하인리히 법칙
위험을 사전에 예측하기 위한 하인리히 법칙(Heinrich's law)이 있다. 이 법칙을 다른 말로 1:29:300 법칙이라고도 부른다. 인명사고 1회가 나기 전에, 29회의 사소한 경상 사고가 있었고, 그 이전에 300회의 무상해 단순 사고가 있었다는 말이다. 즉, 큰 재해와 작은 재해 그리고 사소한 사고의 발생 비율이 1:29:300이라는 것이다.
이 법칙은 1931년 허버트 윌리엄 하인리히(Herbert William Heinrich)가 펴낸 책 '산업재해 예방: 과학적 접근'에 소개됐는데, 그가 1895년 독일에서 발생한 산업 재해 통계를 분석해서 얻은 결과이다. 그는 산업재해 사례 분석을 통해 하나의 통계적 법칙을 발견한 것이다.
사고 예방의 관점에서 하인리히 법칙을 보면, 사고 예방을 위해서는 경미한 사고라도 반복되면 그것이 언제인가 누적되고, 그 결과로 큰 사고를 일으킬 수 있다는 사실이다. 따라서 사소한 현상이라도 반복된다면, 주의를 기울일 필요가 있다. 그 사고의 원인을 제거하지 않으면 언젠가는 큰 사고로 이어진다.
이러한 사고에는 산업재해뿐만 아니라 교통사고, 의료사고 등 치명적인 인명사고를 모두 포함한다. 여기에 지진, 태풍, 폭우, 가뭄 등 자연재해뿐만 아니라 주식폭락, 환율 급등, 기업 부도, 개인 신용 파산 등 국가, 개인, 가정의 위험 상황도 포함한다.
인간이나 집단은 위험한 징후가 사전에 나타나더라도 경우 이를 무시하는 경우가 많다. 게을러서 또는 피곤해서 그럴 수도 있다. 또는 지나친 낙관주의의 결과일 수도 있고, 독단적 권위로 발생하기도 한다. 권력을 지나치게 독점하면 이런 일이 반드시 생긴다. 독선이 위선을 부르기도 한다. 때로는 인간의 지성보다 감각이 정확할 수도 더 정확할 수도 있다.
이런 경우, 결정권자 주변 조언자의 역할이 중요하다. 그러나 인간은 조직에서 바른말을 하기 어려운 경우가 많다. 하지만 미래에 이런 충실한 '조언자'의 역할을 '인공지능'이 할 수 있다. 인공지능은 인간과 다르게 배운 그대로, 학습한 그대로 행동하고 말할 수 있기 때문이다. '인공지능 참모' 혹은 '인공지능 조언자' 시대가 온다.
전자파를 이용한 미래 예측
반도체나 컴퓨터를 설계할 때 미래를 보는 기술을 적용하는 경우가 있다. 설계 관련 사고를 사전에 방지하기 위해 필요한 기술이다. 특히 고속 디지털 데이터를 전송할 때 송신 회로, 전달 연결선, 수신 회로의 전기적인 특성인 임피던스(Impedance)가 모두 맞아야 한다. 그래야 신호가 반사되거나 왜곡되지 않고 깨끗한 디지털 신호를 보낼 수 있기 때문이다.
설계할 때, 송신단에서 미리 전송선과 수신 회로의 임피던스를 예측해보려 한다. 일종의 전자파를 이용한 하인리히 법칙을 알아보려는 시도이다. 전체 시스템의 임피던스를 어느 범위 안에 있는지 미리 봄으로써 사고를 미연에 방지하고자 하는 의도이다.
미리 전자파 펄스를 입사해서 반사파를 보면서 임피던스의 변화를 측정할 수 있다. 이 측정하는 장치를 TDR(Time domain reflectometer)이라고 부른다.
디지털 데이터를 보낼 때, 보통 1조개의 비트(Bit)를 보내서 한 개의 비트 정도 오차를 갖도록 설계한다. 이 정도 극단적인 오차 범위 내에서 데이터를 보내야 한다. 이 방법은 반도체와 반도체 사이의 디지털 신호를 보낼 때, 컴퓨터 사이의 데이터를 보낼 때 모두 만족해야 한다.
특히 인공지능 컴퓨터뿐만 아니라 데이터 센터 내의 컴퓨터끼리 데이터를 주고받을 때 모두 해당한다. 그래서 반도체와 컴퓨터의 설계에서도 미래를 예측해 사고를 방지하고 품질을 높이기 위해 노력한다. 공학적으로 미래의 사고를 예측하고 방지하는 방법이다. 이제 여기에도 '인공지능 미래 예측과 사고 방지 방법'이 사용될 것이다.
인공지능과 위험 탐지
인공지능이 미래를 예측해서 대형 사고를 막을 수 있다. 인간보다 감정에 휘둘리지 않고 냉정하고 정확하게 판단할 수 있다. 여기에 사용할 수 있는 대표적인 인공지능 알고리즘으로 CNN(Convolution Neural Network), RNN(Recurrent Neural Network)과 강화학습(Reinforcement Learning, RL) 알고리즘이 있다.
CNN의 경우 그래프나 이미지의 데이터 패턴의 변화를 인식해서 사고를 예측할 수 있다. 주가나 환율 변화 그래프가 그 예이다. 학습을 통해서 특정 패턴이 나타나면 이상 신호로 인식할 수 있다.
RNN의 경우 데이터의 시간에 따른 변화를 관측한다. 지진파 신호 관측이 그 예가 된다. 특정 시간 지점에서 데이터의 변화를 관찰한다. 학습을 통해서 특정한 변화를 이상 신호로 감지할 수 있다. 이러한 CNN, RNN의 경우 미리 쌓아온 경험으로 학습시키는 지도 학습에 해당한다.
반면, 강화학습의 경우 스스로 시행착오를 거치면서 배운다. 인공지능이 주식 투자를 직접 시행하면서 이익을 얻거나 손실을 당하면서 경험을 축적해 배운다. 이런 방식을 비지도 학습 방식이라고 한다. 패턴의 변화나 시간에 따른 변화를 학습해서 시행한다. 실전 경험을 쌓는 셈이다.
이러한 인공지능 알고리즘은 반도체를 생산할 때 수율 향상에 쓰일 수 있다. 반도체 생산에는 1000여개의 공정과정과 수백 가지의 재료를 사용한다. 각 공정 과정에는 측정 센서가 달려있고, 엄청난 양의 데이터가 매일 생산된다.
지금까지는 보통 수율이 갑자기 하락하면 전문가들이 데이터를 보고 '감'과 '경험'에 의존해 해결 방안을 찾았다. 이제는 막강한 빅데이터를 기반으로 이러한 '감'과 '경험'을 '인공지능 알고리즘'이 대체할 수 있다. 그러면 자동으로 수율을 목표한 일정 값으로 유지하거나 그동안 인간이 달성하지 못했던 수율도 얻을 수 있다.
그러니 인공지능을 적용한 기업과 그렇지 않은 기업은 생존 경쟁에서 비교가 되지 않는다. 인공지능이 기업의 생사를 결정할 전망이다. 여기에 더해 인공지능은 주가 폭락, 환율 변동, 지진과 같은 자연재해의 예측에 사용할 수 있다. 이러한 인공지능의 경제적 가치는 셀 수 없이 크다.
이처럼 인공지능은 인간의 오류나 게으름을 방지하는 '냉철한 조언자' 역할을 할 수 있다. 인간의 독단과 오류를 인공지능 알고리즘이 보완한다. 그러므로 인공지능을 활용하는 국가, 기업, 사회와 그렇지 못한 사회의 격차는 더욱 커질 전망이다.
[김정호 카이스트 전기 및 전자공학과 교수] joungho@kaist.ac.kr
