생성형 AI란 무엇인가요?

모든 인공 지능과 마찬가지로 생성형 AI도 방대한 양의 데이터를 기반으로 사전 훈련된 초대형 모델인 기계 학습 모델을 사용합니다.

기초 모델

기초 모델(FM)은 광범위한 일반화된 데이터와 레이블이 지정되지 않은 데이터를 대상으로 훈련된 ML 모델입니다. 이들은 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 클래스입니다. 예를 들어 OpenAI의 Generative Pre-trained Transformer(GPT) 모델은 LLM입니다. LLM은 특히 요약, 텍스트 생성, 분류, 개방형 대화 및 정보 추출과 같은 언어 기반 작업에 중점을 둡니다.

GPT에 대해 읽어보기 »

LLM을 특별하게 만드는 것은 여러 작업을 수행할 수 있는 능력입니다. 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. LLM은 다양한 양식과 수많은 패턴으로 구성된 인터넷 규모 데이터에 대한 사전 훈련 노출을 통해 지식을 광범위한 컨텍스트에 적용하는 방법을 학습합니다.

기존의 기계 학습 모델은 차별적이거나 데이터 포인트를 분류하는 데 중점을 두었습니다. 알려진 요인과 알려지지 않은 요인 사이의 관계를 확인하려고 시도했습니다. 예를 들어 픽셀 배열, 선, 색상, 모양과 같은 알려진 데이터를 보고 이를 알 수 없는 요소인 단어에 매핑합니다. 수학적으로 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. 특정 특징이 주어지면 레이블을 예측하는 방식 대신에 특정 레이블이 주어지면 특징을 예측하려고 합니다. 수학적으로 생성형 모델링은 x와 y가 함께 발생할 확률을 계산합니다. 다양한 데이터 특징의 분포와 그 관계를 학습합니다.

예를 들어, 생성 모델은 동물 이미지를 분석하여 다양한 귀 모양, 눈 모양, 꼬리 특징, 피부 패턴 등의 변수를 기록합니다. 다양한 동물들이 일반적으로 어떻게 생겼는지 이해하기 위해 특징과 관계를 배웁니다. 그런 다음 훈련 세트에 없었던 새로운 동물 이미지를 다시 만들 수 있습니다.

다음으로 몇 가지 광범위한 범주의 생성형 AI 모델에 대해 논의해보겠습니다.

확산 모델

확산 모델은 초기 데이터 샘플에 제어된 무작위 변경을 반복적으로 수행하여 새 데이터를 생성합니다. 원본 데이터로 시작하여 미세한 변화(노이즈)를 추가하여 점차 원본과 덜 유사하게 만듭니다. 이 노이즈는 생성된 데이터가 일관되고 사실적으로 유지되도록 세심하게 제어됩니다.

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

생성형 대립 네트워크

생성형 대립 네트워크(GAN)는 확산 모델의 개념을 기반으로 하는 또 다른 생성형 AI 모델입니다.

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

훈련 중에 생성자는 사실적인 데이터를 생성하는 능력을 지속적으로 개선하며, 판별자는 가짜와 진짜를 더 잘 구분합니다. 이러한 대립적 과정은 생성자가 판별자가 실제 데이터와 구별할 수 없을 정도로 확실한 데이터를 생성할 때까지 계속됩니다.

GAN은 사실적인 이미지 생성, 스타일 전송 및 데이터 증강 작업에 널리 사용됩니다.

변이형 오토인코더

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

VAE는 인코더와 디코더라는 두 개의 신경망을 사용합니다. 인코더 신경망은 입력 데이터를 잠재 공간의 각 차원에 대한 평균 및 분산에 매핑합니다. 가우스(정규) 분포에서 무작위 표본을 생성합니다. 이 샘플은 잠재 공간의 한 지점이며 입력 데이터의 압축되고 단순화된 버전을 나타냅니다.

디코더 신경망은 잠재 공간에서 이 샘플링된 지점을 가져와 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 합니다. 트랜스포머 기반 모델은 인코더에 더 많은 레이어를 추가하여 이해, 번역, 창의적 글쓰기와 같은 텍스트 기반 작업의 성능을 개선합니다.

트랜스포머 기반 모델은 셀프 어텐션 메커니즘을 사용합니다. 시퀀스의 각 요소를 처리할 때 여러 가지 입력 시퀀스 부분의 중요성에 가중치를 둡니다.

또 다른 주요 특징은 이러한 AI 모델이 컨텍스트 임베딩을 구현한다는 것입니다. 시퀀스 요소의 인코딩은 요소 자체 뿐만 아니라 시퀀스 내의 컨텍스트에 따라 달라집니다.

트랜스포머 기반 모델의 작동 방식

트랜스포머 기반 모델이 어떻게 작동하는지 이해하려면 일련의 단어로 구성된 문장을 상상해 보십시오.

셀프 어텐션은 모델이 각 단어를 처리할 때 관련 단어에 집중할 수 있도록 도와줍니다. 단어 간의 다양한 유형의 관계를 캡처하기 위해 트랜스포머 기반 생성 모델은 어텐션 헤드라고 하는 다중 인코더 레이어를 사용합니다. 각 헤드는 입력 시퀀스의 다른 부분에 주의를 기울이는 법을 배웁니다. 이를 통해 모델은 데이터의 다양한 측면을 동시에 고려할 수 있습니다.

또한 각 레이어는 컨텍스트 임베딩을 개선합니다. 레이어는 임베딩에 더 많은 정보를 제공하고 문법 구문부터 복잡한 의미론적 의미에 이르기까지 모든 것을 캡처합니다.

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

내부 애플리케이션으로 시작

프로세스 최적화와 직원 생산성에 초점을 맞춘 내부 애플리케이션 개발 단계부터 생성형 AI 도입을 시작하는 것이 가장 좋습니다. 기술을 익히고 기술에 대한 이해를 쌓으면서 결과를 테스트할 수 있는 보다 통제된 환경을 얻게 됩니다. 모델을 광범위하게 테스트하고 내부 지식 소스에서 모델을 사용자 지정할 수도 있습니다.

이렇게 하면 결국 외부 애플리케이션용 모델을 사용할 때 고객에게 훨씬 더 나은 경험을 제공할 수 있습니다.

투명성 강화

모든 생성형 AI 애플리케이션 및 출력에 대해 명확하게 커뮤니케이션하여 사용자가 인간이 아닌 AI와 상호 작용하고 있음을 알려줍니다. 예를 들어 AI는 스스로를 AI로 소개하거나 AI 기반 검색 결과를 표시하고 강조 표시할 수 있습니다.

이렇게 하면 사용자가 콘텐츠를 다룰 때 자신의 재량을 행사할 수 있습니다. 또한 학습 데이터 제한으로 인해 기본 모델이 가질 수 있는 부정확성이나 숨겨진 편견에 더 능동적으로 대처할 수 있습니다.

보안 구현

가드레일을 구현하여 생성형 AI 애플리케이션이 민감한 데이터에 대하여 의도하지 않게 무단으로 액세스하는 것을 금지합니다. 처음부터 보안 팀을 참여시켜 모든 측면을 처음부터 고려합니다. 예를 들어 내부 데이터를 기반으로 모델을 훈련시키기 전에 데이터를 마스킹하고 개인 식별 정보(PII)를 제거해야 할 수도 있습니다.

광범위한 테스트

자동 및 수동 테스트 프로세스를 개발하여 결과를 검증하고 생성형 AI 시스템에서 발생할 수 있는 모든 유형의 시나리오를 테스트합니다. 다양한 방식으로 애플리케이션을 시험해보고 결과를 문서화하는 다양한 베타 테스터 그룹을 구성합니다. 또한 테스트를 통해 모델이 지속적으로 개선되므로 예상 결과와 반응을 더 잘 제어할 수 있습니다.

Amazon Web Services(AWS)를 사용하면 데이터, 사용 사례 및 고객을 위한 생성형 AI 애플리케이션을 쉽게 구축하고 확장할 수 있습니다. AWS 기반 생성형 AI를 사용하면 엔터프라이즈급 보안 및 개인정보 보호, 업계 최고의 FM, 생성형 AI 기반 애플리케이션, 데이터 우선 접근 방식에 액세스할 수 있습니다.

생성형 AI 채택 및 성숙도의 모든 단계에서 모든 유형의 조직을 지원하는 다양한 생성형 AI 기술 중에서 선택하세요.

• 코드 생성은 생성형 AI를 위한 가장 유망한 애플리케이션 중 하나입니다. AI 코딩 도우미인 Amazon CodeWhisperer를 사용하면 개발자 생산성에서 뛰어난 결과를 얻을 수 있습니다. 평가판 기간 동안 Amazon은 생산성 문제를 다뤘습니다. CodeWhisperer를 사용한 참가자는 작업을 성공적으로 완료할 확률이 27% 더 높았습니다. 평균적으로 이들은 CodeWhisperer를 사용하지 않은 사람들보다 작업을 57% 더 빠르게 완료했습니다.
• Amazon Bedrock은 다양한 고성능 FM과 광범위한 기능을 제공하는 또 다른 완전 관리형 서비스입니다. 다양한 상위 FM을 쉽게 실험하고, 데이터를 사용하여 비공개로 사용자 지정하고, 복잡한 비즈니스 작업을 실행하는 관리 에이전트를 만들 수 있습니다.
• 또한 Amazon SageMaker JumpStart를 사용하여 오픈 소스 FM을 검색, 탐색 및 배포하거나 직접 만들 수도 있습니다. 확장 가능하고 안정적이며 안전한 모델 구축, 훈련 및 배포를 가속화하는 관리형 인프라 및 도구를 제공합니다.
• AWS HealthScribe는 의료 소프트웨어 공급업체가 환자와 임상의의 대화를 분석하여 임상 기록을 자동으로 생성하는 임상 애플리케이션을 구축할 수 있도록 지원하는 HIPAA 적격 서비스입니다. AWS HealthScribe는 음성 인식과 생성형 인공 지능(AI)을 결합하여 환자와 임상의의 대화를 기록하고 검토하기 쉬운 임상 기록을 생성함으로써 임상 문서의 부담을 줄여줍니다.
• Amazon Q in QuickSight는 비즈니스 분석가가 자연어 명령을 사용하여 시각적 객체를 쉽게 만들고 맞춤화하도록 도와줍니다. 새로운 생성형 BI 저작 기능은 체계적인 질문(예: “캘리포니아에서 판매되는 상위 10개 제품은 무엇인가?”)에 대한 답을 제시하는 데 그치지 않고 QuickSight Q의 자연어 쿼리를 확장함으로써 분석가가 질문 부분(예: “상위 10개 제품”)을 바탕으로 사용자 지정 가능한 시각적 개체를 신속하게 만들 수 있도록 후속 질문을 통해 쿼리의 의도를 명확히 하고 시각적 개체를 다듬고 복잡한 계산을 완료할 수 있습니다.

지금 계정을 만들어 AWS에서 생성형 AI를 시작하세요.