블로그 내용에 관해 수정할 사항이나 논의할 사항이 있다면 언제든 연락 부탁드립니다.

LinkedIn : devyulbae
Email : devyulbae@gmail.com

지난번 글에 이어 오늘은 Narrow AI에 대해서 자세히 다루어 보겠습니다.

목차

1. Narrow AI

2. 적용 분야와 사례

2-1. Self-Driving

2-2. Health Care

2-3. Factory

2-4. Finance

1. Narrow AI

지난번 글에서 AGI(Artificial General Intelligence)는 아직 구현되지 않았음을 이야기했는데요, 그렇다면 현재 우리가 사용하고 있는 AI들은 어떤 모습일까요?

그럼 우리가 사용하고 있는 AI들은 뭘까요?

ChatGPT를 포함해 우리가 사용하고 접하는 AI는 모두
Narrow AI(혹은 Weak AI)입니다.

Narrow AI란 특정한 작업을 수행하도록 설계된 AI를 의미합니다. Narrow AI의 핵심은 제한된 범위 내의 문제에 대해 뛰어난 성능을 발휘한다는 점에 있습니다.

ChatGPT는 왜 Narrow AI일까요? Narrow AI의 범위는 어디까지인거죠?

ChatGPT 같은 LLM 모델은 방대한 양의 Text 데이터를 학습해서, 다양한 질문에 응답하고 작업을 수행할 수 있는 모델입니다. 그러나 결국, ChatGPT의 본질은 자연어 학습을 통한 텍스트 생성이기 때문에 ChatGPT, 그리고 수많은 Large Language Model들은 Narrow AI의 범주에 속합니다.

LLM에게 Fine-Tuning, Agent, 또는 RAG와 같은 여러 기법을 사용해서 우리가 원하는 도메인 지식을 학습시킬 수 있다는 점도 뒷받침하는 근거입니다.

Narrow AI는 왜 만들어졌나요?

Narrow AI는 현실적 문제 해결을 위한 의도적 발전의 결과물로, 특정 도메인에서 인간 이상의 성과를 발휘하며 경제적 가치를 창출하고 있습니다. 연구자들이 AGI라는 완벽히 인간 같은 인공지능을 목표로 연구를 시도하는 과정에서, 현실적 필요에 의해 특정 문제를 해결하는 데 적합한 메커니즘을 가진 AI 기술들이 탄생하게 되었습니다. AGI의 복잡성과 높은 난이도로 인해 현실적인 접근 방식으로 Narrow AI가 우선 연구되었고, 이는 자율주행, 의료, 금융 등 다양한 산업에 큰 영향을 미치며 가치 있는 결과를 만들어내고 있습니다.

이처럼 오늘날 우리가 접하는 대부분의 AI는 Narrow AI로, 이를 통해 특정 문제에 대해 강력한 솔루션을 제공받고 있습니다.

2. 적용 분야와 사례

다음으로는, Narrow AI(이하 AI)의 적용 분야와 사례를 알아보겠습니다.
어디까지나 어떤 기술을 사용하는지에 대한 언급 정도이기 때문에,
기술에 대한 자세한 내용은 직접 파고들어 보시는 것을 권장합니다.

2-1. 자율주행 Self-Driving

적용 사례

Tesla

적용 기술: 딥러닝 기반의 비전 인식과 신경망을 활용하여 자율주행 오토파일럿 기능과 FSD (Full Self-Driving) 시스템을 제공합니다.

서비스: 자율주행 모드를 포함한 전기차 운행, 고속도로 주행 보조, 자동 주차 및 도시 내 자율주행 기능 제공.

Waymo

적용 기술: 라이다(LiDAR), 레이더, 카메라와 딥러닝을 활용한 고정밀 지도 및 객체 인식 기술을 사용합니다.

서비스: 완전 자율주행 택시 서비스를 미국 일부 지역에서 제공하며, 자율주행을 통한 물류 서비스도 지원.

NVIDIA

적용 기술: GPU를 기반으로 한 병렬 컴퓨팅과 딥러닝을 사용해 자율주행 차량용 AI 플랫폼인 NVIDIA Drive를 제공합니다.

서비스: 자동차 제조사 및 자율주행 관련 기업에 자율주행 소프트웨어와 하드웨어 솔루션 제공.

Hyundai

적용 기술: 딥러닝과 센서 융합 기술을 사용해 자율주행 차량을 개발하며, Motional 합작 회사를 통해 자율주행 기술 상용화를 추진하고 있습니다.

서비스: 자율주행 택시 서비스와 자율주행 기술 개발을 통한 현대차 모델의 자율주행 레벨 4 구현 목표.

주요 기술

Computer Vision

차향이 주변 환경을 시각적으로 인식하는 데에 사용됩니다.
대표적인 오픈소스로는 Yolo, OpenCV, SSD 등이 있습니다.
Computer Vision의 주요 기술은 아래와 같습니다.

• Semantic Segmentation : 이미지 내의 클래스 구분
• Instance Segmantation : 개별 인스턴스 구분
• Lane Detection : 차선 인식
• Depth Estimation : 객체와의 거리 추정
• Optical Flow : 영상 속 물체의 움직임 방향과 속도 분석

Reinforcement Learning ( RL )

RL은 Agent(차량)가 환경(도로 및 주행 상황)에 알맞은 Action(행동)을 선택하고, 이에 대한 Reward(보상)을 받아 학습하는 방식입니다. Action에는 주행 방향, 속도, 회피 동작 등이 있으며 Action의 결과로 긍정적 혹은 부정적 Reward를 부여받아서 알맞은 Action을 취하도록 학습해나가는 방식입니다. RL에서 중요한 개념을 몇 가지 설명드리겠습니다.

상태 State
주변 환경을 인식하기 위한 정보입니다. 자율주행의 경우에는 도로의 상황, 차량의 속도, 주변과의 거리와 위치 등이 해당합니다.

행동 Action
Agent가 선택할 수 있는 행동입니다. 자율주행은 속도 조절, 차선 변경, 회전, 정지, 회피 기동 등이 있습니다.

보상 Reward
주어진 상황에서 어떤 Action을 골랐을 때, 해당 행동이 적절하다면 Positive인 Reward를, 부적절하다면 Negative인 Penalty를 부여합니다. Reward를 통해서 우리는 각 상황에서 우리가 원하는 Action을 선택하도록 학습시킬 수 있습니다. 이 Reward는 우리 뇌에서 전두엽이 각 시냅스에게 동작하는 과정과 굉장히 유사합니다.

정책 Policy
주어진 State에서 어떤 Action을 선택할지 결정하는, 사람으로 치면 전두엽의 역할을 합니다. 이 Policy는 Reward를 통해 학습되어, 각각의 상황에서 우리가 원하는 방향으로 Action을 선택하게끔 학습됩니다.

Deep RL

딥러닝과 강화학습이 결합된 학습 기법입니다. 기본적인 RL의 작동 방식과 유사하지만, 기존의 강화학습이 Q-테이블과 같은 표 형식으로 State-Action을 저장하는 데에 비해, Deep RL은 신경망을 사용하여 State와 Action을 표현하고 학습합니다.
Deep RL의 대표적인 기술로는 DQN, Policy Gradient, A3C, PPO 등이 있습니다.

2-2. 의료 Health Care

적용 사례

Anzeilax

적용 기술: rPPG를 활용하여 정신 질환을 선별하고, 마음 건강 상태를 모니터링합니다.

서비스: 간편한 정신 질환 치료 및 선별 서비스 제공.

Repeech

적용 기술: 음성 분석 및 DSP, xAI를 활용해 뇌졸중 환자의 말장애를 분석하고 치료합니다.

서비스: 맞춤형 말장애 평가 및 치료 제공.

ForMe

적용 기술: rPPG와 XGBoost를 활용해 아동의 ADHD 치료 및 상태를 모니터링합니다.

서비스: 아동에게 맞춤형 과업을 부여하고 수행을 동기부여.

Alzguard

적용 기술: Ensemble Learning을 활용해 치매 및 경도 인지장애를 진단합니다.

서비스: 인지 훈련 게임 및 인지 기능 평가 제공.

Re-bone

적용 기술: Pose Detection을 통해 사용자의 운동 상태를 분석하고 맞춤형 운동 프로그램을 제공합니다.

서비스: 근감소증 예방 및 운동 프로그램 제공.

주요 기술

Multi-Modal

의료 영상 데이터(예: X-ray, MRI)와 환자의 의료 기록, 병력, 증상 등의 다양한 데이터를 통합적으로 분석합니다. 이를 통해 정밀한 진단이 가능하며, 환자의 상태를 종합적으로 이해하는 데 도움을 줍니다. 멀티모달 AI는 특히 의료 분야에서 정확도 높은 진단을 위해 필수적인 역할을 하고 있습니다.

Pose Detection

카메라를 통해 사용자의 동작을 분석하고 운동 수행 능력을 평가하는 기술입니다. 이를 통해 환자에게 맞춤형 운동 프로그램을 제공하고 근감소증을 예방하는 데 도움을 줍니다. 이 기술은 물리 치료나 재활 과정에서 환자의 운동 상태를 모니터링하고 평가하는 데 널리 사용됩니다.

음성 분석

환자의 음성 데이터를 분석하여 상태를 평가하고, 말장애나 호흡 문제 등을 진단합니다. 음성의 피치, 음량, 소리 끊김 등을 분석해 환자의 상태를 정밀하게 파악하며, 이를 통해 맞춤형 치료를 제공할 수 있습니다.

Explainable AI (xAI)

AI의 결정 과정을 설명하고 이해할 수 있도록 하여, 의료진과 환자가 결과를 신뢰할 수 있도록 돕습니다. 이는 AI가 내린 진단 결과의 투명성을 높이는 데 기여하며, 의료 분야에서 AI의 신뢰도를 확보하는 중요한 기술입니다.

Ensemble Learning

여러 모델의 예측 결과를 결합하여 성능을 높이는 기술입니다. 다양한 모델들이 협력하여 더 정확한 결과를 도출하며, 특히 치매 및 인지장애와 같은 복잡한 질환의 진단에서 유용하게 사용됩니다.

2-3. Factory

적용 사례

Amazon

적용 기술: 머신러닝과 컴퓨터 비전을 사용한 물류 로봇 및 자동 창고 관리 시스템.

서비스: Amazon의 물류 창고에서는 Kiva 로봇이 상품을 자동으로 이동시키며, 재고를 정리하고 주문을 처리합니다. 이 로봇들은 머신러닝을 사용해 최적의 경로를 학습하고 장애물을 피할 수 있습니다.

BMW, Audi, Ford

적용 기술: 딥러닝을 활용한 로봇 암(Arm) 및 생산 라인 최적화.

서비스: AI는 조립 라인의 로봇 암을 제어해 부품 조립, 용접, 도장 작업 등을 정밀하게 수행합니다. 딥러닝 알고리즘을 통해 각 부품의 위치와 상태를 인식해 정확하게 작업합니다.

Siemens

적용 기술: 예지 유지보수(Predictive Maintenance)와 스마트 공장 기술.

서비스: AI를 사용하여 설비의 데이터를 실시간으로 모니터링하고 분석함으로써 고장 발생을 예측하고 사전에 유지보수할 수 있도록 돕습니다.

Foxconn

적용 기술: 로봇 프로세스 자동화(RPA)와 머신러닝을 활용한 조립 자동화.

서비스: 전자제품 제조 공정에서 AI 로봇이 조립, 검수, 패키징 등의 작업을 수행하여 생산성을 높이고 불량률을 줄입니다.

주요 기술

Q-Learning

로봇이 환경 내에서 최적의 행동을 학습할 수 있도록 하는 강화 학습 알고리즘입니다. 주로 물류 로봇의 이동 경로를 최적화하는 데 사용되며, 로봇은 경로를 선택하고 이를 통해 보상을 받는 과정을 반복하며 장애물을 피하고 효율적인 이동 경로를 찾습니다.

YOLO

이미지에서 객체를 빠르게 탐지할 수 있는 딥러닝 알고리즘입니다. 물체의 위치를 인식하고 그 주위의 바운딩 박스를 생성하여 실시간 장애물 회피 및 재고 확인을 가능하게 합니다. 주로 물류 자동화에서 로봇이 정확하게 상품을 찾고 인식하는 데 사용됩니다.

GBM

데이터의 특징을 이용해 예측을 수행하는 앙상블 기법입니다. 수요를 예측하고 재고 관리를 최적화하기 위해 사용되며, 여러 개의 약한 학습자들을 순차적으로 학습시켜 성능을 향상시킵니다. 이를 통해 물류 창고의 수요 변화에 민첩하게 대응할 수 있습니다.

DDPG

연속적인 행동 공간에서 최적의 정책을 학습하는 강화 학습 알고리즘입니다. 생산 라인의 로봇 암이 부품을 정밀하게 조작하고 다양한 각도와 위치에서 작업을 수행할 수 있도록 도와줍니다. 특히 복잡한 작업 환경에서 효율적인 제어와 협력 작업을 가능하게 합니다.

Anomaly Detection

데이터에서 비정상적인 패턴이나 이상 행동을 감지하는 기술입니다. 설비의 고장 여부를 예측하기 위해 사용되며, 정상 데이터를 학습한 후 비정상적인 데이터를 탐지하여 고장을 사전에 예측하고 유지보수를 수행할 수 있도록 지원합니다. 이를 통해 불필요한 유지보수를 줄이고 설비 가동률을 높입니다.

2-4. Finance

적용 사례

블랙록 (BlackRock)

적용 기술: 머신러닝과 데이터 분석을 활용하여 투자 전략 및 리스크 관리.

서비스: Aladdin이라는 자체 AI 플랫폼을 통해 자산 관리와 리스크 관리를 수행하며, 금융 시장의 데이터를 분석해 투자 결정을 지원합니다. 이를 통해 리스크 평가와 포트폴리오 관리를 최적화합니다.

웰스 파고 (Wells Fargo)

적용 기술: 챗봇과 머신러닝 기반의 고객 서비스 솔루션.

서비스: 고객 응대를 위한 AI 챗봇 'Erica'를 통해 금융 관련 질문에 답변하고 간단한 금융 거래를 처리합니다. 머신러닝을 활용해 고객의 소비 습관을 분석하고 맞춤형 금융 상품을 제안합니다.

모건 스탠리 (Morgan Stanley)

적용 기술: 머신러닝과 인공지능 기반의 자연어 처리(NLP)를 사용하여 재무 상담 지원 및 시장 분석을 자동화합니다.

서비스: AI 기반의 재무 분석 도구인 Next Best Action을 통해 금융 자문가들이 고객 맞춤형 재무 계획을 세울 수 있도록 돕습니다. 또한, 대량의 금융 데이터를 실시간으로 분석해 투자 전략을 제안합니다.

PayPal

적용 기술: 딥러닝 기반의 이상 탐지 모델을 활용해 거래 데이터를 분석하고 사기 거래를 실시간으로 탐지합니다.

서비스: AI를 통해 결제 과정에서의 사기 위험을 줄이고, 안전한 결제 환경을 제공합니다. 또한, 고객의 거래 패턴을 분석하여 맞춤형 금융 서비스를 제공합니다.

주요 기술

TimeSeries Prediction

시간의 흐름에 따라 변화하는 데이터를 분석하고 미래의 값을 예측하는 기술입니다. 주로 농산물 가격 예측, 금융 시장 분석, 에너지 수요 예측 등에 사용됩니다. 과거 데이터의 패턴을 학습하여 향후 발생할 변동을 예측함으로써, 공급망 관리나 투자 전략 수립에 기여합니다.

sentiment analysis

텍스트 데이터에서 감정이나 의견을 분석하여 긍정, 부정, 중립 등으로 분류하는 기술입니다. 소셜 미디어, 리뷰 데이터 등을 분석해 소비자의 감정을 파악하며, 이를 통해 고객의 피드백을 반영한 맞춤형 서비스 제공이 가능합니다. 마케팅 전략 수립, 고객 만족도 관리 등에 자주 사용됩니다.

GNN ( Graph Neural Network )

노드와 엣지로 구성된 그래프 구조에서 데이터를 학습하고 분석하는 딥러닝 모델입니다. 주로 소셜 네트워크 분석, 추천 시스템, 화합물의 특성 예측 등과 같이 그래프 형태의 데이터를 다룰 때 사용됩니다. 각 노드 간의 연결 정보를 학습하여 복잡한 상호작용을 분석하고, 이를 통해 더 나은 예측을 수행할 수 있습니다.

Reinforcement Learning

에이전트가 환경과 상호작용하면서 보상을 최대화하기 위해 최적의 행동을 학습하는 기술입니다. Morgan Stanley의 Next Best Action 시스템에서는 고객의 데이터를 분석하여 고객이 필요로 하는 다음 최선의 금융 조치를 추천합니다. 이를 통해 고객 맞춤형 금융 서비스 제공을 강화하고, 금융 의사결정의 효율성을 높입니다.