바이오인

[OECD AI in Science]의 주요 내용 및 시사점

◈ 목차

1 검토배경

2 OECD AI in Science 보고서 주요 내용

3 정책적 시사점

◈본문

1 검토 배경

□ 지난 9월 13일 정부는 ‘ 제20차 비상경제민생회의 겸 대한민국 초거대 인공지능(AI) 도약 회의'를 통해 '전국민 일상화 실행계획'을 발표

• ○초거대 AI 등장으로 AI는 기술적 변곡점에 도달하였으며, 우리 일상과 경제·사회 전반의 판을 흔드는 디지털 지각변동의 중심으로 자리매김

• ○이에, 정부는 범부처 역량을 결집하여 AI를 일상, 일터, 공공에 접목하고 AI 문해력 제고 및 AI 윤리·신뢰성을 확보하여 국민의 삶의 질제고 및 AI 산업의 경쟁력을 제고

□ AI가 창출한 독창적이며 창의적인 결과는 새로운 게임 체인저로서 전방위적으로 활용될 것으로 보이며, 이는 과학기술계 및 연구현장에도 큰 영향을 미칠 전망

• ○과학기술적 측면에서 AI는 연구 대상이 되기도 하지만, 연구속도의 향상 및 통찰력 제고 등 연구 생산성 제고를 위한 수단으로도 활용

• ○Elsevier의 글로벌 연구 프로젝트인 Research Futures 2.0 보고서에 따르면, 47%의 연구원이 연구의 미래에 AI가 중요하며, 기술과 AI에 대한 의존도가 더욱 커질 것으로 전망(Elsevier, 2022)

• ╶︎연구원의 대부분은 AI를 연구결과 분석(66%)에 사용하거나, 데이터의 결함이나 문제를 발견하기 위해(49%), 또는 새로운 가설생성(17%)에 사용

□ 최근 경제협력개발기구(OECD)는 과학기술 연구 생산성 저하 문제 해결 수단으로서 AI의 역할을 조망한 보고서*를 발표

*Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research(OECD, 2023)

• ○해당 보고서는 총 5개 파트로 구성되어 있으며 여러 분야의 현장 주요 실무자 및 연구자의 견해를 담은 34개의 주제를 엮어 발간

□ 본 고에서는 AI와 과학 연구의 생산성에 대한 OECD 보고서의 주요 내용을 정리하고 정책적 시사점을 제시

2 OECD AI in Science 보고서 주요 내용

가. Challenges: 과학 연구의 생산성 저하

□ 기초연구의 중요성에도 불구하고 관련 지식은 부족한 실정이며, 끊임없이 새로운 문제가 등장하는 등 연구 생산성 위기에 직면

• ○기초연구를 기반으로 도출되는 혁신은 상업적 목표를 가진 응용･개발연구에 비해 상대적으로 넓은 범위 및 장기적으로 확산되는 경향이 있어 지속적인 경제성장을 견인

• ○과학의 진보는 이루어지고 있지만, 연구의 생산성 및 효율성 저하 문제는 전 세계적인 현상으로 반도체, 제약･바이오, 농업 등 다양한기술 분야에서 나타남

• ○생산성 저하는 ①인센티브의 변화, ②기초연구에서의 민간 분야 참여 저하, ③경제적 한계 ④정보의 양적 증가로 인한 새로운 정보 취득의 어려움, ⑤과학 발전과 함께 다양한 분야로의 분화, ⑥한정된 과학 법칙의 수 등 다양한 요인에 기인

□ AI는 생산성 저하 문제에 대한 해결 수단으로서 과학 연구와 혁신을 가속화하고 다양한 글로벌 난제(Global Challenges)를 해결하는데활용될 전망

나. Opportunities: 과학 연구에서 AI의 활용 현황 및 가능성

1)실험실에서 AI와 로봇 시스템의 결합

□ AI와 로봇 시스템의 결합은 연구실 자동화 수준 향상 및 과학 연구 생산성 제고

• ○AI 와 로봇 시스템은 사람에 비해 비교적 저렴하고, 빠르고, 정확하며 오랫동안 일할 수 있어 시간과 비용 측면에서 경제성을 보유

• ╶︎특히, 방대한 양의 정보를 체계적으로 추출 및 수집하여 완벽하게 처리할 수 있으며, 시간 및 비용의 최적화 방식으로 가설 검정 및 연구 설계 가능

• ╶︎비교적 쉽게 스케일업(scale-up)할 수 있고 다양한 위험에 노출될 가능성이 낮은 편

• ○연구실 자동화를 통한 AI와의 협업은 연구 편향성을 해소하거나 탐구하지 못한 영역을 조명하는 등 시너지 효과를 도출

• ○이에, 유전학과 신약 개발 연구에서는 AI를 활용한 다양한 연구 사례 존재

2) AI를 통한 지식 생성 및 정보 관리

□ AI를 활용한 학술 정보 관리는 기존 문헌에 존재했지만 인식하지 못했떤 지식 발견 또는 기존 지식 간 관계를 파악하여 새로운 지식 생성 가능

• ○문헌 기반 발견(literature-based discovery)*과 미발견 공공지식(undiscovered public knowledge)**은 연구자에게 새로운 과학적 통찰을 제시

• ╶︎* 학술 문헌 내 정보를 통해서 기존에 명시적으로 연결되지 않았던 잠재적 관계를 발견하여 새로운 지식을 밝혀내는 과정, Swanson의 ABC 모델의 경우, A-B의 관계와 B-C의 관계를 통해 A-C의 관계를 추론하는 것을 의미

• ╶︎** 문헌 내에 존재하지만 인지하지 못한 채 존재하는 과학적 발견, 가설 및 주장, 이는 잘 알려지지 않은 학술지에 게재되었거나 인터넷 색인이 없는 경우일 수 있음. 또는 동일한 문제를 다루지만 서로 쉽게 통합되지 않는 여러 유형의 증거가 여러 연구에 걸쳐 존재하는 경우에 해당(역학 연구와 사례 보고서 등)

• ○AI의 빠른 기술개발로 다음 세대 문헌 기반 발견 시스템은 비자연어 형태의 정보(표, 차트, 그림, 프로그래밍 코드 등)를 활용할 가능성존재

• ○데이터 마이닝(data mining(이나 메타분석(meta-analysis)과 비교해 복잡하고 전문화된 문제를 해결한다는 점에서 차별적이며, 생물 정보학이나 생의학 연구에서는 이러한 추론 방식을 새로운 명제나 가설을 생성하는데 사용

• ╶︎AI 도입으로 개인 맞춤치료와 예측 반응에 대한 정밀성 향상 및 기존 디지털 데이터와의 결합 기대

3) AI 기계학습(Machine Learning)을 통한 과학적 주장 검증

□ 코로나19 팬데믹 중 잘못된 정보 확산 경험 및 기후변화와 같은 민감한 현안 논의 등에 있어 과학적 주장 검증 및 자동화의 시급성 확인

• ○일부 소셜 네트워크 서비스(SNS)는 인간과 기계학습 모형 모두를 활용해 수동 및 자동화 방식으로 사실 확인 작업 수행

□ 과학적 주장에 대한 기존 검증방식은 한계가 존재하며, 학습한 정보를 바탕으로 하는 AI 기계학습 활용은 과학적 주장을 검증하는 도구로 활용 가능

• ○과학적 주장은 전문용어의 빈번한 사용, 해당 분야의 전문지식 보유, 내재된 불확실성이라는 특이성이 존재하여 기존 검증방식은 한계 존재

• ○검증 단계에서 활용할 수 있는 외부 정보의 통합 및 근거 정보가 되는 문서의 범위에 대한 확장 요구

• ○이 과정에서 인간과 AI의 의사결정 조정구조에 대한 검토를 통해 AI 기계학습을 통한 과학적 주장에 대한 검증 가능

4) AI와의 협력을 통한 과학에서의 시민 참여 확대

□ 시민 과학과 AI의 협력은 데이터 수집 및 처리 수준 향상에 도움

• ○시민들이 과학연구에 참여 시 AI와의협력은 AI 데이터 수집 및 처리의 양·속도를 향상시키고 새로운 방식으로 데이터 수집을 가능하게 만들어 줌

• ╶︎인간과 기계의 상호학습 과정에서 새로운 데이터 출처(data source)를 활용할 수 있으며, 이 과정에서 정보의 질 향상

• ○AI는 복잡한 과학 연구 프로젝트를 시민 다수가 과학에 참여할 수 있는 적절한 수준의 과제로 분리하는 역할을 할 것으로 기대

...................(계속)

☞ 자세한 내용은 내용바로가기 또는 첨부파일을 이용하시기 바랍니다.