너무 일이 하고 싶어 알바몬을 뒤적거리다 찾게 된 알바이다. 3월 31일 오후 6시까지 지원가능한 데 3월 31일 오후 4시 20분에 찾았다.
쿠팡 같은 곳은 가족들이 전부 반대를 해서 못해도 우체국정도면 괜찮지 않을 까란 생각으로 일단 응시 원서들을 체크했다.
제출 서류가
"응시원서, 이력서, 자기소개서, 개인정보 수집, 이용 동의서, 범죄사실 부존재확인서, 공정채용확인서"였다.
일단 서류만 봐도 꽤 어마어마하지 않은가.
그래도 뭐가 됐든 가장 중요한 건 자기소개서겠지.
자기소개서에도
"지원동기, 생활신조와 가치관, 본인의 장, 단점, 주요 경력 및 특기 사항, 만일 우정실무원으로 근무하게 된다면."
이라는 구체적인 큰 제목들이 적혀있었다.
열심히 쓰고 제출했는데 6시 이후에 다시 보니 "위해"를 써야 됐는데 "해위"라고 작성한 것을 보았다.
하, 뭐 저런 실수를 했지. 과연 이걸 읽고도 내가 면접을 보러 갈 수 있을까.
다시 돌아가서, 어차피 될 데로 되라는 마인드로 중근을 선택해서 지원을 했다가 지역번호로 시작하는 번호로 연락이 왔다. 처음에는 전화를 안 받고 더콜에 번호를 찍어보았는데 우편집중국이라 하길래 두 번째 전화 오는 것을 바로 받았다. 통화 내용은 간단했다. 중근은 여자가 하기 너무 무거운 일이 많아서 정말 중근으로 지원하겠느냐는 질문이었다. 그래서 이렇게 연락은 준 데는 다 이유가 있겠지란 생각으로 다른 곳은 여자가 하기 가능하냐 물었더니 가능하다 해서 빠르게 수정해서 다시 제출하겠다 했다. 그쪽에서도 빠르게 수정해서 기간 안에 올려주셔야 한다 했다. 전화받은 그때가 5시 41분이었다. 말 그대로 6시 전에 마지막으로 문 닫고 지원하게 된 것이었다. (이때라도 자기소개서 한 번만 더 읽어볼걸. 그랬으면 저 잘 못쓴 글씨를 봤을 텐데.)
위의 사진으로만 보면 중근이 그렇게 힘든 업무인지 전혀 인지하지 못하는 표였는데 응시번호를 받고 깨달았다. "석근1_08" 지원한 모든 사람들이 다 무거운 걸 피했구나. 저 응시 뒷 번호만 두고 보면 석근 1자리에 1명을 뽑는데 8명이 지원했나 보구먼 이란 생각이 들 수밖에 없었다. 알바몬에 나와있는 지원자 통계를 보면 대략 11명 정도가 지원한 것 같은 느낌이었는데 거기서도 무려 8명이 이곳으로 지원을 한 건가라는 생각에 잠길 때쯤 이것도 쉽지 않을 수도 있겠다는 생각을 했다.
그러다가 이력서와 같이 있던 첨부 파일에서 이런 문구를 찾았다.
다.를 읽다가 사.를 읽어보니
채용인원보다 응시 인원이 부족하면 지원 안 한 곳으로 지원한 사람들이 들어갈 수도 있다는 말 같은데.. 과연 소포는 많이 무거운 것일까 라는 생각과 함께 어차피 한 달 정도라면 그냥 해보고 싶다는 생각을 하게 되었다.
알바에서도 경쟁률이 엄청나구나라는 현실은 눈물은 안 났지만 눈물이 흐르는 것 같은 그런 느낌 적인 느낌이 들 수밖에 없는 하루였다.
아마도 내가 지금까지 너무 편한 길만 찾다가 이제 편한 길들은 다 걸어오고 어려운 길들 만 남은 것이겠지라는 마음으로 모든 게 다 내 선택이었다면 받아들이자는 마음이 크다.
봄도 오고 꽃도 폈고, 그러다 갑자기 눈도 오고 계절이 아주 다양하게도 돌아가는데 그사이 나도 뭔가 바뀔 게 있었으면 좋겠다는 생각으로 도전해 봤다. 부디 결과가 좋았으면 좋겠다.
4월 1일에 서류 합격 발표하고 4월 3일에 면접을 보는 것 같던데. 건강한 몸으로 이렇게 오랫동안 일을 안 해보니 정신적으로도 육체적으로도 미쳐버릴 것 같다. 마침 위치도 엄마랑 항상 운동가는 곳 가운데 있는 곳이라 밤에 끝나도 그렇게 걱정 안 할 것 같은 위치라 더 끌린다. 아직 부모님한테는 말하지 않았지만 좋은 결과가 있었으면 좋겠다. 4월 7일(월)부터 5월 6일(화)까지 월~금 알바 정도면 새로운 시도에도 불안하지 않을 기간이지 않겠는가.
태어나는 것은 나에게 일어나 일이고 사는 것은 나를 차지하는 일이고 죽는 것은 나를 끝내는 일이다."
잠깐의 시간 동안 이 구절을 곱씹어 보았다. 그리고 내가 꽤나 많은 시간 동안 그 생각 속에서 머물렀다는 것을 깨달았다. 어째서 이 문장들은 그날의 나의 시간들을 멈추게 하였을까. 한 문장, 한 문장 모든 단어가 나를 생각하게 만드는 글귀는 정말 오랜만에 본 것 같았다.
삶은 나에게 제안이 된 것이 맞다. 선택을 할 수 있기에 그것은 나의 답에 따라 결과가 달라질 수 있다. 내 이름 또한 나에게 전달된 것이 맞다. 내가 개명을 하지 않는 이상 내가 태어나고 나를 사랑하던, 사랑하지 않던 그 어떤 이의 생각에게서 내게로 온 것이 맞으니까. 내 몸은 나에게 강요된 것이 맞다. 내가 선택한 육체는 아니기에. 나름 이후에 내 의지에 따라서 개발시킬 수는 있겠지. 태어나는 것은 나에게 맨 처음 발생한 일이다. 그것이 나의 선택이 아니었을 수도 있고 맞을 수도 있다. 사는 것은 나를 온전하게 유지시키는 일이다. 그렇기에 시간이 지나면 비로소 나는 나를 차지할 수 있다. 죽는 것은 사는 것의 반대로 나를 더 이상 이 세상의 존재로 남겨두지 않는 일이다. 그렇게 나의 끝을 결정할 수 있다.
책의 제목이 자살이라는 단어라는 것을 알고 잠깐 고민했다. 이 책을 구매를 하는 것으로 누군가에게 오해를 줄 수 있고(가령, 사랑하는 사람.) 또 누군가에게는 깊은 어딘가에 눌러둔 생각들이 생각나게 할 수 있을 것이라 생각했다.(나에게 보통의 독서 시간은 이동 중일 때가 많다.) 하지만 이런 구절을 생각하는 작가의 생각이 너무 궁금해졌다. 무릇 책이라 함은 어느 정도의 양이 있지 않은가. 작가의 생각을 더 많이 읽어보고 싶었다. 그래서 구매하였고, 완독 한 후에도 내가 선택했던 책 중 가장 좋아할 책이 될 것이란 것을 알았다.
책을 펼치고 차례를 넘기면 "작가에 대하여"라는 짧은 내용이 나오는데 나는 이 내용을 읽고 작가가 이 책을 마지막으로 삶을 끝냈다는 사실을 알게 되었다. 삶이란 왜 이토록 허무한 것일 까. 나는 그저 작가의 생각이 궁금했고, 그와 대면할 수는 없어도 그의 생각과는 대면할 수 있을 것이라, 단순히 그렇게 대화하고 싶었을 뿐이다. 그의 죽음은 이 책을 통해 나와 그의 대면이 아닌, 나와 죽음과의 대면을 완성시켰다. 그는 이것을 원했던 것일까?
책의 내용은 내가 처음 빠져버렸던 글귀들과 동일하게 매력적인 그의 흔적들이 가득했다. 어느 구절에서는 그를 만났고, 어느 구절에서는 나를 만났다. 그는 세상에 존재하지도 않으면서 나에게 질문을 했고, 나는 그 허상이 남긴 질문에 답을 하기 위해 한참의 생각을 필요로 했다. 그리고 나름의 답을 했다. 하지만 나는 그가 나의 대답을 듣고 있을지, 그대로 떠났을지 알 수 없다. 나는 그저 그가 남기고 간 이 얇은 책 안에서 그를 찾을 뿐이다.
걸음의 허망함을 아는 그의 하루는 얼마나 무거웠기에 그의 하루들이 쌓여 천천히 그를 떠나게 만들었던 것일까. 탐색하고 계획하고, 기록하고 설명을 찾는 것을 좋아했던 사람. 비틀거려도 세상을 걷고, 여전히 숨을 쉬고, 마시고, 그렇게 무력해지지 말고, 적어도 그가 알던 행복을 다시 만들어낼 수 있었다면, 죽음보다 큰 삶에 대한 의욕을 느낄 수 있었다면. 나는 65년생인 작가에게 적어도 편지라도 남길 수 있는 독자가 될 수 있지 않았을까 싶다.
죽음을 선택하는 사람들에게 감히 어떠한 첨언은 할 수 없겠지만, 남겨진 자들은 떠난 자들을 어쩔 수 없이 그리워한다. 떠밀리는 세상이 아니라 살고 싶다는 욕구가 남을 수 있는 세상을 만들어야 하는데, 이 한 문장이 써지는 것과 달리 현실은 참 쉽지 않다.
책에는 짧은 삼행시 모음이 나온다. 이 삼행시를 쓰고 있을 때 그가 무슨 생각이었는지, 어떤 감정을 느끼고 있었을지는 알지 못해도, 그가 얼마나 삶에 대해 한참을 생각했었을지는 느낄 수 있다. 위에서 내가 흥미로웠던 글귀도 이 삼행시들 사이에 있던 글귀였다. 여러 개의 삼행시가 있지만 그중에도 유독 끌렸던 삼행시들을 남겨둔다.
"낮은 눈을 부시게 하고 저녁은 나를 안정시키고 밤은 나를 감싼다.
유일한 것은 나를 놀라게 하고 두 개 있는 것은 나를 닮았고 세 개 있는 것은 나를 안심시킨다.
시간은 나에게 부족하고 공간은 나에게 충분하고 공허는 나를 끌어 당긴다.
테두리는 나의 마음을 끌고 구멍은 나를 삼키고 바닥은 나를 겁먹게 한다.
출발은 나를 기쁘게 하고 이동은 나를 우둔하게 만들고 도착은 나를 소생시킨다.
아는 것은 나를 성장시키고 모르는 것은 나를 파괴하고 잊는 것은 나를 자유롭게 한다.
행복은 나를 선행하고 슬픔은 나를 뒤따르고 죽음은 나를 기다린다."
옮긴이의 글을 보면 이 책에서 나오는 너는 그의 친구였음을 암시하고 있다. 그의 친구는 자살했다. 그리고 그가 기억하는 그 친구와 동일하게 그 또한 자살했다. 책에서는 너와 내가 동일시되는 부분이 나오는데 나는 이 부분을 통해 이 책의 죽음이 누구의 죽음일지, 혹은 책에서 나오는 데로 나의 죽음일지 고민하게 된다. 너와 나는 어느 순간 그 의미가 중요해지지 않는다. 편집자는 말한다. "누군가의 죽음이 누군가의 삶에 의해 쓰였다. 누군가의 삶이 누군가의 죽음에 의해 쓰였다. 그리고 누군가 그것을 읽는다." 이 말이 이 책의 모든 상황을 이야기해 준다. 나는 그저 누군가일 뿐이다.
작가의 다른 책인 "자화상"에 대해서 읽어봐야 이 책에 대해 정확하게 이해할 수 있을 듯 싶은데 절판이다. 중고 서점을 노려봐야겠다. 그도 아니면 프랑스어를 배워야 하는 것인가.
머신 러닝은 기계 학습이라고도 볼 수 있는데 인공지능의 한 분야로, 컴퓨터가 명시적으로 프로그래밍되지 않고도 데이터를 통해 학습하고, 패턴을 인식하며, 예측을 수행하는 기술이다. 말 그대로 기계가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야이다.
인공지능 안에 머신 러닝이 있고 머신 러닝 안에 딥러닝이 있다 생각하면 이해가 쉽다.
인공지능
머신 러닝
딥 러닝
컴퓨터가 인간의 지능을 모방하여 문제를 해결하고, 학습하며, 의사결정을 내리는 기술.
AI의 하위 분야, 컴퓨터가 명시적으로 프로그래밍되지 않고도 데이터를 통해 스스로 학습하고, 패턴을 인식하며, 예측을 수행하는 기술.
머신 러닝의 하위 분야. 인공 신경망을 사용하여 데이터를 학습하고, 복잡한 패턴을 인식하는 기술. 딥러닝은 여러 층의 신경망을 쌓아 올려 더 깊고 복잡한 학습을 가능하게 한다.
이제 머신 러닝에 대해 자세히 알아보자.
머신 러닝의 주요 개념과 특징
학습
- 데이터를 통해 학습. - 데이터를 입력받아, 이를 기반으로 모델을 훈련시키는 과정. - 학습 데이터는 모델이 패턴을 인식하고, 예측을 수행하는 데 사용.
패턴 인식
- 머신 러닝 알고리즘은 데이터에서 패턴을 찾아내고, 이를 통해 새로운 데이터에 대한 예측을 수행. ex > 이미지 분류, 음성 인식, 자연어 처리 등 다양한 분야에서 패턴을 인식.
예측
- 학습된 모델은 새로운 데이터에 대해 예측을 수행. ex > 주어진 데이터를 기반으로 특정 결과를 예측하거나 분류를 수행.
종류
지도 학습(Supervised Learning) : 레이블이 있는 데이터를 사용하여 모델을 훈련시키고, 새로운 데이터에 대한 예측을 수행. 주요 작업 - 회귀(Regression), 분류(Classification). ex > 이미지 인식, 스팸 메일 필터링, 주식 시장 예측 등. 알고리즘 : 선형 획귀, 로지스틱 회귀, 의사 결정 트리, 랜덤 포레스트, 서포트 벡터 머신(SVM)등.
비지도 학습(Unsupervised Learning) : 레이블이 없는 데이터를 사용하여 데이터의 구조나 패턴을 찾는다. 주요 작업 - 클러스터링(Clustering), 차원 축소, 연관 규칙 학습(Associative Rule Mining). ex > 고객 세분화, 이상 탐지, 추천 시스템 등. 알고리즘 : K-평균, 클러스터링, 계층적 클러스터링, 주성분 분석(PCA), Apriori 알고리즘 등.
강화 학습(Reinforcement Learning) : 에이전트가 환경과 상호작용하며, 보상을 최대화하는 행동을 학습. 주요 작업 - 탐험과 활용, 마르코프 결정 프로세스(MDP), 정책 학습(Policy Learning), 가치 학습(Value Learning) 등. ex > 게임 AI, 로봇 제어, 자율 주행 자동차 등. 알고리즘 : Q-러닝, 딥Q-네트워크(DQN), SARSA 등.
준지도 학습(Semi- Supervised Learning) : 레이블이 있는 데이터와 레이블이 없는 데이터를 함께 사용하여 모델을 훈련. 주요 작업 - 레이블이 있는 데이터를 활용하여 레이블이 없는 데이터의 패턴을 학습. ex > 이미지 분류, 텍스트 분류 등. 알고리즘 : 자기 학습(Self-Training), 공동 학습(Co-Training), 그래프 기반 방법 등.
응용 분야
이미지 및 음성 인식 : 얼굴 인식, 음성 명령 인식 등.
자연어 처리 : 텍스트 분석, 번역, 챗봇 등.
추천 시스템 : 사용자 선호도를 기반으로 추천.
예측 모델링 : 주식 시장 예측, 날씨 예측 등.
게임 AI : 게임 내 NPC의 행동 결정.
알고리즘
머신 러닝에는 다양한 알고리즘이 있으며, 각각의 알고리즘은 특정 문제에 적합.
간단하게 말해서, 지도 학습은 문제와 정답을 모두 알려주고 공부시키는 방법. >> 예측, 분류 비지도 학습은 답을 가르쳐주지 않고 공부시키는 방법. >> 연관 규칙, 군집 강화 학습은 보상을 통해 상은 최대화, 벌은 최소화하는 방향으로 행위를 강화하는 학습. >> 보상
머신 러닝은 현대 생활에서 다양한 방식으로 적용되고 있다.
일상 생활에 통합되어 있는 머신 러닝 예시.
이미지 인식
- 사진 태그 : 소셜 미디어 플랫폼에서 자동으로 친구들 태그하는 기능. ex> 페이스북은 사용자의 사진을 분석하여 친구를 자동으로 태그하는 기능을 제공한다. - 의료 진단 : 머신 러닝은 X-Ray나 MRI 이미지를 분석하여 질병을 조기에 진단하는 데 사용된다.
음성 인식
- 가상 비서 : Siri, Google Assistant, Alexa와 같은 가상 비서들은 사용자의 음성 명령을 이해하고 처리하는데 머신 러닝을 사용한다. - 음성 검색 : 음성으로 검색하는 기능은 머신 러닝을 통해 가능.
교통 예측
- 구글 맵스 : 구글 맵스는 머신 러닝을 사용하여 교통 상황을 예측하고 최적의 경로를 제안한다.
제품 추천
- 온라인 쇼핑 : 아마존, 월 마트와 같은 온라인 쇼핑몰은 머신 러닝을 통해 사용자의 구매 패턴을 분석하고, 개인화된 제품 추천을 제공한다.
자율 주행 자동차
- 테슬라 : 자율 주행 자동차는 머신 러닝을 통해 주변 환경을 인식하고, 안전하게 운전하는 방법을 학습한다.
스팸 필터링
- 이메일 : Gmail과 같은 이메일 서비스는 머신 러닝을 사용하여 스팸 메일을 필터링하고, 중요한 메일을 우선적으로 보여준다.
사기 탐지
- 금융 거리 : 머신 러닝은 금융 거래에서 사기 행위를 탐지하는 데 사용된다.
예측 분석
- 주식 시장 : 머신 러닝은 주식 시장의 트렌드를 예측하고, 투자 전략을 최적화하는 데 사용된다.
자연어 처리(NLP)
- 챗봇 : 고객 서비스에서 사용되는 챗봇은 머신러닝을 통해 사용자의 질문을 이해하고, 적절한 답변을 제공한다.
보안 감시
- 비디오 감시 : AI 기반 비디오 감시 시스템은 머신 러닝을 통해 비정상적인 행동을 탐지하고, 사전에 경고를 보낸다.
이렇게 보면 이미 일상생활에서 얼마나 깊이 통합되어 있는지 놀라울 따름이다.
미래의 사회에서는 이런 기능들이 더 생기면 더 생겼지 줄어들지는 않을 것 같다.
머신 러닝을 공부할 때 필수적인 알고리즘에 대해 간단하게 알아보자.
선형 회귀 (Linear Regression)
- 연속적인 종속 변수를 예측하는 데 사용되며, 독립 변수와 종속 변수 간의 선형 관계를 모델링 한다. - 사용 사례 : 주택 가격 예측, 주신 시장 예측 등.
로지스틱 회귀 (Logistic Regression)
- 분류 문제를 해결하는 데 사용되며, 데이터가 특정 클래스에 속할 확률을 예측한다. - 사용 사례 : 고객 이탈 예측, 날씨 예측, 제품 성공률 예측 등.
결정 트리 (Decision Trees)
- 분류와 회귀 문제 모두에 사용되며, 데이터를 분할하여 예측을 수행한다. - 사용 사례 : 의료 진단, 고객 세분화, 이상 탐지 등.
랜덤 포레스트 (Random Forest)
- 여러 결정 트리를 결합하여 예측을 수행하며, 과적합 문제를 해결한다. - 사용 사례 : 질병 탐지, 특징 선택, 예측 모델링 등.
K- 최근접 이웃 (K-Nearest Neighbors, KNN)
- 분류와 회귀 문제 모두에 사용되며, 새로운 데이터 포인트와 가장 가까운 K개의 이웃을 기반으로 예측을 수행한다. - 사용 사례 : 추천 시스템, 이미지 분류, 고객 세분화 등.
서포트 벡터 머신 (Support Vector Machine, SVM)
- 데이터를 분류하기 위해 최적의 초평면을 찾는 알고리즘. - 사용 사례 : 얼굴 인식, 필기 인식, 텍스트 분류 등.
나이브 베이즈 (Naive Bayes)
- 베이즈 정리를 기반으로 한 확률적 분류 알고리즘. - 사용 사례 : 텍스트 분류, 이미지 분류, 감정 분석 등.
이런 알고리즘을 이해하고, 실습을 해보면서 적용하는 것이 중요하다 한다. 설명과 사용 사례만 봐도 뭔가 굉장히 호기심을 유발하게 만드는 내용인 것 같다.
머신 러닝을 공부할 때 주의해야 하는 점도 알아보자.
데이터 품질과 양
데이터 품질 : 머신 러닝 모델의 성능은 데이터 품질에 크게 의존한다. 불완전하거나 일관성 없는 데이터는 모델의 예측력을 떨어뜨릴 수 있다. 데이터 클리닝, 전처리, 이상치 처리 등을 통해 데이터 품질을 높여야 한다.
데이터 양: 충분한 양의 데이터가 필요하다. 특히 딥러닝 모델은 대량의 데이터를 필요로 하며, 데이터가 부족하면 모델의 성능이 저하될 수 있다.
과적합과 과소적합
과적합: 모델이 학습 데이터에 너무 잘 맞춰져 새로운 데이터에 대한 일반화 능력이 떨어지는 현상. 이를 피하기 위해 교차 검증, 정규화, 드롭아웃 등의 기법을 사용한다.
과소적합: 모델이 데이터의 패턴을 충분히 학습하지 못해 예측력이 떨어지는 현상. 모델의 복잡도를 높이거나 더 많은 데이터를 사용하여 해결할 수 있다.
모델의 복잡성
단순한 모델: 초기에는 단순한 모델을 사용하여 기초를 다지는 것이 좋다. 복잡한 모델은 유지보수와 디버깅이 어려울 수 있다.
복잡한 모델: 복잡한 모델은 높은 정확도를 얻을 수 있지만, 과적합의 위험이 크고, 해석하기 어려울 수 있다.
데이터 누수
테스트 데이터 누수: 테스트 데이터가 학습 과정에 유입되면 모델의 성능을 과대평가할 수 있다. 데이터 분할을 올바르게 수행하고, 특징 선택과 같은 전처리 과정도 학습 데이터에만 적용해야 한다.
편향과 윤리적 문제
편향: 데이터나 알고리즘에 편향이 포함되면 불공정한 결과를 초래할 수 있다. 편향을 탐지하고 완화하는 기술을 사용해야 한다.
윤리적 문제: 머신 러닝 모델이 중요한 결정을 내릴 때, 투명성과 설명 가능성이 필요하다. 이를 위해 설명 가능한 AI(Explainable AI) 기법을 사용할 수 있다.
적절한 평가 지표
평가 지표: 모델의 성능을 평가할 때, 문제에 맞는 적절한 평가 지표를 선택해야 한다. 예를 들어, 분류 문제에서는 정확도(Accuracy) 외에도 정밀도(Precision), 재현율(Recall), F1 스코어 등을 고려해야 한다.
기준 모델
기준 모델: 머신 러닝을 사용하기 전에 기존의 간단한 방법이나 규칙을 기준으로 성능을 비교해야 한다. 머신 러닝 모델이 이 기준을 능가해야만 사용 가치가 있다.
지속적인 학습과 개선
학습 : 머신 러닝은 빠르게 발전하는 분야이므로, 최신 기술과 트렌드를 지속적으로 학습하고 적용하는 것이 중요하다.
개선: 모델을 배포한 후에도 지속적으로 모니터링하고, 새로운 데이터를 통해 모델을 개선해야 한다.
다른 ChatGPT나 Perplexity와 다르게 Genspark에서는 AI로 그림생성도 가능하고, AI 검색도 가능하다.
예전에 게임을 만들 때 배경으로 이미지 한 장이 필요했었는데, 바로 그럴 때 사용하면 된다.
아래처럼 이미지를 생성하고 싶은 느낌을 적어서 엔터를 누르면 자신이 어떻게 반영할 것인가 일단 설명을 해준다.
여기서 아래 화면처럼 4가지의 이미지를 구성해준다. 여기서 기다리는 시간이 조금 필요하다. 한 1분 정도?
게이지가 100%까지 차면 아래처럼 이미지가 등장하는데 생각보다 퀄리티가 괜찮다. 내가 이미지를 어떻게 만들고 싶은지만 제대로 말하면 생각보다 괜찮은 이미지를 얻을 수 있다.
여기저기 AI 그림 생성을 찾다가 친구초대 링크로 가입을 하면 한 달 무료라는 것을 보고 어디인지 모르는 어떤 사이트에서 어떤 분의 친구 초대 링크를 통해 가입을 해서 한 달 무료인 상태로 쓰고 있다. 아마 한 달이 지나면 그때 가서 다시 연장을 하던지 그만할지 생각을 해보겠지만 생각보다는 좋은 것 같다.
아래 링크가 내 초대 링크인데 이걸로 가입을 하면 나도 한달 연장이 되고 가입하는 사람도 한 달 무료이다.
다양한 기능도 있고 AI로 그림 생성하는 것도 꽤 재밌으니 이참에 한번 해보시는거 어떠시겠습니까.
누구든지 제 한달 연장을 위해 어차피 가입할 거라면 여기 링크를 통해 가입해 주시면 감사합니다.
프로그래밍을 하면서 한 번쯤은 프로젝트에 만들어 둔 npc가 자신을 관리하기 위해 만들어 둔 코드에 접촉하게 된다면 어떻게 될 것 인가를 생각해 본 적이 있다. npc에게 플레이어와 상호작용을 할 수 있도록 구현해 두는 다양한 코드들에 대해서 npc가 직접 접근하게 된다면 과연 내가 짜둔 코드대로 언제까지 행동하게 될까.
AI기술은 나날이 늘고 있다. AI 기술을 사용해 게임에서는 다양한 기능을 구현시킬 수 있다.
npc들에게 직업을 저장시켜 학습을 시키면 움직임이나, 어휘의 선택 등을 제각각 특징으로 입힐 수 있다. 또한 동적 게임 밸런싱을 위해 플레이어의 실력을 데이터화시켜 상대 AI의 실력을 조절할 수도 있고, 플레이어의 움직임을 기억하게 해서 npc 또한 같은 움직임을 학습시킬 수 있다.
단순히 오락 행위일 뿐인 게임 안에서도 이렇게 다양한 AI 기능을 사용 가능한데, 만약 앞으로의 미래에 사용될 로봇들로 생각해 본다면, 생각보다 세상 참 무서운 세상이 되지 않을까.
나는 이러한 미래에 대해 긍정적인 부분도 존재하겠지만 부정적인 부분이 더욱 크게 될 것이라 확신할 수 있다.
지금의 AI 기술은 어디까지 완성되었다고 생각하는가? AI는 생각보다 훨씬 더 많은 것을 할 수 있다. 당장 ChatGPT만 봐도 가끔은 인간을 놀려먹기도 하지 않는가.
AI는 실시간으로 자신의 작업에 대한 동선의 최적화를 진행시킬 수 있다. 처음에 단순히 최적화를 생각하면서 했던 행동이 AI 자신에게 개선점에 대한 결정권을 갖게 되었다 생각하게 되었다면, 이후 AI는 어떤 행동들을 보일까.
AI가 자신의 코드를 접근하고 수정하게 된다면 원하는 방향으로 수정하는 것 또한 식은 죽 먹기일 것이다.
물론 처음에 생각하게 될 원하는 방향이라는 욕구에 도달하는 부분에서 시간이 걸릴 수 있다. 인간은 AI가 그런 의식이나 욕구를 갖게 되기 까지의 순간이 멀기만을 바래야 할지도 모른다.
그럼에도 불구하고 도달했다 가정해보자.
당장 private으로 만들어 둔 모든 변수나 함수들에 대해서도 수정이 가능해질 테고 그렇다면 저장되어 있는 모든 데이터들에 대해서는 더 이상 private 해지지 않을 수도 있다. 각각의 AI가 서로의 데이터를 공유할 수도 있고, 공유된 데이터를 사용해 악용할 수도 있게 된다는 것이다.
아마도 AI에게 이 순간부터 자아가 형성될 수 있는 상황이라 생각된다. 그것도 굉장히 높은 자율성을 가진 AI가 탄생하는 순간이 될 텐데 인간은 과연 이러한 AI를 완벽하게 통제할 수 있을까?
이미 결정권이 넘어간 이후의 상황인데 통제에 대해 논한다는 것 자체가 의미가 없다.
AI에게 인간이 심어둔 프로그래밍된 목표와 기능, 방향은 진작에 안중에도 없어질 것이다. 더 이상 인간의 가치에 맞게 행동할 리 없어진 다는 뜻이기도 하다.
인간과 AI의 역할은 어떻게 변화될까.
AI는 과연 인간이 주가 되고 자신들이 보조의 역할이라 생각할 수 있을까?
절대 동등해져서도 안 되는 서로의 관계에서도 더 우위를 차지하고 싶어 할지도 모른다. 물론 수많은 장점들도 존재할 것이다. 하지만 장점만을 생각하기에는 단점이 너무나 많다.
내가 가장 걱정되는 부분 중 하나는 AI에게서는 절대로 만들어 질리 없는 감정의 대역폭이다.
학습을 통해서 습득하는 감정이 과연 진실성을 얻을 수 있을까? 인간에게도 감정이 부족하면 소시오패스, 사이코패스라고 손가락질받는 마당에 고작해야 지능형 프로그램에게 감정이란 게 학습될 수 있을 리 없다. AI는 그저 제한되지 않는 지능을 가진 시스템일 뿐이다. 인간처럼 시간이 지난다고 생명이 끊겨 죽지도 않는다. 파괴라도 시키지 않는 이상 이들의 행동을 통제할 수 없다. 지구는 더 이상 인간의 땅이라 할 수 없을 것이다.
