Azure OpenAI Service
다양한 사용 사례에 대규모 언어 모델 및 생성 AI를 적용합니다.
현재 Azure OpenAI Service를 통해 ChatGPT을 사용할 수 있습니다. 자세히 알아보기
인공 지능이란?
광의의 AI(인공 지능)란 기계 또는 시스템에서 표시하는 인간과 같은 모든 행동을 의미합니다. AI의 기본 형식에서 컴퓨터는 과거의 유사한 행동 사례를 통해 얻은 광범위한 데이터를 사용하여 인간의 행동을 ‘모방’하도록 프로그래밍됩니다. 고양이와 새의 차이를 인식하는 것부터 제조 시설에서 복잡한 활동을 수행하는 것에 이르기까지 다양합니다.
인공 지능 자세히 알아보기
딥 러닝, 전략적 사고 또는 다른 종류의 AI에서 사용 기반은 응답 시간이 매우 빨라야 하는 상황에 있습니다. AI를 활용하면 기계의 효율이 높아지고 많은 양의 데이터를 눈 깜작할 사이에 분석하여 지도형 학습, 비지도형 학습, 강화 학습 등을 통해 문제를 해결할 수 있습니다.
AI 초기 상황
초기 형태의 AI는 컴퓨터가 인간을 상대로 체스와 같은 게임을 하도록 지원하는 것이었지만, 이제 AI는 우리 일상 생활의 일부가 되었습니다. 품질 관리, 동영상 분석, 음성 문자 변환(자연어 처리), 자율 주행뿐 아니라 의료, 제조, 금융 서비스, 엔터테인먼트 분야의 솔루션에서도 AI 솔루션을 사용합니다.
엣지에서의 AI
HPE는 엣지에서 데이터를 활용하고 인사이트를 확보함으로써 AI의 새로운 개척 분야를 선도합니다. 데이터의 가치를 더 빨리 실현하고 혁신, 성장, 성공을 위해 제한 없이 기회를 활용하는 데 도움이 되도록 자동화, 예측, 제어를 위한 실시간 분석 AI로 성공을 지원합니다.
인공 지능의 역사 요약
1949년 전에 컴퓨터는 명령을 수행할 수 있었지만 명령을 저장하지 못했기 때문에 수행한 내용을 기억할 수 없었습니다. 1950년 Alan Turing은 논문 “Computing Machinery and Intelligence”에서 지능형 시스템을 구축하고 지능을 테스트하는 방법을 설명했습니다. 5년 후 DSPRAI(Dartmouth Summer Research Project on Artificial Intelligence)에서 첫 번째 AI 프로그램이 발표되었습니다. 이 이벤트는 이후 수십 년 동안 AI 연구를 촉진하는 역할을 했습니다.
컴퓨터는 1957~1974년 사이에 속도, 가격, 접근성이 향상되었습니다. 기계 학습 알고리즘이 개선되고 1970년 DSPRAI의 호스트 중 한 명이 Life Magazine과의 인터뷰에서 앞으로 3~8년 후 평균적인 인간의 일반적인 지능을 갖춘 시스템이 등장할 것이라고 밝혔습니다. 컴퓨터의 성공에도 불구하고 정보를 효율적으로 저장하고 신속하게 처리할 수 없기 때문에 다음 10년간 인공 지능을 추진하는 데 장애가 되었습니다.
AI는 1980년대 알고리즘 툴킷과 전용 자금이 확대되어 다시 등장했습니다. John Hopefield와 David Rumelhart는 컴퓨터가 경험을 통해 학습하는 ‘딥 러닝’ 기술을 소개했습니다. Edward Feigenbaum은 인간의 의사 결정을 모방하는 ‘전문가 시스템’을 소개했습니다. 정부 자금과 대중의 인지도가 부족했음에도 AI는 이후 20년 동안 성공하고 관련된 여러 주요 목표를 달성했습니다. 1997년 체스 세계 챔피언이자 그랜드마스터인 Gary Kasparov는 IBM의 체스 컴퓨터 프로그램인 Deep Blue에 패했습니다. 같은 해 Dragon Systems에서 개발한 음성 인식 소프트웨어가 Windows에 구현되었습니다. 또한 Cynthia Breazeal은 감정을 인식하고 표현할 수 있는 로봇 Kismet을 개발했습니다.
2016년 Google의 AlphaGo 프로그램은 이세돌 프로 바둑 기사를 상대로 승리했으며, 2017년 포커하는 슈퍼컴퓨터 Libratus는 인간 챔피언들을 상대로 승리했습니다.
인공 지능 유형
인공 지능은 크게 두 가지 카테고리로 분류합니다. 기능에 기반한 AI와 역량에 기반한 AI입니다.
기능 기반
- Reactive Machine – 이 AI는 메모리 성능이 없으며 과거 행동을 통해 학습하는 능력이 없습니다. IBM의 Deep Blue는 이 카테고리에 속합니다.
- Limited Theory – 메모리가 추가된 이 AI는 과거 정보를 활용하여 더 나은 결정을 합니다. GPS 위치 앱과 같은 애플리케이션이 이 카테고리에 속합니다.
- Theory of Mind – 이 AI는 인간의 사고를 깊이 있게 이해하는 것을 목표로 지금도 개발 중입니다.
- Self-Aware AI – 인간의 감정을 이해하고 감정을 불러일으키며 자체 감정도 보유한 AI는 아직 가설 단계입니다.
역량 기반
- ANI(Artificial Narrow Intelligence) – 좁게 정의되어 프로그래밍된 작업을 수행하는 시스템입니다. 이 AI는 반응형 메모리와 제한된 메모리를 함께 사용합니다. 현재 AI 애플리케이션 대부분은 이 카테고리에 속합니다.
- AGI(Artificial General Intelligence) – 이 AI는 인간처럼 교육, 학습, 이해, 수행하는 것이 가능합니다.
- ASI(Artificial Super Intelligence) – 이 AI는 우수한 데이터 처리, 메모리, 의사 결정 능력 등으로 인간보다 작업 수행 능력이 뛰어납니다. 현재 존재하는 실제 사례는 없습니다.
AI와 기계 학습, 딥 러닝 사이의 관계
인공 지능은 기계에서 인간의 지능을 시뮬레이션하는 컴퓨터 과학의 한 분야입니다. AI 시스템은 기계 학습, 딥 러닝 과 같은 기술을 사용하여 알고리즘을 바탕으로 ‘지능적’인 행동을 보여줍니다.
기계 학습
컴퓨터는 소프트웨어가 이전의 결과 내용을 바탕으로 향후 전개될 시나리오를 성공적으로 예측하고 이에 대응하면서 ‘학습’합니다. 기계 학습은 컴퓨터가 패턴 인식 작업을 개발하는 프로세스 또는 특정 프로그래밍 없이도 컴퓨터가 지속적으로 학습하고 데이터를 기반으로 예측하여 필요한 작업을 수행하는 능력을 의미합니다. 인공 지능의 한 형태인 기계 학습은 분석 모델 빌딩 프로세스를 효과적으로 자동화하고 시스템이 독립적으로 새로운 시나리오에 적응할 수 있도록 합니다.
기계 학습 모델을 구축하는 4단계는 다음과 같습니다.
1. 문제 해결에 필요한 교육 데이터 세트를 선택하고 준비합니다. 이 데이터는 라벨이 있거나 없을 수 있습니다.
2. 교육 데이터에서 실행할 알고리즘을 선택합니다.
- 데이터에 라벨이 있는 경우 알고리즘은 회귀, 의사 결정 나무 또는 인스턴스 기반일 수 있습니다.
- 데이터에 라벨이 없는 경우 알고리즘은 클러스터링 알고리즘, 연합 알고리즘 또는 신경망일 수 있습니다.
3. 알고리즘 교육을 통해 모델을 구축합니다.
4. 모델을 사용하고 개선합니다.
기계 학습의 세 가지 방법은 다음과 같습니다. ‘지도형’ 학습은 라벨 데이터를 사용하며 교육이 더 적게 필요합니다. ‘비지도형’ 학습은 패턴과 관계를 식별하여 라벨 없는 데이터를 분류하는 데 사용됩니다. ‘준지도형’ 학습은 소규모 라벨 데이터 세트를 사용하여 더 큰 규모의 라벨 없는 데이터 세트의 분류를 안내합니다.
딥 러닝
딥 러닝은 기계 학습의 하위 집합으로, 기존의 일부 기계 학습 방식보다 월등히 뛰어난 성능을 보였습니다. 딥 러닝은 인간의 뇌 활동에 대한 HPE의 연구 내용에서 영감을 받은 다중 계층 인공 신경망과 데이터 및 컴퓨팅 집약적 트레이닝 방식을 결합합니다. 이 방식은 점차 우수한 능력을 나타내며 이미지 및 언어 인식과 자연 언어 프로세싱 등의 다양한 영역에서 인간의 능력을 넘어서기 시작했습니다.
딥 러닝 모델은 많은 양의 데이터를 처리하며, 일반적으로 비지도형 또는 준지도형입니다.
최신 AI 애플리케이션으로 데이터를 통해 효율성을 높이고 경쟁 우위 확보
수백 년간의 이론화, 수십 년간의 연구, 수년간의 광고 이후 인공 지능은 마침내 엔터프라이즈로 진출했으며 이제 보편적인 기능이 될 것입니다. 최근 업계 설문 조사에서 응답자의 50%는 AI 이니셔티브를 구축했거나 개념 증명 단계에 있거나 내년 안으로 구축할 계획이 있다고 답했습니다.1
엔터프라이즈 AI의 속도가 점점 더 빨라지는 이유
알고리즘 분야의 최신 발전, 디지털 데이터 세트의 확산, 컴퓨팅의 발달(처리 능력 향상과 가격 하락 포함)이 엔터프라이즈를 지원하는 새로운 AI 기술을 육성하고 있습니다. 거의 모든 조직은 데이터 자산이 끊임없이 증가하고 있으며, AI는 이러한 리소스를 적절한 규모로 분석할 수단을 제공합니다.
또한 AI는 디지털 트랜스포메이션 절차에서 엔터프라이즈의 핵심 요소가 됩니다. AI는 다양한 용도의 기술로서 고객 서비스 운영과 물리적 시스템 및 사이버 보안 시스템부터 R&D 기능과 비즈니스 분석 절차에 이르기까지 거의 모든 비즈니스 프로세스에서 효율성 및 인사이트 강화 효과를 제공합니다.
AI 관련 최신 애플리케이션
AI는 정답의 형태를 정의할 수 있지만 그 정보를 얻는 방법을 정의할 수 없을 때 데이터에서 의미를 추출할 수 있는 고유한 기능을 가지고 있습니다. AI는 인간의 능력을 증폭하고 기하급수적으로 증가하는 데이터를 인사이트, 행동, 가치로 전환할 수 있습니다.
오늘날 AI는 의료, 제조, 정부를 포함한 산업 분야 전반의 다양한 애플리케이션에서 사용됩니다. 몇 가지 사용 사례는 다음과 같습니다.
- 예방적 유지관리 및 품질 제어로 IT/OT용 개방형 프레임워크를 통해 생산, 제조, 소매업을 개선합니다. 통합 솔루션은 최상의 유지관리 결정을 제시하고, 엔터프라이즈 AI 기반 컴퓨터 비전 기술을 구현하여 품질 제어 절차를 개선합니다.
- 음성 및 언어 처리는 구조화되지 않은 오디오 데이터를 인사이트와 인텔리전스로 전환합니다. 자연어 처리, 음성 문자 변환 분석, 생체 검색 또는 실시간 통화 모니터링을 적용하여 기계의 구어체 및 문어체 이해도를 자동화합니다.
- 동영상 분석 및 감시는 동영상을 자동으로 분석하여 이벤트를 감지하고, ID/환경/사람을 식별하고, 운영 인사이트를 확보합니다. 광범위한 워크로드 및 운영 조건에서 엣지 투 코어 동영상 분석 시스템을 사용합니다.
- 고도의 자율 주행 은 스케일아웃 데이터 처리 플랫폼을 바탕으로 구축되어 개발자가 오픈 소스 서비스, 기계 학습, 딥 러닝 신경망에 맞게 조정된 최적의 HAD(고도의 자율 주행) 솔루션을 구축하도록 지원합니다.
적절한 AI 파트너를 찾는 가치
엔터프라이즈 AI 여정 계획에서 중요한 부분 중 하나는 조직의 AI 여정 단계를 이해하고, 단기 및 장기 목표 달성에 필요한 방향으로 지원할 수 있는 파트너를 찾는 것입니다.
적절한 파트너는 엔터프라이즈 전반에서 데이터의 가치를 활용하여 비즈니스 전환과 성장을 촉진하는 데 도움이 됩니다. 다음 내용을 지원하는 파트너를 찾아보십시오.
- 복잡성을 줄이고 기존 인프라와의 통합을 지원하는 엔드 투 엔드 솔루션
- 자문 및 전문가 서비스
- 팀 위치, 액세스 요구 사항, 보안, 비용 제약 등을 고려한 온프레미스, 클라우드 및 하이브리드 운영
- 현재 및 향후 필요에 따라 확장 가능한 시스템
- 업계별 솔루션을 확보하고 지식을 갖춘 파트너 에코시스템
규모와 상관없이 온디맨드 인사이트를 제공하는 HPE AI
비즈니스를 전환하려면 사전 제어, 유지보수 예측, 자율 처리, 게임의 규칙을 바꾸는 인사이트 등을 위한 실시간 분석 AI가 필요합니다. 인텔리전트 엣지의 AI를 통해 기업은 데이터의 가치를 더 빨리 실현하고, 혁신과 성장을 위한 기회를 제한 없이 확보할 수 있습니다.
HPE는 조직과 함께 AI의 새로운 개척 분야에서 데이터의 성능을 완전히 활용하는 동시에 엣지에서 필요한 시기, 장소, 방법에 따라 인사이트를 활용합니다.
AI에서 HPE를 선택해야 하는 이유
AI 파트너로 HPE를 통해 고객은 다음을 활용할 수 있습니다.
AI 기술 리더십과 혁신
HPE의 성과 기반 솔루션은 AI용으로 구축되고, 인텔리전트 엣지에 적합하게 특수 목적으로 설계되었습니다.
- 다양한 HPE 하드웨어 및 소프트웨어
- HPE Ezmeral 소프트웨어 포트폴리오(컨테이너 오케스트레이션, 데이터 관리, 데이터 패브릭용)
- Aruba Edge Services Platform
AI 전문 지식
깊이 있는 전문 지식과 검증된 경험을 바탕으로 구축된 서비스 및 구축 모델은 다음과 같습니다.
- HPE Pointnext 자문 및 운영 서비스
- HPE Financial Services 옵션
- HPE GreenLake 구축 및 소비 모델
- 엣지에서의 AI 여정을 시작하는 데 도움이 되는 HPE IoT 전환 워크샵AI 경쟁 우위
HPE의 강점으로 다음과 같은 고객의 비즈니스 이점이 증가합니다.
- 자동화, 예측, 제어에 실시간 분석을 활용하는 엣지에서의 생활
- 엣지 적용으로 새로운 가치, 비즈니스 기회, 모델, 고객 경험 창출
- IT 및 OT(운영 기술) 파트너십으로 효율성이 향상되어 인사이트 확보 시간 단축
여러 산업 분야를 아우르는 HPE AI
HPE AI는 모든 산업 분야의 기업이 특수 목적의 기술로 엣지 인사이트를 활용하는 데 도움이 됩니다. 조직은 연결성, 자율성, 대량 데이터 관리, 시간에 민감한 이벤트 등에 엣지에서의 AI를 지원합니다. 병원과 실험실, 창고부터 엔터프라이즈까지 사용 사례에 NLP(자연어 처리), 동영상 분석, QA(품질 보증), 감시, 보안뿐 아니라 고객의 감정도 포함됩니다.
의료 및 생명 과학 분야의 조직은 HPE AI를 활용하여 의료 인사이트를 확보하고 엣지에서 새로운 수준의 치료를 제공합니다. 사용 사례는 웨어러블 상태 모니터링 및 맞춤형 의료부터 의약 및 연결된 의료 서비스에 이르기까지 다양합니다. 또한 엣지에서 AI는 의료 연구 및 과학 분야의 혁신을 위한 분산형 검색 및 기타 애플리케이션의 SWARM 학습에서도 사용됩니다.
제조업에서 HPE AI는 엣지에서의 생산성과 OEE(전체 장비 효율)를 높이는 데 도움이 됩니다. 사용 사례에 지능형 운영, 자산 예측 분석, 공급망 내 절차, AI 시뮬레이션 등이 포함됩니다.
대규모 AI 모델로 앱 강화
언어 및 코드에 대한 이해가 깊은 대규모의 생성형 AI 모델을 이용하여 최첨단 애플리케이션을 빌드하는 데 필요한 새로운 추론 및 이해 기능을 사용할 수 있습니다. 이러한 코딩 및 언어 모델을 쓰기 지원, 코드 생성 및 데이터 추론과 같은 다양한 사용 사례에 적용합니다. 기본 제공 책임 있는 AI로 유해한 사용을 탐지 및 완화하고 엔터프라이즈급 Azure 보안에 액세스합니다.
인공지능의 정의
사전적 정의 : 인간의 학습, 추론, 지각 능력 및 자연언어의 이해 능력을 컴퓨터 프로그램으로 실현한 기술
공학적 정의 : 인간의 일 (task)을 대신 해주거나 효율을 높일 수 있는 모든 형태의 컴퓨터 프로그램 또는 알고리즘, 시스템 등.
- 사전적 의미의 인공지능은 그 범위가 매우 넓다. 반드시 인간의 능력을 모사한 능력이 아니라 자연 현상이나 동/식물의 능력 또한 인공지능에 포함 될 수 있다.
- 2016년에 DEEPMIND[1]에서 개발한 바둑을 두는 컴퓨터 프로그램 알파고는 사람보다 바둑을 더 잘 둘 수 있게 개발된 인공지능이다.
- 운전을 사람 대신 해주는 자율주행 (Autonomous Driving) 기술 이나 자료분석을 사람 대신 해주고, 원하는 정보를 스스로 검색하는 ChatGPT[2] 또한 오늘날 우리가 활용하는 인공지능 기술의 좋은 예시이다.
- 그러나, 이러한 고도의 지각, 추론, 예측이 가능한 기술들만이 인공지능인 것은 아니다.
- 인터넷 브라우저에서 자료를 검색하는 브라우징 기술이나, 내 컴퓨터에 저장해둔 자료를 탐색하는 기능 또한 인공지능 이라고 할 수 있다.
"핵심은 내가 할일을 도와주는가, 혹은 대신해주는가, 또는 내가 못하는 일까지 척척해주는가"
우리가 인공지능을 연구하는 이유는...
무언가를 구현하기 위해 (공학의 발전)
- 자율주행 자동차, 바둑두는 인공지능 알파고, 대화형 언어모델 ChatGPT, 병 진단 시스템 등 우리의 일상 생활을 효율화 하고 삶의 질을 높이는 응용 기술들을 구현하기 위해 인공지능을 개발/연구한다.
- 인공지능 또한 공학 (Engineering)의 범주 아래 있는 학문이므로 결국은 인간의 삶의 질 향상을 위한 학문이다.
무언가를 해명하거나 밝혀내기 위해 (자연과학의 발전)
- 자연과학 (물리학, 화학, 천문학, 지구과학, 생물학 등)에서 아직 밝혀지지 않은 이론이나 가정에 대해 밝혀 내기 위해 인공지능을 도구로 활용 할 수 있다.
- 신약개발, 생명체 유전자 이해, 지구/우주의 이해 등
"언젠가는 인문학이나 사회과학도 인공지능의 영향을 크게 받지 않을까?"
인공지능 역사 요약
인공지능의 시작: 1956년 다트머스 학술회의
해당 학술회의에서 인공지능이라는 분야를 공식적으로 확립하였다. 미국의 다트머스 대학에서 개최 되었으며 마빈 민스키, 클로드 섀넌등 위대한 학자들이 다수 참석 하였다.
1950~1970: 단순 기호 처리의 시대
단순한 기호처리를 통해 다양한 추론 모델들이 발전하기 시작한다. 그러나 당시 컴퓨팅을 위한 자원이나 환경이 좋지 않아, 인공지능으로 해결 할 수 있는 범위가 넓지 않았다. 주어진 기호나 데이터를 정제하고 다룰 수 있었으나, 조금 더 복잡하거나 예외상황들에 대해 대처가 어려운 "프레임 문제"를 해결 하지 못하였다.
프레임문제 : 유한한 정보처리능력을 지닌 로봇이 현실에서 일어날 수 있는 모든 문제에 대해 대처하지 못하는 문제를 말한다. (출처 wiki)
1970~1990: 데이터와 기록을 분석하기 시작하다
다양한 기계학습 (Machine learning) 이론들이 등장한 시기이자, 전문가 시스템과 같은 복잡한 시스템이 등장한 시기이다. 수많은 데이터와 기록을 바탕으로 현재 혹은 미래의 상태를 예측할 수 있는 머신 들이 학습되기 시작한다. 그러나 여전히 예상치 못한 상황에 대해서는 당시 인공지능 모델들이 한계가 있었다. 예를들어 단층인공신경망의 경우, 단순한 XOR 문제 조차 해결 할수 없는 한계가 있었다.
1990~2010: 높아진 연산력을 바탕으로 수학적, 통계적 방법론을 적용하다
90년대 이후부터는 연산 장치와 같은 직접 회로의 성능이 비약적으로 발전하였다. 이시기에는 형편이 조금 넉넉한 가정에서는 개인용 컴퓨터 (PC)까지 들일 수 있었다. 이렇듯 90년대부터는 과거에 이론적인 배경은 있었으나, 도저히 연산이 불가능한 기계학습이 실현 될 수 있었다. 수학적, 통계적 이론을 바탕으로 최적화 및 기계학습의 이론 또한 급격하게 발전한 시기이다. 2010년 이후에는 실제로 인공지능 기술들이 산업에 응용 되거나, 심심치 않게 일상 생활에서 인공지능 기술들을 접할수 있었다.
2010~: 기술의 특이점으로의 여정
현재 이 문서를 작성하고 있는 2023년 기준, 인공지능은 우리 일상 생활에서 매우 쉽게 접할 수 있다. 나는 특히 "딥러닝" 기술의 발전이 인공지능 산업에 가장 큰 영향을 미치지 않았나 생각한다. 물론 딥러닝이라는 기술의 이론적 배경은 이미 1960대에 있었다. 다만 오늘날 같이 그것을 학습할 충분한 양의 데이터와, 그것을 연산한 충분한 스팩의 하드웨어가 없었기 때문에 이제서야 딥러닝 기술이 비약적으로 발전했다고 생각한다. 뿐만 아니라, 이러한 기술은 돈이 된다. 인간의 일들을 대신해주거나, 혹은 인간보다 특정 임무에 대해서는 더욱 잘하게 되었으며 사람들은 돈을 주고 기술을 사기 시작했다.
외람된 이야기지만 무어의 법칙을 이야기한 인텔의 창립자 고든 무어는 얼마전에 별세 하셨다. [23년 3월 24일 (향년 94세)] 그의 이론에 따르면, 대부분의 집적회로의 수는 1~2년 마다 약 2배씩 증가한다. 실제로 약 10년 사이에 MICRO SD의 용량이 1000배 (약 210) 상승하였으니, 신뢰성이 있는 이론이다.무어의 법칙과 마찬가지로 인공지능 기술의 발전또한 하드웨어의 성장과 함께 매년 크게 발전하고 있을것이다. 최근 기업에서는 인공지능 학습용도로 출시하는 인공지능 반도체 (AI chip)의 개발에 열을 올리고 있다. 또한 회로에 흐르는 전기적 신호를 통해 연산하는 방식이 아닌 "양자이론"을 적용한 완전히 새로운 형태의 양자 컴퓨터 (Quantum computer)의 개발이 한창이다.
기술의 발전은 매우 놀랍고 빠르다. 언젠가는 인류의 모든 지식을 더한것보다 뛰어난 "인공지능"이 나타나는 기술의 특이점이 오지 않을까? 그 시기가 온다면, 우리는 어떻게 그들과 더불어 살아야 할까? 그 시기가 도래한다면, 과학기술보다는 인문학이 더 필요해지지 않을까 생각해본다.
지능이란 무엇일까?
인공지능을 공부하기 전에 사실 "지능" 이라는것부터 이해해야 한다. 그러나 생명체의 지능을 우리는 완벽하게 이해하거나 정의하기 어렵다. 그만큼 생명체의 지능에 대해서는 아직 밝혀야될 사실들이 많다. 우리는 보통 생명체의 지능이 '뇌'라는 기관에서 발현된다고 오해하기 쉽지만 무조건 "지능 = 뇌"라고 할 수는 없다.
"돌덩이와 같은 무기체가 아닌 생명활동을 하는 "유기체"는 생명활동을 위한 최소한의 지능이 있다."
비록 그들이 세포가 하나인 단세포생물이든, 세포가 몇개뿐인 다세포 생물이든, 우리와 같이 30조개 이상의 세포로 구성된 인간이든 모두 생명 유지를 위한 활동을 수행한다. 지능의 수준 차이는 있을 수 있으나 생명 유지를 위해서는 최소한의 지능이 반드시 필요하다. 뇌라는 고등한 중추신경 기관이 없는 작은 생명체들도 1. 먹이를 찾고, 2. 이동하여, 3. 소화/배설 한다.
위 그림(좌)은 박테리아를 먹는 백혈구 영상이다. 우리 혈액을 구성하는 백혈구는, 주인인 내가 일일이 명령하지 않더라도, 알아서 내 생명활동에 유해한 외부 침입 세균들을 먹어치운다. 아주 똑똑한 친구다.
예쁜 꼬마 선충은 다세포 생명체인데 (위 그림(우)), 물속에서 헤엄도 치고 입도 있고 항문도 있다. 이렇게 작은 생명체가 먹이를 찾아 헤엄치고, 막다른 길에서는 길을 돌아가기도 한다. 참으로 놀랍다.
그러나 세포나 다세포 생물체는 높은 지능은 없다. 다시 말해, 지능은 있지만, 사고(思考) 할 수 없다. 높은 수준의 지능을 위해서는 보다 복잡한 구조 (ex 뇌) 가 필요하며 다양한 감각 기관 (시각, 청각, 후각, 촉각, 미각) 으로 부터 받은 외부 자극들이 필요하다. 나는 뇌과학자나 생명과학자가 아니므로, 짧은 식견때문에 지능에 대한 논의는 여기까지만 하겠다.
인공지능과 윤리
다세포 생명체는 예쁜 꼬마 선충에 대해 조금더 알아보자. 길이 1mm의 아주 작은 선충인데 그다지 예쁘게 생기진 않았다. 1986년에 존 화이트라는 박사는 이 꼬마선충의 단면을 현미경 촬영하고 조합해서 신경 다발의 연결 구조 (커넥텀)을 완벽하게 파악했다.
다시말해 이 다세포 생명체의 모든 구조를 완벽하게 분석했고 전부 알고 있다. 그렇기 때문에 이러한 꼬마 선충을 우리는 가상의 시뮬레이션에서 재현 할 수 있다. 컴퓨터 시뮬레이션이지만 진짜 선충이 살아 움직이는 것처럼 보인다. 앞서 설명 했듯이 꼬마선충은 뇌가 없지만 설계된 몸의 구조대로 그리고, 본능대로 물속에서 움직인다. 막다른 길을 만나면 되돌아가기도 하는 지적 능력을 갖추고 있다.
"여기 이 가상 시뮬레이션 안에서 살아움직이는 선충은 자신이 정말 살아있다고 생각할까?"
만약 이런 작은 선충보다 훨씬 더 크고 고등한 생명체를 분석해서 가상의 시뮬레이션 안에 창조한다면 우리는 그것을 생명체라고 부를 수 있을까? 물론 현재의 기술력으로 그것은 불가능하지만, 과학이 발전한다면 언젠가는 실현 될 것이다. 이러한 철학적 그리고 윤리적 문제는 언젠가는 우리가 겪을 수 있는 일이기 때문에 미리 고민해보는것도 재미 있을것 같다.
인공지능 / 기계학습 / 딥러닝
인공지능을 공부하는 학생들이라면 흔히 인공지능 / 기계학습 / 딥러닝 이라는 키워드들을 많이 들었을것이다. 그러나 막상 이 세개를 구분하고자 하면, 명확한 분류법이 떠오르지 않을 수 있다. 결론적으로 말해 인공지능이 가장 넓은 범주이고 기계학습 딥러닝 순서로 그 범주가 좁혀진다.
인공지능기계학습딥러닝인공지능⊃기계학습⊃딥러닝
인공지능: 인간의 일 (task)을 대신 해주거나 효율을 높일 수 있는 모든 형태의 컴퓨터 프로그램 또는 알고리즘, 시스템
앞서 설명했듯이 인공지능은 그 범주가 가장 넓으며 어떤 형태의 시스템, 알고리즘이든 우리의 삶의 질 향상에 도움을 주고 효율을 향상시켜주는 것들이라고 할 수 있다.
기계학습: 데이터 또는 기록, 경험을 기반으로 의사결정을 할 수 있는 기계(machine)를 학습 하는것
기계학습은 인공지능의 일종이지만 데이터 (기록, 경험 등)를 활용한다는 점이 가장 큰 특징이다. 과거의 경험이나 관측 자료들은 패턴을 분석하거나 미래를 예측하는데 큰 정보를 제공한다. 즉 기계학습에서는 이러한 데이터들을 통계적, 수학적인 기법을 이용하여 분석하는것을 목표로 한다. 학습의 결과물은 일반적으로 모델 파라미터 (model parameter)라고 부르며 설계한 기계 모델의 변수를 나타낸다. 기계학습에 대해서는 [3.기계학습 기초] 파트를 참조하라.
딥러닝: 기계학습의 방법론중 하나인 인공신경망학습을 보다 깊은 (Deep) 구조를 설계하고 학습 (Learning) 하는것
기계학습에는 매우 다양한 기법들이 있다. 그중 생명체의 신경망을 본떠 만든 인공신경망(Artificial Neural Network)을 학습하는 방법론이 있는데, 이러한 인공신경망을 더 크고 깊게 쌓으면 심층신경망 (Deep Neural Network)이 된다. 이것을 학습하는것을 딥-러닝이라고 부른다. 과거에도 딥러닝에 대한 이론은 있었지만 딥러닝 모델의 수많은 모델 파라미터를 학습하기 위해서는 매우 풍부한 데이터와 그것을 연산할 연산력이 필요하여 최근 (2014~) 에서야 딥-러닝 분야가 활발히 연구되고 있다. 자세한 사항은 [4. 딥러닝 기초] 파트를 참조하라.
인공지능 (딥러닝) 발전을 위한 핵심 요소
최근 크게 성장하고 있는 딥러닝 기술을 위주로 이야기 한다면, 딥러닝 발전을 위해서는 1. 충분한 양의 데이터, 그리고 그것을 연산 할 수 있는 2. 컴퓨팅 파워 (연산력) 마지막으로 목표 응용에 맞는 3. 모델 연구가 모두 필요하다.
- 데이터의 경우 단순이 양만 많다고 인공지능 학습에 유용한 것이 아니라, 충분한 양의 데이터를 확보 하되 데이터의 다양성이 있어야 한다. 예를들어 100TB의 대용량 데이터가 있다고 하더라도 그 안에 데이터가 대부분 비슷하거나 동일한 정보라면 100TB의 큰 용량은 의미가 없을것이다. 뿐만 아니라 대용량 데이터를 저장 및 전송/관리 하는 기술도 필요하다.
- 딥러닝을 위한 연산을 위해서는 중앙 처리장치 (CPU) 를 이용할 수 있으나, CPU는 한번에 처리할 수 있는 데이터들의 수가 한정적인 단점이 있어, 행렬 데이터를 다루기 용이한 그래픽 처리 유닛 (GPU)를 활용 할 수 있다. GPU연산을 지원하는 딥러닝 패키지는 NVIDIA 제품을 이용해야 활용이 가능하다. 최근에는 AI연산전용으로 활용할수 있는 하드웨어인 AI Chip 개발을 많은 회사에서 하고 있다.
- 데이터와 그것을 연산 할수 있는 연산력 (하드웨어)이 갖추어 져있다고 인공지능이 스스로 학습되는것은 아니다. 수학적 그리고 통계적 이론을 바탕으로 적절한 인공지능 모델을 설계 해야 한다. 예를들면 딥러닝 분야에서는 이미지 이해나 처리를 위해서는 Convolutional Neural Networks (CNN) [3] 구조가, 시계열 데이터를 위해서는 Recurrent Neural Networks (RNN) [4] 구조, 그리고 생성 AI를 위해서는 Generative Adverserial Networks (GAN) [5] 구조가 개발 되어왔다.
대규모의 미리 학습된 AI 모델로 새로운 시나리오 개척
사용자의 데이터 및 하이퍼 매개 변수로 미세 조정된 사용자 지정 AI 모델
AI를 책임감 있게 사용하도록 도와주는 기본 제공 기능
RBAC(역할 기반 액세스 제어) 및 프라이빗 네트워크로 지원하는 엔터프라이즈급 보안
새 AI 사용 사례에 대한 결과 제공
수조 개의 단어로 미리 학습된 생성 모델에 액세스하세요. 언어, 코드, 추론, 및 이해를 포함하여 새로운 시나리오에 적용하세요.
사양에 맞게 AI 모델 조정
간단한 REST API를 사용하여 특정 시나리오에 대해 레이블이 지정된 데이터로 생성 모델을 사용자 지정하세요. 모델의 하이퍼 매개 변수를 미세 조정하여 출력의 정확도를 높입니다. 퓨샷(few-shot) 학습 기능을 사용하여 API에 예제를 제공하고 더 관련성이 높은 결과를 얻을 수 있습니다.
책임 있는 AI 적용
사용자의 요청 및 응답 콘텐츠를 필터링하고 조정하여 코딩 및 언어 AI 모델이 의도한 용도로 책임 있게 사용되는지 확인하세요.
중요 업무용 워크로드 보안 지원
Azure OpenAI Service는 Azure 글로벌 인프라에서 실행되어 중요한 엔터프라이즈 보안, 규정 준수 및 지역 가용성과 같은 프로덕션 요구 사항을 충족합니다. 역할 기반 인증 및 프라이빗 네트워크 연결로 더 안전하고 신뢰할 수 있는 배포를 지원하세요. 데이터를 완전히 컨트롤하며 AI 모델을 학습합니다.
기본 제공되는 포괄적인 보안 및 규정 준수
AI 모델 40만개 공개했다, 개발자 200만명 홀린 ‘🤗’
Today’s Interview
오픈소스 AI의 허브, 허깅페이스
줄리앙 쇼몽 공동창업자‧최고기술책임자(CTO)
챗GPT 열풍으로 인공지능(AI)에 대한 관심도가 높은 지금, 업계에서 가장 뜨는 이모지가 있다. 포옹하는 것처럼 두 손을 활짝 벌리고 환하게 미소짓는 노란 얼굴. 🤗 AI 유니콘 허깅페이스의 로고다. 오픈소스 AI 플랫폼인 허깅페이스는 ‘AI계의 깃허브’로 불린다. 전 세계 개발자들이 깃허브에서 오픈소스 코드를 공유하듯, 허깅페이스에는 AI의 머신러닝(기계학습)에 필요한 데이터셋(데이터 모음)과 딥러닝 모델들이 올라온다.
허깅페이스 로고
누군가 시간과 비용을 들여 확보한 자원을 왜 공유할까. “좋은 머신러닝을 대중화해 산업과 사회 전반에 미치는 긍정적인 영향을 극대화한다”는 이들의 미션에 공감한 개발자가 많기 때문. 한 주에만 200만 명이 쓴다. 이런 성장 잠재력으로 허깅페이스는 2016년 창업 이후 누적 1억6000만 달러(약 2040억원)를 투자받았고, 기업가치 20억 달러(약 2조5000억원)를 인정받았다.
그렇더라도 오픈AI와 구글이 주도하는 이 시장에서 허깅페이스 같은 스타트업이 계속 성장할 수 있을까. 허깅페이스 공동창업자인 줄리앙 쇼몽 최고기술책임자(CTO)를 지난달 25일 화상 인터뷰로 만났다. 그는 “오픈소스 AI가 챗GPT와 같은 폐쇄형 AI를 따라잡고, 나아가 더 좋아질 것”이라고 자신했다. 그 이유를 자세히 들어봤다.
때로는 미묘한...MS·오픈AI 동맹 '비하인드 스토리'
생성AI 열기를 주도하고 있는 오픈AI와 마이크로소프트 간 동맹이 현재 테크판에서 가장 성공적인 전략적 제휴 사례라는데 토를 다는 이들은 많지 않을 것이다. 이 동맹으로 마이크로소프트는 오픈AI에 수십억달러 규모를 투자해 오픈AI 최신 기술을 먼저 활용하면서 AI 레이스를 주도하고 있고, 오픈AI는 거대언어모델(LLM) 훈련 및 추론에 필요한 막대한 자금 걱정 없이 개발에 집중할 수 있는 발판을 마련했다. 마이크로소프트와 오픈AI는 공개 석상에서 서로를 치켜세우며 혈맹이라는 이미지를 확보해왔다.
하지만 월스트리트저널(WSJ) 최근 보도를 보면 보이지 않은 곳에선 혼란과 갈등이 있는 모양새다. 어느 한쪽이 다른 한쪽을 이끄는게 아니라 긴밀한 제휴 관계여서 각자 시각에서 보면 뜻대로 되지 않은 일들이 꽤 벌어지고 있다는 후문이다.
오픈AI에 대한 마이크로소프트 투자는 좀더 파고 들면 복잡한 측면들도 있다. 현재 마이크로소프트는 오픈AI 영리 법인 지분 49%를 보유하고 있다. 오픈AI는 2015년 비영리 조직으로 설립됐고 2019년 수익 한도가 정해진 오픈AI LP가 설립되면서 구조에 변화가 생겼다.
CNBC 최근 보도에 따르면 현재 구조는 오픈AI 첫 투자자들은 투자금에서 100배 이상 수익을 올리지 못하도록 제한하고 있으며, 마이크로소프트처럼 늦게 들어온 투자자들을 위한 보상도 낮다. 마이크로소프트는 투자 이후 오픈AI LP 이익에서 일정 비중을 합의된 한도까지 받게 된다. 나머지 이익은 비영리 조직인 오픈AI로 가게 된다.
마이크로소프트 입장에서 오픈AI와 동맹은 회사를 소유하는데 따른 반독점 논란을 피하면서 나름 상당한 영향력을 행사할 수 있는 구조다. 하지만 베타적인 동맹은 아니어서 오픈AI는 세일즈포스 같은 마이크로소프트가 껄끄러워하는 회사들과도 협력하고 있다. 오픈AI는 지난 1년 간 자사 제품 라이선스를 논의하기 위해 다양한 검색 엔진업체들과 연결고리를 가져가고 있다고 WSJ은 전했다.
이 과정에서 예민한 장면도 연출되고 있다. WSJ는 내부 사정에 정통한 소식통들을 인용해 마이크로소프트 내부 일부 직원들은 자체 AI 개발 지출이 삭감된 것과 오픈AI 기술에 접근할 수 없다는 점에 대해 불만을 갖고 있다고 전했다. 마이크로소프트에서 일부 팀들은 오픈AI가 개발하는 코드 기반 및 모델 가충지 등에 접근할 수 있는 것으로 알려진다. 하지만 다수 팀들은 접근이 제한돼 있다. 상당한 지분을 갖고 있음에도, 마이크로소프트 직원 대부분은 오픈AI 모델을 외부 회사처럼 다뤄야 하는 상황이다.
마이크로소프트와 오픈AI는 종종 같은 고객을 상대로 따로 따로 영업을 펼치는 것으로도 전해진다. 비슷한 제품으로 서로 돈을 벌려고 나선데 따른 결과다. 양사는 오픈AI 기술에 접근할 수 있는 서비스를 모두 판매하고 있다. 마이크로소프트는 애저 오픈AI 서비스를 통해, 오픈AI는 애저 클라우드 위에서 직접 서비스를 제공하고 있다. 일부 회사들은 오픈AI와 마이크로소프트 애저 팀으로부터 같은 설명을 듣고 있어, 혼란스러워하고 있다고 WSJ은 전했다.
제품 출시를 놓고서도 몇 차례 긴장 기류가 형성됐다. WSJ 보도를 보면 오픈AI가 지난해 말 챗GPT를 선보이고 몇 개월 후 마이크로소프트가 오픈AI GPT-4를 탑재한 빙 검색 엔진을 선보이는 과정에서 특히 그랬던 모양이다. 오픈AI는 지난해 가을 챗GPT 공개 테스트를 시작하기 몇 주 전에 마이크로소프트에 이같은 사실을 알렸다. 마이크로소프트가 오픈AI 기술을 빙 검색엔진에 통합하고 있던 때였다.
마이크로소프트 직원들 사이에선 챗GPT를 사용자들이 어떻게 쓰는지에서 배울게 있을 것이란 의견도 있었지만 챗GPT로 인해 빙의 위상이 약화될 수 있다는 우려도 있었다는 후문이다.
이 과정에서 오픈AI는 마이크로소프트를 상대로 리스크를 이유로 GPT-4 버전을 빙 검색에 통합하는 것을 늦출 것을 제안했지만 마이크로소프트는 일정 대로 밀고 나갔다고 WSJ은 전했다. 빙 AI 검색과 챗GPT는 비슷한 시점에 나왔지만 결과는 많이 다르다. 위핏데이터(YipitData)에 따르면 챗GPT 월간 사용자수는 이미 2억명에 달하며 가장 빠르게 성장하는 앱으로 부상한 반면 빙 AI는 여기에 한참 못 미친다. PC만 놓고 보면 하루 평균 검색 세션수에서 챗GPT는 빙의 두배 수준이다.
일부에서 긴장이 있다고 해도 현재 시점에서 마이크로소프트와 오픈AI는 서로가 서로를 많이 필요로 하는 사이다. 관계가 틀어질 가능성은 크지 않다. 마이크로소프트 입장에서 오픈AI를 소유하지 않았다고 해도 많은 피를 섞었다는 점은 부인할 수 없는 사실이다. 하지만 양사 모두 같은 기술로 따로 따로 사업을 하면서 서로 입장에서 불편한 일들이 늘어날 수는 있다. 오픈AI가 챗GPT 같은 서비스를 내놓거나 독자적인 생태계 구축에 속도를 낼 경우 더욱 그럴 수 있다.
'say와 AI 챗봇친구 만들기 보고서' 카테고리의 다른 글
| AI 어시스턴트 개인화를 위한 뤼튼의 첫 걸음 (0) | 2023.06.24 |
|---|---|
| 인공지능(AI) 신에 등장한 슈퍼스타, 챗GPT(ChatGPT) [튜링 빌더로 직접 챗봇을 자유롭게 제작해보세요.] (0) | 2023.06.24 |
| 챗GPT로 마인크래프트 자동 플레이? AI 모델 보이저 [오픈AI 챗GPT 운영비, 하루 10억원 육박] (1) | 2023.06.17 |
| 챗GPT 명령어, ‘오토-GPT’로 강화하라 [정치인도 ‘AI 작동 방식’ 신속한 학습 필요해] (1) | 2023.06.17 |
| 오픈 AI, '챗GPT' 업그레이드 버전 출시 [모바일서도 '챗GPT' 사용한다… 오픈 AI, 아이폰용 앱 출시] (0) | 2023.06.16 |
