지난 수십 년 동안 인공지능(AI)에 대한 여러 가지 정의가 나왔지만, 존 매카시(John McCarthy)는 2004년에 발표한 논문(ibm.com 외부 링크)에서 다음과 같이 정의했습니다. "지능형 기계, 특히 지능형 컴퓨터 프로그램을 만드는 과학 및 공학이다. 이는 컴퓨터를 사용하여 인간의 지능을 이해하는 유사한 작업과 연관되어 있지만, AI는 생물학적으로 관찰할 수 있는 방법에만 국한될 필요가 없다."
그러나 인공지능에 대한 논의가 시작된 것은 매카시의 정의보다 수십 년 전인 1950년에 발표된 앨런 튜링의 중요한 연구인 "Computing Machinery and Intelligence"(ibm.com 외부 링크)에서였습니다. 컴퓨터 과학의 아버지로 불리는 튜링은 이 논문에서 다음과 같은 질문을 던집니다. "기계가 생각할 수 있을까?" 그런 다음 현재 '튜링 테스트'로 잘 알려진 테스트를 제안합니다. 인간 심문관이 컴퓨터와 인간에 의해 작성된 응답을 구별하려고 시도하는 것입니다. 이 테스트는 발표 이후 많은 조사를 거쳤지만, 언어학을 중심으로 한 아이디어를 활용하기 때문에 인공지능의 역사에서 중요한 부분으로 남아 있을 뿐 아니라 철학 분야에서도 진행 중인 개념입니다.
스튜어트 러셀(Stuart Russell)과 피터 노빅(Peter Norvig)이 출판한 (Artificial Intelligence: A Modern Approach(ibm.com 외부 링크)는 AI 연구의 주요 교과서 중 하나가 되었습니다. 이 책에서는 합리성, 사고 대 행동을 기반으로 컴퓨터 시스템을 차별화하는 AI의 네 가지 잠재적인 목표 또는 정의를 탐구합니다.
인간의 접근 방식:
이상적인 접근 방식:
앨런 튜링이 내린 정의는 '인간처럼 행동하는 시스템'의 범주에 속했을 것입니다.
쉽게 말하자면 인공지능은 컴퓨터 과학과 강력한 데이터 세트를 결합하여 문제 해결을 가능하게 하는 분야입니다. 인공지능과 함께 자주 언급되는 머신 러닝, 딥 러닝 등의 하위 분야도 여기에 포함됩니다. 이러한 분야는 입력 데이터를 기반으로 예측 또는 분류를 수행하는 전문 시스템을 만들려는 AI 알고리즘으로 구성됩니다.
지난 몇 년 동안 인공지능은 여러 차례 과대광고를 거쳤지만, OpenAI가 출시한 ChatGPT는 회의론자들에게도 전환점을 가져온 것 같습니다. 가장 최근에 생성형 AI가 이 정도 규모로 성장했을 때는 컴퓨팅 비전에서 획기적인 발전이 이루어졌지만, 지금은 자연어 처리에서 도약이 이루어지고 있습니다.언어뿐만이 아닙니다. 생성형 모델은 소프트웨어 코드, 분자, 자연 이미지 및 기타 다양한 데이터 유형의 문법도 학습할 수 있습니다.
이 기술의 활용 분야는 날로 증가하고 있으며, 이제 막 그 가능성을 탐색하기 시작했습니다.
그러나 비즈니스에서 AI를 활용하는 것에 대한 과대광고가 시작되면서 윤리에 대한 논의가 매우 중요해졌습니다.
AI 윤리에 관한 논의에서 IBM이 어떤 입장을 취하는지 알아보려면 여기에서 자세히 읽어보세요.
IBM의 차세대 AI 및 데이터 플랫폼으로 엔터프라이즈용 AI의 힘을 배가하세요.
IBM watsonx Orchestrate
IBM watsonx Assistant
개발자를 위한 Gen AI 학습 살펴보기
좁은 AI 또는 인공 협소 지능(ANI)이라고도 하는 인공지능은 특정 작업을 수행하는 데 초점을 맞춰 훈련된 AI입니다. 약인공지능은 오늘날 우리가 알고 있는 AI의 대부분을 차지합니다. 애플의 시리, 아마존의 알렉사, IBM watsonx, 자율 주행 차량과 같은 매우 강력한 애플리케이션을 가능하게 하는 이 유형의 AI는 결코 약하지 않기 때문에 '협소하다'는 표현이 더 정확한 표현일 수 있습니다.
강인공지능은 일반 인공지능(AGI)과 인공 슈퍼지능(ASI)으로 구성됩니다. 인공일반지능(AGI) 또는 일반 AI는 기계가 인간과 동등한 지능을 가지고 문제를 해결하고 학습하며 미래를 계획할 수 있는 자각 의식을 갖는 이론적 형태의 AI입니다. 초지능이라고도 불리는 인공 슈퍼지능(ASI)은 인간 두뇌의 지능과 능력을 능가할 수 있습니다. 강인공지능은 아직까지 전적으로 이론에 불과하고 실제 사용 사례는 없지만, 그렇다고 해서 AI 연구자들이 이 기술을 개발하지 않는 것은 아닙니다. ASI의 가장 좋은 예는 2001: 스페이스 오디세이에등장하는 초인적인 불량 컴퓨터 도우미 HAL과 같은 공상 과학 소설에서 찾아볼 수 있습니다.
딥 러닝과 머신 러닝은 같은 의미로 사용되는 경향이 있으므로, 둘 사이의 미묘한 차이에 주목할 필요가 있습니다. 위에서 언급한 것처럼 딥 러닝과 머신 러닝은 모두 인공지능의 하위 분야입니다. 딥 러닝은 사실 머신 러닝의 하위 분야입니다.
딥 러닝은 실제로 신경망으로 구성되어 있습니다. 딥 러닝에서 '딥'은 입력과 출력을 포함해 3개 이상의 계층으로 구성된 신경망을 의미하며, 이를 딥 러닝 알고리즘으로 간주할 수 있습니다. 이는 일반적으로 아래 다이어그램을 사용하여 표시됩니다.
딥 러닝과 머신 러닝의 차이는 각 알고리즘이 학습하는 방식에 있습니다. 딥 러닝은 프로세스의 특징 추출 부분 중 대부분을 자동화하여 사람이 직접 개입해야 하는 부분을 없애고 더 큰 데이터 세트를 사용할 수 있게 합니다. 위의 MIT 강연에서 렉스 프리드먼(Lex Fridman)이 언급한 것처럼, 딥 러닝은 '확장 가능한 머신 러닝'이라고 생각하면 됩니다.고전적 머신 러닝 또는 딥 러닝이 아닌 머신 러닝은 학습을 위해 인간의 개입에 더 의존합니다. 인간 전문가가 데이터 입력 간의 차이를 이해하기 위해 기능의 계층 구조를 결정하며, 일반적으로 학습을 위해서는 보다 구조화된 데이터가 필요합니다.
'딥' 머신 러닝은 '레이블이 지정된 데이터 세트(지도형 학습'이라고도 함)를 활용하여 알고리즘에 정보를 제공할 수 있지만, 레이블이 지정된 데이터 세트가 반드시 필요한 것은 아닙니다. 텍스트, 이미지 등의 비정형 데이터를 원시 형태로 수집할 수도 있습니다. 또한 다양한 범주의 데이터를 서로 구별하는 계층 구조를 자동으로 결정할 수 있습니다. 머신 러닝과 달리 데이터를 처리하는 데 사람의 개입이 필요하지 않으므로 머신 러닝을 더 흥미로운 방식으로 확장할 수 있습니다.
생성형 AI는 위키피디아의 데이터나 렘브란트의 작품 컬렉션과 같은 원시 데이터를 가져와 '학습'을 통해 통계적으로 가능한 결과를 생성할 수 있는 딥 러닝 모델을 말합니다. 생성형 모델은 학습 데이터의 단순화된 표현을 인코딩하고, 이를 바탕으로 원본 데이터와 유사하지만 동일하지는 않은 새로운 작업을 생성합니다.
생성형 모델은 통계 분야에서 수치 데이터를 분석하는 데 수년 간 사용되어 왔습니다. 그러나 딥 러닝의 등장 덕분에 이미지, 음성 및 기타 복잡한 데이터 유형으로 확장할 수 있게 되었습니다.이러한 크로스오버 위업을 달성한 첫 번째 모델 중에는 2013년에 도입된 VAE(Variational Autoencoder)도 포함되어 있습니다. VAE는 사실적인 이미지와 음성을 생성하는 데 널리 사용된 최초의 딥 러닝 모델이었습니다.
MIT-IBM watsonx AI Lab의 생성형 AI 전문가인 아카시 스리바스타바(Akash Srivastava)는 "VAE는 모델을 쉽게 확장할 수 있게 함으로써 심층 생성 모델링에 대한 수문을 열었습니다. 현재 우리가 생성형 AI라고 생각하는 것 중 대부분이 여기에서 시작되었습니다."라고 말했습니다.
GPT-3, BERT 또는 DALL-E 2와 같은 모델의 초기 사례는 무엇이 가능한지를 보여주었습니다. 미래에는 레이블이 지정되지 않은 광범위한 데이터 세트를 훈련하여 최소한의 미세 조정으로 다양한 작업에 사용할 수 있는 모델이 등장할 것입니다. 하나의 분야에서 특정 작업을 실행하는 시스템은 이제 보다 일반적으로 학습하고 여러 분야 및 문제에서 작동하는 광범위한 AI에 자리를 내주고 있습니다.레이블이 지정되지 않은 대규모 데이터 세트를 학습하고 다양한 애플리케이션에 맞게 미세 조정된 파운데이션 모델이 이러한 변화를 주도하고 있습니다.
생성형 AI의 경우, 파운데이션 모델로 인해 기업에서 AI 도입을 기업 내 AI 도입에 박차를 가할 것으로 예상됩니다. 레이블 제작 요구 사항이 줄어들면 기업이 레이블 제작을 훨씬 더 쉽게 시작할 수 있고, 정확하고 효율적인 AI 기반 자동화를 통해 훨씬 더 많은 기업이 더 다양한 미션 크리티컬 상황에 AI를 배포할 수 있게 될 것입니다. IBM의 희망은 궁극적으로 모든 기업이 원활한 하이브리드 클라우드 환경에서 파운데이션 모델의 강력한 기능을 활용할 수 있게 되는 것입니다.
AI 시스템의 실제 적용 사례는 오늘날 무수히 많습니다. 가장 일반적인 사용 사례 중 몇 가지를 들자면 다음과 같습니다.
'생각하는 기계'라는 개념은 고대 그리스로 거슬러 올라갑니다. 그러나 전자 컴퓨팅 출현 이후의 (그리고 이 글에서 논의된 일부 주제와 관련하여) 인공지능의 진화에서 중요한 사건과 이정표는 다음과 같습니다.
스튜디오(Foundation Model, Prompt Lab, Data Science & MLOps)를 경험하세요.
업계 최고의 AI 전문성과 솔루션 포트폴리오를 보유한 IBM과 함께 AI를 비즈니스에 활용하세요.
AI 추가를 통해 중요한 워크플로와 운영을 혁신함으로써 경험, 의사 결정 및 비즈니스 가치를 극대화합니다.
AI는 엄청난 양의 위험 데이터를 분석하여 대응 시간을 단축하고 자원이 부족한 보안 운영을 개선함으로써 사이버 보안의 판도를 바꾸고 있습니다.
AI를 비즈니스에 도입하여 얻을 수 있는 기회, 도전 과제, 교훈에 대한 새로운 인사이트를 알아보세요.
지금 개인 또는 여러 사용자 디지털 러닝 구독을 구매하여 100개가 넘는 온라인 강좌에 액세스하세요. 저렴한 가격으로 다양한 제품에 걸쳐 기술을 확장할 수 있습니다.
IBM이 2023 Gartner® Magic Quadrant™ 엔터프라이즈 대화형 AI 플랫폼 부문에서 또 한 번 리더로 선정되었습니다.