인공지능(AI)이란 무엇인가요?

AI가 탑재된 애플리케이션과 디바이스는 사물을 보고 식별할 수 있습니다. 인간의 언어를 이해하고 이에 반응할 수 있습니다. 새로운 정보와 경험을 통해 배울 수 있습니다. 사용자와 전문가에게 자세한 권장 사항을 제공할 수 있습니다. 독립적으로 행동할 수 있어 인간의 지능이나 개입의 필요성을 대체할 수 있습니다(대표적인 예는 자율 주행 자동차입니다). 

하지만 2024년에는 대부분의 AI 연구자와 실무자, 그리고 AI 관련 주요 뉴스가 생성형 AI(gen AI)의 혁신에 집중되고 있습니다. 생성형 AI는 새로운 텍스트, 이미지, 영상 및 기타 콘텐츠를 만들어낼 수 있는 기술입니다. 생성형 AI를 제대로 이해하려면 먼저 생성형 AI 툴이 기반으로 하는 기술인 머신 러닝(ML)과 딥 러닝을 이해하는 것이 중요합니다.

AI를 간단하게 생각하면 70여 년 동안 등장한 일련의 중첩 또는 파생 개념으로 볼 수 있습니다.

AI 아래에는 머신 러닝이 있으며, 이는 데이터를 기반으로 예측이나 결정을 내릴 수 있도록 알고리즘을 학습시켜 모델을 만드는 기술입니다. 머신 러닝은 특정 작업을 위해 명시적으로 프로그래밍하지 않아도 컴퓨터가 데이터를 통해 학습하고 추론할 수 있도록 하는 다양한 기술을 포함합니다.

머신 러닝에는 선형 회귀, 로지스틱 회귀, 의사결정 트리, 랜덤 포레스트, 서포트 벡터 머신 (SVM), k-최근접 이웃(KNN), 클러스터링 등 다양한 기법과 알고리즘이 있습니다. 이러한 각 접근 방식은 다양한 종류의 문제와 데이터에 적합합니다.

그중에서도 가장 널리 사용되는 머신 러닝 알고리즘 유형 중 하나가 신경망(또는 인공 신경망)입니다. 신경망은 인간 두뇌의 구조와 기능을 모방하여 설계되었습니다. 신경망은 서로 연결된 노드 계층(뉴런과 유사한 구조)으로 구성되며, 이들이 함께 작동하여 복잡한 데이터를 처리하고 분석합니다. 신경망은 대량의 데이터에서 복잡한 패턴과 관계를 식별하는 작업에 특히 적합합니다.

머신 러닝의 가장 기본적인 형태는 지도 학습으로, 레이블이 있는 데이터 세트를 사용해 알고리즘이 데이터를 분류하거나 결과를 정확하게 예측하도록 학습시키는 방식입니다. 지도 학습에서는 사람이 각 학습 사례에 대해 해당하는 출력 레이블을 함께 제공합니다. 목표는 모델이 학습 데이터의 입력과 출력 간의 관계를 학습하여, 새로운 미확인 데이터의 레이블을 예측할 수 있도록 하는 것입니다.

딥 러닝은 심층 신경망이라고 하는 다층 신경망을 사용하여 인간 두뇌의 복잡한 의사 결정 능력을 더 가깝게 시뮬레이션하는 머신 러닝의 하위 집합입니다.

심층 신경망은 입력 계층 (최소 3개, 보통 수백 개의 은닉 계층),그리고 아웃풋 계층으로 구성됩니다. 반면 기존 머신 러닝 모델에 사용되는 신경망은 보통 은닉 계층이 1개나 2개뿐입니다.

이러한 다층 구조는 비지도 학습을 가능하게 합니다. 즉, 대규모의 레이블 없는 비정형 데이터 세트에서 특징을 자동으로 추출하고 데이터가 무엇을 의미하는지 스스로 예측할 수 있습니다.

딥 러닝은 인간의 개입이 거의 필요하지 않기 때문에 매우 큰 규모에서 머신 러닝을 수행할 수 있게 합니다. 딥 러닝은 자연어 처리(NLP), 컴퓨터 비전 등 대량의 데이터에서 복잡한 패턴과 관계를 빠르고 정확하게 식별해야 하는 작업에 특히 적합합니다. 오늘날 우리가 사용하는 대부분의 인공지능(AI) 애플리케이션은 어떤 형태로든 딥 러닝 기술을 기반으로 합니다.

딥 러닝은 다음과 같은 이점도 제공합니다.

• 준지도 학습(Semi-supervised learning)은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 모두 사용하여 분류 및 회귀 작업을 위한 AI 모델을 학습시키는 지도 학습과 비지도 학습을 결합한 것입니다.
  
  
• 자기 지도 학습(Self-supervised learning)은 감독 신호에 대해 레이블이 지정된 데이터 세트에 의존하지 않고 비정형 데이터에서 암시적 레이블을 생성합니다.
  
  
• 강화 학습(Reinforcement Learning)은 숨겨진 패턴에서 정보를 추출하는 대신 시행착오와 보상 함수를 통해 학습합니다.
  
  
• 전이 학습은 하나의 작업이나 데이터 세트에서 얻은 지식을 활용하여 다른 관련 작업이나 다른 데이터 세트에서 모델의 성능을 향상시키는 방식입니다.

생성형 AI, 때로는 "gen AI"라고도 불리는 이 기술은 사용자의 프롬프트나 요청에 따라 긴 텍스트, 고품질 이미지, 사실적인 영상이나 오디오 등 복잡하고 새로운 콘텐츠를 생성할 수 있는 딥 러닝 모델을 의미합니다.

높운 수준에서 생성형 모델은 학습 데이터의 단순화된 표현을 인코딩한 후, 이를 바탕으로 원본 데이터와 유사하지만 동일하지는 않은 새로운 작업을 생성합니다.

생성형 모델은 수년간 통계 분야에서 수치 데이터를 분석하는 데 사용되어 왔습니다. 하지만 지난 10년 동안 더 복잡한 데이터 유형을 분석하고 생성하도록 진화했습니다. 이러한 진화는 다음과 같이 세 가지 정교한 딥 러닝 모델 유형의 등장과 함께 이루어졌습니다.

• 변분 오토인코더(VAE)는 2013년에 소개된 기술로, 프롬프트나 지시에 따라 다양한 변형의 콘텐츠를 생성할 수 있는 모델을 가능하게 했습니다.
  
  
• 2014년에 처음 등장한 확산 모델은 이미지를 알아볼 수 없을 때까지 이미지에 '노이즈'를 추가한 다음 프롬프트에 따라 노이즈를 제거하여 원본 이미지를 생성하는 방식입니다.
  
  
• 트랜스포머(또는 트랜스포머 모델)는 순차 데이터로 학습되어 문장의 단어, 이미지의 형태, 영상의 프레임, 소프트웨어 코드의 명령과 같은 확장된 콘텐츠 시퀀스를 생성할 수 있습니다. 트랜스포머는 ChatGPT와 GPT-4, Copilot, BERT, Bard, Midjourney 등 오늘날 주목받는 대부분의 생성형 AI 툴의 핵심 기술입니다.

일반적으로 생성형 AI는 다음과 같은 세 단계로 작동합니다.

1. 학습 -파운데이션 모델을 생성합니다.
2. 조정- 특정 애플리케이션에 맞게 모델을 조정합니다.
3. 생성, 평가 및 추가 조정 - 정확도를 개선합니다.

생성형 AI 은 다양한 유형의 생성형 AI 애플리케이션의 기반이 되는 딥 러닝 모델인 '파운데이션 모델'로 시작됩니다.

오늘날 가장 일반적인 파운데이션 모델은 텍스트 생성 애플리케이션을 위해 만들어진 대형 언어 모델(LLM)입니다. 하지만 이미지, 영상, 음성 또는 음악 생성을 위한 파운데이션 모델도 있으며, 여러 유형의 콘텐츠를 지원하는 멀티모달 파운데이션 모델도 존재합니다.

파운데이션 모델을 만들기 위해 실무자들은 인터넷에서 수집한 텍스트, 이미지, 영상 등 수 테라바이트 또는 페타바이트 규모의 원시 비정형 무레이블 데이터를 사용해 딥 러닝 알고리즘을 학습시킵니다. 이 학습 과정을 통해 수십억 개의 매개변수를 가진 신경망이 생성되며, 데이터 속의 개체, 패턴, 관계에 대한 표현이 인코딩되어 프롬프트에 따라 자율적으로 콘텐츠를 생성할 수 있게 됩니다. 이것이 바로 파운데이션 모델입니다.

이 학습 프로세스는 컴퓨팅 집약적이고 시간과 비용이 많이 듭니다. 수천 개의 클러스터링된 그래픽 처리 장치(GPU)가 필요하고, 처리하는 데도 몇 주가 걸리며, 전체 작업에 들어가는 비용이 일반적으로 수백만 달러에 이릅니다. 생성형 AI 개발자는 Meta의 Llama-2와 같은 오픈소스 파운데이션 모델 프로젝트를 활용해서 이러한 단계와 비용을 피할 수 있습니다.

다음으로 모델을 특정 콘텐츠 생성 작업에 맞게 조정해야 합니다. 이 작업은 다음과 같은 다양한 방법으로 수행할 수 있습니다:

• 미세 조정은 모델에 애플리케이션에 특화된 레이블 데이터, 애플리케이션이 받을 가능성이 있는 질문이나 프롬프트, 그리고 원하는 형식의 정답을 제공하여 모델을 추가로 학습시키는 과정입니다.
  
  
• 인간 피드백을 통한 강화 학습(RLHF)은 인간 사용자가 모델 아웃풋의 정확성이나 관련성을 평가하여 모델이 스스로 개선할 수 있도록 하는 것입니다. 이는 사람들이 챗봇이나 가상 어시스턴트에 수정 사항을 입력하거나 말을 거는 것만큼 간단할 수 있습니다.

개발자와 사용자는 생성형 AI 애플리케이션의 출력 결과를 정기적으로 평가하며, 더 높은 정확도와 관련성을 위해 모델을 일주일에 한 번 정도의 빈도로 추가 튜닝하기도 합니다. 반면 파운데이션 모델 자체는 훨씬 낮은 빈도로 업데이트되며, 보통 1년 또는 18개월 정도의 주기로 갱신됩니다.

생성형 AI 애플리케이션의 성능을 향상시키는 또 다른 방법은 검색 증강 생성(RAG)으로, 학습 데이터 외부의 관련 정보를 활용하여 파운데이션 모델을 확장하고 매개변수를 보정해 더 높은 정확도와 관련성을 확보하는 기술입니다.

AI 에이전트는 자율적으로 작동하는 AI 프로그램으로, 자체 워크플로를 설계하고 사용 가능한 툴(다른 애플리케이션이나 서비스)을 활용하여 인간의 개입 없이 사용자나 다른 시스템을 대신해 작업을 수행하고 목표를 달성할 수 있습니다.

에이전틱 AI는 여러 AI 에이전트로 구성된 시스템으로, 각 에이전트의 활동이 조정되고 오케스트레이션되어 단일 에이전트가 수행할 수 있는 것보다 더 복잡한 작업이나 더 큰 목표를 달성하도록 합니다.

사전 정의된 제약 조건 안에서 작동하고 인간의 개입을 받아야 하는 챗봇 등의 AI 모델과 달리, AI 에이전트와 에이전틱 AI는 자율적이고 맥락이나 목표를 중심으로 행동하며, 변화하는 상황에 적응할 줄 압니다. '에이전트'와 '에이전틱'이라는 용어는 이러한 모델이 독립적이고 의도적으로 행동할 수 있는 능력을 나타냅니다.

에이전트는 생성형 AI 다음 단계로 자연스럽게 등장한 기술이라고 볼 수 있습니다. 생성형 AI 모델은 학습된 패턴을 기반으로 콘텐츠를 생성하는 데 초점을 두지만, 에이전트는 이러한 콘텐츠를 활용해 서로 또는 다른 툴과 상호작용하며 의사결정을 하고 문제를 해결하며 작업을 수행합니다. 예를 들어 생성형 AI 애플리케이션은 근무 일정에 맞춰 에베레스트 산을 등반하기에 가장 좋은 시기를 알려줄 수 있습니다. 하지만 에이전트는 이 정보를 제공하는 것에 그치지 않고 온라인 여행 서비스를 이용해 가장 적합한 항공편을 예약하고 네팔에서 가장 편리한 호텔 객실까지 예약할 수 있습니다.

AI는 다양한 산업 및 응용 분야에서 수많은 이점을 제공합니다. 가장 일반적으로 언급되는 이점은 다음과 같습니다.

• 반복 작업의 자동화
• 데이터에서 더 많은 인사이트를 더 빠르게 확보
  
• 의사 결정 강화
  
• 인적 오류 감소
• 연중무휴 24시간 가용성
• 물리적 위험 감소

AI는 데이터 수집, 입력 및 전처리와 같은 디지털 작업과 창고 재고 피킹이나 제조 공정과 같은 물리적 작업을 포함해 반복적이고 일상적이며 종종 지루한 작업을 자동화할 수 있습니다. 이러한 자동화는 사람들이 더 높은 가치의 창의적인 업무에 집중할 수 있도록 합니다.

의사 결정 지원에 사용하든 완전히 자동화된 의사 결정에 사용하든, AI는 더 빠르고 정확한 예측과 신뢰할 수 있는 데이터 기반 의사 결정을 가능하게 합니다. 자동화와 결합한 AI를 통해 기업은 사람의 개입 없이 실시간으로 기회에 대응하고 위기가 발생했을 때 대응할 수 있습니다.

AI는 프로세스의 적절한 단계를 안내하고 잠재적인 오류가 발생하기 전에 플래그를 지정하며 인간의 개입 없이 프로세스를 완전히 자동화하는 등 다양한 방식으로 인적 오류를 줄일 수 있습니다. 이는 특히 의료와 같은 산업에서 중요한데, 예를 들어 AI 가이드 수술 로보틱을 통해 일관된 정밀도를 유지할 수 있습니다.

머신 러닝 알고리즘은 더 많은 데이터에 노출되고 경험을 통해 '학습'함에 따라 정확도를 지속적으로 개선하고 오류를 더욱 줄일 수 있습니다.

AI는 항상 작동하며 24시간 내내 사용할 수 있고 언제나 일관된 성능을 제공합니다. AI 챗봇이나 가상 비서와 같은 툴은 고객 서비스나 지원 업무에서 필요한 인력 부담을 줄일 수 있습니다. 또한 소재 가공이나 생산 라인과 같은 다른 분야에서도 반복적이거나 지루한 작업을 수행하도록 AI를 활용하면 작업 품질과 생산량을 일정하게 유지하는 데 도움이 됩니다.

동물 통제, 폭발물 처리, 심해, 고고도 또는 우주에서의 작업과 같은 위험한 업무를 자동화함으로써 AI는 인간 노동자를 부상이나 더 심각한 위험에 노출시키지 않아도 되도록 할 수 있습니다. 아직 완전히 완성된 기술은 아니지만 자율주행 자동차와 기타 차량은 승객의 부상 위험을 줄일 잠재력을 가지고 있습니다.

AI의 실제 적용 분야는 매우 다양합니다. 다음은 다양한 산업 분야의 사용 사례 중 일부에 불과하지만, 그 잠재력을 보여주는 예시입니다.

기업은 고객 문의, 지원 티켓 처리 등 다양한 업무를 수행하기 위해 AI 기반 챗봇과 가상 비서를 도입할 수 있습니다. 이러한 툴은 자연어 처리(NLP)와 생성형 AI 기능을 활용하여 주문 상태, 제품 세부 정보, 반품 정책과 관련된 고객 질문을 이해하고 이에 응답합니다.

챗봇과 가상 어시스턴트를 통해 상시 지원이 가능하고 자주 하는 질문(FAQ)에 대한 빠른 답변을 제공하며, 상담사는 더 높은 수준의 업무에 집중할 수 있고 고객에게 더 빠르고 일관된 서비스를 제공할 수 있습니다.

머신 러닝과 딥 러닝 알고리즘은 거래 패턴을 분석하여 비정상적인 지출이나 로그인 위치 등 사기 거래를 나타내는 이상 징후를 포착할 수 있습니다. 이를 통해 잠재적인 사기에 더욱 신속하게 대응하고 사기의 영향을 제한할 수 있어, 조직과 고객은 더욱 안심할 수 있습니다.

소매업체, 은행 및 기타 고객 대면 기업은 AI를 사용하여 개인화된 고객 경험과 마케팅 캠페인을 만들어 고객을 만족시키고 매출을 늘리며 고객 이탈을 방지할 수 있습니다. 딥 러닝 알고리즘은 고객의 구매 내역 및 행동 데이터를 기반으로 고객이 원할 만한 상품과 서비스를 추천하고, 개별 고객을 위해 실시간으로 개인화된 카피와 특별 행사를 생성할 수도 있습니다.

AI 기반 채용 플랫폼은 이력서를 심사하고 지원자를 직무 설명에 맞게 매칭하며 동영상 분석을 통해 예비 면접까지 진행하여 채용을 간소화할 수 있습니다. 이러한 플랫폼과 기타 툴을 사용하면 대량의 지원자 모집과 관련된 엄청난 양의 행정 서류 작업을 획기적으로 줄일 수 있습니다. 또한 응답 시간과 채용까지 걸리는 시간을 단축하여 채용 여부와 관계없이 지원자의 경험을 개선할 수 있습니다.

생성형 AI 코드 생성 툴과 자동화 툴은 애플리케이션 개발과 관련된 반복적인 코딩 작업을 간소화하고 대규모 레거시 애플리케이션의 마이그레이션 및 현대화(포맷 변경 및 리포맷)를 가속화할 수 있습니다. 이러한 툴은 작업 속도를 높이고 코드 일관성을 보장하며 오류를 줄이는 데 도움이 됩니다.

머신 러닝 모델은 센서, 사물인터넷(IoT) 디바이스 및 운영 기술(OT)의 데이터를 분석하여 유지보수가 필요한 시기를 예측하고 장비 고장이 발생하기 전에 예측할 수 있습니다. AI 기반 예방적 유지보수를 통해 다운타임을 방지하고 공급망 문제가 수익에 영향을 미치기 전에 미리 대응할 수 있습니다.

조직들은 최신 AI 기술을 활용하고 AI가 제공하는 다양한 이점을 얻기 위해 빠르게 움직이고 있습니다. 이러한 빠른 도입은 필요하지만, AI 워크플로를 도입하고 유지하는 과정에는 여러 과제와 위험이 따릅니다.

AI 시스템은 데이터 포이즈닝, 데이터 변조, 데이터 편향 또는 데이터 유출로 이어질 수 있는 사이버 공격에 취약할 수 있는 데이터 세트에 의존합니다. 조직은 데이터 무결성을 보호하고 개발, 학습, 배포, 배포 이후까지 전체 AI 라이프사이클 전반에 걸쳐 보안과 가용성을 구현함으로써 이러한 위험을 완화할 수 있습니다.

위협 행위자는 AI 모델을 탈취, 역공학 또는 무단 조작의 대상으로 삼을 수 있습니다. 공격자는 모델의 아키텍처, 가중치 또는 매개변수를 변조하여 모델의 무결성을 훼손할 수 있습니다. 이는 모델의 동작, 정확도, 성능을 결정하는 핵심 구성 요소입니다.

모델은 다른 모든 기술과 마찬가지로 모델 드리프트, 편향, 거버넌스 구조의 붕괴와 같은 운영 위험에 취약합니다. 이러한 위험이 해결되지 않은 채 방치되면 시스템 장애와 사이버 보안 취약점으로 이어져 위협 행위자가 이를 악용할 수 있습니다.

조직이 AI 시스템을 개발하고 배포할 때 안전성과 윤리를 우선하지 않으면 개인정보 침해가 발생하거나 편향된 결과가 생성될 위험이 있습니다. 예를 들어 채용 의사결정에 사용되는 편향된 학습 데이터는 성별이나 인종에 대한 고정관념을 강화하고 특정 인구 집단을 다른 집단보다 우대하는 AI 모델을 만들 수 있습니다.

AI 윤리는 AI의 긍정적인 영향을 극대화하면서 위험과 부정적인 결과를 줄이는 방법을 연구하는 다학제적 분야입니다. AI 윤리의 원칙은 AI 거버넌스 체계를 통해 적용되며, 이 체계는 AI 툴과 시스템이 안전하고 윤리적으로 유지되도록 돕는 가드레일로 구성됩니다.

AI 거버넌스는 위험을 다루는 감독 메커니즘을 포함합니다. AI 거버넌스에 대한 윤리적 접근 방식에는 개발자, 사용자, 정책 입안자, 윤리학자 등 다양한 이해관계자가 참여하여 AI 관련 시스템이 사회의 가치에 부합하도록 개발되고 사용되도록 보장해야 합니다.

다음은 AI 윤리 및 책임감 있는 AI와 관련된 일반적인 가치입니다.

다양한 수준의 복잡성과 정교함에서 AI의 사용을 맥락화하기 위해 연구자들은 다음과 같이 정교함의 수준을 나타내는 몇 가지 유형의 AI를 정의했습니다.

약한 AI: “좁은 AI”라고도 불리며, 특정 작업 또는 제한된 작업 집합을 수행하도록 설계된 AI 시스템을 의미합니다. 예로는 Amazon의 Alexa, Apple의 Siri와 같은 “스마트” 음성 비서 애플리케이션, 소셜 미디어 챗봇, 또는 Tesla가 약속한 자율주행 차량 등이 있습니다.

강한 AI: “인공 일반 지능”(AGI) 또는 “일반 AI”라고도 불리며, 다양한 작업 전반에서 인간 지능과 동등하거나 이를 뛰어넘는 수준의 지능으로 이해하고 학습하며 지식을 적용할 수 있는 능력을 의미합니다. 이 수준의 AI는 현재 이론적인 단계에 있으며, 알려진 어떤 AI 시스템도 이러한 수준의 정교함에 도달하지 못했습니다. 연구자들은 AGI가 가능하다 하더라도 이를 실현하려면 컴퓨팅 성능의 대폭적인 향상이 필요하다고 주장합니다. 최근 AI 개발이 크게 발전했지만, 공상과학에서 등장하는 자각 능력을 가진 AI 시스템은 여전히 그 영역에 머물러 있습니다.

'생각하는 기계'라는 개념은 고대 그리스로 거슬러 올라갑니다. 그러나 전자 컴퓨팅 출현 이후의 (그리고 이 글에서 논의된 일부 주제와 관련하여) AI의 진화에서 중요한 사건과 이정표는 다음과 같습니다.

1950
Alan Turing은 Computing Machinery and Intelligence를 발표합니다. 이 논문에서 제2차 세계대전 동안 독일의 ENIGMA 암호를 해독한 것으로 유명하며 “컴퓨터 과학의 아버지”로 자주 불리는 Turing은 다음과 같은 질문을 던집니다. “기계는 생각할 수 있는가?”

그는 이어서 현재 “Turing Test”로 널리 알려진 시험을 제안하는데, 이 시험에서는 인간 심문자가 컴퓨터와 인간이 작성한 텍스트 응답을 구별하려고 합니다. 이 시험은 발표 이후 많은 검증과 논의를 거쳤지만, AI 역사에서 중요한 부분으로 남아 있으며 언어학적 개념을 활용한다는 점에서 철학 분야에서도 계속 논의되는 개념입니다.

1956
John McCarthy는 다트머스 대학에서 열린 최초의 AI 컨퍼런스에서 "인공 지능"이라는 용어를 사용했습니다. (McCarthy는 이후 Lisp 언어를 발명합니다). 그해 후반 Allen Newell, J.C. Shaw, Herbert Simon은 최초로 실행 가능한 AI 컴퓨터 프로그램인 Logic Theorist를 개발합니다.

1967
Frank Rosenblatt는 시행착오를 통해 “학습”하는 신경망 기반 최초의 컴퓨터인 Mark 1 Perceptron을 개발합니다. 불과 1년 뒤 Marvin Minsky와 Seymour Papert는 Perceptrons라는 책을 출간하는데, 이 책은 신경망 연구의 중요한 저작이 되는 동시에 한동안 향후 신경망 연구에 반대하는 근거로도 사용됩니다.

1980
역전파 알고리즘을 사용해 스스로 학습하는 신경망이 AI 애플리케이션에서 널리 사용되기 시작합니다.

1995
Stuart Russell과 Peter Norvig는 Artificial Intelligence: A Modern Approach를 출간하며, 이 책은 AI 연구 분야의 대표적인 교과서 중 하나가 됩니다. 이 책에서 두 저자는 AI의 네 가지 잠재적 목표 또는 정의를 제시하며, 이를 통해 합리성, 사고, 행동을 기준으로 컴퓨터 시스템을 구분합니다.

1997: IBM의 Deep Blue가 체스 경기(그리고 재대결)에서 당시 세계 체스 챔피언 Garry Kasparov를 이깁니다.

2004
John McCarthy는 What Is Artificial Intelligence?라는 논문을 발표하고 자주 인용되는 AI 정의를 제시합니다. 이 시기에는 이미 빅데이터와 클라우드 컴퓨팅 시대가 시작되어 조직이 점점 더 방대한 데이터 자산을 관리할 수 있게 되었으며, 이러한 데이터는 이후 AI 모델 학습에 활용됩니다. 

2011
IBM® Watson이 Jeopardy! 퀴즈 쇼에서 챔피언 Ken Jennings와 Brad Rutter를 이깁니다. 또한 이 시기 전후로 데이터 과학이 인기 있는 학문 분야로 떠오르기 시작합니다.

2015
Baidu의 Minwa 슈퍼컴퓨터는 합성곱 신경망이라고 하는 특수한 딥 신경망을 사용해 평균적인 인간보다 더 높은 정확도로 이미지를 식별하고 분류합니다.

2016
딥 신경망으로 구동되는 DeepMind의 AlphaGo 프로그램이 세계 바둑 챔피언 Lee Sodol을 다섯 번의 대국에서 이깁니다. 경기가 진행됨에 따라 가능한 수(4수 이후 14조 5천억 개가 넘는 수)가 매우 많다는 점을 감안할 때 이번 승리는 의미가 컸습니다. 이후 Google이 4억 달러에 DeepMind를 인수했습니다.

2022
OpenAI의 ChatGPT와 같은 대형 언어 모델(LLM)의 등장은 AI의 성능과 기업 가치를 창출할 잠재력에 큰 변화를 가져옵니다. 이러한 새로운 생성형 AI 방식에서는 딥 러닝 모델을 대규모 데이터로 사전 학습시킬 수 있습니다.

2024
최신 AI 트렌드는 AI 르네상스가 계속되고 있음을 보여줍니다. 여러 유형의 데이터를 입력으로 사용할 수 있는 멀티 모달 모델은 더 풍부하고 강력한 경험을 제공합니다. 이러한 모델은 컴퓨팅 비전 이미지 인식과 NLP 음성 인식 기능을 결합합니다. 더 작은 모델은 또한 많은 매개변수 수를 가진 대규모 모델을 통해 수익이 감소하는 시대에 진전을 이루고 있습니다.