생성형 AI란 무엇인가요?
생성형 AI란 무엇인가요?
생성형 인공 지능(생성형 AI)은 대화, 이야기, 이미지, 동영상, 음악 등 새로운 콘텐츠와 아이디어를 만들 수 있는 AI의 일종입니다. 그리고 인간 언어, 프로그래밍 언어, 예술, 화학, 생물학 또는 어떤 복잡한 주제라도 학습할 수 있습니다. 생성형 AI는 이미 알고 있는 바를 재사용하여 새로운 문제를 해결합니다. 예를 들어, 생성형 AI는 영어 어휘를 학습한 후, 처리하면서 알게 된 단어로 시를 지을 수 있습니다. 조직은 챗봇, 미디어 제작, 제품 개발, 디자인 등 다양한 목적으로 생성형 AI를 사용할 수 있습니다.
AI와 생성형 AI의 차이점은 무엇인가요?
인공 지능(AI)은 기계를 인간과 더 유사하게 만든다는 더 광범위한 개념입니다. AI에는 Alexa와 같은 스마트 도우미, 챗봇, 이미지 생성기부터 로봇 청소기와 자율 주행 자동차에 이르기까지 모든 것이 포함됩니다. 생성형 AI는 새로운 콘텐츠를 의미 있고 지능적으로 생성하는 하위 분야입니다.
생성형 AI는 언제 만들어졌나요?
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.
생성형 AI에서 파운데이션 모델이란?
파운데이션 모델은 광범위한 텍스트 및 이미지 데이터로 훈련된 대규모 생성형 AI 모델입니다. 해당 모델은 질문에 답하고, 에세이를 작성하며, 이미지에 캡션을 다는 등 다양한 일반적인 작업을 수행할 수 있습니다.
생성형 AI의 예로는 어떤 것이 있나요?
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.
생성형 AI를 사용하면 어떤 이점이 있나요?
Goldman Sachs에 따르면, 생성형 AI는 향후 10년간 전 세계의 국내 총생산(GDP)을 7%(약 7조 USD) 증가시키고 생산성 증가율을 1.5% 포인트 끌어올릴 수 있다고 합니다.
다음으로 생성형 AI의 이점을 몇 가지 더 살펴보겠습니다.
연구 가속화
생성형 AI 알고리즘은 복잡한 데이터를 새로운 방식으로 탐색하고 분석할 수 있으므로, 연구자는 다른 방법으로는 식별하기 어려운 새로운 트렌드와 패턴을 발견할 수 있습니다. 이러한 알고리즘은 콘텐츠를 요약하고, 여러 해결 방안의 개요를 제시하고, 아이디어를 브레인스토밍하며, 연구 노트로부터 상세한 문서를 생성할 수 있습니다. 이것이 바로 생성형 AI가 연구와 혁신을 크게 향상시키는 이유입니다.
예를 들어, 생성형 AI 시스템은 제약 산업에서 단백질 서열을 생성 및 최적화하고, 신약 개발을 크게 가속화하는 데 사용되고 있습니다.
고객 경험 개선
생성형 AI는 사람의 대화에 자연스럽게 반응할 수 있고, 고객 서비스 및 고객 워크플로 개인화를 위한 도구 역할을 할 수 있습니다.
예를 들어, 첫 접촉으로 문제가 해결될 수 있도록 고객에게 더 정확하게 응답하는 AI 기반 챗봇, 음성 봇 및 가상 도우미를 사용할 수 있습니다. 이러한 AI 기반 도구는 개인화된 방식으로 선별된 제안과 소통을 제공함으로써 고객 참여도를 높일 수 있습니다.
비즈니스 프로세스 최적화
생성형 AI를 사용하는 기업은 모든 비즈니스 영역에서 기계 학습(ML) 및 AI 애플리케이션을 활용하여, 비즈니스 프로세스를 최적화할 수 있습니다. 엔지니어링, 마케팅, 고객 서비스, 재무, 영업 등의 모든 비즈니스 부문에 이 기술을 적용할 수 있습니다.
예를 들어, 생성형 AI가 최적화를 위해 수행할 수 있는 작업은 다음과 같습니다.
- 지식 검색 기능을 위해 모든 소스에서 데이터를 추출 및 요약합니다.
- 마케팅, 광고, 재무, 물류 등의 분야에서 비용 절감을 위한 다양한 시나리오를 평가 및 최적화합니다.
- 지도 학습 및 기타 ML 프로세스를 위해 레이블이 지정된 데이터를 만들 목적으로 합성 데이터를 생성합니다.
직원 생산성 향상
생성형 AI 모델은 직원의 워크플로를 강화하고, 조직 내 모든 구성원을 위한 효율적인 도우미 역할을 할 수 있습니다. 그리고 인간과 유사한 방식으로 검색부터 창작까지 모든 것을 할 수 있습니다.
생성형 AI는 다음과 같이 다양한 작업자의 생산성을 높일 수 있습니다.
- 특정 입력 및 제약 조건을 기반으로 여러 프로토타입을 생성하여 창의적인 작업을 지원합니다. 또한 생성형 AI는 사람의 피드백과 지정된 제약 조건을 기반으로 기존 설계를 최적화할 수 있습니다.
- 애플리케이션 개발 작업을 위한 새 소프트웨어의 코드 제안을 생성합니다.
- 보고서, 요약 정보 및 예측 자료를 생성하여 경영진을 지원합니다.
- 마케팅 팀을 위한 새로운 영업 대본, 이메일 콘텐츠 및 블로그를 생성합니다.
조직 전체에서 시간을 절약하고, 비용을 절감하며, 효율성을 높일 수 있습니다.
생성형 AI 기술은 어떻게 발전했을까요?
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.
생성형 AI는 어떻게 작동할까요?
모든 인공 지능처럼 생성형 AI도 기계 학습 모델을 사용하여 작동하는데, 해당 모델은 방대한 양의 데이터를 기반으로 사전 훈련된 초거대 모델입니다.
파운데이션 모델
파운데이션 모델(FM)은 일반화되고 레이블이 없는 광범위한 데이터를 기반으로 훈련된 ML 모델입니다. FM은 다양한 일반 작업을 수행할 수 있습니다.
FM은 수십 년 동안 발전해 온 기술 중 가장 발전된 산물입니다. 일반적으로 FM은 학습된 패턴과 관계를 사용하여 시퀀스의 다음 항목을 예측합니다.
예를 들어, 이미지 생성 시 모델은 이미지를 분석하여 더 선명하고 명확하게 정의된 이미지 버전을 만듭니다. 마찬가지로, 텍스트를 다루는 모델은 이전 단어와 문맥을 기반으로 텍스트 문자열의 다음 단어를 예측합니다. 그런 다음, 확률 분포 기법을 사용하여 다음 단어를 선택합니다.
대규모 언어 모델
대규모 언어 모델(LLM)은 FM의 한 종류입니다. 예를 들어 OpenAI의 생성형 사전 훈련된 트랜스포머(GPT) 모델이 LLM입니다. LLM은 요약, 텍스트 생성, 분류, 개방형 대화, 정보 추출 등의 언어 기반 작업에 특히 중점을 둡니다.
LLM이 특별한 이유는 여러 작업을 수행할 수 있는 능력 때문입니다. 이렇게 할 수 있는 이유는 고급 개념을 학습할 수 있게 해주는 많은 파라미터가 포함되어 있기 때문입니다.
GPT-3 같은 LLM은 수십억 개의 매개변수를 고려할 수 있으며 아주 적은 입력으로도 콘텐츠를 생성할 수 있습니다. 사전 훈련 과정에서 인터넷 규모의 데이터가 지닌 모든 다양한 형태와 무수한 패턴에 노출됨으로써, LLM은 광범위한 맥락에서 지식을 적용하는 법을 학습합니다.
생성형 AI 모델은 어떻게 작동할까요?
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.
생성형 AI의 한계는 무엇인가요?
기계 학습이 발전했지만 생성형 AI 시스템은 때때로 부정확하거나 오해의 소지가 있는 정보를 생성할 수 있습니다. 학습한 패턴과 데이터에 의존하며 해당 데이터에 내재된 편향이나 부정확성을 나타낼 수 있습니다. 훈련 데이터와 관련된 기타 문제는 다음을 포함합니다.
보안
독점 데이터를 사용하여 생성형 AI 모델을 맞춤화하는 경우, 데이터 프라이버시 및 보안 문제가 발생합니다. 생성형 AI 도구가 독점 데이터에 대한 무단 액세스를 제한하는 응답을 생성하도록 노력해야 합니다. AI 모델의 의사 결정 방식에 대한 책임성과 투명성이 부족한 경우에도 보안 문제가 발생합니다.
AWS를 사용한 생성형 AI에 대한 안전한 접근 방식에 대해 알아보기
창의성
생성형 AI는 창의적인 콘텐츠를 생성할 수 있지만, 진정한 독창성은 부족한 경우가 많습니다. AI의 창의성은 학습된 데이터로 제한되기 때문에 반복적이거나 모방적이라고 느껴질 수 있는 결과가 나옵니다. 더 깊은 이해와 감정적 공명을 수반하는 인간의 창의성은 AI가 완벽하게 재현하기는 여전히 어렵습니다.
비용
생성형 AI 모델의 훈련과 실행에는 상당한 컴퓨팅 리소스가 필요합니다. 클라우드 기반 생성형 AI 모델은 새로운 모델을 처음부터 구축하는 것보다 접근성이 더 뛰어나고 비용이 더 합리적입니다.
설명 가능성
생성형 AI 모델은 복잡하고 불투명한 특성 때문에 블랙박스로 간주되는 경우가 많습니다. 이러한 모델이 특정 출력에 어떻게 도달하는지 이해하는 것은 어렵습니다. 신뢰와 채택을 높이려면 해석 가능성과 투명성의 개선이 필수적입니다.
생성형 AI 채택의 모범 사례는 무엇인가요?
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.
초보자를 위한 생성형 AI 교육은 어떻게 이루어지나요?
생성형 AI 교육은 기본적인 기계 학습 개념을 이해하는 것으로 시작됩니다. 또한 학습자는 신경망과 AI 아키텍처도 탐구해야 합니다. TensorFlow 또는 PyTorch와 같은 Python 라이브러리에 대한 실제 경험은 다양한 모델을 구현하고 실험하는 데 필수적입니다. 또한 모델 평가, 미세 조정 및 프롬프트 엔지니어링 기술도 배워야 합니다.
인공 지능 또는 기계 학습 분야의 학위 과정은 심층적인 교육을 제공합니다. 전문성 개발을 위한 온라인 단기 과정 및 자격증을 고려해 보세요. AWS 기반 생성형 AI 교육에는 다음과 같은 주제에 대해 AWS 전문가가 인정하는 자격증이 포함됩니다.
AWS는 생성형 AI를 어떻게 지원할 수 있나요?
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.