contents

인공지능(AI)은 일반적으로 인간의 지능이 필요한 작업을 수행할 수 있는 기계를 만드는 데 중점을 둔 광범위한 컴퓨터 과학 분야입니다. 최근 이 분야는 머신러닝이라는 강력한 하위 분야가 주도하고 있으며, 이는 딥러닝이라는 기술로 한층 더 강화되어 거대 언어 모델이라는 획기적인 기술로 이어졌습니다.

1. 인공지능 (AI): 큰 그림 🤖

AI는 기계를 똑똑하게 만드는 과학이라는 포괄적인 목표를 가집니다. 단순한 규칙 기반 시스템부터 오늘날 우리가 보는 복잡한 모델까지 모든 것을 포함합니다.

비유: AI를 "로봇 공학"이라는 전체 분야라고 생각해 보세요. 목표는 유능한 로봇을 만드는 것입니다. 명시적인 지침으로 프로그래밍하는 것부터 스스로 학습하게 하는 것까지, 이를 달성하는 방법은 다양합니다.

오늘날의 AI는 약인공지능(ANI) 으로 간주되며, 이는 특정 작업을 매우 잘 수행하도록 설계되었음을 의미합니다(예: 체스 두기, 영화 추천, 얼굴 인식). 많은 연구자들의 궁극적인 목표는 인간과 같은 인지 능력을 가진 기계인 범용인공지능(AGI) 이며, 이는 아직 미래의 과제로 남아 있습니다.

2. 머신러닝 (ML): 현대 AI의 엔진 🧠

머신러닝은 AI의 하위 집합입니다. 프로그래머가 작업에 대한 명시적인 단계별 규칙을 작성하는 대신, ML은 컴퓨터가 데이터를 분석하여 스스로 규칙을 학습하도록 하는 알고리즘을 만드는 것을 포함합니다.

비유: 아이에게 고양이를 알아보도록 가르칠 때 "뾰족한 귀, 네 개의 다리, 수염"과 같은 규칙을 설명하지 않습니다. 대신 아이가 패턴을 배울 때까지 고양이 사진을 많이 보여줍니다. ML도 같은 방식으로 작동합니다.

핵심 프로세스는 다음과 같습니다.

1. 학습(Training): 모델에 대량의 데이터를 제공합니다.

2. 학습(Learning): 모델은 데이터 내의 패턴과 관계를 찾기 위해 내부 매개변수를 조정합니다.

3. 추론(Inference): 학습된 모델을 사용하여 새롭고 보지 못했던 데이터에 대한 예측이나 결정을 내립니다.

머신러닝에는 세 가지 주요 유형이 있습니다.

• 지도 학습 (Supervised Learning): 가장 일반적인 유형입니다. 모델은 각 데이터에 정답이 있는 레이블된 데이터로부터 학습합니다. (예: "스팸" 또는 "스팸 아님"으로 레이블이 지정된 수천 개의 이메일을 모델에 보여주는 것)

• 비지도 학습 (Unsupervised Learning): 모델은 레이블 없는 데이터에서 숨겨진 패턴을 찾습니다. (예: 사전 레이블 없이 구매 행동을 기반으로 고객을 여러 시장 세그먼트로 그룹화하는 것)

• 강화 학습 (Reinforcement Learning): 모델은 시행착오를 통해 학습합니다. 환경에서 행동을 수행하고 보상이나 벌점을 받으며 시간이 지남에 따라 최상의 전략을 학습합니다. (예: 비디오 게임을 하도록 AI를 훈련시키는 것)

3. 딥러닝 (DL): 강력한 기술 🕸️

딥러닝은 여러 계층을 가진 인공 신경망(ANN) 이라는 기술을 사용하는 머신러닝의 전문 하위 분야입니다.

비유: 딥러닝은 인간의 뇌 구조에서 영감을 받았습니다. ANN은 계층으로 구성된 상호 연결된 "뉴런"으로 만들어집니다. 데이터를 입력하면 이 뉴런들은 서로 신호를 전달하고, 네트워크는 이러한 연결의 강도를 조정하여 "학습"합니다.

• 무엇이 "딥(Deep)"하게 만드는가? "딥"이라는 용어는 단순히 신경망에 많은 계층이 있다는 것을 의미합니다. 초기 신경망은 얕았습니다(몇 개의 계층만 있었음). 딥러닝의 획기적인 발전은 더 많은 계층을 추가하면 모델이 데이터로부터 점진적으로 더 복잡한 특징을 학습할 수 있다는 것을 깨달은 것입니다. 이미지 인식의 경우, 첫 번째 계층은 가장자리를 인식하는 법을 배우고, 다음 계층은 가장자리를 결합하여 모양(원, 사각형)을 만들고, 그 다음은 모양을 결합하여 특징(눈, 코)을 만드는 식입니다.

• 왜 지금 이렇게 인기가 많은가? 딥러닝이 최근 폭발적으로 성장한 데에는 두 가지 주요 이유가 있습니다.

  1. 빅데이터: 이러한 심층 신경망은 데이터에 굶주려 있으며, 인터넷 시대는 이를 효과적으로 훈련시키는 데 필요한 방대한 데이터셋을 제공했습니다.

  2. GPU 가속: 원래 비디오 게임을 위해 설계된 최신 그래픽 처리 장치(GPU)의 병렬 처리 아키텍처는 신경망에 필요한 대규모 행렬 계산에 완벽하게 적합하여 훈련을 실현 가능하게 만들었습니다.

4. 생성형 AI 및 거대 언어 모델 (LLM): 최근의 혁명 🗣️

이는 딥러닝의 가장 최근이면서도 가장 영향력 있는 응용 분야입니다.

생성형 AI (Generative AI)

이전의 대부분의 ML은 판별형(discriminative) 이었습니다. 즉, 사물을 분류하거나 예측하도록 훈련되었습니다(예: "이 이미지는 고양이인가, 개인가?"). 생성형 AI는 다릅니다. 훈련된 데이터와 유사한 새로운 콘텐츠를 생성하도록 훈련됩니다(예: "스케이트보드를 타는 고양이 이미지를 생성해 줘").

거대 언어 모델 (Large Language Models, LLMs)

LLM은 특히 텍스트 데이터에 대해 훈련된 거대한 딥러닝 모델입니다. 주요 목표는 인간과 같은 언어를 이해하고 생성하는 것입니다. 예로는 구글의 제미나이(Gemini), OpenAI의 GPT 시리즈, 메타의 라마(Llama) 가 있습니다.

LLM의 작동 방식 (간단히):

1. 학습: LLM은 인터넷에서 수집한 방대한 양의 텍스트와 코드로 학습합니다. 이는 온라인에 기록된 인류 지식의 상당 부분에 해당합니다.

2. 핵심 과제: 가장 기본적인 수준에서 LLM은 정교한 다음 단어 예측 엔진입니다. 단어 시퀀스가 주어지면 가장 확률이 높은 다음 단어를 계산하는 것이 목표입니다.

   • 예: "고양이가 ... 위에 앉았다"를 주면 "매트", "바닥", "소파"에 대한 높은 확률을 계산합니다. 가장 가능성 있는 다음 단어를 반복적으로 선택함으로써 전체 문장, 단락, 기사를 생성할 수 있습니다.

3. 트랜스포머 아키텍처 (The Transformer Architecture): 현대 LLM을 가능하게 한 핵심 혁신은 2017년 구글이 소개한 트랜스포머라는 아키텍처입니다. 그 강력함의 비결은 어텐션 메커니즘(attention mechanism) 입니다. 이를 통해 모델은 응답을 생성할 때 입력 텍스트의 여러 단어들이 서로 얼마나 멀리 떨어져 있는지에 관계없이 그 중요도에 가중치를 둘 수 있습니다. 이는 이전 모델의 주요 한계를 극복하여 LLM이 언어의 문맥과 장거리 의존성을 이해할 수 있게 했습니다.

최근 동향 및 미래 방향

이 분야는 놀라운 속도로 움직이고 있습니다. 현재 일어나고 있는 일과 앞으로 주목해야 할 점은 다음과 같습니다.

• 멀티모달리티 (Multimodality): AI는 텍스트를 넘어서고 있습니다. 제미나이와 같은 모델은 본질적으로 멀티모달이며, 이는 텍스트, 이미지, 오디오, 비디오 등 다양한 형식의 정보를 동시에 이해하고 처리할 수 있음을 의미합니다. 사진을 보여주고 그에 대해 질문할 수 있습니다.

• 효율성 및 소형 모델: 거대한 모델도 강력하지만, 노트북이나 스마트폰과 같은 개인 기기에서 실행할 수 있는 더 작고 효율적인 모델을 만들려는 큰 움직임이 있습니다. 이는 더 나은 개인 정보 보호와 낮은 지연 시간으로 새로운 애플리케이션을 가능하게 합니다.

• AI 에이전트 (AI Agents): 챗봇을 넘어선 다음 단계입니다. AI 에이전트는 목표를 달성하기 위해 행동을 취할 수 있는 시스템입니다. 단순히 최고의 항공편에 대한 질문에 답하는 대신, 에이전트에게 "서울행 최고의 항공편을 예약해 줘"라는 목표를 주면 웹사이트와 상호작용하고, 양식을 작성하며, 사용자를 대신하여 결제까지 할 수 있습니다.

• 윤리, 안전 및 정렬 (Ethics, Safety, and Alignment): AI가 더 강력해짐에 따라, 그것이 안전하고 인간의 가치와 일치하며 유해한 편견에서 자유롭도록 보장하는 데 대한 관심이 급증하고 있습니다. 허위 정보, 공정성, 투명성과 같은 문제를 해결하는 것이 주요 연구 분야입니다.

references