기술 흐름의 탐지와 분석 (1)

클릭 >> Hello, world !! (from ShadowEgo)

Go to English ver. of this article (https://inforience.net/2018/03/05/technologytrends1/)

기술 변화의 흐름을 파악한다고?

기술, 특히 IT 분야의 기술은 빨리 변화한다. 새로운 기술이 나타나거나, 오래된 기술이 개선된다. 때로는 과거의 기술이 새로운 분야에서 다시 활용되기도 한다. 스마트폰은 지난 10년동안 우리의 삶을 크게 바꾸었으며, 예전에는 주목받지 못하던 deep neural network 모델이 최근에는 기계학습 분야에서 폭발적으로 활용되고 있다.

새로운 기술이 인간의 삶에 미치는 영향력이 점점 커지고 있다. 따라서 기술 변화의 흐름을 파악하는 것은 매우 중요한 일이 되었다. 기술은 인간의 삶처럼, 출생기, 전성기를 거쳐 역사의 뒤편으로 사라진다. 사라진 기술은 다른 기술의 모체가 되기도 한다. 우리는 어떤 기술이 새롭게 등장하였고, 어떤 기술이 주목받고 있는지 정확히 알 필요가 있다. 이러한 정보는 시장의 변화를 예측하고 비즈니스 계획을 수립하는데 필요한 자료이다. 정부기관의 정책 수립 과정에도 중요한 역할을 한다. 또한 앞으로 우리의 삶이 어떻게 변화할 지 예측하는 데에도 매우 중요한 역할을 할 수 있다.

어떻게 하면 좋을까?

기술의 변화 과정을 측정하는 좋은 방법은 무엇일까? 어떠한 데이터를 이용해야 그러한 변화의 흐름을 놓치지 않고 파악할 수 있을까? 일반적으로 우리는 새롭게 출판된 기술 동향 문서, 전문 서적을 읽거나 뉴스에 나오는 기술 관련 소식을 이용한다. 또는 전문가가 하는 말에 귀를 기울이기도 한다. 이러한 방법들도 좋지만, 기술의 흐름과 현황에 대해 직접 정량적으로 분석하고 싶을 때 우리가 선택할 수 있는 방법은 딱히 떠오르지 않는다. 정량적인 분석을 할 수 있는지 의심스럽기도 하다.

인포리언스는 기술 변화의 흐름을 스스로 탐지하고 분석하는 시스템을 독자적으로 개발하고 있다. 이번 포스팅에서는 인포리언스가 직접 수집하고 있는 데이터의 일부를 활용하여 기술의 흐름을 측정한 결과를 제시한다. (이 포스팅에서는 2005년 1월에서부터 2016년 12월까지 Computer Science 분야에서 국제적으로 나타난 기술 이슈의 흐름을 설명한다. 제한적인 데이터를 활용한 초기 결과임에 유의하자.)

나의 화려한 날은 가고…

IT 기술 전반에 대한 관심이 커지고 있음에도 불구하고, 활용도가 높아지지 않는 기술들도 있다. 한때 특정 분야에서 큰 주목을 받았으나, 최근의 상승세에는 동참하지 못한 기술들이다. 아래의 그림들을 통해 확인해 보자. (y축의 값은 기술의 활용도를 0에서 1사이의 값으로 normalization한 수치를 나타낸다.)

그림 1.  HMM 트렌드

HMM(Hidden Markov Model)은 데이터에 나타난 순서 패턴을 학습하거나 탐지하는 데 쓰여왔던 기술이다. 특히 음성인식, 영상인식과 NLP 분야에서 그 활용도가 높았다. 그러나, 위의 그래프에서 볼 수 있는 바와 같이 최근의 상승세에 동참하지는 못한 것처럼 보인다. (비슷한 분야에서 활용되고 있는 CNN, LSTM 의 흐름(그림 9. 그림 10.)과 비교해 보면 차이가 드러난다.)

그림 2. SOM 트렌드

SOM(Self-Organizing Map)은 신경망 모델 중의 하나이다. SOM은 높은 차원의 벡터들에 들어있는 특징을 그보다 낮은 차원의 벡터로 매핑하는 방식의 unsupervised learning 기법이다. SOM은 데이터에 포함된 군집 특성을 분석하는 데에 많이 활용되었으나, 최근에는 많이 언급되지 않는다.

그림 3. Haptic 트렌드

Haptic은 디바이스에 진동이나 움직임을 포함시켜 사용자에게 터치감(sense of touch)을 제공하는 기술이다. 이 기술은 Human-Computer Interaction 분야에서 많이 연구되었는데, 최근에는 예전과 같지 않은 흐름을 보인다.

그림 4. MLP 트렌드

MLP(Multilayer Perceptron)은 신경망을 공부할 때 제일 먼저 접하게 되는 모델이다. 최근에 주목받고 있는 딥러닝 모델들의 기본이라고 할 수 있다. 그러나 최근에는 더 복잡한 모델에 자리를 내어주었다.

그림 5. Kalman 트렌드

Kalman Filter는 노이즈가 포함되어 있는 데이터로부터 현재 상태에 대한 최적의 예측값을 추출하는 기법이다. 이 기술은 머신비전, 항공 우주, 기상 예측 등과 같은 분야에서 많이 활용되었다. 최근에는 그림에서 볼 수 있는 바와 같이 활용도가 정체되어 있다. 그러나 Kalman Filter는 변형된 응용 모델이 많고, Computer Science 이외의 분야에서도 많이 활용되고 있어서 정확한 추세를 확인하려면 데이터가 더 필요하다.

그림 6. EEG 추세

EEG(Electroencephalography)는 뇌의 활동 상태를 나타내는 중요한 지표이다. EEG는 사람의 감정이나 흥분 정도, 또는 집중도를 측정하는 응용에서 많이 활용해왔으나 최근에는 그 활용도가 정체되어 있다. 그러나 EEG는 Computer Science 이외의 분야에서 활용도가 더 높을 수 있다.

그림 7. DTW 트렌드

DTW(Dynamic Time Warping)는 길이가 다른 두 벡터의 유사도를 계산하는 방법 중의 하나로, 음성인식, 특히 고립 단어의 인식에 많이 활용되었다. 이 기술은 여전히 사용 중이지만, 패턴 인식 분야에서는 다른 모델에게 자리를 물려주었다.

그림 8. Particle Filter 트렌드

Particle Filter는 베이지안 확률 분포 추론이나 신호 처리 등의 분야에서 활용되는 Monte Carlo 알고리즘들 중의 하나이다. 입력 데이터가 완전하지 않을 때 시스템의 상태를 추론하는데 쓰이는 방법이다.

화려한 등장

그림 9. CNN 트렌드

그림 10. LSTM 트렌드

Deep learning 분야의 기술 중에서 가장 대표적인 것은 CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory)일 것이다. 이 기술들은 최근에 머신비전, 음성인식, 자연어 처리 등과 같은 분야에서 많이 활용되고 있으며, 뛰어난 성과를 보여주고 있다.

그림 11. Drone 트렌드

Drone 관련 기술은 계속 발전하고 있으며, 활용 분야가 점점 다양해지고 있다. Drone은 2018년 평창 올림픽의 개회식과 폐회식에서도 큰 화제가 되었다. 지능을 갖춘 Drone 은 미래의 삶의 환경을 크게 바꾸어 놓을 것이다.

그림 12. Blockchain 트렌드

Blockchain은 신뢰성을 향상시킨 분산 정보처리 시스템 기술이다. 최근에는 암호화폐와 함께 큰 이슈가 되고 있다.

그림 13. Healthcare 트렌드

그림 14. EHR 트렌드

그림 15. Diabet 트렌드

건강과 관련된 이슈는 언제나 중요하다. 그리고 Computer Science 분야에서도 늘 그래왔다. 그래프에서 확인할 수 있는 바와 같이 healthcare와 관련된 내용들은 꾸준히 주목받고 있다. 특히 EHR(Electronic Health Record)와 관련된 이슈는 급격히 상승하는 패턴을 보인다. 전 세계적으로 환자가 늘어나고 있는 diabet과 관련된 이슈도 꾸준히 증가하고 있다. 이것은 원격 의료, 데이터 분석, 인공지능을 적용한 건강 관리에 주목하고 있는 세계적인 기술 흐름과 관련된다.

그림 16. Chatbot 트렌드

머신러닝 및 자연어 처리 기술의 발전으로 인해 컴퓨터와 자연스러운 대화를 할 수 있게 하는 chatbot 기술이 크게 이슈화되었다. Chatbot 기술은 앞으로 컴퓨터를 활용하는 방법에 큰 변화를 가져올 수도 있다.

그림 17. Social network 트렌드

Twitter, Facebook, Intagram 등과 같은 소셜 미디어의 발전은 Computer Science 분야에도 큰 영향을 미쳤다. 다양한 데이터 분석 기법을 적용하여 사용자 사이의 상호작용 패턴을 연구하거나 정보가 확산되는 패턴을 분석하는 것 등이 대표적이다.

그림 18. Android 트렌드

스마트폰은 컴퓨팅 환경 뿐만 아니라 삶의 방식에 일대 변혁을 가져왔다. 그리고 그러한 흐름은 android 관련 이슈의 흐름 패턴에서도 나타난다.

그림 19. Gradient descent 트렌드

Gradient descent는 신경망 모델의 오차를 줄이기 위한 방법 중의 하나이다. 신경망 모델에 대한 최근의 높아진 관심과도 관련이 있다.

그림 20. Word2vec 트렌드

Word2vec은 모든 단어들을 벡터 공간에 embedding시켜 문법적, 의미적 특징을 표현하는 방법이다. Google의 연구자들에 의해 만들어진 후 많은 사람들에 의해 크게 활용되고 있다.

남아있는 의문들과 미래

위의 그래프들을 확인해 보니, 잊혀져 가는 기술도 있고, 새롭게 무대에 등장한 기술도 있는 듯 하다. 또한 우리가 피부로 느낄 수 있는 변화가 데이터의 추세에도 실제로 나타나고 있음을 확인할 수 있다. 그렇다면 다음과 같은 의문들이 생긴다.

1. 2017년 이후의 이슈 흐름은 어떠했을까? – 더 많은 분석을 위해 남겨두자.
2. 좀 더 세부적인 기술 트렌드를 확인할 수 있을까? – 충분히 가능하다.
3. 이러한 데이터 흐름으로부터 무엇을 더 알아낼 수 있을까? – 우리의 상상력에는 끝이 없다. Let’s give it a shot!!
4. 과거의 데이터 흐름을 기반으로 미래의 기술 변화를 예측할 수 있을까? – Only the challenger can do something.
5. 어떤 데이터를 쓰면 좋을까? – 데이터를 수집하고 좋은 데이터를 선별하는 작업은 이러한 프로젝트에서 피할 수 없는 과정이다.

인포리언스는 머신러닝, 자연어 처리, 시계열 분석 등의 보유 기술을 통합 적용하여 이런 질문들에 대한 답을 만들고 있다. 그리고 곧 답안을 조금씩 공개할 예정이다. 2편을 기대해도 좋다.