인공 인식과 인간 인식의 차이 OCR과 홍채 인식 사례

초록

본 논문은 인간 학습이 인식 기반이라는 가설을 바탕으로, 인공 지능에서 인식(Perception)을 수치적 공간에 그대로 옮겨 놓고 학습과 인식의 상호 의존성을 퍼셉트론을 이용해 분석한다. 실험 대상으로 광학 문자 인식(OCR)과 홍채 인식을 선택하고, 인간과 인공 시스템이 동일한 구분 과제를 수행했을 때 인간은 명확하고 이진적인 판단을 내리는 반면, 퍼셉트론 기반 인공 인식은 경계가 흐릿한 퍼지(fuzzy) 결과를 보인다. 이를 통해 인간 인식과 인공 인식 사이의 근본적인 차이를 조명한다.

상세 분석

논문은 먼저 인간 학습이 ‘인식(perception)’에 기반한다는 인지 과학적 전제를 제시한다. 기존 연구들은 인간 인식을 별도의 이론적 프레임워크(예: 컴퓨터 비전, 심리학적 모델)로 다루는 경우가 많지만, 저자들은 인간 인식을 그대로 수치화된 ‘인공 인식(artificial perception)’으로 변환하고, 동일한 수치 공간 안에서 학습(learning)과 인식을 동시에 모델링한다는 독창적인 접근을 취한다. 이를 구현하기 위해 가장 기본적인 인공 신경망인 퍼셉트론을 선택했으며, 이는 선형 분리 가능성(linear separability)과 가중치 업데이트 규칙을 통해 인식 경계를 형성한다는 점에서 적절했다.

두 가지 실험 사례는 OCR과 홍채 인식이다. OCR에서는 손글씨와 인쇄체를 포함한 여러 문자 이미지가 주어지고, 퍼셉트론은 각 문자 쌍 사이의 차이를 학습한다. 인간 실험자는 동일한 문자 쌍을 보고 즉각적으로 ‘같다/다르다’라는 이진 판단을 내리지만, 퍼셉트론은 가중치 벡터와 입력 벡터 사이의 내적값을 연속적인 실수로 출력한다. 이때 경계값(threshold)을 설정해 이진화하더라도, 실제 출력값은 경계 근처에서 큰 변동성을 보이며, 이는 ‘퍼지 인식(fuzzy perception)’이라고 명명한다.

홍채 인식에서도 동일한 패턴이 관찰된다. 홍채 이미지의 고유 패턴을 추출해 퍼셉트론에 입력하면, 두 홍채 사이의 유사도는 연속적인 점수로 나타난다. 인간은 홍채를 직접 비교할 때 거의 즉각적으로 동일 여부를 판단하지만, 인공 시스템은 점수 기반 판단을 해야 하며, 특히 점수가 경계값에 근접할 경우 인간과 달리 불확실성을 내포한다.

이러한 결과는 두 가지 중요한 시사점을 제공한다. 첫째, 인간 인식은 고차원 특징을 비선형적으로 통합해 거의 이진적인 ‘크리스프(crisp)’ 결정을 내리지만, 현재의 선형 퍼셉트론 기반 인공 인식은 이러한 비선형 통합 능력이 부족해 경계가 흐릿한 결과를 만든다. 둘째, 인공 인식의 퍼지 특성을 정량화함으로써 인간-기계 인터페이스 설계 시 ‘신뢰도(confidence)’와 ‘불확실성 관리’가 필요함을 강조한다. 향후 연구에서는 다층 퍼셉트론이나 딥러닝 구조를 도입해 비선형성을 강화하고, 인간 인식과 유사한 크리스프한 판단을 구현하는 방안을 모색할 수 있다.