4차산업혁명 시대의 핵심기술 3. 인공지능 AI
안녕하세요 소너본입니다.
이번에는 4차산업혁명 시대의 핵심기술 3. 인공지능 AI 에서 대해 알아보도록 하겠습니다.
1. 인공지능 Artificial Intelligence (AI)
음성 비서에서 동영상 스트리밍 포털에 이르기까지, 집에서나 산업 현장에서나 인공 지능(AI)이 점점 더 많이 사용되고 있습니다. 그렇다면 인공 지능이란 무엇이고, 미래에 사람들을 위해서 어떤 역할을 할까요?
인공 지능은 정확히 무엇을 의미할까요? 인공 지능은 인간의 지능적인 행동을 어떻게 기계 시스템에 적용할 수 있을지 연구하는 컴퓨터 과학의 한 분야입니다.
인공지능(AI)에 대한 초기 정의는 창시자 중 한 명인 마틴 민스키(Martin Minsky)의 정의로, '기계가 사람처럼 지능이 필요한 일을 하도록 만드는 과학'이라고 서술했습니다. 오늘날에도 핵심은 그대로 유지되지만 현대의 컴퓨터 과학자들은 좀 더 나아가 AI를 '환경을 인지하고 목표를 성공적으로 달성할 가능성을 극대화하도록 조치를 취할 수 있는 시스템'으로 정의합니다. 또한 시스템이 데이터 해석 및 분석을 통해 학습하고 적응하는 능력이 있다고 정의합니다.
인공지능이라는 용어는 1956년 뉴햄프셔주 하노버 소재 다트머스대학교(Dartmouth University)에서 열린 과학 컨퍼런스에서 만들어졌습니다. 이후 AI와 데이터 관리는 매우 상호 의존적인 방식으로 발전했습니다. AI가 유의미하고 강력한 분석을 수행하기 위해서는 대량의 빅데이터가 필요합니다. 대규모 데이터를 디지털 방식으로 처리하려면 시스템에 AI가 필요합니다. 오랜 시간동안 인공지능은 침체기를 겪었습니다.
하지만 2016년 알파고를 통해 인공지능이 전 세계의 관심을 끌게 되었다. 인공지능은 오랜 침체기를 거쳐 클라우드 컴퓨팅 환경의 급속한 발전과 빅데이터가 뒷받침되어 딥러닝이 구현되는 극적인 돌파구가 열리면서 전환기를 맞았다. 이제 인공지능은 4차 산업혁명의 핵심 요소로 떠올랐습니다.
2. 머신러닝과 딥러닝
인공 지능(AI)의 역사에서 배울 수 있는 것은 이것만이 아닙니다. 인공 지능의 진화를 보면, 모든 것을 포괄하는 인공 지능 같은 것은 없습니다. 그보다는, 인공 지능은 서로 밀접하게 연관되고 연결된 다수의 기법과 기술들의 집합이라고 할 수 있습니다.
가장 잘 알려져 있는 두 기술이 머신러닝과 딥러닝이며, 딥러닝은 머신러닝의 하위 분야라고 할 수 있습니다.
머신러닝에서는 알고리즘이 “경험”, 즉 샘플 데이터를 기반으로 지식을 획득합니다. 시스템이 중요 특징을 찾아내고 통합하여 알려지지 않은 데이터에 적용할 규칙을 스스로 설정합니다. 머신러닝의 한가지 예로 동영상 포털의 추천 기능을 들 수 있습니다. 동영상 추천에 대한 사용자 반응을 분석하기 때문에 추천 기능이 나날이 향상되고 있습니다.
딥러닝은 사물이나 데이터를 군집화 하거나 분류하는데 사용되는 기술적 방법론으로 심층 신경만을 이용한 기계학습을 말합니다.
딥러닝은 대량의 데이터(빅데이터) 분석을 기반으로 합니다. 시스템이 다양한 출처의 디지털 정보를 분류하고 가려냅니다. 학습 프로세스가 모든 데이터를 동시에 사용하지는 않지만 계속해서 새로운 정보 모음을 사용합니다. 목표는 학습한 내용을 분류하고 파악하는 것입니다.
딥러닝의 핵심은 인공지능이 사람처럼 학습하도록 프로그램 되어있다는 것입니다.
알파고는 프로바둑 기사들의 착수 전략을 바탕으로 학습을 시작했습니다. 프로 기사의 기보 16만개 기보를 바탕으로 3,000만 가지의 바둑판 상태를 추출하여 이를 단 5주만에 학습하였습니다. 알파고는 이를 바탕으로 128만번의 자체 대결을 통해서 기력을 늘릴 수 있었습니다.
3. 인공지능의 활용
1) 인공 지능을 활용한 얼굴 인식
인공 지능(AI) 활용의 한 사례가 얼굴 인식입니다. 얼굴 인식 기능은 일상 생활에서 점점 더 많이 사용되고 있습니다. 카메라로 스마트폰 잠금 해제를 할 때 AI가 사용된다는 사실을 아는 사용자는 많지 않습니다. 이것이 사람한테는 쉬워 보일지 모르나, 기계한테는 쉽지 않은 일입니다. 얼굴 인식을 하기 위해서 사진의 점들을 비교하는 것이 아니라 다수의 사진들로부터 생성된 연산 모델을 사용합니다. 이 모델을 사용해서 조명이 다르거나 안경을 쓰고 있을 때 등 다양한 조건에서도 사용자를 인식할 수 있습니다.
Apple의 얼굴인식(Facial Recognition) 기술 개발은 2011년으로 거슬러 올라가는데요. ‘얼굴인식 기술을 이용한 모바일 디바이스의 잠금과 잠금 해제(Locking and Unlocking a Mobile Device using Facial Recognition)’라는 기술을 2011년 3월 16일에 미국특허청에 출원해(13/049,614), 2012년 9월 20일에 공개되고(20120235790), 2015년 3월 31일에 특허(8,994,499)를 취득했습니다.
2016년에 Apple은 이모티언트(Emotient)와 리얼페이스(RealFace)라는 2개 기업을 인수했는데, 기존의 이 얼굴인식 기술이 향후 대단할 것으로 판단해 청구항을 수정한 것으로 보입니다. 지문인식과 함께 얼굴인식이 차세대 대안으로 떠오를 수 있다는 것을 간파한 것입니다. 특히 청구항 24번을 보면 하나 이상의 프로세서가 등장하고 하나 이상의 센서가 등장하며 하나 이상의 이미지가 나타나지 않을 때 자동으로 잠근다고 기술하고 있는데, 이는 센서 융합 알고리즘입니다.
Apple은 더 나아가 사람의 얼굴인식+출현인식+모션인식에 뉴럴 네트워크 알고리즘을 융합해 Mac이 절전모드(Reduced power mode)에 있을 때 사용자가 출현하면 자동으로 켜는 기술을 개발하고 있습니다. 특히 카메라와 근접 센서 등 센서 융합(Sensor fusion) 알고리즘과 감지(검출) 로직(detection logic)은 뉴럴 네트워크를 사용하는데, 벡터 머신(vector machines)과 알고리즘 베이스의 확률적 기계 학습을 지원해 사람이 출현했는지를 결정하는데, 컴퓨터와 사람의 출현 거리인 한계거리(Threshold distance)를 정해 이 한계거리 내에서 센서들이 인식이 되면 컴퓨터를 자동적으로 켤 수 있다고 기술하고 있습니다.
Face ID의 핵심은 트루뎁스(TrueDepth) 적외선 카메라인데, 이는 Apple이 2013년 11월 17일에 이스라엘 기업인 프라임센스(PrimeSense)를 3억4천500만 달러에 인수한 결과로, 프라임센스가 트루뎁스 카메라를 개발하는데 지대한 공헌을 했다.
프라임센스는 3D 센싱(Sensing) 기업으로 3D 환경, 즉 3차원 증강현실과 가상현실(3D AR/VR)을 구축하는 원천기술을 확보했다. 3D 동작을 감지하는 칩(Chip)이 주특기입니다. 마이크로소프트(MS)의 동작인식 기술인 키넥트(Kinect)와 유사합니다. 프라임센스는 또한 페이스북이 2014년 3월 25일에 20억 달러를 주고 인수한 헤드마운티드 디스플레이(HMD) 베이스의 VR을 구축하는 오큐러스 리프트(Oculus Lift)와도 유사합니다. 페북은 오큐러스 리프트를 이용해 차세대 3차원 게임, 3차원 스포츠, 3차원 원격 교육, 3차원 원격 진료에 활용하고자 합니다.
특히 프라임센스의 3D AR/VR 원천 기술과 헤드셋(headset) 기술이 오늘날의 Face ID를 낳게 했습니다. 프라임센스의 해당 기술은 적외선을 이용해 트루뎁스(TureDepth) 카메라나 스캐너에 적용할 수 있는 기술로, 개발은 2012년으로 거슬러 올라간다. 2012년에 가출원하고(61/598,921), 2013년에 공개되고(20130207970), 2017년 5월 16일에 특허를 획득했습니다. 특허의 요약을 보면 장면(얼굴, 몸, 손, 사물, 배경 등)의 수많은 점들(spots)로 향하는 적외선 빛의 일련의 파동을 가진 빔을 방출하는 송신기(transmitter)가 있고, 그 다음 반사되어 오는 빛을 수신하는 수신기(receiver)가 있는데, 이때 수신기는 반사되어 오는 빛의 파동 여행 시간(a time of flight of the pulses)을 나타내는 데이터를 생성합니다. 그 다음 프로세서가 수신기에서 출력한 데이터를 프로세싱해 장면을 3차원 맵으로 그려냅니다.
이처럼 많은 기업들이 인공지능 칩에 도전하고 있습니다. 그러나 인공지능 칩은 많은 자본과 규모가 필요함으로 몇몇 기업들은 과거에도 그렇듯이 실패할 것이고 Apple과 같이 그 동안 지식과 노하우를 축적한 기업들은 성공할 가능성이 높습니다.
2) 인공 지능을 활용한 물류 간소화
인간은 지난 수십 년 넘게 공장과 창고에서 로봇들과 함께 일해 왔습니다. 협동 로봇(코봇)은 단순 작업을 지치지 않고 계속해서 반복할 수 있습니다. 코봇은 공장의 생산 라인에서 사람들과 함께 작업할 수 있으며, 기존의 산업용 로봇들처럼 더 이상 보호 장치를 사용해서 사람 작업자들로부터 차단되어 있지 않습니다. 산업용 로봇과 비교해서 크기가 더 작고, 좀더 유연하게 사용할 수 있으며, 더 손쉽게 프로그래밍할 수 있습니다.
로봇은AI 기반의 이미지 감지 시스템을 사용해서 주문한 상품을 배송할 수 있습니다. 미국에서는 코봇이 과일이나 야채가 얼마나 신선한지 판단하고 사전에 정해진 품질 요건을 충족하는 상품만 출하하도록 하고 있습니다.
유통회사나 배송회사는 온라인으로 주문한 상품을 되도록 신속하게 배송하기 위해서 업무 효율을 계속해서 향상시켜야 합니다. 그러기 위해서 물류 창고에 자율 운반차가 널리 사용되고 있습니다. 인공 지능으로 이러한 차량들이 안전하게 이동할 뿐만 아니라 스스로 가장 빠르고 짧은 경로를 취할 수도 있습니다.
물류산업에서 인공지능(AI)을 비롯한 디지털 신기술을 활용해 혁신을 꾀하는 움직임이 커지고 있습니다. AI를 비롯한 디지털 신기술은 물류 분야에서 인간의 개입과 상황판단에 의존해 온 작업을 대신할 수 있는 수단으로 주목받고 있습니다. 로봇·자율주행트럭·드론 등을 활용한 배송이나 운송, 보관 등의 무인화를 포함하는 '스마트 물류 시스템' 영역의 활용을 위한 연구개발과 실험이 활발합니다. 단순 반복 작업을 대신하는 로봇프로세스자동화(RPA), 서비스비용·수요 예측과 배송경로 최적화, 예측 기반 선제적 대응체계 구축 등 '물류 시스템 운영' 측면의 활용은 실용화 사례가 확산되는 추세입니다.
◇ DHL·UPS부터 아마존·우버까지…AI 응용 실험 나선 물류산업
DHL은 보고서를 통해 AI를 활용한 물류 창고 운영 자동화 방안을 제시했는데요, 드론, 카메라, AI 기술을 접목해 실시간으로 물류 창고 내 재고를 모니터링하고 사람을 대신해 물류창고 내 화물을 로봇이 이동시키는 등의 시나리오를 담고 있습니다. 이에 더해 물류창고로 입고되는 상품을 AI 사물인식으로 분류해 분류 속도·효율을 높이고 자연어기반 대화형 AI를 활용해 물류창고 작업자가 물류 정보를 실시간으로 빠르게 파악할 수 있도록 지원하는 아이디어도 선보였습니다.
아마존이 지난 2012년 인수한 키바시스템즈(KIVA Systems)가 물류창고 내 자동화 설비로 물류로봇을 본격적으로 도입한 기업의 사례입니다. 아마존의 물류창고에 이 회사의 물류로봇이 널리 활용된 이후 소형 무인운반차량(AGV) 로봇과 이동식 창고 선반을 결합한 물류창고로봇이 개발돼 물류 현장에 확산하고 있다. 자율이동로봇(AMR) 개발사인 로커스로보틱스(Locus Robotics)와 이커머스 플랫폼업체 쇼피파이에 인수된 식스리버시스템즈(6 River Systems) 등은 기존 물류창고 내 고정식 선반을 그대로 활용하는 AMR 형태의 로봇을 고도화하고 있습니다. AGV와 AMR는 모터와 바퀴로 움직이는 단순한 형태지만, 다양한 환경에서 이동경로 데이터를 확보하고 주문·창고 상황에 따라 경로를 스스로 최적화·변경하는 AI 기술이 함께 활용되기 시작했습니다.
물류창고와 같은 공간 내 설비 자동화뿐 아니라, 물류 운영 자동화에 필요한 전산시스템과 데이터의 효율적인 처리를 위해 AI를 활용하는 방안이 함께 주목받고 있습니다. 제조업과 달리 물류산업은 여러 기업이 협력해 서비스를 제공하는 방식이 일반적입니다. 물류 서비스 처리를 위한 기업간 거래가 빈번하고 다수의 서류 작업이 수반됩니다. PDF나 엑셀 파일을 이메일로 전달하고 그 내용을 컴퓨터에 다시 입력하는 과정으로 서류가 처리되는 경우가 많은데, 이런 방식은 단순 수작업으로 이뤄져 생산성을 떨어뜨리는 원인이 되기도 합니다.
AI 기술을 활용한 RPA 기술이 이미지 인식 기능을 중심으로 서류 처리와 데이터 입력 과정을 자동화하는 데 이용되고 있습니다. 담당자가 수작업으로 서류를 처리하지 않아도 유아이패스(UiPath), 오토메이션애니웨어(Automation Anywhere), 블루프리즘(Blue Prism) 등 RPA 솔루션 기업의 기술로 서류의 정보를 분석하고 필요한 데이터 입력이나 처리를 자동화하는 것입니다. 매번 조금씩 변경되는 문서의 유형이나 맥락을 다루기 위해 담당자가 개입할 필요 없이 처리를 자동화하는 데 RPA의 AI 기술이 유용합니다. 이는 기존 문서 데이터 처리 자동화에 쓰인 '광학문자인식(OCR)' 기술과 차별화되는 지점입니다.
운송 수요예측과 운송·배송 경로 최적화에도 AI 기술이 활용됩니다. 글로벌 모빌리티 기업 우버(Uber)의 화물운송 중개 디지털플랫폼인 '우버 프라이트(Uber Feight)' 서비스는 AI 기술로 화주에게 특정 시점 이후의 서비스 구간별 요금을 예측해 주는 '레인 익스플로러(Lane Explorer)'를 제공합니다. 우버 프라이트의 경쟁 플랫폼인 '컨보이(Convoy)'도 AI 기술로 학습된 서비스 요금 예측 가격을 반영한 신속 견적 산출 서비스인 '쉬퍼(Shipper) 2.0'를 제공하기 시작했습니다. 글로벌 택배 기업 UPS는 2012년 배송경로 최적화를 위해 '오리온(ORION)' 시스템을 도입하고 배송트럭 비용 절감에 활용해 왔습니다. 2019년에 오리온의 배송 경로를 트럭 내비게이션에 실시간으로 전달하는 'UPSNav' 시스템을 도입해 비용 절감 효과를 극대화하고 있습니다.
3) 로봇의 인공 지능 활용
요양 시설 같은 곳에서 휴머노이드 로봇을 보기는 아직은 어렵습니다. 비용 상승이나 요양사 인력 부족 같은 문제 때문에 앞으로 환자나 노인 돌봄을 위해서 이러한 로봇의 사용이 점점 늘어날 것입니다.
인공 지능은 음성과 동작으로 환자와 상호작용할 수 있는 기반을 만듭니다. 가장 어려운 과제는, 사람의 얼굴 표정과 목소리 톤에서 사람의 감정을 안정적으로 파악하는 것입니다. 이렇게 할 수 있어야만 휴머노이드 로봇이 사람들에게 적절히 반응할 수 있습니다. 이에 관한 연구들이 진행되고 있습니다.
2019년 1월 31일 프랑스 파리 근교의 요양 시설 EHPAD에는 특별한 신입 요양사가 들어왔습니다. 키가 58㎝인 휴머노이드 로봇 '조라'였는데요. 조라는 프랑스 로봇 개발업체 알데바란 로보틱스가 개발한 인간형 로봇 몸체에 벨기에 업체 '조라봇'이 개발한 소프트웨어를 장착한 돌봄 전문 로봇이었습니다. 간단한 재활 치료 동작을 시범 보이거나, 노인의 표정을 읽고 노래를 부르며 재롱을 피웁니다.
프랑스 요양 시설 관계자는 현지 언론 인터뷰에서 "노인들은 마치 아이를 다루듯 조라를 품에 안고 대화를 나눈다"며 "특정 환자에게 약 먹을 시간이 됐다는 점을 알려주는 등 요양사의 보조 역할까지 톡톡히 수행한다"고 말했습니다.
조라는 실제로 혈압을 재거나 피를 뽑는 의료 행위를 하지는 못 하지만 인공지능(AI)을 통해 가족과 떨어져 쓸쓸하게 지내는 노인들의 외로움을 달래주고 의료진의 업무 부담을 줄여주고 있습니다. 조라봇 관계자는 "고령화 사회에서 노인들의 곁을 지켜주는 '간병 로봇'에 대한 수요는 더욱 많아질 것"이라고 말했습니다. 실제로 이 로봇은 한 대당 1만 8000달러(약 2030만원)의 고가지만 미국·중동·아시아 등 전 세계 요양 시설에 1000여대가 팔려나갔습니다.
전 세계 고령 인구가 빠르게 증가하면서 노인을 위한 첨단 기술이 주목받고 있습니다. 유엔(UN) 자료에 따르면 전 세계 60세 이상 인구는 2017년 9억6000여만명에서 2050년 21억명으로 늘어날 것으로 예측됐습니다. 이런 고령 인구 증가와 함께 돌봄·간병 로봇을 포함한 스마트 헬스케어 시장(첨단 기술을 활용한 건강관리·치료)이 2014년 466억달러(약 52조원)에서 2022년에는 무려 2255억달러(약 254조원)로 급팽창할 전망입니다.
◇초고령 사회 일본, 간병 로봇 기술 급진전
2017년 일본의 고령 인구는 전체 인구의 27.05%였다. 전 세계에서 고령화 인구 비율이 가장 높은 국가입니다. 급격하게 늘어나는 고령 인구 때문에 일본 간병 인력이 현재 130만명에서 2030년 860만명으로 늘어날 전망입니다. 부족한 간병 인력 문제를 해결해줄 간병 로봇 시장이 빠르게 커지고 있습니다. 일본에는 간병 로봇 개발업체만 100여 곳에 이르고 벌써 15개 이상이 실제로 판매되고 있습니다. 소니의 '아이보', 소프트뱅크의 '페퍼' 등 대기업의 로봇들도 간병 기능을 탑재하고 있습니다.
4) BBI보험
인공지능(AI) 기술을 기반으로 운전습관을 분석해 보험료를 산정하는 ‘BBI(Behavior-Based Insurance)’ 자동차보험이 2022년 국내에서 첫선을 보였습니다. 국내 보험사들이 갈수록 높아지는 차보험의 손해율(보험료 수입 대비 보험금 지급 비율)을 잡기 위해 AI 기술을 적극 도입하고 있는 것인데요. 미국에선 전기차 회사 테슬라가 이런 식으로 보험료를 최대 60% 깎아주고 있습니다.
BBI 보험은 차량 내 카메라와 센서 등을 통해 수집한 운전습관을 AI 알고리즘으로 분석해 보험료를 산정하는 새로운 개념의 차보험입니다. 구체적으로 앞차와의 거리, 차로 이탈, 신호 위반 여부, 급가속, 급제동 횟수 등의 정보를 수집한 뒤 이를 빅데이터 분석 알고리즘에 투입해 ‘안전점수’를 산출합니다. 안전점수가 높은 가입자에겐 보험료 할인 등의 혜택을 주고 점수가 낮은 가입자에겐 보험료를 할증하는 식입니다.
이는 위성위치확인시스템(GPS)으로 수집한 주행거리, 주행시간 등의 정보로 보험료를 정하는 ‘UBI(Usage-Based Insurance)’ 보험에서 훨씬 더 진화한 형태입니다. 국내 대표적인 UBI 보험으로 캐롯손보의 ‘퍼마일자동차보험’이 있습니다. GPS 장치인 ‘캐롯플러그’를 이용해 주행거리만큼 보험료를 후불로 내는 방식입니다. UBI 보험도 안전운전에 대한 인센티브를 제공하지만 GPS가 실제 운전자의 행동이 아닌 차량의 주행 정보만 파악한다는 한계가 있습니다.
해외에서는 테슬라, 제너럴모터스(GM) 등 자동차 기업들이 앞다퉈 BBI 차보험 시장에 뛰어들고 있습니다. 테슬라는 2021년 10월 자사 차량에 달린 영상 인식 센서를 이용한 BBI 보험을 미국 텍사스주에서 처음 선보였습니다. 가입자의 실시간 운전행태를 파악해 ‘보통’ 이상의 안전 점수를 받으면 보험료를 20∼60% 할인해주는 방식입니다.
국내 손보사들도 AI를 통해 보험 가입자의 운전습관을 정확하게 파악하면 불필요한 보험금 누수를 막고 고객의 안전운전을 유도하는 일석이조의 효과를 볼 것으로 기대하고 있습니다. 손보사 관계자는 “보험사는 AI를 활용해 합리적으로 보험료와 보험금을 산정할 수 있고, 고객들은 안전운전 습관을 기르고 보험료 할인 혜택을 받을 수 있어 ‘윈윈’”이라고 했습다.
미국의 인슈어테크 기업 젠드라이브(Zendrive)는 BBI 보험이 운전자의 운전습관을 개선해 사고 가능성을 최대 49%까지 줄일 수 있다고 분석했다.
5) RPA 도입사례
실제로 글로벌 주요 금융사들은 내부 업무 프로세스에 RPA를 도입해 업무 처리의 효율성을 높이고 있습니다. 스위스의 대표 보험회사인 취리히보험그룹이 대표적입니다. 취리히보험그룹은 사내 컴퓨터에 PRA소프트웨이를 설치해 보험계약관리, 보상금지급 등 주요 업무처리에 걸리는 속도와 정확성을 끌어올렸습니다.
호주의 대형은행인 커먼웰스은행도 마찮가지로 PRA를 통한 무인화로 대출업무 프로세스를 획기적으로 간소화하고 정보 입력과정에서 사람이 가져올 수 있는 입력 오류를 최소화했습니다. PRA를 도입하면서 비영업부서의 비용을 낮추고 업무상 과실을 대폭 줄이고 프로세스를 표준화해 업무처리과정의 투명성을 높인 것입니다.
◇ AI는 네가 지난 과거에 탑승한 차까지 알고 있다
자동차 고의사고 탐지시스템은 사전에 공모한 보험사기 일당이 자동차를 이용해 고의로 자동차 사고를 유발 후 보험금을 편취하는 보험사기를 탐지하기 위해 개발했습니다.
자동차 고의사고는 보험사기 중 가장 오래되고 보편적인 사기 수법입니다. 손해보험 사기 유형 중 70%를 차지하는 만큼 손보사 입장에서 1순위로 해결해야 할 문제입니다.
현대해상이 개발한 자동차 고의사고 탐지시스템은 ‘머신러닝’ 기술을 적용했습니다. 머신러닝이란 데이터를 통해 시스템을 학습할 수 있는 AI의 한 형태인데요. 주어진 데이터를 이용해 다양한 사고 특성을 파악하고 고의사고를 예측합니다.
현대해상은 자동차 사고의 보험사기 위험도를 판단하게 하기 위해 기존의 자동차 사고 데이터를 AI에 학습시켰습니다. 이 데이터에는 사고 유형부터 운전자 정보 등이 포함됩니다. 대다수 고의사고가 사전 공모를 통해 발생하는 만큼 서로 관련이 없어 보이던 사람들 간의 상관관계를 파악하는 것이 목적입니다.
현대해상은 이를 통해 SNA(사회연결망분석) 기능을 구현했습니다. SNA는 과거에 발생했던 고의사고 정보를 수많은 선으로 연결, 이를 최근 일어난 사고들과 실시간으로 대조합니다. 현재와 과거 사고 사이에 연관된 특이점과 유사점이 있다면 화면에 붉은 선으로 표시되고 이를 보험조사부에 통보합니다.
이 부장은 “겉으로 보기에는 우연히 발생한 사고지만, 이를 그림의 선으로 과거 사고와 다 연결해보면 모순점이 드러나는 것들이 많다”며 “이 정황을 기반으로 조사에 들어가면 보험사기를 공모한 피보험자 대다수가 고의사고를 인정한다”라고 설명했습다.