생성형 AI 및 파운데이션 모델은 무엇이며, 이들이 중요한 이유는 무엇일까요?

OpenAI의 ChatGPT는 2022년 11월 출시 이후 우리가 살고 일하는 방식을 획기적으로 변화시킬 수 있는 생성형 AI의 잠재력을 보여줌으로써 소비자와 기업 리더 모두의 상상력을 사로잡았습니다. 사회에 미치는 영향의 범위가 계속 넓어짐에 따라 조직은 여전히 직원의 기술 사용에 대한 정책을 제정하거나 심지어 ChatGPT에 대한 액세스를 제한하는 등 대응하기 위해 경쟁하고 있습니다.

이들 중 가장 현명한 사람은 조직에 AI를 적용할 수 있는 방법을 평가하고 이미 다가온 미래를 대비하고 있습니다. 이들 중 가장 앞서가는 기업들은 AI를 사후적으로 고려하는 것에서 벗어나 AI를 핵심으로 하여 중요한 워크플로를 재구성하는 방향으로 사고의 틀을 바꾸고 있습니다.

전 세계 생성형 AI 시장은 2030년까지 80억 달러의 가치와 34.6%의 연평균 성장률로 예상되는 변곡점에 다다르고 있습니다. 그 때까지 8,500만 개 이상의 일자리가 사라질 것으로 예상되는 상황에서 비즈니스 리더와 이해관계자가 기대하는 효율성, 효과성, 경험을 제공하려면 AI와 자동화를 통해 더욱 지능적인 운영을 만들어야 합니다.

생성형 AI는 직원의 노력을 강화하고 기업의 생산성을 높일 수 있는 매력적인 기회를 제공합니다. 하지만 최고 경영진이 생성형 AI 솔루션을 연구하면서 더 많은 질문을 발견하고 있습니다. 어떤 사용 사례가 비즈니스에 가장 큰 가치를 제공할까? 내 요구 사항에 가장 적합한 AI 기술은 무엇인가? 안전한가? 지속 가능한가? 어떻게 관리되는가? AI 프로젝트의 성공을 보장하려면 어떻게 해야 할까?

수년 동안 파운데이션 모델을 사용해 온 IBM® Consulting, IBM® Technology 및 IBM® Research는 기업 전반에 걸쳐 책임감 있게 AI를 배포하여 가치를 창출하는 데 필요한 사항에 대한 근거 있는 관점을 개발했습니다.

이름에서 알 수 있듯이 생성형 AI는 이미지, 음악, 음성, 코드, 동영상 또는 텍스트를 생성하는 동시에 기존 데이터를 해석하고 조작합니다. 생성형 AI는 새로운 개념이 아닙니다. 생성형 AI의 기반이 되는 머신 러닝 기술은 지난 10년 동안 발전해 왔습니다. 최신 접근 방식은 "트랜스포머"라고 불리는 신경망 아키텍처를 기반으로 합니다. 트랜스포머 아키텍처와 비지도 학습을 결합하여 여러 데이터 양식을 처리할 수 있는 기존 벤치마크를 능가하는 대규모 파운데이션 모델이 등장했습니다.

이러한 대형 모델은 보다 발전되고 복잡한 모델 개발을 위한 출발점 역할을 하기 때문에 파운데이션 모델이라고 합니다. 파운데이션 모델을 기반으로 구축하면 특정 사용 사례 또는 도메인에 맞게 조정된 보다 전문적이고 정교한 모델을 만들 수 있습니다. 짧은 프롬프트를 입력하면 시스템이 매개변수에 따라 전체 에세이 또는 복잡한 이미지를 생성하는 GPT-3, BERT, T5 또는 DALL-E와 같은 모델의 초기 사례는 어떤 것이 가능한지 보여줬습니다. 

대규모 언어 모델(LLM)은 자연어 처리(NLP) 작업을 위해 대량의 텍스트 데이터로 명시적으로 학습되었으며, 일반적으로 1억 개 이상의 상당한 수의 매개변수를 포함합니다. 이를 통해 다양한 작업을 위한 자연어 텍스트 처리와 생성이 용이해집니다. 각 모델에는 강점과 약점이 있으며, 어떤 모델을 사용할지 선택하는 것은 특정 NLP 작업과 분석되는 데이터의 특성에 따라 달라집니다. 특정 작업에 사용할 올바른 LLM을 선택하려면 LLM에 대한 전문 지식이 필요합니다.

BERT는 문장 내 단어 간의 양방향 관계를 이해하도록 설계되었으며 주로 작업 분류, 질문 답변 및 명명된 개체 인식에 사용됩니다. 반면 GPT는 주로 언어 번역, 요약 및 콘텐츠 생성과 같은 텍스트 생성 작업에 사용되는 단방향 트랜스포머 기반 모델입니다. T5도 트랜스포머 기반 모델이지만 텍스트 대 텍스트 접근 방식을 사용하여 학습되고 언어 번역, 요약, 질문에 대한 답변 등 다양한 자연어 처리 작업에 맞게 미세 조정할 수 있다는 점에서 BERT 및 GPT와 다릅니다.

방대한 양의 데이터로 사전 학습된 이러한 파운데이션 모델은 AI 개발 수명 주기를 엄청나게 가속화하여 기업이 특정 사용 사례에 맞춰 세부적으로 조정하는 데 집중할 수 있도록 합니다. 각 도메인에 대한 맞춤형 NLP 모델을 구축하는 것과 달리, 파운데이션 모델을 사용하면 기업은 가치 실현 시간을 몇 개월에서 몇 주로 단축할 수 있습니다. 고객 참여에서 IBM Consulting은 콜 센터 트랜스크립트 요약, 리뷰 분석 등과 같은 NLP 사용 사례의 가치 창출 시간을 최대 70% 단축하고 있습니다. 

파운데이션 모델을 학습하고 유지 관리하는 비용을 고려하여 기업은 사용 사례에 맞게 파운데이션 모델을 통합하여 배포하는 방법을 선택해야 합니다. 비용, 노력, 데이터 프라이버시, 지적 재산 및 보안과 관련된 사용 사례 및 의사 결정 지점에 따른 고려 사항이 있습니다. 기업 내에서 하나 이상의 배포 옵션을 사용하여 이러한 결정 사항과 균형을 맞출 수 있습니다. 

파운데이션 모델은 라벨링 요구 사항을 줄임으로써 비즈니스에서 AI 채택을 획기적으로 가속화할 것입니다. 이를 통해 기업은 더 쉽게 AI를 실험하고, 효율적인 AI 기반 자동화 및 애플리케이션을 구축하고, 광범위한 미션 크리티컬 상황에 AI를 배포할 수 있습니다. IBM Consulting의 목표는 원활한 하이브리드 클라우드 환경에서 모든 기업에 파운데이션 모델의 강력한 기능을 제공하는 것입니다. 

자세한 내용은 생성형 AI를 사용하여 경험, 의사 결정 및 비즈니스 가치를 극대화하는 방법과 IBM Consulting이 AI에 대해 가치 있고 책임감 있는 접근 방식을 제공하는 방법을 참조하세요.