Insights Alive

미국 알래스카만(灣)에서 관찰되는 기현상이 있다. 마치 기름과 물처럼, 색채가 다른 두 바다가 길고 명확한 경계선을 따라 존재한다. 두 개의 평행 현실이 만나듯 그 모습은 초현실적이다. 빙하수가 바다로 유입될 때 해수와 쉽게 섞이지 못해 발생하는 현상이다.

경영자들에게 작금의 경영환경은 알래스카만의 모습과도 같다. 경기침체, 저성장, 수익 압박 등 암울한 현실과 지능정보사회, 4차 산업혁명 등 역동적인 현실이 나란히 전개되고 있다. 이렇게 위험과 기회가 공존하는 환경에서 기업들은 생존과 성장의 길을 동시에 찾아야 하는 어려운 과제를 안고 있다. 그 답은 기업을 이끌 리더십 파이프라인에 있다. 현재의 임원들과 몇 년 안에 임원이 될 부장급들 얘기다. 그러나 이들의 상당수는 여전히 추격형 성장기에 최적화된 리더의 모습을 갖고 있다. 과거의 경험에 갇혀 방향을 제시하고 권위적으로 밀어붙이는 것이다.

새로운 경영환경이 요구하는 리더상은 이와는 분명 다르다. 다음의 다섯 가지 역량을 갖춰야 한다.

첫째, 변혁성(game changing)이다. 혁신적 접근으로 새로운 게임의 룰을 제시하고 창조적 파괴를 이끌어야 한다. 테슬라의 등장으로 자동차산업과 에너지산업의 경계가 무너졌고 아마존으로 인해 월마트는 업(業)의 정의를 새로 써야 했다. 기술혁신과 산업구조의 변화는 오늘 내가 모르는 기업을 내일의 강력한 경쟁자로 만들 수 있다. 미래의 경쟁자를 찾고 신성장 기회를 발굴하는 데 ‘리커전(recursion)’이라는 방법론을 쓴다. 경쟁사의 사업영역을 펼친 뒤, 그 경쟁사의 경쟁사 또 그 경쟁사의 경쟁사로 범위를 확장해 분석하는 것인데 몇 차례 반복하면 전혀 생각지도 못한 사업영역에 도달할 수 있다. 

둘째, 민첩성(agile)이다. 외부에서 변화의 기회와 아이디어를 포착해 유연하고 기민한 의사결정을 해야 한다. 중국을 무대로 하는 기업들은 급변하는 소비 행태로 전략 수립에 곤란을 겪는다. 지역별, 연령별 광범위한 소비자 조사를 끝내도 보고서가 나올 때쯤이면 이미 시장은 바뀌어 있다. 맥킨지가 글로벌 기업들의 중국 전략 수립을 지원할 때 중국 인터넷 기업 텐센트 등과의 파트너십을 통해 방대한 소셜네트워크 데이터 속에서 실시간 소비 패턴을 읽는 이유다.

셋째, 연결성(connected)이다. 외부 파트너와 협력하고 다방면의 이해관계자들과 관계를 구축해 효과적으로 활용해야 한다. 맥킨지 주최의 각종 국제 콘퍼런스에 가보면 중국과 일본 기업 임원들이 대거 참여해 다른 기업의 상황을 듣고 활발히 교류한다. 우리나라 기업들은 참여도도 낮고 소극적이다. 이는 언어적 불편보다는 대외지향적 마인드와 조직적 지원의 차이에 기인한다고 본다.

넷째, 증폭성(multiplying)이다. 조직구성원의 능력을 지원하고 조율해 극대화해야 한다. 훌륭한 리더는 권위적, 상담자적, 후원자적, 도전적 요소를 모두 활용해 조직을 이끈다. 올초 대한상공회의소와 맥킨지의 100개 기업 대상 조사에 따르면 임원들이 권위적 리더십은 강한 반면 직원들의 의견을 듣거나 도전적 동기를 부여하고 육성하는 데는 매우 미흡한 것으로 드러났다.

마지막으로 보편성(globally effective)이다. 세대와 지역 차이를 넘나들어 영향력을 발휘할 수 있어야 한다. 앞서 한 조사에서 조직문화와 경쟁력에 대한 평가가 세대별, 직급별로 큰 간극이 있는 것으로 나왔다. 이는 리더들이 조직을 이해하고 독려해 목표를 달성하는 데 큰 걸림돌로 작용할 수 있다.

저성장 경기침체와 와해적 기술혁신이 공존하는 경영환경은 기이하고 혼란스럽기까지 하다. 이를 익숙한 방식과 과거의 패러다임으로 이해하고 대응한다면 미래의 생존과 성장을 담보할 수 없다. 리더십에 대한 재정의와 과감한 투자가 필요한 때다.

최원식 < 맥킨지 한국사무소 대표 >

출처: http://www.hankyung.com/news/app/newsview.php?aid=2016101705571

출처: http://news.mk.co.kr/newsRead.php?no=722187&year=2016

[흔들리는 '한국경제 빅2 기업'… 안팎서 거센 자성론]

'애플에 지면 죽는다… 하라면 하라'가 삼성의 조직문화

- 직원들이 전한 '자화상'
"노트7에 新기술은 다 넣고 싶고 애플보다 더 빨리 내고 싶고… 위에서 일정부터 못박으니…"
- 애플 강박증의 결과
"더 작고 얇지만 하루종일 쓰게" 배터리 제조사에 무리한 주문
- 품질 대신 수익성 우선
"아이폰7 나오기 前 노트7 출시… 최대한 팔아 이익 내기만 집착"
- 社內 "그래도 이겨내자" 결의도
"끝까지 원인 밝혀 신뢰 되찾자" "경험이 우리를 지혜롭게 할 것"

삼성전자가 스마트폰 갤럭시노트7의 단종을 결정한 다음 날인 12일 오전 7시 서울 삼성 서초사옥. 권오현 삼성전자 부회장 등 삼성그룹 주요 계열사 사장들이 수요사장단 회의에 참석하기 위해 사옥에 나타났지만 한결같이 무거운 표정이었다. 새벽부터 모인 취재진의 질문이 쏟아졌지만 사장들은 대부분 입을 굳게 닫았다. 노트7 사태와 관련이 있는 신종균 삼성전자 IT(정보기술)모바일 부문 총괄 사장과 고동진 무선사업부장(사장), 조남성 삼성SDI 사장은 모습을 드러내지 않았다.

게다가 삼성전자는 이날 오후엔 영업이익을 무려 2조6000억원이나 깎아내린 3분기 수정 실적을 발표했다. 지난 7일 처음 공시했던 것보다 매출은 2조원 줄어든 47조원, 영업이익은 33.3%나 감소한 5조2000억원에 그칠 것이라고 밝혔다. 삼성전자의 어닝서프라이즈(예상을 뛰어넘는 깜짝 실적)가 기대 이하의 실적으로 바뀐 것이다.

하루종일 서초사옥을 감싼 '무거운 침묵'은 노트7 단종 사태로 인한 삼성전자의 위기감을 그대로 보여준다. 애플에 앞서기 위해 야심 차게 내놨던 노트7이 품질 결함으로 출시 50여일 만에 시장에서 퇴출되고 '품질의 삼성'이란 신뢰의 위기까지 겪게 됐다.

'세계 최고의 제조업체'라는 자부심이 흔들릴 지경에 이르자 내부에서는 삼성 특유의 조직 문화에 대한 자성론이 터져 나오고 있다. 직원들 사이에선 "최고의 품질이라던 삼성의 명성이 퇴색하는 것 같다" "삼성은 더 이상 가고 싶은 회사 1위도 아니다"라는 목소리가 쏟아져 나오고 있다. 삼성의 한 고위 임원도 "좋은 제품을 더 빨리 만들어서 빨리 시장에 내놓고 소비자 선택을 받아야 한다는 '혁신 조급증'이 있었던 것은 사실"이라고 털어놨다. 박현욱 KAIST(한국과학기술원) 부총장은 "삼성이 스마트폰의 후발주자로 출발해 선두주자가 됐지만 지금까지는 제대로 가고 있는지 점검할 기회조차 없었던 것이 사실"이라며 "이번 사건을 계기로 전반적인 시스템과 나아갈 방향을 재정립해 퍼스트무버(선도자)로 도약해야 한다"고 말했다.

◇"터질 게 터져… 성공 조급증 반성해야"

11일 노트7 단종이 공식 발표되자 직장인 익명 커뮤니티인 '블라인드' 앱의 삼성 게시판에는 내부 조직 문화를 비판하는 글이 쇄도했다. 한 직원은 "노트7 사고는 너무 짧은 신제품 출시 준비 기간, 애플보다 무조건 빨라야 한다는 강박증 때문"이라며 "여건은 고려하지 않고 일정부터 못박는 회사의 조직 문화가 문제다. 언젠가 터질 일이 터진 것"이라고 지적했다. 또 다른 직원은 "노트7에 신기술은 다 넣고 싶고, 애플보다는 더 빨리 내고 싶고, 결국에는 검증은 안 하고 내놓기만 하니까 이렇게 '펑펑' 터진 것 아니냐"라고 비판했다.

'스피드'와 '혁신'에만 집착하다 정작 핵심인 '품질'을 놓쳤다는 지적도 나온다. 삼성전자의 한 간부는 "'양보다 질'이라는 이건희 회장의 제품 철학을 잊고 '무조건 빨리 하라'고 압박해 품질 테스트를 제대로 못한 것"이라고 지적했다.

문제를 일으킨 배터리 제조 과정에서도 무리한 제조 압박과 지나친 조급증이 제품 결함을 불렀다는 내부 평가가 나오고 있다. 삼성전자가 납품업체인 삼성SDI와 중국 ATL사에 노트7용 배터리를 주문하면서 "스마트폰 사용시간이 많은 사용자가 하루종일 충전 없이 쓸 수 있을 정도로 만들라"고 무리한 요구를 했다는 것이다. 전작(前作)인 노트5보다 두께와 크기는 작아졌는데도 더 오래가는 배터리를 만들라고 했다는 이야기다. 삼성 관계자는 "당초부터 기술적 한계를 뛰어넘는 무리한 요구로 배터리 제조사를 압박한 측면이 있다"고 말했다.

수직적인 조직 문화에 대한 비판도 여전하다. 뉴욕타임스는 이날 전직 삼성 직원을 인용해 "삼성전자가 군대식으로 운영되고 있다"며 "실제 기술이 어떻게 적용되는지 알지 못하는 윗선에서 지시가 내려오는 상명하복식 문화"라고 비판했다.

◇품질 대신 수익성… 품질 제일주의 퇴색

삼성전자 내·외부에서는 "그동안 지켜왔던 품질 1등의 신화가 사라지고 있다"는 목소리도 나온다. 과거 이건희 회장은 무엇보다 품질을 중요시했고 2010년 처음 '갤럭시S'를 선보일 때만 해도 품질을 최우선으로 생각했지만 지금은 품질보다는 수익성 강화가 더 중요한 경영 목표가 됐다는 것이다. 삼성전자 관계자는 "애플 신제품이 나오기 전 한 달 동안 노트7을 최대한 많이 팔아 이익을 내야 한다는 수익 지상주의가 팽배했다"고 지적했다.

삼성전자 중심의 '선택과 집중' 전략도 그룹 전체의 경쟁력을 약화시켰다는 비판도 나온다. 세계적인 경쟁력이 있는 삼성전자를 중심으로 그룹 계열사를 재편하다 보니 삼성전자의 위상은 갈수록 높아지는 반면, 삼성SDI나 삼성전기 등 부품 계열사의 경쟁력은 갈수록 약화되고 있다는 것이다. 삼성 계열사의 한 임원은 "계열사에서 신제품을 개발하려고 하면 당장 삼성전자에서 '돈 몇푼이나 번다고 그런 곳에 투자하느냐. 시키는 일이나 잘하라'는 식의 냉소적 반응이 나온 적도 있다"고 말했다. 삼성의 한 직원은 "돈 안 되는 계열사는 다 매각하는 상황에서 믿었던 스마트폰 사업까지 초유의 어려움을 겪으니 직원들의 상실감이 더 큰 것 같다"고 했다.

◇"그래도 힘내자"…재도약 결의도

위기 속에서도 재기 의욕을 다지는 분위기도 있다. 고동진 무선사업부장은 11일 노트7 단종 발표 직후 직원들에게 이메일을 보내 "모든 고객이 삼성 제품을 다시 신뢰할 수 있도록 반드시 근본 원인을 철저히 규명할 것"이라며 "시간이 걸리더라도 끝까지 밝혀내 품질에 대한 자존심과 신뢰를 되찾을 것"이라고 밝혔다.

이후 삼성전자 사내 게시판에는 고 사장을 격려하는 글이 속속 올라오고 있다. 한 직원은 "우리 모두 슬프고 힘든 일이지만 이겨내자"고 했고, 다른 직원은 "경험이 우리를 지혜롭게 만드는 것"이라며 "마음 아프지만 관계자들이 정말 힘을 내 달라"고 말했다. "단언컨대 내년에는 더 사랑받고 믿음을 주는 갤럭시로 돌아올 것이라 생각한다"는 글도 올라왔다.

삼성에 기대하는 우리 사회의 눈높이가 너무 높다는 지적도 나온다. 한 재계 관계자는 "한국 경제에서 삼성이 차지하는 비중이 워낙 높다 보니 삼성은 품질부터 수익성 향상, 주가 관리 등 모든 것을 잘해야 한다는 강박관념이 강하다"고 말했다.

출처: http://biz.chosun.com/site/data/html_dir/2016/10/13/2016101300179.html

출처: http://news.mk.co.kr/newsRead.php?no=678219&year=2016

잡코리아, 채용담당자 733명 대상 설문…"자소서에선 직무경험 스토리에 중점"

기업들이 신입사원 이력서 검토 때 가장 먼저 보는 항목은 '경력사항'인 것으로 조사됐다.
취업포털 잡코리아는 기업의 채용 담당자 733명을 대상으로 설문조사를 한 결과 이같이 나타났다고 23일 밝혔다.

채용 담당자들은 가장 먼저 보는 항목으로 경력사항(45.7%)을 가장 많이 꼽았다. 이어 이력서 사진(11.9%), 지원 직무 분야(11.3%), 전공(5.5%), 보유기술과 교육 이수사항(4.5%), 학력(4.0%), 이력서 제목(3.5%), 출신학교(2.7%) 등이 지목됐다.

이력서 검토 때 가장 중요하게 평가하는 항목도 경력사항(45.3%)이었다.

다음으로 지원 직무 분야(17.9%), 보유기술과 교육 이수사항(8.3%), 전공(7.5%), 자격증 보유 현황(3.3%) 등이 꼽혔다.

반면 가족관계(18.1%), 이력서 제목(9.8%), 출신 학교(9.7%), 이력서 사진(9.5%), 어학점수(7.0%) 등은 중요하게 평가하지 않는 항목으로 나타났다.

또 신입직 지원자들의 자기소개서 검토 때 가장 중요하게 평가하는 항목으로는 지원 직무경험 스토리를 본다는 기업이 23.6%로 가장 많았다.

다음으로 지원동기 20.6%, 입사 후 포부 11.9%, 성격의 장점 8.9%, 글의 구성 및 문장력 8.6%, 도전했던 일과 성공사례 6.8% 등이 꼽혔다.

채용 담당자들이 입사지원서 평가에 걸리는 시간은 평균 11.4분으로 집계됐다. 2014년 조사 때의 7.8분보다 3.6분이나 늘어난 것이다.

잡코리아는 최근 직무 에세이 등 서류전형 때부터 직무 역량을 검증하려는 기업들이 늘면서 검토 시간이 늘어난 것으로 분석했다.

변지성 잡코리아 팀장은 "최근 기업들이 실무능력을 갖춘 인재를 선호하는 만큼 구직자들은 입사지원서를 통해 자신이 실전형 인재라는 것을 어필하는 것이 중요하다"고 말했다.

출처: http://news.mk.co.kr/newsRead.php?sc=30000001&year=2016&no=669402&sID=501

요즘 딥 러닝(Deep Learning)이 핫합니다. 몇 년전부터 기계학습(Machine Learning)이 일반인들에게 알려지기 시작하더니, 지금은 기계학습의 한 종류인 딥 러닝이 아예 기계학습이란 단어를 대체할 듯한 기세인 듯 합니다. 특히 구글이 딥 러닝 전문가 기업인 딥 마인드(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 딥러닝 인재전쟁에 가까운 모습입니다.

페이스북 인공지능 연구소 수장, 얀 러쿤(Yann LeCun) 교수 (사진출처)

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

(업데이트) 이 글의 후속편인 Convolutional Neural Network에 대한 이해가 업데이트 되었습니다. 이 글을 읽으신 후 꼭 한번 읽어보세요!

출처 : Terry's Facebook, https://goo.gl/Yo3Tvi

딥 러닝은 사실 새로운 개념이 아닙니다. 오래전부터 있어오던 인공신경망(Artificial Neural Network, ANN)과 크게 다를 바 없죠. '인공신경망'이라고 하면 단어에서 나오는 뽀대(?) 때문인지 막 복잡한 뇌 구조가 생각하면서 꿈 같은 이야기가 펼쳐질 것 같은 느낌 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...-_-..)

파란선과 빨간선의 영역을 구분한다고 생각해보자. 그냥 구분 선을 긋는다면 아마 왼쪽처럼 불완전하게 그을 수 있을 것이다. 하지만 공간을 왜곡하면 오른쪽 같이 아름답게 구분선을 그릴 수 있다. 이처럼 인공신경망은 선 긋고, 구기고, 합하고를 반복하여 데이터를 처리한다. (사진출처: 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. 딥러닝은 이 과제를 선 긋고 왜곡하고 합하고를 반복하며 복잡한 공간 속에서의 최적의 구분선을 만들어 내는 목적을 가지고 있습니다.⁽¹⁾

그럼 어떠한 규칙으로 선을 긋고 공간을 왜곡하냐고요? 바로 데이터에 근거하는 거죠. 일단 대충 선을 긋고 그것들을 살살살살 움직여가며 구분 결과가 더 좋게 나오도록 선을 움직이는 겁니다. 이러한 과정을 최적화(optimization)이라고 하는데요, 딥러닝은 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. (사진출처)

사실 인공신경망은 1940년대에 이미 개발된 방법이었고, 1980년대에 역전파(back propagation) 방법이라는 최적화 방법이 소개되며 인공신경망 연구가 절정기애 이른 바 있습니다. 이후 인공신경망은 영상처리, 인공지능, 제어 등 다양한 분야에 적용 되었는데요, 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 옛날거자나?'라며 리젝을 하기도 했었으니까요. 그렇게 인공신경망은 사라져 갔고, 2000년 대에는 비선형 함수를 이용한 다양한 커널 방법(e.g. Support Vector Machine, Gaussian Process)들이 기계학습의 대세를 이루게 됩니다.

딥 러닝의 일등 공신, 토론토 대학의 힌톤 교수 (사진출처: 토론토대학)

모두가 인공신경망을 외면하던 암흑기 시절, 그래도 꿋꿋하게 인공신경망 외길을 걸어오던 학자가 있었으니 바로 그가 딥러닝의 일등 공신, 토론토 대학의 제프리 힌톤(Geoffrey Hinton) 교수입니다. 인공신경망이 외면받는 여러 한계들 중 대표적인 문제는 바로 최적화가 쉽지 않다는 점이었습니다. 생각해보세요. 수 만개의 뉴론들이 수 백만개의 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 산봉오리에 올라가야 하는게 목적이라고 하면, 앞만 보고 막 달려서 산 봉우리에 올랐더니 '엥? 이 산이 아닌게벼...?'라고 하면 어쩌냔 말입니다. 인공신경망은 그 구조가 워낙 복잡했기에 이런 문제가 발생했을 때 그야 말로 속수무책이었죠. (그래서 제 예전 지도교수님은 인공신경망을 'black magic'이라고도 하셨으니까요ㅎㅎ)

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 층들을 먼저 비지도학습 방법(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.

출처 : Terry's Facebook, https://goo.gl/Yo3Tvi

이 논문을 기점으로 인공신경망 연구는 새 전기가 열리게 됩니다. 특히 인공신경망은 빅데이터와 찰떡궁합이었죠. 2006년 이전의 많은 연구들이 데이터에 대한 구체적 형상 파악에 그 노력을 쏟았었다면, 이젠 그냥 어마어마한 구조의 인공신경망에 엄청난 데이터를 막 때려 넣는겁니다. 그리고선 2006년 이후 개발된 세련된 최적화 기법을 써서 몇날 며칠을 학습하면 '짜잔~'하고 최고의 결과를 내놓는다는 거죠. 딥러닝 기법은 이 후 각종 머신러닝 대회의 우승을 휩쓸며 (그것도 압도적인 성능으로...) 자신이 유아독존의 기법임을 과시했고, 현재는 다른 기계학습 방법을 통해 영상처리, 음성인식 등을 연구하셨던 분들 역시 딥러닝으로 대동단결하는 양상을 보이고 있습니다.

기계학습 관련 기업들. 이 중 Facebook, Google, Baidu 등은 모두 딥러닝에 사활을 걸고 있다. (사진출처)

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

1. Unsupervised Learning을 이용한 Pre-training

앞서 힌톤 교수가 2006년에 제안했던 것이 바로 이 방법입니다. Unsupervised learning이라고 하면 (대충 말해서) '이건 사과', '이건 고양이', '이건 사람' 이런 "가르침" 없이 그냥 사과, 고양이, 사람을 다 던져놓고 구분하라고 시키는 학습 방법인데요, 그렇게되면 아무래도 컴퓨터는 비슷한 것끼리 군집(cluster)을 찾게 되겠죠. 알고리즘은 군집화하는 과정 속에서 특이한 놈들은 과감하게 개무시(;;), 결과적으로 노이즈 감소의 효과를 얻게 됩니다. 이렇게 unsupervised learning 방법으로 데이터를 고르게 잘 손질할 수 있고, 이것을 깊은 인공신경망(=딥러닝망)에 넣으면 앞서 제기한 함정들에 훨씬 적게 빠진다는 것입니다. 이것이 바로 딥러닝의 최초 진일보였죠.

2. Convolutional Neural Network의 진화

기계학습은 data→knowledge 로 바로 학습을 진행할 수도 있지만 보통 중간 단계인 특징 추출(feature extraction)을 거쳐 data→feature→knowledge 의 단계로 학습하는 것이 보통입니다. 예를 들어 사진 속에서 사물을 인식하기 위해 픽셀 값에서 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 얼만큼 좋은 특징들을 뽑아내느냐에 따라 그 성능이 매우 크게 좌지우지 됩니다. (이는 이미지 처리 뿐만 아니라 음성 인식, 자연어 분석 등 대부분의 기계학습에 적용되는 이야기입니다.) 

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

딥러닝의 성공 요인 중 하나를 꼽자면, 예전엔 사람의 예측에 의해 뽑히던 이 특징들을 지금은 이 마저도 기계학습을 이용해 뽑는다는 것입니다. 다시 말해, 예전엔 '선들을 추출해서 학습시키면 사물인식이 잘 될거야'와 같이 사람이 먼저 이 선들을 추출하는 알고리즘을 만들어 주었는데, 이제는 특징 추출과 학습 모두가 딥러닝 알고리즘 안에 포함되었다는 것이죠. 다단계로 특징을 추출해 학습하는 Convolutional Neural Network은 현재 딥러닝의 대세로서 특히 이미지 인식에서 큰 발전을 이룩하고 있습니다.

3. 시계열 데이터를 위한 Recurrent Neural Network

딥러닝 알고리즘을 크게 세 분류로 나누자 대략적으로 다음과 같이 나눌 수 있습니다.

- Unsupervised Learning을 기반으로 한 방법
  (e.g., Deep Belief Network, Deep Auto-encoder)

- Convolutional Neural Network의 다양한 변형들

- 시계열 데이터를 위한 Recurrent Neural Network와 게이트 유닛들
  (e.g. 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 변하고... 이러한 시계열 데이터에서 탁월한 성능을 보여주는 딥러닝 방법이 바로 Recurrent Neural Network (RNN) 입니다. RNN은 매 순간마다의 인공신경망 구조를 쌓아올렸다고 생각하시면 되는데요, 예를 들면 100초면 100개의 인공신경망을 쌓아올린거죠. (그래서 딥러닝 중에 가장 깊은 구조라고도 불립니다.)

예전의 RNN은 인공신경망이 너무 깊어서 오랜 시간 전의 데이터들을 까먹는 현상(vanishing gradient problem) 때문에 학습이 힘들었는데요, Jurgen Schmidhuber 교수의 Long-Short term Memory (LSTM) 이란 게이트 유닛을 각 노드마다 배치하여 이러한 문제를 극복, 현재는 Convolutional Network의 가장 강력한 경쟁 상대로 자리매김하고 있습니다.

매 순간의 인공신경망을 쌓아 올린 Recurrent Neural Network (사진출처)

4. GPU 병렬 컴퓨팅의 등장과 학습 방법의 진보

사실 예전엔 '많은 데이터로 가지고 이렇게 저렇게 하면 아마 잘 될거야...'라는 생각들은 가지고 있더라도 그것을 구현하는 것이 쉽지 않았습니다. 잘 될지 안될지도 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(e.g. CuDA)들이 개발되며 딥러닝은 그 컴퓨팅 시간이 수십분의 일로 줄어 들었습니다.

연구에 사용할 수 있는 데이터 풀도 많아져 예전엔 기껏해야 몇 만개의 손 글씨 데이터(e.g. MNIST)가 전부이던 것이 지금은 천 만장의 고해상도의 사진들(e.g. 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 Drop-out의 발견이 딥러닝의 성능을 크게 향상 시켰답니다. 이러한 잔기술(?)에 대해서도 할 얘기가 많지만 깊은 얘기는 언젠가 또 해드리도록 하죠. ('언젠가 밥 한번 먹자'와 비슷 한 얘기입니다..;;)

구글은 2012년 1000대의 컴퓨터로 1000만 개의 유튜브 이미지를 딥러닝으로 분석해 사람과 고양이를 구분해 냈다. 내게도 컴퓨터 지원 좀 해달라... (출처 : Q. Le)

지금까지 딥러닝에 대해 알아봤습니다. 요약하자면 딥러닝은 사실 오래 전부터 있어오던 인공신경망과 크게 다를 바 없지만 알고리즘적인 발전과 하드웨어의 발전, 그리고 빅데이터의 힘에 의해 현재 최고 성능을 가진 기계학습 방법으로 평가받고 있으며, 미래 인공지능의 희망으로 떠오르고 있다는 이야기였습니다.

그렇다면 딥러닝 말고 다른 기계학습 방법들은 모두 사라져야 하는 걸까요? 물론 그것은 아닙니다. 일단 딥러닝은 많은 양의 데이터와 많은 컴퓨팅 자원을 필요로 합니다. (저도 이번에 80만원짜리 GPU를 구매...ㅠ) 따라서 핸드폰이나 웨어러블과 같은 포터블 기기는 이러한 컴퓨팅이 불가능할테니 딥러닝을 적용하기 쉽지 않겠죠. 또한 로봇과 같이 실시간성(real-time)이 보장되어야 하는 분야 역시 다른 기계학습 방법을 취하는게 좋을 수도 있을 것입니다. (이건 마치 컴퓨터엔 윈도우, 핸드폰엔 안드로이드와 같은 맥락이라 할 수 있죠.)

하지만 그렇다고 딥러닝이 이들 분야와 무관하냐하면 꼭 그렇지만은 않습니다. 여러분이 컴퓨터가 좋아서 구글 검색 결과가 좋나요? 다 구글 서버에서 알아서 처리해주니 그런거지요. 딥러닝도 마찬가지로 만약 디바이스가 사물인터넷을 이용해 머리 좋은 서버와 잘 교신한다면 포터블 디바이스 역시 딥러닝의 은총을 받을 수 있을 것이라 생각합니다. 특히 구글이 로봇의 미래라 생각하는 클라우드 로보틱스를 구현한다면 여러 로봇이 집단 지성을 발휘하며 문제를 해결해 나가는 것을 미래에 볼 수도 있겠지요. (참고: "구글의 새 로봇 수장, 제임스 커프너는 누구인가")

딥러닝, 인공지능의 가장 희망적인 미래임은 분명합니다. 이 분야와 관계 없으시더라도 여러분도 아마 공부 좀 하셔야 할걸요? ^^ 앞서 말씀드렸듯 이 글의 후속편인 Convolutional Neural Network에 대한 이해도 꼭 한번 읽어보세요!

(1) 쉽게 말씀드리려고 제가 딥러닝과 classification 문제를 섞어서 말씀드린 건데요, 사실 딥러닝은 real-value를 다루는 regression문제에도 적용될 수 있습니다. 

* T-Robotics의 글은 facebook과 rss reader로도 받아보실 수 있습니다.

[facebook] http://facebook.com/trobotics

[rss] http://t-robotics.blogspot.kr/feeds/posts/default

출처: http://t-robotics.blogspot.kr/2015/05/deep-learning.html?m=1

구글인사책임자가 말하는 일의 의미를 찾는 법. 와튼스쿨의 최연소 종신교수인 애덤은 한 대학의 기부금 모집 콜센터 직원들을 대상으로 실험을 했다. 직원들의 일은 미래에 기부자가 될 만한 사람들에게 전화를 걸어 기부금을 요청하는 일이었고, 기부금은 장학금으로 사용되고 있었다. 애덤은 이 직원들을 세 그룹으로 나누었다. A그룹:  주어진 일을 이전처럼 그냥 함. B그룹:  일을 함으로써 얻을 일 수 있는 개인적인 혜택을 알려줌. “ 기부금을 유치하면,  돈도 더 벌고 승진도 할 거야. ” C그룹:  유치한 기부금을 장학금으로 받은 학생의 변화 사례를 읽게 함. 결과는 어떠했을까? 결과는 어떠했을까? C그룹은 1주 동안  9건에 그쳤던 기부 약속을 무려  23건이나 받았다.  155% 향상된 것이다. 애덤은 생각했다. 변화 사례를 본 것만으로도 직원들의 성과가 달라진다면 실제로 ‘그 주인공’ 을 만났을 때, 성과 차이는 더 커지지 않을까? 추가 실험에 들어갔다. 콜센터 직원들 가운데 한 그룹을 더 선정해 장학금 수혜자이자 성공한 주인공을 직접 만나 5분간 질문하는 자리를 마련했다. 결과는 놀라웠다. 다음달,  이 그룹의 기부금 모집 성과는 무려 4배 이상 늘어났다. 애덤은 다른 업무 영역에서도 이와 비슷한 결과가 나타나는 것을 확인했다. 생명을 구한 이야기를 들은 인명구조원들이 업무 집중도와 적극성에 있어  21% 향상된 것이다. 입사희망 기업 1위 구글은 이러한 연구결과를 잘 활용하는 대표적인 기업이다. [폴본드부츠]라는 한 기업이 보다 적극적인 광고를 하고자  구글을 찾아왔다. 구글팀의 도움을 받아 광고를 시행한 결과 이 회사의 매출은 약 20% 향상되었다. [폴본드부츠]는 고마움의 뜻으로 ‘더 큰 세상과 연결됐다!’ 는 메시지가 담긴 피드백 영상을  구글에 보내왔고, 구글 인사팀은 이 영상을 전 직원들과 공유했다. “우리는 온 몸에 전율을 느꼈고, 높은 사명의식으로 고양되었습니다. ‘마법에 빠진 순간’ 같았어요!” 라즐로 복 (구글 인사책임자) “사람은 누구나 마음속으로 자기가 하는 일에서 의미를 찾고자 합니다. 의미를 찾는 가장 좋은 방법은 자기가 돕는 사람을 직접 만나는 것입니다. 직접 만남은 돈을 벌고 경력을 쌓는 것을 초월한 ‘일의 의미’를 선사합니다. 단 몇 분을 만난다 해도 이보다 더 좋은 동기부여 방법은 없습니다. 방향을 잃은 것 같나요? 지쳐 있나요? 그 때마다 이렇게 하세요. 직접 보세요. 직접 만나세요.” 지도 밖 길을 걷는 체인지메이커들의 이야기, 체인지 그라운드

출처: http://www.bloter.net/archives/263353

자, 이제부터는 면접을 볼 때 이렇게 외치고 들어가라. 

“나는 10명 중에 8명의 생각을 가지고 있다!” “나는 상식적인 사람이다!” 비상식적인 사람은 무조건 탈락이다. 조직에서는 상식적인 사고를 강조한다. 즉 회사에서는 여러분이 상식적인 사람인가를 알고 싶어 하는데, 그만큼 회사가 보기에는 비상식적으로 보이는 인간들이 적지 않다는 이야기다.  

본부장은 여러분이 최소한 3일은 짚어봐야 한다고 본다. 혹시 남들이 봤을 때 상식에 어긋나는 말이나 행동을 하고 있지는 않은지, 회의 중에 혼자 다리를 떨고 있지는 않은지, 처음 보는 사람과 얘기할 때 말 끄트머리가 어느 순간 반 토막 나는 사람은 아닌지. (의외로 자기가 그러는 줄 모르는 사람들 많다.) 

이걸 확인하는 가장 손쉬운 방법이 뭐가 있을까? 주변 친구나 가족들에게 너의 성향을 물어보는 것이 가장 빠르다.  넌 일반적이지 않다거나, 넌 참 독특하다거나. 만에 하나 친구나 가족들에게 이런 대답이 나온다면, 좋은 의미로 말한 것이라고 해도 면접에서는 위험하다고 본다. 

그런데 여러분은 정반대로 생각하더라. 대부분 회사에서 튀는 사람을 좋아할 거라고 생각하더라만, 혼자만의 착각이다. 면접관은 이미 여러분이 젊다는 걸 알고 있다. 튀어봤자 별로 감흥이 없고, 몇 번을 말하지만 차라리 어른스러운 게 낫다. 물론 과거에는 남과 다른 것이 어필을 하던 때도 있었다. 고 정주영 회장이 신입 사원 이명박을 보고 열정 있다고 좋아했다다는데, 지금은 이렇게 말한다. “열정 같은 소리 하고 있네.” 열정, 물론 필요하다. 무늬만 열정이 아닌, 본부장이 1부에서 말한 근원적 성취욕 말이다. 또 그런 일반적이지 않은 사고와 발상에서 창의력이 나오는 것을 본부장도 모르지는 않는다. 하지만 그건 어디까지나 없는 시장을 만들 때 필요한 것이다. (여러분이 저커버그도 아니고.) 여러분이 면접을 통과해서 일하게 될 회사는 어떨까? 여러분에게 없는 시장을 만드는 중책을 맡기려고 뽑는 걸까? 절대 아니다. 이미 있는 시장에서 열정적으로 뛰어다닐 인재를 뽑는 것이다.  

본부장이 솔직히 하는 이야기다. 까놓고 본부장이 여러분한테 멋있어 보이겠다고 마음먹으면, 창의적인 아이디어를 가지라고 말할 수도 있지 않겠는가? 그런데 현실이 그렇지가 않다. 회사에서는 어디까지나 상식적인 수준에서의 열정을 필요로 하는 것이지, 과거와 같이 톡톡 튀는 열정을 요구하는 게 아니다.  한마디로 열심히 일하면서도 실수하지 않는 사람. 창의적인 아이디어로 면접관들에게 스스로를 어필하기 이전에, 스스로에게 이 질문을 먼저 해야 한다는 걸 명심하기 바란다. 

내 정신 상태가 지극히 상식적이고 정상적인가? 그 다음에라야 면접의 그라운드로 나올 수 있다. 

[정민우 제이앤컴퍼니 부사장]

출처: http://uberin.mk.co.kr/read.php?sc=51400001&year=2016&no=619864

출처: http://uberin.mk.co.kr/read.php?sc=51400001&year=2016&no=614244

직장인 10명 중 9명은 직장에서 말실수로 곤란을 겪은 적이 있다는 설문조사 결과가 나왔다. 

구인구직정보를 제공하는 벼룩시장구인구직이 자사 소셜네트워크를 방문한 직장인 890명을 대상으로 직장인들의 말실수에 대해 설문조사를 진행한 결과, 89%가 ‘직장에서 말실수로 곤란을 겪은 적이 있다’고 답했다. 

직장에서 가장 많이 한 말실수 유형으로는 상사·동료·후배·회사 등의 뒷담화 실수가 27.6%로 가장 많았다. 다음으로 ‘잘못된 단어 사용으로 인한 실수’(26.5%)가 근소한 차이로 뒤를 이었으며, ‘호칭실수’(15.7%), ‘할 말이 없거나 끼지 말아야 할 상황에서의 말실수’(14.6%), ‘상대방의 자존심을 건드리는 말실수’(10.3%), ‘욕설·비속어 실수’(5.2%) 순이었다. 

주로 말실수를 많이 하는 상대는 ‘직속 상사’(51.2%)라는 응답이 가장 많았다. 

그렇다면 직장인들이 직장에서 말실수를 하는 가장 큰 이유는 무엇이라고 생각할까? 

41.8%의 직장인이 ‘성격이 급해 한 번 더 생각하고 말하지 못해서’를 꼽아 가장 많은 응답을 얻었다. 이어 ‘상대방에 대한 안 좋은 감정이 무의식 중에 말로 나와서’(30.1%), ‘직장생활을 지나치게 잘 하려고 하는 욕심 때문에’(15.3%), ‘말 주변이 없어서’(8.5%), ‘상대방의 말 뜻을 잘 이해하지 못해서’(4.3%) 순으로 나타났다. 

직장에서 말실수를 하는 사람을 보면 어떤 생각이 드는지에 대한 질문에는 54.2%가 ‘안타깝다’고 답했다. ‘오히려 인간적으로 느껴진다’는 응답도 14.8%를 차지했다. 

[디지털뉴스국]

출처: http://news.mk.co.kr/newsRead.php?no=608888&year=2016