서론
마이크로소프트 연구 팟캐스트에서 제니퍼 네빌(Jennifer Neville) 파트너 리서치 매니저는 자신의 비정상적인 학문 경로와 AI 연구에서 실패가 가르쳐 주는 교훈을 상세히 설명했습니다. 그녀는 수학, 물리학, 인지과학을 거쳐 결국 컴퓨터 과학과 AI 분야에 발을 들였으며, 이 과정에서 느낀 감정적 고조와 좌절을 솔직히 털어놓았습니다.
초기 학문 경로
네빌은 어린 시절 아버지의 직업인 컴퓨터 과학을 피하고자 수학과 물리학을 전공했으나 자신에게 맞지 않다고 느껴 중퇴 후 다시 복학하여 인지과학을 선택했습니다. 그러나 인지과학은 수학적 깊이가 부족하다고 판단했고, 결국 데이터와 계산을 결합한 분야를 찾던 중 우연히 컴퓨터 과학을 전공하게 되었습니다. 그녀는 당시 AI가 컴퓨터 과학의 일부라는 사실을 전혀 인식하지 못했다고 말했습니다.
“내가 대학에 다시 돌아갔을 때, 데이터와 함께 일하고 데이터를 다루고 싶다는 생각이 들어 컴퓨터 과학을 전공했습니다. 그때는 이것이 AI의 일부라는 것을 전혀 몰랐습니다。”
주요 수상 및 경력
네빌은 연구 활동 동안 다수의 영예를 얻었으며, 이는 그녀의 전문성과 영향력을 보여줍니다.
| 수상/영예 | 내용 |
|---|---|
| NSF CAREER Award | 미국 국립과학재단에서 수여하는 초기 경력 연구자 상 |
| IEEE “10 to Watch” in AI list | IEEE가 선정한 AI 분야 주목할 만한 연구자 10인 |
| International Conference on Data Mining (ICDM) 최우수 논문상 | ICDM에서 수상한 최우수 논문 |
| International Conference on Learning Representations (ICLR) 최우수 논문상 | ICLR에서 수상한 최우수 논문 |
그녀는 지금까지 130편 이상의 논문을 발표하고 10,000회 이상의 인용을 기록했으며, 퍼듀 대학교에서 20년 이상 가르침과 지도 활동을 이어오고 있습니다.
연구 시작과 통계적 관계 학습
영예 프로그램의 필수 연구 프로젝트를 통해 네빌은 웹상의 interconnected 데이터를 대상으로 한 데이터 마이닝 주제를 선택했습니다. 이 과정에서 통계적 관계 학습(Statistical Relational Learning)이라는 nascent 분야를 지도하던 교수님을 만나 논문을 워크숍에서 발표하게 되었고, 이 경험이 그녀가 연구에 매료되는 계기가 되었다고 회상했습니다.
“연구 프로젝트를 하면서 무언가를 알아내는 순간의 감정적 스릴이 바로 저를 연구에 빠지게 만든 동력이었습니다. 아무도 이해하지 못한 것을 내가 처음으로 이해했을 때의 느낌은 마치 마약과도 같았습니다。”
그녀는 연구 과정에서 자주 “바퀴만 돌리는 것 같다”는 느낌을 받았고, 실험이 잘 풀리지 않아 좌절감을 느꼈으나 지도 교수의 격려로 계속 나아갔으며, 결국 작은 진전이라도 얻었을 때의 기쁨이 지속적인 연구 동력이 되었다고 강조했습니다.
마이크로소프트 합류 및 산업 연구
2021년에 네빌은 학계에서 마이크로소프트 연구소로 자리를 옮겼으며, 현재는 퍼듀 대학교에서 Samuel D. Conte chair 교수직을 유지하고 있습니다. 그녀는 학계에서의 20년 이상의 가르침과 지도 경험을 바탕으로 산업 연구와의 차이를 설명했는데, 산업 연구는 실제 제품과 사용자 요구에 더 직접적으로 연결되어야 한다는 점을 강조했습니다.
“마이크로소프트에 합류한 후에도 저는 여전히 교수로서 학생들을 가르치고 지도하며, 연구실에서는 실제 제품에 적용할 수 있는 AI 시스템을 개발하는 데 집중하고 있습니다。”
평가와 성능 경계 확장
네빌은 오늘날의 AI 시스템이 전통적인 벤치마크를 넘어서는 상황에서 나타나는 “놀라운 실패(surprising failures)”를 연구하는 것이 중요하다고 강조했습니다. 그녀는 모델이 기대 밖의 결과를 보일 때こそ 데이터를 자세히 살펴보는 것이 모델의 실제 행동을 이해하는 데 필수적이라고 조언했습니다.
“결과가 기대에 어긋날 때こそ 데이터를 자세히 살펴보는 것이 중요합니다. 그런 순간에 우리는 모델이 실제로 무엇을 학습했는지, 그리고 어떤 편향이 내재되어 있는지를 알 수 있습니다。”
그녀는 또한 모델의 성능을 평가할 때 사용자의 실제 요구와 얼마나 잘 맞는지 살펴보는 것이 필요하다고 언급했는데, 이는 그녀의 연구가 “데이터 포인트가 AI 시스템의 행동에 어떻게 영향을 미치는지, 그리고それが 사용자가 실제로 원하는 바와 어떻게 일치하는가”를 탐구하는 데서 비롯됩니다.
실패와 학습의 역할
네빌은 실패를 단순히 오류로 보는 것이 아니라, 데이터와 모델 간의 불일치를 발견하는 기회로 삼아야 한다고 주장했습니다. 그녀는 전통적인 평가 지표를 넘어서 모델을 스트레스 테스트할 때 나타나는 예기치 않은 오류로부터 배울 수 있다고 설명했습니다.
“놀라운 실패는 우리가 모델의 한계를 파악하고, 이를 개선하기 위한 구체적인 방향을 제시하는 데 큰 도움이 됩니다。”
데이터의 중요성
그녀는 AI 시스템의 성능이 훈련 데이터에 크게 좌우된다고 강조하며, 데이터 점검과 정제가 모델의 신뢰성을 높이는 핵심이라고 설명했습니다. 특히 웹상의 연결된 데이터를 다룰 때는 스키마 불일치나 노이즈가 모델의 예측을 왜곡할 수 있으므로, 데이터 라벨링 정책을 지속적으로 검토해야 한다고 덧붙였습니다.
“데이터가 모델의 행동을 결정짓는 만큼, 데이터의 질과 대표성을 검증하는 과정은 어떤 알고리즘 개선보다도 우선시되어야 합니다。”
결론
제니퍼 네빌의 이야기는 AI 연구에서 실패를 두려워하지 않고, 데이터를 깊이 있게 살펴보며, 예상치 못한 순간에서 새로운 통찰을 얻는 것이 중요함을 보여줍니다. 그녀의 경로는 비선형적이었지만, 각 단계에서 얻은 감정적 스릴과 학습이 장기적인 연구 동력으로 작용했으며, 이는 현재 마이크로소프트에서의 산업 연구에도 그대로 적용되고 있습니다.