나에게는 크고 광범위한 목표가 있다. 그것은 바로 시스템적인 문제들에 대한 해결 방안을 찾는 것이다. 우리는 기후 위기, 불평등의 증가, 복잡한 경제적 문제 등 많은 측면에서 세계적인 와해 현상에 직면해 있다. 그러나, 우리는 이러한 문제들을 이해하고 해결할 능력이 부족하다.
현재 내가 큰 관심을 갖고 있는 것은 “딥 디자인(deep design)”으로 명명한 분야에서 이루어지고 있는 상당한 수준의 발전이다. 기본적으로, 이는 에이전트 기반 모델링, 인공지능(AI), 인간 중심 디자인의 세 가지 요소들이 통합된 것이다. 이러한 도구 및 분야들의 결합을 통해 연구 커뮤니티 및 기업 R&D 팀들은 처음으로 사회적, 경제적 측면의 복잡성을 모델링하는 AI 기반 시뮬레이션을 구축할 수 있게 되었다.
중앙 은행들이 인플레이션 관리 정책을 설계할 때 마주하게 되는 문제들을 생각해보자. 우리는 이미 여러 가지 경제 모델들을 갖고 있다. 그러나, 2008년 금융 위기 및 코로나 19 팬데믹 등의 충격을 통해 알 수 있듯이, 이러한 모델들은 일반적으로 결과를 잘 예측하지 못한다. 그 이유는 이러한 모델들이 세상에 대해 너무 단순한 가정들을 세우기 때문이다. 예를 들면, 이들은 어떤 집단 전체의 행동을 대표하는 개인 또는 기업과 같은 하나의 대표적인 “에이전트”가 있는 것으로 가정하는 경우가 많다. 새롭게 떠오르고 있는 분야인 복잡계 경제학(economics of complexity)에서는 다른 에이전트 세트 간의 상호작용을 시뮬레이션함으로써 실제 시장들 간의 이질성을 설명하는 모델을 사용한다. 이러한 상향식 거시경제적 접근 방식은 매우 견실한 것으로 입증되고 있다.
새롭게 떠오르고 있는 분야인 복잡계 경제학(economics of complexity)에서는 다른 에이전트 세트 간의 상호작용을 시뮬레이션함으로써 실제 시장들 간의 이질성을 설명하는 모델을 사용한다. 이러한 상향식 거시경제적 접근 방식은 매우 견실한 것으로 입증되고 있다.
예를 들어, 영국의 중앙 은행인 뱅크 오브 잉글랜드(Bank of England)는 영국 주택 시장을 시뮬레이션하여 여신 정책 조정을 개선하고, 리스크를 감소하기 위해 옥스포드 대학의 Institute for New Economic Thinking(INET)과 파트너십을 체결했다. 이들은 최초 주택 구입자, 주택 보유자, 임대 사업 투자자의 행동을 모델링함으로써 시장 동인들을 파악할 수 있었다. 예를 들어, 이 모델은 임대 사업 부문의 성장이 어떻게 주택 시장의 호황과 불황의 강도 및 빈도를 증가시키는지 보여준다. 우리가 심각한 불황이 될 수도 있는 상황에 대응하기 시작하고 있는 지금, 이러한 시뮬레이션은 현재 영국에서 일어나고 있는 현상과 매우 관련성이 높은 결과를 보여주고 있다. 이와 비슷하게, 캐나다 중앙은행인 뱅크 오브 캐나다(Bank of Canada)는 에이전트 기반 시뮬레이션을 이용하여 사람들의 가격 상승에 대한 기대가 시간이 지남에 따라 어떻게 변하는지를 설명함으로써 인플레이션에 대한 모델링을 개선하고자 한다.
그러나, 이러한 모델들은 더 전략적인 최적화 문제들에 대해서는 어떻게 해결할까. 예를 들어, 사회적 불평등과 경제 성장 간의 균형을 더 잘 찾기 위해 세제 정책을 설계할 경우를 생각해 보자. 전통적인 에이전트 기반 모델들은 정보가 부족한 상황에서 납세자들이 정책에 대해 어떻게 반응하는지를 시뮬레이션하는 데 적합하지 않다. 바로 이럴 때 AI, 구체적으로는 ‘심층 강화 학습(deep reinforcement learning)’이 필요한데, 이는 더 많은 보상을 획득하기 위해 행동을 조정하도록 에이전트들을 훈련시키는 데 이용될 수 있다.
세일즈포스(Salesforce)는 경제에 대한 AI 기반 시뮬레이션과 강화 학습을 이용해 경제 정책을 설계하는 일반 프레임워크인 ‘AI Economist’로 이 분야를 개척하고 있다. 이는 노동 시장과 세제 정책 간의 상호작용 연구 등에 이용될 수 있다. 노동 시장의 측면에서 세일즈포스의 팀은 주택 건설을 위해 목재 및 석재 등의 자원을 수집하고 거래하는 다양한 스킬 수준을 가진 근로자 에이전트들로 구성된 가상의 시공간 경제를 설계했다. 이들은 집을 팔아 수입을 얻고 유용성 증가에 대한 보상을 받는다. 고숙련 근로자들은 주택 건설에 대해 더 많은 수입을 얻으므로 유용성이 증가한다. 주택 건설은 노력도 필요하기 때문에 유용성이 감소한다. 이러한 작은 문명 외에도 AI Economist는 세제 정책을 통해 부를 재분배하는 정부의 계획자도 추가했다. 계획자는 평등과 생산성 간의 균형을 찾는 것에 대해 보상받는다. 이는 일종의 알고리즘에 의한 사회적 계약이라고 볼 수 있다.
이 때 ‘두 단계의 강화 학습(two-level reinforcement learning)’이라고 하는 효과적인 트릭이 작용한다. 근로자와 정부 모두 최대의 보상을 획득하기 위해 행동을 조정하는 법을 학습하게 된다. 이러한 접근 방식은 효과적이다. AI Economist는 사회적 가치를 계획자의 보상 내에 코드화함으로써 사회적 불평등에 대한 균형점을 찾는 데 있어 기존의 세제 모델 및 자유 시장보다 16% 더 우수한 것으로 증명되었다. 이는 매우 의미 있는 결과이다.
딥 디자인은 ‘시스템적 문제들’을 다루기 위해 훨씬 더 과감한 이니셔티브를 취할 수 있는 잠재력을 갖고 있다. 예를 들면, 글로벌 기후 협력을 위한 협상 프로토콜 설계와 기후 변화로 인한 이주 및 긴급 소개 시뮬레이션에 활용될 수 있다.
딥 디자인은 시스템적 문제들을 다루기 위해 훨씬 더 과감한 이니셔티브를 취할 수 있는 잠재력을 갖고 있다. 예를 들면, 글로벌 기후 협력을 위한 협상 프로토콜 설계와 기후 변화로 인한 이주 및 긴급 소개 시뮬레이션에 활용될 수 있다. 다양한 시나리오 하에서 현실적인 인간의 행동을 시뮬레이션하도록 모델을 훈련시킬 때 필요한 방대한 양의 데이터 처리에 요구되는 컴퓨팅의 규모는 빠른 속도로 주요한 걸림돌이 되고 있다.
그러나, 기업들이 단기적으로 기존 데이터 세트를 이용해 활용할 수 있는 딥 디자인 애플리케이션들도 있다. 예를 들어, 소비재 기업들은 이러한 도구들을 이용해 사람들이 녹색 상품을 채택하도록 유도하는 인센티브 구조를 찾아낼 수 있다. 태양열 패널이 처음 도입되었을 때 이런 것들이 있었으면 어땠을지 상상해보라. 전력 회사들은 각 가정의 전력 사용의 최적화에 도움이 되는 정책 및 요금을 설계할 수 있을 것이다.
나는 기업들이 스타트업, 교육기관, 기업 R&D로 이루어진 기존의 생태계를 활용함으로써 설계자, AI 엔지니어, 분야별 전문가들이 함께 시뮬레이션을 설계하고 테스트와 학습을 가속화하여 현실 세계의 도전 과제들을 해결할 수 있는 공동의 플랫폼을 발전시키는 데 있어 중요한 역할을 할 수 있다고 생각한다. 딥 디자인이 지구라는 우주선의 “운전 매뉴얼”이 될 수도 있지 않을까 하는 것이 나의 희망이다.
저자 소개
Sophia Davies
Platinion Senior IT Architect / BCG London
