생성형 AI의 파운데이션 모델 덕분에 조직에서 적응력이 뛰어난 단일 프레임워크를 사용하여 다양한 작업을 처리하는 것이 가능해졌습니다. 이러한 모델은 매우 큰 데이터 집합과 고급 교육 기법을 활용하여 애플리케이션 전반에 걸쳐 일반화할 수 있도록 제작되었습니다. 파운데이션 모델을 정의하고 기존의 AI 시스템과 차별화하는 주요 특성으로는 다음이 있습니다.

• 확장 가능한 설계

  파운데이션 모델은 처리량이 큰 GPU, 효율적인 트랜스포머 아키텍처, 그리고 수많은 비정형 데이터와 같은 하드웨어의 발전을 활용하여 개발과 성능을 뒷받침합니다.

• 전통적 학습 방법

  비지도 학습, 지도 학습, RLHF(Reinforcement Learning from Human Feedback)와 같은 기법을 조합해서 사용하면 출력을 개선하는 데 도움이 됩니다.

• 이전 가능한 학습 역량

  일반화된 데이터로 사전 학습하는 중에 얻은 지식은 특정 작업에 맞게 미세 조정되므로, 이 모델을 사용하면 다양한 용도를 효율적으로 처리할 수 있습니다.

• 새로운 행동

  파운데이션 모델은 명시적으로 프로그래밍된 것이 아니라 학습 데이터에서 비롯되는 복잡한 행동을 보여줌으로써 놀랍고 정교한 출력을 도출합니다.

• 균질화된 응용 분야

  단일 파운데이션 모델은 여러 분야의 기반이 될 수 있으며, 범용 학습 접근 방식을 통해 개발을 간소화할 수 있습니다.

• 편리한 다용도 기능

  파운데이션 모델은 텍스트, 이미지, 코드 등 여러 데이터 형식을 동일한 프레임워크 내에서 처리하여 사용 사례를 크게 확장하도록 구성되어 있습니다.

파운데이션 모델은 기능, 응용 분야 및 출력에 따라 매우 다양합니다. 일부 모델은 자연어 처리 같은 작업에 적합하게 설계된 반면, 이미지 생성이나 소프트웨어 개발 지원에 중점을 둔 모델도 있습니다. 다음은 가장 주목할 만한 파운데이션 모델 및 플랫폼 중 일부이며, 저마다 고유한 기능과 장점을 제공합니다.

• GPT

  OpenAI가 개발한 GPT(Generative Pre-trained Transformer) 시리즈는 가장 잘 알려진 파운데이션 모델 중 하나입니다. 이러한 모델은 GPT-3 및 GPT-4와 같은 반복을 통해 ChatGPT 등의 도구를 구동하여 텍스트 생성, 요약 및 질의 응답 부분에서 고급 기능을 제공합니다.

• Stable Diffusion

  이 텍스트-이미지 변환 모델은 노이즈 및 노이즈 제거 기술을 사용하여 고품질의 시각 자료를 생성합니다. 효율성이 높은 것으로 잘 알려진 이 모델은 경쟁사에 비해 필요한 컴퓨팅 자원이 최소한이며 스마트폰과 같은 장치에서도 실행할 수 있습니다.

• BERT

  BERT(Bidirectional Encoder Representations from Transformers)는 파운데이션 모델의 초기 이정표였습니다. 2018년 공개된 이 모델은 텍스트 내에서 문맥을 이해하는 데 탁월하며 질문에 답하거나 텍스트를 분류하는 등의 작업에 사용됩니다.

• Claude

  Anthropic의 Claude 모델(Claude 3.5 Sonnet, Opus, Haiku 등)은 포괄적인 자연어 기능을 제공합니다. 사용자 친화적이고 빠른 응답에 초점을 맞추어 워크플로우 자동화, 콘텐츠 조정, 연구 가속화 등의 작업에 적합하게 설계되었습니다.

• AI21 Jurassic 시리즈

  AI21 Labs의 Jurassic-1과 Jurassic-2는 인간과 유사한 텍스트를 생성하고 복잡한 언어 과제를 해결하는 데 특화되어 있습니다. Jurassic 시리즈는 기능면에서 GPT와 비슷하며 지시를 잘 따르는 것으로 알려져 있습니다.

• Amazon Titan

  Amazon의 Titan 모델은 텍스트 생성 및 요약, 임베딩을 통한 의미론적 검색 등 다양한 작업을 지원합니다. 이러한 모델은 특정 사용 사례에 맞춰 미세 조정할 수 있으므로 유연성이 향상됩니다.

• Cohere

  Cohere는 생성 및 표현 모델을 모두 제공합니다. 일부 경쟁사보다 규모가 작기는 하지만 언어 이해 및 의미론적 분석에 탁월합니다.

• BLOOM

  연구원들이 공동으로 개발한 다국어 모델인 BLOOM은 46개의 언어로 텍스트를 생성하고 13개의 프로그래밍 언어로 코드를 생성할 수 있습니다. 효율성과 개방형 액세스 설계 덕분에 이 모델은 협업 AI 개발 분야에서 두드러집니다.

 

 

생성형 AI의 파운데이션 모델의 주된 가치는 다목적성에 있습니다. 이러한 모델은 여러 산업 분야에서 다양한 작업을 처리할 수 있습니다. 여기에는 다음이 포함되며, 이에 국한되지 않습니다.

언어 처리

파운데이션 모델은 NLP(자연어 처리)에 탁월하며, 언어 번역, 감정 분석, 자동 콘텐츠 제작 등의 역량을 실현합니다. 또한 일관성 있는 텍스트를 생성하고, 문서를 요약하고, 복잡한 질문에 응답함으로써 고객 커뮤니케이션 및 지식 관리와 같은 작업을 수행하는 데도 매우 유용합니다.

시각적 이해

파운데이션 모델은 시각적 데이터(컴퓨터 비전의 핵심 요소)를 분석하고 생성할 수 있습니다. 물체를 식별하고, 패턴을 감지하고, 텍스트 프롬프트에서 이미지를 생성할 수 있으며, 이러한 역량은 자율 차량, 의료 영상, 콘텐츠 조정 등에 적용할 수 있습니다.

코드 생성

노코드 및 로우코드 개발이라는 개념의 논리적 귀결인 이 모델은 자연어 프롬프트를 함수형 프로그래밍 언어로 변환하여 소프트웨어 애플리케이션 빌드에 필요한 시간과 노력을 줄여줍니다. 코드 생성 외에도 기존 프로그램을 디버깅하고 최적화하여 개발자에게 자동화 및 혁신을 위한 강력한 도구를 제공해 줄 수 있습니다.

인간 중심적인 참여

파운데이션 모델은 임상 진단부터 고객 서비스 및 지원을 위한 AI 챗봇에 이르기까지 모든 분야에서 인적 의사 결정과 상호 작용을 개선하는 데 매우 효과적입니다. 이러한 모델은 인간의 입력을 학습하여 예측과 반응을 지속적으로 개선할 수 있습니다.

TTS(Speech to Text)

파운데이션 모델은 고급 언어 이해 역량을 통해 비디오 캡션, 대화 전사 및 실시간 언어 해석과 관련된 분야에서 오디오를 텍스트로 변환할 수 있습니다.

간단히 말하자면 파운데이션 모델은 조직에서 인공 지능을 활용하는 방식을 변화시키고 있습니다. 사전 학습된 강력한 모델로 사용되므로 전문 AI 시스템을 빌드할 필요가 없습니다. 이와 동시에, 다기능성을 갖춰 기업이 다양한 작업과 산업에 AI를 적용할 수 있도록 지원합니다. 이를 통해 다음과 같은 몇 가지 중요한 이점을 얻을 수 있습니다.

효율성 및 생산성 향상

파운데이션 모델은 반복적이고 시간이 많이 소요되는 작업을 자동화하여 운영을 최적화합니다. 데이터를 분류하고, 고객 문의를 전달하며, 최소한의 인간 개입으로 보고서를 생성하는 경우를 예로 들 수 있습니다. 이러한 역량을 통해 조직은 운영을 확장하면서 수작업을 줄일 수 있습니다. 개발자는 생성형 도구를 사용하여 코드를 더 빠르게 작성하고 디버깅할 수 있으며, 경영진은 AI가 생성해 준 장황한 문서의 요약본을 활용해 의사 결정 프로세스를 더 빠르게 진행할 수 있습니다.

콘텐츠 제작 가속화

마케팅 및 컨텐츠 팀은 파운데이션 모델의 빠른 콘텐츠 생성 역량을 통해 큰 이점을 얻을 수 있습니다. 다양한 주제에 대한 양질의 텍스트를 생성하고, 자료를 여러 언어로 번역하며, 캠페인 지원을 위한 이미지 또는 비디오를 생성할 수 있습니다. 이러한 가속화 덕분에 변화하는 시장의 요구에 보다 빠르게 대응할 수 있게 됩니다.

비용 효율적인 혁신

사전 학습된 파운데이션 모델을 사용하면 기업은 AI 시스템 학습된 관련된 비용을 처음부터 줄일 수 있습니다. 이 모델이 강력한 시작점을 제공해 주므로 구체적인 작업 또는 산업에 맞춰 최소한의 미세 조정만 하면 됩니다. 이러한 접근 방식을 통해 AI에 대한 접근성이 더 넓어지며 개발에 필요한 컴퓨팅 자원과 전문 지식이 줄어듭니다.

향상된 데이터 분석 및 의사 결정

파운데이션 모델은 비정형 정보를 포함한 대규모 데이터 집합을 처리하고 분석하는 데 탁월합니다. 비즈니스 리더는 시장 분석, 감정 추적 및 피드백 해석과 같은 작업에 이러한 역량을 사용할 수 있습니다. 이러한 모델은 실행 가능한 인사이트를 기존 방식보다 더 빠르고 정확하게 제공하여 전략적 의사 결정 프로세스를 향상시킵니다.

고객 참여 개선

파운데이션 모델 기반 생성형 AI 도구는 개인화되고 효율적인 상호 작용을 제공하여 고객 커뮤니케이션을 개선합니다. 여기에는 고객 문의 관리 및 맞춤형 응답 생성 지원 등이 포함될 수 있습니다. 이를 통해 조직은 고객 만족도를 높이는 동시에 서비스 팀의 작업 부하를 줄일 수 있습니다.

최적의 혁신과 창의성

때로는 간과되기도 하지만 비즈니스 관점에서 여전히 가치가 있는 것은 파운데이션 모델의 창의적인 잠재력입니다. 이 모델은 혁신적인 AI 생성 작품, 디자인 및 다면적인 미디어 콘텐츠를 개발할 수 있습니다. 이러한 모델은 AI가 가진 가능성의 한계를 넓혀 엔터테인먼트, 마케팅, 제품 설계 등 창의성에 대한 새로운 접근 방식이 필요한 모든 산업 분야에서 새로운 기회를 창출하고 있습니다.

파운데이션 모델이 유연한 역량과 다양한 사용 사례를 제공하지만, 이 기술에도 문제점이 없는 것은 아닙니다. 이러한 문제점은 생성형 AI를 기반으로 하는 솔루션을 채택할 때 조직이 해결해야 하는 중요한 질문을 제기할 수 있습니다. 반드시 고려해야 하는 주요한 문제 중 일부는 다음과 같습니다.

보안

중앙 집중식 시스템인 파운데이션 모델은 디지털 보안 위험을 내포하고 있습니다. 단일 장애 지점으로 작용하므로 위협 행위자들에게 매력적인 표적이 됩니다. 데이터 유출에 성공하면 민감한 데이터가 침해되고, 운영이 중단되거나 모델의 행동을 변경하여 유해한 결과를 낳을 수 있습니다. 이러한 취약성은 기밀 정보를 일상적으로 처리하는 업계에 특히 중요합니다.

이러한 위험을 해결하기 위해 조직은 암호화 프로토콜, 정기적인 취약성 평가 및 액세스 제어를 포함한 포괄적인 사이버 보안 조치에 투자해야 합니다. 중요한 시스템이 여러 노드에 분산되는 탈중앙화된 접근 방식을 개발하면 단일 장애 지점의 위험도 줄일 수 있습니다. 또한, AI 제공업체는 보안 모델 아키텍처를 채택하고 시스템을 감사하기 위한 일관된 일정을 수립하여 보안을 강화할 수 있습니다.

편향

파운데이션 모델은 대규모 데이터 세트를 기반으로 학습되기 때문에 학습 데이터에 존재하는 편향을 반영하는 경우가 많습니다. 성별과 같은 고정 관념부터 문화적 편견에 이르기까지, 이 문제는 채용 플랫폼이나 신용 평가와 같은 의사 결정 시스템에 편향된 모델이 사용될 때 특히 문제가 됩니다.

개발자는 학습 과정 중에 다양하고 포괄적인 데이터 세트를 우선시하여 내재된 편견을 최소화해야 합니다. 모델을 정기적으로 감사하고 모델 출력을 외부적으로 검토하면 책임성을 확보할 수 있으며, 교육 중 공정성에 초점을 맞춘 알고리즘을 통합하면 보다 공정한 결과를 얻을 수 있습니다.

윤리적 문제

파운데이션 모델이 특히 개인의 삶에 큰 영향을 미칠 가능성이 있는 분야에서 사용될 때 윤리적 문제가 제기됩니다. 의료 진단이나 법적 의사 결정과 같은 분야에서는 이러한 모델이 의도치 않게 기본권을 침해하는 결정을 내릴 수 있습니다. 특히 '블랙 박스'와 같은 특성을 감안하면 책임성의 부재로 인한 문제가 야기될 수도 있습니다.

윤리적 문제를 해결하기 위해 조직은 AI의 책임 있는 사용에 대한 명확한 가이드라인을 확립해야 합니다. 윤리적 검토 위원회 및 다분야 공동 작업은 배포 전에 이러한 모델의 잠재적 영향을 평가하는 데 도움이 될 수 있습니다. 마찬가지로 투명성도 매우 중요합니다. AI 제공업체는 이해 관계자들이 AI의 사용에 대해 정보에 입각한 결정을 내릴 수 있도록 모델의 학습 데이터, 한계, 의도된 용도를 명확하게 문서화해야 합니다.

환경 문제

파운데이션 모델의 학습과 운영에는 막대한 컴퓨팅 자원이 필요하며, 이는 환경에 상당한 영향을 미칩니다. 학습 중 에너지 소비량이 많아서 대량의 탄소가 배출되며 이 기술의 지속 가능성에 대한 우려가 제기됩니다.

조직에서 모델 아키텍처를 최적화하여 요구되는 컴퓨팅 성능을 줄이면 환경에 미치는 영향을 완화할 수 있습니다. 에너지 효율적인 하드웨어를 활용하고 데이터 센터에서 재생 가능한 에너지원을 우선적으로 사용하면 탄소 발자국을 줄이는 데 도움이 될 수 있습니다. 규모는 작지만 똑같이 효율적인 모델 개발을 위한 협업이 이루어지면 성능 저하 없이 환경 부담을 더욱 줄일 수 있습니다.

내재된 적응성과 확장성을 감안할 때 파운데이션 모델의 적용 가능성은 거의 무한합니다. 일부 업계는 직면한 문제와 생성하는 데이터의 성격으로 인해 특히 이 기술의 이점을 많이 누릴 수 있는 위치에 있습니다. 아래는 몇 가지 핵심 부문과 파운데이션 모델을 활용할 수 있는 방법입니다.

• 의료

  파운데이션 모델은 약물 발견(치료용으로 쓰일 수 있는 화합물 생성 등)과 혁신적인 의약품의 설계를 지원합니다. 또한 의료 영상 분석 및 맞춤형 환자 치료 등의 작업에도 도움이 됩니다.

• 법률

  법률 전문가는 문서 초안 작성, 계약 분석 및 사례 법률 요약과 같은 작업에 파운데이션 모델을 사용할 수 있습니다. 사실적인 정확성과 추적성이 발전하면 그 효용성은 더욱 확대될 수 있습니다.

• 교육

  이러한 모델은 연습 문제를 생성하고, 학습 계획을 수립하고, 개별 학습 스타일을 바탕으로 수강생에게 맞춤형 피드백을 제공함으로써 개인별 학습에 도움이 될 수 있습니다.

• 금융

  파운데이션 모델은 사기 탐지, 시장 동향 분석, 의사 결정 지원을 위한 예측 통찰력 생성 등을 향상시켜 금융 위험 관리 및 고객 참여에서 매우 유용한 도구가 됩니다.

• 제조

  이러한 모델은 AI 생성 프로토타입을 사용하여 공급망을 최적화하고, 장비 고장을 예측하며, 신제품을 설계할 수 있습니다.

• 소매업

  소매 분야의 파운데이션 모델은 AI 기반 챗봇 및 추천 시스템을 통해 맞춤형 마케팅 및 향상된 고객 상호 작용을 지원합니다.

생성형 AI의 파운데이션 모델은 고급 신경망 아키텍처와 학습 기법을 통해 데이터를 처리하고 출력을 생성합니다. 이러한 작업을 통해 큰 데이터 집합 내의 패턴, 관계 및 컨텍스트를 이해하여 텍스트 생성에서 이미지 생성까지 다양한 작업을 수행할 수 있습니다. 아래에서는 이러한 모델을 구동하는 핵심 프로세스를 세부적으로 분류합니다.

트랜스포머 아키텍처

파운데이션 모델의 핵심에는 2017년 Google 연구자들이 소개한 트랜스포머 아키텍처가 있습니다. 기존의 순환 신경망 및 컨볼루셔널 신경망과 달리, 트랜스포머 모델은 순차 데이터 내 다양한 요소의 중요성을 평가하도록 설계된 '어텐션 메커니즘'을 사용합니다. 이를 통해 복잡한 입력(텍스트 또는 이미지 등)을 처리하고 시퀀스의 다음 항목을 정확하게 예측할 수 있습니다.

자기 지도 학습

파운데이션 모델은 자기 지도 학습을 사용하여 라벨링되지 않은 방대한 데이터를 학습합니다. 이러한 모델은 입력 데이터에서 자체적으로 라벨을 생성하므로 데이터 세트에 수동으로 라벨을 부착할 필요가 없으며, 그 결과 학습 프로세스의 확장성과 효율성이 더욱 높아집니다. 이 접근 방식이 기존의 ML(머신 러닝) 방식과 차별화되는 핵심 요소입니다.

사전 학습

사전 학습 과정에서 파운데이션 모델은 언어나 기타 데이터 유형의 통계적 패턴을 학습하기 위해 방대한 데이터 세트(주로 인터넷에서 수집)에 노출됩니다. 이 단계는 연산 집약적이며, 작업별 전문 지식보다는 일반적인 이해에 초점을 맞춰 폭넓은 기능을 갖춘 모델을 구축합니다.

조정

사전 학습을 마친 후에는 더 작은 규모의 도메인별 데이터 세트를 사용하여 모델을 미세 조정할 수 있습니다. 이 단계에서는 연관성과 정확성에 중점을 두고 출력을 구체화하는 방식으로 특수한 작업에 맞춰 모델을 조정합니다. 미세 조정은 보통 인간의 피드백을 통합하여 모델의 동작을 원하는 결과와 일치시킵니다.

파운데이션 모델은 생성형 AI의 중심에 있습니다. 다양한 작업을 수행하고 적응하는 능력 덕분에 AI 기술의 발전에 따라 꾸준히 관련성을 유지할 수 있습니다. AGI(범용 인공 지능)라는 궁극적인 목표는 아직 멀지만, 파운데이션 모델의 개발은 보다 발전된 적응형 AI 시스템으로 나아가는 중요한 단계입니다.

파운데이션 모델이 더욱 강력해지면 비즈니스, 규제 기관 및 사회도 이러한 발전과 관련된 문제를 해결하기 위해 노력해야 합니다. 파운데이션 모델의 책임 있는 개발과 배포가 이루어지면 위험은 최소화되고 이점은 극대화됩니다. 전문가와 이해 관계자들이 이 빠르게 발전하는 분야의 발전에 대해 꾸준히 인지할 수 있도록 계속해서 교육하고 정보를 제공하는 것이 필수적입니다.

ServiceNow는 오늘날 업계 최고의 엔터프라이즈 AI 솔루션으로, 기업들에게 파운데이션 모델의 잠재력을 최대한 활용하는 데 필요한 도구를 제공합니다. 이 모든 것은 Now Platform®의 AI 기능을 통해 가능합니다.

Now Platform은 AI를 IT, 고객 서비스, HR 등의 워크플로우에 원활하게 통합하도록 특별히 설계되었습니다. 또한 자연어 이해, 지능형 자동화, 고급 데이터 분석 등의 네이티브 AI 기능을 갖춘 이 포괄적인 솔루션은 비즈니스 전반에 걸쳐 운영을 간소화하고 생산성을 향상시키며 탁월한 사용자 경험을 제공할 수 있도록 조직의 역량을 강화해 줍니다. ServiceNow의 생성형 AI 컨트롤러는 이러한 역량을 더욱 강화하여 기업이 사용자 지정 스크립팅을 복잡하게 만들지 않고도 OpenAI, Azure OpenAI, ServiceNow의 NOW LLM을 비롯한 대규모 언어 모델에 연결, 구성 및 제어할 수 있도록 지원합니다.

반복적 작업의 자동화부터 실행 가능한 인사이트 도출, 셀프 서비스 개선에 이르기까지, ServiceNow는 업종을 불문하고 모든 기업이 새로운 차원의 혁신을 실현하도록 지원하고 있습니다. 지금 ServiceNow 데모를 시청하고 AI의 가능성을 새롭게 정의해 보세요.