AI 세상의 시작

급격하게 발전하고 있는 AI 세상에서 누구나 알아야 하는 AI의 핵심 개념에서 부터 변천사, 활용분야, 학습 로드맵에 대해 알아 본다.

AI 란?

지금은 AI 시대

바야흐로 지금은 AI 시대 아니, AI 춘추 전국 시대라 할 정도로 전 세계가 AI 기술에 관심을 가지고 있으며, AI 기술은 우리의 삶을 빠르게 변화시키고 있다. 6개월이 채 지나기도 전에 새로운 기술들이 쏟아져 나오고 있으며, 이러한 기술들은 우리의 삶을 더 편리하고 효율적으로 만들어 주고 있다. 다만, 이러한 시대의 흐름을 잘 따라가지 위해서는 단순히 앱을 사용하는 수준이 아니라 AI의 기본 개념과 원리를 이해하고 있어야 한다.

다음의 몇몇 최신 AI 기술 트랜드 영상을 보고 AI 기술이 어떻게 발전하고 있는지 느껴보는 시간을 가져보다.

유튜브 AI 기술 트랜드 영상

인공지능

AI는 인공지능(Artificial Intelligence)의 약자로, 인간의 학습능력, 추론능력, 지각능력, 자연어 이해능력, 음성인식능력 등을 컴퓨터 프로그램으로 구현한 기술을 의미한다. 인공지능은 머신러닝, 딥러닝, 강화학습 등 다양한 기술을 포함하고 있으며, 이러한 기술들을 통해 컴퓨터가 인간의 지능을 가진 것처럼 행동하도록 만들 수 있다.

지난 수십 년 동안 인공지능에 대한 여러 정의가 있었지만 가장 유명한 정의중 하나는 인공지능이라는 표현을 제일 처음 사용한 존 매카시의 정의 이다.

존 매카시의 인공지능 정의

인공지능이란 지능형 기계, 특히 지능형 컴퓨터 프로그램을 만드는 과학 및 공학이다. 이는 컴퓨터를 사용하여 인간의 지능을 이해하는 유사한 작업과 연관되어 있지만, AI는 생물학적으로 관찰할 수 있는 방법에만 국한될 필요가 없다.

또한, 존 매카시는 1956년 다트머스 회의를 준비하면서 록펠러 재단에 후원을 요청하는 서신을 보냈는데 이때 인공지능이라는 용어가 처음으로 사용되고 이후 AI 연구가 본격적으로 시작되었다.

컴퓨터 역사에서 유명한 앨런 튜링은 인공지능이라는 용어나 개념조차 제대로 정립되지 않은 1950년 인공지능 테스트를 위한 소위 튜링 테스트(Turing Test)를 제안하기도 했다.

앨런 튜링(Alan Mathison Turing)

1912.6.23 ~ 1954.6.7, 영국의 컴퓨터 과학자, 수학자, 암호학자, 논리학자.
알고리즘과 계산 개념을 튜링 머신이라는 추상 모델을 통해 형식화해서 컴퓨터 과학의 발전에 지대한 공헌을 함.
제2차 세계대전 중 독일의 암호화된 메시지(에니그마)를 해독하는 데 기여함. - 영화 이미테이션 게임.

튜링 테스트

튜링 테스트는 컴퓨터의 지능을 판단하는 방법 중 하나로, 기계가 제시하는 답이 얼마나 인간다운 대답인지를 평가 하는 것.
평가자가 기계와 인간을 구분하지 못하면 기계는 테스트를 통과 했다고 판다.
2014년 Eugene 이라고 하는 슈퍼컴퓨터가 최초의 튜링 테스트 통과 컴퓨터로 인정 받았다.
ChatGPT4의 경우 공식적으로 튜링 테스트를 통과 했다고 알려지지는 않았는데 이유는 인간 보다 뛰어난 답변으로 사람들이 ChatGPT임을 인지 했기 때문.

현재, 인공지능이라고 하면 자율 주행 소프트웨어(예: 테슬라 FSD)혹은 ChatGPT 등을 떠올릴 수 있는데 이들은 모두 인공지능 연구 분야 중 하나이다. 최근에는 특히 LLM(Large Language Model)이라고 불리는 기술에 기반한 생성형 AI(예: ChatGPT)는 그동안 현실세계에 더디게 적용되었던 AI 기술을 빠르게 혁신 하는데 큰 역할을 하고 있다.

AI 기술 분류

일상적으로는 AI, 머신러닝, 딥러닝, 생성형 AI등 다양한 용어를 들어 볼 수 있는데 이들은 모두 인공지능 기술을 의미하는 용어이며, 각각의 기술은 다음과 같은 관계에 있다고 볼 수 있다.

인공지능

인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력, 자연어 이해능력, 음성인식능력 등을 컴퓨터 프로그램으로 구현한 기술을 의미한다.
인간의 지능을 모방 혹은 대체하는 기술 또는 시스템

머신러닝

머신러닝(Machine Learning, ML)은 컴퓨터가 학습할 수 있는 능력을 갖추게 하는 알고리즘과 기술을 연구하는 분야이다.
데이터를 통해 패턴을 학습하고 예측하는 기술, 자동으로 규칙 학습.
머신러닝은 지도학습, 비지도학습, 강화학습으로 나눌 수 있다.
데이터 예측, 패턴 인식, 분류, 군집화 분야에 적용된다.

딥러닝

딥러닝(Deep Learning, DL)은 인공신경망을 기반으로 한 머신러닝의 한 분야로, 다층 구조의 신경망을 통해 데이터를 학습하고 판단하는 기술이다.
인간의 뇌를 모방한 인공신경망을 통해 데이터를 학습하고 판단하는 기술.
딥러닝은 CNN, RNN, LSTM, GAN 등 다양한 신경망 구조를 사용한다.
이미지 분석, 음성 인식, 자연어 처리, 자율주행 등 다양한 분야에 적용된다.

생성형 AI

생성형 AI(Generative AI)는 인공지능이 새로운 데이터를 생성하는 기술이다.
이용자의 요구에 따라 새로운 콘텐츠를 자동으로 생성할 수 있는 기술.
생성형 AI는 LLM, GAN, VAE, BERT, GPT 등 다양한 모델을 사용한다.
ChatGPT, Sora, DALL-E, Claude, Gemini, Mystral, Llama 3(메타), Clova-X 등 다양한 생성형 AI가 개발되고 있다.

AI 변천사

AI는 1950년대 부터 지금까지 꾸준히 연구되어 왔으며 기술적 한계로 중간 중간 침체기를 겪었지만, 최근 몇 년간 빠르게 발전하고 있다. AI의 발전은 크게 1세대, 2세대, 3세대로 나눌 수 있으며, 각 세대별로 AI의 발전과정을 살펴보면 다음과 같다.

1960년대

AI 연구와 관련된 주요 연구로는 인공신경망(Artificial Neural Network) 모델이 있다. 1957년 프랭크 로젠블랏(Frank Rosenblatt)은 퍼셉트론(Perceptron) 모델을 통해 컴퓨터가 패턴을 인식하고 학습할 수 있다는 개념을 실증적으로 보여 주었으나 머지않아 컴퓨팅 성능, 데이터 부족, 논리 부족등의 한계로 AI 연구는 첫번째 침체기를 겪었다.

1980년대

전문가 시스템(Expert System)이 등장했는데 전문가 시스템은 규칙 기반 시스템으로, 전문가의 지식을 규칙으로 표현하고 이를 컴퓨터 프로그램으로 구현하여 사용자에게 전문가 수준의 판단을 제공하는 시스템이다. 의학, 법률, 금융 등 다양한 분야의 적용이 시도 되었으나 사람이 설정한 규칙에만 의존하여 동작하며 복잡한 현실 세계를 이해하지 못하는 한계가 있었으며 이로 인해 두번째 침체기를 겪게 되었다.

1990년대

1990년대에 들어서는 인간의 명령이 아닌 스스로 규칙을 찾아 학습하는 머신러닝(ML)이 주목 받기 시작했다. 머신러닝은 데이터를 통해 패턴을 학습하고 예측하는 기술로, 머신러닝을 통해 컴퓨터가 스스로 데이터를 분석하고 판단할 수 있게 되었다.

그동안 AI 연구를 획기적으로 개선할 수 있는 중대한 변곡점이며 이 시기에는 컴퓨터의 성능이 향상되고 디지털과 인터넷을 통해 데이터가 많이 생산되면서 머신러닝이 발전하게 되었다. 환경적 요인으로 지난 세대와 달리 지속적으로 성장기에 있지만 혁명적 수준의 발전은 아직 없었다.

2000년대

2000년대에는 머신러닝의 한 분야인 딥러닝(Deep Learning)이 주목 받기 시작했다. 딥러닝은 인공신경망을 기반으로 한 머신러닝의 한 분야로, 다층 구조의 신경망을 통해 데이터를 학습하고 판단하는 기술이다. 딥러닝은 머신러닝의 한 분야로, 다층 구조의 신경망을 통해 데이터를 학습하고 판단하는 기술이다.

인공신경망 연구는 1986년 제프리 힌튼(Geoffrey Hinton)이 제안한 역전파(Backpropagation) 알고리즘을 통해 발전되었으며, 2012년 알렉스넷(AlexNet)이 이미지 인식 대회인 ILSVRC에서 1위를 차지하며 딥러닝의 성능을 입증하였다.

소위 컴퓨터 비전, 음성 인식, 자연어 처리 분야에서 성과를 거두었으며 기업에서 의미있는 활용이 가능한 수준으로 발전하게 되었으나 아직 일반인들이 인공지능을 체감하기에는 부족한 수준이었다.

2010년대

이후 AI연구의 대세는 딥러닝이 되었고 GPU의 발전과 함께 고도로 성장하게 되었다. 2016년 구글의 알파고(AlphaGO)가 이세돌 9단을 이기며 새로운 AI 시대의 가능성을 제시하게 되었다. 알파고는 딥러닝 알고리즘과 강화학습, 몬테카를로 트리 탐색 알고리즘을 결합하여 수만번의 자가 대국을 통해 스스로 학습하고 인간의 직관을 모방하여 수를 예측하고 전략까지 세우는 능력을 보여 주었다.

강화학습

강화학습(Reinforcement Learning): AI가 행동을 학습하는 방식 중 하나. 행동에 따른 결과를 보상의 형태로 알려주면서, 주어진 상태에서 최적의 행동을 선택하는 전략을 찾게 한다.

몬테카를로 트리 탐색

강화학습에 사용되는 방법중 하나로 일련의 난수를 반복적으로 생성하여 함수의 값을 수리적으로 근사하는 확률적 알고리즘의 일종. 현 상황에서 선택 가능한 행동들을 탐색 트리로 구조화하고, 무작위적 시뮬레이션을 통해 각 행동의 득실을 추론하여 최적의 행동을 결정하는 기능을 한다.

2014년 이안 굿펠로우(Ian Goodfellow)가 발표한 GANs(Generative Adversarial Networks) 즉, 생성적 적대 신경망은 생성형 AI의 시작으로 불리우며 두 신경망이 서로 경쟁하면서 학습하는 구조를 가지고 있다.

이후 1917년에는 구글에 의해 자연어처리(NLP, Natural Language Processing) 모델인 트랜스포머(Transformer)가 발표되었다. 트랜스포머는 Attention 메커니즘을 통해 문장의 단어들 간의 관계를 학습하고 이를 통해 문장을 생성하거나 번역하는 등 다양한 자연어 처리 작업을 수행할 수 있다.

이러한 트랜스포머 모델은 언어 이해, 기계 번역, 대화형 시스템등의 자연어 처리 작업에 혁심을 가져왔으며, 이후 GPT(Generative Pre-trained Transformer) 시리즈, BERT(Bidirectional Encoder Representations from Transformers) 등 다양한 트랜스포머 기반 모델이 발표되었으며 생성형 AI 시대를 이끌게 되었다.

현재

OpenAI는 2022년 GPT-3.5를 탑재한 ChatGPT를 발표했으며 전세계에 충격을 가져오며 새로운 AI의 발전 가능성을 보여 주었다. 이러한 생성형 AI는 단순히 텍스트나 음성이 아닌 이미지 동영상등으로 확대되어 사람과 자연어로 대화 하면서 새로운 콘텐츠를 생성하는 기술로 발전하고 있다.

그동안 많은 연구들이 CNN, RNN 등을 활용 했으나 지금은 트랜스포머 기반의 모델이 대세가 되었으며 트랜스포머 모델은 소위 파운데이션 모델(Foundation Model)로 지금까지의 AI 연구와는 다른 접근법으로 빠른 속도로 AI 발전을 견인하고 있다.

2024년 현재 kaggle, Hugging Face, Lang Chain 등 공유/활용 인프라와 Llama, Stable Diffusion 등 개방형 AI모델 등 많은 연구 결과들이 공개되고 활용할 수 있는 인프라가 구축되면서 인공지능 전문가가 아닌 개발자 혹은 일반인들도 AI 응용 서비스 개발이 가능한 수준으로 발전하게 되었다.

초기 많은 사용자를 수용하기 어려웠던 ChatGPT도 좀 더 빠르게 이용할 수 있게 되었고 ChatGPT-4o는 음성 대화 기능을 추가하여 실시간 대화를 통한 편리한 이용환경을 제공 하고 있다. 또한, 온디바이스 AI가 적극 도입되기 시작하면서 인터넷 연결 없이도 AI 서비스를 이용할 수 있게 되었다.

현재의 AI 기술 트랜드는 다음과 같다.

생성형 AI 모델들의 무한 경쟁 시대 -> 더 많은 파라미터, 더 높은 성능, 더 빠른 학습 속도
생성형 AI의 실무 활용 범위 확대 -> 사람의 업무 효율 증대, 인력 대체 발생 시작
프로그램 코딩, 광고 영상/음성 생성, 데이터 분석 등 다양한 분야에 AI 적용 확대
소형 LLM 모델 및 온디바이스 AI 도입 확대

AI 활용분야

과거 AI는 특정 분야에 주로 적용되었으니 지금은 일상 생활이나 산업 전반에 걸쳐 다양한 분야에 적용되고 있다. 현재 가장 활발하게 적용되어 활용되는 분야들은 다음과 같다.

의료

의료는 전문 영역이고 의사들도 개인의 지식이나 경험의 한계를 가지고 있기 때문에 AI를 통해 의료진의 의사결정을 보조하거나 환자의 질병을 조기에 발견하고 예방하는데 활용되고 있다. 의료 영상 분석, 질병 진단, 약물 개발, 의료 기록 관리 등 다양한 분야에 적용되고 있다.

X-ray, MRI, CT 등 의료 영상 분석 및 1차 판독
질병 진단 및 예측
약물 개발 및 임상시험
환자 데이터에 기반한 맞춤형 치료

의료 분야 대표 제품이나 활용 사례

IBM Watson
Arterys사의 MRI 영상 분석(골절, 기흉, 폐 결절, 뇌졸중, 유방암 등)
Recursion, Atomwise 사의 신약 개발 활용
국내 회사인 루닛(Lunit)의 암환자별 맞춤형치료 플랫폼

자율주행/로봇

자율주행 자동차를 위한 노력은 전 세계 많은 자동차 회사들의 궁극의 목표이며 지난 10여년간 실제 필드 테스트를 통해 축척된 데이터를 통해 점차 더 안전하고 효율적인 자율주행 기술이 개발되고 있다. 로봇 역시 자율주행 자동차와 유사한 기술적 베이스를 가지고 있다. 이들은 모두 다양한 현실 세계의 환경을 실시간으로 감지하고 판단하고 대응해야 하기 때문에 AI 기술이 필수적이다.

자율주행/로봇 분야 대표 제품이나 활용 사례

테슬라의 FSD(Full Self Driving)
테슬라의 옵티머스
Waymo, Lyft, Argoverse, 카카오 모빌리티 등의 자율주행 택시 서비스

금융/법률

은행, 증권사, 보험사 등 금융권은 데이터가 많고 비교적 정형화된 업무나 상황 분석이 많고 변수가 다양한 분야이기 때문에 AI 기술을 활용하여 투자 의사결정, 상품 개발, 주식 트레이드, 사기 탐지, 포트폴리오 관리 등 다양한 분야에 적용되고 있다.

최근 대형 투자회사들은 자동화된 트레이딩 시스템을 통해 각종 실시간 데이터를 분석하고 주식을 매매하는데 활용하고 있다. 가끔 이러한 자동화된 시스템들이 잘못 받응하고 이로인한 연쇄작용으로 실제 시장상황과 관계없이 주가가 급등하거나 급락하는 일도 종종 발생한다.

법률 분야는 가까운 미래에 많은 부분 사람을 대체할 수 있을것으로 기대되는 분야 이다. 법 조문과 판례를 검색하고 분석하고 이를 기반으로 법률 문서를 작성하는 등의 작업을 AI가 대신 수행할 수 있기 때문이다. 국내 최대 규모 로펌에서도 이미 AI 변호사 활용을 위한 전담팀을 생각보다 큰 규모로 운영한다고 알려져 있다.

2027년 전망되는 법률 AI 시장 규모는 약 465억달러(62조원) 규모
골드만삭스는 법률산업 업무의 44%가 AI에 의해 자동화 될 것으로 예측

코딩

컴퓨터 프로그래머의 가장 기본적인 업무인 코딩은 소프트웨어를 개발하기 위한 핵심 과정이다. 구현하고자 하는 기능을 정의하고 이를 컴퓨터가 이해할 수 있는 언어로 변환하는 과정이다. 보통 C/C++, Java, C#, Python, JavaScript 등 다양한 프로그래밍 언어를 사용해 작성하게 된다.

사실 개발자에게 요구되는 가장 중요한 역량은 업무 분석과 설계, 문제 해결 능력이며 코딩 자체는 모든 것을 암기해서 한다기 보다 필요한 것들을 찾아가며 완성해 나가게 된다. 이러한 과정을 자동화하고 개발자가 더 빠르게 개발할 수 있도록 도와주는 것이 코딩 AI 기술이다.

ChatGPT로 대표되는 생성형 AI의 주요 활용분야중 하나가 바로 코딩 AI로 불과 2년이 채 안되어 많은 개발자들이 코딩 AI를 활용하여 개발 업무를 보조하고 있다.

코딩 분야 대표 제품이나 활용 사례

Github Copilot, Codex, CodeBERT, CodeGPT 등 개발 도구에 연결해서 사용
ChatGPT등의 생성형 AI를 직접적으로 활용.

멀티미디어

멀티미디어는 이미지, 동영상, 음성 등 다양한 형태의 데이터를 다루는 분야로, AI 기술을 활용하여 이미지 분석, 영상 처리, 음성 인식, 자연어 처리 등 다양한 분야에 적용되고 있다.

멀티미디어 역시 생성형 AI의 발전으로 인해 단순히 이미지나 동영상을 분석하는 것을 넘어 새로운 콘텐츠를 생성하는 기술로 발전하고 있다. 2024년 2월 Open AI가 발표한 Sora는 원하는 영상의 상황을 텍스트로 입력하면 자동으로 영상을 만들어 주는 기술로 데모 공개시 전세계에 충격을 주었다.

멀티미디어 분야 대표 제품이나 활용 사례

Adobe Photoshop, Premiere Pro, After Effects 등의 이미지/동영상 편집 도구에서 영상 필터/이미지 변환, 효과 적용등에 AI 기술적용.
프롬프트 기반 생성형 AI를 활용
Open AI Sora 등의 생성형 AI를 활용한 영상 생성

사무 업무/번역

그동안 일반 사무 업무는 프로그래밍이나 AI와 다소 거리가 먼 영역으로 인식되었는데 최근에는 ChatGPT와 같은 생성형 AI가 사무 업무에도 적용되어 빠르게 확산되고 있다.

많은 양의 데이터를 정리하거나 요약하고, 문서를 작성하거나 번역하는 등의 업무를 AI가 대신 수행하게 되면서 사무 업무의 생산성이 크게 향상되고 있다.

또한, 파이썬과 같은 프로그래밍 언어를 사용해 AI 서비스와 연동해 업무를 자동화하거나 최적화하는 등의 업무도 증가하고 있다. 어떻게 보면 생성형 AI의 가장 큰 수혜영역으로 볼 수 있다.

사무 업무/번역 대표 제품이나 활용 사례

ChatGPT-4o의 음성 대화 기능을 활용한 실시간 번역 및 통역
마이크로소프트 오피스의 Copilot 기능을 활용한 문서 작성 및 요약, 번역
Gamma(ppt 생성), Adobe Firefly(디자인, 웹 생성)등의 생성형 AI를 활용한 사무 업무 자동화

AI 세상의 문제점

AI 기술은 아직 진행중이고 여러 분야에서 사람에게 도움이 되는 기술임은 분명하다. 다만 여러 문제점도 함께 발생하고 있으며 이에 대한 해결책을 함께 보완해 나가야 AI 기술이 좀 더 긍정적으로 발전할 수 있을 것이다. 일반적으로 알려진 AI의 문제점들은 다음과 같다.

1) 법적, 윤리적 문제

아직까지는 인공지능이 법적인 권리나 의무의 주체가 아니므로 AI에 책임을 물을 수 없다. 예를 들어 자율주행 자동차나 AI가 탑재된 로봇이 사고를 일으키면 책임과 배상, 처벌 문제가 있다.
생성형 AI의 경우 잘못된 지식을 올바른 것으로 전달할(할루시네이션, Hallucination) 수도 있고 Deep Fake와 같은 악용이 가능하다.
사람과 같은 보편적 윤리 기준을 가지고 있지 않기 때문에 AI가 인간의 가치관과 다른 판단을 할 수 있다.

2) 인간 노동의 대체

AI 기술이 발전하면서 인간의 일자리를 대체하거나 인간의 지능을 넘어설 수 있다는 우려가 제기되고 있다. 특히 노동직업이나 서비스업에서 AI 기술이 활용되면서 인간의 일자리가 위협받고 있다.
이미 온라인 상담사들은 AI 상담사로 대체되고 식당 노동자들은 키오스크, 로봇으로 대체되고 있다. 미래에는 운전사, 의사, 변호사, 교사, 작가, 예술가 등 다양한 직업이 AI에 의해 대체될 수 있다.
빌게이츠는 로봇 도입으로 일자리를 잃은 근로자들을 위해 로봇세(稅)를 도입하는 것을 제안하고 있다.

3) 데이터 품질 저하

특히 생성형 AI의 경우 대량의 데이터를 필요로 하며 이 데이터의 품질이 낮으면 AI가 생성하는 결과도 품질이 낮아질 수 있다. 시간이 지날수록 인간의 창작이 아닌 AI가 생성한 데이터에 기반해 학습이 이루어질 수 있으며 이는 AI의 품질 저하로 이어질 수 있다.
생성형 AI에 의존한 사람이 증가하면서 인간의 창작력이 저하될 수 있고 이는 AI를 위한 데이터의 품질 저하로 이어질 수 있다.
알파고 사례에서 어느 순간 AI는 인간의 대국 데이터를 연구하는 것이 아니라 AI끼리의 무수히 많은 대결을 통해 스스로 학습하고 결정하는 방향으로 발전하게 되었다.

생각해 봅시다

생성형 AI의 잘못된 지식 전달 문제를 무엇이라고 부르나요?
앞에서 다룬 세가지 문제에 대한 여러분의 생각은 무엇인가요?
제시된 문제에 대해 다른 의견이나 문제 해결을 위한 아이디어는 없을까요?
시대에 따른 AI의 변천사를 다시 한번 정리해 보세요.