□ 신뢰할 수 있는 AI

우리는 AI가 만연한 시대에 살고 있습니다. 최근에는 대출심사, 기업채용 서류심사, 범죄자 가석방 여부 판단 등 우리 삶에 지대한 영향을 미치는 의사결정까지 AI가 사람을 대체하고 있습니다. 이러한 시대에 중요한 질문 한 가지를 던져볼 수 있습니다. AI에게 온전히 우리 삶을 맡길 수 있을까? 최근 인공지능과 관련 공정성 이슈가 발생하고 있습니다. 대표적인 예시로 미 대법원에서 사용하는 수감자의 가석방 결정 AI판사(COMPAS)가 인종차별적 결정을 내리는 것입니다. 과연 이런 차별이 왜 발생할까? AI를 만드는 대표적인 방법은 데이터로부터 의미있는 정보를 학습하는 방법입니다. 우리는 이를 머신러닝이라 부릅니다. 이 때 데이터에 내재된 편향성을 AI가 그대로 학습하는 경우 특정 그룹에 대한 차별과 같은 공정성 문제를 일으키게 됩니다. ISL에서는 편향된 데이터를 가지고 있더라도 공정한 AI를 얻는 방법을 연구하고 있다. 이를 위해 (1) 다양한 상황에 적합한 공정성 개념을 정의하고, (2) 정보이론을 기반으로 이를 수치화 하여, (3) 공정성 개념을 AI에 내재시키는 효율적인 알고리즘을 개발하였습니다. 또한 오염된 데이터에 대해 강건하고, 판단에 대한 설명이 가능한 신뢰할 수 있는 AI를 개발하고 있습니다. 연구결과들은 머신러닝 분야 최상위국제학회(ICML, NeurIPS, ICLR)에 게재되었으며, 이에 공로로 2020 KAIST 대표 연구성과 10선에 선정되었으며, 국제전자공학회(IEEE) 젊은과학자상과 2020 Naver 우수논문상을 수상하였습니다. 

□ 자율주행차

자율주행차는 라이더/카메라 등 다양한 센서들을 활용하여 주변 상황을 인식하고 스스로 판단하여 주행합니다. 자율주행 기술의 최종목표는 사람이 운전에 개입하지 않는 “완전 자동화“ 단계를 달성하는 것인데, 이를 위한 필수 기술들 (예: 인지, 예측, 제어, 돌발상황 대처 기술) 중 현재 부족한 부분은 “돌발상황 대처기술”입니다. 자율주행 차량의 돌발상황 대처 능력은 사람의 생명과 직결되기에 매우 중요하며, 이를 위해 높은 정확도의 주변차량 충돌위험 예측이 요구됩니다. 충돌예측 정확도가 높은 AI시스템을 구축하려면 막대한 양의 데이터가 요구되지만, 다양한 실제 사고 데이터 수집은 현실적으로 어렵습니다. ISL에서는 데이터 부족 문제를 해결하기 위해 시뮬레이터를 활용하였습니다. 차량 게임 시뮬레이터를 활용하여 다양한 사고 형태를 재현하고, 시뮬레이터로부터 실제 사람의 행동 패턴과 비슷한 데이터를 합성하는 방법을 개발하였습니다. 이를 통해 데이터 부족 문제를 극복하고, 단순히 적은 양의 실제 사고 데이터만을 활용하였을 때보다 월등히 높은 정확도의 충돌예측시스템을 개발할 수 있었습니다. 관련 결과들은 국제학회 (AAAI, ICLR) 및 저널(Journal of Machine Vision and Applications)에 게재되었으며, 그 공로를 인정받아 US Air Force Gift Grant, 2018 KAIST 기술혁신상, 2020 KAIST Breakthroughs Readers’ Choice Award를 수상하였습니다. 

□ 질병 진단/예측 AI

AI기술이 의학분야에 활용되면서 인류의 수명이 연장될 것으로 전망하고 있습니다. ISL에서는 병원과의 협력을 통해 질병을 정확히 진단하는 AI 시스템을 개발하고 있습니다. 병원으로부터 데이터를 제공받아 질병과 상관관계가 높은 신체 현상들을 분석하고, 이를 활용한 질병 진단 시스템을 구축하고 있습니다. 최근 개발한 신장질환 진단 기술은 오랜 시간이 소요되던 진단을 사진 판독만으로 수 초 내에 가능케 하였으며, 현재 상용화 단계까지 밟고 있습니다. 뿐만 아니라 질병을 진단하는 차원을 넘어 DNA 분석을 통해 “질병에 걸릴 확률을 예측”하는 연구도 진행하고 있습니다. 사람의 각 염색체는 대략 30억개나 되는 염기쌍으로 구성되어 있는데, 놀랍게도 개개인의 염색체는 염기서열이 대부분 같고 0.1~0.4% 정도만의 차이가 있다 밝혀졌습니다. 따라서 정확한 질병 예측을 위해서는 유전정보의 차이를 나타내는 DNA 위치를 찾는 것이 핵심입니다. 본 연구실에서는 이를 위해 (1) 이론적으로 필요한 최소 비용을 규명하고, (2) 목표를 달성하는 저복잡도 알고리즘을 개발하였습니다. 관련 연구결과들은 머신러닝 국제학회(ICML, NeurIPS)에 게재되었습니다. 누구나 적은 비용으로 질병 진단을 받을 수 있고, 더 나아가 질병 예측을 통해 발병을 사전에 예방하는 미래 모습을 기대하고 있습니다.