생성형 AI

생성형 AI란?

생성형 AI (Generative AI)는 새로운 텍스트, 이미지, 비디오, 오디오, 코드 또는 합성 데이터를 생성하는 데 사용할 수 있는 모든 유형의 인공지능(AI)을 설명하는 데 사용되는 광범위한 레이블이다.

생성형 AI라는 용어는 종종 ChatGPT 및 딥페이크와 연관되어 사용되지만, 이 기술은 처음에는 디지털 이미지 보정 및 디지털 오디오 보정에 사용되는 반복적인 프로세스를 자동화하는 데 사용되었다.

머신러닝딥러닝은 본질적으로 생성 프로세스에 초점을 맞추고 있기 때문에 생성형 AI의 한 유형으로 간주할 수 있다.

테코피디아가 설명하는 생성형 AI

AI 기술이 스스로 무언가를 생성하는 경우, 이를 “생성형 AI”라고 부를 수 있다. 이 포괄적인 용어에는 예측을 하는 학습 알고리즘뿐만 아니라 프롬프트를 사용하여 자율적으로 기사를 작성하고 그림을 그리는 알고리즘도 포함한다.

생성형 AI의 작동 원리

생성 AI 알고리즘이 학습되면 학습된 데이터와 유사한 새로운 결과물을 생성할 수 있다. 생성형 AI는 식별 모델 AI(Discriminative AI)보다 더 많은 처리 능력이 필요하기 때문에 더 많은 비용이 필요한 경우가 많다.

텍스트 및 이미지 생성에 가장 일반적으로 사용되는 생성 모델은 생성적 적대 신경망(GAN)과 가변적 자동 인코더(VAE)라고 한다.

생성적 적대 신경망(GAN)에서는 두 개의 머신러닝 모델이 동시에 학습된다. 하나는 생성자, 다른 하나는 판별자라고 한다. 생성자는 학습 데이터와 유사한 새로운 출력을 생성하는 역할을 한다. 판별자는 생성된 데이터를 평가하고 생성자에 피드백을 제공하여 출력을 개선하는 역할을 한다.

가변적 자동 인코더(VAE)에서는 단일 머신러닝 모델을 학습시켜 데이터의 중요한 특징, 구조 및 관계를 더 적은 수의 차원으로 캡처하는 저차원 표현으로 데이터를 인코딩한다. 그런 다음 모델은 저차원 표현을 다시 원래 데이터로 디코딩한다. 기본적으로 인코딩 및 디코딩 프로세스를 통해 모델은 데이터 분포에 대한 간결한 표현을 학습하고, 이를 통해 새로운 출력을 생성하는 데 사용할 수 있다.

일부 생성 AI 모델은 무작위 소음를 입력으로 사용하여 새로운 출력을 생성할 수도 있다. 이 접근 방식에서는 모델이 무작위 소음 벡터를 입력으로 받아 네트워크를 통과한 후 학습 데이터와 유사한 출력을 생성한다. 그런 다음 새로운 데이터를 예술, 음악, 텍스트 생성 등의 창의적인 애플리케이션을 위한 추가 합성 학습 데이터로 사용할 수 있다.

생성형 AI가 인간의 창의성을 향상시키기 위한 생산성 도구로 사용될 경우, 이는 증강 인공지능의 일종으로 분류할 수 있다.

아래 앱들은 그림 생성형 인공지능을 무료로 제공하고 있다:

DeepDream Generator – 딥러닝 알고리즘을 사용하여 초현실적이고 꿈과 같은 이미지를 생성하는 오픈 소스 플랫폼이다.

DALL·E2 – OpenAI에서 제작한 AI 모델이며, 텍스트 설명을 기반으로 새로운 이미지를 생성한다.

Pikazo – 이 모바일 앱은 AI 필터를 사용하여 사진을 다양한 스타일의 그림으로 바꿔준다.

Artbreeder – 이 플랫폼은 유전 알고리즘과 딥러닝을 사용하여 가상의 자손 이미지를 생성한다.

다음 플랫폼은 최종 사용자에게 창의적인 글쓰기 및 연구 목적으로 AI를 사용해 실험해 볼 수 있는 좋은 공간을 제공한다:

GPT-3 Playground –  OpenAI의 GPT-3 언어 모델과 상호 작용하고 최종 사용자가 제공하는 프롬프트에 따라 텍스트를 생성할 수 있다.

Write With Transformer – Hugging Face의 트랜스포머 머신러닝 모델을 사용하여 텍스트를 생성하고 질문에 답하고 문장을 완성할 수 있다.

AI Dungeon – 생성형 언어 모델을 사용하여 플레이어의 선택에 따라 독특한 스토리를 만들어내는 온라인 게임이다.

Writesonic – 이 글쓰기 및 이미지 생성 플랫폼은 이커머스 제품 상세페이지 또는 설명란에 널리 사용되는 글쓰기 및 이미지 생성 플랫폼이다.

무료 평가판 라이선스로 사용할 수 있는 최고의 생성형 AI 음악 앱 몇 가지를 소개한다:

Amper Music – 미리 녹음된 샘플로 음악을 만든다.

AIVA – AI 알고리즘을 사용하여 다양한 장르와 스타일의 오리지널 음악을 작곡한다.

Ecrette Music – 인공지능을 사용하여 개인 및 상업용 프로젝트에 로열티가 없는 음악을 제작한다.

Musenet – 최대 10가지 악기와 최대 15가지 스타일의 음악을 사용하여 노래를 제작할 수 있다.

생성형 AI의 비즈니스 용도

최근 생성형 AI는 사람이 작성한 것처럼 보이는 콘텐츠를 만들 수 있으며 저명한 수학자이자 암호학자인 앨런 튜링이 만든 튜링 테스트를 통과할 수 있다. 이것이 바로 사람들이 인공지능이 출판, 방송, 커뮤니케이션 분야의 인간을 대체할 것이라는 우려를 하는 이유 중 하나다.

다음은 생성형 AI가 인간을 어떻게 대체할 수 있는지에 대한 예시다:

과제: 보험 브로셔에 비용, 혜택 및 기타 세부 사항이 포함된 보험 목록 작성.

통상적으로는 사람이 모든 데이터를 접하고 수기로 목록을 작성하는 것이었다. 생성형 AI를 사용하면 학습 알고리즘이 데이터를 프로그래밍 방식으로 검토하여 사람이 작성한 것처럼 보이는 목록을 만들 수 있다.

마케팅용 브로셔를 만드는 것 외에도 비즈니스에서 생성형 AI의 다른 인기 있는 용도는 다음과 같다:

  • 웹 퍼블리싱 – 생성형 AI 모델을 사용하여 매력적인 논픽션 텍스트, 디지털 이미지, 비디오 및 오디오 콘텐츠를 제작할 수 있다.
  • 예술 및 엔터테인먼트 – 생성형 AI 모델을 사용하여 몰입형 웹3.0 경험을 제작할 수 있다.
  • 투자 포트폴리오 관리 – 생성형 AI 모델을 사용하여 광범위한 시장 데이터를 분석하고 과거 성과와 현재 시장 동향을 기반으로 상세한 예측을 생성하여 투자 포트폴리오를 최적화할 수 있다.
  • 의료 – AI 모델을 사용하여 의료 이미지 분석 애플리케이션을 미세 조정하는 데 사용할 수 있는 개인화된 치료 계획과 합성 이미지를 생성할 수 있다.
  • 고객 경험 관리 – 생성형 챗봇을 사용하여 고객의 질문에 답변하고 개인화된 마케팅 메시지를 제공할 수 있다.

생성형 AI가 인간을 대체할 수 있나요?

이 기술을 지지하는 사람들은 생성형 AI가 일부 업무에서 인간을 대체하겠지만, 항상 사람이 필요하기 때문에 실제로는 새로운 일자리를 창출할 것이라고 주장한다(HiTL).

인간은 여전히 당면한 작업에 가장 적합한 생성형 AI 모델을 선택하고, 학습 데이터를 집계 및 전처리하고, AI 모델의 결과물을 평가하는 데 필요하다.

생성형 AI와 윤리

일부 사람들은 생성형 AI 기술, 특히 인간의 창의성을 모방하는 기술을 사용하는 윤리에 대해 우려하고 있다.

생성형 AI는 제작자를 추적하기 어려운 결과물을 생성할 수 있으며, 이로 인해 AI가 생성한 가짜 뉴스나 딥페이크 동영상에 대해 개인이나 조직에 책임을 묻기가 어려워질 수 있다.

이로 인해 책임감 있는 AI와 데이터 과학자가 생성 모델을 학습하는 데 필요한 대규모 데이터 세트를 얻기 위해 인터넷을 스크랩하는 것을 방지하기 위해 제한을 두어야 하는지에 대한 논쟁이 벌어지고 있다.

현재 교육용 무료 데이터를 얻기 위해 인터넷을 스크래핑하는 행위의 적법성은 데이터가 수집되는 관할권의 특정 법률 및 규정, 수집되는 데이터의 유형, 데이터의 사용 방법 등 여러 요인에 따라 달라진다.

고품질 데이터 세트의 가치가 계속 높아지고 데이터 소유자가 데이터 과학자에게 웹 콘텐츠의 가치를 더 잘 인식하게 되면서 머신 러닝 엔지니어(MLE)는 생성 모델을 학습하는 데 사용하는 데이터에 대해 웹 퍼블리셔에게 비용을 지불해야 할 수도 있다.

관련 용어

Margaret Rouse

본 작가는 수상 경력에 빛나는 기술 작가이자 강사로, 복잡한 기술 주제를 비전문가인 비즈니스 청중에게 설명하는 능력으로 유명합니다. 지난 20년 동안 그녀의 설명은 TechTarget 웹사이트에 게재되었으며, 뉴욕 타임즈, 타임 매거진, USA 투데이, ZDNet, PC 매거진, 디스커버리 매거진의 기사에서 권위자로 인용되었습니다. 마가렛은 IT 및 비즈니스 전문가가 서로의 고도로 전문화된 언어를 사용하는 법을 배우도록 돕는 것을 즐겨합니다. 새로운 정의에 대한 제안이 있거나 기술 설명을 개선할 방법이 있으면 다음과 같이 알려주세요. 이메일, LinkedIn, Twitter.