[241112] 산업용 로봇이 생성형 AI 챗봇처럼 학습하면 어떻게 될까?

본 글은 CIO Korea 칼럼 사이트의 https://www.cio.com/article/3602797/%ec%b9%bc%eb%9f%bc-%ec%82%b0%ec%97%85%ec%9a%a9-%eb%a1%9c%eb%b4%87%ec%9d%b4-%ec%83%9d%ec%84%b1%ed%98%95-ai-%ec%b1%97%eb%b4%87%ec%b2%98%eb%9f%bc-%ed%95%99%ec%8a%b5%ed%95%98%eb%a9%b4-%ec%96%b4%eb%96%bb.html 글을 요약정리 함.

---

컴퓨터화된 기계 덕분에 제조, 의료, 농업, 공급망, 자동차 산업에서 효율성과 새로운 역량아 급속도로 확산되고 있음.

 

새로운 로봇을 현장에 투입할 때의 문제점

• 특정 작업을 수행하도록 훈련시키는 과정이 어려움
• 비용이 많이 듦
• 시간이 오래 걸림
• 시스템의 사소한 수정이 있을 때마다 다시 훈련시켜야 함

=> 유용성 매우 떨어짐

 

일부 훈련은 소프트웨어 코딩으로 처리됨. 다른 방법은 모방 학습이 있음 => 둘 다 시산과 비용 많이 듦.

 

모방 학습이란?

사람이 로봇을 원격으로 조작해 로봇의 움직임을 시뮬레이션하고 학습 데이터를 제공하는 방식.

 

문제를 더욱 복잡하게 만드는 것은 표준의 부재임. 각 로봇 업체는 자체적으로 특화된 프로그래밍 언어를 사용함. 

 

표준 부재 -> 복잡성과 비용을 증가시키는 요인. 로봇 프로그래밍 과정은 비용이 수천 달러에 이르며 회사는 로봇 프로그래밍 플랫폼을 사용할 수 있도록 직원 교육을 해야 함. 표준이 부족하면 첫 훈련 이후 유연성이 떨어지며 복잡하고 시간이 많이 듦.

 

MIT가 구세주?

 

LLM이란? 수십억개의 매개변수를 가진 방대한 신경망을 사용해 대규모 학습 데이터셋에서 학습한 패턴을 기반으로 텍스트를 처리하고 생성.

 

HPT란?

LLM과 유사한 개념에 기반함. 트랜스포머 모델을 사용해 다양한 소스 및 형태의 로봇 데이터를 처리. 이 모델은 시각적 및 로복 움직임 입력을 토큰 형태로 추가해 정렬함. 규모가 클수록 로봇의 성능이 향상됨. HPT는 특정 작업에 대한 데이터 요구량이 훨씬 적음. 

 

=> 모두 다수의 출처로부터 방대한 훈련 데이터셋을 포함한다는 공통점이 있음.

 

HPT 로봇의 한계

데이터셋에서 불량 데이터를 걸러낼 수 있는 메커니즘이 필요. HPT보다 LLM이 훨씬 발전된 상태.

 

이를 산업화하려면?

• 시뮬레이션 데이터와 실제 데이터를 더 많이 확보해야 함.
• 로봇 학습의 잠재력을 극대화하기 위해서는 자가 지도 학습이나 비지도 학습을 연구해야 함. 또한 데이터셋을 다양하고 고품질의 데이터로 확장하는 것도 중요. (원격 작동 데이터, 시뮬레이션, 사람의 행동을 담은 영상, 배치된 로봇 데이터 등)
• 표준화된 가상 테스트 환경을 마련 -> 더 복잡한 실제 작업에서 로봇을 테스트해야 함.
• 로봇이 다양한 유형의 정보를 이해하도록 가르치는 분야도 있음. 

=> 모든 아이디어는 현실에서 다양한 작업을 처리할 수 있는 스마트한 로봇을 만드는 것을 목표로 함. 

 

궁극적 목표?

추가 훈련 없이도 다운로드하여 사용할 수 있는 ‘범용 로봇 두뇌’를 만드는 것. 조립 라인에 신입 직원이 투입되면 따로 훈련받지 않아도 물건을 집어 들고 이동하며 물건을 다루고 시각적으로 식별하는 것도 알고 있음. 신입 직원은 경험을 쌓으며 자신감을 얻고 추가적인 기술을 습득함. HTP로 훈련된 로봇도 이와 같은 방식으로 작동할 것으로 기대함.