누군가가 인공지능(AI)의 기원에 대해 질문한다면 무엇이 가장 먼저 떠오르나요?
많은 사람들에게 AI는 메트로폴리스(1927)의 마리아, 2001: 스페이스 오디세이(1968)의 HAL 9000, 스타워즈(1977)의 C3PO, 터미네이터(1984)와 같은 공상 과학 소설과 영화에 등장하는 지각력이 있는 로봇이나 인간이 아닌 존재일 것입니다. 최근에는 대규모 언어 모델(LLM)에 대해 쏟아지는 뉴스로 인해 ChatGPT를 바로 떠올리는 이들도 있을 것입니다.
AI의 역사
인공지능의 구현 가능성에 대한 논쟁은 인류가 자동화된 기계의 생성에 대해 처음 생각한 이후부터 계속되어 왔습니다. 17세기에 데카르트는 인간의 반응과 자동기계의 반응을 구별하는 테스트를 고안했습니다. 1950년에는 컴퓨터 과학과 현대 AI의 아버지로 널리 알려진 Alan Turing이 "기계는 생각할 수 있는가?"라는 질문에 답하기 위해 "튜링 테스트"를 개발했습니다. 이 질문은 나중에 "기계는 인간을 모방할 수 있는가?"로 발전했습니다.
“나는 생각한다. 고로 존재한다.”
– 데카르트, 1596~1650
오늘날에도 여전히 이러한 질문이 제기되고 있지만 검색 엔진, Siri, Alexa, ChatGPT 등을 통해 AI가 우리 삶에 급작스럽고 광범위하게 통합되면서 전체 사회에 가지는 의미는 더욱 커졌습니다.
"인공지능"이라는 용어를 처음 만든 것은 1956년 다트머스 여름 캠프에 참여한 존 매카시(John McCarthy)와 선도적인 컴퓨터 과학자 그룹입니다. 같은 해 Cliff Shaw, Allen Newell 및 Herbert Simon이 자동화된 추론을 수행하기 위해 Logic Theorist를 개발했습니다. Logic Theorist는 최초로 실행된 AI 솔루션으로 널리 인정받고 있습니다. 1952년의 체커 프로그램과 같이 더 일찍 개발된 솔루션도 존재하지만 Logic Theorist가 가장 일반적으로 언급되고 있습니다.
그 이후로 AI는 컴퓨터가 인간의 의사결정 프로세스를 모방할 수 있도록 만든다는 목표에 따라 컴퓨터 과학 분야와 함께 발전해 왔습니다. 이는 기술이 진화하고 이러한 진화에 수반되는 모든 사항을 관리하는 데 도움이 되는 강력한 도구가 필요함에 따라 필연적으로 발생했습니다.
본질적으로 오늘날 AI는 컴퓨터가 인간과 유사한 방식으로 의사결정 및 문제해결 작업을 수행하는 모든 애플리케이션으로 정의됩니다. 이 정의는 현재와 가까운 미래에 이론 과학의 영역으로 간주되는 자기 인식 및 감각과 같은 개념은 포함하지 않습니다. 현재 AI 애플리케이션의 경우, 각각의 AI가 다르기 때문에 비즈니스 문제 해결을 위한 솔루션을 선택하는 것이 어려울 수 있습니다.
처음에 AI 시스템은 전문가 시스템으로 알려진 일련의 if-else 조건문과 유사한 규칙 기반 방식을 사용했습니다. 이러한 초기 시스템은 당시에는 혁신적이었지만 엄격한 구조로 인한 제약이 있었습니다. 하지만 현재도 여전히 널리 사용되고 있습니다.
진정한 AI 혁명은 지난 25년간 이루어진 기술 발전, 향상된 데이터 공유 인프라, 데이터 양의 기하급수적 증가의 결과입니다. 이는 인간과 표준 컴퓨팅 리소스의 힘으로 관리할 수 없는 복잡한 데이터 집약적 프로세스로 이어졌고, 1950년대 이후 AI의 하위 집합으로 간주되고 있는 머신러닝(ML)을 촉진했습니다.
규칙 기반 시스템과 달리 ML 알고리즘은 방대한 양의 데이터를 처리한 후 명시적 프로그래밍 없이 의사결정 프로세스를 학습, 조정 및 정제할 수 있습니다. 이를 통해 복잡한 실제 문제를 처리할 수 있는 유연하고 동적인 AI 시스템을 구현하는 것이 가능합니다.
AI & 임상시험
임상시험 생태계는 이러한 AI 시스템의 이점을 누리기에 완벽한 환경이며, 실제로 혁신적인 성과를 거두었습니다. 메디데이터는 오늘날과 같이 AI에 대한 관심이 급증하기 수년 전부터 AI 요소를 자사 플랫폼에 통합하는 작업을 수행했습니다. 이러한 기술은 많은 경우에 인간의 지원 또는 검토를 바탕으로 전통적인 방법으로는 해결 불가능한 특정 문제의 해결을 위한 강력한 도구로 활용됩니다.
AI와 ML을 임상연구에 통합하기 위한 프로세스는 기존 솔루션이 효과적이지 못한 영역, 즉 격차나 필요를 식별하는 것에서 시작됩니다. 문제가 확인되면 연구자들은 과거 데이터와 기존 시스템을 활용하여 신중하게 AI 기반 솔루션을 개발합니다.
임상연구에서 AI의 성공은 세심한 데이터 선별과 강력한 ML 모델 개발에 달려 있습니다. 이러한 작업은 매우 큰 중요성을 지니며 ML 모델이 탁월한 역량을 발휘하는 분야입니다. 인간의 직관이나 규칙 기반 로직에만 의존하지 않고 광범위한 데이터 세트를 통해 학습하는 ML 모델은 인간의 분석으로는 발견하기 어려운 패턴과 인사이트를 찾아냅니다. 인간의 전문지식과 ML 알고리즘 간의 이러한 공생 관계는 혁신을 촉진하고 시험대상자 결과를 개선하는 데 도움이 됩니다.
실제로 AI와 ML은 임상시험 설계 및 시험대상자 모집부터 데이터 분석 및 해석에 이르는 전체 임상 연구 주기 전반에 통합됩니다. 연구자들은 이러한 기술을 이용하여 복잡한 데이터세트에서 귀중한 인사이트를 도출하고, 트렌드를 식별하고, 전례 없는 정확도로 결과를 예측할 수 있습니다.
AI를 임상연구에 도입하는 데는 몇 가지 해결해야 할 과제가 있습니다. 그 중 핵심은 윤리적 고려 사항, 데이터 프라이버시에 대한 우려, 강력한 검증 프로세스의 필요성입니다. AI 모델의 해석력도 특히 헬스케어와 같이 엄격한 규제를 받는 산업에서 주요 관심사입니다. 또한 임상시험 전반에 걸쳐 다양한 AI 시스템이 확산되면서 상호운용성, 통합, 확장성 및 글로벌 지원 측면의 과제도 나타나고 있습니다.
그럼에도 불구하고 AI와 ML에 임상 연구를 혁신할 잠재력이 있다는 것은 부인할 수 없는 사실입니다. 연구자들은 데이터와 AI의 힘을 활용하여 새로운 인사이트를 도출하고, 발견 속도를 가속화하며, 궁극적으로 전 세계적으로 환자 치료를 개선할 수 있습니다.
요약
AI의 탄생부터 임상 연구 내 통합에 이르는 여정은 문제해결 및 의사결정 방식의 패러다임 전환을 의미합니다. 연구자들은 AI 및 ML 도구와 시스템을 수용하여 복잡한 현대 헬스케어 환경을 자신 있게 탐색하고 혁신과 발전을 촉진하는 데이터 기반 인사이트를 바탕으로 새로운 미래를 열 수 있습니다.