AI 개념
정의
AI (Artificial intelligence, 인공지능) 이란, 인간처럼 생각할 수 있는 기계를 만드는 과학입니다. 전통적으로 인간 지능이 필요했던 작업들을 컴퓨터로 수행하는 것을 의미합니다.
AI 기술은 사람보다 많은 양의 데이터를 다양한 방식으로 처리할 수 있습니다. 인공지능은 인간의 지능과 유사한 방식으로 학습하고 사고하고 행동할 수 있는 컴퓨터 시스템을 개발하는 것입니다. AI는 컴퓨터 공학, 데이터 분석, 통계, 신경 과학, 철학, 심리학 등 다양한 학문의 연구 결과를 바탕으로 개발되고 있습니다.
이를 토대로 AI는 데이터 분석이나 예측, 분류, 자연어 처리, 추천, 지능형 데이터 가져오기 등을 수행할 수 있습니다. 또한 자율주행 자동차나 로봇, 의료 진단, 재정 분석, 고객 서비스 등 다양한 분야에서 활약하고 있습니다.
장점
AI 기술을 활용함으로써 다양한 이점을 얻을 수 있습니다.
- 워크플로우 및 프로세스 자동화
AI는 워크플로 및 프로세스를 자동화하고, 독립적이고 자율적인 작업을 할 수 있습니다. 또한 AI를 사용하면 문서를 확인하거나 텍스트 변환, 간단한 고객의 질문에 답변하기 등 반복적이고 단순한 작업을 자동화하여 인적 자본이 더 중요한 일에 집중할 수 있습니다. - 휴먼 에러 감소
AI는 인간보다 더 많은 정보를 빠르게 처리하며, 사람이 놓칠 수 있는 데이터의 패턴을 찾고 관련성을 발견하는 데에 능합니다. 또한 AI는 할당된 작업을 계속 진행할 수 있습니다. 매번 동일한 프로세스를 따르는 자동화 및 알고리즘을 통해 데이터 처리, 분석, 제조 및 기타 작업 과정에서 인간이 범할 수 있는 수동 오류를 줄일 수 있습니다. - 연구 및 개발 가속화
방대한 양의 데이터를 빠르게 분석할 수 있는 기능은 연구 개발의 가속화로 이어질 수 있습니다.
2022년 말부터 국내외에서 AI에 대한 검색 쿼리가 급증했습니다. 2022년 전 세계 인공지능 시장 규모는 692억 5,000만 달러였으며 전 세계 기업의 35%가 인공지능을 사용하고 있었습니다. 오늘날 인공지능은 수요가 많은 기술을 제공하고, 신기술을 이해하도록 도울 뿐만 아니라 문제 해결 및 의사결정 능력을 향상시킬 수 있다는 점에서 여전히 큰 관심을 받고 있습니다.
👉 Generative AI의 역사와 적용 사례가 궁금하다면?
강인공지능 vs. 약인공지능
강인공지능과 약인공지능은 AI 구축의 목적에 따라 달라진다고 할 수 있습니다.
약인공지능 (Weak AI, WAI) 란?
- 특정 인지 기술이 필요한 작업을 자동화하도록 설계된 AI 애플리케이션
- ‘약한’ 의 뜻은 응용프로그램이 특정한 인지 기능에 초점을 맞추고 있다는 것을 의미
- 객체 인식, 챗봇, 개인 음성 비서, 자동 수정 시스템이나 Google 검색 알고리즘 등 특정 작업에 맞게 조정된 머신러닝 모델
- ChatGPT, Midjourney, Stable Diffusion, DALL·E, Bard 등이 여기에 포함
강인공지능 (Strong AI, SAI) 란?
- 인공지능의 분석적 사고 및 기타 지적 능력 등의 계산 능력이 인간의 두뇌를 모방할 수 있다는 믿음에서 출발
- 좁은 작업을 수행하기 위해 모델에 의존하지 않음
- 인간의 뇌 기능을 시뮬레이션하여 일반적인 작업을 처리할 수 있는 잠재력
- 시간이 지남에 따라 진화하는 기술 시스템과 환경 변화에 적응할 수 있는 능력
Weak AI와 Strong AI의 차이점을 간략하게 요약하면 다음과 같습니다.
- 특정 프로세스를 자동화하여 다양한 분야의 효율성을 높이는 약인공지능과 달리, 강인공지능은 인간 두뇌의 기능을 모방하는 것을 목표로 설계되어 ‘인간처럼’ 광범위한 작업을 수행할 수 있습니다.
- 약인공지능은 특정 데이터 세트에 의존하여 패턴을 학습하고 반복 작업을 수행합니다. 반면 강인공지능은 인간의 인지 과정을 모방하기 위해 광범위하고 방대한 양의 데이터를 학습합니다.
- 약인공지능의 시스템이 만든 예측 및 결과는 일정하기 때문에 신뢰할 수 있습니다. 반면 강인공지능은 보다 복잡하고 창의적인 작업을 처리하기 위한 문제 해결 접근 방식이 도입되어 종종 불명확하고 신뢰할 수 없는 결과를 낼 수도 있습니다.
AI 기술 범주
인공지능은 인간의 지능과 유사한 행동과 특성을 모방하는 시스템을 가지고 작업을 수행하기 위해 학습하고, 추론하고, 이해할 수 있습니다. 이를 통해 다양한 산업 분야에서 눈부신 발전을 이루었습니다. 이 섹션에서는 가장 대표적인 인공지능 기술의 4가지 범주를 소개합니다.
- 특정 작업을 수행하도록 프로그래밍하는 대신, 경험을 통해 자동으로 배우고 개선하는 AI Application
- Unsupervised, Supervised 및 Reinforcement Learning 등의 알고리즘을 사용
- 데이터 정확도에 따라 출력 정확도가 상이
- 인간과 컴퓨터 간의 상호 작용을 용이하게 하기 위해 인간의 언어를 컴퓨터 프로그래밍
- speech-to-text, text-to-speech, IVR(Interactive Voice REsponse), 번역 등에 활용
자동화 및 로보틱스
- 기계가 단조롭고 반복적인 작업을 수행하여 비용 효율적인 결과를 얻고, 생산성과 효율성을 향상시키는 것을 목표
- 머신러닝, 신경망 그래프를 자동화에 적용
- 온라인 금융 거래에서 사기를 방지하는 기술인 CAPTCHA가 대표적인 사례
- RPA (Robot Process Automatic) 을 통해 다양한 상황의 변화에 적응할 수 있는 대량의 반복 작업을 구축
- 카메라를 사용하여 시각적 정보를 캡쳐하고, 아날로그 이미지를 데이터로 변환하고 처리하는 작업
- Pattern recognition, Object Detection 기술을 통해 서명 식별 및 의료 영상 분석 등으로 활용
👉 RPA의 핵심 기술, OCR에 대해 알아보기
AI의 역사
1차 AI Boom - GOFAI
AI에 대한 관심이 본격적으로 고조된 시기는 1950년대 중반부터입니다. 1958년, AI 연구를 위한 최초의 프로그래밍 언어인 LISP (List Processing의 약어)가 탄생했습니다. 당시 쏟아져 나온 각종 로봇 프로세스들은 현대의 자율주행이나 로보틱스, 챗봇 등의 전신이 되었습니다.
이 때 Alan Turing의 저서인 <Machinery and Intelligence>에서 처음 등장한 Turing Test (튜링 테스트)는 이후 전문가들이 컴퓨터 지능을 측정하는 데에 사용하는 지표가 되었습니다.
Turing Test는 기계가 인간과 동등하거나 구별할 수 없을 정도로 지능적인 행동을 보이는지 테스트하는 것입니다. 인간 판사가 두 명의 다른 당사자(한 명은 인간이고 다른 한 명은 기계)와 자연어 대화를 나눕니다. 판사가 기계와 인간을 확실하게 구분하지 못하면 기계가 테스트를 통과한 것으로 간주합니다.
물론 튜링 테스트가 완벽한 것은 아닙니다. 기계의 이해력이나 추론 능력은 측정하지 않고 인간처럼 의사소통할 수 있는지만 측정하기 때문이죠. 그럼에도 불구하고 튜링 테스트는 인공지능 분야에서 중요한 이정표로, 오늘날까지 널리 사용되고 있습니다.
2차 AI Boom - Expert systems
그러나 컴퓨터로 추론 및 탐색을 하는 것으로 특정한 문제를 푸는 연구가 한계에 도달하면서 첫 번째 ‘AI 겨울’이 도래했습니다. 당시에는 지금과 같이 충분한 컴퓨터 파워가 없었습니다. 또한 Computer vision이나 NLP와 같은 인공지능 응용 프로그램은 전 세계를 대상으로 한 엄청난 양의 정보를 필요로 하는데, 당시에는 이러한 데이터베이스를 구축할 수 없을 뿐더러 이 방대한 정보를 학습하는 방법조차 불분명했습니다.
1980년대에 이르러서 다시 AI 연구가 급속도로 성장하고 관심을 받게 되었습니다. 딥 러닝 기술과 전문가 시스템의 사용이 더욱 대중화되었으며, 컴퓨터가 실수로부터 배우고 독립적인 결정을 내릴 수 있게 되었죠. 인공지능 발전 협회의 첫 회의가 스탠포드에서 열린 후, 최초의 전문가 시스템이 상용 시장에 등장했으며 기존보다 고도화된 모델이 등장했습니다.
전문가 시스템(Expert system)은 신경망 연구가 다시 살아나는 계기가 되었습니다. 1982년 물리학자 John Hopfield에 의해 신경망(Hopfield Net)이라는 개념이 처음으로 등장했습니다. 기존과는 완전히 새로운 방식으로 정보를 학습하고 처리할 수 있는 형태였죠. 또한 Geoffrey Hinton과 David Rumelhart는 역전파(Backpropagation)이라는 학습 방법을 대중화하는 데에 성공했습니다. 다중 퍼셉트론의 학습을 실질적으로 가능하게 하면서 비선형 문제를 해결할 수 있었죠.
3차 AI Boom (현재) - Machine learning
하지만 데스크탑 컴퓨터들의 하드웨어 성능이 비약적으로 발전하면서, 고가의 하드웨어를 사용해야 하는 전문가 시스템의 유지가 어렵다는 문제가 지적되었습니다. 또한 전문가 시스템이 유용한 것은 사실이지만 몇 가지 특수한 상황에서만 유용하기 때문에 범용적인 문제에서도 아쉽다는 반응이었습니다.
그러나 하드웨어의 성능이 발전한 덕분에 이전과 비교할 수 없을 정도로 향상된 컴퓨팅 파워를 인공지능 연구에 활용할 수 있게 되었습니다. 바야흐로 딥 러닝의 시대가 열린 것이죠.
1997년 IBM에서 개발한 Deep blue는 세계 체스 챔피언을 이기는 쾌거를 기록하면서 인간 체스 챔피언을 이긴 최초의 컴퓨터가 되었습니다. 이후 AI 업계는 딥 러닝을 기반으로 한 알파고, 리브라투스 등의 성공과 자율주행차의 등장 등의 성과를 거두었습니다. 이를 통해 얻은 사회적 흥미와 관심이 세 번째 AI Boom을 불렀으며, 현재까지 이어지고 있습니다.
접근법
인공지능 연구의 방법론으로 가장 유명한 것은 Bottom-up(상향식)과 Top-down(하향식) 방식이 있습니다. 상향식은 인간의 뇌 속의 신경망을 해석하고 화학 작용을 분석하는 것으로 뇌의 전자 모델을 만들고, 이를 통해 인공지능을 탄생할 수 있다고 보는 관점입니다. 반대로 하향식 접근법은 지능이 필요하다고 보는 작업을 알고리즘으로 해결하는 데에 초점을 맞춥니다. Bottom-up 접근법은 Data centric AI를 지향하며, Top-down 접근법은 Model centric AI를 목표로 합니다.
데이터 품질 문제는 거의 모든 산업을 괴롭히는 해결 과제입니다. 데이터 세트가 커질수록 알고리즘을 사용하지 않고는 품질 보장이 어렵습니다. 따라서 대규모 데이터 세트에서 훈련된 최근 머신러닝 시스템은 저품질 훈련 데이터 때문에 발생하는 단점을 극복하기 위해, 수많은 인간의 수동 작업에 의존해왔습니다. 그러나 이러한 노력으로도 데이터 품질 문제를 완벽히 뛰어넘지 못했기 때문에, 머신러닝 모델이 깨끗한 데이터로 훈련될 수 있도록 자동화된 워크플로와 체계적인 엔지니어링 원칙이 필요해졌습니다. 이는 최근 연구에서 다양한 애플리케이션을 위해 Data centric AI를 강조하는 이유이기도 합니다.
Generative AI 의 시작
이후 더 고도화된 AI는 마침내 작업 실행자를 넘어, 우리에게 영감을 주고 독창적인 결과물을 생성할 수 있는 창의성을 갖추게 되었습니다. 이를 Generative AI라고 합니다. 오늘날 우리가 알고 있는 Generative AI의 탄생은 신경망 연구를 통해 파생되었습니다. 2014년 Ian Goodfellow의 팀에 의해 개발된 GAN(Generative Adversarial Network)와 더불어, VAE(Variational Autoencoders) 및 RNN(Recurrent Neural Networks)은 새로운 콘텐츠를 생성하는 능력을 입증하기 시작했습니다.
2023년 2월, Meta에서 최신 AI 언어 모델인 LlaMA를 발표했습니다. 메타의 보고서에 의하면, LLaMa의 13B 버전은 이미 GPT-3를 능가했다고 합니다. 실제로 LLaMa는 서비스 오픈 당시 GPT보다 성능이 낮았습니다. 그러나 오픈소스 진영에서 LLaMa를 자유롭게 개선하기 시작한 뒤, 단 2주만에 GPT 성능의 92% 수준까지 따라잡았다는 것을 알 수 있었습니다.
👉 LLM (거대언어모델)의 원리와 구조, 주요모델, 적용사례 자세히 알아보기
인공지능 유형
인공지능은 크게 네 가지 유형으로 나눌 수 있습니다. 일부 유형은 현재의 기술로는 구현할 수 없는 것도 있지만, 인공지능 학계에서 꾸준히 연구 및 개발에 몰두하고 있는 분야입니다.
반응형 AI (React AI)
반응형 기계는 항상 똑같은 상황에 매번 똑같은 방식으로 반응합니다. 행동을 배우거나 과거나 미래를 상상할 수 없다는 한계가 있지만, 수신한 입력을 기반으로 예측 가능한 출력을 제공하기 때문에 결과를 신뢰할 수 있다는 장점이 있습니다.
반응형 AI의 시초는 세계 체스 챔피언 Garry Kasparov를 제친 IBM의 슈퍼 컴퓨터 Deep blue입니다. 이후 받은 편지함에서 스팸이나 프로모션을 감지하고 차단하는 스팸 필터나 취향을 맞추는 추천 엔진 등으로 발전하며 다양한 비즈니스 영역에서 활용되고 있습니다.
제한된 메모리 AI (Limited Memory AI) - 오늘날의 AI
반응형 AI는 인공지능 개발의 역사에서 엄청난 발전을 이루었지만 원래 설계된 작업 이상은 불가능합니다. 따라서 개발자들은 다음 AI 유형으로 ‘제한된 메모리 AI’를 만들었습니다. 이는 과거로부터 학습하고 행동이나 데이터를 관찰하여 경험적 지식을 구축할 수 있습니다. 사전 프로그래밍된 정보와 함께 과거 관찰 데이터를 사용하는 것이 특징입니다.
예를 들어, 자율주행 자동차는 제한된 메모리 AI를 사용해 도로를 읽으면서 다른 자동차의 속도나 방향을 관찰하고 필요에 따라 방향이나 속도를 조절합니다. 들어오는 데이터를 이해하고 해석하는 프로세스를 통해 변수가 많은 도로 위에서도 안정적인 주행이 가능해졌죠. 물론 이름에서도 알 수 있듯이 여전히 제한적이기 때문에, 획득한 정보는 순간적이며 장기 기억으로 저장할 수는 없다는 한계가 있습니다.
이외에도 제한된 메모리 AI는 과거 관찰 데이터를 통해 예측하고, 복잡한 분류 작업을 다방면으로 수행할 수 있어 오늘날 가장 널리 사용되고 있습니다.
마음 AI 이론 (Theory of Mind AI)
마음 AI 이론은 실제 인간처럼 보이고 들리는 감성 지능 로봇을 의미합니다. 이러한 유형의 AI를 통해 기계는 인간과 유사한, 진정한 의미의 의사 결정 능력을 습득하게 됩니다. 또한 감정을 이해하고 기억한 다음 사람과 상호작용할 때 감정을 기반으로 행동할 수 있게 됩니다.
자기 인식 AI (Self-aware AI)
기계가 자신의 감정 뿐만 아니라 주변 사람들의 감정도 인식할 수 있게 되면, 인간과 유사한 수준의 의식과 지능을 갖게 될 것이라고 합니다. 이렇게 되면 인공지능은 스스로 욕구와 필요, 감정을 느끼게 될 것입니다. 자기 인식 AI는 이 이론을 기반으로 가장 발전된 유형의 인공지능을 목표로 하고 있습니다.
AI와 딥 러닝 (Deep learning)
딥 러닝 (Deep learning) 이란?
딥 러닝은 인간의 두뇌에서 영감을 얻은 방식으로 데이터를 처리하도록 컴퓨터를 가르치는 인공지능의 한 방식입니다. 그림이나 텍스트, 사운드 및 기타 데이터의 복잡한 방식을 인식하여 정확한 예측과 의사결정을 내릴 수 있습니다. 일반적으로 인간의 지능이 필요한 작업을 자동화하는 데에 딥 러닝 방법을 사용할 수 있습니다.
딥 러닝 기술은 디지털 어시스턴트나 음성인식, 얼굴인식 등 우리 생활과 밀접한 관계를 맺고 있습니다. 일상적인 제품 속의 AI 애플리케이션을 구동하는 데에 핵심적인 역할을 합니다.
딥 러닝 VS. 머신 러닝
한 문장으로 요약하자면 딥 러닝은 머신 러닝의 특수 하위 집합이며, 다시 인공지능의 하위 집합입니다. 즉, 딥 러닝은 머신 러닝에 포함되는 개념입니다. 두 기술의 정의를 살펴보면 차이점을 알 수 있습니다.
구조의 차이
- 머신러닝은 컴퓨터가 데이터로부터 학습하는 경우를 가리키는 용어
- 딥 러닝은 인간이 결론을 내리는 것과 유사한 논리적 구조로 데이터를 분석하는 것
예측 방법의 차이
- 머신러닝 알고리즘은 패턴과 추론에 기반하여 예측하는 방법을 사용
- 딥 러닝은 인공 신경망(ANN)이라는 계층화된 알고리즘 구조를 사용
머신러닝 알고리즘은 컴퓨터 과학과 통계의 교차점에 있는 기술이지만, 딥 러닝은 인간 두뇌의 생물학적 신경망에서 영감을 받았습니다. 따라서 딥 러닝이 표준 머신러닝 모델보다는 훨씬 더 뛰어난 학습 프로세스를 가지고 있습니다.
AI 딥 러닝 학습 방법
딥 러닝의 학습 방법은 학습 형태에 따라 3가지로 나눌 수 있습니다. 학습 방법에 따라 대표적인 알고리즘도 있습니다. 아래에서 자세한 내용을 확인하실 수 있습니다.
Supervised Learning (지도학습): 정답이 무엇인지 알고 있는 데이터(=Labeled data)를 컴퓨터에게 학습시켜, 새롭게 들어오는 데이터에 대한 결과를 예측하는 학습 방법
- Regression: Linear Regression, Ridge Regression, Lasso Regression
- Classification: KNN Classification, Naive Classification, SVM Classification
Unsupervised Learning (비지도학습): 정답을 알려주지 않고 예측하는 방법으로 라벨링 되어있지 않은 데이터로부터 패턴이나 형태를 찾아 비슷한 데이터들끼리 군집화하면서 예측하는 학습 방법
- Clustering: K-means, PCA, Density Estimation, Association analysis
Reinforcement Learning (강화학습): 학습 수행 주체인 에이전트와 에이전트가 활동할 환경이 주어지면 에이전트의 행동을 관찰하여 행동에 따른 보상을 주는 방식
- 에이전트의 행동이 더 나은 방향으로 개선되도록 하는 학습 방법
- DQN, A3C
AI 인공지능 응용 분야
인공지능 활용 분야
인공지능은 우리 생활과 밀접한 관계를 맺고 있으며, 다양한 분야에서 활용하고 있습니다. 대표적으로 꾸준히 많은 관심을 받고 있는 핵심 분야를 정리하자면 다음과 같습니다.
- 이미지/영상 인식: 얼굴 인식, 물체 감지, 자율 주행 자동차 등
- 번역: 웹사이트/문서, 대화 번역 등
- 예측 모델링: 고객 행동 예측, 제품 수요 예측, 사기 예측 등
- 데이터 분석: 비즈니스 프로세스 최적화, 트렌드 파악 등
- 사이버 보안: 사이버 공격을 탐지하고 예방하기 위해 AI를 사용
생성 AI (Generative AI) 란?
Generative AI는 텍스트, 이미지 또는 음악과 같은 새로운 콘텐츠를 생성할 수 있는 인공지능의 한 유형입니다. Generative AI 모델은 기존 콘텐츠의 대규모 데이터 세트를 학습하고, 이 데이터를 사용하여 해당 콘텐츠가 생성되는 방식의 패턴과 규칙을 학습했습니다. 최종적으로, Generative AI는 학습된 콘텐츠와 유사한 새로운 콘텐츠를 생성할 수 있게 됩니다.
ChatGPT는 출시 40일 만에 이용자수 1천 명을 달성했습니다. 2023년 2월 기준 추정 사용자 2억 명을 넘겼으며, 구독자는 100만 명을 달성했습니다. 업계에 따르면 국내 챗GPT 사용자 수는 220만명 수준으로 IT 대기업부터 스타트업까지 광범위하게 활용되고 있다고 합니다. 최근에는 보안 취약점이나 시장 선점 효과 등을 고려해, 자체 생성형 AI 서비스 개발에 뛰어드는 기업도 많다고 하죠. 빠른 시일 내로 ChatGPT와 견줄 만한 새로운 Application의 등장을 기대하셔도 좋을 것입니다.
산업 별 인공지능 활용
전문가 시스템과 자연어 처리, 음성 인식 등의 다양한 기능이 통합된 AI 애플리케이션은 우리 생활에 ‘가상 비서’라는 이름으로 가까이에 있습니다. 최근 일상생활 뿐만 아니라 비즈니스 영역에서도 AI를 적극적으로 사용하고 있습니다.
마케팅 및 금융
- 퀀트, AI 주식 거래, 원자재/주식 가격 예측
- 대량의 재무 데이터를 분석하고 패턴과 추세를 기반으로 거래를 수행
- 고객 경험 향상, 고객 리뷰 분석, 고객 요구 사항 분석
교육 및 헬스케어
자율주행과 네비게이션
2021년 국내 기업의 인공지능 도입 실태 조사 설문에 따르면 53%가 전문 인력 부족으로 AI 도입에 어려움을 겪고 있다고 답변했습니다. 데이터 업무에 투입되어야 하는 평균적인 인력은 24.5명으로 적지 않은 숫자입니다. 그러나 실무를 볼 수 있는 인재가 부족하니 기업에서 자체적으로 AI 엔지니어를 고용하기란 쉽지 않은 상황이죠.
또한 모델을 충분히 학습 시킬 데이터가 부족하다는 문제점이 있습니다. Raw-data가 있다고 하더라도 가공하는 과정에서 품질 저하 및 손상의 위험이 있거나, 개인정보를 포함하고 있을 경우 별도의 가공이 필요합니다. 저품질의 데이터로 학습한 모델은 그만큼 성능이 떨어질 수밖에 없으니 시장 출시까지 오래 걸리거나 프로젝트 자체가 백지로 돌아가기도 합니다. 이러한 문제로 한국은 아직 AI 도입이 낮다고 볼 수 있습니다.
AI 인공지능에 대한 논란과 오해
학습 데이터의 저작권 논란
최근 미국의 두 소설가가 자신의 책이 ChatGPT의 훈련에 무단으로 사용되었다며 OpenAI를 상대로 소송을 제기했습니다. 미국 로펌에서 저작권과 인터넷 이용자의 프라이버시 침해에 대한 소송 이후 두 번째 소송입니다.
유럽 연합은 생성 인공지능 개발자가 시스템 교육에 사용된 모든 저작권 자료를 공개하도록 요구하는 새로운 법률을 고려하고 있습니다. 이 법안은 위험 수준에 따라 생성 AI 도구를 분류하고, 고위험 AI 도구에는 특히 더 높은 투명성 요구 사항을 적용할 예정이라고 합니다. EU는 AI 혁신을 방해하지 않는 선에서, AI의 잠재적 피해로부터 시민을 보호하기 위한 목적으로 법안을 제정하고 있다고 밝혔습니다.
EU의 AI 법은 AI 규제의 중요한 기준이 될 것으로 주목 받고 있습니다. EU는 만약 이 법안이 통과된다면 AI가 안전하고 책임감 있는 사용에 도움이 될 것이라 기대하고 있습니다.
AI로 인한 일자리 감소 논란
세계경제포럼(WEF)는 AI로 인해 무려 1,400만 개의 일자리가 없어질 것이라는 전망을 내놓았습니다. 이는 세계 일자리의 2%에 해당하는 수치입니다. 급속도로 발전하는 AI 기술이 노동시장에 큰 변화를 가져오면서 은행 창구 직원이나 데이터 입력원 등 특정 직무에서 대량 실직 사태가 벌어질 것이라는 우려를 제기했습니다.
실제로 많은 일자리가 AI로 대체되고 있습니다. 단순 반복 업무는 굳이 사람을 쓸 필요 없이 AI를 통해 일상 업무를 자동화할 수 있기 때문입니다. 반면, AI가 일자리 숫자를 줄이기 보다는 임금 하락을 부를 수 있다는 지적도 있습니다. 자동으로 길을 찾아주는 GPS나 우버(Uber)와 같은 플랫폼이 도입되면, 운전자들이 줄어들기 보다는 약 10%의 임금 하락을 겪게 될 것이라는 전문가들의 의견이 있었습니다.
결론: 계속 발전하는 인공지능, 어떤 아이디어로 활용할 것인가가 중요
이미지 속에서 객체를 탐지하고 분류하는 것부터 시작해, 자율주행까지 인공지능은 다양한 분야에서 활약하고 있습니다. 어느 분야든 ‘인공지능’이라는 키워드가 붙으면 뛰어난 효율성과 정확성을 연상시킬 뿐만 아니라, 사용자의 목표 달성을 위해 최첨단 기술로 구동된다는 인식을 줍니다. 또한 사용자들이 최고의 기술을 사용하고 있다는 느낌을 받을 수 있으며, AI가 제공하는 가능성에 대해 기대감을 가질 수 있습니다.
하지만 인공지능을 통해 화제성을 얻는 것보다 장기적으로는 사용자의 신뢰도를 사는 것이 중요합니다. 출시한 서비스나 제품이 성공적인 BM으로 정착하기 위해서는 어떻게 인공지능을 활용할 것인지에 대한 고민이 필요합니다. 이는 모델과 학습 데이터 구축 과정까지 구체적인 연구 및 설계가 필요한 과정입니다.
데이터헌트는 비즈니스에 AI를 활용하기 위해 고객사의 산업 구조에 대해 적극적으로 이해하고자 노력합니다. 또한 고객사와 원활한 소통을 통해 필요한 데이터가 무엇인지, 그리고 모델의 핵심 기능은 무엇인지 파악하고 이를 구현합니다. 고성능 모델의 첫 시작은 고품질 데이터이기 때문입니다.
.svg)
