결핵(TB)은 적어도 9,000년 전부터 존재해 왔으며, 수백 년 동안 사람들은 치료법이나 치료제를 찾기 위해 노력해 왔지만, 여전히 전 세계에서 가장 치명적인 전염병 중 하나로 남아 있어 매년 150만 명 이상의 목숨을 앗아가고 있습니다. 이러한 모든 의지와 노력에도 불구하고 이 질병을 완전히 근절하는 데는 부분적인 진전만 있었으나, 한국의 기업 스탠디그(Standigm)는 파스퇴르 연구소 한국지부의 신약 개발 플랫폼과 협력하여 자사의 인공지능 플랫폼과 딥러닝 예측 모델을 활용해 결핵 치료를 위한 새로운 화합물을 설계하고 합성하고 있다. 이러한 결과는 스탠디그의 인공지능(AI) 시스템으로 다시 제공되어 학습 모델을 강화하며, 이번 협력을 통해 내성 결핵에 대한 선도 화합물을 확인했습니다.
인공지능은 우리가 지금까지 접해 온 그 어떤 기술이나 도구보다 훨씬 빠른 속도로 발전하고 있습니다. ChatGPT는 단 두 달 만에 월간 활성 사용자 수 1억 명을 돌파했습니다. 하지만 이러한 놀라운 속도와 막강한 성능에는 오류의 가능성도 수반됩니다. 인공지능과 머신러닝의 이점을 극대화하기 위해서는 부정확한 결과를 식별할 수 있는 시스템과 안전 장치를 마련하는 것이 필수적입니다. 여기서 주목해야 할 요소는 크게 두 가지, 즉 데이터와 학습 모델입니다.
쓰레기를 넣으면 쓰레기가 나온다
잘못된 데이터가 잘못된 결과를 초래한다는 것은 쉽게 알 수 있지만, 여기에는 미묘한 차이가 있습니다. 아시다시피, ChatGPT는 2021년 9월 이후의 데이터는 사용하지 않는데, 이는 당연히 오해의 소지가 있는 정보를 낳을 수 있습니다. ChatGPT에게 리오넬 메시가 월드컵 우승을 차지할 만큼 실력이 뛰어난지 물어보면, 시스템은 그의 재능과 팀 플레이의 중요성에 대한 정보를 답으로 내놓습니다. 알고리즘은 메시가 실제로 2022년 월드컵에서 우승했다는 사실을 알지 못한 채, 그가 우승에 얼마나 근접했는지에만 초점을 맞춥니다.
하지만 단순한 원시 데이터뿐만 아니라 맥락 또한 중요합니다. 측정 단위와 같은 요소에 대한 사소한 실수조차도 치명적인 결과를 초래할 수 있습니다. 1억 2,500만 달러가 투입된 NASA의 ‘화성 기후 궤도선(Mars Climate Orbiter )’은 화성의 대기, 기후, 표면을 조사하기 위한 임무를 띠고 1998년 12월에 발사되었습니다. 1999년 12월에 운용 궤도에 진입할 예정이었던 이 궤도선은 1999년 9월 23일, 계획대로 화성 궤도 진입 연소 작업을 시작했습니다. 화성 뒤편을 통과한 후 궤도선은 지구와의 통신을 재개해야 했지만, 결국 통신은 재개되지 않았습니다. 이 실패는 지구에서 전송된 명령이 미터법 표준(뉴턴·초)으로 변환되지 않은 채 영국식 단위(파운드·초)로 전송되었기 때문이었으며, 이로 인해 궤도선은 목표 궤도를 놓치고 결국 화성 대기로 추락하여 분해되었습니다.
좋은 결과를 얻기 위해서는 데이터뿐만 아니라 학습 모델 역시 매우 중요합니다. 코로나19 팬데믹 기간 중 한 EU 국가는 모든 축구 경기를 생중계하기로 결정하여 경기장에 관중이 들어오지 않도록 했습니다. 심지어 AI 알고리즘을 활용해 카메라 담당 인력까지 없앴습니다. 이 AI는 화면 속 공을 추적해 경기 장면을 포착하도록 훈련받았지만, 위 영상에서 볼 수 있듯이 AI 알고리즘에 사용된 모델은 데이터 그 자체만큼이나 중요합니다. 이 경우 AI는 축구공을 추적하도록 훈련받았지만, 훈련 수준이 충분하지 않아 경기장 내 공과 심판의 대머리를 구분하지 못했고, 그 결과 카메라가 공 대신 대머리를 따라가게 되었습니다. 이 사례는 (열성 팬들을 제외하면) 치명적인 결과는 아니었지만, 훈련이 제대로 이루어지지 않은 모델이 다른 상황에서 어떤 결과를 초래할 수 있는지 쉽게 상상할 수 있습니다.
AI의 진정한 가치 파악하기
앞서 살펴본 바와 같이, 성공을 위해서는 높은 데이터 무결성과 시스템을 적절히 반영하는 학습 모델이 모두 필요합니다. 현실은 아직 우리 자신의 판단을 인공지능으로 대체할 수 있는 단계에 이르지 못했다는 점입니다. 따라서 우리는 AI를 대체 수단이 아닌 보조 수단으로 생각해야 합니다. 그러니 AI에 대한 또 다른 약어, 즉 '가속화된 통찰력 ( Accelerated Insights)'을 고려해 봅시다. 이는 높은 데이터 무결성과 유효한 모델을 갖춘 시스템으로, 사용자가 높은 신뢰도를 가진 통찰력을 더 빠르게 도출할 수 있게 해줍니다. 이러한 시스템에는 다음과 같은 데이터가 필요합니다:
- 원하는 학습 성과를 예측하는 데 유용합니다
- 적절한 맥락이 포함되어 있습니까?
- 시스템이 이를 최대한 활용할 수 있도록 구성되어 있습니다
- 안전합니다 – 변경되거나 조작된 적이 없습니다
그리고 다음과 같은 학습 모델:
- 명확한 목표가 있다
- 올바른 유형의 모델을 사용합니다
- 올바른 기법이 적용되었는가
- 유용한 데이터 시각화 시스템이 포함되어 있습니다
- 배운 내용을 적용하는 방법을 갖추고 있다
- 필요할 때 배운 내용을 즉시 적용할 수 있다
가속화된 인사이트: 실제 사례
자동차 산업은 항상 부품 품질과 테스트 누락 방지에 있어 가장 엄격한 기준을 적용해 왔습니다. 일반적인 기법으로는 장치 부품 평균 테스트(DPAT)를 통해 이상치를 찾아 정상 분포 범위를 벗어난 장치를 식별함으로써 테스트 누락을 줄이는 것입니다. 테스트 대상인 특정 장치에 대한 다른 정보를 활용하면, 다수의 장치와 웨이퍼에 걸친 특정 테스트의 분포는 예상 변동 범위보다 더 넓어집니다. 실제 예상 IDDQ 결과는 해당 장치의 세부 사양에 따라 달라집니다. AI 모델을 활용하면 다른 장치별 측정값을 바탕으로 예상값을 도출하여 테스트 대상 장치의 허용 범위를 좁힐 수 있으며, 이를 측정된 IDDQ 결과와 비교할 수 있습니다. 그 결과, 전체 부품의 광범위한 분포 내에 속하는 일부 부품이 더 이상 예상대로 작동하지 않으며 현장에서 불량으로 판정될 가능성이 높다는 사실이 드러납니다. 자동차와 같은 시장의 엄격한 품질 요구 사항을 고려할 때, 이러한 솔루션은 신속한 통찰력을 확보할 수 있는 수단을 제공합니다.
급속히 성장하고 있는 또 다른 분야는 코드 생성을 위한 보조 인공지능입니다. 각 기기마다 테스트 프로그램을 처음부터 새로 작성하는 대신, 기기별 테스트 계획과 일련의 코드 라이브러리를 결합하는 것이 더 효과적인 방법입니다. 이는 AI 프로그램 생성기를 사용하여 수행할 수 있지만, 여전히 엔지니어의 감독이 필요합니다. AI를 활용함으로써 엔지니어는 프로세스에서 가장 중요한 측면인 프로그램 검토에 집중할 수 있으며, 이는 테스트 엔지니어만이 제공할 수 있는 전문성을 발휘하여 효율성을 크게 향상시킵니다. 그러나 한 걸음 더 나아가 테스트 시간 및 테스트 재현성과 같은 매개변수를 AI 엔진에 피드백하여 라이브러리를 개선할 수 있습니다. 궁극적인 목표는 실제 품질 데이터를 활용하여 전체 출하 품질을 최적화하는 동시에 이를 달성하는 데 드는 비용을 최소화하는 것입니다.
AI가 차세대 공정 노드의 생산성 향상을 이끌 것
뉴스에서는 AI가 우리의 일자리를 빼앗을 것이라는 이야기가 많이 나오고 있지만, 당분간은 여러분의 업무 내용이 변화할 가능성이 더 높습니다. AI 시대인 지금, 데이터의 중요성은 그 어느 때보다 크며, 그 결과 반도체 공정을 개선하기 위해 제조 과정에서 수집되는 데이터의 품질과 다양성을 높이는 데 주력하게 될 것으로 보입니다.
가장 중요한 동인 중 하나는 첨단 공정 노드 개발과 관련된 비용 관리입니다. 새로운 5nm 설계 비용은 5억 달러를 초과할 수 있으며, 5nm 파운드리 건설에는 50억 달러 이상이 소요됩니다. 이러한 첨단 노드의 복잡성은 점점 더 커지고 있으며, 산업을 발전시키지 않는다면 이러한 규모의 투자를 정당화하기가 매우 어려울 것입니다. 반도체 산업은 기술적 난관을 극복하며 더 낮은 비용으로 더 높은 성능을 구현해 왔고, 지속적으로 발전해 왔습니다. 그러나 이제 산업이 계속해서 진전을 이루기 위해서는 또 다른 돌파구가 필요한 시점에 와 있습니다. AI를 통해 달성할 수 있는 생산성 향상은 첨단 공정 노드를 경제적이고 실용적으로 만드는 데 필수적인 요소이며, 따라서 팹과 설계 회사 모두에게 좋은 투자가 될 것입니다. 하지만 이를 위해서는 가치 사슬의 모든 단계가 협력해야 합니다.
AI를 통해 얻을 수 있는 성과는 분명 현실이지만, 개발하는 시스템에 따라 실질적인 순이익의 규모가 결정됩니다. 데이터의 무결성을 충분히 확보하지 못하거나, 적용 대상 시스템을 제대로 반영하지 못하는 학습 모델을 사용한다면 그 결과는 위험할 수 있습니다. 하지만 세부 사항에 주의를 기울이고, 궁극적으로 중요하게 여기는 요소들—성능, 비용, 생산성 등—을 지속적으로 모니터링한다면, AI의 힘은 혁신적인 변화를 가져올 수 있습니다.
레건 밀스(Regan Mills)는 테라다인(Teradyne)의 마케팅 부사장이자 반도체 테스트 사업부 내 SOC 사업부 총괄 매니저입니다. 테라다인에 합류하기 전, 레건은 오토메이션 엔지니어링(Automation Engineering Incorporated)과 아크틱 샌드 테크놀로지스(Arctic Sand Technologies)에서 관리직을 역임했습니다. 그는 매사추세츠 공과대학(MIT)에서 전기공학 및 컴퓨터공학 학사 학위를, 보스턴 대학교에서 전기공학, 제어 시스템, 디지털 신호 처리 및 아날로그 설계 분야 석사 학위를 취득했습니다.