설명 가능한 AI(XAI)에 대해 알아야 할 모든 것

ChatGPT와 같은 인공지능(AI) 도구의 응답을 보고 어떻게 그런 결론에 도달했는지 궁금했던 적이 있으신가요? 그렇다면 AI의 “블랙박스” 문제를 접해 보신 것입니다. 이는 AI 모델이 데이터를 처리하고 분석하는 방식이 명확하지 않다는 의미의 용어입니다. 최첨단 AI 알고리즘을 정기적으로 다루는 AI 엔지니어와 과학자조차도 그 내부 작동 원리를 완전히 이해하는 데 어려움을 겪을 수 있습니다. 실제로 IT 전문가의 22%만이 AI 도구의 기능을 진정으로 이해하고 있습니다.

AI 모델이 의사 결정을 내리는 방식에 대한 불확실성은 특히 의료 분야의 컴퓨터 비전과 금융 분야의 AI 같은 중요한 영역에서 위험할 수 있습니다. 그러나 이러한 문제를 해결하고 투명성을 높이기 위한 상당한 진전이 이루어지고 있습니다.

특히 설명 가능한 AI(XAI)는 이러한 문제를 해결하는 데만 초점을 맞춥니다. 간단히 말해, 복잡한 머신 러닝 알고리즘이 제공하는 결과나 출력을 사람이 이해하고 신뢰할 수 있도록 돕는 일련의 프로세스와 방법입니다.

XAI는 개발자가 AI 시스템이 예상대로 작동하는지 확인하는 데 도움을 줄 수 있습니다. 또한 AI 기업이 규제 표준을 충족하는 데도 도움이 될 수 있습니다. 이 글에서는 설명 가능한 AI와 다양한 사용 사례를 살펴보겠습니다. 시작하겠습니다!

설명 가능한 AI의 중요성#

AI를 다룰 때 설명 가능성은 핵심 요소입니다. 이는 의료와 같은 산업의 애플리케이션에서 널리 사용되는 AI의 하위 분야인 컴퓨터 비전에 특히 해당합니다. 이러한 민감한 산업에서 비전 모델을 사용할 때는 모델의 작동 방식이 모든 사람에게 투명하고 해석 가능해야 합니다.

컴퓨터 비전 모델의 해석 가능성은 사용자가 예측이 어떻게 이루어졌고 그 이면의 논리가 무엇인지 더 잘 이해하는 데 도움을 줍니다. 투명성은 모델의 한계를 명확히 제시하고 데이터가 윤리적으로 사용되도록 보장함으로써 모든 사람이 모델의 작동 방식을 분명히 이해할 수 있게 합니다. 예를 들어, 컴퓨터 비전은 방사선 전문의가 X-ray 이미지에서 건강상의 문제를 효율적으로 식별하는 데 도움을 줄 수 있습니다.

그림 1. 건강한 상태, 질병 상태, 활동성 결핵 및 잠복 결핵으로 분류된 비전 AI 분석 흉부 X-ray.

하지만 단순히 정확한 비전 시스템만으로는 충분하지 않습니다. 시스템은 의사 결정을 설명할 수도 있어야 합니다. 시스템이 어떤 이미지 부분 때문에 그러한 결론에 도달했는지 보여줄 수 있다고 가정해 보겠습니다. 그러면 모든 출력이 더 명확해질 것입니다. 이러한 수준의 투명성은 의료 전문가가 결과를 다시 확인하고 환자 진료가 의료 표준을 충족하는지 확인하는 데 도움이 됩니다.

설명 가능성이 중요한 또 다른 이유는 AI 기업의 책임성을 높이고 사용자의 신뢰를 구축하기 때문입니다. 신뢰할 수 있는 AI는 사용자가 AI 혁신이 안정적으로 작동하고 공정한 의사 결정을 내리며 데이터를 책임감 있게 처리한다는 확신을 갖게 합니다.

컴퓨터 비전에서 핵심적인 설명 가능한 AI 기법#

컴퓨터 비전에서 설명 가능성이 중요한 이유를 살펴보았으니, 이제 비전 AI에 사용되는 주요 XAI 기법을 알아보겠습니다.

돌출성 맵#

신경망은 인간의 뇌에서 영감을 받은 모델로, 상호 연결된 노드(뉴런) 계층을 통해 데이터를 처리하여 패턴을 인식하고 의사 결정을 내리도록 설계되었습니다. 신경망은 높은 정확도로 복잡한 컴퓨터 비전 문제를 해결하는 데 사용할 수 있습니다. 이렇게 정확하더라도 신경망은 설계상 여전히 블랙박스입니다.

돌출성 맵은 신경망이 이미지를 분석할 때 무엇을 보고 있는지 이해하는 데 도움을 주는 XAI 기법입니다. 모델이 예상대로 성능을 내지 못하는 경우 문제를 해결하는 데도 사용할 수 있습니다.

돌출성 맵은 이미지의 어떤 부분(픽셀)이 모델의 예측을 결정하는지에 초점을 맞춰 작동합니다. 이 과정은 모델이 예측에서 입력으로 거슬러 올라가는 역전파와 매우 유사합니다. 하지만 오류를 바탕으로 모델의 가중치를 업데이트하는 대신, 각 픽셀이 예측에 얼마나 "중요한지"를 살펴봅니다. 돌출성 맵은 이미지 분류와 같은 컴퓨터 비전 작업에 매우 유용합니다.

예를 들어 이미지 분류 모델이 이미지에 개가 있다고 예측했다면, 돌출성 맵을 통해 모델이 왜 개라고 판단했는지 이해할 수 있습니다. 이를 통해 어떤 픽셀이 출력에 가장 큰 영향을 미치는지 파악할 수 있습니다. 돌출성 맵은 이미지가 개라는 최종 예측에 기여한 모든 픽셀을 강조 표시합니다.

그림 2. 입력 이미지와 해당 돌출성 맵을 나란히 비교한 모습.

클래스 활성화 매핑(CAM)#

클래스 활성화 매핑은 신경망이 이미지 분류 예측을 수행할 때 이미지의 어떤 부분에 집중하는지 이해하는 데 사용되는 또 다른 XAI 기법입니다. 돌출성 맵과 유사하게 작동하지만 특정 픽셀 대신 이미지에서 중요한 특징을 식별하는 데 초점을 맞춥니다. 특징은 모델이 이미지에서 감지하는 형태나 질감과 같은 패턴 또는 세부 정보입니다.

그래디언트 가중 클래스 활성화 매핑(Grad-CAM) 및 Grad-CAM++와 같은 방법은 일부 개선 사항을 적용하여 동일한 아이디어를 발전시킨 것입니다.

CAM의 작동 방식은 다음과 같습니다.

• 신경망은 최종 결정을 내리기 전에 global average pooling(GAP)이라는 단계를 사용하여 정보를 단순화합니다. GAP는 감지된 패턴의 모든 픽셀을 하나의 평균값으로 결합하여 각 특징 맵(감지된 패턴을 시각적으로 표현한 것)의 요약을 생성합니다.
• 그런 다음 각 특징 맵에는 특정 클래스(예: "bird" 또는 "cat")를 예측하는 데 얼마나 중요한지를 나타내는 가중치가 부여됩니다.
• 하지만 CAM의 한 가지 한계는 이러한 가중치를 계산하기 위해 모델을 재학습해야 할 수 있으며, 이 과정에 시간이 오래 걸릴 수 있다는 점입니다.

Grad-CAM은 최종 예측에 각 특징 맵이 얼마나 영향을 미치는지 보여주는 신호와 같은 그래디언트를 사용하여 이를 개선합니다. 이 방법은 GAP가 필요하지 않으며 재학습 없이 모델이 무엇에 집중하는지 더 쉽게 확인할 수 있게 합니다. Grad-CAM++는 긍정적인 영향에만 초점을 맞춰 이를 한 단계 더 발전시키므로 결과가 더욱 명확해집니다.

그림 3. CAM, Grad-CAM 및 Grad-CAM++ 비교.

반사실적 설명#

반사실적 설명은 설명 가능한 AI의 중요한 요소입니다. 반사실적 설명은 실제로 발생하지 않았지만 발생할 수 있었던 대안적 상황이나 사건을 고려하여 상황이나 결과를 설명하는 것입니다. 이는 특정 입력 변수의 변화가 어떻게 다른 결과로 이어지는지 보여줄 수 있습니다. 예를 들어 “X가 발생하지 않았다면 Y도 발생하지 않았을 것입니다.”와 같습니다.

AI와 컴퓨터 비전에서는 반사실적 설명이 AI 모델이 서로 다른 특정 결과를 출력하도록 만들기 위해 입력(예: 이미지 또는 데이터)에 필요한 최소한의 변화를 식별합니다. 예를 들어 이미지에서 객체의 색상을 변경하면 이미지 분류 모델의 예측이 "cat"에서 "dog"로 바뀔 수 있습니다.

또 다른 좋은 예는 얼굴 인식 시스템에서 각도나 조명을 변경하는 것입니다. 이렇게 하면 모델이 다른 사람으로 식별할 수 있으며, 입력의 작은 변화가 모델의 예측에 어떤 영향을 미치는지 보여줍니다.

이러한 설명을 만드는 가장 간단한 방법은 시행착오입니다. AI 모델이 원하는 결과를 제공할 때까지 입력의 일부(예: 이미지나 데이터의 특징)를 무작위로 변경하면 됩니다. 다른 방법으로는 최적화 및 검색 기법을 사용하여 변경 사항을 찾는 모델 불문 접근 방식과, 필요한 변경 사항을 식별하기 위해 내부 설정이나 계산에 의존하는 모델별 접근 방식이 있습니다.

컴퓨터 비전에서 설명 가능한 AI의 활용 사례#

이제 XAI가 무엇이며 주요 기법은 무엇인지 살펴보았으므로, 실제로 어떻게 사용되는지 알아보겠습니다. XAI는 다양한 분야에서 폭넓게 활용됩니다. 잠재력을 보여주는 몇 가지 사용 사례를 살펴보겠습니다.

• 보안 시스템: XAI는 여권과 운전면허증 같은 신분증의 변형 이미지를 감지하여 보안 시스템을 강화하는 데 사용할 수 있습니다. 이를 통해 이미지의 진위성을 보장하고, 신원 확인 프로세스를 강화하며, 민감한 애플리케이션에서 사기 행위를 방지할 수 있습니다.

그림 4. XAI가 변형 이미지를 감지하는 방식.

• 자율주행: 자율주행 차량에 탑재된 비전 AI 시스템의 기능과 한계를 이해하는 것은 차량을 실제 도로에 배치하기 전에 테스트하는 데 매우 중요한 부분입니다. XAI는 자동차 기업이 문제를 더 명확하게 식별하고 해결하는 데 도움을 줄 수 있습니다.

• 법률 시스템: 비전을 활용하는 문서 분석 시스템은 사법 의사 결정에 점점 더 많이 사용되고 있습니다. XAI는 공정한 결과를 지원하고 자동화된 판결을 면밀히 검토할 수 있게 합니다. 또한 법률 전문가가 AI 모델이 의사 결정에 도달하는 방식을 이해하는 데 도움을 줍니다.

• 야생동물 모니터링: 카메라 트랩은 야생동물을 모니터링하고 동물 종에 대한 데이터를 수집하는 데 자주 사용됩니다. XAI는 AI가 이미지에서 이러한 종을 어떻게 분류하는지 설명하는 데 사용할 수 있습니다. 이를 통해 보전 활동을 더욱 신뢰할 수 있고 정확하게 수행할 수 있습니다.

설명 가능한 AI의 핵심 요점#

설명 가능한 AI는 AI 시스템의 작동 방식과 특정 의사 결정을 내리는 이유를 더 쉽게 이해할 수 있게 합니다. AI 모델의 투명성은 신뢰와 책임성을 높입니다. 지식은 힘이며 AI 혁신이 더욱 책임감 있게 사용되도록 돕습니다. 의료, 보안, 자율주행, 법률 시스템과 같은 중요한 영역에서 XAI는 개발자와 사용자가 AI 예측을 이해하고 오류를 식별하며 공정하고 윤리적인 사용을 보장하도록 돕는 데 사용할 수 있습니다. AI를 더욱 투명하게 만드는 XAI는 기술과 인간의 신뢰 사이의 간극을 좁혀 실제 애플리케이션에서 AI를 더 안전하고 신뢰할 수 있게 합니다.

더 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행 자동차의 AI 애플리케이션과 농업 분야의 활용 사례를 살펴보세요. 🚀