생성형 AI와 프로그래밍의 차이점! 🌟 인공지능의 모든 것 한눈에 보기

김상욱·2024년 7월 14일

프로그래밍: 프로그래밍은 입력과 출력의 관계를 명확하게 정의하고, 이를 알고리즘으로 구현하는 과정입니다. 개발자는 문제를 해결하기 위해 필요한 논리와 절차를 직접 코드로 작성합니다.
인공지능 모델: 인공지능 모델은 대량의 데이터를 통해 입력과 출력 간의 관계를 학습합니다. 개발자가 직접 알고리즘을 명시하지 않고, 데이터로부터 패턴을 학습하여 예측하거나 분류합니다.

정의: 생성형 인공지능(Generative AI)은 텍스트, 이미지, 오디오, 비디오 등 새로운 콘텐츠를 생성할 수 있는 기술입니다.
예시:
- 텍스트 생성: GPT, BERT
- 이미지 생성: VAE(Variational Autoencoder), GAN(Generative Adversarial Network), Diffusion Model, Transformer Decoder

정의: 텍스트 생성, 번역, 질문 답변, 요약 등 다양한 언어 관련 작업을 하나의 모델에서 수행할 수 있습니다.
원리: 입력과 출력 사이의 조건부 확률 분포를 학습합니다. 새로운 입력이 주어졌을 때 학습된 조건부 확률 분포를 통해 각 토큰(단어)의 확률을 예측하고, 가장 가능성이 높은 토큰을 선택하여 답변을 생성합니다.

사전 학습(Pre-training):
- 방법: 입력 텍스트의 다음 단어를 예측하는 훈련을 합니다.
- 장점: 입력에 따른 정답 데이터 셋을 따로 구축하지 않아도 됩니다.
파인튜닝(Fine-tuning):
- 방법: 사전 학습된 모델을 특정 작업에 맞게 재학습하는 과정입니다.
- Instruction learning: 주어진 지시문(명령어)을 이해하고 수행하도록 학습합니다.
- 장점: 동일한 모델로 다양한 기능을 수행할 수 있으며, 범용성을 향상시킬 수 있습니다.

모호한 지시 처리:
- 문제: 다양한 해석을 할 수 있는 질문이나 지시에 대해 명확한 답변을 제공하지 못할 수 있습니다.
- 해결방안: 질문에 대한 배경과 세부 정보, 구체적인 답변 예시 등을 통해 사용자가 원하는 답변을 할 수 있도록 유도합니다.
맥락 유지의 어려움:
- 문제: 긴 대화나 복잡한 문맥을 지속적으로 유지하는 데 어려움을 겪습니다.
- 해결방안: LLM이 처리할 수 있는 최대 토큰 수가 정해져 있으므로, 기존 질문 및 답변의 핵심적인 정보들을 요약하여 맥락을 유지합니다.
할루시네이션:
- 문제: 문맥에 맞는 듯 보이지만 실제로는 근거 없는 내용을 생성하는 현상으로, 사용자에게 잘못된 정보를 제공할 수 있습니다.
- 해결방안: 외부 지식 및 데이터 베이스의 내용을 프롬프트에 넣어 해당 내용에 근거해 답변을 생성하도록 합니다. (RAG, Retrieval-Augmented Generation)
정보의 한계:
- 문제: 최신 정보 및 새로운 전문적인 지식을 제공하지 못합니다.
- 해결방안: 질문에 대한 내용을 인터넷에서 검색 후 LLM이 인터넷의 내용을 기반으로 답변을 생성하도록 합니다.