제너러티브 AI란?
-
AI와 머신 러닝 알고리즘을 활용하여 머신이 학습 데이터를 기반으로
텍스트, 이미지, 오디오 및 비디오 콘텐츠와 같은 새로운 인공 콘텐츠를 만드는 기술 입니다. -
사용자가 AI에게 어떤 것을 만들어 달라고 요구하면, 그 요구에 맞춰서 결과를 만들어내는 인공지능 입니다.
제너레이티브 AI의 구성요소
1. Generative adversarial networks (GANs)
GAN을 통해 이미지, 비디오, 오디오, 테이블 형식 데이터, 시계열 데이터 등의 합성 데이터를 생성할 수 있음
1-1. 구성 요소
- GAN 모델은 생성 모델, 판별 모델 두 개의 하위 모델로 구성됩니다.
(1) Generator(생성기)
- 임의 입력에서 새 데이터 인스턴스를 생성
- 소스 데이터와 유사한 새로운 데이터 또는 콘텐츠를 생성하는 역할을 하는 신경망
- 생성자가 더 현실적인 데이터를 생성하는 방법을 지속적으로 학습
(2) Discriminator(판별자)
- 소스 데이터와 생성된 데이터를 구별하는 역할을 하는 신경망
- 실제 데이터와 가짜 데이터를 더 잘 구별하는 교대 주기로 훈련됨
- 생성된 가짜 데이터와 실제 데이터를 더 잘 구별하는 방법을 학습
1-2. 학습과정
분류 모델을 먼저 학습시킨 후, 생성 모델을 학습시키는 과정을 서로 주고받으면서 반복
1. 분류 모델 학습
2. 학습된 분류 모델을 속이는 방향으로 생성 모델을 학습
GAN은 1과 2의 과정을 반복함
1. 분류 모델의 학습
분류 모델의 학습은 2가지 과정으로 이루어짐.
(1) 진짜 데이터를 입력해서 네트워크가 해당 데이터를 진짜로 분류하도록 학습
(2) 생성 모델에서 생성한 가짜 데이터를 입력해서 해당 데이터를 가짜로 분류하도록 학습하는 과정 (첫 번째와 반대)
이 두 과정을 통해 분류 모델은 진짜 데이터를 진짜로, 가짜 데이터를 가짜로 분류할 수 있게 됩니다.
2. 학습된 분류 모델을 속이는 방향
1의 과정을 끝내고 생성 모델에서 만들어낸 가짜 데이터를 판별 모델에 입력하고, 가짜 데이터를 진짜라고 분류할 만큼 진짜 데이터와 유사한 데이터를 만들어 내도록 생성 모델을 학습시킴
1, 2의 학습과정을 반복하면 분류 모델과 생성 모델이 서로를 적대적인 경쟁자로 인식하여 모두 발전하게 됨
결과적으로,
생성 모델은 진짜 데이터와 완벽히 유사한 가짜 데이터를 만들 수 있게 되고 분류 모델은 진짜 데이터와 가짜 데이터를 구분할 수 없게 됩니다.
-> 생성 모델은 분류에 성공할 확률을 낮추려함 vs 분류 모델은 분류에 성공할 확률을 높이려 함
-> 서로가 서로를 경쟁적으로 발전시키는 구조를 이루고 있음 (서로서로 반대)
2. Transformers
- 입력 데이터 부분의 중요성을 차등적으로 측정
- 언어나 이미지를 이해하고, 몇 가지 분류 작업을 배우고, 방대한 데이터 세트에서 텍스트나 이미지를 생성하도록 훈련받음
- GPT-3 , LaMDA 및 Wu-Dao와 같은 분류기들이 있음
3. Variational auto-encoders ( VAE )
- 입력을 재현하고 데이터를 잠재 공간에 매핑하는 방법을 학습하는 신경망 유형
- 입력 데이터 분포를 훨씬 더 작은 차원 표현으로 저장
- 파이썬으로 작성한 소스코드 : https://medium.com/dataseries/variational-autoencoder-with-pytorch-2d359cbf027b
적용 사례
(1) 직접 그림그리는 AI (텍스트를 이미지로 변환) - AI DALL E, minDALL-E
AI DALL E
오각형의 초록 시계를 입력하면 입력받은 텍스트 데이터를 통해 다양한 타입으로 오각형의 초록 시계가 생성됨
minDALL-E
'한국의 종전 선언'이라는 텍스트 데이터를 입력하면 종전선언에 담긴 의미와 감정을 파악하여 가족으로 보이는 사람들이 껴안고 있는 이미지를 생성
(2) AI가 제작한 그림으로 만든 NFT
생성 AI 에포님(Eponym)이 그린 그림을 NFT로 만들어 판매
(3) 사진을 이모티콘으로 생성
(4) 낮 사진을 밤 사진으로 (이미지 -> 이미지)
제너레이티브 AI 장점
신원 보호
Generative AI 아바타는 인터뷰 또는 작업 중에 신원을 공개하고 싶지 않은 사람들을 보호합니다.
로봇 공학 제어
생성 모델링은 강화 기계 학습 모델 이 편향을 줄이고 시뮬레이션 및 실제 세계에서 보다 추상적인 개념을 이해하도록 도와줍니다.
의료
Generative AI는 병을 조기에 식별하여 효과적인 치료법을 만들 수 있습니다. 예를 들어, GAN은 X선 이미지의 다른 각도를 계산하여 종양의 가능한 확장을 시각화합니다.
제너레이티브 AI 과제
보안 및 악용 사례
사기 목적으로 제너레이티브 AI를 사용할 수 있습니다.
완전히 새로운 이미지나 텍스트를 만드는 것이 아닌 기존의 데이터를 결합하는 방식
제너레이티브 AI 알고리즘은 작업을 수행하기 위해 엄청난 양의 훈련 데이터가 필요합니다. 그러나 GAN은 완전히 새로운 이미지나 텍스트를 만들 수 없습니다. 그들은 서로 다른 방식으로 그들이 알고 있는 것을 결합할 뿐입니다.
예상치 못한 결과 발생
GAN과 같은 생성 AI의 일부 모델에서는 행동을 제어하기가 쉽지 않습니다. 그들은 불안정하게 수행하고 예기치 않은 결과를 생성합니다.
데이터 프라이버시
건강 관련 애플리케이션에는 개인 정보 데이터에 대한 프라이버시 문제가 발생할 수 있음
참조
https://pub.towardsai.net/generative-adversarial-transformers-gansformers-explained-bf1fa76ef58d
https://www.samsungsds.com/kr/insights/generative-adversarial-network-ai-2.html
https://research.aimultiple.com/generative-ai/
https://developer.ibm.com/blogs/what-is-generative-ai-and-how-much-power-does-it-have/
