가 이어질 지를 판단하는 근거가 되기 때문입니다. 만약 금리가 낮아서 전세가 사라진 거라면 다시 고금리 상황이오면 전세가 부활하겠죠. 집값 상승 기대감이 줄어서 전세가 사라졌다면 집값 상승 기대감이 살아나면 전세도 다시 유행하게 될 겁니다. 그러나 정말 그런 일이 벌어질까요. 

이미 10여년 전에 사라졌어야 할 전세가 집주인들의 '죄수의 딜레마' 현상으로 인해 남아있던 것이라면 전세가 다시 부활하기는 불가능합니다. 세입자들이 죄수의 딜레마에서 벗어나려면 '전셋집 아니면 죽음을 달라'면서 버틸 수 있어야 합니다. 그러나 그건 어렵습니다. 그래도 집주인들은 빈 집으로 남겨두고 몇달을 버틸 수 있었지만 세입자들은 '잘 곳 없는 상황'에서 몇달을 버틸 수는 없기 때문입니다. 

p.s.) 
전세를 부활시키는 유일한 방법은 은행 대출을 묶는 겁니다. 지금도 다주택자들은 DTI(Debt To Income, 총부채상환비율) 규제로 대출을 넉넉히 받지 못하기 때문에 3번째 집이나 4번째 집을 살 때는 울며 겨자먹기로 대출 대신 전세를 끼고 집을 사죠. 다주택자들 입장에선 억울할 수 있습니다. 새로 집을 사서 월세를 받아 이자를 내겠다는 데 새로 매입할 집에서 나오는 월세는 DTI를 계산할 때 소득으로 인정하지 않으니 말이죠. 그 덕에 전세 매물이 가물에 콩나듯이나마 나오는 겁니다. 

그러나 앞으로는 이런 규제도 점차 사라질 겁니다. 고령화 시대에 아무 소득이 없는 노인이 여유자금으로 대출을 끼고 집을 사서 월세를 놓겠다는데, 소득이 없다는 이유로 대출을 해주지 않을 명분이 과연 있을까요. 

출처: http://www.bizwatch.co.kr/pages/view.php?uid=18617

요즘 딥 러닝(Deep Learning)이 핫합니다. 몇 년 전부터 기계학습(Machine Learning)이 일반인들에게 알려지기 시작하더니, 지금은 기계학습의 한 종류인 딥 러닝이 아예 기계학습이란 단어를 대체할 듯한 기세인 듯합니다.

페이스북 인공지능 연구소 수장, 얀 러쿤(Yann LeCun) 교수 (사진 출처: 홈페이지)

특히 구글이 딥 러닝 전문가 기업인 딥마인드(Deep Mind)를 인수하고, 페이스북이 딥 러닝 대가인 뉴욕대학의 얀 러쿤(Yann LeCun) 교수를 인공지능 센터장으로 모셔갔으며, 중국의 구글이라 불리는 바이두에서도 기계학습 분야의 스타 학자 스탠포드 대학의 앤드류 응(Andrew Ng) 교수를 모셔가는 등, 지금은 바야흐로 딥 러닝 인재전쟁에 가까운 모습입니다.

그렇다면 딥 러닝이란 과연 무엇일까요? 오늘은 딥 러닝의 전반적인 개념에 대해 거칠게 한번 훑어보도록 하겠습니다.

딥 러닝이란?

딥 러닝은 사실 새로운 개념이 아닙니다. 오래전부터 있던 인공신경망(Artificial Neural Network; ANN)과 크게 다를 바 없죠. ‘인공신경망’이라고 하면 단어에서 나오는 뽀대(?) 때문인지 막 복잡한 뇌 구조가 생각나면서 꿈 같은 이야기가 펼쳐질 것 같은 느낌이 드는데요, 사실 인공신경망은 그렇게 판타스틱한 개념은 아닙니다.

그저 선형 맞춤(linear fitting)과 비선형 변환(nonlinear transformation or activation)을 반복해 쌓아올린 구조에 불과하죠. 다시 말해, 인공신경망은 데이터를 잘 구분할 수 있는 선들을 긋고 이 공간들을 잘 왜곡해 합하는 것을 반복하는 구조라고 할 수 있습니다. 선 긋고, 구기고, 합하고, 선 긋고, 구기고, 합하고, 선 긋고, 구기고, 합하고… (먹고 뜯고 맛보고 즐기고…)

파란 선과 빨간 선의 영역을 구분한다고 생각해보죠. 그냥 구분선을 긋는다면 아마 왼쪽처럼 불완전하게 그을 수 있을 것입니다. 하지만 공간을 왜곡하면 오른쪽과 같이 아름답게 구분선을 그릴 수 있습니다. 이처럼 인공신경망은 선 긋고, 구기고, 합하는 과정을 반복하여 데이터를 처리합니다. (이미지 출처: colah’s blog)

예를 들어 컴퓨터가 사진 속에서 고양이를 검출해내야 한다고 생각해보죠. ‘고양이’라는 추상적 이미지는 아마 선, 면, 형상, 색깔, 크기 등 다양한 요소들이 조합된 결과물일 것입니다. 이것은 아마 ‘선 30cm 이상은 고양이, 이하는 고양이 아님’, 또는 ‘갈색은 고양이, 빨간색은 고양이 아님’처럼 간단한 선형 구분으로는 식별해 낼 수 없는 문제겠죠. 딥 러닝은 이 과제를 선 긋고 왜곡하고 합하고를 반복하며 복잡한 공간 속에서의 최적의 구분선을 만들어 내는 목적을 가지고 있습니다.

그럼 어떠한 규칙으로 선을 긋고 공간을 왜곡하느냐고요? 바로 데이터에 근거하는 거죠. 일단 대충 선을 긋고 구분 결과가 더 좋게 나오도록 그것들을 살살 움직이는 겁니다. 이러한 과정을 최적화(optimization)라고 하는데요, 딥 러닝은 아주 많은 데이터와 아주 오랜 시간의 최적화를 통해 데이터를 학습합니다. 양에는 장사 없다고나 할까요?

여러 개의 뉴런(선형 맞춤 + 비선형 변환)이 합쳐지면 복잡한 형상의 함수도 추정할 수 있다. (이미지 출처: 파스칼 빈센트 홈페이지)

제프리 힌톤, 인공신경망 연구를 살려내다

사실 인공신경망은 1940년대에 이미 개발된 방법이었고, 1980년대에 역전파(back propagation) 방법이라는 최적화 방법이 소개되며 인공신경망 연구가 절정기에 이른 바 있습니다. 이후 인공신경망은 영상처리, 인공지능, 제어 등 다양한 분야에 적용되었는데요, 90년대에 이르러 그 연구가 포화 상태에 이르고, 이내 한계가 보이기 시작하더니 곧 암흑기를 만나게 됩니다.

심지어 2000년대 초반 논문 심사에서는 ‘인공신경망’이란 단어만 나오면 ‘뭐야, 이거 옛날 거잖아?’라며 리젝(reject)을 하기도 했으니까요. 그렇게 인공신경망은 사라져 갔고, 2000년대에는 비선형 함수를 이용한 다양한 커널 방법(예: 서포트 벡터 머신, 가우시안 프로세스)들이 기계학습의 대세를 이루게 됩니다.

딥 러닝의 일등 공신, 토론토 대학교의 힌톤 교수 (사진 출처: 토론토 대학교)

모두가 인공신경망을 외면하던 암흑기 시절, 그래도 꿋꿋하게 인공신경망 외길을 걸어오던 학자가 있었으니 바로 그가 딥 러닝의 일등 공신인 토론토 대학교의 제프리 힌톤(Geoffrey Hinton) 교수입니다. 인공신경망이 외면받는 여러 한계 중 대표적인 문제는 바로 최적화가 쉽지 않다는 점이었습니다. 생각해보세요. 수만 개의 뉴런들이 수백만 개의 선들에 의해 연결되어 있고 여러분들은 이 선들에 적당한 값들을 할당해야 합니다. (일명 parameter training이죠)

이걸 최적화 알고리즘을 통해 해줘야 하는데, 최적화 알고리즘이 만약 진짜 최적값이 아닌 잘못된 최적값에 도달하면 어쩌죠? 예를 들어 최고 높은 산봉우리에 올라야 하는 게 목적이라고 하면, 앞만 보고 막 달려서 산봉우리에 올랐더니 ‘엥? 이 산이 아닌게벼…?’라고 하면 어찌하느냔 말입니다. 인공신경망은 그 구조가 워낙 복잡했기에 이런 문제가 발생했을 때 그야말로 속수무책이었죠. (그래서 제 예전 지도교수님은 인공신경망을 ‘black magic’이라고도 하셨죠)

하지만 힌톤 교수는 이러한 함정(local minima)들을 데이터의 전처리과정(pre-training)을 통해 크게 해결할 수 있음을 밝혔습니다. 이 연구가 바로 “A fast learning algorithm for deep belief nets”라는 2006년의 논문인데요, 힌톤 교수는 이 논문을 통해 인공신경망의 각 층을 먼저 비지도 학습방법(unsupervised learning)을 통해 잘 손질해주고, 그렇게 전처리한 데이터를 여러 층 쌓아올려 인공신경망 최적화를 수행하면 ‘이 산이 아닌게벼?’ 없이 훌륭한 결과를 만들어 낼 수 있다는 것을 보였습니다.

이 논문을 기점으로 인공신경망 연구는 새 전기가 열리게 됩니다. 특히 인공신경망은 빅데이터와 찰떡궁합이었죠. 2006년 이전의 많은 연구가 데이터의 구체적인 형상 파악에 노력을 쏟았었다면, 이젠 그냥 어마어마한 구조의 인공신경망에 엄청난 데이터를 마구 때려 넣는 겁니다. 그리고선 2006년 이후 개발된 세련된 최적화 기법을 써서 몇 날 며칠을 학습하면 ‘짜잔~’하고 최고의 결과를 내놓는다는 거죠.

딥 러닝 기법은 이후 압도적인 성능으로 각종 기계학습(Machine Learning) 대회의 우승을 휩쓸며 자신이 유아독존의 기법임을 과시했고, 현재는 다른 기계학습 방법을 통해 영상처리, 음성인식 등을 연구하셨던 분들 역시 딥 러닝으로 대동단결하는 양상을 보이고 있습니다.

기계학습 관련 기업들. 이 중 페이스북, 구글, 바이두 등은 모두 딥 러닝에 사활을 걸고 있다. (이미지 출처: shivonzilis.com)

딥 러닝 방식의 성공 요인 4가지

그렇다면 그토록 오랜 암흑기였던 인공신경망을 성공적인 딥 러닝으로 환골탈태하게 한 요인은 뭘까요? 그 요인에는 크게 다음과 같은 네 가지를 꼽을 수 있습니다.

1. 비지도 학습방법을 이용한 전처리과정

앞서 힌톤 교수가 2006년에 제안했던 것이 바로 이 방법입니다. 비지도 학습방법을 간단히 설명하자면 ‘이건 사과’, ‘이건 고양이’, ‘이건 사람’과 같은 “가르침” 없이 그냥 사과, 고양이, 사람을 다 던져놓고 구분하라고 시키는 학습 방법인데요, 그렇게 되면 아무래도 컴퓨터는 비슷한 것끼리 군집(cluster)을 찾게 되겠죠.

알고리즘은 군집화하는 과정에서 특이한 놈들은 과감하게 무시하게 되고, 결과적으로 노이즈 감소의 효과를 얻게 됩니다. 이렇게 비지도 학습방법으로 데이터를 고르게 잘 손질할 수 있고, 이것을 깊은 인공신경망(=딥 러닝망)에 넣으면 앞서 제기한 함정들에 훨씬 적게 빠진다는 것입니다. 이것이 바로 딥 러닝의 최초 진일보였죠.

2. 컨볼루셔널 뉴럴 네트워크의 진화

기계학습은 “데이터 → 지식(knowledge)”으로 바로 학습을 진행할 수도 있지만 보통 중간 단계인 특징 추출(feature extraction)을 거쳐 “데이터 → 특징(feature) → 지식”의 단계로 학습하는 것이 보통입니다. 예를 들어 사진 속에서 사물을 인식하기 위해 픽셀값에서 먼저 특징적인 선이나 특징적인 색 분포 등을 먼저 추출한 후 이를 기반으로 ‘이건 사과다.’, ‘이건 바나나다.’라는 판단을 내리는 것이죠.

이러한 중간 표현단계를 특징 지도(feature map)이라고 하는데요, 기계학습의 성능은 얼마만큼 좋은 특징들을 뽑아내느냐에 따라 그 성능이 매우 크게 좌지우지됩니다. (이는 이미지 처리뿐만 아니라 음성 인식, 자연어 분석 등 대부분의 기계학습에 적용되는 이야기입니다.)

원본 이미지(우측)와 컨볼루셔널 네트워크에 의해 추출된 특징 지도(좌측) (이미지 출처: M. Zeiler)

딥 러닝의 성공 요인 중 하나를 꼽자면, 예전엔 사람의 예측에 의해 뽑히던 이 특징들을 지금은 이마저도 기계학습을 이용해 뽑는다는 것입니다. 다시 말해, 예전엔 ‘선들을 추출해서 학습시키면 사물인식이 잘 될 거야.’와 같이 사람이 먼저 이 선들을 추출하는 알고리즘을 만들어 주었는데, 이제는 특징 추출과 학습 모두가 딥 러닝 알고리즘 안에 포함되었다는 것이죠.

다단계로 특징을 추출해 학습하는 컨볼루셔널 뉴럴 네트워크(Convolutional Neural Network)는 현재 딥 러닝의 대세로서 특히 이미지 인식에서 큰 발전을 이룩하고 있습니다.

3. 시계열 데이터를 위한 리커런트 뉴럴 네트워크

딥 러닝 알고리즘은 크게 세 분류로 나눌 수 있습니다.

• 비지도 학습방법을 기반으로 한 방법 (예: Deep Belief Network, Deep Auto-encoder)
• 컨볼루셔널 뉴럴 네트워크의 다양한 변형들
• 시계열 데이터를 위한 리커런트 뉴럴 네트워크(RNN; Recurrent Neural Network)와 게이트 유닛들 (예: Long-Short Term Memory(LSTM))

시계열 데이터(Time-series data)란 시간의 흐름에 따라 변하는 데이터를 말하는데요, 예를 들면 주가도 시간에 따라 변하고, 사람의 움직임도 시간에 따라 변하고, 비디오도 시간에 따라 변하죠. 이러한 시계열 데이터에서 탁월한 성능을 보여주는 딥 러닝 방법이 바로 리커런트 뉴럴 네트워크(RNN)입니다. RNN은 매 순간마다 인공신경망 구조를 쌓아올렸다고 생각하시면 되는데요, 예를 들면 100초면 100개의 인공신경망을 쌓아올린 거죠. (그래서 딥 러닝 중에 가장 깊은 구조라고도 불립니다)

예전의 RNN은 인공신경망이 너무 깊어서 오랜 시간 전의 데이터들을 까먹는 현상(vanishing gradient problem) 때문에 학습이 힘들었는데요, 유르겐 슈미트후버(Jurgen Schmidhuber) 교수의 Long-Short term Memory란 게이트 유닛을 노드마다 배치하여 이러한 문제를 극복, 현재는 컨볼루셔널 네트워크의 가장 강력한 경쟁 상대로 자리매김하고 있습니다.

매 순간의 인공신경망을 쌓아 올린 리커런트 뉴럴 네트워크 (이미지 출처: 파스칼 빈센트 홈페이지)

4. GPU 병렬 컴퓨팅의 등장과 학습 방법의 진보

사실 예전엔 ‘많은 데이터로 가지고 이렇게 저렇게 하면 아마 잘 될 거야…’라는 생각들은 하고 있더라도 그것을 구현하기가 쉽지 않았습니다. 잘 될지 안 될지도 모르는데 수십 대의 컴퓨터를 몇 달간 돌리고 있을 수는 없는 노릇이니까요. 하지만 GPGPU(General-Purpose computing on Graphics Processing Units)이란 개념이 개발되며 저렴한 가격으로 CPU와 병렬처리를 할 수 있는 GPU 제품들이 출시되었고, 이를 효율적으로 이용하는 언어구조(예: CuDA)들이 개발되며 딥 러닝은 그 컴퓨팅 시간이 수십 분의 일로 줄어들었습니다.

연구에 사용할 수 있는 데이터 풀도 많아져 예전엔 기껏해야 몇만 개의 손 글씨 데이터(예: MNIST)가 전부이던 것이 지금은 천 만장의 고해상도의 사진들(예: ImageNet)은 물론, 필요하다면 구글이나 유튜브에서 자료를 끌어올 수도 있었으니 말이죠.

그리고 인공신경망 알고리즘적인 문제로는 비선형 변환에 쓰이는 Rectified Linear Unit(ReLU)의 개발과 거대 망을 선택적으로 학습하는 드롭아웃(Drop-out)의 발견이 딥 러닝의 성능을 크게 향상했습니다. (이러한 잔기술(?)에 대해서도 할 얘기가 많지만 깊은 얘기는 언젠가 또 해드리도록 하죠.)

구글은 2012년 1,000대의 컴퓨터로 1,000만 개의 유튜브 이미지를 딥 러닝으로 분석해 사람과 고양이를 구분해 냈다. (이미지 출처 : Q. Le)

딥 러닝, 인공지능의 희망적인 미래

지금까지 딥 러닝에 대해 알아봤습니다. 요약하자면 딥 러닝은 사실 오래전부터 있던 인공신경망과 크게 다를 바 없지만 알고리즘적인 발전과 하드웨어의 발전, 그리고 빅데이터의 힘 덕분에 현재 최고 성능을 가진 기계학습 방법으로 평가받고 있으며, 미래 인공지능의 희망으로 떠오르고 있다는 이야기였습니다.

그렇다면 딥 러닝 말고 다른 기계학습 방법들은 모두 사라져야 하는 걸까요? 물론 그것은 아닙니다. 일단 딥 러닝은 많은 양의 데이터와 많은 컴퓨팅 자원을 필요로 합니다. (저도 이번에 80만 원짜리 GPU를 구매했습니다. ㅠㅠ) 따라서 핸드폰이나 웨어러블과 같은 포터블 기기는 이러한 컴퓨팅이 불가능할 테니 딥 러닝을 적용하기 쉽지 않겠죠.

또한, 로봇과 같이 실시간성(real-time)이 보장되어야 하는 분야 역시 다른 기계학습 방법을 취하는 게 좋을 수도 있을 것입니다. (이건 마치 컴퓨터엔 윈도우, 핸드폰엔 안드로이드와 같은 맥락이라 할 수 있죠.)

하지만 그렇다고 딥 러닝이 이들 분야와 무관하느냐 하면 꼭 그렇지만은 않습니다. 여러분의 컴퓨터가 좋아서 구글 검색 결과가 좋나요? 다 구글 서버에서 알아서 처리해주니 그런 거지요.

딥 러닝도 마찬가지로 만약 디바이스가 사물인터넷을 이용해 머리 좋은 서버와 잘 교신한다면 포터블 디바이스 역시 딥 러닝의 은총을 받을 수 있을 것으로 생각합니다. 특히 구글이 로봇의 미래라 생각하는 클라우드 로보틱스를 구현한다면 여러 로봇이 집단 지성을 발휘하며 문제를 해결해 나가는 것을 미래에 볼 수도 있겠지요.

• 슬로우뉴스 – 구글의 새 로봇 수장, 제임스 커프너는 누구인가 (Terry)

딥 러닝, 인공지능의 가장 희망적인 미래임은 분명합니다. 이 분야와 관계없는 분들도 공부를 해두시면 좋을 것 같습니다. 다음 편에선 ‘딥 러닝 공부를 위한 거의 모든 공부자료’를 다룹니다. (계속)

출처: http://slownews.kr/41461

업무가 만만치 않고 흥미로운 직장 중 하나인 애플에 입사하는건 쉬운 일이 아니다. 구글이나 다른 IT 기업처럼 애플은 과거 경력에 대한 기술적인 질문뿐만 아니라 난해한 수수께끼를 물어본다. 최근 글래스도어(Glassdoor)에 올라온 면접 질문 중 어려운 몇 가지를 살펴보자.

1. “2개의 계란을 가지고, 떨어뜨려도 깨지지 않는 최고 층수를 알아내려고 할 때, 어떻게 할 건가요? 최적의 해법은 무엇인가요?” – 소프트웨어 엔지니어 지원자(Software Engineer candidate)
2. “모뎀과 라우터에 대해 8살 아이에게 설명해주세요” – 재택 근무 상담원 지원자(At-Home Advisor candidate)
3. “매일 몇 명이 태어나나요?” – 글로벌 공급망 관리자 지원자(Global Supply Manager candidate)
4. “테이블에 앞면과 뒷면이 있는 동전 100개가 있습니다. 10개는 앞면이, 90개는 보이고요. 만지거나 봐서는 앞면 뒷면을 확인할 수 없다고 했을 때, 동전을 2개 뭉치로 나눠주세요. 이때 각 뭉치의 앞면 뒷면 수는 같아야합니다.” – 소프트웨어 엔지니어 지원자(Software Engineer candidate)

tN 인사이트: 놀라운 실적으로 기업 역사를 연이어 새로 써나가고 있는 애플은 현재의 성과에 만족하지 않고 사업 영역을 계속 늘려가고 있다. 그러면서 심지어 테슬라 같은 전기 자동차 업체나 패션 업계 등 다른 업계에서도 공격적으로 인력을 충원하는 중이다. 이런 애플이 인재를 평가하는 방법은 경쟁사는 물론 다른 업계의 기업에게도 관심의 대상이다. 기사에 언급된 질문들을 살펴보면, 답변이 녹록한 질문을 찾기 쉽지 않다. 질문을 크게 3가지 종류로 나눠보면, 첫 번째 유형은 행동 면접(behavioral interview)으로 지원자의 과거 성향과 행동에 근거해 입사 후 성향과 행동을 예측하는 것이다. 두 번째는 수수께끼 같은 질문을 논리력과 사고력을 평가하는 유형이다. 그리고 세 번째는 ‘왜 애플에 입사하고 싶은지’에 대한 답변을 얻는 유형이다. 이렇게 기업에서 어떤 방식으로 인재를 뽑는지는 실제 지원자뿐만 아니라 잠재 구직자들이 그 기업을 어떻게 인식하는지에 중요한 영향을 미친다. 구글이 난해한 수수께끼 같은 질문과 여러 단계를 거쳐야하는 어려운 면접으로 유명하지만, 그 덕분에 우수한 인재들이 모이는 기업이라는 인식을 가지게 된 것이 대표적인 예이다.

관련기사: Business Insider

출처: http://techneedle.com/archives/23254

An interactive home monitoring owl.

Today more and more objects are connected, but none of them truly connects with you.

Ulo creates a unique bond, like no other device.

It redefines the way you interact with objects: an organic communication.

Evidence shows that a number of facial expressions are related to similar emotions across cultures. The language of our eyes is one of the most powerful and effective tools of non-verbal communication.

Eye expressions are an efficient, natural and universal way to connect instantly with Ulo.

• A - 2 Round 1,22“ LCD screen (originally used for smartwatches) 
• B - 1 Hidden surveillance camera (720p HD) & Motion Sensor under the two-way mirror beak 
• C - 1 Mono Microphone 
• D - 1 Capacitive button 
• E - 1 Neodymium magnet under the rotative base 
• F - 4 Adhesive neodymium magnets (⌀20mm/⌀0.8in) 
• G - 1 Wifi 802.11ac module 
• H - 1 Orientation sensor 
• I - 1 Li-Po rechargeable battery 
• J - 1 USB to 3.5mm Barrel Jack cable (65cm/25.6in)

ulo by vivien-muller on Sketchfab

 PLAY

Ulo needs a working wifi network to be fully functional. 

Ulo communicates through eye expressions. A webpage and mobile apps allows you to customize eyes color, shape and size to match your interior and your taste. No logos or icons are displayed on the screens, but you instantly know what Ulo has in mind. 

For instance, when the battery is low (under 10%) Ulo is tired, 

Ulo blinks when you take a snapshot, 

its eyes follow your movements and Ulo squints when someone is watching live video. 

Random animations add that extra spark of life which makes Ulo unique.

Eye expressions are possible thanks to new round LCD screens originally manufactured for next-generation smartwatches.

A double tap on Ulo forehead will activate the Alert Mode. 

Once your smartphone leaves your wifi network, every movement will be recorded in an animated gif and sent via email. 

Eye expressions are not displayed. 

When your smartphone (and thus yourself) reconnects to your wifi network, the alert mode is disengaged.

It is a very simple way to check what is going on in another room or when you’re away. Ulo streams directly on a secure webpage.

Ulo captures snapshots on demand and sends it on a secure webpage, your dropbox account or directly on your email.

In Alert Mode, Ulo can last one week on a full charge. In everyday use, with eye expressions, Ulo needs to be recharged every 2 days. Of course you can also leave Ulo plugged in all the time on a USB port.

Ulo can lay on a flat surface or be hanged on a wall. A set of discrete adhesive neodymium magnet allows you to stick Ulo on every surface effortlessly. Ulo must be placed indoor.

• Ulo services are accessible on a webpage, so it is compatible with every device with an internet connection and a browser.

• Dedicated mobile apps for iOS & Android:

• Ulo is also compatible with IFTTT. It’s the best way to extend its purpose. 

Ulo functionalities can trigger or be triggered by other connected devices or internet services.

For example, here's my favorite recipes:

But other connected devices or internet services can trigger emotions in Ulo.

For example, weather can affect Ulo's mood:

Different emotions will overlay Ulo's eye movements, here's the first list of animations available:

• Happy / Grumpy / Surprised / Upset / Agitated / Puzzled
• Blinks / Squint
• Change Eye color / Reflects / Size

Other recipe ideas:

• If there is a birthday on my calendar today, then Ulo is happy
• If the pollen count rises above 6, then change Ulo eyes color to red
• If you have an appointment, then Ulo is puzzled (You shouldn't be home)

 Ulo only stores a few minutes of video locally. Nothing is sent over a distant third party server.

Think of Ulo as your own personal server, so there are no extra fees.

The owl only sends data to your secure devices when needed. Each device has its own password + a second step authentification.

The setup is easy, a QR code is generated when your device connects for the first time. You just have to show this code to Ulo.

You’ll have to renew this operation every 6 months.

A detailed user guide is included in the box and video tutorials will be available online.

In the future, Ulo internal software will evolve. 

I’ll add more random animation to the default settings and new kind of styles will be available. 

Example: 

• PixelArt
• Hand drawn
• Realistic
• 3D effects etc… 

Don’t hesitate to share your feeling in the comment section, it will help me to pick up the most suggested.

                                                                                            

출처: https://www.kickstarter.com/projects/vivienmuller/ulo

슈트서 비즈니스캐주얼까지 한벌 10만원 안팎…알뜰고객 사로잡아

출처: http://news.mk.co.kr/newsRead.php?no=1017551&year=2015

아마존은 서울에, 마이크로소프트(MS)는 부산에 클라우드 데이터센터(IDC)를 구축한다. 

22일 업계에 따르면 아마존과 MS는 국내 IDC 업체와 사용계약(상면 임차계약)을 맺은 것으로 파악됐다. 

아마존은 KT 서울 목동 IDC와 SK브로드밴드 일산 IDC를 사용한다. MS는 LG CNS 부산 IDC와 KT 김해 IDC를 낙점했다. 자사 클라우드 서비스에 필요한 서버·스토리지·네트워크 장비 등 자체 IDC를 현지에 구축한다. 

아마존은 설비 구축을 끝냈다. 복수의 업계 관계자는 “물리적 구성은 끝났다”며 “언제 가동할지 결정만 남은 것으로 알고 있다”고 말했다. 

MS는 최근 LG CNS·KT와 계약을 했다. 설비 구축을 시작하는 단계다. MS는 당초 IDC를 직접 건설하는 방식을 검토했지만 타사 IDC를 임차해 사용하는 방식을 선택했다. 

아마존과 MS가 한국에 클라우드 인프라를 두는 건 이번이 처음이다. 양사 모두 그동안 해외 IDC를 활용해 국내 서비스를 제공해왔다. 양사 클라우드 인프라 구축은 한국을 포함한 아시아 시장 확대를 겨냥한 투자로 풀이된다. 

아마존은 한국에서 고속 성장하고 있다. 지난 2012년 국내에 진출해 한국 내 매출이 1000억원을 넘은 것으로 알려졌다. 아마존 협력사 매출도 급증했다. 성장성을 확인함에 따라 자체 인프라로 서비스를 개선하고 궁극적으로 사업을 확대하려는 의도로 풀이된다. 

업계 관계자는 “네트워크가 발달해도 데이터센터의 지리적 위치에 따라 속도(레이턴시)가 다를 수밖에 없다”며 “한국 시장 성장 가능성을 확인한 것으로 보이며, 특히 목동과 일산에 인프라를 두는 건 주로 삼성과 같은 기업 고객을 염두에 둔 결정”으로 풀이했다. 

MS가 부산과 김해를 선택한 것은 한국뿐 아니라 일본 등 아시아 시장을 고려한 포석이다. 북미 지역과 아시아를 잇는 해저케이블이 지나는 지리적 위치, 지진을 포함한 자연재해 위험이 낮아 아시아 지역 IDC 허브와 백업 등 다목적으로 활용할 수 있다는 분석이다. 

아마존은 국내 IDC 구축 여부에 “확정된 내용이 없다”고 답했다. MS와 국내 IDC 업체도 “계약 여부는 확인해 줄 수 없다”고 밝혔다. 

세계 1·2위 클라우드 서비스 업체로 꼽히는 아마존과 MS가 한국시장 공략에 강도를 높임에 따라 국내 산업계 부담은 커지게 됐다. 국내 클라우드 산업계는 중소·중견 기업이 대부분이어서 전체 기업 연간 매출을 다 합쳐도 아마존 분기 매출(약 2조원) 절반에도 미치지 못한다. 

출처: http://www.etnews.com/20151022000301