딥러닝이 아닌 기계 학습 모델 중에서도 설명 가능한 인공지능을 구현할 수 있는 다양한 방법론이 존재합니다. 그중 베이지안 통계를 기반으로 한 '자동 통계학자' 모델은 케임브리지와 MIT가 공동 개발한 것으로, 복잡한 모델을 우리가 이해할 수 있는 연산자와 기저 모델의 조합으로 풀어냅니다. 마치 수학 공식처럼 모델을 더하거나 곱하는 연산 과정을 통해 전체를 파악할 수 있게 하는 것입니다. 이는 과거 통계학자들이 수동으로 수행하던 데이터 분석과 검증 과정을 알고리즘이 스스로 수행하면서도, 그 과정을 인간이 납득할 수 있는 언어로 설명해 준다는 점에서 혁신적인 기술로 평가받고 있습니다.

자동 통계학자 모델은 사람이 이해하기 쉬운 연산자의 조합을 통해 복잡한 데이터를 분석하며, 때로는 전문 통계학자보다 더 뛰어난 예측 성능을 보여주기도 합니다.

이러한 설명 가능한 인공지능 모델의 효용성은 실제 데이터 분석에서 명확히 드러납니다. 인공지능은 별도의 사전 지식 없이도 11년 주기의 태양 흑점 활동이나 100년 단위의 변화, 그리고 역사적인 소빙하기 시점의 온도 변화를 정확히 포착해 냈습니다. 더 나아가 '관계 자동 통계학자' 기술은 여러 개의 시계열 데이터가 공유하는 공통 특징과 개별적 특성을 동시에 파악합니다. 금, 석유, 나스닥 지수처럼 서로 얽혀 있는 지표들 사이의 상관관계를 분석하고, 특정 시점의 급격한 변동 원인을 설명함으로써 복잡한 경제 흐름을 읽어내는 데 큰 도움을 줍니다.

의사 결정 트리 기반의 모델 역시 설명 가능성 측면에서 강점을 보입니다. 특히 성능이 뛰어난 'XGBoost' 알고리즘은 수많은 트리가 결합된 복잡한 형태를 띠지만, 각 트리의 가중치와 노드별 결정 기준을 시각화함으로써 판단 근거를 명확히 할 수 있습니다. 예를 들어 타이타닉 생존자 데이터를 분석할 때, 인공지능이 어떤 변수를 중요하게 고려했는지 구체적인 수치로 보여줍니다. 객실 등급, 요금, 나이 등의 요인이 생존 결정에 미친 영향력을 개별적으로 분석할 수 있기에, 블랙박스처럼 결과만 내놓는 것이 아니라 인공지능의 사고 과정을 인간이 투명하게 들여다볼 수 있게 합니다.

산업 현장에서의 응용은 설명 가능한 인공지능의 가치를 더욱 빛나게 합니다. 포스코의 고로 자동 제어 시스템에 적용된 '군집 딥러닝' 기술은 수천 개의 센서 데이터를 효율적으로 처리하며 쇳물의 온도를 정밀하게 예측합니다. 이 기술은 연간 수백억 원의 비용 절감 효과를 거두었을 뿐만 아니라, 국가 핵심 기술로 선정되는 쾌거를 이루었습니다. 무엇보다 중요한 성과는 현장 조업자들의 신뢰를 얻었다는 점입니다. 인공지능이 왜 특정 제어를 제안했는지 설명 가능한 근거를 제시함으로써, 숙련된 기술자들과 인공지능 시스템 사이의 간극을 줄이고 협업 효율을 극대화할 수 있었습니다.

인공지능의 미래는 수치 데이터를 넘어 글을 읽고 스스로 설명하는 형태로 진화할 것입니다. 워런 버핏이 기업의 보고서를 읽고 투자를 결정하듯, 미래의 인공지능은 텍스트와 수치를 동시에 분석하여 종합적인 판단을 내리고 그 이유를 보고서 형태로 작성해 줄 것입니다. 단순히 상승 혹은 하락을 예측하는 수준을 넘어, 구체적으로 어떤 지표가 위험하며 어떤 외부 요인이 변동을 일으켰는지를 사람처럼 상세하게 설명해 주는 시대가 머지않았습니다. 이러한 다학제적 통합은 인공지능이 인간의 진정한 파트너로서 복잡한 세상을 함께 이해해 나가는 토대가 될 것입니다.