게시일: 2024년 3월 22일
기고자: Cole Stryker, Mark Scapicchio
때로 gen AI라고 불리기도 하는 생성형 AI는 사용자의 프롬프트 또는 요청에 따라 텍스트, 이미지, 비디오, 오디오 또는 소프트웨어 코드와 같은 독창적인 콘텐츠를 생성할 수 있는 인공 지능(AI)입니다.
생성형 AI는 인간 두뇌의 학습 및 의사 결정 과정을 시뮬레이션하는 알고리즘인 딥 러닝 모델이라고 하는 정교한 머신 러닝 모델에 의존합니다. 이러한 모델은 방대한 양의 데이터에서 패턴과 관계를 파악하고 인코딩한 다음, 이 정보를 사용하여 사용자의 자연어 요청이나 질문을 이해하고 관련성 있는 새로운 콘텐츠로 응답하는 방식으로 작동합니다.
AI는 지난 10년 동안 주목받는 기술이었지만, 특히 2022년 ChatGPT가 출시된 후 생성형 AI는 전 세계 헤드라인을 장식하며 전례 없는 AI 혁신과 도입의 급증을 이끌고 있습니다. 생성형 AI는 개인과 조직에 엄청난 생산성을 제공하지만, 동시에 매우 현실적인 도전과 위험도 존재하기 때문에 기업은 이 기술을 통해 내부 워크플로를 개선하고 제품과 서비스를 강화하는 방법을 모색하며 진전을 이루고 있습니다. 경영 컨설팅 회사인 McKinsey의 연구에 따르면, 조직의 1/3은 이미 하나 이상의 비즈니스 기능에서 생성형 AI를 정기적으로 사용하고 있습니다.¹ 업계 분석기관인 Gartner는 2026년까지 80% 이상의 조직이 생성형 AI 애플리케이션을 배포하거나, 생성형 AI 애플리케이션 프로그래밍 인터페이스(API)를 사용할 것으로 예상합니다.2
생성형 AI와 머신 러닝을 비즈니스에 자신 있게 통합하는 방법 알아보기
파운데이션 모델 가이드 등록하기
대부분의 경우 생성형 AI는 다음과 같은 세 단계로 작동합니다.
- 학습: 다양한 세대의 AI 애플리케이션의 기반이 될 수 있는 파운데이션 모델을 생성합니다.
- 조정 - 파운데이션 모델을 특정 세대 AI 애플리케이션에 맞게 조정합니다.
- 생성, 평가 및 재생: 생성형 AI 애플리케이션의 아웃풋을 평가하고 품질과 정확성을 지속적으로 개선합니다.
생성형 AI는 다양한 유형의 생성형 AI 애플리케이션의 기반이 되는 딥 러닝 모델인 파운데이션 모델에서 시작됩니다. 오늘날 가장 일반적인 파운데이션 모델은 텍스트 생성 애플리케이션을 위해 만들어진 대규모 언어 모델(LLM)입니다. 그러나 이미지 생성, 비디오 생성, 사운드 및 음악 생성을 위한 파운데이션 모델뿐만 아니라 여러 종류의 콘텐츠 생성을 지원할 수 있는 멀티모달 파운데이션 모델도 있습니다.
파운데이션 모델을 만들기 위해 실무자는 인터넷이나 기타 방대한 데이터 소스에서 추출한 테라바이트 규모의 데이터와 같이 라벨이 지정되지 않은 방대한 양의 비정형 원시 데이터로 딥 러닝 알고리즘을 학습시킵니다. 학습하는 동안 알고리즘은 수백만 개의 '빈칸 채우기' 연습을 수행하고 평가하여 시퀀스의 다음 요소(예: 문장의 다음 단어, 이미지의 다음 요소, 코드 줄의 다음 명령어)를 예측하고, 예측과 실제 데이터(또는 '올바른' 결과) 간의 차이를 최소화하도록 지속적으로 스스로를 조정합니다.
이 학습의 결과로 데이터의 개체, 패턴 및 관계를 인코딩한 매개 변수의 신경망이 생성되며, 인풋 또는 프롬프트에 반응하여 자율적으로 콘텐츠를 생성할 수 있습니다.
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 수백만 달러에 이릅니다. 생성형 AI 개발자는 Meta의 Llama-2와 같은 오픈소스 파운데이션 모델 프로젝트를 활용해서 이러한 단계와 비용을 피할 수 있습니다.
은유적으로 말하자면, 파운데이션 모델은 박학다식합니다. 다양한 유형의 콘텐츠에 대해 많이 알고 있지만 원하는 정확도나 충실도를 가진 특정 유형의 아웃풋을 생성하지 못하는 경우가 많습니다. 이를 위해서는 모델을 특정 콘텐츠 생성 작업에 맞게 조정해야 합니다. 이는 다양한 방법으로 수행할 수 있습니다.
미세 조정에는 콘텐츠 생성 애플리케이션과 관련된 라벨이 지정된 데이터(애플리케이션이 수신할 가능성이 높은 질문 또는 프롬프트)와 그에 해당하는 정답을 원하는 형식으로 모델에 입력하는 작업이 포함됩니다. 예를 들어 개발팀에서 고객 서비스 챗봇을 만들려는 경우, 고객 서비스 질문과 정답이 라벨이 지정된 수백, 수천 개의 문서를 만든 다음 해당 문서를 모델에 공급할 수 있습니다.
미세 조정은 노동 집약적인 작업입니다. 개발팀은 대규모 데이터 라벨링 인력을 보유한 회사에 이 작업을 아웃소싱하는 경우가 많습니다.
RLHF에서 인간 사용자는 생성된 콘텐츠를 평가하고, 모델은 이 평가를 사용해 정확도 또는 관련성을 높이기 위해 모델을 업데이트합니다. 종종 RLHF는 사람들이 동일한 프롬프트에 대해 서로 다른 아웃풋을 '채점'하는 방식으로 진행됩니다. 하지만 챗봇이나 가상 어시스턴트에게 타이핑을 하거나 말을 걸어서 아웃풋을 수정하는 것처럼 간단한 방식으로 수행될 수도 있습니다.
개발자와 사용자는 생성형 AI 앱의 결과물을 지속적으로 평가하고, 정확도나 관련성을 높이기 위해 일주일에 한 번씩 모델을 추가로 조정할 수 있습니다. (반면, 파운데이션 모델 자체는 1년에 한 번 또는 18개월에 한 번 정도로 업데이트 빈도가 훨씬 낮습니다.)
생성형 AI 앱의 성능을 개선하는 또 다른 옵션은 검색 증강 생성(RAG)입니다. RAG는 파운데이션 모델을 확장하여 학습 데이터 외부의 관련 소스를 사용하고, 원래 모델의 매개변수나 표현을 보완하고 개선하기 위한 프레임워크입니다. RAG는 생성형 AI 앱이 항상 최신 정보에 액세스할 수 있도록 보장합니다. RAG를 통해 액세스하는 추가 소스는 원래 파운데이션 모델의 지식과는 다른 방식으로 사용자에게 투명하게 공개된다는 점은 보너스입니다.
필요에 따라 자율적으로 콘텐츠를 제작할 수 있는 딥 러닝 모델인 진정한 의미의 생성형 AI 모델은 지난 십여 년 동안 발전해 왔습니다. 이 기간 동안 다음과 같은 중요한 모델 아키텍처가 등장했습니다.
변이형 오토인코더(VAE)는 이미지 인식, 자연어 처리 및 이상 징후 감지 분야에서 획기적인 발전을 이루었습니다.
생성적 적대적 네트워크(GAN) 및 확산 모델은 이전 애플리케이션의 정확도를 개선하고 사실적인 이미지 생성을 위한 최초의 AI 솔루션을 구현했습니다.
트랜스포머는 현재 가장 중요한 파운데이션 모델과 생성형 AI 솔루션을 뒷받침하는 딥 러닝 모델 아키텍처입니다.
오토인코더는 두 개의 연결된 신경망으로 구성된 딥 러닝 모델입니다. 하나는 방대한 양의 비정형, 라벨이 없는 학습 데이터를 매개 변수로 인코딩(또는 압축)하고, 다른 하나는 이러한 매개 변수를 해독하여 콘텐츠를 재구성하는 네트워크입니다. 오토인코더는 새로운 콘텐츠를 생성할 수 있지만, 고품질 콘텐츠 생성보다는 저장 또는 전송을 위해 데이터를 압축하고 사용을 위해 압축을 해제하는 데 더 유용합니다.
2013년에 도입된 변이형 오토인코더(VAE)는 오토인코더처럼 데이터를 인코딩할 수 있지만, 콘텐츠의 여러 가지 새로운 변이를 디코딩할 수 있습니다. 특정 목표를 향한 변이를 생성하도록 VAE를 학습시키면 시간이 지남에 따라 더 정확하고 충실도가 높은 콘텐츠에 '집중'할 수 있습니다. 초기 VAE 애플리케이션에는 이상 감지(예: 의료 이미지 분석) 및 자연어 생성이 포함되었습니다.
2014년에 도입된 GAN 역시 두 개의 신경망으로 구성됩니다. 하나는 새로운 콘텐츠를 생성하는 생성기, 다른 하나는 생성된 데이터의 정확도와 품질을 평가하는 판별기입니다. 이러한 적대적 알고리즘은 모델이 점점 더 우수한 품질의 아웃풋을 생성하도록 장려합니다.
GAN은 일반적으로 이미지 및 동영상 생성에 사용되지만 다양한 도메인에서 고품질의 사실적인 콘텐츠를 생성할 수 있습니다. 특히 스타일 변환(예를 들어 이미지 스타일을 사진에서 연필 스케치로 변경)과 데이터 증강(새로운 합성 데이터를 생성하여 학습 데이터 세트의 크기와 다양성을 높이는 작업)과 같은 작업에서 성공적인 것으로 입증되었습니다.
2014년에 도입된 확산 모델은 먼저 학습 데이터가 인식할 수 없을 때까지 무작위로 노이즈를 추가한 다음, 알고리즘이 노이즈를 반복적으로 확산하도록 학습시켜 원하는 아웃풋을 도출하는 방식으로 작동합니다.
확산 모델은 VAE나 GAN보다 학습 시간이 더 오래 걸리지만, 특히 고품질 이미지 생성 도구의 경우 아웃풋을 더 세밀하게 제어할 수 있습니다. Open AI의 이미지 생성 도구인 DALL-E는 확산 모델을 기반으로 구동됩니다.
Ashish Vaswani 등이 2017년 발표한 논문에서 처음 기술된 트랜스포머는 인코더-디코더 패러다임을 발전시켜 파운데이션 모델이 학습하는 방식과 제작할 수 있는 콘텐츠의 품질 및 범위에 큰 진전을 가져왔습니다. 이러한 모델은 ChatGPT 및 GPT-4, Copilot, BERT, Bard 및 Midjourney 등 오늘날 화제가 되고 있는 대부분의 생성형 AI 도구의 핵심입니다.
트랜스포머는 주의라는 개념을 사용하여 시퀀스 내 데이터에서 가장 중요한 것을 결정하고 이에 집중함으로써
전체 데이터 시퀀스(예: 개별 단어가 아닌 문장)를 동시에 처리하고,
시퀀스 내 데이터의 맥락을 파악하고,
학습 데이터를 데이터와 그 맥락을 나타내는 임베딩(하이퍼매개변수라고도 함)으로 인코딩할 수 있습니다.
트랜스포머는 더 빠른 학습을 가능하게 해주고, 자연어 처리(NLP)와 자연어 이해(NLU)에 탁월하며, 질문에 대한 답변 뿐 아니라 시, 기사, 논문 등 긴 데이터 시퀀스를 다른 심층 생성형 AI 모델보다 더 정확하고 높은 품질로 생성할 수 있습니다. 트랜스포머 모델은 도구(예: 스프레드시트 애플리케이션, HTML, 드로잉 프로그램)를 사용하여 특정 형식으로 콘텐츠를 출력하도록 학습시키거나 조정할 수도 있습니다.
생성형 AI는 여러 도메인에서 다양한 유형의 콘텐츠를 만들 수 있습니다.
생성형 모델 중에서도 특히 트랜스포머를 기반으로 하는 모델은 지침과 문서부터 브로슈어, 이메일, 웹사이트 카피, 블로그, 기사, 보고서, 논문, 심지어 창작물에 이르기까지 일관성 있고 컨텍스트에 맞는 텍스트를 생성할 수 있습니다. 또한 반복적이거나 지루한 글쓰기 작업(예: 문서 요약이나 웹 페이지의 메타 설명 초안 작성 등)을 수행하도록 맡기고 작가는 보다 창의적이고 가치 있는 작업에 시간을 할애할 수 있습니다.
DALL-E, Midjourney 및 Stable Diffusion과 같은 이미지 생성은 사실적인 이미지 또는 원본 아트를 만들 수 있으며 스타일 전송, 이미지 간 변환 및 기타 이미지 편집 또는 이미지 향상 작업을 수행할 수 있습니다. 차세대 AI 동영상 도구는 텍스트 프롬프트에서 애니메이션을 만들 수 있고, 다른 방법보다 더 빠르고 비용 효율적으로 기존 동영상에 특수 효과를 적용할 수 있습니다.
생성형 모델은 음성 지원 AI 챗봇 및 디지털 어시스턴트, 오디오북 내레이션 및 기타 애플리케이션을 위해 자연스러운 음성 및 오디오 콘텐츠를 합성할 수 있습니다. 동일한 기술로 전문 음악의 구조와 사운드를 모방한 독창적인 음악을 생성할 수도 있습니다.
생성형 AI는 원본 코드를 생성하고, 코드 스니펫을 자동 완성하고, 프로그래밍 언어를 번역하고, 코드 기능을 요약할 수 있습니다. 개발자는 코딩 작업을 위한 자연어 인터페이스를 제공하면서 애플리케이션을 빠르게 프로토타이핑, 리팩터링 및 디버깅할 수 있습니다.
생성형 AI 모델은 고유한 예술 및 디자인 작품을 생성하거나 그래픽 디자인을 지원할 수 있습니다. 적용 분야에는 환경, 캐릭터 또는 아바타의 동적 생성, 가상 시뮬레이션 및 비디오 게임용 특수 효과 등이 이에 해당합니다.
생성형 AI 모델은 합성 데이터 또는 실제 또는 합성 데이터를 기반으로 하는 합성 구조를 생성하도록 학습시킬 수 있습니다. 예를 들어, 생성형 AI를 신약 개발에 적용하면 원하는 특성을 가진 분자 구조를 생성하여 새로운 제약 화합물의 설계에 도움을 줍니다.
생성형 AI의 가장 분명하고 중요한 이점은 효율성 향상입니다. 생성형 AI는 필요에 따라 콘텐츠와 답변을 생성할 수 있으므로 노동 집약적인 작업을 가속화하거나 자동화하고 비용을 절감하며 직원들이 더 가치 있는 업무에 더 많은 시간을 할애할 수 있는 잠재력을 가지고 있습니다.
그러나 생성형 AI는 개인과 조직에 몇 가지 다른 이점도 제공합니다.
생성형 AI 도구는 자동화된 브레인스토밍을 통해 창의력을 자극하여 여러 가지 새로운 버전의 콘텐츠를 생성할 수 있습니다. 이러한 변형은 작가, 아티스트, 디자이너 및 기타 크리에이터가 창작 블록을 탐색하는 데 도움이 되는 출발점 또는 참고 자료가 될 수도 있습니다.
생성형 AI는 대규모 데이터 세트를 분석하고 패턴을 파악하며 의미 있는 인사이트를 추출한 다음, 이러한 인사이트를 기반으로 가설과 권장 사항을 생성하여 경영진, 분석가, 연구원 및 기타 전문가가 더 스마트한 데이터 기반 의사 결정을 내릴 수 있도록 지원합니다.
생성형 AI는 추천 시스템 및 콘텐츠 제작과 같은 애플리케이션에서 사용자 선호도와 이력을 분석하고 실시간으로 개인화된 콘텐츠를 생성하여 더욱 맞춤화되고 매력적인 사용자 경험을 제공할 수 있습니다.
생성형 AI는 피로감 없이 지속적으로 작동하므로 고객 지원 챗봇 및 자동 응답과 같은 작업에 24시간 가용성을 제공합니다.
다음은 기업을 위한 몇 가지 생성형 AI 사용 사례입니다. 기술이 발전하고 조직이 워크플로에 이러한 도구를 도입함에 따라 앞으로 더 많은 도구가 등장할 것으로 예상됩니다.
마케팅 조직은 블로그, 웹 페이지, 자료, 이메일 등에 사용할 카피 초안을 작성하는 데 생성형 AI 도구를 사용하여 시간을 절약하고 콘텐츠 제작을 강화할 수 있습니다. 그러나 생성형 AI 솔루션은 광고가 언제, 어디서, 누구에게 전달되는지를 고려해 고도로 개인화된 마케팅 카피와 비주얼을 실시간으로 생성할 수도 있습니다. 또한 매우 특정한 작업을 위해 제한된 데이터로 학습된 이전 세대의 대화형 AI 모델에 비해 상당한 발전을 이룬 생성형 AI 모델은 맞춤화된 응답을 제공하고, 고객을 대신해 작업을 시작할 수 있는 차세대 챗봇과 가상 에이전트를 지원할 것입니다.
코드 생성 도구는 새 코드 작성 프로세스를 자동화하고 가속화할 수 있습니다. 또한 코드 생성은 하이브리드 클라우드 환경을 위해 레거시 애플리케이션을 현대화하는 데 필요한 반복적인 코딩의 상당 부분을 자동화하여 애플리케이션 현대화를 획기적으로 가속화할 수 있는 잠재력을 가지고 있습니다.
생성형 AI는 계약서, 송장, 청구서 및 기타 디지털 또는 물리적 '서류 작업'을 신속하게 작성하거나 수정할 수 있으므로 이를 사용하거나 관리하는 직원이 더 높은 수준의 업무에 집중할 수 있습니다. 덕분에 인사, 법률, 조달 및 재무를 포함한 거의 모든 기업 영역에서 워크플로를 가속화할 수 있습니다.
생성형 AI 모델은 과학자와 엔지니어가 복잡한 문제에 대한 새로운 솔루션을 제안하는 데 도움이 될 수 있습니다. 예를 들어 의료 분야에서는 의료 영상 시스템을 훈련하고 테스트하기 위해 의료 이미지를 합성하는 데 생성형 모델을 적용할 수 있습니다.
생성형 AI는 비교적 짧은 기간 동안 괄목할 만한 발전을 이루었지만 여전히 개발자, 사용자, 일반 대중에게 상당한 도전과 위험을 안겨주고 있습니다. 가장 심각한 몇 가지 문제와 해결 방법은 다음에서 소개합니다.
AI 할루시네이션은 생성형 AI의 아웃풋이 무의미하거나 완전히 부정확하지만 너무나 그럴듯해 보이는 경우를 말합니다. 대표적인 사례는 한 변호사가 세간의 이목을 끄는 사건을 준비하기 위해 조사에 생성형 AI 도구를 사용했는데, 이 도구가 인용문과 출처가 포함된 몇 가지 예시 사례를 완전히 허구로 '생산'한 경우입니다(ibm.com 외부 링크).
일부 실무자들은 할루시네이션이 모델의 정확성과 창의적 능력의 균형을 맞추기 위해서는 불가피한 결과라고 생각합니다. 그러나 개발자는 가드레일이라고 하는 예방 조치를 구현하여 모델을 관련성이 있거나 신뢰할 수 있는 데이터 소스로 제한할 수 있습니다. 지속적인 평가와 조정은 할루시네이션과 부정확성을 줄이는 데 도움이 될 수 있습니다.
생성형 AI 모델의 가변적 또는 확률적 특성으로 인해 동일한 인풋이 약간 또는 상당히 다른 아웃풋을 초래할 수 있습니다. 이는 일관된 아웃풋이 예상되거나 필요한 고객 서비스 챗봇과 같은 특정 애플리케이션에서는 바람직하지 않을 수 있습니다. 프롬프트를 반복적으로 개선하거나 합성하는 프롬프트 엔지니어링을 통해 사용자는 생성형 AI 애플리케이션에서 원하는 결과를 일관적으로 제공하는 프롬프트에 도달할 수 있습니다.
생성형 모델은 학습 데이터 또는 라벨이 지정된 데이터, 외부 데이터 소스 또는 모델 조정에 사용된 인간 평가자에 존재하는 사회적 편견을 학습하고 그 결과 편향되거나, 불공정하거나, 모욕적인 콘텐츠를 생성할 수 있습니다. 모델의 편향된 아웃풋을 방지하기 위해 개발자는 다양한 학습 데이터를 확보하고, 학습 및 튜닝 중 편향 방지를 위한 가이드라인을 수립하며, 모델 아웃풋의 편향성 및 정확성을 지속적으로 평가해야 합니다.
많은 생성형 AI 모델은 '블랙박스' 모델이므로 의사 결정 과정을 이해하기 어렵거나 불가능할 수 있으며, 기본 알고리즘을 만드는 엔지니어나 데이터 과학자조차도 내부에서 정확히 어떤 일이 일어나고 있는지, 특정 결과에 도달하는 방법을 이해하거나 설명할 수 없습니다. 설명 가능한 AI 사례 및 기법은 실무자와 사용자가 생성형 모델의 프로세스와 아웃풋을 이해하고 신뢰하는 데 도움이 될 수 있습니다.
생성된 콘텐츠의 품질을 평가하고 비교하는 것도 어려울 수 있습니다. 기존의 평가 메트릭은 창의성, 일관성 또는 관련성의 미묘한 측면을 포착하지 못할 수 있습니다. 생성형 AI를 위한 강력하고 신뢰할 수 있는 평가 방법을 개발하는 것은 여전히 활발하게 연구되고 있는 분야입니다.
생성형 AI 모델은 사용자가 보안 및 데이터 프라이버시를 침해하는 조치를 취하도록 속일 수 있는 피싱 이메일, 가짜 신원 또는 기타 악성 콘텐츠를 생성하는 데 악용될 수 있습니다. 개발자와 사용자는 모델에 입력한 데이터(조정 중 또는 프롬프트의 일부로)가 자신의 지적 재산(IP)이나 다른 조직에서 IP로 보호하는 정보를 노출시키지 않도록 주의해야 합니다. 또한 자신의 IP를 노출하거나 타인의 IP 보호를 위반하는 새로운 콘텐츠가 아웃풋에 포함되지는 않는지를 모니터링해야 합니다.
딥페이크는 다른 사람이 한 번도 하지 않았거나 말한 적이 없는 행동을 보고, 시청하고, 듣고 있다는 것을 사람들에게 납득시키기 위해 AI가 생성하거나 AI로 조작한 이미지, 비디오 또는 오디오를 지칭합니다. 이는 생성형 AI의 힘이 악의적인 의도로 어떻게 활용될 수 있는지를 보여주는 가장 소름 끼치는 사례 중 하나입니다.
대부분의 사람들은 평판을 훼손하거나 잘못된 정보를 퍼뜨리기 위해 만들어진 딥페이크에 대해 잘 알고 있습니다. 최근에는 사이버 범죄자들이 사이버 공격(예: 보이스 피싱 사기의 가짜 목소리)이나 금융 사기 수법의 일부로 딥페이크를 배포하고 있습니다.
연구자들은 딥페이크를 더 정확하게 탐지할 수 있는 AI 모델을 개발하기 위해 열심히 노력하고 있습니다. 한편, 사용자 교육과 모범 사례(예: 확인되지 않거나 검증되지 않은 논쟁의 여지가 있는 자료를 공유하지 않기)를 통해 딥페이크의 피해를 제한할 수 있습니다.
'생성형 AI'라는 용어는 2020년대에 들어 대중의 의식에 폭발적으로 확산되었지만, 생성형 AI는 수십 년 동안 우리 삶의 일부였으며, 오늘날의 생성형 AI 기술은 20세기 초부터 머신 러닝의 획기적인 발전을 가져왔습니다. 생성형 AI의 대표적인 역사에는 다음과 같은 날짜가 연관되어 있습니다.
1964년: MIT 컴퓨터 과학자 Joseph Weizenbaum이 텍스트 기반 자연어 처리 애플리케이션인 ELIZA를 개발합니다. 최초의 챗봇(당시에는 '채터봇(chatterbot)'이라고 불렸음)인 ELIZA 는 패턴 매칭 스크립트를 사용하여 입력된 자연어 입력에 공감하는 텍스트 응답으로 응답했습니다.
1999년: Nvidia에서 최초의 그래픽 처리 장치인 GeoForce를 출시했습니다. 원래 비디오 게임에 부드러운 모션 그래픽을 제공하기 위해 개발된 GPU는 AI 모델 개발 및 암호화폐 채굴을 위한 플랫폼이 되었습니다.
2004년: 사용자가 검색어를 입력하면 다음 단어나 구문을 생성하는 Google 자동 완성 기능이 처음 등장합니다. 비교적 현대적인 생성형 AI의 예로는 1906년에 개발된 수학적 모델인 Markov Chain을 들 수 있습니다.
2013년: 최초의 VAE(변이형 오토인코더)가 등장합니다.
2014년 최초의 GAN 및 확산 모델이 등장합니다.
2017년: Google Brain 팀의 Ashish Vaswani와 토론토 대학교 그룹이 현재 개발 중인 가장 강력한 파운데이션 모델과 생성형 AI 도구의 기반이 되는 것으로 널리 알려진 트랜스포머 모델의 원리를 문서화한 논문, "Attention is All You Need"를 발표합니다.
2019~2020년: OpenAI에서 GPT(Generative Pretrained Transformer) 대규모 언어 모델인 GPT-2 및 GPT-3을 출시합니다.
2022년: OpenAI에서 최종 사용자 프롬프트에 대한 응답으로 복잡하고 일관성 있고 문맥에 맞는 문장과 긴 형식의 콘텐츠를 생성하는 GPT-3의 프런트엔드인 ChatGPT를 출시합니다.
ChatGPT의 악명과 인기에 힘입어 Google Bard(현재 Gemini), Microsoft Copilot, IBM watsonx.ai, Meta의 오픈 소스 Llama-2 대규모 언어 모델 등 생성형 AI 개발과 제품 출시가 빠른 속도로 이루어지고 있습니다.
생성형 AI, 파운데이션 모델, 머신 러닝 모델을 쉽게 훈련, 검증, 조정 및 배포할 수 있으며 적은 데이터로 짧은 시간 내에 AI 애플리케이션을 구축할 수 있습니다. IBM watsonx.ai는 파운데이션 모델로 구동되는 새로운 생성형 AI 기능과 기존 머신 러닝을 AI 라이프사이클을 아우르는 스튜디오로 결합합니다.
모든 상호 작용에서 고객, 도움이 필요한 콜센터 상담원, 정보가 필요한 직원에게 탁월한 경험을 제공하세요. 비즈니스 콘텐츠에 기반한 자연어로 답변을 확장하여 결과 중심의 상호 작용과 빠르고 정확한 응답을 유도합니다.
믿을 수 있는 AI 솔루션으로 비즈니스의 미래를 설계하세요. IBM은 글로벌 비즈니스 문제 해결에 대한 풍부한 경험을 바탕으로, AI 사용 경험에 맞는 맞춤형 지원을 제공합니다.
새로운 플래그십 비즈니스용 AI 교육 경험인 AI 아카데미는 비즈니스 리더가 성장을 견인할 수 있는 AI 투자의 우선순위를 정하기 위한 지식을 습득할 수 있도록 지원합니다.
데이터 기반 연구는 진화하고 확장되는 생성형 AI 분야에서 기업이 기회를 찾아 활용할 수 있는 방법을 식별합니다.
생성형 AI가 창출할 수 있는 가치와 AI가 요구하는 투자 및 그로 인한 위험에서 CEO가 균형을 맞출 수 있는 방법.
실습, 강좌, 가이드 프로젝트, 평가판 등을 통해 기본 개념을 배우고 기술을 쌓으세요.
잘못된 모델을 선택하면 비즈니스에 심각한 영향을 미칠 수 있습니다. 사용 사례에 가장 적합한 모델의 크기를 적절하게 조정하는 방법을 알아봅니다.
시스템은 딥 러닝을 통해 데이터를 클러스터링하고 놀라운 정확도로 예측할 수 있습니다.
각주
1 2023년 AI 현황: 생성형 AI의 도약의 해 (ibm.com 외부 링크), McKinsey, 2023년 8월 1일
2 Gartner는 2026년까지 80% 이상의 기업이 생성형 AI API를 사용하거나 생성형 AI 지원 애플리케이션을 배포할 것이라고 밝혔습니다 (ibm.com 외부 링크). Gartner, 2023년 10월 11일