ChatGPT를 넘어, 생성형 AI(Generative AI)의 미래 – 1편
- 생성형 AI 시장 동향을 다룬 해당 아티클은 1, 2편으로 나누어 게재됩니다. -
사람들은 글쓰기, 그림 그리기, 알고리즘 코딩 등 창작의 세계가 인간만이 가능한 별도의 영역이라고 생각했습니다. 그러나, 인공지능(AI)의 발전과 함께 진화된 생성형 AI(Generative AI)가 창작의 영역을 넘보는 시대가 되었습니다. 역사적으로 철기시대, 산업혁명, 디지털 혁명 등 인류 패러다임의 전환을 이끈 여러 번의 계기가 있었습니다. 이제 ChatGPT를 시작으로 한 초거대 생성형 AI의 출현은 새로운 게임 체인저로서 인류사 전반에 새 바람을 몰고 올 것이라 생각됩니다.
이를 방증하듯 2023년 1분기 주요 글로벌 기업 어닝콜에서 "AI 및 ChatGPT", "노동시장", "인더스트리 4.0"의 세 가지 주제가 눈에 띄게 주목을 받았습니다. 반면, 메타버스는 급격히 관심을 상실했습니다. CEO의 17%가 AI에 대해 논의했으며, AI 및 기계 학습에 대한 관심은 - 이전 분기에는 언급되지 않은 - ChatGPT의 출시와 AI의 잠재적 사용 사례에 대한 논의로 촉발되었습니다.
또한, 최근 시장조사업체 IDC는 초거대 AI를 포함한 전 세계 AI 시장 규모가 '24년 5,543억 달러(약 700조 원)에 달할 것으로 내다봤습니다. [2] 국내 AI 시장 역시 '24년 3조 662억 원 규모로 예상되며, 2023년부터 연평균 14.9% 성장하여 '27년까지 4조 4,636억 원 규모에 이를 전망입니다. 다양한 산업에서 AI 채택을 가속화하는 가운데, 디지털 기술과 산업 기술이 융합된 인공지능 생태계가 강화되고, 예측 및 추천 설루션 고도화, 생성형 AI을 통한 새로운 비즈니스 기대 수요 등이 AI 시장 성장을 가속화할 것입니다.
서서히 성장하고 있었던 인공지능(AI) 시장에 새로운 촉매를 제공하고 있는 생성형 AI(Generative AI)에 대해 기업의 임원들은 어떻게 생각할까요? 2023년 가트너가 글로벌 기업 임원 2,544명을 대상으로 설문조사를 실시한 결과, 경영진의 45%가 ChatGPT가 인공지능(AI) 투자를 늘리도록 자극했으며, 생성형 AI의 주요 투자 목적으로 "고객 경험, 매출 성장, 비용 최적화"를 꼽았습니다. 경영진의 70%가 현재 생성형 AI에 대해 탐색 단계(Exploration Mode)에 있고, 19%는 Pilot이나 Production 단계에 있다고 답변했습니다. 또한, 경영진의 68%가 생성형 AI의 이점이 위험보다 크다고 생각하는 반면, 위험이 이점보다 크다고 생각하는 비율은 5%에 불과했습니다.
인공지능의 새로운 화두, 생성형 AI
인공지능(AI)은 우리의 일상에 점진적으로 스며들었습니다. 스마트폰 기술에서부터 자율주행 차량의 기능, 소비자 만족을 위해 사용하는 도구에 이르기까지 모든 것에 영향을 미치고 있습니다. 이로 인해 인공지능의 진보는 거의 감지할 수 없을 정도로 이루어졌습니다. 2016년, 알파고가 세계 챔피언 바둑 선수를 이긴 역사적 일들은 세상을 놀라게 하고 축하를 받았지만, 곧 대중들의 관심에서 사라져 버렸습니다. 반면에 ChatGPT, GitHub Copilot, Stable Diffusion 등의 생성형 AI 응용프로그램(애플리케이션)은 알파고와는 달리 광범위한 유용성을 가지고 있어 전 세계 사람들의 관심과 상상력을 사로잡았습니다. 누구나 이들을 사용하여 의사소통하고 창작할 수 있으며, 사용자와 대화를 나눌 수 있는 능력을 갖추고 있기 때문입니다.
생성형 AI는 기계가 콘텐츠, 예술, 음악 등을 만들고 생성할 수 있도록 하는 인공지능의 하위집합으로 여러 산업을 변화시킬 수 있는 잠재력을 지닌 빠르게 진화하는 기술입니다. 생성형 AI는 독특하고 독창적인 결과를 생성하기 위해 인간의 행동, 사고 과정 및 창의성을 시뮬레이션할 수 있는 알고리즘을 사용하며, 기계가 입력 매개변수와 이전에 학습한 패턴을 기반으로 새로운 콘텐츠나 데이터를 생성할 수 있습니다. 즉, 기존 데이터를 단순히 가공하거나 분석하는 것이 아니라, 새롭고 독창적인 콘텐츠를 생성하는 AI 접근 방식입니다. 생성형 AI 모델은 패턴을 학습하고 훈련 데이터와 유사한 새로운 출력을 생성하기 위해 대규모 데이터 세트에서 훈련됩니다. 생성형 AI는 1990년대 후반에 등장한 "컴퓨팅 창의성" 분야에 뿌리를 두고 있습니다. 계산적 창의성은 컴퓨터를 사용하여 시 쓰기, 음악 작곡 또는 예술 창작과 같은 일반적으로 인간의 지능을 요구하는 창의적인 작업을 수행하는 것을 말합니다. 2000년대 초, 연구원들은 새로운 콘텐츠를 만들기 위해 마르코프 체인(Markov chains) 및 신경망(Neural Networks)과 같은 생성형 모델을 탐구하기 시작했습니다. 지난 10년 동안 기계학습 및 딥러닝 알고리즘의 발전으로 생성형 모델의 정확도와 품질은 크게 향상되었습니다.
생성형 AI라는 화두를 세상에 쏘아 올린 것은 OpenAI사의 ChatGPT로 GPT-3.5(Generative Pre-trained Transformer) 모델을 기반으로 ‘22년 11월에 출시되었습니다. GPT*는 딥러닝을 사용하여 인간과 유사한 텍스트를 생성하는 대규모 자연어 기술입니다. ChatGPT는 5일 만에 이용자가 100만 명이 넘었고 40일 만에 1,000만 명이 가입했으며, 또 두 달 만에 1억 명을 훌쩍 뛰어넘은 이용자를 기록했습니다. 100만 명의 이용자를 확보하는데 Apple iPhone은 두 달 이상이 걸렸고, Facebook은 10개월, Netflix는 3년 이상이 걸렸으니. 일각에서는 ChatGPT를 '괴물'로 표현하기까지 합니다. 출시 이후, OpenAI는 4개월 만에 GPT-4라는 새로운 대형언어모델(LLM, Large Language Model)을 출시했으며, 이 모델은 뚜렷하게 개선된 능력을 갖추고 있습니다. GPT-4는 사진 속 사람의 손 글씨나 메모를 인식해 사용자의 요청을 수행하고, 지정한 대로 PPT 자료를 만들어 주는 것은 물론 냉장고 속 재료 사진만으로 요리 레시피를 소개합니다. 또한, 변호사 자격시험에 합격하고 미국 생물학 올림피아드에서 87점(상위 1%)의 성적을 낼 정도로 똑똑해졌습니다. OpenAI는 GPT-4에 대해 "인간의 수준을 가졌다"라고 자평했고, 일반 대화에서도 인간과 큰 차이를 느끼지 못하는 수준이 되었습니다.
그러나, ChatGPT가 생성형 AI 업계에서 유일한 것이 아닙니다. DALL·E 2, Stable Diffusion, Midjourney 등의 생성형 AI는 텍스트 설명을 기반으로 이미지를 생성할 수 있습니다. Stability AI사의 Stable Diffusion은 출시 후 90일 내에 GitHub에서 30,000개 이상의 스타를 받았습니다. 또한, 2023년 5월에 Google은 검색 제너레이티브 경험(Search Generative Experience) 및 Bard 챗봇 등을 구동할 새로운 LLM인 PaLM 2 모델을 포함하여, 생성형 AI를 기반으로 한 여러 가지 새로운 기능을 발표했습니다.
* GPT: OpenAI에서 개발한 모델로 현재 총 5개(GPT-1, GPT-2, GPT-3, GPT-3.5, GPT-4) 버전을 출시함. 기본적으로 같은 구조를 갖고, 버전이 올라갈수록 파라미터 개수가 증가하여 정교한 학습이 가능해짐. GPT-1(1억 1700만 개, AI가 문장의 의미를 제대로 이해하고 판단하며 분류), GPT-2(15억 개, 번역과 작문 및 대화 가능), GPT-3(1,750억 개, 번역과 작문, 간단한 코딩 및 자연스러운 대화 가능)
생성형 AI의 새로운 가치사슬(Value Chain)
생성형 AI는 하드웨어 공급업체부터 애플리케이션 개발자에 이르기까지 전체 생태계를 만들어 냅니다. 2022년부터 2023년 초에 걸쳐 기술 혁신 기업들은 생성형 AI를 대규모로 출시하여 기업 리더, 투자자 및 사회 전반에게 새롭게 창조된 텍스트와 이미지를 생성할 수 있는 기술로 놀라움을 선사했습니다. 생성형 AI의 개발과 배포가 진행됨에 따라, 이 강력한 기술의 교육과 사용을 지원하기 위한 새로운 가치사슬(Value Chain)이 나타나고 있습니다.
얼핏 보면, 전통적인 AI의 가치사슬과 상당히 유사해 보일 수 있습니다. 맥킨지에 따르면, 생성형 AI의 가치사슬은 컴퓨터 하드웨어, 클라우드 플랫폼, 파운데이션 모델(Foundation Models), 모델 허브 및 MLOps, 애플리케이션, 서비스라는 6개의 요소로 구성되는데, 이 중에서 파운데이션 모델만이 새로 추가된 것입니다. 그러나, 생성형 AI 가치사슬은 매우 복잡하여, 이를 제공하기 위해서는 많은 시간과 시간, 비용, 기술이 필요합니다. 생성형 AI 가치사슬 중 애플리케이션 시장은 가장 빠르게 확장되고 큰 가치 창출 기회를 제공할 것으로 예상되며, 특정하거나 독점적인 데이터를 사용하여 애플리케이션을 세밀하게 조정하는 기업은 상당한 경쟁우위를 얻을 수 있습니다.
맥킨지가 정의한 생성형 AI 가치사슬의 각 구성 요소를 간단히 살펴보겠습니다.
1) 컴퓨터 하드웨어
생성형 AI는 콘텐츠를 생성하기 위해 많은 지식이 필요합니다. 예를 들어, OpenAI의 GPT-3는 약 45 테라바이트의 텍스트 데이터로 훈련되었습니다. 이러한 작업량은 수십억 개의 매개변수를 병렬로 처리할 수 있는 "가속기" 칩을 가지고 있는 그래픽처리장치(GPU)나 텐서처리장치(TPU)로 구성된 대규모 클러스터를 필요로 합니다. 생성형 AI 모델의 훈련이 완료되면, 기업은 대규모 클러스터를 사용하여 모델을 맞춤화(조정)하고, 이러한 컴퓨팅 파워를 요구하는 모델을 애플리케이션 내에서 실행할 수도 있습니다. 그러나, 초기 훈련과 비교하면 이후에는 훨씬 적은 컴퓨팅 파워가 필요합니다. 작은 규모의 플레이어들도 몇몇 존재하지만, 이러한 특수화된 AI 프로세서의 설계와 생산은 집중화되어 있으며, NVIDIA와 Google이 칩 디자인 시장을 지배하고 있습니다.
2) 클라우드 플랫폼
GPU와 TPU는 비싸고 부족한 자원이기 때문에 대부분의 기업들이 대규모 AI 모델을 구축하고 조정 및 실행하는 작업은 클라우드에서 수행됩니다. 이를 통해 기업은 필요에 따라 계산 능력에 쉽게 접근하고 비용을 관리할 수 있습니다. 주요 클라우드 업체들은 생성형 AI 워크로드를 실행하고 하드웨어/칩의 우선적 액세스를 위한 가장 포괄적인 플랫폼을 보유하고 있습니다.
3) 파운데이션 모델
생성형 AI의 핵심에는 파운데이션 모델이 있습니다. 파운데이션 모델은 인간 뇌에 연결된 수십억 개의 뉴런에 영감을 받은 확장된 인공신경망을 포함하고 있습니다. 파운데이션 모델은 딥러닝이라는 용어로 불리며, 신경망 내에 있는 많은 깊은 층을 암시합니다. 딥러닝은 AI의 최신 진보를 이끌어 온 기술이지만, 생성형 AI 애플리케이션을 구동하는 파운데이션 모델은 딥러닝에서의 큰 진보입니다. 이전의 딥러닝 모델과는 달리, 매우 크고 다양한 형태의 비정형 데이터를 처리하고 여러 작업을 수행할 수 있습니다.
대규모 딥러닝 모델은 특정 유형의 콘텐츠를 생성하기 위해 사전 훈련되고 다양한 작업을 지원하기 위해 활용됩니다. 파운데이션 모델이 개발되면, 이를 기반으로 애플리케이션을 구축하여 콘텐츠를 생성할 수 있습니다. OpenAI의 GPT-3와 GPT-4 같은 파운데이션 모델은 ChatGPT부터 Jasper와 Copy.ai 같은 수십 개의 애플리케이션을 지원합니다. 파운데이션 모델은 대용량 데이터 세트를 기반으로 훈련되고, Wikipedia, 정부 사이트, 소셜 미디어, 책 등의 공개 데이터뿐만 아니라 대규모 데이터베이스의 비공개 데이터를 포함할 수 있습니다.
예를 들어, OpenAI는 Shutterstock과 협력하여 Shutterstock의 독점 이미지로 모델을 훈련했습니다. 또한, 파운데이션 모델을 개발하기 위해서는 여러 영역에서 깊은 전문 지식이 필요합니다. 데이터 준비, 목표로 하는 출력을 생성할 수 있는 모델 아키텍처 선택, 모델 훈련, 그리고 출력 개선을 위한 모델 튜닝이 포함됩니다. 모델 튜닝은 훈련된 모델의 출력 품질을 평가하고 이를 모델에 피드백으로 제공하여 학습할 수 있도록 하는 과정입니다.
오늘날, 특히 파운데이션 모델의 훈련은 반복적인 과정이며 상당한 컴퓨팅 자원이 필요하기 때문에 많은 비용이 듭니다. 모델의 훈련 과정의 초반에는 일반적으로 무작위 결과를 출력합니다. 원하는 수준의 정확도를 위해 훈련 알고리즘은 신경망의 가중치를 조정하고, 이러한 과정을 수백만 번 수행해야 할 수도 있습니다. 현재, 이러한 훈련 작업은 수백만 달러의 비용이 들고 수개월이 소요될 수 있습니다.
예를 들어, OpenAI의 GPT-3을 훈련하는 데는 400만~1,200만 달러가 소요된다고 추정됩니다. 결과적으로, 시장은 소수의 거대 기업과 투자를 받은 스타트업에 의해 지배되고 있습니다. 그러나, 일부 작업에 효과적인 결과를 제공할 수 있는 더 작은 모델과 더 효율적인 방식의 훈련 방법을 개발하기 위한 노력이 진행 중이며, Cohere, Anthropic, AI21 등의 몇몇 스타트업이 자체 대형언어모델(LLM, Large Language Model)을 구축하고 훈련하는 데 성공했습니다. 또한, 대부분의 대기업은 더 높은 수준의 데이터 보안 및 개인정보 보호를 위해 LLM을 자사 환경에서 동작하길 원하고 있으며, Cohere와 같은 기업은 이미 LLM을 중심으로 이러한 서비스를 제공하고 있습니다.
4) 모델 허브와 MLOps
파운데이션 모델을 활용하여 애플리케이션을 구축하기 위해서는 우선 파운데이션 모델을 저장하고 액세스 할 수 있는 장소가 필요합니다. 또한, 파운데이션 모델을 적용하고 애플리케이션 내에 배포하기 위한 특화된 MLOps 도구 및 기술이 필요합니다. 여기에는 추가 훈련 데이터를 통합하고 레이블을 지정하거나 애플리케이션이 모델과 상호 작용할 수 있는 API를 구축하는 기능이 포함됩니다. 모델 허브는 이러한 서비스를 제공합니다.
소스코드가 공개되지 않은 모델의 경우, 라이선싱 계약을 통해 모델에 액세스할 수 있도록 API를 제공하고, 때로는 제공업체가 MLOps 기능을 제공하여 모델을 조정하고 다양한 애플리케이션에 배포할 수 있도록 합니다. 오픈소스 모델의 경우, 다양한 서비스를 제공하기 위한 독립적인 모델 허브가 등장하고 있습니다. 일부 모델 허브는 단지 모델을 집계하는 역할만 하며, 다른 개발자들이 커스터마이징 한 모델을 포함한 다양한 파운데이션 모델에 대해 액세스 할 수 있도록 합니다.
이후, AI팀은 모델을 서버로 다운로드하고, 세부 조정하여 애플리케이션에 배포할 수 있습니다. 반면, Hugging Face나 Amazon Web Services와 같은 모델 허브는 모델에 액세스 할 수 있는 뿐만 아니라, 독점(소유) 데이터를 활용하여 파운데이션 모델을 조정(Tune)하고 애플리케이션 내에 배포하는 전문 지식을 포함한 전체적인 MLOps 기능을 제공할 수 있습니다. 후자의 모델 허브는 기업들이 생성형 AI를 활용에 있어 내부 인재와 인프라가 부족한 기업에서 큰 도움을 줍니다. 아마존의 경우, AWS 사용자가 Anthropic사의 Claude와 Stability사의 Stable Diffusion 등의 다양한 모델을 활용할 수 있는 새로운 서비스인 베드록(Bedrock)을 소개했으며, 월스트리트저널에서는 아마존이 비즈니스를 AI와 통합하려는 회사가 가장 적합한 것을 선택/활용할 수 있는 중립 플랫폼을 표방하고 있다고 언급했습니다. [9]
5) 애플리케이션
하나의 파운데이션 모델은 다양한 작업을 수행할 수 있지만, 이를 활용하여 구축된 애플리케이션은 특정 작업을 완료할 수 있게 해 줍니다. 예를 들어, 서비스 문제를 해결하거나 마케팅 이메일 작성을 지원하는 등의 작업이 될 수 있습니다. 미국의 벤처캐피털 업체인 세쿼이아 캐피털이 정의한 생성형 AI 애플리케이션의 지도를 보면, ▲텍스트(마케팅·세일즈·지식·작문·기타) ▲동영상(영상 편집·맞춤형 영상) ▲이미지(생성·소셜·미디어 및 광고·디자인) ▲코딩 개발(코드 생성·문서·웹제작·데이터) ▲3D(모델링·영상제작) ▲기타(작곡·오디오·연구) 등으로 분화되어 서비스 이용이 활발하게 진행되고 있습니다.
일반적으로 생성형 AI 애플리케이션은 두 가지 범주로 구분됩니다. 하나는 파운데이션 모델을 거의 그대로 사용하는 경우로 특정한 사용자 인터페이스를 생성하거나, 고객의 요청을 더 잘 이해할 수 있도록 문서에 가이드 및 검색 인덱스를 추가하는 등의 일부 맞춤화 작업을 수행합니다. 두 번째는 Fine-tuned 파운데이션 모델-추가적인 특화 데이터가 제공되거나, 매개변수가 조정된 모델-을 활용하여 특정 사용 사례에 대한 결과물을 제공하는 것입니다.
법적 질문에 대답하기 위해 생성된 애플리케이션인 Harvey의 경우, GPT-3에 법적 데이터 세트를 입력하고 다양한 프롬프트를 테스트하여 조정된 모델은 원래의 모델이 생성할 수 있는 것보다 훨씬 우수한 법적 문서를 생성할 수 있었고, 은행을 위해 조정된 생성 AI 챗봇은 고객과 협력하여 콜 센터 채팅의 데이터를 통합하고 고객 경험을 지속적으로 향상할 수 있었습니다. 이렇게 생성형 AI 시장 초기 단계에서는 특정 산업 및 기능을 위해 미세 조정된 모델로 구축된 애플리케이션이 더 많은 가치를 제공할 것으로 예상됩니다.
6) 서비스
생성형 AI의 활용을 위한 서비스 및 전문 지식 서비스를 제공합니다. 기존 AI 서비스 제공업체들은 생성형 AI 시장을 위한 서비스를 발전시킬 것이며, 특정 기능(예. 고객 서비스 워크플로우), 산업(예. 제약), 다양한 맥락에서 효과적인 루프 구축 방법 등에서 생성형 AI를 적용하기 위한 특수한 지식을 가진 특화된 업체들도 시장에 진출할 것으로 예상됩니다.
글로벌 생성형 AI 시장, 연 35.6% 성장
코로나 팬데믹은 원격 작업으로의 전환에 따른 산업 전반의 디지털화로 생성형 AI 시장에 긍정적인 영향을 미쳤습니다. 많은 기업이 팬데믹 시기에 기계학습(ML) 및 AI를 도입했습니다. IBM의 “Global AI Adoption Index 2022” 보고서에 따르면, 53% 이상의 IT 전문가들이 팬데믹 대응으로 인공지능(AI) 도입을 가속화했으며, AI를 활용하여 COVID-19 바이러스와 다양한 영상 시스템을 감지하는 진단 도구를 개발했습니다. 또한, 디지털 플랫폼의 급속한 발전은 생성형 AI 애플리케이션의 채택을 더욱 촉진시켰습니다. 예를 들어, 2020년 6월에 Amazon Web Services는 AWS DeepComposer 제품에 새로운 생성형 AI 알고리즘인 Autoregressive Convolutional Neural Network(AR-CNN)을 추가하여, 우수한 음악을 디지털로 제작할 수 있도록 했습니다.
Grand View Research의 최신 보고서에 따르면, 글로벌 생성형 AI(Generative AI) 시장은 2022년 101.4억 달러로 평가되었으며, 2023년부터 2030년까지 연평균 35.6%로 성장하여 1,093.7억 달러 규모에 이를 것으로 예상됩니다. 초고해상도, 텍스트에서 이미지, 텍스트에서 비디오로의 변환과 같은 기술의 발전 와 산업 전반에서 워크플로 현대화에 대한 수요 증가로 인해 다양한 산업 간 생성형 AI 애플리케이션 시장은 확대할 것입니다. 또한, 인공지능(AI) 및 딥러닝의 발전, 창의적인 응용 프로그램 및 콘텐츠 생성의 증가, 클라우드 저장소의 혁신으로 인한 쉬운 데이터 접근도 긍정적인 영향을 미칩니다. 더 높은 수준의 비주얼과 상호작용, 더 현실적인 느낌을 제공하는 AI 기술을 활용한 게임의 도입은 앞으로의 시장을 견인할 것입니다.
Allied Market Research에서 분석한 생성형 AI의 성장 요인 역시 유사합니다.
ⓛ 다양한 분야에서 인공지능 통합 시스템의 사용 확대
생성형 AI 애플리케이션의 증가는 개선된 계산 능력과 다양한 산업 분야의 문제를 해결할 수 있기 때문입니다. 예를 들어, 생성형 AI는 사진 처리와 영화 복원에 적합하며, 저해상도 사진을 고해상도로 스케일 업하는 데 도움을 줍니다. 일반적으로 오래된 사진과 영화를 4K 이상으로 스케일 업하여 초당 60 프레임을 생성하고 노이즈 제거, 색상 추가, 선명화를 통해 이미지를 개선합니다. 2023년 1월, Alethea AI와 Polygon은 생성형 AI 캐릭터 프로젝트를 진행하기 위해 빠른 AI 캐릭터의 생성, 훈련 및 거래를 Polygon의 NFT로 가능하게 하는 "생성형 AI 콜렉터블 캠페인"을 개최했습니다. 생성형 AI를 통해 컴퓨터는 데이터를 기반으로 사용자와 상호작용하여 쿼리에 대한 응답으로 원본 콘텐츠를 창조하며, 이러한 발전은 생성형 AI 시장 성장에 기여했습니다.
② 메타버스의 가상세계 & 산업 전반에 걸친 워크플로 현대화
생성형 AI의 잠재적 응용 분야는 매우 광범위하며, 업무를 수행하는 방식을 변화시켜 산업과 비즈니스 모델을 혁신할 수 있는 큰 잠재력을 가지고 있습니다. AI 개발자들은 종종 생성형 AI를 사용하여 새로운 가상세계와 게임 환경을 만듭니다. 생성형 AI는 가상현실(VR) 개발자가 독특하고 몰입도 있는 게임 환경의 무한 라이브러리를 만들 수 있도록 지원합니다. 또한, 메타버스에서는 이미지, 음향, 3D 모델과 같은 사람이 만든 자산을 기반으로 컴퓨터의 무작위성과 처리 능력을 적용하여 유사한 원본 자산을 생성할 수 있습니다. 예를 들어, 엔비디아(Nvidia)는 3D 아티스트들을 위해 Audio2 Face, Audio2 Gesture, Audio2 Emotion을 포함한 실험적인 생성형 AI 도구 스위트를 Omniverse portals 추가하여 3D 캐릭터를 애니메이션 할 수 있도록 합니다. Audio2 Face를 통해 오디오 파일에서 표정을 생성하고, Audio2 Emotion으로 감정을 만들며, Audio2 Gesture로 제스처를 생성할 수 있도록 도와줍니다. 생성형 AI의 초기 도입은 인간과 AI의 협업에 초점을 맞출 것으로 예상됩니다.
③ 기계학습과 딥러닝의 디지털 역량
생성형 AI는 다양한 개발 프로그램의 효율성을 향상합니다. 예를 들어, 기계학습 알고리즘을 사용하여 방대한 양의 데이터를 분석하여 패턴과 동향을 파악하고, 이를 의사 결정에 활용하여 프로그램 결과를 개선할 수 있습니다. 또한, 생성형 AI는 앞서 말한 이미지 개선이나, 컴퓨터로 생성된 음성을 인간의 목소리처럼 들리도록 변환할 수도 있으며, 청중 데이터를 분석하여 개인화된 음악 재생목록, 뉴스 피드 등의 콘텐츠를 생성할 수 있습니다.
④ 정부의 이니셔티브
많은 정부들이 다양한 분야에서 생성형 AI 등의 신기술을 혁신하도록 지원하고 있습니다. 2022년 8월, 미국의 GSA(General Services Administration)는 생성형 AI와 머신러닝을 활용하여 조달 기능을 최적화하고 주요 지표에 대한 가시성을 제공하며 조달 추세에 대한 인사이트와 예측 서비스를 제공하고 있습니다. 또한, 중국 정부는 코로나로부터 비롯된 혁신을 지원하기 위해 생성형 AI에 관심을 가지고 있습니다. 중국의 기술 기업들은 중국 정부의 지원을 받아 자체 “AI 유니버스” 개발에 노력하고 있으며, 중국의 취향과 정치적 상황에 맞는 AI 봇들을 대중에게 선보였습니다.
이렇게 생성형 AI가 다양한 동인으로 성장하고 많은 비즈니스 기회를 제공하고 있으나, 딥페이크, 저작권 문제, 편향 및 부정확하게 생성된 콘텐츠, 데이터 및 정보 유출과 관련된 위험, 악의적 불법 활동에 대한 오용 등 해결해야 할 도전 과제들은 시장을 저해하는 주요 요인이며, 이해관계자들은 이러한 위험을 기억하고 대비해야만 합니다.
ChatGPT를 넘어, 생성형 AI(Generative AI)의 미래 – 2편
생성형 AI, 최대 시장은 북미, 최고 성장률은 아태지역
북미 지역은 2022년 40.2%의 점유율로 시장을 주도했으며, 가상 상상력 및 의료 서비스의 증가, 은행 사기의 급증과 - 예를 들어, 2021년 첫 4개월 동안 미국의 디지털 사기 시도는 2020년 동기 대비 약 25% 이상 증가했으나, 금융 서비스 분야는 약 109% 증가했습니다. - 함께 다양한 산업에 걸친 워크플로 현대화 등의 요인들로 인해 예측기간(2023~2030년) 동안 연평균 35.6% 성장할 것으로 예상됩니다. Meta, Microsoft, Google LLC 등 미국 중심의 주요 시장 참여업체, 발전된 기술 기업들, 그리고 전문가의 존재는 북미 시장을 지원할 것이며, 대형 기술 기업들은 생성형 AI 스타트업과 기술에 투자하고 있습니다. 또한, 미디어 및 엔터테인먼트, 헬스케어 등의 산업에서 AI 생성 콘텐츠에 대한 수요 증가, 모델 훈련을 위한 대량의 데이터 가용성 및 특정 작업을 위한 미세 조정(Fine-tuning) 증가 등의 요인들도 북미 시장 성장에 영향을 미치고 있습니다.
아태지역은 예측기간(2023~2030년) 동안 연평균 36.5% 성장률로 가장 빠르게 성장할 것으로 예상됩니다. 인도, 한국, 중국 등의 신흥 경제국에서 다양한 애플리케이션에 대한 인공지능의 채택과 통합을 지원하기 위한 정부의 적극적인 이니셔티브가 증가하고 있으며, 많은 기업들이 생성형 AI 적용을 위한 개발 및 실험에 집중함에 따라 해당 시장 성장이 촉진되고 있습니다.
생성형 AI 구성요소, 최대 시장은 소프트웨어 부문
소프트웨어 세그먼트는 2022년에 가장 큰 매출 점유율인 64.8%를 차지했으며, 예측기간(2023~2030년) 동안에도 시장을 주도할 것으로 예상됩니다. 소프트웨어 부문은 R&D 활동의 급증과 생성적 설계의 성장으로 건축, 공학 및 제품 개발에서 새로운 독특한 디자인을 만들기 위해 AI 활용이 확대되고 있습니다. 또한, 하드웨어 시스템에서 수신한 데이터를 통합하고, AI 시스템으로 처리하여 신속하고 지능적인 결과를 생성하는 능력으로 인해 시장 성장을 가속화할 것입니다. 강력한 기계학습 모델 기반의 생성형 AI 애플리케이션은 패션, 엔터테인먼트, 운송 등 다양한 산업과 분야에서 중요한 역할을 할 것으로 예상됩니다. 예를 들어, H&M과 Adidas와 같은 브랜드는 생성형 AI를 활용하여 의류 디자인과 맞춤형 운동화를 만들었습니다. 또한, 생성형 AI 기술은 패브릭과 인쇄물을 위한 독특한 패턴 생성에도 사용되어 디자이너들의 시간과 노력을 절약할 수 있습니다.
서비스 세그먼트는 예측기간(2023~2030년) 동안 가장 빠른 성장률인 36.5%를 기록할 것으로 예상됩니다. 이 세그먼트의 성장은 데이터 보호, 거래 예측, 위험 요소 모델링 및 사기 탐지 등과 관련된 요구가 커지기 때문일 수 있습니다. 지난 몇 년 동안 의료 및 금융을 포함한 많은 업종에서 데이터 손실 및 보안 위반과 관련된 우려가 급격히 증가했으며, 이로 인해 시장 참여자들은 문제를 해결하기 위해 더욱 발전되고 향상된 서비스를 개발하고 있습니다. 클라우드 기반 생성형 AI 서비스는 유연성, 확장성 및 비용 효율성을 제공하여 서비스 부문의 성장을 견인할 것으로 예상됩니다.
생성형 AI 기술, 최대 시장은 트랜스포머(Transformer)
기술 관점의 시장은 생성적 대립 신경망(GANs, Generative Adversarial Nets), Transformers, 변분 오토인코더(VAEs, Variational autoencoder), 그리고 확산 네트워크(Diffusion Networks)로 세분화됩니다. 생성형 AI의 핵심 기술인 딥러닝 방법은 생성적 대립 신경망(GANs) 및 순환 신경망(RNN, Recurrent Neural Network)을 포함하여 최근 몇 년 동안 크게 발전했습니다. GANs 기술을 통해 기계는 피드백을 기반으로 학습하고 출력 품질을 향상할 수 있습니다. GANs은 출력을 생성하는 생성자 네트워크와 출력 품질을 평가하는 판별자 네트워크로 구성되며, 두 개의 네트워크를 함께 훈련함으로써 인간이 만든 콘텐츠와 구별하기 어려울 정도의 현실적인 콘텐츠를 생성할 수 있습니다.
Transformer는 훈련 데이터의 숫자적 표현을 계산하는 일종의 심층신경망 아키텍처로, 순차적 데이터에서 관계를 추적함으로써 문맥과 의미를 학습합니다. Transformer 방법은 주변 데이터 요소가 서로 영향을 주고받는 미묘한 방법을 감지하기 위해 주목(Attention) 또는 셀프-주목(Self-attention)이라 불리는 수학적 기법들을 적용합니다. Transformer는 텍스트 및 음성과 같은 자연어를 실시간 처리하고, RNN 등의 기존 기술과 비교해 실행 속도가 빨라 대체가 가능합니다. Transformer 기술은 2022년에 가장 큰 매출 점유율인 41.5%를 차지했으며, 예측기간(2023~2030년) 동안 연평균 34.9%로 성장할 것으로 예상됩니다. 이는 자연어 처리에 대한 수요 증가와 함께 텍스트를 이미지로 변환하는 Transformer 애플리케이션의 채택이 증가하기 때문입니다. 예를 들어, DALL-E는 텍스트 데이터를 이해하고 해당 데이터를 이미지로 변환하는 Transformer를 활용했으며, GPT-3 역시 텍스트-텍스트 Transformer 기술을 활용한 모델로 사람이 작성한 것처럼 보이는 텍스트를 생성하고 시를 쓰고 이메일을 작성할 수 있습니다.
반면, 확산 네트워크(Diffusion Networks)는 예측기간(2023~2030년) 동안 가장 빠른 성장률인 38.1%를 기록할 것으로 예상됩니다. Diffusion Networks는 원본 데이터를 무작위로 만드는 과정을 역으로 추적하여 새로운 데이터를 생성하는 것입니다. 먼저, 원본 데이터에 무작위 잡음(Noise)을 추가하여 데이터를 "diffuse"시킵니다. 이 과정을 여러 단계 거쳐서 수행하면, 원본 데이터는 균일한 노이즈 분포로 변합니다. 이후, 이 과정을 거꾸로 추적하여 원본 데이터를 재구성하게 됩니다. 이 재구성 과정에서 모델은 원본 데이터와 유사한 새로운 데이터를 생성합니다. 게다가, 확산 네트워크는 생성적 대립 신경망(GANs)의 단점을 극복함으로써 노이즈를 더 잘 처리하고 훈련 시 노력을 줄이면서 비슷하거나 더 높은 품질의 다양한 이미지를 생성할 수 있습니다. 생성형 AI에 확산 네트워크를 사용함으로써 이미지 생성, 다양한 예술 스타일로의 렌더링, 애니메이션 등의 다양한 기능을 활용할 수 있습니다.
생성형 AI 모델, 최대 시장은 대형 언어 모델(LLM) 분야
모델 관점에서 대형 언어 모델(LLM, Large Language Model) 세그먼트가 2022년에 33.6%의 점유율로 시장을 주도했으며, 예측기간 동안 연평균 35.0%로 성장할 것으로 예상됩니다. 이 세그먼트의 성장은 사용자와 대화를 나눌 수 있는 챗봇부터 제품 설명이나 기사를 작성할 수 있는 콘텐츠 생성 도구 등 다양한 응용에서 비롯됩니다. 대형 언어 모델은 NLP 응용 프로그램 개발의 시간과 비용을 줄이는 데 도움이 될 수 있습니다. GPT와 같은 대형 언어 모델은 NLP 분야에서 인기를 얻고 있습니다. 이러한 모델은 인간과 유사한 언어를 이해하고 생성할 수 있어 다양한 응용 분야에서 유용하게 활용됩니다.
멀티 모달 생성 모델은 예측기간 동안 가장 빠른 성장률인 41.6%를 기록할 것으로 예상됩니다. 생성형 AI는 멀티 모달리티를 가질 수 있게 합니다. 즉, 이미지와 텍스트, 음성 등 여러 모달리티를 동시에 처리할 수 있으며, 응용 영역을 확장하고 다양성을 증가시킵니다. 멀티 모달 생성 모델은 여러 모달리티의 데이터 학습으로 더 큰 정확성과 견고성을 확보할 수 있으며, 인간과 같이 유연한 사고가 가능한 한 단계 높은 차원의 모델로서 세그먼트의 성장을 촉진합니다.
이미지 및 비디오 생성 모델은 고전적인 방법으로는 어렵거나 불가능한 높은 품질과 현실적인 이미지 및 비디오를 빠르게 생성하는 데 도움이 되어 상당한 비율로 성장할 것으로 예상됩니다. 게다가, 이미지 합성은 엔터테인먼트 및 게임 분야에서 더 현실적이고 몰입감 있는 가상세계 개발에 활용되고 있습니다.
생성형 AI 애플리케이션, 최대 시장은 자연어 처리(NLP) 분야
응용 프로그램 관점에서 자연어 처리(NLP, Natural Language Processing) 세그먼트는 2022년에 22.5%의 점유율로 시장을 주도했으며, 예측기간(2023~2030년) 동안 연평균 성장률 35.9%로 성장할 것으로 예상됩니다. NLP는 다양한 텍스트 및 음성 생성 응용 프로그램을 갖춘 강력한 생성 AI 도구입니다. 딥 러닝의 발전으로 순환신경망(Recurrent Neural Networks, RNN)과 같은 신경 NLP 모델, 구글 AI Language 연구원이 개발한 BERT 및 OpenAI의 GPT-3와 같은 Transformer 모델 등의 개발이 이루어졌습니다. 이러한 모델들은 NLP 기반 생성형 AI 애플리케이션의 정확성과 효율성을 크게 향상해 해당 시장의 성장을 촉진했습니다.
컴퓨터 비전 세그먼트는 예측기간(2023~2030년) 동안 연평균 성장률 38.1%로 성장할 것으로 예상됩니다. 운송 및 자동차 분야에서 컴퓨터 비전 시스템의 신속한 채택이 시장 성장을 견인합니다. 컴퓨터 비전 시스템의 빠른 처리와 높은 정확성, 그리고 경제적 이점이 컴퓨터 비전 시장을 주도하는 주요 요인 중 하나입니다. 게다가 보안 감시, 헬스케어 및 모니터링과 같은 비 산업용 애플리케이션에서의 사용이 증가함에 따라 컴퓨터 비전 시장에 유리한 기회가 창출되고 있습니다.
생성형 AI, 비즈니스 기능별 가치 창출
생성형 AI는 인공지능의 중요한 진화이며, 인간이 프로그래밍 언어가 아닌 자연어를 사용하여 컴퓨터와 소통하는 세계와의 연결을 향상합니다. 기업이 생성형 AI의 적용/구현을 서두르는 가운데, 생성형 AI가 경제/사회 전반에 가치를 제공할 수 있는 영향력은 어느 정도일까요? [5] 생성형 AI는 자동화, 혁신, 개인화에 대한 새로운 기회를 열며, 비용을 절감하고 고객 경험을 개선하여 비즈니스를 변화시킬 잠재력을 가지고 있습니다. [14]
맥킨지의 최신 연구에서 16개 비즈니스 기능에서 63개 사용 사례를 분석한 결과, 생성형 AI는 생산성(비용 절감 포함)에 대한 영향으로 세계 경제에 연간 2.6조 달러에서 4.4조 달러 – 비교해 보면, 2021년 영국의 GDP는 3.1조 달러 수준 - 규모의 가치를 창출할 수 있다고 추정했습니다. 이는 모든 인공지능의 영향력을 15%~40%까지 증가시키는 것이며, 사용 사례 외 다른 기능까지 생성형 AI를 적용할 경우 약 두 배로 증가할 것으로 예상했습니다. 특히, 판매/마케팅, 고객 운영, 소프트웨어 개발, 연구/개발의 네 개의 기능은 생성형 AI 사용 사례가 제공할 수 있는 총가치의 75%를 차지하며, 해당 기능의 역할을 변화시키고 성능을 향상할 것으로 예측했습니다.
전통적인 인공지능(AI)인 고급 분석 및 기계학습 알고리즘은 예측 모델링과 같은 숫자 및 최적화 작업을 수행하는 데 효과적이며 다양한 산업에서 새로운 응용 분야를 발견하고 있습니다. 그러나, 생성형 AI는 발전하고 성숙해짐에 따라 창의성과 혁신 측면에서 완전히 새로운 지평을 열 수 있는 잠재력이 있으며, 이미 기존의 전통적인 AI가 달성할 수 있는 가능성을 확장시키고 있습니다. 생성형 AI의 능력은 본질적으로 자연어를 이해하고 인지적인 작업을 수행하도록 설계되었기 때문에 지식 업무에 가장 큰 영향을 미칠 것이며, 자동화 잠재력이 낮았던 의사 결정과 협업과 관련된 업무의 생산성에 큰 영향을 줄 것입니다.
생성형 AI가 가치를 창출할 수 있는 4개의 주요 기능별 활용 예시를 살펴보겠습니다.
1) 고객 운영: 고객 및 에이전트 경험 개선
생성형 AI는 디지털 셀프서비스를 통해 고객 경험과 에이전트의 생산성을 향상해 고객 업무 전체를 혁신할 수 있는 잠재력이 있으며, 자연어를 사용하여 고객과의 상호 작용을 자동화할 수 있는 능력으로 인해 고객 서비스 분야에서 이미 인기를 얻고 있습니다. 5,000여 명의 고객 서비스 상담원을 보유한 한 회사에서 생성형 AI의 적용으로 시간당 문제 해결률이 14% 증가하고 문제 해결 시간도 9% 감소했으며, 상담원 이탈률과 관리자와의 대화 요청이 25% 감소했습니다. 중요한 점은 경험이 없는 에이전트의 생산성과 서비스 품질이 가장 크게 향상되었는데, AI가 높은 기술을 가진 동료들과 유사한 기술을 사용하여 고객과 의사소통할 수 있도록 지원했기 때문입니다. Salesforce, Dialpad, Ada 등의 회사는 이미 고객 서비스 분야의 오퍼링을 발표했습니다.
- 고객 서비스: 생성형 AI 챗봇은 언어나 고객의 위치에 상관없이 고객 문의에 즉각적이고 개인화된 응답을 제공할 수 있으며, 높은 비중의 문의에 대한 응답을 자동화할 수 있습니다.
- 최초 대응에서 해결: 회사가 보유한 특정 고객에 대한 데이터를 즉각적으로 검색하여, 담당자가 초기 대응 중에 문제를 해결할 수 있도록 지원합니다.
- 매출 증대: 고객 및 고객의 브라우징 데이터를 신속히 처리하여 고객 선호도에 맞는 제품 제안이 가능하며, 고객 대화 기반의 통찰력을 통해 에이전트 코칭을 강화할 수 있습니다.
2) 마케팅 및 영업: 맞춤화, 콘텐츠 생성 및 영업 생산성 향상
생성형 AI는 텍스트 기반의 의사소통과 대규모 맞춤화가 필요한 마케팅/영업 기능에서 빠르게 확산되고 있습니다. 개별 고객의 관심사, 선호도, 행동에 맞춘 개인화된 메시지를 만들어낼 수 있으며, 브랜드 광고, 헤드라인, 슬로건, 소셜 미디어 게시물 및 제품 설명 등의 초안 등을 작성할 수도 있습니다. 또한, 생성형 AI는 B2B, B2C 기업의 영업 방식을 변화시킬 수 있습니다. 다만, 마케팅 기능에 생성형 AI를 도입하는 것은 신중한 고려가 필요합니다. 저작권 침해 및 위반, 브랜드 인식 위험 등에 대한 충분한 보호장치 없이 공개된 데이터로 훈련된 모델은 지적 재산권을 침해할 수 있으며, 기업의 필요에 맞는 개념적인 전략적 사고를 적용해야 합니다.
[마케팅]
- 효율적인 콘텐츠 생성: 아이디어 발전과 콘텐츠 초안 작성 시간을 단축할 수 있고, 다양한 고객 세그먼트/지역/인구 특성에 맞춤화된 마케팅 메시지를 도출할 수 있습니다. 또한, 이메일 캠페인 경우, 대상 그룹에 따른 다른 이미지와 메시지 적용 및 다국어로 번역할 수 있으며, 이를 통해, 고객의 가치, 유인, 전환 및 유지를 확대할 수 있습니다.
- 데이터 활용 강화: 영역별 성과, 고객 피드백/행동, 소셜 미디어 등의 비정형 데이터를 잘 활용하여 트렌드와 시장 기회를 식별/종합하고, 데이터 기반의 전략/캠페인 생성을 지원합니다.
- SEO 최적화: 마케팅 및 판매 기술 요소인 페이지 제목, 이미지 태그, URL 등의 검색 엔진 최적화를 통해 낮은 비용으로 더 높은 전환율을 달성할 수 있습니다.
- 제품 발견 및 검색 맞춤화: 텍스트, 이미지 및 음성의 멀티 모달 입력과 고객에 대한 이해를 통해 검색 맞춤화가 가능합니다. 개인 선호도, 구매 이력 등을 활용하여 고객 맞춤의 제품 발견 및 설명 생성을 지원하고, 여행 및 소매업체 등은 웹사이트 전환율을 높여 전자상거래 매출을 향상할 수 있습니다.
[영업]
- 판매 확률 향상: 정형/비정형 데이터를 활용하여 종합적인 고객 프로필을 작성하고, 고객 선호도에 대한 더 나은 정보 제공으로 판매를 확대할 수 있습니다.
- 리드 개발 개선: 제품 판매 정보와 고객 프로필을 종합하고, 고객과의 대화에 유리한 스크립트를 생성하여 고객과의 관계 개선 및 업/크로스 셀링을 가능하게 합니다. 또한, 영업 후속 조치를 자동화하고, 선제적인 리드 육성을 지원할 수 있습니다.
3) 소프트웨어 엔지니어링: 코딩 어시스턴트로 개발자 작업 속도 향상
컴퓨터 언어를 다른 언어와 동일하게 생각하면 소프트웨어 엔지니어링에 대한 새로운 가능성이 열립니다. 소프트웨어 엔지니어는 생성형 AI를 사용하여 페어 프로그래밍하고, 코딩을 보강하고, LLM을 훈련시켜 코드 동작을 설명하는 프롬프트가 입력될 때 코드를 생성하는 애플리케이션을 개발할 수 있습니다. 소프트웨어 엔지니어링은 대부분의 회사에서 중요한 기능으로, 기술 기업뿐만 아니라 모든 대규모 회사가 다양한 제품/서비스에 소프트웨어를 포함하면서 성장하고 있습니다. 예를 들어, 새로운 차량에서 기치를 제공하는 많은 부분은 적응형 크루즈 컨트롤, 주차 보조 및 IoT 연결과 같은 디지털 기능에서 비롯됩니다.
생성형 AI는 코드 초안 생성, 코드 수정 및 리팩토링, 근본 원인 분석, 새로운 시스템 설계 생성 등의 활동을 지원하여 코딩 프로세스를 가속화하기 때문에, 소프트웨어 엔지니어링에서 필요한 기술과 능력은 코드 및 아키텍처 설계에 적용할 수 있습니다. Microsoft의 GitHub Copilot을 사용한 소프트웨어 개발자들은 사용하지 않은 사람들에 비해 작업을 56% 빨리 완료했다는 연구 결과도 있습니다.
4) 제품 연구/개발: 연구 및 설계 시간 단축, 시뮬레이션 및 테스트 개선
생명 과학 및 화학 산업에서는 생성형 AI의 파운데이션 모델을 제너레이티브 디자인(설계)으로 알려진 R&D에 적용하기 시작했습니다. 파운데이션 모델은 후보 분자를 생성하여 새로운 약물과 재료를 개발하는 프로세스를 가속화할 수 있습니다. Entos라는 생명공학 제약회사는 생성형 AI와 자동 합성 개발 도구를 결합하여 소분자 치료제를 설계하고 있습니다. 이러한 기술 원리는 대형 물리 제품 및 전기회로 등의 제품 설계에도 적용될 수 있습니다.
제너레이티브 디자인(설계) 기술은 이미 R&D에 AI를 적용할 수 있는 잠재력을 일부 열어놓았지만 "전통적인" 머신러닝 사용과 같이 비용 및 데이터 요구사항으로 인해 적용이 제한될 수 있습니다. 생성형 AI를 뒷받침하는 사전 훈련된 파운데이션 모델이나 미세 조정으로 향상된 모델은 단일 작업에 최적화된 기존 모델보다 훨씬 더 광범위한 응용 분야를 가지고 있습니다. 따라서, 시장 출시 시간을 단축하고 제너레이티브 디자인을 적용할 수 있는 제품 대상을 확장할 수 있으며, 후보 디자인의 신속한 생성 외에도 제너레이티브 디자인은 설계 자체도 개선할 수 있습니다. 그러나, 현재 파운데이션 모델은 모든 산업 분야의 제품 설계를 지원하기에는 부족한 상황입니다.
- 향상된 디자인: 생성형 AI는 재료를 더 효율적으로 선택하여 비용을 절감하는 데 도움이 됩니다. 또한, 제조를 위한 디자인을 최적화하여 물류 및 생산 비용을 줄일 수 있습니다. 예를 들어, 생성형 AI는 강화 학습을 통해 반도체 칩 디자인의 부품 배치(floorplanning)를 최적화하고, 제품 개발 주기를 몇 주에서 몇 시간으로 단축할 수 있습니다.
- 제품 테스트 및 품질 개선: 생성형 AI를 제너레이티브 디자인에 활용함으로써 더 높은 품질의 제품을 생산하고 시장 매력도를 높일 수 있습니다. 또한, 복잡한 시스템 테스트 시간을 줄이고, 시나리오 초안 작성 및 테스트 후보의 프로파일링 기능을 통해 고객 테스트와 관련된 Trial 단계를 효율화할 수 있습니다.
생성형 AI, 다양한 산업에 적용
생성형 AI는 의료에서 금융에 이르기까지 수많은 산업에 영향을 미치고 있으며, 광범위한 잠재적 사용 사례를 만들고 있습니다. 생성형 AI는 의료 영상분석 및 진단을 보조하고, 신약 및 치료법을 개발하며, 환자 데이터를 기반으로 개인화된 치료 계획을 세울 수도 있습니다. 또한, 금융 데이터 분석 및 시장에 대한 예측을 통해 새로운 금융 상품/서비스를 만드는 데 활용되거나, 청중 데이터를 분석하고 개인화된 콘텐츠를 생성할 수 있습니다. 교육에서는 대화형 학습 경험과 개인화된 커리큘럼 및 맞춤형 학습 자료를 생성할 수 있으며, 로봇 공학에서는 학습 및 환경 적응을 통해 복잡한 작업을 수행하고 인간과 자연스럽게 상호 작용할 수 있는 로봇을 만들 수 있습니다.
미디어 및 엔터테인먼트 업종은 2022년 매출 23억 달러로 가장 큰 매출 점유율인 22.7%를 차지했으며, 예측기간(2023~2030년) 동안 연평균 34.7%로 성장할 것으로 예상됩니다. 더 나은 광고 캠페인을 만들기 위해 생성형 AI의 채택이 증가할 것이며, 마케팅 측면에서는 특정 청중에 공감하는 개인화된 콘텐츠를 만들 수 있습니다. 미국의 인터넷 미디어 및 엔터테인먼트 기업인 BuzzFeed, Inc. 는 2023년 1월에 Open AI의 ChatGPT를 활용하여 퀴즈 응시자에게 맞춤형 결과를 제공하는 AI 기반 퀴즈를 만들 것이라고 밝혔습니다. 또한, 가상 창조의 인기가 증가하고 고화질 그래픽 및 실시간 가상세계에 대한 수요가 확대됨에 따라, 생성형 AI를 통한 비디오 게임 및 가상현실 체험과 같은 새로운 형태의 양방향 미디어를 만들 수 있습니다.
BFSI(금융) 업종은 예측기간(2023~2030년) 동안 연평균 성장률 38.1%로 가장 빠른 성장이 예상됩니다. 시장의 성장은 금융 서비스 분야에서 부정행위 방지, 데이터 보호, 다양한 이해관계자의 동적인 요구를 충족하기 위해 AI 및 기계학습(ML)의 도입이 증가하고 핀테크 부문에 대한 투자 및 고객 관계 관리가 확대되고 있기 때문입니다. 생성형 AI를 활용함으로써 은행은 위험 관리에 필수적인 보고서 작성, 규제 동향 모니터링, 데이터 수집 등의 작업을 자동화하여 운영 효율성을 향상할 수 있으며, 대량의 데이터를 분석하고 패턴과 이상을 식별함으로써 사기 행위를 더 효과적으로 감지하고 예방하는 데 도움을 줄 수 있습니다.
또한, 생성형 AI는 “프런트라인 가상 전문가” 개발을 지원합니다. Morgan Stanley는 GPT-4를 사용하여 수천 명의 자산 관리자들이 내부 지식에서 빠르게 답을 찾고 종합할 수 있도록 돕는 "AI 어시스턴트"를 개발하고 있습니다. 이는 검색과 콘텐츠 생성을 결합하여 자산 관리자가 어떤 고객, 어떤 순간에도 정보를 찾고 맞춤화할 수 있도록 합니다. 유럽의 한 은행은 생성형 AI를 활용하여 비정형 정보를 가진 문서에서 데이터를 합성 및 추출하는 "ESG 가상 전문가"를 개발했습니다. 이 모델은 프롬프트를 기반으로 복잡한 질문에 답하며, 각 답변의 출처를 식별하고 사진과 표에서 정보를 추출합니다.
맥킨지 조사에 따른 산업별 시장 전망 역시 유사합니다. 모든 산업 부문에 큰 영향을 미칠 것이나, 단기적으로는 일부 산업에서 더 효과적으로 활용할 것으로 예측합니다. 미디어 및 엔터테인먼트 산업은 생성형 AI를 활용하여 고유한 콘텐츠를 생성하고, 비디오 게임, 음악, 영화 스토리라인 및 뉴스 기사를 위한 새로운 콘텐츠 및 시각 효과 아이디어를 신속하게 개발함으로써 더욱 효율적일 수 있습니다.
하이테크 분야에서는 생성형 AI를 통해 소프트웨어 개발의 속도와 효율성을 매우 높일 것입니다. 또한, 제약 및 의료 산업에서는 약물 개발의 리드 식별 단계에서 파운데이션 모델을 통해 약물 대상에 특정 효과를 나타내는 화학 물질(분자)에 대한 초기 선별을 자동화하고, 시험 약물에 대한 새로운 표적(질병, 증상)의 식별과 우선순위 설정을 지원하는 등 연구 개발의 속도와 품질을 개선할 수 있습니다. 소매 및 소비재 산업에서는 고객 맞춤형 경험을 혁신할 수 있으며, 스티치 픽스(Stitch Fix) 경우 DALL·E를 적용하여 고객의 색상, 원단 및 스타일에 대한 선호도를 기반으로 의류를 시각화하고, 재고 중에서 유사한 제품을 찾아 매핑하여 고객의 쇼핑 경험을 개선했습니다.
주요 플레이어, AI 시대를 맞이하기 위한 총력전
전 세계 생성형 AI 시장은 Microsoft Corporation, Amazon Web Services, Google LLC, Adobe, Meta, D-ID, Genie AI Ltd., Synthesia, MOSTLY AI, Rephrase.ai, Samsung Electronics, IBM Corporation, Intel Corporation, Siemens, Salesforce, NVIDIA, SAP SE 및 SAS Institute와 같은 주요 플레이어들에 의해 주도되고 있습니다. 주요 기업들은 시장 침투력을 높이고 산업 내에서의 위치를 강화하기 위해 다양한 전략 채택 및 새로운 제품 개발과 협력에 주력하고 있습니다. 예를 들어, 2023년 4월 Microsoft는 미국의 의료 소프트웨어 기업인 Epic Systems와 협력하여 대형 언어 모델(LLM) 도구와 인공지능을 Epic의 전자 건강기록 소프트웨어에 통합하고, 의료 기업의 생산성 향상 및 행정적 부담을 지원하고 있습니다.
클라우드가 'AI 지원 플랫폼'으로 진화하면서 생성형 AI를 둘러싼 경쟁이 클라우드 등 글로벌 빅테크 기업으로 확대되고 있습니다. 마이크로소프트는 2023년 초 OpenAI에 100억 달러를 투자하고, 자체 검색 플랫폼인 빙(bing)에 ChatGPT(GPT-3.5 적용)를 접목해 챗봇형 검색을 유도하면서 구글 독주 체제인 글로벌 검색 시장에 도전장을 내밀었습니다. 또한, GPT-4 출시에 맞춰 'Azure OpenAI Service'에 ChatGPT 프리뷰를 추가하고, 여세를 몰아 Microsoft 365 Copilot을 공개했습니다. 대형 언어 모델(LLM)과 비즈니스 데이터, Microsoft 365 앱을 결합한다는데 의의가 있으며, 업무 생산성의 핵심인 오피스 365가 새롭게 진화하는 것입니다. 마이크로소프트는 Azure 기반으로 기업용 프라이빗 ChatGPT 구축을 위해 OpenAI와 협력하면서 점차 클라우드 시장의 점유율을 높일 것으로 예상됩니다.
구글 역시, 2023년 2월에 자체 초거대 언어 AI 모델인 ‘람다(LaMDA)’를 기반으로 대화형 AI인 '바드(Bard)'를 선보였습니다. 바드의 매개변수는 1,370억 개로 상당한 규모를 자랑했으나, 오답을 내놓으면서 당시 구글의 모회사인 알파벳의 주가는 7% 넘게 하락하기도 했습니다. 이후, '팜 2(PaLM2)' LLM 모델을 기반으로 고도화한 바드를 일반에 공개하며 GPT처럼 학습을 통해 AI 인프라를 키우는 전략을 내세우고 있습니다. 또한, 구글은 AI 챗봇 서비스인 '클로드 2(Claude)'를 출시한 엔스로픽(Anthropic)에 4억 달러를 투자하며, OpenAI의 창립 멤버들이 설립한 스타트업이라는 점에서 기회 요소를 찾고 있습니다.
아마존웹서비스는 2023년 6월, 고객의 생성형 AI 설루션 구축을 지원하는 ‘AWS 생성 AI 혁신 센터' 출시 및 1억 달러 투자를 통해 AI 관련 서비스 및 프로그램을 확대한다고 발표했습니다.
메타는 자체 언어 모델인 '라마(LLaMa)'를 블로그를 통해 오픈 소스로 공개했으며, 매개변수를 70억 개, 130억 개, 330억 개, 650억 개로 세분화하고, 상대적으로 작은 규모이지만 보다 전문적인 영역으로 서비스를 확대할 수 있다는 점을 강조하고 있습니다. 또한, 인스타그램과 모바일 메신저 왓츠앱, 페이스북 메신저에도 사람처럼 답하는 AI 챗봇을 탐재할 계획입니다.
메타버스 기술을 주도했던 엔비디아(Nvidia)는 기술 인프라를 바탕으로 생성형 AI에 드라이브를 걸고 있습니다. 엔비디아는 '엔비디아 AI 파운데이션'을 통해 GPU를 비롯한 컴퓨팅 자원과 여러 LLM, 파운데이션 모델을 활용할 수 있는 플랫폼을 클라우드 서비스 형태로 제공한다는 계획이며, 엔비디아가 제공하는 파운데이션 모델을 미세 조정하여 독자적인 LLM을 개발하거나 이 기술을 활용한 다양한 애플리케이션을 만들 수 있습니다. 즉, 자체 파운데이션 모델을 개발할 기술력과 시간이 부족한 기업들에게 인프라를 제공할 수 있습니다. 현재 사용 가능한 주요 파운데이션 모델은 엔비디아의 대화형 AI 모델 ‘네모(NeMo)’, 이미지 생성 모델 ‘피카소(Picasso)’, 바이오 분야에 특화된 ‘바이오네모(BioNeMo)’ 세 가지입니다.
어도비(Adobe) 역시 엔비디아와의 협력을 바탕으로 출사표를 던졌습니다. 창작자를 위한 생성형 AI 애플리케이션 ‘파이어플라이(Firefly)’가 대표적이며 엔비디아의 피카소를 통해 출시된다는 설명입니다. 파이어플라이를 사용하면, 어도비의 이미지 편집 도구 안에서 텍스트로 이미지를 쉽게 만들어 내거나, 동영상 편집 도구 프리미어 프로에서 간편하게 생성 이미지를 활용한 영상을 만들어 낼 수 있습니다.
국내 ICT 기업 역시 생성형 AI 시장의 경쟁에 뛰어들었습니다. 먼저 네이버는 자체 개발한 대형 언어 모델인 '하이퍼크로버(HyperCLOVA)'를 통해 한국 시장에서의 자신감을 내비쳤으며, OpenAI의 ChatGPT보다 많은 한국어 데이터를 기반으로 특화 서비스가 가능한 만큼 국내 기업과의 협력 계획도 발표했습니다. GPT-4 대항마로 작은 양의 데이터 결합에도 목적에 맞춰 생산성을 높일 수 있는 모델인 '하이퍼크로버 X'를 2023년 8월에 공개할 예정이며, 검색·쇼핑·로컬·광고 등 네이버가 제공하는 모든 버티컬 서비스와 결합해 시너지를 낼 전망입니다.
카카오는 GPT-3에 접목된 기술을 참고해 자체 개발한 언어 모델인 'Ko-GPT'와 이미지 생성 모델인 'Karlo' 보유하고 있습니다. 최근 학습량을 기존 대비 2배 이상 늘린 'Karlo'2.0'을 공개했는데, 사용자 명령을 보다 잘 이해하고 높은 해상도의 그림을 3초 만에 생성할 수 있습니다. 카카오는 연구개발 자회사인 카카오브레인을 통해 언어 모델을 고도화하고 한국어에 특화된 ‘Ko-GPT 2.0’의 연내 출시를 계획하고 있습니다.
LG는 2023년 7월에 AI 연구원 중심으로 개발된 생성형 AI 모델인 '엑스원(EXAONE) 2.0'을 공개했으며, 이는 전문가가 사용할 수 있는 멀티 모달 AI로 범용적인 서비스 제공보다는 연구원·개발자를 돕기 위한 기능을 갖췄다고 밝혔습니다. 2021년 출시한 엑사원의 학습 데이터를 4배 높여 성능을 끌어올리고, 파트너십을 통해 확보한 특허·논문 등 약 4,500만 건의 전문 문헌과 3억 5,000만 장의 이미지를 학습했습니다. 엑사원 2.0 모델은 파라미터 크기를 세분화하여, 고객사의 요청에 따라 적합한 모델을 적용, 최적화할 예정이며, 전문가를 위한 대화형 AI 플랫폼 '유니버스(Universe)', 소재·신물질·신약 관련 탐색에 적합한 AI 플랫폼 '디스커버리(Discovery'), 이미지를 언어로 표현하고, 언어를 이미지로 시각화할 수 있는 멀티 모달 AI 플랫폼 '아틀리에(Atelier)' 플랫폼을 소개했습니다.
KT는 이르면 2023년 3분기 내 생성형 AI 모델 ‘믿음(MIDEUM)’을 출시할 계획이며, 인프라 구축부터 응용 서비스까지를 모두 지원하는 AI 풀 스택을 강조하고 있습니다.
삼성SDS는삼성 SDS는 삼성전자의 자체 생성형 AI를 함께 개발하고 있으며, 기업에 특화된 고객 가치 기반의 생성형 AI 플랫폼 서비스를 연내 출시할 예정입니다. 삼성 SDS는 빅데이터 분석 및 업무 자동화 도구 등 AI 플랫폼을 통해 내부 자산의 외부 유출 없이 업무에 활용하는 기술을 이미 보유하고, MSP 경험으로 축적된 업종 전문 지식과 삼성 클라우드 플랫폼(SCP)을 기반으로 높은 보안성을 보장할 수 있는 생성형 AI 서비스를 준비하고 있습니다.
LG CNS는 지난 4월, 한국 마이크로소프트와 ‘Azure OpenAI Service’ 사업을 위한 새로운 협력 방안에 합의하고, ChatGPT 기반 신규 서비스 개발에 나설 예정이며,
SK C&C는 2023년 3월 네이버클라우드와 ‘초거대 AI 기반 B2B 사업 확장 협력 MOU’ 체결 이후 금융을 시작으로 공공 및 엔터프라이즈 전반에 걸쳐 초거대 AI 서비스 개발∙확산에 나서고 있습니다.
이렇게 국내 IT 서비스 3사는 기업이 ChatGPT와 같은 생성형 AI를 사용할 경우 학습을 위해 기업 데이터를 활용할 가능성이 높기 때문에, 데이터 유출 걱정 없는 "기업용 생성형 AI 서비스" 개발에 공을 들이고 있습니다.
글을 마치며…
수년간의 팬데믹과 공급망 쇼크, 국가 간의 분쟁, 전 세계 인플레이션과 같은 글로벌 위기가 해마다 이어지고 있지만, 기업들은 인공지능과 자동화 이니셔티브를 통해 비즈니스 생존력을 확보하고 앞으로의 위기에 대처하려고 하고 있습니다. 이러한 측면에서, 생성형 AI(Generative AI) 시장은 새로운 모델과 애플리케이션 개발을 위한 투자가 증가하면서 급속한 성장을 경험하고 있으며, 벤처 자본가들은 생성형 AI 관련 신생 기업에 투자를 서두르고 있습니다. 글로벌 AI 투자는 2021년 935억 달러로 급증했으며, 2028년까지 4,223억 7천만 달러에 이를 것으로 예상하고 있습니다. 파이낸셜 타임스에 따르면, 생성형 AI 분야에 2020년 이후 425% 증가하여 2022년에 이미 20억 달러 이상이 투자되었습니다.
그러나, 생성형 AI는 여전히 초기 시장입니다. 앞으로 수많은 애플리케이션이 등장하고, 앞서 설명한 생성형 AI 가치사슬의 레이어별로 세분화되어 발전할 것입니다. 많은 해외 투자자들과 매체들이 생성형 AI가 인터넷과 모바일에 이어 14년 주기로 찾아오는 새로운 인터페이스 혁명이라고 이야기하고 있듯이, 인간과 AI의 인터렉션 수준을 새로운 방식으로 향상하고, 지식 업무나 창작 업무에 있어 획기적인 생산성 향상을 가져다줄 것입니다. 이러한 이점을 바탕으로 생성형 AI 시대가 본격적으로 열린다면 어떻게 될까요? 딜로이트가 공개한 ‘테크 트렌드 2023’에 따르면, AI 전략을 수립한 기업은 전략이 없는 기업보다 목표를 달성할 확률이 1.7배나 높다고 합니다. 이렇게 AI가 일상화되는 상황에서 AI에 대한 올바른 활용법을 찾는 것은 중요합니다. 가장 중요한 포인트는 "AI 모델을 얼마나 잘 만드는가"가 아니라, "AI를 얼마나 효율적으로 활용하는가"로 볼 수 있습니다.
생성형 AI 기술과 이를 지원하는 생태계는 아직 발전 중이지만, 이미 모델을 활용하는 애플리케이션이 가장 중요한 가치 창출을 제공한다는 것은 명백합니다. 한국에서는 네이버, LG, KT 등 대기업 위주로 생성형 AI 모델의 개발 경쟁이 이루어지고 있으나, 모든 기업과 연구소가 OpenAI 수준의 리소스를 투입해 모델을 개발할 필요는 없습니다. 또한, 앞으로 ChatGPT와 같이 범용적인 AI 모델 개발사에서 만들어낸 애플리케이션은 아이폰의 메신저나 노트, 건강 앱 등 기본 앱처럼 제공될 것으로 예상되지만 단기간에 특화되는 것은 아닙니다. 이러한 상황에서 기업들은 무엇을 준비해야 할까요? 기업은 각 영역에서 다양한 파운데이션 모델들을 종합적으로 활용하여 자신의 애플리케이션을 잘 구축하고, 이를 활용하면서 고객 데이터와 같은 기업 고유의 독점적인 데이터를 모아 파운데이션 모델을 파인 튜닝(Fine-tunning)하여 기업 특화된 모델(Hyper-Local AI Models)을 만들어 나가면서 경쟁력을 갖춰나가야 합니다. 이러한 기업만이 AI 시대에 가장 큰 차별화와 경쟁 우위를 기대할 수 있을 것입니다.
'say와 AI 챗봇친구 만들기 보고서' 카테고리의 다른 글
| YOLO Object Detection, 객체인식 - 개념, 원리, 주목해야 할 이유, Use Case (1) | 2023.10.19 |
|---|---|
| 보안 AI 인공지능, 활용 사례와 적용 기술 (1) | 2023.10.19 |
| 챗GPT가 메신저가 되고, 메타가 이모티콘 공짜로 만들어 주면 ‘카카오의 운명은’? (강정수 박사) (1) | 2023.10.18 |
| [스타트업 IP] 당신의 아이디어, 지식재산(IP)의 가치는 얼마일까? (1) | 2023.10.18 |
| TBWA 디지털 마케팅] 슬러그(Slug) 란? – 워드프레스에서 최적화하기 (2) | 2023.10.17 |
