주간기술동향 2016. 3. 9. 1745호 포커스... 2 블록체인 기술 개념 및 적용 현황 Ⅰ. 서론 Ⅱ. 비트코인과 블록체인 [김영삼ㆍ조상래ㆍ김수형/한국전자통신연구원] Ⅲ. 알트코인과 알트체인 Ⅳ. 블록체인 기술 적용 현황 Ⅴ. 결론 및 시사점 기획시리즈... 13 딥러닝 기술 동향: CNN 과 RNN 을 중심으로 [곽노준ㆍ박성헌ㆍ김대식/서울대학교] Ⅰ. 서론 Ⅱ. 컨볼루션 신경망 Ⅲ. 순환 신경망(RNN)의 소개 Ⅳ. 결론 ICT 신기술... 26 5G 이동통신 연구개발 및 정책 현황 Ⅰ. 서론 Ⅱ. 5G 이동통신 기술개발 및 표준화 동향 [김사진/정보통신기술진흥센터] Ⅲ. 5G 이동통신 정부정책 현황 Ⅳ. 결론 및 시사점 최신 ICT 이슈... 36 Ⅰ. 모든 지식 협업의 허브를 꿈꾸는 깃허브, 성공의 원천은 디자인 Ⅱ. 유학생의 장래를 예측해 대출해 주는 핀테크 서비스, 셀프스코어 Ⅲ. EU 양자 컴퓨팅 연구에 10억 유로 투자 계획 Ⅳ. Weekly Brief 2 www.iitp.kr
주간기술동향 2016. 5. 11. 블록체인 기술 개념 및 적용 현황 김영삼, 조상래*, 김수형* 한국전자통신연구원 연구원 한국전자통신연구원 책임연구원* 블록체인 기술은 P2P 네트워크를 이용하여 거래내역을 분산 저장함으로써 서버 설치 및 운영에 따르는 전산비용을 낮추면서도 보안을 강화할 수 있는 이상적인 기술이다. 기존 클라이언트-서버 구조에서는 서비스를 제공하기 위해 서버를 설치 운영하여 사용자가 늘어날수록 서버 및 네트워 크 용량을 늘려야 하기 때문에 확장성에 따른 비용 증가의 문제가 있다. 블록체인을 이용한 분산 네트워크 구조에서는 이러한 문제가 발생하지 않는다는 것이 가장 큰 장점으로 부각되고 있다. 본 고에서는 블록체인 기술의 개념을 정리하고, 기술의 동향과 흐름을 파악하여 향후 다양한 적용 분 야 중 특히 보안 분야에 적용이 가능하다는 것을 시사점으로 도출하였다. I. 서론 블록체인 기반의 비트코인은 2008 년 사토시 나카모토에 의해 발명되었고 실제 서비스는 2009 년에 시작되었다. 블록체인 기술은 비트코인이라는 분산 네트워크에서 거래에 대한 네트워크 참여자들의 동의를 얻기 위해 사용되는 일련의 암호학적 기술을 의미한다. 블록체인 기술은 한 번 동의된 거래블록은 분산 저장되고 위 변조가 불가능하여 중앙에서 관리하는 서버가 없이 도 안전하게 거래할 수 있다는 점이 장점으로 부각된다. 블록체인을 이용한 기술로는 비트코인이 가장 널리 사용되고 있으며, 알트코인 및 알트체인 은 비트코인에 기반하여 개발된 새로운 가상화폐들을 총칭한다. 2011 년 최초의 알트코인 IXCoin 을 시작으로 Litecoin, Dogecoin, Blackcoin 등 수많은 알트코인들이 생겨났다[1]. 알트코인은 각각 기존 비트코인의 문제점을 수정하거나 몇 가지 새로운 기능을 추가하는 방식으로 구현되었다. 알트체인은 알트코인과 같이 비트코인에 기반하고 있지만 가상화폐가 주목적이 아니고 블록체 * 본 내용은 김영삼 연구원( 042-860-3871, kimzt@etri.re.kr)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP 의 공식적인 입장이 아님을 밝힙니다. 2 www.iitp.kr
포커스 인에 DNS 정보나 이미지, 그리고 전자계약 정보를 저장하여 블록체인 기반 분산 서비스를 제공하 는 것이 목적이다. 2011 년 최초의 알트체인 Namecoin 을 시작으로 Bitmessage, Ethereum 등의 새 로운 서비스가 소개되고 있다. 지금 전세계 핀테크 및 금융기관은 금융거래의 효율성을 높이고 비용을 획기적으로 절감하 기 위해 비트코인에 주목하고 있고, 비트코인의 핵심기술인 블록체인 기술을 다양한 응용에 활 용하고 있다. 예를 들면, 최근 블록체인 기술을 활용한 채권거래를 하기 위해 Goldman Sachs, Barclays, RBC 등 22 개 글로벌 은행들이 블록체인 기업 R3 와 제휴하여 플랫폼을 공동 개발하고 있다. 블록체인을 금융거래 또는 핀테크에 적용할 경우 30% 정도의 비용을 절감할 수 있는 점 은 1) 금융회사들에게는 굉장히 매력적이기 때문에 서로 경쟁적으로 기술 개발에 뛰어들고 있다. 본 고는 블록체인을 이용하는 비트코인 기술에 대해 설명하고 현재 블록체인 기술의 동향 을 살펴서 향후 블록체인 기술의 활용성에 대해 고찰하는 것이 목적이다. II. 비트코인과 블록체인 비트코인은 2008 년 사토시 나카모토가 만든 디지털 통화이며, 통화를 발행하고 관리하는 중앙기관 없이 P2P 네트워크 상에서 안전한 거래가 가능한 암호화폐시스템이다[2]. 비트코인 네 거래내역 1 블록 #4 후보블록 #5 블록 #5 블록 #3 블록 #2 거래내역 50 블록 #1 블록 #0 거래내역 취합 및 블록 생성 비트코인 네트워크(마아닝 노드) 블록 검증 및 블록체인 연결 비트코인 네트워크(모든 노드) <자료> ETRI 자체 작성 [그림 1] 비트코인 네트워크의 블록체인 생성과정 1) http://www.fnnews.com/news/201602011524322991 정보통신기술진흥센터 3
주간기술동향 2016. 5. 11. 트워크에서 발생하는 모든 거래내역(transaction)은 비트코인 네트워크의 각 노드가 검증하여 거 래원장(ledger)인 블록체인에 기록하게 된다. 블록체인은 네트워크 과반수 이상의 노드로부터 무결성을 검증 받기 때문에 거래내역이 위조되지 않았음을 보장할 수 있으며, 비트코인 거래에 있어서 신뢰의 근간(Root of Trust: RoT)이 된다. 비트코인 네트워크에서는 RoT 인 블록체인을 통해 안전한 거래가 이루어지며, 블록체인은 [그림 1]과 같이 디지털 서명을 이용한 거래내역의 생성 및 검증, 마이닝을 통한 블록의 생성, 그리고 최종적으로 블록의 유효성 검증을 통한 블록체인 연결까지 일련의 과정을 통해 생성된다. 1. 거래내역 비트코인의 거래내역은 수표와 비슷한 원리로 동작한다. 수표는 최초 발행자로부터 시작하 여 지속적으로 소유권을 이전함으로써 사용되며, 소유권 이전은 사용자의 서명을 이용한다. 비 트코인의 거래내역 역시 서명을 통해 비트코인의 소유권을 이전하는 과정으로 볼 수 있다. 2) 한 <자료> Andreas M. Antonopoulos, Mastering Bitcoin, O Reilly, 2015. [그림 2] 비트코인의 거래내역 예시 2) 비트코인의 화폐 단위는 BTC 라고 표기한다. 4 www.iitp.kr
포커스 가지 차이점은 비트코인은 물리적인 화폐가 아니라 디지털 화폐이기 때문에 디지털 서명을 이 용한다는 점이다. [그림 2]와 같이 비트코인의 거래내역에는 서명이 포함되며, 거래내역 1 은 Joe 가 Alice 에게 0.2BTC 를 이체한다는 내용에 대한 서명, 거래내역 2 는 Alice 가 Bob 에게 0.1BTC 를 이체한다는 내용에 대한 서명을 포함한다. 비트코인 거래내역의 디지털 서명은 이전 비트코인의 소유자가 지정한 주소에 3) 대응되는 개인키를 이용하여 생성되어야 한다. [그림 2]를 보면 Alice 가 Bob 에게 이체를 할 때, Alice 는 거래내역 1 에서 지정된 주소에 대한 공개키 및 그 공개키에 대응되는 개인키로 생성한 서명을 거래내역 2 에 포함시킨다. 비트코인 네트워크의 노드들은 거래내역 1 을 참조해서 거래내역 2 를 검증할 수 있으며, 거래내역 1 은 그 이전의 거래내역을 참조해서 검증할 수 있다. 이처럼 비트코인의 거래내역은 이전의 유효한 거래내역에 의존하여 연속적으로 유효성이 검증되는 디 지털 서명의 체인으로 정의된다[3]. 2. 비트코인 네트워크 비트코인 네트워크는 비트코인 P2P 클라이언트를 구동하는 노드들로 구성된다. 비트코인 네 트워크의 모든 노드들은 기본적으로 거래내역 및 블록을 검증하고 전파하는 역할을 담당한다. 비트코인 네트워크의 노드는 최초 네트워크에 참여하기 위해서 특정 노드의 IP 를 선택하거 나 seed IP 목록에 기반하여 연결을 맺는다. 연결을 맺은 노드는 네트워크에 자신의 IP 주소를 전파하여 참여를 알리고 연결된 노드들로부터 블록체인을 다운로드 받는다. 블록체인을 모두 받은 이후에는 비트코인 네트워크에서 전파되는 거래내역과 블록에 대해 유효성을 검증하고 연결된 노드들에게 중계하는 역할을 하게 된다. 비트코인 네트워크의 노드들은 역할에 따라 Full Node, Lightweight Node, 4) Mining Node 로 나 누어 볼 수 있다. Full Node 는 전체 블록체인을 유지 관리하는 노드로서 스스로 거래내역의 유효성을 확인할 수 있으며, Lightweight Node 는 전체 블록체인의 헤더 정보만 유지 관리하여 저장공간의 효율성을 높이는 대신 거래내역의 유효성은 주변의 Full Node 에 의존한다. 마이닝 노드는 거래내역을 취합하여 마이닝이라는 과정을 통해 블록을 생성하고 비트코인 네트워크에 통화를 공급하는 역할을 한다. 3) 공개키의 해시값을 주소로 사용한다. 4) SPV(Simplified Payment Verification) 노드라고도 한다. 정보통신기술진흥센터 5
주간기술동향 2016. 5. 11. Full Node 가 관리하는 전체 블록체인은 현재 60GB 이상이다. 5) 스마트폰과 같이 자원이 제한 된 기기에서는 가용하기 어려운 용량이다. Lightweight Node 는 블록의 헤더 정보만을 유지 관 리함으로써 전체 블록체인보다 약 1,000 배 정도 감소된 저장 공간만을 요구함으로써 제한된 기기에서도 비트코인을 사용할 수 있도록 한다. 3. 마이닝과 블록체인 마이닝(mining)은 비트코인 블록체인의 블록을 생성하는 과정이다. 비트코인 네트워크에서 거래내역은 모든 노드에게 공유되지만 이를 취합하여 마이닝하는 역할은 마이닝 노드가 한다. 블록은 [그림 3]과 같이 블록 헤더와 거래내역 리스트 정보로 구성된다. 블록 헤더는 이전 블록의 해시값, 거래내역의 요약 정보인 Merkle Root, 타임스탬프, 난이도(Difficulty Target), 난수 (Nonce)를 포함한다. 유효한 블록이 되기 위해서는 블록 헤더의 난수를 찾아내는 작업증명 (Proof-of-Work) 알고리즘을 실행해야 한다. [블록] Magic no Blocksize Blockheader Transaction counter Transactions [블록 헤더] Version Previous Block Hash Merkle Root Timestamp Difficulty Target Nonce <자료> https://en.bitcoin.it/wiki/block [그림 3] 블록과 블록헤더의 데이터 필드 작업증명 알고리즘은 [그림 4]와 같이 블록에 임의의 난수를 대입해 가면서 블록의 해시값 이 난이도보다 작다는 조건을 만족하는 경우를 찾는 과정이다. 작업증명 알고리즘에 따라 난수 가 선택되면 후보 블록 생성이 완료된 것이며 마이닝 노드는 후보 블록을 전체 비트코인 네트 워크에 전달한다. 후보 블록을 수신한 비트코인 네트워크의 각 노드들은 후보 블록의 해시값이 난이도보다 작은지 계산하여 마이닝 노드가 찾은 난수의 유효성을 검증함으로써 블록의 유효 성을 검증한다. 유효성이 검증된 블록은 이전 블록을 참조하고 있기 때문에 블록 간의 체인이 5) https://blockchain.info/ko/charts/blocks-size 을 참조하였으며, 2016 년 5 월 기준이다. 6 www.iitp.kr
포커스 * 블록 #10 에 대한 작업증명 결과로 난수 1001 을 찾음 <자료> ETRI 자체 작성 [그림 4] 작업증명 알고리즘 예시 연결된다. 유효 블록을 생성한 마이닝 노드는 일정량의 보상과 거래 수수료를 얻게 된다. 마이닝에 대 한 보상은 generation transaction 또는 coinbase transaction 이라고 부르는 특별한 거래내역을 통 해 주어지는데, 이 거래내역은 현재 유통 중인 비트코인을 사용하는 것이 아니라 새롭게 발행 되는 비트코인을 사용한다. 보상의 양은 최초 50 비트코인부터 시작하여 21 만 블록(약 4 년)마 다 반감되도록 설계되어 있기 때문에 2140 년에 이르면 0 비트코인으로 수렴하며, 총 비트코인 발행량은 2,100 만 비트코인으로 수렴한다. 따라서 2140 년 이후에는 마이닝에 대한 보상이 오 직 거래 수수료로만 이루어지게 된다. 마이닝 노드가 생성하는 유효 블록은 약 10 분마다 새롭게 생성되며, 동시에 두 개의 블록 이 생성되는 경우가 종종 발생한다. 이 경우를 분기(fork)라고 하며, 분기가 발생하면 블록체인 은 [그림 5]와 같이 두 개의 블록체인이 발생하며 마이닝 노드들은 둘 중 하나의 블록체인을 선 택하여 다음 블록을 생성하게 된다. 이후, 먼저 블록이 생성되는 블록체인이 유효한 블록체인으 블록 #12-1 블록 #10 블록 #11 블록 #12-2 블록 #13 유효 블록 체인 <자료> ETRI 자체 작성 [그림 5] 블록체인의 분기(fork)와 해결(resolve) 정보통신기술진흥센터 7
주간기술동향 2016. 5. 11. 로 인정된다. 이와 같이 블록체인은 종종 분기가 발생하며 더 긴 블록체인을 유효한 블록체인 으로 인정하는 방식으로 분기를 해결한다. 4. 비트코인 보안 신뢰성이 입증된 중앙기관이 없는 비트코인 시스템은 과연 안전할까? 비트코인의 안전성은 크게 두 가지에 의존하는데 하나는 개인키이고, 다른 하나는 블록체인이다. 비트코인을 거래하기 위해서 각 노드는 개인키와 공개키 쌍을 생성하게 되며, 개인키는 거 래내역을 서명하여 정상적인 거래를 생성할 수 있기 때문에 유출될 경우 자신의 비트코인을 타 인이 사용할 수 있게 되어 금전적인 손해를 볼 수 있다. 개인키의 안전한 보관을 위해서는 개 인키를 출력해서 보관하거나, 안전한 외부 저장장치, 전용 하드웨어(tamper-proof) 등을 이용하 여 보관해야 한다. 개인키가 안전하다고 하더라도 비트코인 네트워크에서는 이론적으로 51% 공격에 기반한 이중지불이 가능하다. 51% 공격이란 공격자가 비트코인 네트워크의 해시 연산 능력의 51% 이 상을 제어할 수 있다는 가정에서 출발한다. 공격 시나리오는 다음과 같다. Alice 가 Bob 에게 자 동차를 사기 위해 100 비트코인을 지불한다. 해당 거래내역은 비트코인 네트워크에 의해 유효 블록으로 인정되어 블록체인에 기록될 것이다. Bob 은 블록체인을 확인하여 100 비트코인에 대 한 거래내역이 유효함을 확인하고 자동차를 판다. 이 때, 자동차를 받은 Alice 가 자동차 구매에 사용한 100 비트코인을 Bob 이 아닌 자신에게 지불하는 거래내역을 생성하고 유효 블록을 생성 하면 네트워크에는 두 개의 유효 블록이 존재하여 분기가 발생하게 된다. 만약 Alice 가 Bob 에 게 100 비트코인을 지불하는 거래내역이 포함된 블록을 [그림 5]의 블록 #12-1 이라고 하고 자 신에게 지불한 거래내역이 포함된 블록을 [그림 5]의 블록 #12-2 라고 한다면, Alice 는 51% 이 상의 해시 연산 능력을 이용하여 블록 #13 을 먼저 생성하여 비트코인 네트워크에 전파할 수 있다. 분기가 해결되면 블록 #12-1 은 무효화됨으로써 Alice 는 100 비트코인을 사용하지 않고 자동차를 얻은 결과가 된다. 51% 공격을 방지하기 위해서는 거래내역이 포함된 블록이 마이닝된 이후에 바로 거래를 인 정하지 않고 몇 개의 블록이 추가로 생성된 이후에 거래를 인정하는 방법이 필요하다. 그러나 이 방법은 비트코인 거래의 안전성을 높여주는 반면 처리시간을 증가시키게 된다. 따라서 거래 의 편의성과 안전성 측면에서의 절충점이 필요하며 이는 서비스 제공자가 판단해야 한다. 8 www.iitp.kr
포커스 III. 알트코인과 알트체인 비트코인은 최초의 성공적인 가상화폐이며 그 기반인 블록체인은 분산 환경에서 정보의 무 결성을 보장하는 기술이다. 비트코인이 소개된 후, 비트코인을 모델로 한 새로운 가상화폐시스 템들의 개발이 계속되고 있다. 본 장에서는 새롭게 나타난 블록체인 기반의 가상화폐시스템인 알트코인(alt-coin)과 알트체인(alt-chain)에 대해 소개한다. 1. 알트코인 알트코인은 비트코인에 기반한 새로운 가상화폐들을 총칭한다. 2011 년 최초의 알트코인 IXCoin 을 시작으로 Litecoin, Dogecoin, Blackcoin 등 수많은 코인들이 생겨났다[1]. 알트코인은 각 각 기존의 비트코인의 문제점을 수정하거나 몇 가지 새로운 기능을 추가하는 방식으로 구현되 었다. [표 1] 알트코인 종류 및 특징 이름 설명 블록생성시간 총 발행량 Litecoin Scrypt 기반의 Proof-of-Work 를 이용하여 채굴의 중 앙집중화를 방지 2.5 분 8,400 만 Coin Dogecoin 통화발행 속도와 최대 발행량을 크게 증가시킴 60 초 1,000 억 Doge Freicoin Blackcoin 코인에 마이너스 이자를 붙여서 코인의 소비를 촉 진함 수익성에 따라 자동으로 코인을 변경해주는 Multipool 개념을 소개함 10 분 1 억 coin 1 분 무제한 NXT Proof-of-Stake 라는 새로운 채굴알고리즘 적용 1 분 무제한 Primecoin 채굴에 사용하는 연산능력을 소수를 찾는 목적으로 사용 1 분 무제한 CryptoNote 익명성을 강화함 - - <자료> Andreas M. Antonopoulos, Mastering Bitcoin, O Reilly, 2015. 2. 알트체인 알트체인은 비트코인에 기반하고 있지만 알트코인과 달리 가상화폐가 주목적이 아니다. 2011 년 최초의 알트체인 Namecoin 을 시작으로 Bitmessage, Ethereum 등의 새로운 서비스가 등 장하고 있다. 정보통신기술진흥센터 9
주간기술동향 2016. 5. 11. [표 2] 알트체인 종류 및 특징 이름 Namecoin Ethereum Bitmessage 설명 - 분산형 키-값 쌍 등록 및 전송 플랫폼 - 현재 분산형 DNS 서비스 중(.bit) - 튜링완전성을 갖춘 계약서(contract)의 개념 지원 - 분산환경에서 다양한 응용 소프트웨어를 개발할 수 있는 플랫폼 제공 - 분산형 보안 메시징 서비스 - 송수신자는 비트코인 주소로만 식별됨 - 메시지 암호화 처리 <자료> Andreas M. Antonopoulos, Mastering Bitcoin, O Reilly, 2015. IV. 블록체인 기술 적용 현황 블록체인을 활용하여 IT 시스템을 혁신하고자 하는 움직임은 블록체인의 태생적 특성상 금 융 서비스에 우선적으로 적용되고 있다. 해외에서의 움직임이 활발하지만 2015 년 하반기부터 는 국내에서도 LG CNS, KB 국민은행, NH 농협은행 등의 대기업 및 은행권과 코인플러그, 코빗 등 스타트업 간의 제휴를 통해 블록체인 기술의 도입을 검토하고 있다. 해외 동향은 산탄데르은행, 스탠다드차타드은행, 씨티은행, 나스닥, Visa 등의 금융권과 IBM, 리눅스재단과 같은 IT 관련 기업 및 조직에서의 움직임으로 나누어 볼 수 있다. 블록체인의 최 초 응용이 비트코인이었기 때문에 금융권에서의 움직임이 활발하다고 판단되며, 주로 국제 송 금, 국가간 결제, 주식거래 등의 금융 관련 서비스에 적용되고 있다. 산탄데르은행에서는 2022 년까지 블록체인 기술을 이용하면 은행시스템에서 약 20 조 원의 비용이 절감될 것으로 예상하 여 다양한 블록체인 유즈케이스를 발굴하고 있다. R3CEV 는 블록체인 스타트업 R3 가 주도하고 40 개 이상의 금융기관이 참여하고 있는 컨소시엄으로 이더리움에 기반한 차기 블록체인 기술 을 개발하여 현재 11 개 주요 은행에서 테스트를 완료하였다. 씨티그룹은 씨티코인을 개발하여 내부 시스템에서 테스트를 하고 있으며 궁극적으로는 국가간 결제에 사용할 계획이다. 스탠다 드차타드 은행은 싱가포르의 DBS 은행과 함께 무역금융사업의 혁신을 목표로 은행거래의 신속 성과 비용 절감 및 투명성 확보를 위해 블록체인 기술을 개발하고 있다. 나스닥은 Chain.com 과 함께 프라이빗 마켓용 주식거래 플랫폼 Linq 를 공개하였고, 블록체인 기반의 전자투표 시스템 을 개발하여 에스토니아에서 테스트할 계획을 밝혔다. 금융 분야에서의 블록체인 기술 도입이 활발한 가운데, IBM 과 리눅스 재단에서는 블록체인 기술을 비화폐 분야에 적용하기 위해 노력하고 있다. IBM 은 이미 2015 년 1 월 블록체인 기술을 10 www.iitp.kr
포커스 이용하여 IoT 환경에서의 기기 민주화(Device Democracy)를 위한 ADEPT(Autonomous Decentralized Peer-to-Peer Telemetry) 프로젝트[4]를 소개하였다. IBM 은 ADEPT 를 통해 IoT 환경의 신뢰성과 확장성 문제를 블록체인 기술로 극복할 수 있을 것으로 보고 이더리움, 텔레해시, 비트토렌트 등 P2P 기술을 이용하는 IoT 플랫폼을 제시하였다. 한편, 리눅스재단에서는 블록체인 기술에 대 한 표준화를 시도하고 있다. 프로젝트 이름은 Hyperledger[5]이며 산업 공통 개방형 표준을 위한 블록체인 기술의 특징들을 분석 개선하는 목적을 가지고 있다. 2016 년 2 월 기준 30 개의 기 관이 설립 멤버로 참여하고 있다. 국내에서는 은행권과 스타트업 간의 제휴에 기반하여 금융 서비스의 혁신을 시도하고 있다. 한국은행은 2016 년 1 월 중장기 지급결제업무 추진전략(지급결제 vision 2020)을 발표하였고, 세 부 내용으로 디지털 통화 및 블록체인 기술에 대한 금융기관 및 관련 업계와의 공동연구 추진 전략을 포함하였다. KB 국민은행은 2015 년 10 월 블록체인 스타트업 코인플러그에 15 억 원을 투자하면서 선제적인 움직임을 보였으며, 2016 년 2 월 코인플러그와 함께 블록체인 기반의 해 외 송금 서비스의 기술검증을 마쳤다. 현재는 블록체인 기반의 본인인증 서비스를 개발 중이며 연내에 실서비스에 적용하려는 계획을 밝힌 상태이다. 이외에도 NH 농협은행과 코빗, 신한은행 과 스트리미, KEB 하나은행과 센트비 등 은행과 스타트업 간의 제휴를 통한 블록체인 기술 적 용이 활발하게 진행되고 있다. 은행권이 아닌 대기업 중에서는 LG CNS 가 적극적인 움직임을 보이고 있다. 2015 년 9 월 클라우드월렛, 바이터그룹과 함께 금융상품 유통 플랫폼 파일럿 시스템 구축을 위한 MOU 를 체결하였고 2015 년 11 월 국내 최초로 비상장주식 유통 플랫폼을 개발하고 전자증권을 발행하 였다. V. 결론 및 시사점 블록체인 기술은 P2P 네트워크를 이용하여 거래내용을 분산 저장함으로써 서버 설치 및 운영에 따르는 전산비용을 낮추면서도 보안을 강화할 수 있는 이상적인 기술이다. 기존 클라이 언트-서버 구조에서는 서비스를 제공하기 위해 서버를 설치하고 운영하게 되는데 사용자가 늘 어날수록 서버 및 네트워크 용량을 늘려야 하기 때문에 확장성에 따른 비용 증가의 문제가 있 다. 블록체인을 이용한 분산 네트워크 구조에서는 이러한 문제가 발생하지 않는다는 것이 가장 정보통신기술진흥센터 11
주간기술동향 2016. 5. 11. 큰 장점으로 부각되고 있다. 국내의 발달된 IT 인프라를 이용하여 블록체인과 관련된 새로운 기 술이 개발될 경우, 금융거래나 핀테크에 다양하게 활용할 수 있다. 또한, 기존 블록체인이 적용된 비트코인과 같은 온라인 화폐보다는 블록체인을 이용한 중앙 서버 없는 분산된 공개키 기반구조, 전자문서, 전자계약 등에 응용될 경우, 새로운 부가서비스 가 제공될 수 있을 것으로 예측된다. 기존의 보안과 인증 분야도 서비스를 제공하기 위해서는 서버를 중심으로 시스템을 구축하였으며, 블록체인을 적용하면 복잡하게 제공되던 서비스를 서 버 없이 보다 간단하게 제공할 수 있다. 블록체인을 활용하여 서비스 제공자가 서버와 데이터베이스를 구축하지 않고도 다양한 서 비스를 제공할 수 있다는 것은 비용 측면에서 상당히 매력적인 기술이라고 판단되며, 이러한 기술이 여러 분야에 응용될 경우 파급효과도 매우 클 것으로 예상된다. [ 참고문헌 ] [1] Andreas M. Antonopoulos, Mastering Bitcoin, O Reilly, 2015. [2] Bitcoin, Wikipedia, https://en.wikipedia.org/wiki/bitcoin [3] Satoshi Nakamoto, Bitcoin: A Peer-to-Peer Electronic Cash System, 2008. [4] IBM ADEPT, SlideShare, http://www.slideshare.net/_hd/ibm-adept [5] Hyperledger Project, https://www.hyperledger.org/ 12 www.iitp.kr
기획시리즈 딥러닝 기술 동향 - CNN 과 RNN 을 중심으로 - 곽노준 박성헌* 김대식* 서울대학교 교수 서울대학교 박사과정* 본 고에서는 딥러닝의 여러 가지 분야 중 최근 영상인식 분야에서 기존 방법들보다 월등한 성능을 보이고 있는 컨볼루션 신경망(Convolutional Neural Networks: CNN)과 음성인식이나 자연어처리 등에 적용되어 뛰어난 성능을 보이는 순환 신경망(Recurrent Neural Networks: RNN)의 최근 동향을 소개 하도록 한다. I. 서론 최근 전국적으로 알파고 열풍이 대단하다. 구글의 자회사 딥마인드에서 개발한 인공지능 엔 진인 알파고가 바둑 초고수인 이세돌을 4:1 로 이기고 나서 사람들은 이제 드디어 영화에서나 보던 인공지능 로봇이 멀지 않았다, 미래에는 인공지능이 인간을 지배할 것이다 라는 등 기 술의 발전을 놀라운 눈으로 바라보고 있다. 하지만 일반인들이 전율에 떨며 일면 공포심과 경외심을 가지고 바라보는 알파고 기술의 발전상황은 이 분야를 연구하는 연구자의 입장에서는 어느 정도 당연한 결과이다. 이미 1997 년 IBM 의 Deep Blue 가 체스계의 이세돌인 카스파로프를 이겼으며, 2011 년에는 같은 회사의 Watson 이 미국의 유명 퀴즈쇼인 Jeopardy 에서 역대 우승자들을 상대로 큰 점수차로 이기는 성과를 거두기도 했다. 이러한 이벤트 외에도 이미 인공지능 기술은 사람들의 생각보다 우리 생활에 깊숙이 파고들어 우리 삶의 모습을 하나씩 바꾸어 가고 있다. 일례로 주차장을 드나들 때 자동 으로 번호판을 인식하는 기술이라든지, 사진을 찍을 때 사람 얼굴을 찾아서 네모 박스를 쳐 주 는 기술, 인터넷 쇼핑이나 음악 감상할 때 나와 성향이 비슷한 사람들이 좋아하는 아이템이라 고 추천을 해 주는 시스템, 외국어로 되어 있는 웹 사이트를 자동으로 한글로 번역해 주는 자 동번역시스템 등에서부터 주식 매매, 날씨 예측, 자율주행 등 이루 헤아릴 수 없는 많은 곳에서 * 본 내용은 곽노준 교수( 031-888-9166, nojunk@snu.ac.kr)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP 의 공식적인 입장이 아님을 밝힙니다. 정보통신기술진흥센터 13
주간기술동향 2016. 5. 11. 이미 초보적인 수준에서부터 보다 차원이 높은 다양한 인공지능 기술이 활용되고 있다. 그럼 도대체 인공지능이란 무엇인가? 인공지능이란 말 그대로 컴퓨터와 같이 인간이 아닌 것이 인간의 지능을 모방하여 인간의 판단이 필요한 분야에서 독자적인 가치 판단 및 결정을 내릴 수 있도록 하는 기술을 통틀어서 일컫는 용어이다. 이 중 특히 기계학습은 백지 상태에 있던 갓난아이가 1 년도 안 되어 말을 알아듣고, 의사표현을 하고, 걷고, 뛰는 것을 배우는 과정 처럼 컴퓨터가 학습을 통해 새로운 분야의 전문가가 될 수 있게 하는 연구 분야로, 1940 년대부 터 생물의 신경망을 논리회로로 모델링하고자 하는 연구를 그 시초로 볼 수 있다. 그 후 1957 년 인공신경망을 이용하여 영상을 인식하고자 하는 목적으로 퍼셉트론(perceptron)이라는 알고 리즘이 개발되었고, 1986 년 Rumelhart 등이 퍼셉트론을 여러 층으로 쌓아서 입출력간의 관계를 학습할 수 있도록 한 다층 퍼셉트론(multi-layer perceptron)이라는 구조와 이를 학습하는 역전파 (back-propagation) 알고리즘을 개발함으로써 인공신경망의 첫 번째 붐을 이끌었다. 이러한 기반 위에 현재 2006 년 이후로 최근 많은 사람들의 입에 오르내리며, 알파고의 성공을 이끌어낸 한 축이기도 한, 신경망 층을 매우 깊게 쌓아서 학습을 수행하는 딥러닝 기술이 엄청난 속도로 발 전하고 있다. 본 고에서는 딥러닝의 여러 가지 분야 중 최근 영상인식 분야에서 기존 방법들보다 월등한 성능을 보이고 있는 컨볼루션 신경망과 음성인식이나 자연어처리 등에 적용되어 뛰어난 성능 을 보이는 순환 신경망의 최근 동향을 소개하도록 한다. II. 컨볼루션 신경망 1. 개요 컨볼루션 신경망(CNN)은 영상에 적용이 용이하도록 만들어진 인공 신경망의 한 종류이다. CNN 은 Lecun et al.[1]이 1998 년 처음 제안하였으며 일반적인 다층 퍼셉트론에서 사용되는 구 조와 다르게 컨볼루션 레이어와 풀링 레이어로 이루어져 있다. CNN 은 처음 제안된 이후 성능 면에서 다른 알고리즘에 비해 뛰어나지 못했기 때문에 큰 주 목을 받지 못하고 있었다. 하지만 이후 2012 년 ImageNet Challenge[2] 의 영상 분류 문제에서 CNN 기반의 알고리즘이 2 위를 큰 폭으로 누르고 우승하여 이후 CNN 연구에 불을 지피는 계기 가 되었다. ImageNet Challenge 는 영상 분류와 객체 검출 분야 경진대회로 이전에 존재하지 않 14 www.iitp.kr
기획시리즈 <자료> Russakovsky, Olga, et al. Imagenet large scale visual recognition challenge, International Journal of Computer Vision 115.3 (2015): 211-252. [그림 1] ImageNet 영상 및 ground truth 예제 았던 대용량 데이터베이스를 구축하여 대용량 영상 분류 및 객체 검출 분야의 연구를 활성화시 키기 위해 2010 년 시작된 워크샵이다. 이 중 영상 분류의 경우 1,000 개의 서로 다른 클래스 영 상을 학습하고 테스트 영상이 들어왔을 때 이를 알맞게 분류하는 문제이다. 영상 분류 데이터 셋은 100 만 장 이상의 학습 데이터, 5 만 장의 밸리데이션 데이터, 10 만 장의 테스트 데이터로 구성되어 있다. [그림 1]은 이미지넷(ImageNet)의 영상과 ground truth(정답)의 예를 보여준다. CNN 이 최근 들어 다른 알고리즘에 비해 영상 분류 및 객체 검출에 우수한 성능을 보이고 있 는 이유는 크게 세 가지를 들 수 있다. 첫 번째는 Rectified Linear Unit(ReLU)[3]이라는 활성화 함 수(activation function)의 도입으로 이전 sigmoid, tanh 등의 활성화 함수에서 나타나던 문제인 그 레이디언트 베니싱(gradient vanishing) 문제가 없어진 것이다. Gradient vanishing 은 신경회로망을 학습하는 대표적인 알고리즘인 backpropation 알고리즘에서 낮은 층으로 갈수록 전파되는 에러 의 양이 적어짐으로 인해 그레이디언트 변화가 거의 없어져 학습이 일어나지 않는 현상이다. 이 문제로 인해 깊은 인공 신경망의 학습이 어려웠는데 ReLU 의 도입으로 이 문제를 해결하여 깊은 인공 신경망에서도 낮은 층까지 학습이 가능해졌다. 두 번째 이유는 이미지넷과 같은 대용량 데이터베이스의 출현이다. 하드웨어의 발달로 인해 대용량 저장장치가 보편화되었고 Amazon Mechanical Turk[4] 등을 이용한 크라우드소싱이 가능 해지면서 대용량 학습 데이터의 정답을 수작업으로 레이블링하는 일이 가능해졌다. 이러한 100 만 장 이상의 대용량 영상 데이터베이스를 바탕으로 여러 층으로 이루어진 CNN 을 학습함으로 써 과적합(overfitting) 문제를 해결할 수 있었다. 일반적인 인공 신경망의 경우 학습해야 하는 변 수의 개수가 매우 많기 때문에 적은 양의 학습 데이터로는 과적합이 쉽게 일어나게 되는데 대 용량 데이터베이스의 출현으로 깊은 인공 신경망을 과적합 없이 학습할 수 있게 된 것이다. 마 지막 이유는 Dropout[5]을 활용한 regularization 을 들 수 있다. Dropout 은 인공 신경망의 과적합 정보통신기술진흥센터 15
주간기술동향 2016. 5. 11. 을 방지하기 위해 학습 알고리즘 상에서 특정 비율의 뉴런을 무작위로 작동하지 않게 만든 채 학습을 수행하게 된다. 매 iteration 마다 작동하지 않는 뉴런을 다르게 뽑아서 학습을 시켜 각각 의 뉴런이 같은 정보를 학습하거나 아무런 정보도 학습하지 않는 것을 방지하였다. 위와 같은 이유로 컨볼루션 신경망은 대용량의 영상 데이터가 존재할 때 영상 분류 및 객체 검출을 효과적으로 수행하며 현존하는 알고리즘 중 가장 좋은 성능을 보이는 것으로 보고되고 있다. 다음 절에서 영상 분류에 사용되는 다양한 CNN 의 구조에 대해 알아보도록 하겠다. 2. CNN 을 이용한 영상 분류 동향 이미지넷 챌린지(ImageNet Challenge)의 영상 분류 성능은 Top-5 에러로 측정이 된다. 테스 트 영상에서 가장 확률이 높은 5 개의 부류(class)를 알고리즘을 통해 선택한 뒤 5 개 중 그라운 드 트루즈에 해당하는 부류가 있을 경우 정답을 맞춘 것으로 처리해 정답을 맞추지 못한 이미 지의 비율을 Top-5 에러로 측정한다. 2012 년 이미지넷 챌린지에서 우승한 AlexNet[6]의 경우 16.4%의 Top-5 에러를 보였다. 2012 년 2 위에 오른 방법이 26.2%의 에러를 보인 것과 비교하 면 이는 매우 큰 격차이다. 이 결과로 인해 많은 사람들이 CNN 의 연구에 뛰어드는 계기가 되 었다. AlexNet 은 5 개의 컨볼루션 층과 2 개의 fully-connected 층(일반적인 다층 퍼셉트론과 같 이 위와 아래의 모든 뉴런이 연결된 구조)으로 이루어져 있다. 이후 2015 년까지 이미지넷 챌린지에 참여한 팀들은 대부분 CNN 기반 알고리즘을 사용하고 있으며 주로 CNN 의 구조를 변형하여 학습의 효율성을 높이고 성능을 향상시킨 방법들이 많이 등장하였다. 2013 년 우승팀인 Clarify 사의 ZFNet[7]은 AlexNet 의 컨볼루션 필터 크기를 줄여 Top-5 에러를 11.7%까지 줄였다. 2014 년 등장한 VGGNet[8]과 GoogleNet[9]은 층의 개수를 늘려 네트워크를 깊게 만들고 필터 크기를 줄이는 것이 네트워크의 표현력을 높이는데 유리하다는 것을 증명하였다. VGGNet 의 경우 모든 컨볼루션 층의 필터 크기를 3 3 또는 1 1 로 고정하 고 17 개의 층을 사용해 매우 깊은 CNN 구조를 만들었다. 1 1 컨볼루션의 경우 주위 정보를 포함하지 않음에도 불구하고 차원 축소와 비슷한 효과로 표현력을 높일 수 있음이 밝혀졌다. GoogleNet 은 1 1, 3 3, 5 5, 3 3 pooling 으로 이루어진 인셉션 구조 바탕으로 네트워크를 구축하였다. VGGNet 은 7.33%, GoogleNet 은 6.67%의 Top-5 에러를 기록하여 2013 년에 비해 많 은 성능 향상을 보였다. 2015 년 영상 분류에서 가장 좋은 성능을 보인 Microsoft research Asia 의 ResNet[10]은 150 16 www.iitp.kr
기획시리즈 개 이상의 층으로 이루어진 네트워크를 효과적으로 학습이 가능하도록 하는 알고리즘을 개발 하여 3.57%의 Top-5 에러를 기록하였다. 사람이 이미지넷 데이터를 분류했을 때 5.1% 정도의 Top-5 에러를 가진다고 보고된 것을 참고하면[11], 이는 CNN 이 영상을 분류하는 능력이 사람 보다 뛰어남을 의미한다. 이외에도 Batch Normalization[12], Parametric ReLU[13] 등 CNN 의 학습 속도와 성능을 향상시킬 수 있는 방법이 많이 등장하여 이미지넷 영상 분류 문제는 거의 정복 된 문제로 여겨지는 분위기이다. 3. CNN 을 이용한 객체 검출 동향 객체 검출 문제는 영상 분류 문제와 달리 영상 한 장의 부류를 분류하는 것이 아니라 영상 에서 객체에 해당하는 부분을 찾아서 객체의 외곽상자(bounding box)를 결과로 출력해야 한다. 따라서 한 장의 영상에서도 여러 종류의 객체가 검출될 수 있어 영상 분류보다 어려운 문제로 다루어진다. 객체 검출에 사용되는 CNN 은 주로 영상 분류에서 사용된 CNN 과 같은 구조가 사 용되며 CNN 의 성능이 객체 검출의 성능에 큰 영향을 미친다. 다만 외곽상자를 추정하기 위해 객체의 외곽상자에 해당하는 후보군을 먼저 검출하는 작업이 필요하다. 초기 CNN 을 이용한 객 체 검출은 후보군 검출을 위한 방법으로 비지도 학습 기반의 방법인 selective search[14], edgebox[15] 등이 주로 사용되었다. 이렇게 검출된 후보군 부분을 영상에서 잘라내 CNN 을 통 해 분류하여 최종적으로 객체를 검출하게 된다. 이러한 프레임워크를 사용한 대표적인 방법이 R-CNN[16]이다([그림 2] 참조). 이후 후보군 또한 CNN 으로 함께 학습시켜 사용하는 방법이 더 좋은 성능을 보이게 되었다. 기존의 후보군 검출 방법은 이미지 한 장에 후보군이 1,000 개 이상 검출되었기 때문에 이를 모 Warped Region aeroplane? no. person? yes. CNN tvmonitor? no. 1. Input image 2. Extract region proposals(~2k) 3. Compute CNN features 4. Classify regions <자료> Girshick, Ross, et al. Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. [그림 2] R-CNN 구조도 개요 정보통신기술진흥센터 17
주간기술동향 2016. 5. 11. 두 분류하는데 시간이 오래 걸렸다. 반면에 CNN 학습 시에 객체 위치를 함께 이용하여 학습함 으로써 객체 검출 시간 및 분류 시간을 크게 단축하였다. 특히, Microsoft research Asia 의 Faster R-CNN[17]은 앞서 설명한 ResNet 과 결합하여 사용해 2015 년 이미지넷 객체 검출 분야 에서 2 위와 큰 격차로 우승을 차지하였다. 4. CNN 의 발전 방향 Generative 모델 CNN 은 영상 분류에 가장 먼저 활용되면서 인기를 끌기 시작하였으나 컴퓨터 비전 분야 전 반에 걸쳐 활용될 수 있는 여지가 많다. 특히, 하위 층에서 간단한 특징을 학습하고 위로 갈수 록 고차원적인 특징을 학습하는 성질 때문에 CNN 의 학습은 새로운 레프리젠테이션을 학습하 는 과정으로도 볼 수 있다. 최근 CNN 에서 화두가 되고 있는 문제는 generative model 이다. 기 존 영상 분류나 다른 여러 분야에서 사용된 CNN 은 주로 discriminative model 을 학습하는 용도 로 사용되어 왔다. 이는 데이터 x 가 주어졌을 때 각 부류 C 마다 p(c x)를 학습하는 모델이다. 반면에 generative model 은 데이터 x 의 확률분포 θ 의 추정을 통해 p(x θ)를 학습하는 모델이다. Generative model 보다 discriminative model 이 분류 등 기본적인 문제에 있어서 우수한 성능을 보인다고 알려져 있지만 Generative model 의 장점은 학습된 모델로부터 새로운 데이터를 생성 할 수 있다는 점이다. 따라서 성능이 discriminative model 에 비해 좋지 않음에도 새로 생성된 데이터의 활용 방안이 많기 때문에 중요히 여겨지고 활발히 연구되고 있는 분야이다. CNN 과 같은 인공 신경망을 generative model 에 어떻게 접목시킬 것인가에 대해 많은 연구가 진행되어 왔다. 딥러닝의 시대를 처음으로 열었던 Hinton et al.의 Deep belief network(dbn)[18]의 경우 generative model 로써 층별로 학습시키는 모델이다. 이후 CNN 에서는 discriminative model 의 연 구가 주로 이어지다가 최근 variational auto-encoder(vae)[19]와 generative adversarial network (GAN)[20]의 등장으로 인해 generative model 이 다시 인기를 얻고 있다. VAE 의 경우, 베리에이 션(variational) 인퍼런스 문제를 단순화시켜 이를 gradient descent 방법을 이용하여 학습할 수 있도록 만들었다. GAN 의 경우, 데이터의 확률 분포를 학습하는 네트워크와 실제 데이터와 생성 된 데이터를 분류하는 네트워크의 미니맥스 게임을 통해 데이터의 확률 분포가 네트워크를 통해 학습이 되게 하였다. DRAW[21] 네트워크에서는 다음 장에서 좀 더 자세히 설명될 RNN 을 VAE 와 결합하여 이미 지를 생성하는 알고리즘을 개발하였다. 또한, 최근 Deep convolutional GAN(DCGAN)[22]에서는 18 www.iitp.kr
기획시리즈 주) DCGAN[21]을 이용하여 생성한 침실의 영상. 실제 침실의 사진이라 할 수 있을만큼 사실적인 영상을 보여준다. <자료> Radford, Alec et al. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, arxiv preprint arxiv:1511.06434, 2015. [그림 3] DCGAN[22]를 이용한 침실 영상 생성 예 GAN 을 이용하여 더 크고 자세한 이미지를 생성하는 방법을 연구하였다. 그 결과 생성된 얼굴, 침실 등의 영상은 꽤 자연스러운 모습을 보여주고 있다([그림 3, 4] 참조). 특히, 얼굴 데이터로 학습한 DCGAN 에서 생성에 입력으로 사용한 확률분포들 간의 벡터 연산을 통해 생성된 새로운 이미지를 생성하는 실험을 통해서 입력으로 사용한 벡터 공간이 고차원적인 의미를 표현하는 주) DCGAN[21]을 이용하여 생성한 얼굴 영상과 입력 벡터 간의 영상을 통해 새로 생성한 영상. 의미적으로 더하기, 빼기 연 산을 수행한 결과를 영상으로 생성해 주는 것을 알 수 있다. <자료> Radford, Alec et al. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, arxiv preprint arxiv:1511.06434, 2015. [그림 4] DCGAN[22]를 이용한 얼굴 영상 생성 예 정보통신기술진흥센터 19
주간기술동향 2016. 5. 11. 공간이 되도록 학습이 수행된다는 것을 볼 수 있다([그림 4] 참조). 앞으로 이러한 generative model 을 활용한 새로운 영상 또는 동영상의 생성 문제가 CNN 의 주요 연구 분야가 될 것으로 보여진다. III. 순환 신경망(RNN)의 소개 1. 개요 최근 음성이나 언어 등 연속된 입력 데이터를 다루는 연구자들이 딥러닝 모델 중 순환 신경 망(Recurrent Neural Network: RNN)에 주목하고 있다. 순환 신경망은 [그림 5]에 표현한 것과 같 이 연속된 데이터 상에서 이전 순서의 히든 노드(hidden node)의 값을 저장한다. 이후 다음 순 서의 입력데이터로 학습할 때 이전에 저장해 놓은 값을 이용하게 된다. 결국 학습이 진행되어 도 과거 학습의 정보를 잃지 않고 연속적인 정보의 흐름을 학습에 반영할 수 있다. 즉 순환 신 경망은 강력한 동적 시스템의 역할을 한다. 학습 방법은 인공 신경망의 역전파 방법을 따르게 되지만 시간 방향의 학습이 추가 되어 backpropagation through time(bptt)[24] 이라는 변형된 학 습방법을 따르게 된다. 이러한 BPTT 학습 방법은 역전파의 거리가 늘어나면서 gradient 값이 폭 증 하거나 사라지는 현상이 발생하는 문제점이 있으며 이로 인해 데이터의 길이가 길어질수록 학습은 힘들어진다[25]. <자료> LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep learning." Nature 521.7553 (2015): 436-444. [그림 5] RNN 의 구조 2. LSTM 및 GRU 기본 인공신경망 구조를 바탕으로 한 순환 신경망 학습의 문제점을 극복하기 위해 Long short-term memory(lstm) 구조가 제안되었다[26]. 인공신경망의 히든 노드 대신에 LSTM cell 을 사용하는 아이디어인데 구간이 길어지더라도 정보를 지속하는데 효과적이다. LSTM cell 은 여러 게이트들과 상태값들이 조합된 구조로 이루어져 있다. 게이트는 입력(i), 출력(o), 망각(f)의 세가 20 www.iitp.kr
기획시리즈 지 종류가 있으며, 시그모이드(sigmoid) 함수를 통해 0 과 1 사이의 값으로 제한시켜 통과 비율 을 정해주게 된다. 입력 게이트는 입력값의 사용 비율을 결정하며 망각 게이트는 이전 단계에 서 넘어온 히든 노드 값의 사용 비율을 결정한다. 출력 게이트는 최종 아웃풋의 사용 비율을 정해준다. 즉, 학습을 통해 게이트들은 얼마만큼 정보를 통과시켜줄지 결정할 수 있게 되고 이 로 인해 장기간 기억을 보존하여 사용할 수 있게 된다. [그림 6 (a)]는 LSTM 의 구조를 간략히 보여준다. (a) Long Short-Term Memory (b) Gated Recurrent Unit <자료> Chung, Junyoung, et al. Empirical evaluation of gated recurrent neural networks on sequence modeling. arxiv preprint arxiv:1412.3555, 2014. [그림 6] LSTM 의 구조와 GRU 의 구조 LSTM 의 기본 구조 이외에도 다양한 변형구조가 연구되고 있다. 그 중 Gated Recurrent Unit (GRU)의 경우 보다 간단한 구조임에도 LSTM 못지 않은 성능을 보여 최근 연구에 많이 사용되 고 있다[28]. GRU 의 경우는 게이트의 수가 [그림 6 (b)]와 같이 2 개로 LSTM 보다 적으며, GRU 에 서는 리셋 게이트(r)와 업데이트 게이트(z)가 LSTM 의 3 가지 게이트의 역할을 나누어 수행한다. 리셋 게이트는 입력값과 이전단계의 히든 노드의 값을 어떻게 섞을지 그 비율을 정해주어 업데 이트 게이트는 리셋게이트를 통과한 후보값과 이전 단계의 히든 노드 값의 조합 비율을 결정하 여 최종 결과값을 결정한다. GRU 는 구조가 간단하고 변수의 수가 적어 LSTM 보다 학습시간이 짧게 걸리고 과적합이 덜 일어나는 장점이 있다. 하지만 데이터의 수와 복잡도에 따라 LSTM 이 좀 더 나은 성능을 보이는 경우도 있어 어느 구조가 낫다고 보기 힘들다[27]. 3. 순환 신경망의 응용 가. 자연어처리 순환 신경망은 최근 학습방법 및 구조 면에서 많은 연구가 진행되고 있다. 그와 더불어 음 성인식, 자연어처리 등 연속 데이터를 처리하는 분야에 다양하게 응용되고 있다. 그 중 순환신 정보통신기술진흥센터 21
주간기술동향 2016. 5. 11. 경망이 자연어로 문장을 이루는 패턴을 잘 익히면서 자연어처리 분야에서 큰 두각을 나타내고 있다. 예를 들어, 영어 자연어 문장을 독일어 및 프랑스 언어로 번역할 때 기존 번역 연구와 달 리 순환 신경망을 이용할 수 있다. 최근 뉴럴 기계 번역(Neural Machine Translation: NMT) 모델은 순환 신경망을 기반으로 하여 언어 간의 특징을 스스로 학습하여 좋은 성능을 보여준다[29],[30]. NMT 모델은 [그림 7]과 같이 인코더 네트워크와 디코더 네트워크로 구성되며 두 네트워크 모두 순환 신경망 구조로 이루어져 있다. 앞서 소개한 LSTM 이나 GRU 등의 메모리 셀이 히든 노드를 이루게 된다. 인코더 네트워크의 입력은 문장을 이루는 단어들을 벡터로 변환하여 처리 한다. 연속된 단어 벡터의 입력 값은 입력 문장을 의미하는 하나의 표현 벡터를 생성하여 디코 더 네트워크로 넘겨지게 되며 디코더 네트워크는 인코더 네트워크에서 넘어온 벡터를 기반으 로 다른 언어의 자연어 문장을 생성한다. 디코더 네트워크는 확률 모델로서 후보 단어 중 가장 높은 확률의 단어를 연속적으로 생성한다. 첫 번째 단어를 생성한 후 그 단어가 다시 입력값이 되어 두 번째 단어의 생성에 영향을 주는 방식으로 자연스러운 문장을 만드는 패턴을 따르게 <자료> Introduction to Neural Machine Translation with GPUs, <https://devblogs.nvidia.com/parallelforall/introduction-neuralmachine-translation-gpus-part-3/> [그림 7] 뉴럴 기계 번역 모델의 구조 22 www.iitp.kr
기획시리즈 된다. 이를 통해 서로 다른 언어 간에도 자연어 입력과 출력이 가능하게 되는 것이다[30]. 나. 이미지 설명 생성 순환 신경망을 이용한 모델은 단지 언어에만 국한되지 않는다. 순환 신경망은 앞서 소개한 CNN 과 결합하여 이미지와 언어 간의 번역 모델을 구축할 수 있다[31]. [그림 8]과 같이 이미지 설명 생성 모델을 자세히 살펴보면 CNN 을 인코더 네트워크로 대체하여 입력 이미지의 특징을 담은 표현 벡터를 디코더 네트워크에 넘기게 되고, 이후 디코더 네트워크는 이미지의 내용에 따 라 자연어 문장을 생성하게 된다. 본 모델과 마찬가지로 연속적으로 출력값이 다음 순서의 입력 값이 되는 방식으로 자연스러운 문장 패턴을 생성하게 된다. 더 많은 수의 이미지와 설명 데이 터를 이용하여 학습할수록 이미지의 내용을 자연스럽게 설명해주는 모델을 만들 수 있게 된다. 이 모델에서는 NMT 모델에서의 인코더 네트워크를 CNN 으로 대체하여 다른 종류의 입력값 을 사용하였다고 볼 수 있고 딥러닝 모델의 큰 장점으로 생각할 수 있다. 인공신경망이 이미지, 언어, 소리, 비디오 등 다양한 종류의 데이터를 표현 벡터로 변환하고 이를 학습하는데 적합하 기 때문이다. 또한, 사용자가 입력 데이터를 모델에 입력만 하게 되면 모델 스스로 학습하고 특 <자료> Introduction to Neural Machine Translation with GPUs, <https://devblogs.nvidia.com/parallelforall/introduction-neuralmachine-translation-gpus-part-3/> [그림 8] 이미지 설명 생성 모델의 구조 정보통신기술진흥센터 23
주간기술동향 2016. 5. 11. 징을 찾아 결과를 도출하는 엔드 투 엔드(end-to-end) 모델링이 가능하다는 점이 딥러닝 모델 의 또 다른 장점이다. IV. 결론 본 고에서는 최근 이미지넷, 알파고 등의 성공에 따른 인공지능의 붐을 이끈 가장 큰 견인 차 역할을 하고 있는 딥러닝 기술에 관해 소개하였다. 딥러닝 기술 중 특히 영상인식 및 검출 분야에서 활발히 사용되고 있는 CNN 과 이의 최신 동향인 generative model 들에 대해 살펴보았 으며, 자연어처리 및 이미지 설명 자동 생성에서 사용되고 있는 RNN 에 대해 살펴보았다. 딥러 닝 기술은 최근 몇 년간 빅데이터 기술과 GPU 처리 속도의 향상 등에 힘입어 빠르게 발전하고 있으며, 많은 연구자들이 활발히 활동하고 있는 분야로 최근의 연구 동향에 비추어 보았을 때 영상인식 및 자연어처리 등의 분야 외에도 다양한 분야에 응용될 수 있을 것으로 보인다. [ 참고문헌 ] [1] LeCun, Yann, et al. Gradient-based learning applied to document recognition, Proceedings of the IEEE 86.11, 1998, 2278-2324. [2] Russakovsky, Olga, et al. Imagenet large scale visual recognition challenge, International Journal of Computer Vision 115.3, 2015, 211-252. [3] Nair, Vinod, and Geoffrey E. Hinton. Rectified linear units improve restricted boltzmann machines, Proceedings of the 27th International Conference on Machine Learning(ICML-10). 2010. [4] https://www.mturk.com/ [5] Srivastava, Nitish, et al. Dropout: A simple way to prevent neural networks from overfitting, The Journal of Machine Learning Research 15.1, 2014, 1929-1958. [6] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems. 2012. [7] Zeiler, Matthew D., and Rob Fergus. Visualizing and understanding convolutional networks, Computer vision ECCV 2014. Springer International Publishing, 2014. 818-833. [8] Simonyan, Karen, and Andrew Zisserman. Very deep convolutional networks for large-scale image recognition, arxiv preprint arxiv:1409.1556, 2014. [9] Szegedy, Christian, et al. Going deeper with convolutions, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. [10] He, Kaiming, et al. Deep Residual Learning for Image Recognition, arxiv preprint arxiv:1512.03385, 2015. [11] http://karpathy.github.io/2014/09/02/what-i-learned-from-competing-against-a-convnet-on-imagenet/ 24 www.iitp.kr
기획시리즈 [12] Ioffe, Sergey, and Christian Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift, arxiv preprint arxiv:1502.03167, 2015. [13] He, Kaiming, et al. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification, Proceedings of the IEEE International Conference on Computer Vision. 2015. [14] Uijlings, Jasper RR, et al. Selective search for object recognition, International journal of computer vision 104.2, 2013, 154-171. [15] Zitnick, C. Lawrence, and Piotr Dollár. Edge boxes: Locating object proposals from edges, Computer Vision ECCV 2014. Springer International Publishing, 2014. 391-405. [16] Girshick, Ross, et al. Rich feature hierarchies for accurate object detection and semantic segmentation, Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. [17] Ren, Shaoqing, et al. Faster R-CNN: Towards real-time object detection with region proposal networks, Advances in Neural Information Processing Systems. 2015. [18] Hinton, Geoffrey E., Deep belief networks, Scholarpedia 4.5, 2009, 5947. [19] Kingma, Diederik P., and Max Welling., Auto-encoding variational bayes, arxiv preprint arxiv:1312.6114, 2013. [20] Goodfellow, Ian, et al. Generative adversarial nets, Advances in Neural Information Processing Systems. 2014. [21] Gregor, Karol, et al. DRAW: A recurrent neural network for image generation, arxiv preprint arxiv:1502.04623, 2015. [22] Radford, Alec, Luke Metz, and Soumith Chintala. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, arxiv preprint arxiv:1511.06434, 2015. [23] LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton., Deep learning, Nature 521.7553, 2015, 436-444. [24] Williams, Ronald J., and David Zipser., Gradient-based learning algorithms for recurrent networks and their computational complexity, Back-propagation: Theory, architectures and applications, 1995, 433-486. [25] Bengio, Yoshua, Patrice Simard, and Paolo Frasconi. Learning long-term dependencies with gradient descent is difficult, Neural Networks, IEEE Transactions on 5.2, 1994, 157-166. [26] Hochreiter, Sepp, and Jürgen Schmidhuber., Long short-term memory, Neural computation 9.8, 1997, 1735-1780. [27] Chung, Junyoung, et al., Empirical evaluation of gated recurrent neural networks on sequence modeling, arxiv preprint arxiv:1412.3555, 2014. [28] Cho, Kyunghyun, et al., Learning phrase representations using RNN encoder-decoder for statistical machine translation, arxiv preprint arxiv:1406.1078, 2014. [29] Bahdanau, Dzmitry, Kyunghyun Cho, and Yoshua Bengio., Neural machine translation by jointly learning to align and translate, arxiv preprint arxiv:1409.0473 2014. [30] Introduction to Neural Machine Translation with GPUs, <https://devblogs.nvidia.com/parallelforall/introduction-neural-machine-translation-gpus-part-3/> [31] Xu, Kelvin, et al., Show, attend and tell: Neural image caption generation with visual attention, arxiv preprint arxiv:1502.03044 2015. 정보통신기술진흥센터 25
주간기술동향 2016. 5. 11. 5G 이동통신 연구개발 및 정책 현황 김사진 정보통신기술진흥센터 책임연구원 I. 서론 세계 이동통신 시장은 2015 년 1 조 5,550 억 달러에서 연평균 2.7%의 성장률을 보이며, 2020 년 1 조 7,756 억 달러 규모를 기록할 전망이다. 1) 또한, 세계 이동통신 단말 시장은 스마트 폰 뿐만 아니라 신규 커넥티드 및 웨어러블 디바이스 분야에서 높은 성장률을 기록하며 다양한 형태의 모바일 기기로 확산되고 있다. 이와 같이 생활 전반이 모바일 영역으로 확대됨에 따라 향후 도래하는 초연결 시대를 맞이 하여, 모바일 트래픽의 급증 및 다양한 형태의 단말 보급에 따른 모바일 생태계 진화에 선제적 인 대응은 미래 이동통신 시장 선도를 위한 필수 불가결한 조건이 되었다. 기존의 통신영역이 모바일 디바이스를 넘어 사물까지 확대됨에 따라 증강현실, 가상현실, 모바일 입체영상 등을 이용한 서비스 초실감화 및 타 산업과의 융 복합화를 통한 산업혁신, 그리고 이와 관련된 서 비스 생태계의 진화가 점차 가속화 되고 있다. 이 속에서 가치 있는 데이터의 효율적인 가공을 통한 다양한 산업과의 수직 융합은 새로운 시장에 대한 기회와 삶의 질 개선이라는 일거양득의 효과를 창출할 것이다. 이에 세계 주요기업들은 현실 안주가 시장 실패로 직결되었던 4G 이동 통신 시대의 경험을 토대로 선도적인 5G 이동통신 핵심기술에 대한 주도권 확보를 위해 경쟁 적으로 투자 중이다. 우리나라 또한 도래하는 5G 이동통신 시대를 맞이하여 글로벌 주도권 확보를 위해 큰 관심 을 갖고 투자 중이며, 정부와 민간에서 핵심원천기술 확보, 국제표준 선점을 위해 역량을 집중 하고 있다. 이와 더불어 이동통신 3 사는 글로벌 IT 기업들과 활발한 제휴를 통해 핵심기술을 개발하는 한편 시장 친화적인 사업모델 발굴과 상용 서비스 제공을 위해 박차를 가하고 있다. * 본 내용은 김사진 책임연구원( 042-612-8162, sj.kim@iitp.kr)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP 의 공식적인 입장이 아님을 밝힙니다. 1) 한국전자통신연구원 기술경제연구본부 2016. 2.(GSMA, Gartner, IDC, US Census, 통계청, 전자신문 등을 활용하여 한국전 자통신연구원 기술경제연구본부에서 제시한 수치임) 26 www.iitp.kr
ICT 신기술 이를 위해 2016 년 1 월 KT 는 5G 이동통신 상용화 시점은 2020 년으로 예상되고 있지만, 모든 역량을 집중해 평창 동계올림픽에서 5G 이동통신을 구현할 것 이라고 하였으며, SKT 는 5G 이 동통신 네트워크 기술을 선도해 세계 통신산업에 새로운 가능성을 제시, LG U+는 5G 이동통 신 분야에 주력하여 제 2 의 도약에 나서겠다 고 밝혔다. 정부도 민간과 발맞추어 주력산업 고 도화와 시장 패러다임 변화에 선재대응을 위해 5G 이동통신을 미래성장동력 및 K-ICT 9 대 전 략산업으로 지정하여 중점 육성 중이다. 이를 위해 2019 년까지 약 6,000 억 원을 투입하여 2018 년까지 평창 올림픽에서 기술 타당성을 검증하고, 2020 년 세계 최초 5G 이동통신 상용화를 달 성하는 것을 목표로 추진하고 있다. 과거 대한민국은 지속적이고 유기적인 민관 협력을 통해 CDMA, WiBro, LTE-A 로 이어지는 첨단이동통신 서비스의 세계 최초 상용화를 통해 이동통신 선도국가로 도약했으며, 그간의 경험과 노하우를 기반으로 5G 이동통신시대를 준비하고 있다. II. 5G 이동통신 기술개발 및 표준화 동향 1. 해외 5G 이동통신 기술개발 동향 세계 각국은 2020 년 5G 이동통신 상용화를 목표로 비전 설정, 기술개발 로드맵 수립 및 주 파수 소요량에 대해 논의 중이며, 이와 관련된 기술 표준화 주도를 위해 초기 단계부터 민 관 협력 연구를 추진하고 있다. 유럽의 경우 범유럽 연구프로그램인 Horizon 2020 의 5G 이동통신 네트워크 기술개발 민 관 합동 프로그램인 5GPPP(5G Public Private Partnership)를 통해 METIS-II, 2) FANTASTIC-5G 3) 등 19 개의 대형과제를 통한 원천연구를 수행 중이며, 본격적인 5G 이동통신 시스템 설계 단계 돌 입을 위해 5G 이동통신 서비스의 요구사항 및 원천기술 적용 가능성을 검토 중이다. 이와 더불 어 학계에서는 영국 Surrey 대학교 5G 혁신센터를 중심으로 보다폰, 삼성, 화웨이, 로데슈바르 츠 등 다양한 산업체와 컨소시엄을 통해 세계 최초 5G 이동통신기술 개발을 목표로 5G 이동통 신 전 분야에 대해 연구를 진행 중이다. 중국의 경우, 공업정보화부, 국가발전개혁위원회, 과학기술부와 같은 정부기관 주도로 차이 나모바일, 화웨이, 차이나유니콤, ZTE 등의 민간기업과 학계가 IMT 2020 PG(IMT 2020 Promition 2) Mobile and wireless communications Enablers for 2020 Information Society-I 3) Flexible Air interface for Scalable service delivery within wireless Communication Neworks of the 5G 정보통신기술진흥센터 27
주간기술동향 2016. 5. 11. Group)를 결성하여 5G 이동통신기술을 개발하고 있으며, 현재 국내 5G 포럼, LG U+, KT 를 포 함한 해외 다수 기업들과도 협력 중이다. 일본의 경우 5GMF(5G Mobile Communication Promotion Forum)를 중심으로 통신사업자, 단말 기제조사, 대학, 연구기관, 외국계 기업 등이 2020 년 도쿄 올림픽에서 5G 이동통신 상용화를 목표로 활발하게 연구 개발을 추진 중이다. 미국의 경우, FCC(Federal Communication Commission)가 24GHz 이상 대역을 모바일 광대역 및 차세대 이동통신용으로 활용하기 위한 규정제정을 발표하고, 이에 대한 의견수렴을 진행 중 이며, 버라이즌은 삼성, 인텔 등과 2017 년부터 28GHz 대역에서 5G 이동통신 시범 서비스를 선 보일 예정이라고 밝혔다. 또한, 본격적인 5G 이동통신 산업 경쟁력 강화를 위해 최근 4G Americas 를 5G Americas 로 4) 변경하여 민간 역량을 집중하고 있다. 최근 스페인 바르셀로나에서 개최된 MWC 2016 에서는 글로벌 기업들을 중심으로 5G 이동 통신 핵심성능지표 달성을 위한 기술 개발과 다양한 산업영역에서 응용 분야 모색을 위한 시도 가 있었다. 5G 이동통신 핵심성능지표 중 최대 전송속도 성능지표를 달성하기 위해 에릭슨은 두 개의 단말을 지원하는 MU-MIMO(Multi User Multiple Input Multiple Output; 다중 사용자 다중입력 다중 출력)와 빔트래킹 기술을 사용하여 최대 27Gbps 전송속도를 시연하였고, 화웨이의 경우 6GHz 이하와 6GHz 이상 대역의 캐리어 합성을 시도하여 최대 70Gbps 전송속도를 달성하였다. 그리 고 초저지연 성능지표를 달성하기 위해 노키아는 폭스바겐과 무인자동차 군집주행 서비스, 원 거리 사용자간 초고화질 영상전송 및 가상현실 게임을 시연하였으며, 에릭슨은 스카니아와 협 업을 통해 차량 군집주행 서비스 및 초저지연 기반 로봇팔 제어를 위한 장거리 협업 시스템을 5G 이동통신 테스트베드 초저지연 스포츠 게임 시연 무인차량 플래투닝 시연 원격 로봇팔 제어 시연 [그림 1] MWC 2016 에 출품된 5G 이동통신 관련 주요 제품과 서비스 4) LTE-Advanced 와 5G 를 포함하여 LTE 모바일 광대역 기술을 대표하는 무선산업무역협회 28 www.iitp.kr
ICT 신기술 전시하였다. 마지막으로 다수접속 성능지표를 달성하기 위해 에릭슨, 노키아, 퀄컴, 인텔 그리 고 화웨이 등이 NB-IoT(Narrow Band Internet of Things: 협대역 사물인터넷) 기술을 선보였다. 뿐만 아니라 5G 이동통신 주도권 선점 및 조기 상용화 달성을 위해 AT&T 와 버라이즌 등 은 표준화 일정보다 앞선 시범 서비스 계획을 발표하였으며, 현재 5G 이동통신 규격 및 주파수 대역이 확정되지 않은 상태에서 향후 규격 변화에 유연하게 대응하기 위해 화웨이, 노키아 등 의 장비업체를 중심으로 SW 기반 5G 이동통신 기지국 장비가 전시되었다. 2. 국내 5G 이동통신 기술개발 동향 민간측면에서는 이동통신 3 사 및 제조업체 별로 2016 년 수립된 5G 이동통신 비전과 핵심 성능지표를 달성하기 위해 사용자 체감 성능 향상, 대용량 사물인터넷 인프라 구축 및 저지연 고신뢰 통신 측면에서 연구 개발을 진행하고 있다. KT 의 경우, 8 대 핵심 성능 지표 중 최고속도, 사용자 체감속도, 저지연 및 기기연결 수를 주요 핵심인자로 고려하고 있으며, 5G 이동통신 네트워크를 단순한 하나의 네트워크가 아닌 4G 이동통신 네트워크의 진화된 형태와 무선랜이 결합된 상호보완하는 형태의 통합망으로 구 상하고 있다. 이를 위한 핵심기술 확보를 위해 특히 밀리미터파 대역, 5G 이동통신의 새로운 RAT(Radio Access Technology), 대용량 MIMO, 유연한 무선접속네트워크 구조에 대해 집중적으 로 연구하고 있다. 2016 년 3 분기까지 대도시 환경에서 셀간 이동성 검증을 위해 5G 이동통신 테스트 클러스터 구축계획을 수립 중이며, 향후 2017 년 4 분기까지 우면동에 위치한 5G 이동통 신 R&D 센터를 중심으로 싱크뷰, 5G safety, 360 도 VR, 홀로그램 Live 서비스를 평창 동계올림 픽 시범 서비스로 시연할 예정이다. 최근 개최된 MWC 2016 에서는 실시간 HD 급 방송이 가능 한 5G Live 브로드캐스팅과 밀리미터파 기반 최대 25Gbps 빔트래킹 기술을 시연하였다. SK 텔레콤의 경우, 5G 이동통신을 4G 이동통신 대비 단순히 빠르기만 한 기술이 아니라 사 용자들에게 새로운 서비스 경험 및 파트너들에게 새로운 비즈니스 기회를 제공하는 기술로 생 각하고 있다. 이러한 요구사항을 충족시키기 위해 4G 이동통신에서 진화된 무선전송 기술과 5G 이동통신 신규 무선전송 기능이 연동되어 끊김 없는 서비스를 지원할 수 있는 5G 이동통신 망에 대한 구조 설계에 중점을 두고 있다. 점진적인 5G 이동통신 도입을 고려하여 초기에는 기 존 LTE 전국망을 기반으로 핫스팟 지역에 5G 이동통신 셀을 스몰셀 형태로 연동시켜 안정된 서비스와 높은 전송속도를 동시에 제공하며, 점진적으로 NFV(Network Function Virtualization; 네 정보통신기술진흥센터 29
주간기술동향 2016. 5. 11. 트워크 기능 가상화)와 SDN(Software Defined Network; 소프트웨어 정의 네트워크) 기술을 바탕 으로 네트워크 장비의 확장성과 가용성을 높여서 5G 이동통신 인프라 장비를 고도화해 나갈 계획이다. 현재 2015 년 10 월에 개소한 5G 이동통신 글로벌 혁신센터를 통해 5G 이동통신 기 술개발 및 표준화를 진행중이며, 가상화 기지국, 네트워크 슬라이싱 등 5G 이동통신기술의 실 효성 검증에 많은 힘을 쏟고 있다. 이를 위해 인텔과 5G 이동통신 핵심기술 공동연구 개발에 합의하고, 퀄컴과 5G 이동통신용 기기 프로토타입 개발 및 에릭슨과 5G 이동통신 시험망 개발 관련하여 협력하고 있다. 최근 개최된 MWC2016 에서는 3D 홀로그램 기술과 밀리미터파 기반 최대 20Gbps 급 전송속도를 시연하였다. LG U+의 경우, 노키아, 화웨이, 삼성 등 제조사와 협력하여 5G 이동통신기술 확보를 진행중 이며, 2015 년 12 월에 5G 이동통신 기술시험센터를 구축하여 자율주행차량, 드론, 웨어러블, 센 서 등 5G 이동통신 기반 서비스에 대한 기술과 장비 개발을 추진 중이다. 타 사업자와 마찬가 지로 5G 이동통신 도입 초기에는 기존 4G 이동통신망 위에 각 지역에서의 주 사용 서비스 특 성, 고객의 밀집도 및 사용 패턴을 고려하여 오버레이 형태로 구축 예정이며, 인프라가 생성하 는 정보를 연계 분석하여 고객 맞춤형 서비스를 제공하고 망 운영 효율을 극대화 하는 것에 중점을 두고 있다. 이를 위해 각 망 요소의 모듈화를 토대로 빠른 서비스 개발, 개발비 절감 및 원클릭 고객 맟춤 서비스를 제공하는 것을 목표로 삼고 있다. 비록 최근 개최된 MWC 2016 에 서 별도의 전시관을 마련하지 않았지만, 화웨이 등 협력업체와 다양한 5G 이동통신 기술을 시 연 중이다. 제조업체에서는 삼성전자가 2014 년 10 월 세계 최초 100km/h 속도로 이동 중에 11.3Gbps 데이터 전송 속도를 가지는 5G 이동통신 기술을 시연하였으며, 현재 광대역 초고속 전송을 위 해 6GHz 이상 초고주파 대역과 6GHz 이하 대역에 대한 5G 이동통신기술 연구 개발뿐만 아니라 5G 이동통신 연동이 가능한 4G 이동통신 진화 기술을 개발 중이다. 그리고 영국의 5G 혁신센 터의 멤버 참여 및 글로벌 주요 기관 기업과 협력 채널을 마련 중이며 KT 와 평창 동계올림픽 에서 5G 이동통신 시범 서비스를 목표로 협력 중이다. 최근 개최된 MWC 2016 에서는 밀리미터 파 대역에서 기지국간 핸드오버 기술을 세계 최초로 시연하였으며, 핸드오버시에도 2Gbps 급 이상의 전송속도를 유지하였다. LG 전자의 경우, 3GPP LTE 표준화 주도력 강화를 위한 5G 이 동통신 표준화 아이템 발굴과 기반기술 개발을 위해 주파수 자원 최적 활용 기술개발, 5G 이동 통신 기반의 셀룰러 사물인터넷 신규 응용 실현기술 개발에 중점을 두고 있다. 특히, 사물인터 30 www.iitp.kr
ICT 신기술 넷 분야 버티컬 산업체와의 협력을 통한 5G 이동통신의 핵심 애플리케이션 발굴을 위해 자동 차 기업과의 협력을 강화하고 있다. 이와 더불어 5G 이동통신 초고주파 요소기술 연구 및 표준 화 협력을 위해 2015 년 6 월부터 미래창조과학부 주관으로 수행중인 한중 국제공동연구 과제 에 참여하고 있다. 3. 5G 이동통신 표준화 동향 ITU-R(International Telecommunication Union-Radio; 국제전기통신연합전파통신총국) WP5D (Working Party 5D)에서는 2020 년 이후 미래 이동통신을 위한 IMT-2020 비전 권고서인 Framework and overall objectives of the future development of IMT for 2020 and beyond 를 우 리나라 주도하에 2015 년 6 월에 완성하여 IMT-2020 서비스 시나리오 및 주요 성능 지표를 제시 하였다. ITU 가 정의하는 5G 이동통신 개념은 20Gbps 의 최대 전송속도를 제공하고, 어디에서든 100Mbps 이상의 체감 전송속도를 제공하는 것을 목표로 한다. 이를 위한 주요 성능지표는 최대전송속도, 이용자 체감 전송속도, 주파수 효율성, 고속이동성, 전송지연, 최대 기기 연결 수, 에너지 효율 성 그리고 면적당 데이터 처리 용량의 총 8 개 항목으로 구성되며, 과거처럼 전송속도를 올리는 데 주안점을 두지 않고, 향후 사물인터넷 시대를 맞이하여 대량의 접속을 지원하거나 자율주행 WRC-07 WRC-12 WRC-15 WRC-19 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 IMT-Advanced(4G) 표준화 IMT-2020 (5G) 표준화 요구사항 & 평가방법 후보기술 제안 후보기술 평가 표준개발 비전 권고 & 기술동향보고서 요구사항 & 평가방법 후보기술 평가 후보기술 제안 표준개발 Study Item Work Item Rel. 10(LTE-Advanced) Rel. 11 Rel. 12 Rel. 13 Study Item Rel. 14~15 Work Item <자료> ITU-R 5G 비전 및 표준화 현황, 한국전자통신연구원 통신인터넷연구소, 2015. 4. [그림 2] ITU-R 및 3GPP 5G 이동통신 표준화 일정 정보통신기술진흥센터 31
주간기술동향 2016. 5. 11. 5G 연구, 시제품 5G 표준화 5G 제품 및 시장전개 Recommendation vision of IMT beyond 2020 WRC-15 Technical Performance Requirements Evaluation Criteria Proposals for IMT-2020 WRC-19 Evaluation IMT-2020 Specifications 3GPP 3GPP 5G Study 3GPP Rel-15 5G Phase I 3GPP Rel-16 5G Phase II 2014 2015 2016 2017 2018 2019 2020 2021 - Rel-14(2016 년 3 월~2017 년 6 월): 5G 이동통신 Study Item - Rel-15(2017 년 6 월~2018 년 9 월): 1 단계 5G 이동통신 초기 규격 개발 - Rel-14(2018 년 9 월~2019 년 12 월): 1 단계 5G 이동통신 규격 완성 <자료> 5G timeline in 3GPP, 3GPP, 2015. 3. [그림 3] 3GPP 단계별 5G 이동통신 표준화 추진 전략 차 등을 위한 저지연을 지원하고 있다. 5G 이동통신 비전을 기반으로 2017 년 3 월에 5G 이동통 신 기술 성능 수치를 정하며, 2017 년 10 월부터 2019 년 6 월까지 5G 이동통신 후보기술을 접수 받아 2020 년 10 월에 5G 이동통신 표준을 승인할 계획이다. 현재 우리나라는 글로벌 표준 선도를 위해 주도적으로 IMT-2020 서비스 시나리오 및 주요 성능지표를 제시하는 것 이외에도 다양한 활동을 추진 중이다. 5G 이동통신 주파수 관련하여 제 5 차 ITU 세계전파통신회의 아태지역 준비회의(APG-15 회의)에서 6GHz 이상 대역 분배 의제 를 주도하여 작성하는 한편 2015 년 12 월에 열린 WRC-15 에서 24.25~86GHz 대역 내에 5G 이동 통신 주파수 발굴을 WRC-19 의제로 채택하는데 성공하였다. 그리고 차세대 이동통신의 표준화 절차를 주도하는 ITU 전파통신총회(RA-15)에서 한국인 5 명이 제 1 연구반(SG1) 등 산하 실무진 의 부의장에 임명되었으며, ITU 가 새로 구성한 5G 이동통신 표준연구반에서도 한국인이 표준 연구반 부의장직을 수행하게 되었다. 그 외에도 CJK(China-Japan-Korea; 한 중 일) 이동통신 표준협력그룹을 통해 5G 이동통신 국제표준 공조를 위한 협력회의를 정례화하고, ITU 의 5G 이 동통신 주요 이슈에 대한 사전 조정 및 공동기고문 관련 협력을 진행 중이다. 32 www.iitp.kr
ICT 신기술 III. 5G 이동통신 정부정책 현황 정부는 5G 이동통신을 창조경제의 근간인 ICT 산업을 혁신하는 지식 정보의 유통 핵심 인 프라이자 국가 미래성장동력으로 육성 중이다. 5G 이동통신은 국정과제, 경제혁신 3 개년 계획 및 13 대 미래성장동력에 포함되어 추진되고 있으며, 2020 년까지의 청사진인 미래 이동통신 산업발전 전략 을 수립하여 추진 중에 있다. 발표된 전략은 세상에서 가장 앞선 5 세대 이동통 신 강국 실현 을 비전으로 정하여 5G 이동통신 시장 조기활성화(Market Activator), 5G 이동통신 표준화 글로벌 선도(Standard frontier), 도전적 R&D 추진(Technology leader), 스마트 신생태계 조성(Ecosystem Renovator) 등 MASTER 전략 을 담고 있다. 또한, 성공적인 5G 이동통신 전략 추진을 위해 정부는 미래부, 산업체, 연구소 등이 참여하 는 민 관 고위급 협의체이자 컨트롤타워로서 5G 전략추진위원회 를 구성하여 모두의 역량을 결집하고 있으며, 민간에서는 통신 3 사, 이동통신 관련 제조사 등으로 구성된 5G 포럼 을 설립 하고 5G 이동통신 모바일 서비스 생태계 조성을 위한 민간협력을 추진하고 있다. 주요 일정으로는 2015 년 말에 시연한 Pre-5G 핵심 서비스를 토대로 2018 년 평창 동계올림 픽에서 한국의 5G 이동통신 기술 선도를 보여주기 위해 다양한 시나리오 기반의 5G 이동통신 시범 서비스를 제공한 후 2020 년에 세계 최초 5G 이동통신 상용 서비스를 제공할 계획이다. 이를 위해 정부는 2020 년까지 국제 표준특허 경쟁력 1 위라는 도전적 목표를 설정하고 5G 이동통신 핵심원천기술 개발에 박차를 가하고 있다. 주요 추진체계로 한국전자통신연구원(ETRI)을 중심으 로 5G 통합과제를 추진 중이며, 2018 년 평창 동계올림픽에서 5G 이동통신 시범 서비스 제공을 목표로 C(Contents)-P(Platform)-N(Network)-D(Device)를 연계한 기가코리아사업 등을 추진하고 있다. 5G 통합과제는 5G 이동통신 원천기술 개발의 기술선도형 연구 개발과 기술상용화 목표의 시장지향형 연구 개발로 구분하여 추진 중이다. ETRI 에서 개별적으로 진행되고 있던 기존 10 개의 과제를 한 개의 초대형 단일 과제로 통합하여 2015 년 기준으로 272 억을 편성하여 진행하 고 있다. 범부처 기가코리아사업은 홀로그램, 초다시점 영상 등 5G 이동통신 서비스를 2018 년 평창 동계올림픽에서 시연을 목표로 2015 년 410 억 원을 편성하여 추진하고 있다. 특히, 5G 이동통 신 네트워크 분야에 132 억 원을 투자하여 개인별 기가급 서비스를 제공하기 위한 밀리미터파 5G 이동통신 단말 및 시스템 연구 개발을 진행하고 있다. 정보통신기술진흥센터 33
주간기술동향 2016. 5. 11. [표 1] 5G 통합과제 기술선도형 및 시장지향형 연구개발 현황 구분 추진단계 연도 중점 확보기술 기술 선도형 시장 지향형 1 2014~2015 2 2016~2017 3 2018~2020 1 2014~2015 2 2016~2017 (5G 이동통신 기초 기술) 무선전송 용량증대, 면허 대역 기반 근접 디바이스간 직접통신, 고효율 무선랜 (5G 이동통신 무선 기술) 고효율 변조 및 다중접속기술, 저지연 고신뢰 전송기술, 이동형 소형기지국, 고집적 안테나, 밀리미 터파 이동통신시스템 등 (5G 이동통신 변혁 기술) 테라헤르츠 대역, OAM(오에이엠: Operations, Administration and Maintenance) 기술, 디바이스 네 트워킹 (Pre 5G 이동통신 상용 시스템) 소형기지국, RRH(리모드 라디오 헤드: Remote Radio Heads), 광역 와이파이 단말 및 AP 등 (5G 이동통신 진화 시스템) 무선 백홀 시스템, 엔터프라이즈 클 라우드 기지국 및 코어 시스템 등 (5G 이동통신 변혁 시스템) 6GHz 이하 대역 및 밀리미터파 기 3 2018~2020 반 5G 기지국 및 단말, 5G 모바일코어 시스템 등 <자료> 미래성장동력 종합실천계획(안), 관계부처 합동, 2015. 3. 또한, 5G 이동통신 국제 표준화 대응 및 주도권 확보를 위해 중국, EU(European Union; 유럽 연합) 등과 국제 공조를 추진하고 있다. 현재 중국과 2 년간 총 16 억 원 규모로 5G 이동통신 초 고주파 요소기술 공동연구 및 표준화 추진기반 수립을 위한 공동연구를 추진 중이며, EU 와 5G 이동통신 네트워크 기술개발 분야에 2 년간 총 36 억 원을 투입할 예정이며, 한 EU 간 컨소시 엄 구성을 위한 ICT 2015 행사가 2015 년 11 월에 성공리에 개최되었다. IV. 결론 및 시사점 2016 년부터 본격 시작될 것으로 예상되는 5G 이동통신 표준화에 맞추어 세계 각국은 2020 년 서비스가 개시될 5G 이동통신 주도권 확보를 위해 치열하게 경쟁하고 있으며, 국가차원의 투자를 본격화하고 있다. 특히, 중국은 2018 년 6 월 러시아 월드컵을, 일본은 2020 년 도쿄 올림 픽을 중요한 기회로 활용할 계획이다. 우리나라도 2018 년 평창 동계올림픽에서 5G 이동통신 시범 서비스 제공 및 2020 년 5G 이 동통신 상용 서비스 제공을 추진하고 있다. 특히, 2018 년 5G 이동통신 시범 서비스를 통해 글 로벌 레퍼런스 모델을 제시하고, 이를 통해 향후 5G 이동통신 표준 반영의 발판으로 삼을 계획 이다. 현재 신규 시장 조기발굴과 타국에 앞선 5G 이동통신 기술시연을 기반으로 한 표준선점이 34 www.iitp.kr
ICT 신기술 무엇보다도 중요한 시점이다. 이를 위해 미래부는 평창 동계올림픽 조직위와 평창 ICT 동계올림 픽 추진포럼을 통해 분야별 서비스별 세부실행방안을 수립 중이다. 현재 5G 이동통신은 단순 한 미래 이동통신 기술을 넘어 WiBro 상용화시 달성하지 못했던 시장 확산, 기술개발, 표준과 생태계 조성이라는 큰 당면 과제와 국가 신성장동력 산업으로 육성을 통해 이동통신 분야 산업 경쟁력 세계 1 위 달성이라는 비전을 제시하고 있다. 향후 국가 성장동력산업으로서 5G 이동통 신 기기 장비 수출과 내수 그리고 통신 서비스 부문에서 막대한 경제적 파급효과를 창출할 것 으로 전망되기에 민간과 정부가 협력하여 역량을 집중해 나갈 계획이다. [ 참고문헌 ] [1] 창조경제 실현을 위한 미래이동통신 산업전략, 미래창조과학부, 2014. 1. [2] 조성호, 김병석, 김대희, 5G 추진현황 및 진화전략, SKT, KT, LG U+, 2015. 11. [3] 황성수, 5G 기술 동향과 향후 예상흐름, 삼성전자, 2015. 11. [4] 김태중, 밀리미터파 활용 5G 이동통신시스템 개발 현황, 한국전자통신연구원, 2015. 11. [5] 국민소득 4 만불 실현을 위한 미래성장동력 발굴 육성계획, 미래창조과학부, 2014. 3. [6] ITU-R 5G 비전 및 표준화 현황, 한국전자통신연구원 통신인터넷연구소, 2015. 4 [7] 미래성장동력 종합실천계획(안), 관계부처 합동, 2015. 3. 정보통신기술진흥센터 35
주간기술동향 2016. 5. 11. * 최신 ICT 이슈 I. 모든 지식 협업의 허브를 꿈꾸는 깃허브, 성공의 원천은 디자인 프로그램의 소스 코드를 관리하는 클라우드 서비스 깃허브(GitHub) 는 웹사이트 화면에 알파벳만 늘어서 있어 세계에서 가장 수수한 유니콘 클럽 기업으로 불리기도 하지만, 전체 직원 중 디자이너 의 비중이 높아 기업용 소프트웨어 업계에서 가장 디자인을 중시하는 기업으로 꼽히기도 함. 단, 깃허브의 디자이너들이 하는 일은 프로그래머들의 개발 프로세스를 디자인 하는 것으로, 실리콘 밸리에서 디자인은 단지 외관 디자인만을 의미하지 않는다는 사실을 깃허브는 잘 보여주고 있음. 깃허브(GitHub)는 미국 샌프란시스코에 본사를 둔 동명의 스타트업이 운영하는 프로그램 개 발자를 위한 클라우드 서비스임 오늘날 대부분의 소프트웨어는 한 명의 프로그래머가 개발하는 것이 아니라, 때론 다른 조 직에 소속된 여러 프로그래머가 협력하여 개발하기도 하며, 깃허브는 이것이 가능하도록 프로그래머들의 협업을 촉진하는 다양한 서비스를 제공하고 있음 자사 제품의 오픈소스소프트웨어(OSS)화를 추진하고 있는 애플과 마이크로소프트, 양사의 OSS 전략에는 하나의 공통점이 있는데, 바로 프로그램의 소스 코 드를 공개하는 장소로 소스 코드 공유 서비스인 깃 허브를 선택하고 있다는 것 깃허브는 소스 코드의 버전(이력)을 관리하는 기능, 소스 코드를 동료들이 평가하거나 코멘트 해주는 검 토 기능, 이슈(Issue) 라는 단위로 프로그램 개발의 <자료> CBR Online [그림 1] 소스 코드의 허브, 깃허브 진척을 관리하는 기능, 프로그램을 실제 운영 환경에 디플로이(deploy, 배치) 하는 기능 등 을 갖추고 있음 * 본 내용과 관련된 사항은 산업분석팀( 042-612-8296)과 최신 ICT 동향 컬럼리스트 박종훈 집필위원 (soma0722@naver.com 02-739-6301)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP 의 공식적인 입장이 아님을 밝힙니다. 36 www.iitp.kr
최신 ICT 이슈 깃허브의 핵심은 예전부터 존재해 오던 버전 관리 시스템이라는 도구에 프로그래머들에 의 한 소셜 네트워크 서비스(SNS)적인 요소를 추가한 것임 깃허브의 계정을 보유한 개발자는 깃허브 서비스를 통해 조직이라는 물리적 울타리를 넘 어 다른 개발자들과 협력하면서 프로그램을 개발할 수 있음 각 개발자의 프로필 페이지에는 그 개발자가 개발에 참여하고 있는 프로그램의 제목이나 활동 상황 등이 표시되어 다른 사람이 볼 수 있음 즉 깃허브의 프로필 페이지는 이제 OSS 개발자들의 '명함'이나 이력서'가 되고 있는 것이 며, 깃허브는 전세계 소프트웨어 개발자가 모이는 강력한 허브(중심지)가 되었음 깃허브의 CEO 인 크리스 원스트래쓰(Chris Wanstrath)에 따르면, 2015 년 말 현재 전 세계 1,100 만 명 이상의 소프트웨어 개발자가 총 2,700 만 건의 소프트웨어 개발 프로젝트에 참 여하기 위해 깃허브를 이용 중이라고 함 이런 성과와 향후 발전 가능성을 인정받은 깃허브의 현재 기업가치 추정 평가액은 20 억 달러로, 10 억 달러 이상 기업들의 모임인 유니콘 클럽에 소속되어 있기도 함 <자료> GitHub [그림 2] 깃허브 웹사이트 초기 화면(左)과 개발자 프로필 페이지면(右) 애플과 마이크로소프트, 그리고 구글까지 소스 코드의 공개 장소로 깃허브를 선택한 것도, 깃허브를 중심으로 이미 형성된 거대 개발자 커뮤니티 에 접근할 수밖에 없었기 때문 애플은 2015 년 12 월 자사 프로그래밍 언어인 스위프트(Swift) 관련 소프트웨어를 OSS 로 공개하면서, 깃허브에 애플의 페이지를 마련하고 깃허브 방식을 통해 이용자들의 의견을 접수하기 시작했음 정보통신기술진흥센터 37
주간기술동향 2016. 5. 11. 2016 년 4 월 29 일에는 건강 관련 앱 개발을 위한 프레임워크로 이전에 발표한 헬스킷 (HealthKit) 과 리서치킷(ResearchKit) 을 통합한 케어킷(CareKit) 을 깃허브를 통해 오픈소스 커뮤니티에 공개하였음 마이크로소프트는 2014 년부터 OSS 의 공개에 깃허브를 이용하고 있으며, MS 는 이미 2006 년부터 자사 소스 코드 공유 서비스인 코드플렉스(CodePlex) 를 운용해 오고 있지만, 최근 에는 자사 OSS 공개마저 깃허브를 메인으로 하고 있음 구글도 2016 년 1 월 25 일에 자사 소스 코드 공유 서비스 구글 코드(Google Code) 를 폐쇄 했음. 구글 코드가 시작된 것은 2006 년으로 그 동안 구글은 1,000 종류에 가까운 자사 OSS 를 구글 코드에서 공개해 왔지만, 그럼에도 이제는 깃허브로 전환 이들 IT 대기업 외에 정부기관인 미 국토교통부 산하 국토지리원도 깃허브를 이용 중이며, 국토지리원이 운영하는 지리원지도' 의 소스 코드를 깃허브에서 공개함으로써 지도 앱 개 발자가 국토지리원의 지도 데이터를 활용할 수 있도록 하고 있음 깃허브의 창업은 2008 년으로 소스 코드 공유 서비스로는 MS 와 구글에 비해 출발이 뒤졌 지만, 후발주자임에도 불구하고 소스 코드 공유 서비스 시장에서 IT 공룡 기업들을 무너뜨 렸는데, 그 비결은 협업과 SNS 라는 사회적 트렌드를 잘 접목했기 때문으로 분석 깃허브는 깃허브 방식의 클라우드 서비스를 기업 내부로 한정해 구축할 수 있는 방안도 제 공함으로써 기업용 소프트웨어 시장의 새로운 강자로도 인정받고 있음 깃허브는 전세계 누구나 이용할 수 있는 클라우드 서비스이나, 이와 동일한 서비스 구조를 기업이 사내에 구축하고 이용자 역시 기업 내 또는 관계 회사 등으로 제한할 수 있는 깃 허브 엔터프라이즈(GitHub Enterprise) 서비스도 제공하고 있음 크리스 원스트래쓰 CEO 에 따르면 포드 자동차, 페이팔, 유통 대기업인 타깃 등이 사내 소 프트웨어 개발에 깃허브를 사용중이라고 함 나아가 깃허브는 소스 코드와 개발자만의 허브가 아니라, 모든 유형의 지식 노동자'들이 지 식을 공유하고 활용하는 허브로 변모하려는 노력을 시작하고 있음 깃허브 엔터프라이즈(GitHub Enterprise) 가 점차 확산되면서 흥미로운 현상도 나타났는데, 소프트웨어 개발 외에 다른 유형의 협업 에도 깃허브 활용 사례가 늘어나기 시작한 것 예로 든 것이 로펌의 문서 작성 업무인데, 문서를 여러 사람이 작성하고 그 내용을 여러 사람이 확인하는 등의 프로세스 는 소프트웨어 개발이나 법률 업무나 별반 다르지 않다는 38 www.iitp.kr
최신 ICT 이슈 것이 깃허브 측의 설명 실제로 깃허브의 목표는 모든 사람을 개발자로 만드는 것 이며, 여기서 개발의 대상은 소 프트웨어뿐만 아니라 법률과 관련된 문서나 하드웨어 설계도 등도 포함한다고 함 깃허브에는 소프트웨어 개발자들이 보여 주는 협업의 베스트 프랙티스(모범 공유사례) 가 응축되어 있으며, 이를 본떠 모든 화이트 칼라'들이 소프트웨어 개발자의 방식에 따라 업 무를 수행하는 그런 날이 오기를 꿈꾸고 있음 이처럼 깃허브가 프로그램 개발을 넘어 모든 지적 협업을 위한 플랫폼을 겨냥할 수 있을 만 큼 성공한 데에는 여러 이유가 있겠으나, 디자인' 중시 정책도 핵심요인으로 꼽히고 있음 깃허브가 유니콘 클럽에 가입된 기업이기는 하지만, 서비스 자체는 프로그램 소스 코드를 관리하는 것이기 때문에, 웹사이트나 서비스의 인터페이스는 매우 단순하여, 세계에서 가장 수수한 유니콘 이라는 평도 받고 있음 그러나 깃허브는 기업용 소프트웨어 업계에서 가장 디자인을 중시하는 기업 이기도 한데, 그 근거는 디자이너가 많다는 점으로, 깃허브가 고용한 디자이너 는 4 월 말 현재 25 명 깃허브의 총 직원 수가 4 월 말 현재 562 명이므로, 전체에서 디자이너 직원이 차지하는 비 중은 약 5%이며, 통상 IT 업체에서 디자이너의 비율이 전체 직원의 1~2% 이하인 점을 고 려하면 이는 상대적으로 꽤 높은 수치임 여기서 주목할 점은 깃허브의 디자이너가 맡은 업무는 프로그래머의 개발 프로세스 를 디 자인(설계)하는 것이라는 사실인데, 사용자(개발자)들이 프로그램 개발에서 무엇에 어려움 을 겪고 있고, 어떤 기능이 있으면 개발 효율성을 개선할 수 있는가를 파악하는 것임 디자이너들이 사용자를 주의 깊게 관찰하여 새로운 기능을 창출하게 한다는 것인데, 깃허 브의 디자이너들은 실리콘밸리에서 디자인은 단지 외관 디자인만을 의미하지 않는다는 점을 잘 보여주는 대표적 사례이기도 함 깃허브의 디자인 부서는 기능적으로 크게 제품 디자인 팀과 웹 디자인 팀으로 나뉘며, 특이 하고 중요한 조직으로 아트 팀이 별도 존재함 제품 디자인 팀은 SaaS(Software as a Service) 방식의 소스 코드 관리 서비스인 GitHub.com 과 고객 기업 내부에서 폐쇄적으로 깃허브를 운영할 수 있게 해주는 GitHub Enterprise, 깃허브의 독자적인 텍스트 편집기 ATOM 등을 담당하고 있음 웹 디자인 팀은 깃허브의 마케팅용 웹 사이트의 디자인 등을 담당하고 있음 정보통신기술진흥센터 39
주간기술동향 2016. 5. 11. <자료> GitHub Shop(http://github.myshopify.com [그림 3] 깃허브의 마스코트 옥토캣을 이용한 다양한 디자인 상품 여기에 덧붙여 중요 조직으로 아트 팀이 있는데, 깃허브는 전담 일러스트레이터와 애니메 이터를 두어 깃허브의 마스코트인 Octocat(옥토캣) 의 일러스트 등을 양산하고 있음 옥토캣은 문어와 고양이를 합성한 캐릭터로서 귀여운 마스코트와 이를 새겨 넣은 머그컵 이나 티셔츠 등은 깃허브의 인기를 설명하는데 빠뜨릴 수 없는 이유가 되고 있음 깃허브는 자신들이 디자인을 강조하는 이유에 대해, 디자이너들이 UI 나 UX 를 넘어 개발 프 로세스를 설계할 필요가 있기 때문이라 설명 깃허브라는 새로운 도구를 사용자들이 받아 들이게 하려면 도구의 사용법을 사용자에게 알려 주어야 하지만, 근본적으로 사용자들이 깃허브에 오는 것은 무언가를 배우고 싶기 때문이 아니라 어떤 응용 프로그램을 개발하고 싶어하기 때문 따라서 디자인이 매우 중요한데, 깃허브 디자인 부서는 사용자가 자연스럽게 깃허브를 잘 다룰 수 있게 하는 것을 미션으로 하고 있음 실리콘밸리의 스타트업 대부분은 디자이너를 UI(사용자 인터페이스) 디자이너 라든가 UX(사용자 경험) 디자이너, 경험 디자이너 등으로 부르고 있지만, 깃허브는 이런 호칭 을 의식적으로 사용하지 않고 있음 왜냐하면 디자인해야 할 것은 깃허브를 이용하는 프로그래머의 개발 프로세스 그 자체이 며, 단순히 UI 와 UX 에 그치지 않기 때문 깃허브는 디자인에서 가장 중요한 것은 사용자를 관찰하는 것이며, 따라서 디자인의 시작은 사용자나 사용자와 접점에 있는 사람들에게 질문을 하는 것에서 시작한다고 보고 있음 깃허브의 디자인 작업은 우선 디자이너 자신과 깃허브의 사용자, 사용자와 접점이 있는 영 업 담당자, 제품을 개발하고 있는 엔지니어 등에게 물어 보는 것으로부터 시작됨 40 www.iitp.kr
최신 ICT 이슈 사용자가 곤란해 하는 점은 무엇입니까, 이것이 문제인 것이 맞습니까, 이 문제를 해 결하는 것이 우리의 사용자에게 정말 필요합니까, 지금 이 문제를 해결해야 합니까, 누가 이 문제의 해결을 맡아야 합니까, 무엇을 개발하면 문제를 해결할 수 있습니까 와 같은 식으로 질문을 쌓아 감 그 다음은 프로토타입(시작품)을 개발하는데, 간단한 스케치나 Gif 애니메이션 등으로 이루 어진 시작품의 사용자 인터페이스를 만들고, 실제로 사용자에게 사용법을 시험해 봄 그리고 사용 후 감상을 사용자에게 질문하면서 정말 이 기능이 사용자의 생산성을 개선 할 수 있는지 확신도'를 높여 가고 있음 이런 절차를 거쳐 디자이너가 깃허브의 개발 프로세스를 설계하기 때문에, 디자이너의 사용 자 인터뷰 스킬이나 진정성 있고 효과적인 질문 방법이 매우 중요해 짐 깃허브에서 새로운 기능을 개발하는 경우, 그 기능의 주요 대상이 될 것 같은 깃허브 사용 자를 데이터베이스에서 골라 낸 다음 새로운 기능을 개발 중인데, 평가해 주시겠습니까 라는 메시지를 보내게 됨 인터뷰 시간은 1 건당 30 분에서 1 시간 정도 진행되며, 화상 채팅을 이용해 서로 얼굴을 보면서 인터뷰를 진행함 인터뷰는 다짜고짜 기능의 편의성 등에 대해 묻는 것이 아니라, 큰 부담이 없는 질문을 하 여 사용자가 평소 깃허브에 어떤 생각을 갖고 있는지 들으려고 하는데, 이런 사용자의 솔직한 감정 속에 서비스의 개선으로 이어질 힌트가 숨어있는 경우가 많기 때문 질문의 방법도 세심한데, 예를 들어 화면의 어느 곳에 있는 버튼을 클릭하여 A 라는 기능 을 호출해 주세요 라고 묻는 대신, 이 화면에서 A 라는 작업을 시도해 주십시오 라고 요 청한 뒤, 실제로 사용자가 디자이너들이 의도한 대로 작업하는지 여부를 관찰하고 있음 이때 디자이너들은 마우스 조작법과 사용자 표정 등을 관찰하며, 사용자가 망설이지는 않 는지, 당황하거나 불만을 느끼지는 않는지를 알아내기 위해 노력함 많은 사용자들을 대상으로 동일한 질문을 하여 답변을 듣는 일은 하지 않으며, 사용자에게 새로운 기능을 시도해 보게 하고 피드백을 얻으면 그것을 곧 반영하여 기능을 개선한 후 다른 사용자에게 다시 시도하도록 하는 방식으로 기능을 조금씩 개량해 나가고 있음 깃허브의 성공은 질문 능력이 뛰어난 디자이너의 존재가 매우 중요함을 잘 보여주며, 이는 최근 실리콘밸리의 대기업들도 따라 하고 있는 주요 성공전략으로 꼽히고 있음 정보통신기술진흥센터 41
주간기술동향 2016. 5. 11. 질문 능력이 뛰어난 디자이너를 확보하는 방법은 현재로서는 역시 디자인 에이전시에 근 무 경험이 있는 디자이너를 채용하는 것인데, 깃허브 역시 유명 디자인 에이전시에서 깃 허브로 스카우팅을 적극 추진해 오고 있음 최근 구글이나 페이스북 등 실리콘밸리의 거인 들이 디자인 에이전시의 인수를 적극적으로 추진하고 있으며, 이들의 목적 역시 깃허브와 같은 맥락임 깃허브는 앞으로 디자이너를 적어도 지금의 3 배 수준으로 확대할 예정이며, 현재 깃허브는 사내 엔지니어 15 명 당 디자이너 1 명을 배치 하고 있지만, 적정 수준은 엔지니어 5~6 명에 대해 디자이너 1 명을 배치해는 것으로 보고 있음 <자료> Twitter, 2016.43. [그림 4] 깃허브 본사의 생각하는 옥토캣 애플의 성공을 논할 때 내부의 디자인 철학 논쟁이 빠지지 않는데, 깃허브의 대성공 이면 에도 디자인의 정의와 기능, 그 범위에 대한 깊은 성찰이 자리하고 있음을 알 수 있음 서비스의 개발에 있어 디자인 요소는, 이제 화면의 유려함이나 UI, UX 관점의 편리함을 넘 어 프로세스와 기능의 설계와 재설계라는 관점에서 평가되기 시작하고 있으며, 점차 서비 스의 본질 그 자체와 분리하기 어려운 것이 되어 가고 있음 [ 참고문헌 ] [1] TechNewsWorld, Apple Drops CareKit on GitHub, 2016. 4. 29. [2] InfoWorld, GitHub Enterprise 2.6 streamlines workflows, 2016. 4. 26. [3] Co.Design, Meet The Accidental Designer Of The GitHub And Twitter Logos, 2016. 4. 26. [4] NetworkWorld, How enterprises use GitHub may predict whether they disrupt or are disrupted, 2016. 2. 22. 42 www.iitp.kr