잠들지 않는 토끼 - 1등 기업을 만드는 기계 뇌의 비밀 -

아마존, 구글, 페이팔, 혼다의 성공 비밀
 이들 기업은 모두 ‘기계 뇌’를 사용한다
기계 뇌의 시대를 이끌어 갈 승자는 누구인가!?

이솝 우화 ‘토끼와 거북이’는 토끼와 거북이가 달리기 경주를 하는 이야기다. 토끼가 자신의 실력을 과신하며 쿨쿨 자는 사이에 쉼 없이 나아간 거북이가 결국 승리한다는 내용이다. 이야기 속에서는 토끼가 방심하며 걸음을 멈췄지만, 실제 기업 간 경쟁에서는 그렇지 않다.
이 책에서는 데이터를 집약할 수 있는 플랫폼과 데이터와 알고리즘에 따라 자동으로 개선이 이루어지는 시스템을 갖춘 기업들을 다룬다. 이 시스템을 ‘기계 뇌’라 부른다. 이 기계 뇌를 도입해 약진을 거듭하고 있는 대표적인 기업으로는 ‘구글’과 ‘아마존’이 있다. 이들 기업을 남들이 자고 있을 때도 밤낮으로 뛰는, ‘잠들지 않는 토끼’라 칭한다.

영화 흥행 예측도 기계 뇌가 한다?
소비자가 모르는 사이에 역할 분담에 관한 지각 변동이 일어나고 있다. 주식으로 크게 손해를 봐서 속상할 때, 벌벌 떨면서 건강 진단 결과를 뜯어볼 때, 새내기 가수의 음악에 푹 빠졌을 때, 천만 관객 돌파 영화를 보고 흥분했을 때, 출장 때문에 탄 비행기 안에서 기분 좋게 졸고 있을 때, 이를 제공한 것이 ‘사람’이 아닌 ‘기계’라는 사실을 알고 있는 사람이 과연 얼마나 될까?
주식 시장에서는 이미 알고리즘 트레이딩이 상식이다. 만약 미국 증권거래소에서 주식 거래를 하다가 참패했다면, 당신의 경쟁 상대는 높은 확률로 기계였을 것이다. 영화 흥행 예측도 기계 뇌가 한다. 에파고긱스는 2003년에 영국에서 창업한 데이터 과학 관련 기업이다. 인공신경망 기술과 독자적인 각본 분석 알고리즘을 통해 영화 제작에 들어간 투자금의 회수 확률을 과학적으로 제공한다. 덕분에 영화 제작에서 빼놓을 수 없는 존재가 되었다.
할리우드의 대형 영화 제작사는 아직 1초도 촬영을 진행하지 않은 상태에서 이 에파고긱스에게 영화의 흥행 수입 예측을 의뢰하고, 분석 결과를 바탕으로 줄거리와 배경을 바꾼다. 전 세계의 사람에게 감동과 열광을 선사하려면 영화 내용을 어떻게 바꿔야 하는지도 이제 알고리즘이 제안하는 셈이다.

오늘날 인류는 역사상 처음으로,
‘ 생각하는 일’자체를 기계가 대신한다는 혁명적인 변화를 겪고 있다!
필자가 지금 시대를 ‘딥 러닝의 시대’나 ‘인공지능의 시대’가 아니라 ‘기계 뇌의 시대’라 부른 이유는, ‘역직기 혁명’이나 ‘증기기관 혁명’이라고 부르지 않고 산업혁명이라고 부르는 것과 같은 이치다. 산업혁명은 단순히 역직기와 증기기관 등의 기술에 관련된 사람뿐 아니라, 사회 전체에 광범위한 영향을 끼친 사건이었다. 딥 러닝은 계산처리 기술 중 하나며, 인공지능도 기계 뇌의 시대를 구성하는 한 가지 기술 요소일 뿐이다. 우리가 지금 경험하고 있는 변화는 그러한 기술에 관련된 회사에만 국한된 일이 아니다. 산업혁명과 마찬가지로 훨씬 더 광범위한 사건인 것이다.
인간뿐만 아니라 기계도 ‘지능’에 관한 일을 담당한다는 이러한 변화는 인류가 처음으로 경험하는 일이다. 이는 회사의 경쟁 전략은 물론이고 생산 활동에서 인간이 점하는 위치, 일하는 방식, 교육 제도, 법 제도, 국가의 경쟁 전략, 그리고 인간의 근본적인 가치관에 이르기까지 커다란 변화를 일으킨다. 그러므로 기술 발전에만 초점을 맞춘 ‘딥 러닝과 인공지능의 시대’가 아닌, 지능을 담당하는 이가 바뀌는 ‘기계 뇌의 시대’인 것이다.

비즈니스 현장에서 인간과 기계의
 역할이 바뀌고 있는 시대에 생존을 위하여 반드시 읽어야 할 책!
이 책은 기계 뇌에 관해 배우고 싶은 사람, 빅데이터와 머신러닝에 관해 수박 겉핥기가 아니라 제대로 원리 원칙을 이해하고 싶은 사람, 기계 뇌의 실제 사례를 보고 직접 응용해보고 싶은 사람을 위해 쓴 책이다. 최근 빅 데이터가 유행하면서 데이터 과학에 관한 책은 많이 나왔다. 하지만 선정적인 경제적 성공을 나열하기만 한다거나, 통계 기술을 다뤘지만 비즈니스 측면의 분석이 부족하다는 등 사례부터 시스템 구축 방법까지 균형 있게 다룬 책은 찾아보기 힘들었다.
이 책은 그 두 가지를 골고루 담았다. 기계 뇌를 비즈니스에 활용해야 할 담당자·매니저·경영진 등 기계 뇌의 본질을 제대로 이해하여 의사결정을 내려야 할 모든 비즈니스맨에게 유용한 책이 될 것이다.

지은이 : 가토 에루테스 사토시 
도쿄 대학을 졸업했다. 컨설팅 회사 맥킨지 앤드 컴퍼니, 미국계 제약 회사 등을 거쳐 2014년에 일반사단법인 일본 데이터사이언스 연구소를 창설하여 대표이사로 취임했다. TEDXTokyo Salon에서 〈교육의 미래와 데이터 사이언스〉라는 주제로 강연하는 등 대중을 상대로 한 강연 활동도 적극적으로 펼치고 있다.
저서로는 《프로그래밍은 로봇으로 시작하자!》, 《일본 제조업의 전략》(공저) 등이 있고, 편집에 협력한 책으로는 《일본의 미래에 관해 얘기하자》, 《Reimagining Japan》 등이 있다.

옮긴이 : 이인호 
KAIST 전산학과를 졸업하고 소프트웨어 개발자로 일하고 있다. 한편으로 글밥아카데미 일본어 출판번역 과정을 수료하고 바른번역 소속 번역가로 활동하고 있다. 역서로는 《10년 후, 이과생 생존법》, 《문과 출신입니다만》, 《과학인문학으로의 초대》, 《요시카와 에이지의 삼국지》(공역), 《무한의 끝에 무엇이 있을까》, 《물리학은 처음인데요》 등이 있다.

프롤로그: 기계 뇌의 시대
 제1장 기계 뇌의 해부학
- 잠들지 않는 토끼의 약진은 멈추지 않는다
- ‘다른 세상 일’이라고 생각하며 방관하는 시대는 끝났다
- 데이터 과학은 필수 교양
- 기계 뇌가 할 수 있는 딱 세 가지 일
① 가시화하기┃② 분류하기┃③ 예측하기┃조합하기

제2장 기계 뇌는 가시화한다
- Case1 혼다기연공업: 인터내비
 혼다는 왜 차를 센서로 삼았는가?┃애초에 데이터를 선택하는 센스도 중요하다
- Case2 고마쓰제작소: 콤트랙스
 콤트랙스의 혁신성┃데이터 활용 범위는 연쇄적으로 확대된다┃하향식으로 이루어진 고마쓰 개혁
- Case3 조지루시마호빙: 아이포트
 조지루시의 훌륭한 착안점┃피해갈 수 없는 비용 대비 효과 문제의 접근 방식
- Case4 히타치제작소: 비즈니스 현미경
 의사소통 상태를 어떻게 가시화할 것인가?┃목적을 무리 없이 달성할 수 있는 범위 내에서 분석을 엄밀하게

제3장 기계 뇌는 분류한다
- Case5 페이팔: 부정 검출
 전 세계의 범죄자가 노리는 결제 인프라를 어떻게 지켜낼 것인가
- Case6 후지필름 / 앤섬: 암 분류
 언제 어디서든 숙련된 의사 수준의 진단을 누리기┃진단 알고리즘에 투자하는 보험 회사
- Case7 파친코·카지노 산업: 얼굴 인식 기술
 카지노와 데이터의 만남┃카지노에서 ‘얼굴’이 지니는 가치

제4장 기계 뇌는 예측한다
- Case8 에파고긱스: 영화 흥행 예측
 영화 제작에 ‘예측’이 필요한 이유┃에파고긱스의 알고리즘에 관한 추리
- Case9 아마존 / 라쿠텐: 구매 예측과 추천
 두 가지 협업 필터링 모델┃어떻게 해야 정확한 추천을 할 수 있을까?┃라쿠텐의 사원이라면 어떻게 해야 할까?
- Case10: 휴렛 팩커드: 사원의 퇴직 가능성
 퇴직률을 크게 개선한 예측 모델┃사내에 초점을 맞춤 예측 프로젝트 포인트
- Case11: 클라이미트 / 프로그레시브: 보험
 데이터 분산 처리 기술이 가능케 한 자동 날씨 보험┃데이터양이 핵심인 자동차 보험

제5장 기계 뇌의 설계 레시피
- 기계 뇌를 만드는 ABCDE 프레임워크
 데이터 과학서의 맹점
- 목적을 정할 때는 ‘SMART'에 집중해라 A: Aim(목적)
자주 저지르는 실수┃신경 써야 할 점
- 모델의 트레이드오프를 극복하라 B: Brain(기계 뇌의 종류)
자주 저지르는 실수┃신경 써야 할 점(기본 편)┃신경 써야 할 점(데이터 과학편)┃트레이드오프의 균형을 찾기
 위한 팀 회의 사례┃속도는 끊임없이 추구해야 한다┃크라우드소싱을 통해 모델 개량하기
- 코딩에서 중요한 세 가지 C: Coding/Construction(프로그래밍 작업·구현)
자주 저지르는 실수와 신경 써야 할 점① 프로그래밍 언어┃자주 저지르는 실수와 신경 써야 할 점② 클라우드
 서버 서비스 이용┃자주 저지르는 실수와 신경 써야 할 점③ 팀 관리
- 코딩에서 중요한 세 가지 D: Data(데이터 선정과 정비)
데이터를 올바르게 다루기┃자주 저지르는 실수┃신경 써야 할 점┃두 종류의 데이터┃데이터 선정을 운에
 맡기지 말자┃데이터를 선정하는 네 가지 기준┃데이터 선정 기준① Relevancy: 관련성┃데이터 선정 기준②
 Volume: 분량┃데이터 선정 기준③ Granularity: 세분화 정도┃데이터 선정 기준④ Cost Effectiveness: 비용
 대비 효과┃써도 되는 데이터, 쓰면 안 되는 데이터┃분석 시간 중 80퍼센트는 데이터 정제에 든다┃결측값을
 어떻게 다루나?
- 일관성을 의식하며 실행하기 E: Execution(실행)
자주 저지르는 실수┃신경 써야 할 점┃‘실행’은 데이터의 이종 격투기

제6장 기계 뇌를 운용할 수 있는 조직 만들기
- 데이터 과학자에 대한 인식과 현실
 우수한 데이터 과학자가 주변에 없다는 착각┃단체 경기라는 자세로 임하기
- 조직에서 데이터를 활용하기 위해 불가결한 세 가지 역할
① 데이터 제너럴 매니저(GM) 인재┃② 데이터 과학자 인재┃③ 데이터 엔지니어 인재┃데이터를 다루는 인재를
 키우는 법┃성장하겠다는 의욕과 잠재력을 가진 인재 선정┃성장 기대치를 명시한다┃경영자도 데이터 과학을
 알아야 한다┃배우고 시행 착오할 기회를 주자
- 프로젝트를 진행할 때 저지르는 말실수
 데이터 GM의 말실수┃데이터 과학자의 말실수┃데이터 엔지니어의 말실수
- 사내에 있는 다이아몬드 원석
- 데이터 과학을 몰랐던 사람은 앞으로 어떻게 해야 활약할 수 있을까?
우선 자기 자신의 가치관을 의심하자┃데이터 GM의 필수 교양┃데이터 과학자의 필수 교양┃데이터 엔지니어의
 필수 교양┃팀워크와 프로토콜을 익힌다

에필로그: 기계 뇌의 시대에 보통 사람은 어떻게 살아야 할까?