[DevLog] Future of AI & Data 2023 참석

개요

개요 : 2023년 9월 21일 ‘Future of AI & Data 2023’ 행사에 참석
주제 : ‘AI 로 진화하는 데이터 및 분석 전략’

요약

• 생성형 AI 를 사용한 비즈니스 기회 창출 시도 多
  • 주요 포인트 : 생성형 AI 를 전문적으로 사용하기 위한 Model Tuning 및 시스템 구성이 시도되고 있음
  • 기술 포인트
    • 생성형 AI 중, 특히 ChatGPT 등의 LLM 에 집중하여 개발이 이루어짐
    • 관련 솔루션으로, 기 보유한 신뢰 가능한 데이터 베이스를 토대로 RAG과 함께 생성형 AI (LLM) 을 사용하는 방식이 주로 소개됨 (메가존클라우드, VMWare)
    • 생성형 AI는 만능 도구가 아니기 때문에, 사용할 모델이 ‘무엇을 잘 할 수 있는지’ 숙지한 뒤 사용해야 함
    • 프롬프츠 학습을 위한 데이터 전처리가 중요
• 다양한 영역에서 DX, AI 에 대한 시도가 이루어지고 있음
  • 인프라 운영 (e.g. IBM 솔루션), DataOps & MLOps (e.g. RedHat 솔루션) 등
  • 주요 키워드 : 애플리케이션 자동 배포, 효율적인 운영, 선 오류 감지 시스템
  • 기존에 데이터 과학자가 수동으로 처리하던 영역을 자동화하는 솔루션에 대한 니즈와 공급이 함께 성장한다는 인상
• 기타 감상 : 컨퍼런스 발표 시 구체적인 사례와 상세한 수치를 언급하면 집중도가 올라가는 효과가 있는 것 같음

Note-taking

Opening Keynote : 변화를 끌어내는 데이터 스토리텔링

연사 : 굴레즈 칸 (데이터 사이언티스트 리더, Paypal)
주제 : 데이터 작업 시 커뮤니케이션과 시각화의 중요성

“이 우주는 원자가 아니라 이야기로 이루어져 있다” - Muriel Rukeyser

• 데이터 시각화의 네 가지 원칙
  1. 스토리텔링의 중요성
     • 회의에서 랩톱, 스마트폰 등을 들여다보는 현대의 풍경을 ‘이야기’로 변화시킬 수 있음
     • 어떻게 데이터를 가지고 이야기를 창조할 수 있을까?
     • 강연자가 본인의 아이와 함께 만든 ‘레고’에 ‘데이터’를 비유
     • e.g. 레고 블록으로 열심히 어떤 형상을 만들어도 (= 데이터로 열심히 모델을 만들고 시각화를 해도), 아이에게는 이야기가 전달이 되지 않으면 의미 없는 피규어가 된다 (=고객에게는 이야기를 제시하지 못 했기 때문에 헛수고가 된다)
     • 따라서 “스토리텔링” 이 중요
  2. 패널 활용
     • 데이터 시각화는 대사 없는 만화를 그리는 것과 같음
  3. 색 활용
     • 사용자와 고객에게 데이터를 빠르게 인지할 수 있게 하는 색 및 배치를 사용해야 함
     • 색상이나 모양 등을 하나만 다르게 하는 것으로 청자의 집중을 유도할 수 있음
  4. 텍스트 활용
     • 예를 들어, 그냥 그래프만 있어서는 주제를 알 수 없으나 X 축에 ‘월 별’ 이라는 정보를 넣으면 좀 더 이해하기 쉬워짐
  5. 애니메이션
     • 동적으로 움직이는 것으로 변화를 보일 수 있음
• 데모 : 데이터 시각화 예시
  1. ‘고지서’ 예시 시연
  2. ‘방글라데시의 기적’ 예시 시연
• 결론 : 오래 걸려서 발굴하고 분석한 데이터를 청중에게 전달할 때, 적절한 시각화 방식을 사용한다면 더욱 효과적임

Expert Advice : DX를 위한 지능형 워크플로우 플랫폼에서 생성형 AI 활용법

연사 : 임광수 (상무, ServiceNow)
주제 : DX 시 생성형 AI 가 어떤 가치를 창출할 수 있을지?

“누가 가증 진보된 생성형 AI를 보유하느냐에 따라 경쟁 우위가 결정될 것이다.” - 글로벌CEO 설문 조사 중 75%의 답변

• AI 에 숨어 있는 잠재성
  • 데이터 마이닝, ML, AI Ops 등이 모두 단일 지능형 플랫폼에 내재되어 있다면…
• Service now 에서 생성형 AI 를 어떻게 활용하고 있는지
  • Generative AI + Now Platform 강점
    • 경험 혁신 : end-user 에게 빠른 답변 제공, self-service 향상
    • 생산성 가속화 : 조직원의 업무 자동화
    • 민첩성 향상 : 빠른 기술 도입을 통한 최신화
  • 정확히 어떤 일을 할 수 있는지?
    • 태스크 요약
    • 대화 형식의 의사 소통
    • 콘텐츠 창작
    • 텍스트에서 코드 만들기 (자동화된 코드 생성)
    • 검색 강화
  • 도메인 특화 LLM 을 사용한 Now Assist
    • 노 코드 툴 제공
    • 요청 시 workflow 를 자동으로 만들어 줌
• 데모 : Now Assist 를 활용한 Workflow 생성
  • 개발자, 관리자, 직원 관점 각각의 예시
  • 자동으로 workflow 를 생성하고, deployment 시 테스트를 생성 및 지원
  • 메시지 요약 기능 사용 가능
  • 특정 Request 에 대한 form 을 실시간 생성하고, 배너 이미지를 삽입 가능
  • form 에서 인입된 응답들에 대한 관리 페이지를 자동 생성

Expert Advice : Data Silo로부터 Solution 으로 전환

연사 : 김세준 (상무 & 기술지원, Denodo Korea)
주제 : Denodo 의 솔루션을 사용하여 데이터 관리 효율을 높여 보자

• AI/ML 이니셔티브
  • 데이터 증폭과 생성형 AI를 통한 무한한 비즈니스 잠재력
  • 실제로 AI 도입이 역대 최대로 증가하고 있음
  • 그러나 진짜 ‘좋은 데이터’ 를 사용하고 있는지는 의문
• 문제 제기 : 데이터 이슈
  1. 분산된 데이터로 인해 새로운 데이터 관리 문제 발생
     • 문제 : 클라우드, 온프레미스 하이브리드로 인한 데이터 분산
     • 솔루션 : 글로벌 데이터 관리 및 DataOps 를 도입하여 데이터 운영 간소화
  2. 데이터 관리가 복잡하고 느려짐
     • 문제 : 표준 부족, 독점 메타데이터, 사일로화 된 정책
     • 솔루션 1 : 엔드투엔드 통합 데이터 관리에 집중
     • 솔루션 2 : 인텔리전스 및 민첩성을 위한 AI 기반 데이터 관리 우선 순위 지정
  3. 너무 많은 데이터를 사용
     • 문제 : 너무 많은 데이터를 사용하기 때문에, 누락하는 데이터가 생기거나 데이터 처리에 지나치게 많은 시간을 소모
     • 솔루션 : 간소화 되고 “지속적인 인텔리젼스” 가 포함된 프로세스를 사용
• 논리적 데이터 전략의 실현 및 그 효과
  • Denodo 가 어떤 방식으로 솔루션을 설계했는지 소개함
  • 키워드 : ‘가상화 된 데이터’, ‘거버넌스’, ‘데이터 통합’
  • 멀티 클라우드와 같은 다양한 위치에 분산된 기업 데이터 환경에서의 애널리틱스, 거버넌스, 개인정보 보호 실현 전략 소개
  • 분석 대상 데이터에 대한 지식을 축적하고, 협업함

Expert Advice : HR 사례로 처음 시작하는 ‘엔터프라이즈를 위한 생성형 AI 프로젝트’

연사 : 공성배 (센터장, MEGAZONCLOUD)
주제 : 공기 같은 존재가 되어가는 생성형 AI - 실제 비즈니스에 적용한 사례를 중심으로

• AI 에 어떤 ‘페르소나’를 부여할 건지?
  • 예를 들어, 닭을 세도록 학습한 AI 는 닭만 세고, 소를 세도록 학습한 AI는 소만 센다.

“내가 그의 이름을 불러 주었을 때, 그는 나에게로 와서 꽃이 되었다.” 김춘서 - 꽃 (中)

• LLM의 포텐셜을 인지하고, 역할과 과업을 특정
  • 사람처럼 할 수 있는 범위 : 언어를 학습해서 사람처럼 구사할 수 있음
  • 학습한 언어에 따른 역할
    • 자연어 처리 → 상담사 (Q&A)
    • 프로그램 언어 → 코드 개발자
  • HR로 교육받은 사람이 데이터 분석을 하지 못 하는 것처럼, LLM 도 특정 역할을 하도록 교육 받고 해당 업무를 수행
• 생성형 AI 는 반짝 유행일까, 새로운 대세일까?
  • 관심에서 실질적 대세로… 굉장히 많은 모델들이 나오고 있음
    • e.g. ChatGPT 등
  • But, 전망은 낙관적이나 전면적 도입은 제한되고 있음
  • 생성형 AI 도입 시 기본 고려 사항
    • 도입 초기 : 기술 초기 단계여서, 새로운 기술이 계속 나오고 있고 ‘정답’을 누구도 자신 있게 제공하지 않고 있음
    • 구매 or 구축 : 직접 구축할 것인지, 혹은 구매할 것인지에 대한 결정이 필요
    • 신뢰성 : 생성된 정보는 정확한 답변과 최신성, 정보 오류 방지 등 신뢰할 수 있어야 함
    • 적용 업무 : 기업에서 사용할 수 있는 기술과 역할을 파악하고 적절한 서비스 선택이 필요
    • 데이터 보호
    • 비용 : 직접 사용할 시 GPT 운영 비용 등을 고려해야 하며, API Call 시 토큰 당 비용 등을 고려할 필요 있음
  • 생성형 AI 시장
    • Foundation Models
    • Applications
      • Google, Microsoft 365
      • AWS 등에서 재공하는 SaaS-based apps
    • Enabling Tools
• 사례 : 메가존클라우드 Pilot 프로젝트
  • 개요
    • HR 을 대상으로 9주 정도 진행한 프로젝트
    • HR 시 반복되는 질의가 많고, 일정 시즌에 문의가 집중됨
  • 목표
    • ‘Megaone Ask’ 라는 플랫폼을 활용해서 반복되는 질의 응답을 줄이기 위함을 목표로 설정
  • 범위
    • 한글 LLM 선정
    • 규정집을 사용하여 한글 LLM 을 Fine-Tuning
    • 한글 LLM, LangChain, KB 를 AWS 환경에서 연계하여 검증
    • HR Chatbot 시나리오 검증
  • 프로세스
    • 시나리오 작성 (e.g. 교통비 한도 문의)
      1. 질문 인입, 모델 활성화
      2. 연관 정보 검색
      3. RAG (Knowlege Base, AWS Kendra) 검색
      4. 연관 정보 추출
      5. 질문과 연관 정보 결합
      6. API Layer Endpoint For Prompts/Text Embedding
      7. 결론
    • 데이터 준비
      • 문답 정리, 문서 Chunking
      • 데이터 전처리 (개인정보 제거, 감사 인사 등 매크로 데이터 제거)
    • 아키텍처
      • AWS Kendra 사용
      • Input 을 Amazon SageMaker Endpoint-LLM 으로 넘김
    • 사용 모델
      • KULLM 사용 (12.8b 기준 파라미터 수 : 약 12.8억 & 모델 크기 : 약 26 GB)
    • RAG (Retrieval Augmented Generation)
    • Fine-Tuning
    • Prompt Engineering
      • 목적에 대한 정답 or 답변 정확도 향상
      • e.g. 중복 답변을 하지 않도록 하는 방향으로 학습
    • Chatbot Persona
      • e.g. 최초 프롬프츠에서 “반드시 문서 내에서 답을 찾아 답변한다” 등의 지침을 줌
  • 한계
    • 생성형 언어 모델의 태생적 한계로 인해, 한글에서 답변 제어가 쉽지 않음 → 별도 처리가 필요함
  • 확장 및 production 전략
    • LLM 모델 다양화
    • RAG 전략 세분화
    • Chatbot 프로세스 개선
    • LLMops 표준화
• 결론 : 메가존클라우드에서 GenAI360 오퍼링을 지원하며, 위와 같은 시행착오를 통해 얻은 경험을 토대로 언제든 고객에게 맞는 지원이 가능함

Expert Advice : 대규모 AI 기반 데이터 플랫폼 구축 전략

연사 : 현지수 (이사, VMware)
주제 : 생성형 AI 를 데이터 플랫폼에 적용하기 위한 전략

“인공지능이 당신을 대체하진 않겠지만, 인공지능을 사용하는 사람이 당신을 대체할 것입니다.”

• 생성형 AI와 LLM 의 AI활용 가속화
  • 트랜스포머 모델 발달
  • 전이 학습
  • 개방과 공유 플랫폼
• 공개된 범용 모델 API 를 비즈니스에 활용해도 괜찮을까?
  • 아래와 같은 문제가 있을 수 있음
    • 데이터 보안
    • 지식 단절 : Big Tech 기업이 배포하는 pretrained LLM 의 제한 문제
    • 환각 : e.g. 법원에서 가짜 사건을 인용하여 망신을 산 사례
    • 용도 : 전문성이 떨어지는 이슈 있을 수 있음
  • 따라서, Private Infra 환경을 구축하는 것을 추천
• 생성형 AI를 기업이 도입하고자 할 때를, 데이터 플랫폼 관점에서
  • AI 모델에서 데이터는 매우 중요
  • 데이터 처리 속도가 중요함
    • 데이터 샘플링, 전처리, 모델링 (하이퍼파라미터 튜닝), 리팩토링, 스코어링을 반복하게 됨
    • 이 때 순차 처리 되던 부분을 병렬 처리로 전환하면 시간 감축 효과가 있음
• RAG 기법을 이용하여 생성형 AI 의 환각 현상 회피
  • 시나리오
    1. 사용자의 질문 입력
    2. Retrieval 단계에서, 의미 기반 검색을 하고 검색 결과를 반환함
    3. Generation 단계에서, 질문 + 프롬프츠 + 검색 결과를 LLM 에 입력하여 정답을 생성
    4. 생성된 답변을 출력
• AI Platform Blueprint
  • 운영, 데이터 레이크, 시스템 로그
  • ETL 을 통해 Data Platform 으로 전달
  • Private AI 사용
  • 이 때, RAG 기법을 활용하기 위해 vector 연산 기능도 필요함
• 결론 대규모 AI 기반 데이터 플랫폼 구축 전략
  • AI 플랫폼 중심의 거시적 관점에서 데이터 고려
  • 데이터 처리 및 연계 성능, 벡터 연산, 고급 분석 고려
  • 성공적인 AI 서비스를 위한 전담 조직 역량 강화

Expert Advice : 엔터프라이즈 오픈소스를 이용한 MLOps 구현

연사 : 이명진 (이사, RedHat)
주제 : RedHat MLOps 솔루션 (RHODS) 소개

• MLOps 란?
  • 운영 환경에서 AI & ML 모델은 안정적이고 효율적으로 배포 및 유지하는 것을 목표로 하는 도구
  • DataOps + ModelOps + Intelligent app DevOps 라고 생각할 수 있음
• Intellignet App (지능형 앱) 의 정의
  • e.g. 모기지 페이먼트 계산기 앱과 모기지 승인 앱 중 어느 쪽이 지능형 앱일까? → 데이터를 사용하여 학습하는 모델에 의존하는 ‘모기지 승인 앱’이 지능형 앱이라고 할 수 있음
  • 예시
    • 추천 엔진, 가상 비서, 사기행위 감지, 양적 위협 계산을 통한 현명한 의사 결정, 패턴 감지, 특화 데이터 분석, 비디오 게임을 하는 AI, 텍스트 분석, 의료, 고객 유지 …
• MLOps 구축 시 장점
  • 데이터 과학자와 개발자의 업무 간편화
  • 패키징 프로세스 자동화
  • 코드 및 모델 배포가 운영환경까지 진행
  • Regression 테스트 파이프라인을 통해, 버그가 있는 코드나 잘못된 모델 사용을 방지
  • Drift 된 모델에 대한 경고 가능, 위험 최소화
• MLOps 용 RedHat 하이브리드 클라우드 플랫폼의 경제적 영향
  • AI 기반 금융 서비스 앱을 자동화 할 때 겪은 어려움을 조사
  • 주요 당면 과제
    • 기업의 데이터를 완전히 활용할 수 없음. 도구 부재
    • 확장, 반복 가능한 프로세스 지원하지 않음 (가시성 부족에 따른 중복 작업)
    • 단절된 프로세스
    • 보안 기준이 엄격함
  • 해결 방안
    • 일관된 도구 사용
    • 셀프 서비스 기능 도입
    • 인프라 자동화
    • ROI 개선
  • MLOps 도입 후 개선점
    • 데이터사이언티스트 효율성 향상
    • 소프트웨어 개발자 시간 절감
    • 인프라 절약
• MLOps 없이 AI & ML 할 시의 어려움
  • 자동화 되지 않은 프로세스를 사용할 시 아래와 같은 이슈 발생
    • 시간이 많이 걸림
    • 오류가 발생
    • 확장이 어려움
    • 일관성 부족
    • 보안 저하
    • 민첩성 부족
  • 데이터 과학 실험의 운영 배포 시 당면 과제
    • 수동 학습의 떨어지는 일관성, 느린 속도
    • 실 환경 결과와 자동화된 테스트 없이는 iterate 하기 어려움
    • 모델 서빙 시 겪는 어려움
    • 테스트 신뢰도 저하
• RedHat MLOps 솔루션 소개 (OpenShift AI)
  • 주요 피쳐
    • DataOps, MLOps 에 대한 CI & CD 제공
    • Private, Public 하이브리드 등 클라우드 플랫폼 제공
  • 생성형 AI 모델 중심의 RedHat 전략
    • IBM Research 와 공동 협업으로 생성형 AI 분산 워크로드를 위한 인프라 개발 진행
    • 기반 모델을 구축할 계획은 없으나 모델 개발사들과 협력하여 모델들을 제공할 예정
• 데모 : RedHat Openshift Data Science
  • 대시보드 및 사용 방법에 대한 설명
  • 사용자 인터페이스에서 서드-파티 리소스를 사용 가능할 수 있음
  • Huggingface 에서 Pretrained Model 을 받고, Fine-Tuning 한 뒤 onnx 로 모델 변환하고 실제 서비스에 deployment

Expert Advice : AI를 활용한 IT 운영의 혁신 : AIOps 플랫폼

연사 : 김혜영 (실장, 한국IBM)
주제 : AIOps 의 개념 소개 및 실제 사례 적용을 통한 솔루션 소개

• 디지털 가속화
  • 2024년까지 모든 신규 앱의 70%가 클라우드 기반이 될 것
  • 조직의 65% 가 프로덕션에서 kubernetes 를 사용
  • 2024년까지 조직의 81%가 멀티 클라우드가 될 것
  • 디지털 가속화로 관리할 시스템과 IT Data 가 증가하고 있음 (과거 대비 100 배)
  • 혁신은 좋지만, 기존 모니터링 솔루션은 모니터링 도구의 파편화 및 기존 모니터링 작업의 비효율적인 수동 프로세스로 인하여 사고가 발생한 후에 시스템에 대한 가시성을 제공
• AIOps (Artificial Intelligence for IT Operations)
  • 인공지능 기술을 사용하여 IT 운영 관리를 단순화하고, 문제 해결을 단순화 & 자동화
  • 사용 시 장점
    • IT 데이터 사일로 해제
    • 시스템에 대한 실시간 통찰력 제공
    • AI 로 사전에 이상징후를 탐지, 사고 관리 강화
    • 사고 해결 자동화
  • 필요 플랫폼 역량
    • 도메인 간 데이터 수집 및 분석
    • 암시적 및 명시적 자원에서 자산 관계와 종속성을 분석한 토폴로지
    • 인시던트와 관련된 중복 이벤트 간의 상관 관계 파악
    • 선행 지표 감지를 위한 인시던트 패턴 인식
• IBM AIOps 의 지능형 IT 운영 자동화 플랫폼
  • 가시화, 최적화, 자동화
  • e.g. CloudXper 운영 가시성 확보
    • End to End Observability : 지속적으로 증가하는 CloudXper 서비스를 제공하기 위한 애플리케이션 증가로 복잡해진 운영 환경의 인프라에서 쿠버네티스 네트워크까지 가시적으로 관리
    • IBM Turbonomic; Container Spec Resize : AI를 사용하여, 기존 컨테이너에 할당된 자원이 부족할 시 resize 를 추천
    • IBM Cloud pak for AIOps; Pubilc Cloud Account Permission : 사용자 권한 등의 이슈로 정보 수집 로직이 완료되지 않은 경우 AIOps 에서 도출
  • IT 운영 전반에 IBM AIOps 의 다양한 AI 모델을 활용
• 데모 : AIOps 를 사용하여 변화한 운영 팀의 업무

Expert Advice : PostrgreSQL 의 효율적 활용 및 엔터프라이즈 데이터 전략

연사 : 이강일 (지사장, EDB Korea) 주제 : EDB와 EDB Postgres 제품군을 소개

• DBMS 선호도
  • 2021년 기점으로 Open Source DB 가 상용 DB를 추월
  • e.g. StackOverflow 에서 실행한 설문조사에서 ‘PostgreSQL’ 이 1위를 차지
• Open-source S/W 가치
  • 비용 절감
  • 빠른 Time-to-Market
  • 배포 유연성
  • 종속성 해결
  • 혁신, 미래 지향
• Database 의 미래
  • DB 를 선택할 때는 업무 특징을 파악하는 것이 가장 중요
  • Legacy DB 에서 Open Source DB 로 많은 DB가 대체되고 있으며, 핵심은 ‘Postgres’
• EDB 소개
  • 2004년에 설립된 오픈소스 DB 전문 업체
  • 전문가 지원을 구독 형태로 하는 비즈니스 모델
  • PostgreSQL 의 창립자 및 커뮤니티 코어 멤버 전원이 소속
  • 내년도에 AI 와 함께 사용 가능한 형태의 데이터베이스 제품 출시 예정
• EDB Postgres Family
  • PostgreSQL
  • EDB Postgres Advanced
  • EDB Postgres for Kubernetes
  • EDB Postgres Distributed
• 국내 고객사 사례
  • 통신, 제조, 금융, 공공, 커머스, 유통 등의 다양한 영역에서 Postgress 제품을 도입
  • 오라클과 95% 이상 호환되는 유일한 오픈소스이기 때문에, 오라클 DB 를 대체하기 위한 용도로 많이 문의

Closing Keynote : AI의 확실한 이해와 적용: 가치를 높이기 위한 강점과 한계의 이해

연사 : 줄리오 본타디니 (IT Director, P&G)
주제 : 생성형 AI 의 개념과 한계, 그리고 창출 가능한 가치에 대하여

“단어는 주변에 있는 단어로 이해할 수 있다”

• 최신 AI 에 대한 이해
  • Algorithm 과 Artificial Intelligence 를 구분하는 것이 중요
    • Alogrithm : 계산, 반복 업무, 체스 등 룰이 정해진 게임
    • Artificial Intelligence : 한 가지의 규칙으로 정의될 수 없는 태스크 (e.g. 외국어를 배우는 것), 비정형 데이터를 다루는 것 (e.g. 사진, 음악 등의 데이터 처리, 텍스트에서 감정을 인식하거나 요약하는 것)
• 생성형 AI의 이해
  • 생성형 AI 가 핫하지만, 그것은 아래와 같은 문제가 있음
    • 모든 문제에 대해 정답을 말하는 도구는 아니며, 때로 오답을 정답처럼 말한다
    • 수학 문제를 풀 수 없음
    • 혁신적이고 창의적인 아이디어의 source 가 될 수 없음
    • 생성형 AI는 몇 가지 예제를 토대로 그것을 일반화 할 수 없음
  • 그럼에도 생성형 AI는 이런 일을 할 수 있음
    • e.g. ‘킹’ - ‘남자’ + ‘여자’ = ‘퀸’ 을 연산할 때, 모델은 ‘벡터 연산’을 수행하여 문제를 해결
    • 컴퓨터는 단어의 위치에 따른 의미를 연산할 수 있음
    • 단어의 Context 를 사용할 수 있음
    • 따라서, 생성형 AI 가 합리적 주체는 아니지만 사람의 표현을 ‘이해할 수 있다’고 생각할 수 있음
  • 생성형 AI 만으로도 컴퓨터를 보는 시각은 달라질 수 밖에 없음
• 생성형 AI 의 가치
  • (과거) 컴퓨터는 ‘이해’ 하지 못 한다 → (2017) ‘Attention is all you need’ 발표 → (2018 ~ 2022) 수직 처리가 아닌 병렬컴퓨팅 사용 → (2022) ChatGPT 발표, 컴퓨터는 사람의 표현을 ‘이해’ 할 수 있음
  • 생성형 AI의 발전을 통하여 knowledge management 의 다음 level 이 생기게 됨
  • (문자 이전) 정보는 저장될 수 없음 → (문자 이후) 정보를 저장할 수 있음 → (인쇄 이후) 정보가 대중화 됨 → (컴퓨터 간 연결 가능) Web 을 통하여 디지털 지식을 활용하게 됨 → … 그렇다면, 컴퓨터가 정보를 ‘이해’할 수 있게 된다면?
  • 따라서 생성형 AI 는 1992 년 인터넷의 발명과 동일한 수준의 발명이 될 수도 있음
  • 가정형인 이유는, 아직 그것이 사실이 될지 아무도 모르고 있기 때문
• Implication
  • 아무도 이것이 어떻게 될지 모르기 때문에, ‘Stay Open’ 해야 함
  • Old Truths Still Stand
    • ‘How’ 가 아니라 ‘What’ 에 집중한다 (생성형 AI가 ‘How’ 다)
    • Value creation must be defensible (e.g. 아이폰 자체에서 ‘플래시’ 기능을 지원하면서, 플래시 앱은 사라지게 되었음)
  • The Big Change
    • 기존에 컴퓨터를 ‘실수 없는 계산’을 하기 위해 사용했던 것과 달리, 생성형 AI 는 ‘실수가 있어도 되는 것’ 에 사용한다
      • Augmentation of expressioni Programming
      • Maieutic thinking
      • e.g. 메일을 쓰기 위한 여러 가지 표현을 구상하는 것
      • e.g. 프로그래밍을 할 때 자동 코드를 생성하는 것 (생성형 AI가 실수를 해도, 사용자가 컨트롤 할 수 있다면 해당 실수를 수정하기만 하면 되기 때문에 전체 과정이 엄청나게 단축된다)
  • New Risks
    • 새로운 책임이 따름
      • 시장마다 규제가 다르기 때문에, 그 규제를 준수해야 함
      • 생성형 AI 에 입력되는 데이터의 소유권에 대한 생각
      • 사회적 지속 가능성을 고려해야 함
• 결론 : 인공지능은 분명히 돌파구이고, 생성형 AI는 ‘모든 것’을 해줄 수 없지만 분명히 ‘뭔가’를 해줄 수 있음. 그리고 그것이 큰 가치를 가지고 있을 것임