1. 생성형 AI 소개 [0]

thumbnail 생성형 AI는 기존 데이터를 학습하여 새로운 콘텐츠를 창조하는 인공지능 기술이다.

1.1. 인공지능, 머신러닝, 딥러닝의 이해 [0]

  1. 인공지능(AI)은 인간처럼 생각하고 행동하는 기계를 만드는 이론과 방법론을 다루는 컴퓨터 과학의 한 분야이다. [5]
  2. 머신러닝(ML)은 AI의 하위 분야로, 데이터로부터 모델을 학습시켜 새로운 데이터에 대한 예측을 가능하게 한다. [8]
    1. 머신러닝은 컴퓨터가 명시적인 프로그래밍 없이 학습할 수 있도록 한다. [10]
  3. 머신러닝 모델은 크게 지도 학습과 비지도 학습으로 나뉜다. [11]
    1. 지도 학습은 데이터에 이름, 유형, 숫자 등의 레이블(정답)이 있는 경우에 사용된다. [12]
      1. 예를 들어, 레스토랑의 과거 매출 데이터와 팁 정보를 바탕으로 미래의 팁 금액을 예측하는 데 사용될 수 있다. [16]
    2. 비지도 학습은 레이블이 없는 데이터를 사용하여 데이터 내에서 자연스러운 그룹이나 패턴을 발견하는 데 사용된다. [14]
      1. 예를 들어, 직원의 근속 연수와 소득을 기준으로 직원을 그룹화하여 승진 가능성이 높은 직원을 파악하는 데 사용될 수 있다. [21]
  4. 딥러닝은 머신러닝의 한 종류로, 인간의 뇌에서 영감을 받은 인공 신경망을 사용하여 더 복잡한 패턴을 처리한다. [28]
    1. 인공 신경망은 여러 개의 상호 연결된 노드(뉴런)로 구성되어 데이터를 처리하고 예측하며 학습한다. [31]
    2. 딥러닝 모델은 여러 계층의 뉴런을 가지며, 이는 전통적인 머신러닝 모델보다 더 복잡한 패턴을 학습할 수 있게 한다. [32]
    3. 신경망은 레이블이 있는 데이터와 없는 데이터를 모두 사용할 수 있으며, 이를 준지도 학습이라고 한다. [33]
      1. 준지도 학습은 소량의 레이블 데이터와 대량의 레이블 없는 데이터를 함께 사용하여 모델을 학습시킨다. [34]

1.2. 생성형 AI의 정의와 작동 방식 [36]

  1. 생성형 AI(Gen AI)는 딥러닝의 하위 분야로, 지도, 비지도, 준지도 학습 방법을 모두 사용하여 새로운 콘텐츠를 생성한다. [37]
  2. 딥러닝 모델은 크게 생성 모델과 판별 모델로 나눌 수 있다. [39]
    1. 판별 모델은 데이터를 분류하거나 레이블을 예측하는 데 사용되며, 데이터의 특징과 레이블 간의 관계를 학습한다. [40]
      1. 예를 들어, 입력된 이미지가 개인지 고양이인지를 판별하는 데 사용된다. [45]
    2. 생성 모델은 학습된 데이터의 확률 분포를 기반으로 새로운 데이터 인스턴스를 생성한다. [43]
      1. 즉, 새로운 콘텐츠를 생성한다. [44]
      2. 예를 들어, 개 이미지의 특징을 학습하여 새로운 개 이미지를 생성할 수 있다. [46]
  3. 생성형 모델은 새로운 데이터 인스턴스를 생성하는 반면, 판별 모델은 데이터 인스턴스를 구별한다. [47]
  4. 생성형 AI는 기존 콘텐츠를 학습하여 새로운 콘텐츠를 창조하는 인공지능의 한 유형이다. [71]
    1. 기존 콘텐츠로부터 학습하는 과정을 훈련이라고 하며, 이는 통계 모델의 생성으로 이어진다. [72]
    2. 프롬프트가 주어지면, 생성형 AI는 모델을 사용하여 예상되는 응답을 예측하고 새로운 콘텐츠를 생성한다. [73]
    3. 본질적으로 데이터의 기본 구조를 학습하고, 학습한 데이터와 유사한 새로운 샘플을 생성할 수 있다. [74]
    4. 생성형 언어 모델은 학습한 예시를 바탕으로 정보를 창조하여 완전히 새로운 것을 만들어낼 수 있다. [75]

1.3. 생성형 AI 모델의 종류와 특징 [76]

  1. 생성형 언어 모델(LLM)은 자연스러운 언어 형태의 새로운 텍스트 조합을 생성하는 생성형 AI의 한 종류이다. [76]
  2. 생성형 이미지 모델은 이미지를 입력받아 텍스트, 다른 이미지, 또는 비디오를 출력할 수 있다. [77]
    1. 텍스트 출력 시 시각적 질문 답변이 가능하며, 이미지 출력 시 이미지 완성, 비디오 출력 시 애니메이션이 생성된다. [78]
  3. 생성형 언어 모델은 텍스트를 입력받아 텍스트, 이미지, 오디오 또는 의사결정을 출력할 수 있다. [79]
    1. 텍스트 출력 시 질문 답변이 생성되며, 이미지 출력 시 비디오가 생성된다. [80]
  4. 생성형 언어 모델은 훈련 데이터를 통해 언어 패턴을 학습하고, 주어진 텍스트 다음에 올 내용을 예측한다. [81]
    1. 따라서 생성형 언어 모델은 패턴 매칭 시스템이다. [82]
    2. 제공된 데이터를 기반으로 패턴을 학습한다. [83]
      1. 예를 들어, "I'm making a sandwich."라는 문장을 땅콩버터와 젤리로 완성하는 예측을 제공한다. [84]
      2. Bard와 같은 모델은 방대한 텍스트 데이터로 훈련되어 다양한 프롬프트와 질문에 인간과 유사한 텍스트로 응답하고 생성할 수 있다. [84]
      3. "The meaning of life is..."와 같은 질문에 Bard는 맥락에 맞는 답변과 함께 가장 확률이 높은 응답을 보여준다. [85]
  5. 생성형 AI의 강력함은 트랜스포머(Transformer) 사용에서 비롯된다. [86]
    1. 트랜스포머는 2018년 자연어 처리 분야에 혁명을 일으켰다. [87]
    2. 트랜스포머 모델은 입력 시퀀스를 인코딩하는 인코더와 이를 받아 관련 작업에 대한 표현을 디코딩하는 디코더로 구성된다. [88]
    3. 트랜스포머에서 환각(hallucination)은 모델이 생성하는 종종 말이 안 되거나 문법적으로 틀린 단어나 구절을 의미한다. [91]
      1. 환각은 모델이 충분한 데이터를 학습하지 못했거나, 노이즈가 많거나 불결한 데이터를 학습했거나, 충분한 맥락이나 제약 조건이 주어지지 않았기 때문에 발생할 수 있다. [92]
      2. 환각은 출력 텍스트를 이해하기 어렵게 만들고, 잘못되거나 오해의 소지가 있는 정보를 생성할 가능성을 높인다. [93]
  6. 프롬프트는 대규모 언어 모델에 입력으로 주어지는 짧은 텍스트 조각으로, 모델의 출력을 제어하는 데 사용된다. [95]
    1. 프롬프트 엔지니어링은 원하는 출력을 생성하는 프롬프트를 만드는 과정이다. [96]
  7. AI는 입력된 훈련 데이터를 분석하여 패턴과 구조를 학습하지만, 브라우저 기반 프롬프트를 통해 사용자는 자신만의 콘텐츠를 생성할 수 있다. [97]
  8. 다양한 입력 데이터 기반에 따른 모델 유형은 다음과 같다. [98]
    1. 텍스트-텍스트 모델: 자연어 입력을 받아 텍스트 출력을 생성하며, 텍스트 쌍 간의 매핑을 학습한다 (예: 번역). [99]
    2. 텍스트-이미지 모델: 이미지와 짧은 텍스트 설명이 캡션된 대규모 이미지 세트로 훈련되며, 확산(Diffusion)과 같은 방법이 사용된다. [101]
    3. 텍스트-비디오 및 텍스트-3D 모델: 텍스트 입력을 기반으로 비디오 또는 3D 객체를 생성한다. [103]
      1. 텍스트-비디오 모델은 단일 문장부터 전체 스크립트까지 입력받아 해당 텍스트에 맞는 비디오를 생성한다. [104]
      2. 텍스트-3D 모델은 사용자의 텍스트 설명에 해당하는 3D 객체를 생성하며, 게임이나 3D 월드에 사용될 수 있다. [105]
    4. 텍스트-작업 모델: 텍스트 입력을 기반으로 정의된 작업이나 행동을 수행하도록 훈련된다 (예: 질문 답변, 검색, 예측). [107]
      1. 웹 UI 탐색이나 문서 변경과 같은 작업을 수행할 수 있다. [109]

1.4. 파운데이션 모델과 생성형 AI 애플리케이션 [110]

  1. 파운데이션 모델은 방대한 양의 데이터로 사전 훈련된 대규모 AI 모델로, 감성 분석, 이미지 캡셔닝, 객체 인식 등 다양한 다운스트림 작업에 맞게 조정되거나 미세 조정될 수 있다. [110]
    1. 파운데이션 모델은 의료, 금융, 고객 서비스 등 다양한 산업에 혁명을 일으킬 잠재력을 가지고 있다. [111]
    2. 사기 탐지 및 개인화된 고객 지원에 사용될 수 있다. [112]
    3. Vertex AI는 파운데이션 모델을 포함하는 모델 가든을 제공한다. [113]
      1. 언어 파운데이션 모델에는 Palm API가 포함되어 있으며, 비전 파운데이션 모델에는 고품질 이미지 생성을 위한 Stable Diffusion이 포함된다. [114]
    4. 고객 감정 분석이나 점유율 분석과 같은 특정 사용 사례를 위한 작업 모델도 존재한다. [117]
  2. 생성형 AI 애플리케이션의 예시로 코드 생성이 있다. [119]
    1. Python에서 JSON으로 코드를 변환하는 예시에서 Bard는 필요한 단계와 코드 스니펫을 제공하여 JSON 형식의 출력을 생성했다. [121]
    2. Bard의 코드 생성 기능은 코드 디버깅, 코드 설명, SQL 쿼리 작성, 코드 번역, 문서 및 튜토리얼 생성에 도움이 된다. [126]
  3. 생성형 AI 스튜디오는 Google Cloud에서 활용할 수 있는 생성형 모델을 탐색하고 사용자 정의할 수 있는 도구를 제공한다. [128]
    1. 사전 훈련된 모델 라이브러리, 모델 미세 조정 도구, 프로덕션 배포 도구, 개발자 커뮤니티 포럼 등을 포함한다. [130]
  4. 생성형 AI 앱 빌더는 코드를 작성하지 않고도 생성형 앱을 만들 수 있는 도구로, 드래그 앤 드롭 인터페이스, 시각적 편집기, 내장 검색 엔진, 대화형 AI 엔진을 제공한다. [132]
    1. 디지털 비서, 맞춤형 검색 엔진, 지식 기반, 교육 애플리케이션 등을 만들 수 있다. [136]
  5. Palm API는 Google의 대규모 언어 모델 및 생성형 AI 도구를 테스트하고 실험할 수 있게 하여 프로토타이핑을 빠르고 쉽게 만든다. [138]
    1. 개발자는 Maker Suite와 함께 Palm API를 사용하여 그래픽 사용자 인터페이스를 통해 API에 액세스할 수 있다. [139]
    2. 모델 훈련, 배포, 모니터링 도구를 포함한다. [140]
  6. 이 과정은 전통적인 프로그래밍에서 신경망을 거쳐 생성형 모델에 이르기까지 많은 발전을 이루었다. [65]
    1. 전통적인 프로그래밍에서는 규칙을 하드코딩해야 했지만, 신경망은 이미지를 보고 고양이인지 예측할 수 있게 되었다. [66]
    2. 생성형 AI 시대에는 사용자가 텍스트, 이미지, 오디오, 비디오 등 자신만의 콘텐츠를 생성할 수 있다. [68]
    3. Palm, Lambda와 같은 모델은 방대한 데이터를 학습하여 사용자가 질문하면 고양이에 대해 학습한 모든 것을 알려줄 수 있는 파운데이션 언어 모델을 구축한다. [69]