[기고] 생성형 AI로 기업 경쟁력 키워야

[기고] 생성형 AI로 기업 경쟁력 키워야: 주진 기자 / 기사승인 : 2024-08-21 10:52:11

박정수 성균관대 소프트웨어융합대학 스마트팩토리융합학과 교수

▲

계산과 연산은 모두 수학적인 작업을 처리하는 것이지만, 그 방법과 목적에 차이가 있다. 먼저, 계산은 숫자나 수식을 이용하여 값을 계산하는 작업을 말한다. 예를 들어, 사칙연산이나, 제곱근, 로그 함수 등의 수학 함수를 이용하여 값을 계산할 수 있다. 계산은 주로 값을 구하거나, 값을 비교하거나, 변화를 추적하기 위해 사용된다.

반면, 연산은 컴퓨터가 수행하는 작업을 말한다. 연산은 주로 데이터를 처리하거나, 문제를 해결하기 위한 알고리즘을 적용하기 위해 사용된다. 연산은 주로 논리 연산, 비교 연산, 비트 연산 등을 수행한다. 따라서 계산과 연산의 공통점은 모두 수학적인 작업으로, 정확한 값을 계산하거나, 문제를 해결하기 위해 사용된다는 점이다. 또한, 계산과 연산은 모두 컴퓨터에서 자동화되어 처리될 수 있다. 이를 위해 메모리 반도체와 시스템 로직 반도체 칩이 필요했고 최근 들어 인공지능 반도체 수요가 폭발적이다.

패러다임(Paradigm)이란 한 시대의 보편적 사고의 틀이나 인식의 체계를 말한다. 예를 들어 지구를 중심으로 우주가 돌고 있다는 천동설도 케플러의 법칙(Kepler's laws)과 뉴턴의 물리학이 근대 과학을 이끌면서 지동설이라는 새로운 패러다임으로 전환되었다.이렇게 하나의 패러다임이 새로운 패러다임으로 바뀔 때는 이를 유발하는 요인이 나타나기 마련인데, 이를 흔히 특이점(singularity)이라고 부른다. 이 특이점은 새로이 발견되는 자연법칙 혹은 물리법칙일수도 있고, 새 발명품이거나 획기적인 아이디어일 수도 있다. 이런 특이점의 예로, 개인용 컴퓨터와 인터넷, 스마트폰, 생성형 인공지능(Generative AI) 등이 있다.

인공지능은 기호주의와 연결주의로 나눠 생각해 볼 수 있다. 기호주의(Symbolism)는 컴퓨터 작동 방식에 맞게 기호와 규칙을 사용하는 규칙 기반 (Rule-based) 인공지능으로 오래전부터 지금까지 지속적으로 사용되고 있는 방식이며, 연결주의(Connectivism)는 인간 뇌의 정보 처리 과정에서 영감을 받은 AI 연구 방식이다. 이는 인공지능이 연산과 계산의 패러다임 전환을 야기하는 까닭이다.

1956년 냇 로체스터, 마빈 민스키, 존 메카시, 클로드 새넌 등이 다트머스 대학 워크샵에서 인공지능이란 용어를 처음 사용했으며 기호주의(Symbolism)는 인공지능을 규칙과 논리중심으로, 즉 인간의 사고로부터 접근하는 것이다. 그리고 연결주의(Connectivism)은 1년 뒤(1957년) 프랭크 로젠블라트가 뇌의 학습 기능을 모델화한 퍼셉트론(Perceptron)을 제안했다.

퍼셉트론은 인공신경망의 아주 초기의 형태이다. 뉴런의 연결과 데이터로부터 문제를 풀겠다는 접근방식이다. 이 두 접근방식이 경쟁적으로 비슷한 시기에 시작을 했다. 초반 30년은 기호주의의 전성기였다. 특히 인공지능 분야를 개척한 과학자(기호주의) 마빈 민스키는 퍼셉트론은 입력변환에서 A,B를 생각하였을 경우 A가 참인 경우, B는 거짓이거나 A가 거짓인 경우 B가 참이 아니면 안된다. 즉 A,B가 서로 상반하고 있는 조건일 때에만 결과를 참으로 하는 논리를 배타적 논리합(Exclusive OR)과 같은 단순한 계산도 못한다고 주장하였다. 그러나 1980년대 인공지능 분야를 개척한 과학자(연결주의) 제프리 힌턴이 역전파 알고리즘의 개량 버전을 내놓으면서 연결주의의 부할을 하게되는 듯 했으나 우여곡절은 지속되었다. 그러나 2012년 알렉스넷(Alexnet)이라는 프로그렘으로 이미지넷(ImageNet)이라는 화상 인식 대회에서 충격적인 수준의 품질로 우승을 하게된다. 이는 연결주의의 부활을 알리는 신호였다. 그 후 2015년에 ResNet, MS, 2016년 알파고, DeepMind, 그 결과 2018년 제프리 힌턴 교수는 컴퓨터 노벨상이라는 튜링상을 수상한다.

그리고 5년 정도 지나 구글브레인에서 논문을 발표한다. 그 내용은 대규모 언어 모델(LLM)이다. 이를 뜯어보면 트랜스포머(Transformer) 구조로 되어 있고 그 핵심은 어텐션(Attention:집중/주의)이라는 기술이며, 논문 제목은 당신이 필요한 것은 집중이다(Attention is all you need). 이는 챗 GPT의 원형이 된 논문이며, 이후로 어텐션(뉴진스 - Attention 아님) 구조는 최초에 제안되었던 자연어 처리(NLP) 분야는 물론 Computer Vision 분야와 Time Series 분야까지 다양한 분야에서 적용되고 있다.

또한 그해 말에 구글 딥마인드에서 유전자 변이를 찾는 인공지능을 개발했고, 천년의 도전이라는 단백질 3차원 구조를 거의 정복한 아주 인상적인 산출물을 내놓았다. 2021년에 구글의 LaMDA가 나오고, 2022년말에 챗GPT가 서비스를 시작했다. 2023년과 2024년에 구글에서 바드와 제미나이를 연속적으로 출시했다. 이와 같은 인공지능의 전반적인 공통 기반 기술이 “트랜스포머 어텐션”이며, 따라서 연산과 계산의 패러다임 전환은 트랜스포머 어텐션(Transformer Attention)으로 인해서 나온 것이다.

인공지능 기반 지능화는 비즈니스 혁신을 위한 발판이다. 생성형 AI는 많은 양의 데이터를 학습하고, 그 데이터를 바탕으로 새로운 콘텐츠를 만들어내는 기술이다. 어떤 데이터를 사용하느냐는 생성형 AI 답변의 품질과 직결되기 때문에 인공지능 구축 시, 믿을 수 있는 고품질 데이터를 사용하는 것이 매우 중요하다.

또한 생성형 AI는 소프트웨어 배포부터 네트워크 구성, 용량 관리에 이르기까지 IT가 매일 수행하는 작업을 간소화한다. 생성형 AI의 작동 원리는 크게 데이터 수집, 모델 학습, 훈련, 생성을 포함한 네 가지 단계로 이루어진다. 먼저 데이터 수집 단계에서는 생성형 AI를 훈련에 기본이 되는 학습 데이터를 대규모로 수집한다. 텍스트 기반의 생성형 AI 구축을 예로 들면, 책이나 기사, 웹사이트 등 다양한 텍스트 기반 데이터를 수집하는 것이 이 단계에 포함된다. 두 번째 단계는 모델 학습이다. 모델 학습 단계에서는 생성형 AI가 첫 번째 단계에서 수집한 데이터를 기반으로 데이터의 패턴과 규칙을 학습한다. 예로 들면, AI가 책이나 기사에서 수집한 데이터를 사용해 문장의 구조나 문법 등을 학습한다. 세 번째는 훈련 단계로, AI가 입력 데이터와 출력 데이터의 관계를 학습한다. 예를 들어, 텍스트 생성 모델은 문장의 앞부분을 입력받고 뒷부분을 예측하는 훈련을 하게 된다. 마지막 단계는 생성이다. 모든 훈련이 끝난 AI는 스스로 새로운 콘텐츠를 생성해 낸다. 이때, AI는 스스로 만들어 낼 수 있는 다양한 답변 중 가장 적절한 최적의 결과값을 출력하도록 하는 것이 중요하다.

이미 생성형 인공지능(Genarative AI)와 최적화 인공지능(Optimized AI)을 고도화하기 위해 연산과 계산의 패러다임이 전환되었는데 아직도 낡은 기술과 과거 성공과 경험의 가늠자로 머무르고 있으면 스피드와 지능화로 무장한 경쟁 시장에서 살아남을 수 없다. 현재를 살기 위해 미래를 저당 잡히고 있다는 사실마저도 인식하지 못할 수 있다. 이를 극복하기 위해 현재 사용하고 있는 시스템의 지능화가 필수적이다.

인공지능을 기업이 운영을 유지하기 위해 치러야 하는 비용 중심적인 접근으로 보는 대신, 인공지능 기술이 ROI를 더 잘 높일 수 있는 방법을 재고해야 한다. 이는 빠른 생산성 향상을 제공하는 단순한 작업 이상을 자동화하는 것을 의미한다. 따라서 모든 기업은 과거와 다른 전략적인 접근이 요구되고 있다. 전체 워크플로우를 평가하여 자동화와 증강의 조합, 그리고 지속 가능한 지능화 프로세스를 개선할 방법을 찾아야 한다. 왜냐하면 기존 시스템은 수익성을 약화시키고, 자원을 고갈시키며, 성장을 저해하고, 창의성을 억압하기 때문이다. 이를 해결하기 위해서는 빅데이터 관리 기술과 인공지능 플랫폼을 주목해야 한다. 아래 그림은 국내 최초로 조달 우수제품으로 등록된 T3Q의 인공지능 빅데이터 관련 기업의 이슈와 해결 방안을 지속가능하게 해결하는 솔루션이다.

그러므로 연산과 계산의 패러다임 전환 시대에는 인공지능 빅데이터 플랫폼이 미들웨어로서 필수적이다. AI 빅데이터 플랫폼(국내 최초로 조달 우수제품으로 등록된 T3Q.ai)은 인간의 전문성과 AI 역량 간의 격차를 효과적으로 메워 고객을 지원하고 도메인별 지식을 유지하면서 생성형 인공지능(Generative AI)와 최적화 인공지능(Optimized AI)의 지속가능한 잠재력을 생성하고 최적화하는 플랫폼 기능이 요구되고 있다. 또한 산업 및 인공지능 전문가와 빅데이터, 다양한 인력 및 AI 모델을 연결하여 공통 플랫폼(T3Q.ai)에 통합함으로써 기업은 시너지 효과를 최대한 활용할 수 있다. 이렇게 다양한 통합을 수용하는 기업은 생성형 인공지능 시대에 그 누구보다 빠르게 경쟁 우위를 선점할 수 있을 것이다.