인공 지능(AI)은 컴퓨터와 데이터 과학의 융합 분야로, 이전에는 사람이 해야 했던 작업을 수행할 수 있는 인간 지능을 갖춘 기계를 만드는 데 중점을 둡니다. 예를 들어 학습, 추론, 문제 해결, 지각, 언어 이해 등이 있습니다. AI 시스템은 프로그래머의 명시적인 지시에 의존하는 대신 데이터를 통해 학습할 수 있으므로 복잡한 문제(단순하지만 반복적인 작업 포함)를 처리하고 시간이 지남에 따라 개선할 수 있습니다.

오늘날의 AI 기술은 다양한 산업 분야에서 다양한 사용 사례를 가지고 있습니다. 기업에서는 인적 오류 최소화, 높은 운영 비용 절감, 실시간 데이터 인사이트 제공, 고객 경험 개선 등 다양한 애플리케이션을 위해 AI를 사용합니다. 이처럼 이는 컴퓨팅에 접근하는 방식에 중대한 변화를 가져와 워크플로를 개선하고 일상 생활의 요소를 향상시킬 수 있는 시스템을 구축하고 있습니다.

그러나 AI의 무수한 이점에도 불구하고 기존 프로그래밍 방법과 비교할 때 눈에 띄는 단점이 있습니다. AI 개발 및 배포에는 데이터 프라이버시 문제, 일자리 이동, 사이버 보안 위험이 수반될 수 있으며, AI 시스템이 의도한 대로 작동하도록 보장하기 위한 막대한 기술적 작업은 말할 것도 없습니다.

이 글에서는 AI 기술이 어떻게 작동하는지 살펴보고 기존 컴퓨팅 방식과 비교하여 인공 지능의 장단점을 정리해 보겠습니다.

AI는 데이터, 알고리즘, 컴퓨팅 성능이라는 세 가지 기본 구성 요소를 기반으로 작동합니다. 

• 데이터: AI 시스템은 데이터를 기반으로 학습하고 의사 결정을 내리는데, 특히 머신 러닝(ML) 모델의 경우 효과적으로 학습하려면 대량의 데이터가 필요합니다. 데이터는 흔히 학습 데이터(모델 학습에 도움), 검증 데이터(모델 조정), 테스트 데이터(모델 성능 평가)의 세 가지 범주로 나뉩니다. 최적의 성능을 위해 AI 모델은 다양한 데이터 세트(예: 텍스트, 이미지, 오디오 등)에서 데이터를 수신해야 하며, 이를 통해 시스템은 보이지 않는 새로운 데이터로 학습을 일반화할 수 있습니다.
• 알고리즘: 알고리즘은 AI 시스템이 데이터를 처리하고 결정을 내리는 데 사용하는 일련의 규칙입니다. AI 알고리즘의 범주에는 명시적인 프로그래밍 없이 학습하고 예측 및 결정을 내리는 ML 알고리즘이 포함됩니다. AI는 또한 다층 인공 신경망(ANN)을 사용하는 ML의 하위 집합인 딥 러닝 알고리즘('딥' 설명자)에서 작동하여 빅데이터 인프라 내에서 높은 수준의 추상화를 모델링할 수 있습니다. 또한 강화 학습 알고리즘을 통해 에이전트는 기능을 수행하고 정확성에 따라 처벌과 보상을 받음으로써 행동을 학습하고, 완전히 학습될 때까지 모델을 반복적으로 조정할 수 있습니다.
• 컴퓨팅 성능: AI 알고리즘은 특히 딥 러닝의 경우 대량의 데이터를 처리하고 복잡한 알고리즘을 실행하기 위해 상당한 컴퓨팅 리소스를 필요로 하는 경우가 많습니다. 많은 조직은 이러한 프로세스를 간소화하기 위해 그래픽 처리 장치(GPU)와 같은 특수 하드웨어에 의존합니다. 

또한 AI 시스템은 크게 두 가지 범주로 분류되는 경향이 있습니다.

• 인공 협소 지능은 좁은 AI 또는 약한 AI라고도 하며 이미지 또는 음성 인식과 같은 특정 작업을 수행합니다. Apple의 Siri, Amazon의 Alexa, IBM Watsonx, 심지어 OpenAI의 ChatGPT와 같은 가상 어시스턴트는 좁은 범위의 AI 시스템의 예입니다.
• 인공 일반 지능(AGI) 또는 강력한 AI는 인간이 수행할 수 있는 모든 지적 작업을 수행할 수 있으며, 다양한 영역의 지식을 이해하고, 학습하고, 적응하고, 작업할 수 있습니다. 하지만 AGI는 아직 이론적인 개념에 불과합니다.

AI 프로그래밍과 달리 기존 프로그래밍에서는 프로그래머가 가능한 모든 시나리오에서 컴퓨터가 따라야 할 명시적인 지침을 작성하고 컴퓨터가 그 지침을 실행하여 문제를 해결하거나 작업을 수행합니다. 이는 컴퓨터가 단계별 지침을 실행하여 원하는 결과를 얻는 레시피와 유사한 결정론적 접근 방식입니다.

기존의 접근 방식은 가능한 결과의 수가 제한되기 때문에 명확하게 정의된 문제에는 적합하지만, 작업이 복잡하거나 이미지 인식, 자연어 처리 등과 같이 인간과 같은 인식이 필요한 경우 모든 시나리오에 대한 규칙을 작성하는 것이 불가능한 경우가 많습니다. 이런 점에서 AI 프로그래밍은 규칙 기반 프로그래밍 방법보다 훨씬 앞서 있습니다.

AI의 실제 잠재력은 엄청납니다. AI는 질병 진단, 소셜 미디어 피드 개인화, 날씨 모델링을 위한 정교한 데이터 분석, 고객 지원 요청을 처리하는 챗봇 구축 등에 활용됩니다. AI 기반 로봇은 자동차를 조립하고 산불로 인한 방사능을 최소화할 수도 있습니다.

다른 기술과 마찬가지로 AI도 기존 프로그래밍 기술과 비교할 때 장단점이 있습니다. AI와 기존 프로그래밍은 작동 방식의 근본적인 차이점 외에도 프로그래머 제어, 데이터 처리, 확장성 및 가용성 측면에서도 상당한 차이가 있습니다.

• 제어 및 투명성: 기존 프로그래밍은 개발자가 소프트웨어의 논리와 동작을 완벽하게 제어할 수 있기 때문에 정확한 사용자 정의가 가능하며 예측 가능하고 일관된 결과를 얻을 수 있습니다. 또한 프로그램이 예상대로 작동하지 않는 경우 개발자는 코드베이스를 역추적하여 문제를 파악하고 수정할 수 있습니다. AI 시스템, 특히 심층 신경망과 같은 복잡한 모델은 제어하고 해석하기 어려울 수 있습니다. 이들은 인풋과 아웃풋이 알려져 있는 '블랙 박스'처럼 작동하지만 모델이 하나에서 다른 것으로 이동하는 데 사용하는 프로세스는 불분명합니다. 이러한 투명성 부족은 의료 및 금융과 같이 프로세스 및 의사 결정 설명 가능성을 우선시하는 산업에서 문제가 될 수 있습니다.
• 학습 및 데이터 처리: 기존 프로그래밍은 정형화된 데이터에 의존하여 프로그램을 실행하고 일반적으로 비정형 데이터를 처리하는 데 어려움을 겪는 등 유연성이 부족합니다. 프로그램에 새로운 정보를 '가르치기' 위해 프로그래머는 수동으로 새 데이터를 추가하거나 프로세스를 조정해야 합니다. 기존에 코딩된 프로그램은 독립적인 반복에도 어려움을 겪습니다. 즉, 이러한 경우에 대한 명시적인 프로그래밍이 없으면 예상치 못한 시나리오를 수용하지 못할 수 있습니다. AI 시스템은 방대한 양의 데이터를 통해 학습하기 때문에 이미지, 동영상, 자연어 텍스트와 같은 비정형 데이터를 처리하는 데 더 적합합니다. 또한 AI 시스템은 머신 러닝에서처럼 새로운 데이터와 경험을 통해 지속적으로 학습할 수 있으므로 시간이 지남에 따라 성능을 개선할 수 있으며, 시간이 지남에 따라 최상의 솔루션이 개발될 수 있는 역동적인 환경에서 특히 유용합니다.
• 안정성과 확장성: 기존 프로그래밍은 안정적입니다. 프로그램이 작성되고 디버깅되면 매번 정확히 동일한 방식으로 작업을 수행합니다. 그러나 규칙 기반 프로그램의 안정성은 확장성을 희생해야 합니다. 기존 프로그램은 명시적인 프로그래밍 개입을 통해서만 학습할 수 있기 때문에 프로그래머는 작업을 확장하기 위해 대규모로 코드를 작성해야 합니다. 대부분의 조직에서 이 프로세스는 불가능하지는 않더라도 관리하기 어려울 수 있습니다. AI 프로그램은 기존 프로그램보다 확장성이 뛰어나지만 안정성은 떨어집니다. AI-기반 프로그램의 자동화 및 지속적인 학습 기능을 통해 개발자는 비교적 쉽고 빠르게 프로세스를 확장할 수 있으며, 이는 AI의 주요 장점 중 하나입니다. 그러나 AI 시스템의 즉흥적인 특성으로 인해 프로그램이 항상 일관되고 적절한 응답을 제공하지 못할 수도 있습니다.
• 효율성 및 가용성: 규칙 기반 컴퓨터 프로그램은 연중무휴 24시간 가용성을 제공할 수 있지만, 24시간 운영할 수 있는 사람이 있는 경우에만 가능한 경우도 있습니다.

AI 기술은 사람의 개입 없이 24시간 연중무휴로 실행되므로 비즈니스 운영이 지속적으로 이루어질 수 있습니다. 인공 지능의 또 다른 이점은 AI 시스템이 지루하거나 반복적인 작업(예: 데이터 입력)을 자동화하여 직원들이 더 가치 있는 업무에 집중할 수 있도록 하고 회사의 급여 비용을 절감할 수 있다는 점입니다. 그러나 자동화는 인력의 일자리 감소에 상당한 영향을 미칠 수 있다는 점을 언급할 필요가 있습니다. 예를 들어, 일부 기업에서는 이러한 업무를 인사 부서에 위임하는 대신 디지털 어시스턴트를 사용하여 직원 보고서를 분류하는 방식으로 전환했습니다. 조직은 AI를 운영에 통합함으로써 생산성을 높일 수 있는 새로운 워크플로에 기존 인력을 통합할 수 있는 방법을 찾아야 합니다.

Omdia는 전 세계 AI 시장이 2028년까지 2,000억 달러 규모에 이를 것으로 예상하고 있습니다.¹ 즉, 기업은 기업 IT 시스템의 복잡성이 증가함에 따라 AI 기술에 대한 기업의 의존도가 높아질 것으로 예상해야 합니다. 하지만 IBM watsonx AI 및 데이터 플랫폼을 통해 조직은 AI를 확장할 수 있는 강력한 툴을 확보할 수 있습니다.

팀은 IBM watsonx를 사용하여 데이터 소스를 관리하고, 책임감 있는 AI 워크플로를 가속화하며, 비즈니스 전반에 걸쳐 AI를 쉽게 배포 및 임베드할 수 있습니다. 그리고 이 모든 작업을 한 곳에서 수행할 수 있습니다. watsonx는 포괄적인 워크로드 관리 및 실시간 데이터 모니터링을 포함한 다양한 고급 기능을 제공하여 기업 전반에서 신뢰할 수 있는 데이터로 AI 기반 IT 인프라를 확장하고 가속화할 수 있도록 설계되었습니다.

복잡성이 없는 것은 아니지만 AI의 사용은 기업이 이러한 복잡성을 처리할 수 있는 정교한 기술로 대응함으로써 점점 더 복잡하고 역동적인 세상에 보조를 맞출 수 있는 기회를 제공합니다.