인공지능(AI)이란 무엇인가요?

AI가 탑재된 애플리케이션과 디바이스는 사물을 보고 식별할 수 있습니다. 인간의 언어를 이해하고 이에 반응할 수 있습니다. 새로운 정보와 경험을 통해 배울 수 있습니다. 사용자와 전문가에게 자세한 권장 사항을 제공할 수 있습니다. 독립적으로 행동할 수 있어 인간의 지능이나 개입의 필요성을 대체할 수 있습니다(대표적인 예는 자율 주행 자동차입니다). 

그러나 2024년에 대부분의 AI 연구자와 실무자, 그리고 대부분의 AI 관련 헤드라인은 원본 텍스트, 이미지, 동영상 및 기타 콘텐츠를 만들 수 있는 기술인 생성형 AI(gen AI)의 획기적인 발전에 초점을 맞추고 있습니다. 생성형 AI를 완전히 이해하려면 먼저 생성형 AI 툴의 기반이 되는 기술인 머신 러닝(ML)과 딥 러닝을 이해하는 것이 중요합니다.

AI를 간단하게 생각하면 70여 년 동안 등장한 일련의 중첩 또는 파생 개념으로 볼 수 있습니다.

AI의 바로 아래에는 데이터를 기반으로 예측이나 결정을 내릴 수 있도록 알고리즘을 학습시켜 모델 을 만드는 머신 러닝이 있습니다. 특정 작업을 위해 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터를 기반으로 학습하고 추론할 수 있도록 하는 광범위한 기술을 포괄합니다. 

선형 회귀, 로지스틱 회귀, Decision Trees, 랜덤 포레스트, 서포트 벡터 머신(SVM), K-최근접 이웃(KNN), 클러스터링 등 다양한 유형의 머신 러닝 기술 또는 알고리즘이 있습니다. 이러한 각 접근 방식은 다양한 종류의 문제와 데이터에 적합합니다.

하지만 가장 널리 사용되는 머신 러닝 알고리즘 유형은 신경망(또는 인공 신경망)입니다. 신경망은 인간 뇌의 구조와 기능을 모델로 합니다. 신경망은 복잡한 데이터를 처리하고 분석하기 위해 함께 작동하는 노드(뉴런과 유사)의 상호 연결된 계층으로 구성됩니다. 신경망은 대량의 데이터에서 복잡한 패턴과 관계를 파악하는 작업에 매우 적합합니다.

가장 간단한 형태의 머신 러닝은 지도 학습으로, 레이블이 지정된 데이터 세트를 사용하여 데이터를 분류하거나 결과를 정확하게 예측하기 위한 알고리즘을 학습시키는 것입니다. 지도 학습에서는 사람이 각 학습 예제와 아웃풋 레이블을 쌍으로 연결합니다. 목표는 모델이 학습 데이터의 입력과 아웃풋 간의 매핑을 학습하여 보이지 않는 새로운 데이터의 레이블을 예측할 수 있도록 하는 것입니다.

심층 신경망은 입력 계층 (최소 3개, 보통 수백 개의 은닉 계층),그리고 아웃풋 계층으로 구성됩니다. 반면 기존 머신 러닝 모델에 사용되는 신경망은 보통 은닉 계층이 1개나 2개뿐입니다.

이러한 다중 계층은 비지도 학습을 가능하게 합니다. 즉, 레이블이 지정되지 않은 대규모 데이터 세트와 비정형 데이터 세트에서 특징 추출을 자동화하고 데이터가 나타내는 내용을 자체적으로 예측할 수 있습니다.

딥 러닝은 사람의 개입이 필요하지 않기 때문에 엄청난 규모의 머신 러닝을 가능하게 합니다. 자연어 처리(NLP), 컴퓨팅 비전 및 대량의 데이터에서 복잡한 패턴과 관계를 빠르고 정확하게 식별해야 하는 다양한 작업에 적합합니다. 어떤 형태의 딥 러닝은 오늘날 우리 생활에서 대부분의 인공 지능 (AI) 애플리케이션을 구동합니다.

딥 러닝은 다음과 같은 이점도 제공합니다.

• 준지도 학습(Semi-supervised learning)은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 모두 사용하여 분류 및 회귀 작업을 위한 AI 모델을 학습시키는 지도 학습과 비지도 학습을 결합한 것입니다.
  
  
• 자기 지도 학습(Self-supervised learning)은 감독 신호에 대해 레이블이 지정된 데이터 세트에 의존하지 않고 비정형 데이터에서 암시적 레이블을 생성합니다.
  
  
• 강화 학습(Reinforcement Learning)은 숨겨진 패턴에서 정보를 추출하는 대신 시행착오와 보상 함수를 통해 학습합니다.
  
  
• 전이 학습(Transfer learning)은 하나의 작업이나 데이터 세트를 통해 얻은 지식을 사용해 다른 관련 작업 또는 다른 데이터 세트에 대한 모델 성능을 개선하는 것입니다.

생성형 AI 은 'gen AI'이라고도 하며, 사용자의 프롬프트 또는 요청에 따라 긴 형식의 텍스트, 고품질 이미지, 사실적인 비디오 또는 오디오 등 복잡한 원본 콘텐츠를 생성할 수 있는 딥 러닝 모델을 말합니다.

높은 수준에서 생성형 모델은 학습 데이터의 단순화된 표현을 인코딩한 후, 이를 바탕으로 원본 데이터와 유사하지만 동일하지는 않은 새로운 작업을 생성합니다.

생성형 모델은 수년간 통계 분야에서 수치 데이터를 분석하는 데 사용되어 왔습니다. 하지만 지난 10년 동안 더 복잡한 데이터 유형을 분석하고 생성하도록 진화했습니다. 이러한 진화는 다음과 같이 세 가지 정교한 딥 러닝 모델 유형의 등장과 함께 이루어졌습니다.

•   2013년에 도입된 변형 오토인코더(VAE)는 프롬프트 또는 명령에 따라 여러 가지 변형 콘텐츠를 생성할 수 있는 모델을 가능하게 했습니다.
  
  
• 2014년에 처음 등장한 확산 모델은 이미지를 알아볼 수 없을 때까지 이미지에 '노이즈'를 추가한 다음 프롬프트에 따라 노이즈를 제거하여 원본 이미지를 생성하는 방식입니다.
  
  
• 트랜스포머(트랜스포머 모델이라고도 함)는 시퀀스 데이터를 학습하여 확장된 콘텐츠 시퀀스(예: 문장의 단어, 이미지의 모양, 동영상 프레임 또는 소프트웨어 코드의 명령어)를 생성합니다. 트랜스포머는 ChatGPT와 GPT-4, Copilot, BERT, Bard, Midjourney 등 오늘날 화제가 되는 대부분의 생성형 AI 툴의 핵심입니다.  

일반적으로 생성형 AI는 다음과 같은 세 단계로 작동합니다.

1. 학습 - 파운데이션 모델을 생성합니다.
2. 조정 - 모델을 특정 애플리케이션에 맞게 조정합니다.
3. 생성, 평가 및 추가 조정 - 정확도를 개선합니다.

생성형 AI는 다양한 유형의 생성형 AI 애플리케이션의 기반이 되는 딥 러닝 모델인 '파운데이션 모델'로 시작됩니다.

오늘날 가장 일반적인 파운데이션 모델은 텍스트 생성 애플리케이션을 위해 만들어진 대규모 언어 모델(LLM)입니다. 하지만 이미지, 비디오, 사운드 또는 음악 생성을 위한 파운데이션 모델과 여러 종류의 콘텐츠를 지원하는 멀티모달 파운데이션 모델도 있습니다.

파운데이션 모델을 만들기 위해 실무자는 인터넷에서 테라바이트 또는 페타바이트의 데이터 텍스트나 이미지 또는 동영상과 같은 방대한 양의 관련 원시, 비정형, 레이블이 없는 데이터에 대해 딥 러닝 알고리즘을 학습시킵니다. 이러한 학습을 통해 데이터의 개체, 패턴 및 관계를 인코딩한 수십억 개의 매개변수로 구성된 신경망이 생성되며, 이 신경망은 프롬프트에 응답하여 자율적으로 콘텐츠를 생성할 수 있습니다. 이것이 바로 파운데이션 모델입니다.

이 학습 프로세스는 컴퓨팅 집약적이고 시간과 비용이 많이 듭니다. 수천 개의 클러스터링된 그래픽 처리 장치(GPU)가 필요하고, 처리하는 데도 몇 주가 걸리며, 전체 작업에 들어가는 비용이 보통 수백만 달러에 이릅니다. 생성형 AI 개발자는 Meta의 Llama-2와 같은 오픈소스 파운데이션 모델 프로젝트를 활용해서 이러한 단계와 비용을 피할 수 있습니다.

다음으로 모델을 특정 콘텐츠 생성 작업에 맞게 조정해야 합니다. 이 작업은 다음과 같은 다양한 방법으로 수행할 수 있습니다:

• 미세 조정에는 모델 애플리케이션에 레이블이 지정된 데이터 질문 또는 프롬프트와 원하는 형식의 정답을 입력하는 작업이 포함됩니다.
  
  
• 인간 피드백을 통한 강화 학습(RLHF)은 인간 사용자가 모델 아웃풋의 정확성이나 관련성을 평가하여 모델이 스스로 개선할 수 있도록 하는 것입니다. 이는 사람들이 챗봇이나 가상 어시스턴트에 수정 사항을 입력하거나 말을 거는 것만큼 간단할 수 있습니다.

개발자와 사용자는 정기적으로 생성형 AI 앱의 아웃풋을 평가하고, 정확도나 관련성을 높이기 위해 일주일에 한 번씩이라도 모델을 추가로 조정합니다. 반면, 파운데이션 모델 자체는 1년에 한 번 또는 18개월에 한 번 정도로 업데이트 빈도가 훨씬 낮습니다.

생성형 AI 앱의 성능을 개선하기 위한 또 다른 옵션은 검색 증강 생성(RAG)입니다. 이는 파운데이션 모델을 확장해 학습 데이터 외부의 관련 소스를 사용하여 정확도나 관련성을 높이기 위해 매개변수를 세분화하는 기술입니다.

AI는 다양한 산업 및 응용 분야에서 수많은 이점을 제공합니다. 가장 일반적으로 언급되는 이점은 다음과 같습니다.

• 반복적인 작업 자동화 
• 데이터에서 더 많은 인사이트를 더 빠르게 확보
  
• 의사 결정 강화 
• 인적 오류 감소
• 연중무휴 24시간 가용성
• 물리적 위험 감소.

AI는 데이터 수집, 입력 및 사전 처리와 같은 디지털 작업과 창고 재고 피킹 및 제조 프로세스와 같은 물리적 작업을 포함하여 일상적이고 반복적이며 종종 지루한 작업을 자동화할 수 있습니다. 이러한 자동화를 통해 더 가치 있고 창의적인 업무에 집중할 수 있습니다.

의사 결정 지원에 사용하든 완전히 자동화된 의사 결정에 사용하든, AI는 더 빠르고 정확한 예측과 신뢰할 수 있는 데이터 기반 의사 결정을 가능하게 합니다. 자동화와 결합한 AI를 통해 기업은 사람의 개입 없이 실시간으로 기회에 대응하고 위기가 발생했을 때 대응할 수 있습니다.

AI는 프로세스의 적절한 단계를 안내하고 잠재적인 오류가 발생하기 전에 플래그를 지정하며 인간의 개입 없이 프로세스를 완전히 자동화하는 등 다양한 방식으로 인적 오류를 줄일 수 있습니다. 이는 특히 의료와 같은 산업에서 중요한데, 예를 들어 AI 가이드 수술 로보틱을 통해 일관된 정밀도를 유지할 수 있습니다.

머신 러닝 알고리즘은 더 많은 데이터에 노출되고 경험을 통해 '학습'함에 따라 정확도를 지속적으로 개선하고 오류를 더욱 줄일 수 있습니다.

AI는 항시 가동되고 상시 사용 가능하며 항상 일관된 성능을 제공합니다. AI 챗봇 또는 가상 어시스턴트와 같은 툴은 고객 서비스 또는 지원 작업에서 인력 배치의 부담을 줄일 수 있습니다. 재료 가공 또는 생산 라인과 같은 다른 응용 분야에서 AI를 사용하여 반복적이고 지루한 작업을 수행해 일관된 작업 품질과 아웃풋 수준을 유지할 수 있습니다.

AI는 동물 통제, 폭발물 취급, 심해, 고지대 또는 우주 공간에서의 작업 수행 등 위험한 작업을 자동화함으로써 인간 작업자가 부상 또는 더 큰 위험에 처하는 상황을 없앨 수 있습니다. 아직 완벽하지는 않지만, 자율 주행 차와 기타 차량은 승객의 부상 위험을 줄일 수 있습니다.

AI의 실제 적용 분야는 매우 다양합니다. 다음은 다양한 산업 분야의 사용 사례 중 일부에 불과하지만, 그 잠재력을 보여주는 예시입니다.

기업은 AI 기반 챗봇과 가상 어시스턴트를 구현하여 고객 문의, 지원 티켓 등을 처리할 수 있습니다. 이러한 툴은 자연어 처리(NLP) 및 생성형 AI 기능을 사용하여 주문 상태, 제품 세부 정보 및 반품 정책에 대한 고객의 질문을 이해하고 응답합니다.

챗봇과 가상 어시스턴트를 통해 상시 지원이 가능하고 자주 하는 질문(FAQ)에 대한 빠른 답변을 제공하며, 상담사는 더 높은 수준의 업무에 집중할 수 있고 고객에게 더 빠르고 일관된 서비스를 제공할 수 있습니다.

머신 러닝과 딥 러닝 알고리즘은 거래 패턴을 분석하여 비정상적인 지출이나 로그인 위치 등 사기 거래를 나타내는 이상 징후를 포착할 수 있습니다. 이를 통해 잠재적인 사기에 더욱 신속하게 대응하고 사기의 영향을 제한할 수 있어, 조직과 고객은 더욱 안심할 수 있습니다.

소매업체, 은행 및 기타 고객 대면 기업은 AI를 사용하여 개인화된 고객 경험과 마케팅 캠페인을 만들어 고객을 만족시키고 매출을 늘리며 고객 이탈을 방지할 수 있습니다. 딥 러닝 알고리즘은 고객의 구매 내역 및 행동 데이터를 기반으로 고객이 원할 만한 상품과 서비스를 추천하고, 개별 고객을 위해 실시간으로 개인화된 카피와 특별 행사를 생성할 수도 있습니다.

AI 기반 채용 플랫폼은 이력서를 심사하고 지원자를 직무 설명에 맞게 매칭하며 동영상 분석을 통해 예비 면접까지 진행하여 채용을 간소화할 수 있습니다. 이러한 플랫폼과 기타 툴을 사용하면 대량의 지원자 모집과 관련된 엄청난 양의 행정 서류 작업을 획기적으로 줄일 수 있습니다. 또한 응답 시간과 채용까지 걸리는 시간을 단축하여 채용 여부와 관계없이 지원자의 경험을 개선할 수 있습니다.

생성형 AI 코드 생성 툴과 자동화 툴은 애플리케이션 개발과 관련된 반복적인 코딩 작업을 간소화하고 대규모 레거시 애플리케이션의 마이그레이션 및 현대화(포맷 변경 및 리포맷)를 가속화할 수 있습니다. 이러한 툴은 작업 속도를 높이고 코드 일관성을 보장하며 오류를 줄이는 데 도움이 됩니다.

머신 러닝 모델은 센서, 사물인터넷(IoT) 디바이스 및 운영 기술(OT)의 데이터를 분석하여 유지보수가 필요한 시기를 예측하고 장비 고장이 발생하기 전에 예측할 수 있습니다. AI 기반 예방적 유지보수를 통해 다운타임을 방지하고 공급망 문제가 수익에 영향을 미치기 전에 미리 대응할 수 있습니다.

조직에서는 최신 AI 기술을 활용하고 AI의 다양한 이점을 활용하기 위해 분주하게 움직이고 있습니다. 이러한 빠른 도입은 필수적이지만 AI 워크플로를 도입하고 유지 관리하는 데에는 어려움과 위험이 따릅니다. 

AI 시스템은  데이터 중독 , 데이터 변조, 데이터 편향 또는 데이터 침해로 이어질 수 있는 사이버 공격에 취약할 수 있는 데이터 세트에 의존합니다. 조직은 개발부터 교육, 배포, 배포 후까지 전체 AI 라이프사이클에서 데이터 무결성을 보호하고 보안과 가용성을 구현함으로써 이러한 위험을 완화할 수 있습니다.

위협 행위자는 AI 모델을 표적으로 삼아 도난, 리버스 엔지니어링 또는 무단 조작을 할 수 있습니다. 공격자는 AI 모델의 무결성을 해치기 위해 모델의 동작, 정확도, 성능을 결정하는 핵심 구성 요소인 아키텍처, 가중치 또는 매개변수를 변조할 수 있습니다.

모든 기술과 마찬가지로 모델은 모델 드리프트, 편향, 거버넌스 구조의 붕괴와 같은 운영상의 위험에 노출되기 쉽습니다. 이러한 위험을 해결하지 않고 방치하면 시스템 장애와 사이버 보안 취약점으로 이어져 위협 행위자가 이를 악용할 수 있습니다.

조직이 AI 시스템을 개발하고 배포할 때 안전과 윤리를 우선시하지 않으면 개인정보 보호 위반을 저지르고 편향된 결과를 초래할 위험이 있습니다. 예를 들어 채용 결정에 사용되는 편향된 학습 데이터는 성별이나 인종적 고정관념을 강화하고 특정 인구 집단을 다른 집단보다 선호하는 AI 모델을 만들 수 있습니다.

AI 윤리는 위험과 부정적인 결과를 줄이면서 AI의 유익한 영향을 최적화하는 방법을 연구하는 다학문 분야입니다. AI 윤리 원칙은 AI 툴과 시스템이 안전하고 윤리적으로 유지되도록 보장하는 가드레일로 구성된 AI 거버넌스 시스템을 통해 적용됩니다.  

AI 거버넌스는 위험을 다루는 감독 메커니즘을 포함합니다. AI 거버넌스에 대한 윤리적 접근 방식에는 개발자, 사용자, 정책 입안자, 윤리학자 등 다양한 이해관계자가 참여하여 AI 관련 시스템이 사회의 가치에 부합하도록 개발되고 사용되도록 보장해야 합니다.

다음은 AI 윤리 및 책임감 있는 AI와 관련된 일반적인 가치입니다.

다양한 수준의 복잡성과 정교함에서 AI의 사용을 컨텍스트화하기 위해 연구자들은 다음과 같이 정교함의 수준을 나타내는 몇 가지 유형의 AI를 정의했습니다.

약한 AI: '협소 AI'라고도 하며 특정 작업 또는 일련의 작업을 수행하도록 설계된 AI 시스템을 정의합니다. Amazon의 Alexa, Apple의 Siri, 소셜 미디어 챗봇, 테슬라가 약속한 자율 주행 차량과 같은 '스마트' 음성 어시스턴트 앱이 그 예가 될 수 있습니다. 

강한 AI: '인공 일반 지능'(AGI) 또는 '일반 AI'라고도 하며 인간 지능과 동등하거나 이를 능가하는 수준으로 광범위한 작업에 걸쳐 지식을 이해하고 학습하며 적용할 수 있는 능력이 있습니다. 이 수준의 AI는 현재 이론적이며 이 수준의 정교함에 도달하는 알려진 AI 시스템은 없습니다. 연구자들은 AGI가 가능해지려면 컴퓨팅 성능이 대폭 향상되어야 한다고 주장합니다. 최근 AI 개발의 발전에도 불구하고 공상 과학 소설의 자기 인식 AI 시스템은 여전히 그 영역에 머물러 있습니다. 

'생각하는 기계'라는 개념은 고대 그리스로 거슬러 올라갑니다. 그러나 전자 컴퓨팅 출현 이후의 (그리고 이 글에서 논의된 일부 주제와 관련하여) AI의 진화에서 중요한 사건과 이정표는 다음과 같습니다.

1950년
Alan Turing이 Computing Machinery and Intelligence를 출간했습니다. 이 논문에서 제2차 세계대전 중 독일의 에니그마 암호를 해독한 것으로 유명하고 종종 "컴퓨터 과학의 아버지"라고 불리는 Turing은 다음과 같은 질문을 던집니다. "기계가 생각할 수 있을까?"

그런 다음 현재 '튜링 테스트'로 잘 알려진 테스트를 제안합니다. 인간 심문자가 컴퓨터와 인간에 의해 작성된 응답을 구별하려고 시도하는 것입니다. 이 테스트는 발표 이후 많은 조사를 거쳤지만, 언어학을 중심으로 한 아이디어를 사용하기 때문에 AI의 역사에서 중요한 부분으로 남아 있을 뿐 아니라 철학 분야에서도 진행 중인 개념입니다. 

1956년
John McCarthy는 다트머스 대학에서 열린 최초의 AI 컨퍼런스에서 "인공 지능"이라는 용어를 사용했습니다. (McCarthy는 이후 Lisp 언어를 발명합니다). 같은 해 말에는 Allen Newell, J.C. Shaw, Herbert Simon이 최초로 실행 가능한 AI 소프트웨어 프로그램인 로직 이론가(Logic Theorist)를 개발합니다.

1967년
Frank Rosenblatt는 시행착오를 통해 "학습"한 신경망 기반 최초의 컴퓨터인 Mark 1 Perceptron을 구축했습니다. 불과 1년 후에 Marvin Minsky와 Seymour Papert가 Perceptrons이라는 책을 출판했는데, 이 책은 신경망에 대한 획기적인 연구로 평가되었으며 적어도 한동안은 미래의 신경망 연구 프로젝트에 반대하는 논쟁을 불러일으켰습니다.

1980년
역전파 알고리즘을 사용하여 스스로 학습하는 신경망이 AI 애플리케이션에 널리 사용되기 시작합니다.

1995년
Stuart Russell과 Peter Norvig이 AI 연구의 주요 교과서 중 하나가 된 Artificial Intelligence: A Modern Approach를 출간했습니다. 이 책에서는 합리성, 사고 대 행동을 기반으로 컴퓨터 시스템을 차별화하는 AI의 네 가지 잠재적 목표 또는 정의를 자세히 설명합니다.

1997년
IBM의 Deep Blue가 당시 세계 체스 챔피언이던 Garry Kasparov를 꺾었으며, 재대결을 펼쳤습니다.

2004년
John McCarthy가 인공 지능이란 무엇인가?라는 논문을 발표하고 자주 인용되는 AI의 정의를 제안했습니다. 이 무렵에 빅데이터와 클라우드 컴퓨팅의 시대가 열리면서 조직은 점점 더 방대한 데이터 자산을 관리할 수 있게 되었고, 언젠가는 이 데이터 자산이 AI 모델 학습에 활용될 것입니다. 

2011년
IBM Watson이 퀴즈쇼 "Jeopardy"에서 챔피언 Ken Jennings와 Brad Rutter를 이겼습니다! 또한 이 시기가 되면 데이터 과학이 인기 있는 분야로 부상하기 시작합니다.

2015년
콘볼루션 신경망이라는 특수한 심층 신경망을 사용하는 Baidu의 Minwa 슈퍼컴퓨터가 일반 사람보다 더 높은 정확도로 이미지를 식별하고 분류했습니다.

2016년
심층 신경망을 기반으로 한 DeepMind의 AlphaGo 프로그램이 세계 챔피언 바둑 기사 이세돌 9단을 5국 만에 꺾었습니다. 경기가 진행됨에 따라 가능한 수(4수 이후 14조 5천억 개가 넘는 수)가 매우 많다는 점을 감안할 때 이번 승리는 의미가 컸습니다. 이후 Google이 4억 달러에 DeepMind를 인수했습니다.

2022년
OpenAI의 ChatGPT와 같은 대규모 언어 모델 또는 LLM의 증가로 인해 AI의 성능과 기업 가치를 창출할 수 있는 잠재력에 엄청난 변화가 일어났습니다. 이러한 새로운 생성형 AI 사례를 통해 방대한 양의 데이터를 기반으로 딥 러닝 모델을 사전 학습시킬 수 있었습니다.

2024년
최신 AI 트렌드는 AI 르네상스가 계속되고 있음을 시사합니다. 여러 유형의 데이터를 입력으로 사용할 수 있는 멀티 모달 모델은 더 풍부하고 강력한 경험을 제공합니다. 이러한 모델은 컴퓨팅 비전 이미지 인식과 NLP 음성 인식 기능을 결합합니다. 더 작은 모델은 또한 많은 매개변수 수를 가진 대규모 모델을 통해 수익이 감소하는 시대에 진전을 이루고 있습니다.