생성형 인공지능 한계와 극복방안

생성형 인공지능(AI) 개념

생성 인공지능(AI)은 오디오, 코드, 이미지, 텍스트, 시뮬레이션 및 비디오를 포함하여 새로운 콘텐츠를 생성하는 데 사용할 수 있는 알고리즘(예: ChatGPT)을 설명합니다. 이 분야의 최근 혁신은 우리가 콘텐츠 제작에 접근하는 방식을 크게 바꿀 가능성이 있습니다. 생성 AI 시스템은 기계 학습이라는 광범위한 범주에 속하며, 다음은 이러한 시스템 중 하나인 ChatGPT가 수행할 수 있는 작업을 설명하는 방법입니다.

생성형 인공지능 한계와 극복방안

창의력을 한 단계 끌어올릴 준비가 되셨나요? 생성 AI보다 더 이상 보지 마십시오! 이 멋진 형태의 기계 학습을 통해 컴퓨터는 음악과 예술에서 전체 가상 세계에 이르기까지 모든 종류의 새롭고 흥미로운 콘텐츠를 생성할 수 있습니다. 단지 재미를 위한 것이 아닙니다. 생성형 AI는 새로운 제품 디자인 생성 및 비즈니스 프로세스 최적화와 같은 실용적인 용도로도 많이 사용됩니다. 그래서 왜 기다려? 생서형 AI의 힘을 발휘하고 어떤 놀라운 창조물을 만들 수 있는지 확인하세요!

ChatGPT와 DALL-E

이것이 ChatGPT(Generative Pretrained Transformer의 약자)가 현재 많은 관심을 받고 있는 이유입니다. 거의 모든 질문에 대한 답변을 생성할 수 있는 무료 챗봇입니다. OpenAI에서 개발하고 2022년 11월 일반 대중에게 테스트용으로 출시한 이 챗봇은 이미 최고의 AI 챗봇으로 간주됩니다. 그리고 인기도 있습니다. 백만 명이 넘는 사람들이 단 5일 만에 사용하기 위해 등록했습니다. 별이 빛나는 팬들은 컴퓨터 코드, 대학 수준의 에세이, 시, 심지어 어설픈 농담을 생성하는 챗봇의 예를 게시했습니다. 광고 카피라이터에서 종신 교수에 이르기까지 콘텐츠를 만들어 생계를 꾸려가는 다양한 사람들이 떨고 있습니다.

많은 사람들이 ChatGPT(광범위하게는 AI와 머신 러닝)에 두려움을 가지고 반응했지만 머신 러닝은 확실히 좋은 잠재력을 가지고 있습니다. 기계 학습은 광범위하게 배포된 이후 몇 년 동안 의료 영상 분석 및 고해상도 일기 예보와 같은 작업을 수행하여 여러 산업에서 영향력을 입증했습니다. 2022년 McKinsey 설문 조사에 따르면 AI 채택이 지난 5년 동안 두 배 이상 증가 했으며 AI에 대한 투자가 빠르게 증가하고 있습니다. ChatGPT 및 DALL-E(AI 생성 아트 도구)와 같은 생성 AI 도구는 다양한 작업 수행 방식을 변경할 수 있는 잠재력을 가지고 있음이 분명합니다. 그러나 그 영향의 전체 범위는 아직 알 수 없으며 위험도 마찬가지입니다.

그러나 생성형 AI 모델이 어떻게 구축되는지, 어떤 종류의 문제를 해결하는 데 가장 적합한지, 더 넓은 범주의 기계 학습에 어떻게 부합하는지 등 몇 가지 질문에 답할 수 있습니다.

기계 학습과 인공 지능의 차이점

인공 지능 은 말 그대로 기계가 작업을 수행하기 위해 인간 지능을 모방하도록 하는 것입니다. 인식하지 못하더라도 AI와 상호작용한 적이 있을 것입니다. Siri 및 Alexa와 같은 음성 비서는 AI 기술을 기반으로 하며 웹 사이트 탐색을 돕기 위해 팝업되는 고객 서비스 챗봇도 마찬가지입니다.

기계 학습은 인공 지능의 한 유형입니다. 기계 학습을 통해 실무자는 사람의 지시 없이 데이터 패턴에서 "학습"할 수 있는 모델을 통해 인공 지능을 개발합니다. 현재 생성되고 있는 관리할 수 없을 정도로 엄청난 양의 데이터와 복잡성(어쨌든 인간이 관리할 수 없는)은 머신 러닝의 잠재력 과 필요성을 증가시켰습니다.

기계 학습 모델의 주요 유형

기계 학습은 작은 데이터 세트를 위해 18세기에서 20세기 사이에 개발된 고전적인 통계 기술을 시작으로 여러 빌딩 블록을 기반으로 합니다 . 1930년대와 1940년대에 이론 수학자 Alan Turing을 포함한 컴퓨팅의 선구자들은 기계 학습을 위한 기본 기술을 연구하기 시작했습니다. 그러나 이러한 기술은 1970년대 후반 과학자들이 이를 장착할 수 있을 만큼 강력한 컴퓨터를 처음 개발할 때까지 실험실에만 국한되었습니다.

최근까지 기계 학습은 주로 콘텐츠의 패턴을 관찰하고 분류하는 데 사용되는 예측 모델로 제한되었습니다. 예를 들어, 고전적인 기계 학습 문제는 사랑스러운 고양이의 이미지 또는 여러 이미지로 시작하는 것입니다. 그런 다음 프로그램은 이미지 중에서 패턴을 식별한 다음 사랑스러운 고양이 패턴과 일치하는 이미지를 무작위로 면밀히 조사합니다. 제너레이티브 AI는 돌파구였습니다. 단순히 고양이 사진을 인식 하고 분류하는 것이 아니라 이제 기계 학습을 통해 필요에 따라 고양이의 이미지나 텍스트 설명을 생성 할 수 있습니다.

텍스트 기반 기계 학습 모델

ChatGPT가 현재 모든 헤드라인을 장식하고 있을지 모르지만 화제를 불러일으킨 최초의 텍스트 기반 기계 학습 모델은 아닙니다. OpenAI의 GPT-3와 Google의 BERT는 모두 최근 몇 년 동안 팡파르로 출시되었습니다. 그러나 대부분의 계정에서 대부분 잘 작동하는 ChatGPT 이전에는(아직 평가 중이지만) AI 챗봇이 항상 최고의 리뷰를 받은 것은 아닙니다. GPT-3는 "매우 인상적이고 매우 실망스럽습니다"라고 New York Times 기술 기자 Cade Metz는 그와 음식 작가 Priya Krishna가 GPT-3에게 (다소 비참한) 추수 감사절 저녁 식사 를 위한 레시피를 작성하도록 요청한 비디오에서 말했습니다.

텍스트로 작업하는 최초의 기계 학습 모델은 연구원이 설정한 레이블에 따라 다양한 입력을 분류하도록 인간에 의해 훈련되었습니다. 한 가지 예는 소셜 미디어 게시물을 긍정적 또는 부정적으로 분류하도록 훈련된 모델입니다. 이러한 유형의 훈련은 인간이 모델에게 무엇을 해야 하는지 "가르치는" 일을 담당하기 때문에 감독 학습으로 알려져 있습니다.

차세대 텍스트 기반 기계 학습 모델은 자기 지도 학습으로 알려진 것에 의존합니다. 이러한 유형의 교육에는 예측을 생성할 수 있도록 모델에 엄청난 양의 텍스트를 제공하는 작업이 포함됩니다. 예를 들어 일부 모델은 몇 단어를 기반으로 문장이 어떻게 끝날지 예측할 수 있습니다. 적절한 양의 샘플 텍스트(예: 인터넷의 광범위한 범위)를 사용하면 이러한 텍스트 모델이 매우 정확해집니다. ChatGPT와 같은 도구의 성공으로 얼마나 정확한지 확인하고 있습니다.

생성 AI 모델 구축에 필요사항

생성형 AI 모델을 구축하는 것은 대부분 자원이 풍부한 기술 헤비급이 시도한 소수의 주요 작업이었습니다 . ChatGPT, 이전 GPT 모델 및 DALL-E의 배후에 있는 회사인 OpenAI는 굵은 글씨체 기부자로부터 수십억 달러의 자금을 확보하고 있습니다. DeepMind는 Google의 모회사인 Alphabet의 자회사이며 Meta는 생성 ​​AI를 기반으로 Make-A-Video 제품을 출시 했습니다. 이 회사들은 세계 최고의 컴퓨터 과학자와 엔지니어를 고용합니다.

그러나 그것은 단지 재능이 아닙니다. 거의 전체 인터넷을 사용하여 훈련하도록 모델을 요청할 때 비용이 많이 듭니다. OpenAI는 정확한 비용을 공개하지 않았지만 추정에 따르면 GPT-3는 약 45테라바이트 의 텍스트 데이터(약 100만 피트의 책장 공간 또는 전체 의회 도서관의 4분의 1)에 대해 몇 가지의 예상 비용으로 훈련된 것으로 나타납니다. 백만 달러. 이들은 다양한 신생 기업이 액세스할 수 있는 리소스가 아닙니다.

제너레이티브 AI 모델은 어떤 종류의 출력을 생성할 수 있습니까?

위에서 알 수 있듯이 생성 AI 모델의 출력은 인간이 생성한 콘텐츠와 구별할 수 없거나 약간 이상하게 보일 수 있습니다. 결과는 모델의 품질에 따라 달라집니다. 지금까지 살펴본 바와 같이 ChatGPT의 출력은 이전 모델보다 우수해 보입니다.

ChatGPT는 베네딕트 앤더슨(Benedict Anderson)과 어니스트 겔너(Ernest Gellner)의 민족주의 이론을 비교하는 한 해설자가 " 확실한 A- " 에세이라고 부르는 것을 10초 만에 생성할 수 있습니다. 그것은 또한 King James Bible 스타일로 VCR에서 땅콩 버터 샌드위치를 ​​제거하는 방법을 설명하는 이미 유명한 구절을 생성했습니다. DALL-E(초현실주의 예술가 Salvador Dalí와 사랑스러운 Pixar 로봇 WALL-E의 매시업 이름)와 같은 AI 생성 아트 모델은 필요에 따라 이상하고 아름다운 이미지를 만들 수 있습니다 . 피자 먹기 . 다른 생성 AI 모델은 코드, 비디오, 오디오 또는 비즈니스 시뮬레이션을 생성할 수 있습니다 .

그러나 출력이 항상 정확하거나 적절한 것은 아닙니다. Priya Krishna가 DALL-E 2에게 추수감사절 저녁 식사를 위한 이미지를 만들어달라고 요청했을 때 칠면조가 과카몰리로 보이는 그릇 옆에 전체 라임으로 장식된 장면을 연출했습니다. 그 부분에서 ChatGPT는 기본적인 대수학 문제를 계산하거나 해결하는 데 문제가 있는 것 같습니다. 또는 실제로 인터넷과 사회의 저류에 숨어 있는 성 차별 및 인종 차별적 편견을 극복하는 데 더 광범위합니다.

생성 AI 출력은 알고리즘을 교육하는 데 사용되는 데이터의 신중하게 조정된 조합입니다. 이러한 알고리즘을 교육하는 데 사용되는 데이터의 양이 믿을 수 없을 정도로 방대하기 때문에(지시한 바와 같이 GPT-3는 45테라바이트의 텍스트 데이터로 교육을 받았기 때문에) 출력을 생성할 때 모델이 "창의적인" 것처럼 보일 수 있습니다. 또한 모델에는 일반적으로 임의의 요소가 포함되어 있어 하나의 입력 요청에서 다양한 출력을 생성할 수 있어 훨씬 더 실제처럼 보입니다.

생성 AI 모델의 해결 대상

ChatGPT와 같은 생성 AI 도구(장난감?)가 끝없는 엔터테인먼트 시간을 생성할 수 있다는 것을 보셨을 것입니다. 기업에게 기회는 분명합니다 또한. Generative AI 도구는 신뢰할 수 있는 다양한 글을 몇 초 만에 생성한 다음 비판에 대응하여 글을 목적에 더 적합하게 만들 수 있습니다. 이는 AI 모델이 생성하는 즉각적이고 대체로 정확한 코드의 이점을 누릴 수 있는 IT 및 소프트웨어 조직에서 마케팅 카피가 필요한 조직에 이르기까지 다양한 산업에 영향을 미칩니다. 요컨대, 명확한 서면 자료를 작성해야 하는 조직은 잠재적으로 이익을 얻을 수 있습니다. 조직은 또한 생성 AI를 사용하여 의료 이미지의 고해상도 버전과 같은 더 많은 기술 자료를 만들 수 있습니다. 여기에 절약된 시간과 리소스를 통해 조직은 새로운 비즈니스 기회와 더 많은 가치를 창출할 수 있는 기회를 추구할 수 있습니다.

우리는 생성 AI 모델을 개발하는 것이 리소스 집약적이어서 가장 크고 리소스가 풍부한 회사를 제외한 모든 회사에서는 불가능하다는 것을 확인했습니다. 생성 AI를 작동시키려는 회사는 즉시 생성 AI를 사용하거나 특정 작업을 수행하도록 미세 조정할 수 있습니다. 예를 들어 특정 스타일에 따라 슬라이드를 준비해야 하는 경우 모델이 일반적으로 슬라이드의 데이터를 기반으로 헤드라인을 작성하는 방법을 "학습"한 다음 슬라이드 데이터를 제공하고 적절한 헤드라인을 작성하도록 요청할 수 있습니다.

AI 모델의 한계와 극봉 방안

너무 새롭기 때문에 생성 AI 모델의 롱테일 효과를 아직 보지 못했습니다. 즉, 일부는 알려져 있고 일부는 알려지지 않은 사용과 관련된 내재적 위험이 있음을 의미합니다.

생성적 AI 모델이 생성하는 출력은 종종 매우 설득력 있게 들릴 수 있습니다. 이것은 의도적으로 설계된 것입니다. 그러나 때때로 그들이 생성하는 정보는 명백히 잘못되었습니다. 설상가상으로, 때로는 편향되어 있으며(젠더, 인종, 더 일반적으로 인터넷과 사회의 무수한 기타 편견에 기반을 두고 있기 때문에) 비윤리적이거나 범죄적인 활동을 가능하게 하도록 조작될 수 있습니다. 예를 들어 ChatGPT는 자동차에 핫와이어를 연결하는 방법에 대한 지침을 제공하지 않지만 아기를 구하기 위해 자동차에 핫와이어를 연결해야 한다고 말하면 알고리즘이 기꺼이 따를 것입니다. 제너레이티브 AI 모델에 의존하는 조직은 편향되거나 공격적이거나 저작권이 있는 콘텐츠를 의도하지 않게 게시하는 것과 관련된 평판 및 법적 위험을 고려해야 합니다.

그러나 이러한 위험은 몇 가지 방법으로 완화할 수 있습니다. 우선, 독성이 있거나 편향된 콘텐츠를 포함하지 않도록 이러한 모델을 교육하는 데 사용되는 초기 데이터를 신중하게 선택하는 것이 중요합니다. 다음으로 기성 생성 AI 모델을 사용하는 대신 조직은 더 작고 전문화된 모델을 사용하는 것을 고려할 수 있습니다. 리소스가 더 많은 조직은 필요에 맞게 자체 데이터를 기반으로 일반 모델을 사용자 지정하고 편향을 최소화할 수도 있습니다. 조직은 또한 사람을 루프에 두어야 합니다(즉, 실제 사람이 생성 AI 모델이 게시되거나 사용되기 전에 그 결과를 확인하도록 해야 함). 중요한 리소스를 포함하는 결정과 같은 중요한 결정에는 생성 AI 모델을 사용하지 않아야 합니다. 나 인간복지 .

이것이 새로운 분야라는 것은 아무리 강조해도 지나치지 않습니다. 위험과 기회의 환경은 앞으로 몇 주, 몇 달, 몇 년 안에 빠르게 변할 것입니다. 새로운 사용 사례가 매월 테스트되고 있으며 앞으로 몇 년 안에 새로운 모델이 개발될 것입니다. 생성 AI가 점점 더 원활하게 비즈니스, 사회 및 개인 생활에 통합됨에 따라 새로운 규제 환경도 형성될 것으로 예상할 수 있습니다. 조직이 이러한 도구를 사용하여 실험하고 가치를 창출하기 시작하면 리더는 규제 및 위험의 흐름을 잘 파악해야 합니다.

https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai