생성형 AI란 무엇인가요?

생성형 AI는 2010년대 후반에 딥 러닝, 특히 생성적 대립 신경망(GAN) 및 트랜스포머와 같은 모델의 발전과 함께 등장했습니다. 클라우드 컴퓨팅의 발전으로 생성형 AI는 2022년부터 상업적으로 성공 가능하고 사용 가능하게 되었습니다.

산업 전반에 걸쳐 다양한 사용 사례를 가진 생성형 AI

금융 서비스

금융 서비스 회사는 생성형 AI 도구를 사용하여, 비용을 절감하면서도 고객에게 더 나은 서비스를 제공합니다.

• 금융 기관은 챗봇을 사용하여, 상품 추천을 생성하고 고객 문의에 응답함으로써 전반적인 고객 서비스를 개선합니다.
• 대출 기관은 금융 서비스가 부족한 시장, 특히 개발 도상국의 경우 대출 승인을 신속하게 처리합니다.
• 은행은 청구, 신용 카드 및 대출에서 사기를 신속하게 탐지합니다.
• 투자 회사는 생성형 AI의 기능을 사용하여, 저렴한 비용으로 고객에게 안전하고 개인화된 금융 자문을 제공합니다.

AWS 기반 금융 서비스 분야의 생성형 AI에 대해 더 읽어보기

의료 및 생명 과학

생성형 AI의 가장 유망한 사용 사례 중 하나는 신약 개발 및 연구를 가속화하는 것입니다. 생성형 AI는 항체, 효소, 백신 및 유전자 치료의 설계에 특화된 특성을 가진 새로운 단백질 서열을 생성할 수 있습니다.

의료 및 생명 과학 기업은 생성형 AI 도구를 사용하여, 합성 생물학 및 대사 공학에 적용할 합성 유전자 서열을 설계할 수 있습니다. 예를 들어, 바이오 제조의 목적으로 새로운 생합성 경로를 만들거나, 유전자 발현을 최적화할 수 있습니다.

또한 생성형 AI 도구는 합성 환자 및 의료 데이터도 생성합니다. 이 데이터는 대규모 실제 데이터세트에 액세스하지 않고도 AI 모델 훈련, 임상 시험 시뮬레이션 또는 희귀 질환 연구에 유용하게 사용될 수 있습니다.

AWS 기반 의료 및 생명 과학 분야의 생성형 AI에 대해 더 읽어보기

자동차 및 제조

자동차 회사는 엔지니어링부터 차량 내 경험과 고객 서비스에 이르기까지 다양한 목적으로 생성형 AI 기술을 사용합니다. 예를 들어, 차량 설계에서 항력을 줄이기 위한 기계 부품 설계를 최적화하거나, 차량용 개인 비서의 설계를 조정합니다.

자동차 회사는 생성형 AI 도구를 사용하여, 가장 일반적인 고객 질문에 빠르게 응답함으로써 더 나은 고객 서비스를 제공합니다. 생성형 AI는 제조 공정 최적화와 비용 절감을 위해 새로운 소재, 칩 및 부품 설계를 생성합니다.

생성형 AI의 또 다른 사용 사례는 애플리케이션 테스트를 위한 데이터 합성입니다. 이는 테스트 데이터세트에 자주 포함되지 않는 데이터(예: 결함 또는 극단적 사례)에 특히 유용합니다.

AWS 기반 자동차 분야의 생성형 AI에 대해 더 읽어보기

미디어 및 엔터테인먼트

애니메이션과 대본부터 장편 영화에 이르기까지, 생성형 AI 모델은 기존보다 훨씬 적은 비용과 시간으로 참신한 콘텐츠를 제작합니다.

해당 업계의 다른 생성형 AI 사용 사례의 예는 다음과 같습니다.

• 아티스트는 AI가 생성한 음악으로 앨범을 보완하고 개선함으로써 완전히 새로운 경험을 창조할 수 있습니다.
• 미디어 기업은 수익 증대를 위해 개인화된 콘텐츠와 광고를 제공함으로써 시청자 경험을 개선하는 데 생성형 AI를 사용합니다.
• 게임 회사는 생성형 AI를 사용하여, 새로운 게임을 개발하고 플레이어가 아바타를 만들 수 있게 합니다.

통신

통신 분야의 생성형 AI 사용 사례는 고객 경험을 재창조하는 것에 중점을 둡니다. 여기서 고객 경험은 고객 여정의 모든 접점에서 발생하는 가입자의 누적된 상호 작용으로 정의됩니다.

예를 들어, 통신 기업은 생성형 AI를 적용하여, 실제 사람과 유사한 대화형 에이전트를 통해 고객 서비스를 개선할 수 있습니다. 그리고 개인화된 일대일 영업 도우미를 통해 고객 관계를 재창조할 수 있습니다. 또한 네트워크 데이터를 분석하여 해결책을 추천함으로써 네트워크 성능도 최적화합니다. 

AWS 기반 통신 분야의 생성형 AI에 대해 더 읽어보기

에너지

생성형 AI는 복잡한 원시 데이터 분석, 패턴 인식, 예측 그리고 최적화와 관련된 에너지 부문 업무에 적합합니다. 에너지 기업은 기업 데이터를 분석하여 사용 패턴을 식별함으로써 고객 서비스를 개선합니다. 이러한 정보를 바탕으로 해당 기업은 맞춤형 제품 제공, 에너지 효율화 프로그램 또는 수요 대응 이니셔티브를 개발할 수 있습니다.

또한 생성형 AI는 전력망 관리에 도움을 주고, 현장의 운영 안전성을 높이며, 저류층 시뮬레이션을 통해 에너지 생산을 최적화합니다.

원시적인 생성형 모델은 수치 데이터 분석을 지원하기 위해 수십 년간 통계학 분야에서 사용되어 왔습니다. 신경망과 딥 러닝은 현대 생성형 AI로 이어지는 기반이 되었습니다. 2013년에 개발된 변이형 오토인코더(VAE)는 현실적인 이미지와 음성을 생성할 수 있는 최초의 심층 생성형 모델이었습니다.

VAE

VAE는 여러 데이터 유형의 새로운 변형을 만들 수 있는 기능을 도입했습니다. 이로 인해, 생성적 대립 신경망 및 확산 모델과 같은 다른 생성형 AI 모델이 급속히 등장했습니다. 이러한 혁신은 인위적으로 생성되었음에도 실제 데이터와 점점 더 유사해지는 데이터를 생성하는 데 중점을 두었습니다.

트랜스포머

2017년에는 트랜스포머가 도입되면서 AI 연구에 또 다른 변화가 일어났습니다. 트랜스포머는 인코더 및 디코더 아키텍처를 어텐션 메커니즘과 원활하게 통합했습니다. 그리고 뛰어난 효율성과 다용도성을 통해 언어 모델의 훈련 과정을 간소화했습니다. GPT와 같은 주목할 만한 모델은 광범위한 원본 텍스트 말뭉치로 사전 훈련할 수 있으며, 다양한 작업에 맞게 미세 조정할 수 있는 파운데이션 모델로 등장했습니다.

트랜스포머는 자연어 처리의 가능성을 바꾸어 놓았습니다. 그리고 번역과 요약부터 질문에 대한 답변에 이르기까지 다양한 작업을 위한 생성형 기능을 강화했습니다.

미래

많은 생성형 AI 모델은 계속해서 상당한 진전을 이루고 있으며, 이미 산업 전반에 걸쳐 적용 분야를 찾았습니다. 최근의 혁신은 독점 데이터로 작업할 수 있도록, 모델을 개선하는 데 중점을 두고 있습니다. 또한 연구자는 인간과 점점 더 비슷한 텍스트, 이미지, 동영상 및 음성을 만들고자 합니다.

기존의 기계 학습 모델은 판별 모델이었거나, 데이터 포인트를 분류하는 데 중점을 두었습니다. 이러한 모델은 알려진 요인과 알려지지 않은 요인 사이의 관계를 규명하려고 시도했습니다. 예를 들어, 이미지(픽셀 배열, 선, 색상, 모양 등의 알려진 데이터)를 살펴보고 해당 이미지를 단어(알려지지 않은 요인)로 매핑합니다. 수학적으로 해당 모델은 알려지지 않은 요인과 알려진 요인을 x 및 y 변수로 수치적으로 매핑할 수 있는 방정식을 식별하는 방식으로 작동했습니다.

생성형 모델은 이를 한 단계 더 발전시킵니다. 이러한 모델은 주어진 몇몇 특성에 대해 레이블을 예측하는 대신, 주어진 특정 레이블에 대해 특성을 예측하려고 시도합니다. 수학적으로 생성형 모델링은 x와 y가 함께 발생할 확률을 계산합니다. 그리고 다양한 데이터 특성의 분포와 특성 간의 관계를 학습합니다.

예를 들어, 생성 모델은 동물 이미지를 분석하여 다양한 귀 모양, 눈 모양, 꼬리 특성, 피부 패턴 등의 변수를 기록합니다. 그리고 다양한 동물의 일반적인 생김새를 이해하기 위해, 특성과 특성 간의 관계를 학습합니다. 그런 다음, 훈련 세트에 없었던 새로운 동물 이미지를 다시 만들 수 있습니다.

다음으로 몇 가지 광범위한 범주의 생성형 AI 모델에 대해 논의해 보겠습니다.

확산 모델

확산 모델은 초기 데이터 샘플에 통제된 무작위 변경을 반복적으로 가함으로써 새 데이터를 생성합니다. 해당 모델은 원본 데이터로 시작하여 미세한 변화(노이즈)를 추가하여, 점차 원본과 덜 유사하게 만듭니다. 생성된 데이터가 일관성과 현실성을 유지하도록 이러한 노이즈는 세심하게 통제됩니다.

여러 번의 반복에 걸쳐 노이즈를 추가한 후, 확산 모델은 이 프로세스를 역으로 진행합니다. 역 노이즈 제거는 노이즈를 점진적으로 제거하여, 원본과 유사한 새 데이터 샘플을 생성합니다.

생성적 대립 신경망

생성적 대립 신경망(GAN)은 확산 모델의 개념을 기반으로 구축된 또 다른 생성형 AI 모델입니다.

GAN은 두 신경망을 경쟁적으로 훈련시키는 방식으로 작동합니다. 생성자로 알려진 첫 번째 네트워크는 무작위 노이즈를 추가하여 가짜 데이터 샘플을 생성합니다. 판별자라고 부르는 두 번째 네트워크는 실제 데이터와 생성자가 생성한 가짜 데이터를 구별하려고 시도합니다. 

훈련 중에 생성자는 현실적인 데이터를 생성하는 능력을 지속적으로 개선하는 반면, 판별자는 가짜와 진짜를 구분하는 능력이 점점 더 좋아집니다. 이러한 대립적 프로세스는 판별자가 실제 데이터와 구별할 수 없을 정도로 설득력 있는 데이터가 생성자에 의해 만들어질 때까지 계속됩니다.

GAN은 현실적인 이미지 생성, 스타일 전이 및 데이터 증강 작업에 널리 사용됩니다.

변이형 오토인코더

변이형 오토인코더(VAE)는 잠재 공간이라는 간결한 데이터 표현을 학습합니다. 잠재 공간은 데이터를 수학적으로 표현한 것입니다. 이는 모든 속성을 기반으로 데이터를 표현하는 고유한 코드라고 생각할 수 있습니다. 예를 들어 얼굴을 연구하는 경우, 잠재 공간에는 눈 모양, 코 모양, 광대뼈 및 귀를 표현하는 숫자가 포함됩니다.

VAE는 인코더와 디코더라는 2개의 신경망을 사용합니다. 인코더 신경망은 입력 데이터를 잠재 공간의 각 차원에 대한 평균 및 분산에 매핑합니다. 그리고 가우스(정규) 분포에서 무작위 샘플을 생성합니다. 이 샘플은 잠재 공간의 한 점이며, 입력 데이터를 압축하고 단순화한 버전에 해당합니다.

디코더 신경망은 잠재 공간에서 이 샘플링된 점을 가져와서, 원래 입력과 유사한 데이터로 다시 재구성합니다. 수학 함수는 재구성된 데이터가 원본 데이터와 얼마나 잘 일치하는지 측정하는 데 사용됩니다.

트랜스포머 기반 모델

트랜스포머 기반 생성형 AI 모델은 VAE의 인코더 및 디코더 개념을 기반으로 구축됩니다. 트랜스포머 기반 모델은 인코더에 더 많은 레이어를 추가함으로써 이해, 번역, 창의적 글쓰기 등의 텍스트 기반 작업에서 성능을 개선합니다.

트랜스포머 기반 모델은 셀프 어텐션 메커니즘을 사용합니다. 해당 모델은 시퀀스의 각 요소를 처리할 때, 입력 시퀀스의 서로 다른 부분이 갖는 중요도를 저울질합니다.

또 다른 주요 특성은 이러한 AI 모델이 문맥적 임베딩을 구현한다는 것입니다. 시퀀스 요소의 인코딩은 해당 요소 자체뿐만 아니라, 시퀀스 내의 문맥에 따라서도 달라집니다.

트랜스포머 기반 모델의 작동 방식

트랜스포머 기반 모델의 작동 방식을 이해하려면, 문장을 일련의 단어들로 구성된 시퀀스로 상상해 보세요.

셀프 어텐션은 해당 모델이 각 단어를 처리할 때 관련된 단어들에 집중할 수 있도록 도와줍니다. 트랜스포머 기반 생성 모델은 어텐션 헤드라고 불리는 여러 인코더 레이어를 사용하여, 단어 간의 다양한 관계 유형을 포착합니다. 각 헤드는 입력 시퀀스의 서로 다른 부분에 주의를 기울이는 법을 학습하여, 모델이 데이터의 다양한 측면을 동시에 고려할 수 있도록 합니다.

또한 각 레이어는 문맥적 임베딩도 개선함으로써 더 많은 정보를 제공하고, 문법 구문부터 복잡한 의미론적 의미에 이르기까지 모든 것을 포착합니다.

조직에서 생성형 AI 솔루션을 구현하려는 경우, 다음 모범 사례를 고려해 활동을 강화하세요.

내부 애플리케이션으로 시작

생성형 AI 채택은 내부 애플리케이션 개발부터 시작하는 것이 가장 좋으며, 프로세스 최적화와 직원 생산성에 중점을 두어야 합니다. 기술에 대한 이해와 역량을 쌓는 동안, 결과를 테스트할 수 있는 더 통제된 환경을 확보하게 됩니다. 모델을 광범위하게 테스트하고, 심지어 내부 지식 소스를 기반으로 모델을 맞춤화할 수도 있습니다.

이렇게 하면, 고객이 모델을 외부 애플리케이션에 사용할 때에도 훨씬 더 나은 경험을 하게 됩니다.

투명성 강화

사용자가 인간이 아닌 AI와 상호 작용하고 있음을 인지할 수 있도록, 모든 생성형 AI 애플리케이션 및 출력에 대해 명확히 알리세요. 예를 들어, AI가 스스로를 AI라고 소개하거나, AI 기반 검색 결과를 표시 및 강조할 수 있습니다.

이렇게 하면, 사용자가 콘텐츠를 다룰 때 자신의 재량을 행사할 수 있습니다. 또한, 기본 모델이 훈련 데이터의 한계로 인해 가질 수 있는 부정확성이나 숨겨진 편향을 다루는 데, 사용자가 더 선제적으로 대응할 수 있습니다.

보안 구현

생성형 AI 애플리케이션이 민감한 데이터에 대한 의도치 않은 무단 액세스를 허용하지 않도록 가드레일을 구현하세요. 처음부터 모든 측면을 고려할 수 있도록, 보안 팀을 초기 단계부터 참여시키세요. 예를 들어, 내부 데이터로 모델을 훈련시키기 전에, 데이터를 마스킹하고 개인 식별 정보(PII)를 제거해야 할 수 있습니다.

광범위한 테스트

자동 및 수동 테스트 프로세스를 개발함으로써 결과를 검증하고, 생성형 AI 시스템에서 발생할 수 있는 모든 유형의 시나리오를 테스트하세요. 서로 다른 방식으로 애플리케이션을 시험해 보고 결과를 문서화하는 다양한 베타 테스터 그룹을 구성하세요. 테스트를 통해 모델이 지속적으로 개선되므로, 예상 결과와 응답을 더 잘 제어할 수 있게 됩니다.

Amazon Web Services(AWS)를 사용하면 데이터, 사용 사례 및 고객을 위한 생성형 AI 애플리케이션을 쉽게 구축하고 규모 조정할 수 있습니다. AWS 기반 생성형 AI를 통해, 엔터프라이즈급 보안 및 개인 정보 보호, 업계 최고의 FM에 대한 액세스, 생성형 AI 기반 애플리케이션, 그리고 데이터 우선 접근 방식을 얻을 수 있습니다.

생성형 AI 채택 및 성숙도의 모든 단계에서 모든 유형의 조직을 지원하는 다양한 생성형 AI 서비스 중에 선택하세요.

• 코드 생성은 생성형 AI의 가장 유망한 응용 분야 중 하나입니다. 소프트웨어 개발을 위한 생성형 AI 기반 어시스턴트인 Amazon Q Developer를 사용하면, 개발자의 생산성 면에서 뛰어난 결과를 얻을 수 있습니다.
• Amazon Bedrock은 선택 가능한 여러 고성능 FM과 광범위한 기능을 제공하는 또 다른 완전 관리형 서비스입니다. 사용자는 다양한 최상위 FM을 쉽게 실험해 보고, 자신의 데이터를 사용하여 해당 FM을 비공개로 맞춤화하며, 복잡한 비즈니스 업무를 실행하는 관리형 에이전트를 생성할 수 있습니다.
• 또한 Amazon SageMaker JumpStart를 사용하여, 오픈 소스 FM을 발견, 탐색 및 배포하거나 심지어 직접 만들 수도 있습니다. SageMaker JumpStart는 확장 가능하고 안정적이며 안전한 모델의 구축, 훈련 및 배포를 가속화하는 관리형 인프라 및 도구를 제공합니다.
• AWS HealthScribe는 환자와 임상의의 대화를 분석함으로써 임상 기록을 자동 생성하는 임상 애플리케이션을 의료 소프트웨어 공급업체가 구축할 수 있도록 지원하는 HIPAA 적격 서비스입니다. AWS HealthScribe는 음성 인식과 생성형 인공 지능(AI)을 결합하여, 환자와 임상의의 대화를 텍스트로 변환하고 검토하기 쉬운 임상 기록을 생성함으로써 임상 문서 작업의 부담을 줄여줍니다.
• Amazon Q in QuickSight는 비즈니스 분석가가 자연어 명령을 사용하여 시각 자료를 쉽게 생성하고 맞춤화하도록 도와줍니다. 새로운 생성형 BI 작성 기능은 잘 구성된 질문(예: “캘리포니아에서 판매되는 상위 10개 제품은 무엇인가요?”)에 대한 답을 제시하는 데 그치지 않고, QuickSight Q의 자연어 질의 기능을 확장합니다. 이를 통해 분석가가 질문의 일부(예: “상위 10개 제품”)를 바탕으로 맞춤화 가능한 시각 자료를 신속하게 생성하고, 후속 질문을 통해 질의의 의도를 명확히 하고, 시각화를 개선하며, 복잡한 계산을 완료할 수 있도록 지원합니다.

지금 바로 계정을 생성하여 AWS 기반 생성형 AI를 시작하세요.