서론
최근 뤼튼테크놀로지스(이하 뤼튼)에 프론트엔드 엔지니어로 합류하게 되어 약 2주동안 열심히 일하던 와중, 뤼튼에서 Generative AI asia 2023(이하 GAA 2023) 행사를 주최하게 되어 AI 산업 전반에 걸친 다양한 인사이트를 얻기 위해 컨퍼런스에 참여하였습니다.
마이크로소프트, 아마존, 네이버, 카카오 같은 대기업부터 라이너, FriendliAI, 스캐터랩과 같은 좋은 성과를 보여주고 있는 스타트업까지 다양한 기업에서 좋은 주제로 강연을 해 주셨습니다.
AI 산업에 대하여 관심을 갖게 된 지 얼마 되지 않아 현재 AI가 어떻게 발전하고 있고, 이후 빅테크 기업과 스타트업이 AI 기술을 미래에 어떻게 활용할 지에 대한 지식을 얻을 수 있었습니다.
이 글을 작성하는 이유는 기록의 의미도 있고, 댓글을 통해 새로운 인사이트를 공유받았으면 하는 마음에 작성하게 되었습니다.
본 글에서는 오전 세션인 Naver Cloud, Wrtn Technologies, Kakao Brain에서의 발표만 요약합니다. 오후에도 다양하고 유익한 강연들이 많았지만, AI 산업에 대한 깊고 전문적인 내용이어서 이해하고 정리하는 데에 어려움이 있었습니다. 🥲
Keywords
먼저 강연을 들으면서 몰랐던 용어들에 대하여 찾아보겠습니다.
AGI
Artificial General Intelligence의 약자로, 인공 일반 지능이라는 인공지능의 여러 분야 중 하나입니다.
특정한 조건 하에서만 적용할 수 있는 약인공지능(Strong AI)과 달리 모든 상황에 일반적으로 두루 적용할 수 있는 AI를 말합니다.
HyperScale AI
초거대 인공지능을 의미하며, 딥러닝 기법을 쓰는 AI 가운데서도 그 파라미터가 무수히 많은 AI를 뜻합니다.
여기서 파라미터란, 상황에 따라 가변적으로 달라지는 정보(변수)를 처리하기 위한 단위입니다.
더 자세한 설명은 여기를 참고해주세요 !
실제로 GPT-4 모델은 약 1조개의 파라미터를 가지고 있다고 합니다.
LM / LLM
Language Model(LM)은 가장 자연스러운 단어 시퀀스를 찾아내는 모델으로, 가장 보편적으로 사용되는 방법은 이전 단어들이 주어졌을 때 다음 단어를 예측하도록 하는 것입니다.
Large Language Model(LLM)은 대화 또는 기타 자연 언어 입력에 대하여 인간과 유사한 응답을 생성하기 위해 방대한 양의 텍스트 데이터를 학습한 언어 모델을 의미합니다.
파인 튜닝
Fine Tuning이란, 기존에 학습되어져 있는 모델을 기반으로 아키텍처를 새로운 목적으로 변형하고 학습을 업데이트 하는 방법을 말합니다.
Stable Diffusion
Stability AI에서 개발한 Text-to-Image 인공지능 모델입니다.
몰랐던 용어들은 더 많지만, 그 중 언급된 빈도가 비교적 높은 용어들만 정리해보았습니다.
Naver Cloud
Macintosh가 1984년에 등장하고, Mosaic이라는 웹 브라우저가 1993년에 등장하고, iPhone이 2007년에 등장했습니다.
그리고 지난해 2022년, ChatGPT가 등장했습니다.
이를 '주기'라고 언급합니다.
큰 단위의 새로운 기술이 등장하는 매 주기마다 다양한 가치와 경험이 대중들에게 제공되고 창출되고 있습니다.
작년 ChatGPT의 파급력으로 미루어보았을 때 AI도 이 '주기'에 해당합니다.
"AI가 이건 못하겠지"라고 생각하는 벽이 계속해서 깨지고, 이 속도 또한 빠릅니다.
현재는 인터넷의 방대한 정보 중 소수에 해당하는 Text 또는 이미지를 학습하는 모델이 대부분입니다.
Text와 이미지를 경계없이 학습하는 '멀티모달'의 파급력 또한 대단할 것으로 예상합니다.
AI 기술과 산업이 빠르게 발전하면서 'AI가 커진다'라는 말을 듣게 되는데, 이는 학습하는 데이터가 많고 로직이 복잡하며 더 일반적인(General한) AI 모델을 의미하고 이는 비용과 직접적으로 연결됩니다.
AI가 커지면 자연스럽게 지불해야 하는 비용 또한 증가합니다.
즉, 재미로 소비하기엔 비용이 과다해지므로 업무 생산성 혁신으로 도입되어야 합니다.
일례로 Github Copilot을 들 수 있습니다.
업무 생산성 증가율이 30%이고 개발자의 연봉이 1억이라고 가정했을 때, 단순 계산으로도 3000만원의 가치를 창출합니다.
하지만 Github Copilot의 가격은 월 2만원이 채 안됩니다.
100배 이상의 가치를 만들어냅니다.
다음은 Gen AI를 활용할 수 있는 방안입니다.
1. 정보 검색
기존에는 원하는 정보를 찾기 위해 링크 -> 링크 -> 링크 이동을 합니다.
Gen AI를 통해서 한 곳에서 궁금증을 해결할 수 있습니다.
2. 컨텐츠 생산
가사, 노래, 글 등의 컨텐츠를 생산해주는 Gen AI도 고려해볼 수 있습니다.
Gen AI는 실제로 사람과의 대화에서 공감을 합니다.
GPT-4는 사람보다 공감능력이 좋다고도 합니다.
3. 업무 생산성 혁신
일반 사무에서는 반복되는 작업을 AI로 대체할 수 있습니다.
또한, 전문 업무에서는 정보 수집이 기존보다 더 용이해집니다.
우리는 단순히 한국어를 잘하는 AI가 아닌, 한국의 사회/문화와 법 제도 등을 이해하는 모델이 필요합니다.
Wrtn Technologies
빅테크 기업와 전문가들만 AI를 개발 및 이용하는 시대는 지났고, 이제는 스타트업도 AI 기술을 개발하고 비전문가들도 쉽게 AI를 이용할 수 있어야 합니다.
모두를 위한 AI 생태계를 구축하는 것이 목표입니다.
뤼튼이 추구하는 'Next Portal'은 다음 3가지로 구성되어 있습니다.
1. Chat Platform
챗봇은 이미 다양한 케이스에서 성과를 냈고, 검증되었습니다.
뤼튼이 계속해서 추구하는 것은 Chat을 통해 AI를 쉽게 접근하게하고, 궁극적으로는 각각의 사용자만을 위한 챗봇 서비스를 제공하는 것입니다.
뤼튼이 추구하는 Chat Platform을 구성하는 구성요소는 다음과 같습니다.
- 최고의 AI
ChatGPT, GPT-4, HyperClova, Karlo 등 상황에 맞게 활용할 수 있는 최고의 AI 모델들을 서빙하는 것 - 다양한 입력
문서 인식, 이미지 파일 인식 등 다양한 입력에 대응하는 것 - 다양한 기기
Web, iOS/AOS, Desktop, Browser Extension, Mobile Keyboard 등 다양한 기기에 Wrtn 서비스를 서빙하여 일상생활에 AI 활용이 녹아들게 하는 것
2. Store / Studio
뤼튼은 사용자에게 입력을 받고 특정 상황에 맞게 AI 기술을 활용하여 원하는 결과물을 생성하는 것을 '툴'이라고 부릅니다.
일반적으로 이 툴을 만들기 위해서는 프롬프트 엔지니어링(Prompt Engineering)이라고 하는, AI를 이해시키고 관련 예시를 주며 상황과 원하는 결과물을 학습시키는 과정이 필요합니다.
뤼튼은 '툴 빌더'라는 기능을 제공하여 코딩을 모르는 사람도 얼마든지 가이드라인을 따라하면 프롬프트와 툴을 제작할 수 있도록 했습니다.
결과적으로는 뤼튼 스튜디오를 활용해 사용자가 본인의 니즈에 맞게 툴을 생산하고, 뤼튼 스토어를 활용해 또 다른 사용자의 툴을 사용할 수 있습니다.
3. Plugin
뤼튼은 플러그인을 통해 다양한 애플리케이션을 뤼튼 Chat을 통해 활용할 수 있도록 합니다.
예를 들면, '강남에서 사당으로 가는 택시를 호출해줘'라고 입력하면 관련 모빌리티 애플리케이션에서 정보를 수집해 보여주고 해당 애플리케이션으로 연결되는 통로까지 제공합니다.
Kakao Brain
예술과 창작의 영역이 AI가 할 수 없는 인간의 마지막 능력이라고 믿었는데, AI가 빠르게 해당 영역을 대체하고 있습니다.
우리가 예상했던 것보다 AI 산업이 급속도로 발전하고 있습니다.
이 과정에서 사람과의 인터랙션을 통해 AI가 계속해서 새로운 데이터를 학습하는 선순환도 발생하고 있습니다.
AI의 1세대는 인식의 영역으로 음성 인식, 의료 기술, 자율 주행 등의 형태로 사람들에게 제공되었습니다.
AI의 1.5세대로 부를 수 있는 것들은 더 새롭게 접근하여 글꼴 제작이나 버츄얼 아바타 제작 등의 서비스를 제공했습니다.
그리고 현재, AI 2세대인 생성형 AI가 등장했습니다.
생성형 AI는 순간적으로 생각할 수 있는 스펙트럼, 즉 인사이트를 크게 늘려줍니다.
하버드 로스쿨에서는 '인터넷의 발전보다 ChatGPT 발전의 파급력이 더 크다.'라고 언급했습니다.
FT는 전문직의 20%가 영향을 받을 것이라고 했고, MIT는 미국 노동자의 80%가 영향을 받을 것이라고 했습니다.
이는 즉, AI 기술은 우리의 일상에 빠르고 깊게 침투한다는 것을 의미합니다.
관련 지식이 전무하여 내용을 잘못 이해하거나, 중요한 내용이 빠져있는 경우가 있을 수 있습니다.. 🥲
댓글 통해 알려주시면 감사하겠습니다 !
개인적인 생각
여느 디지털 미래산업보다 가장 전망이 좋고 가능성이 무궁무진한 분야라고 생각합니다.
이미 도입된 산업도 많고, 특히 ChatGPT는 AI의 가능성을 가감없이 보여준 사례입니다.
이제는 AI의 도입을 고민하기보단, 어떻게 AI를 업무에 잘 녹여낼지를 고민해야 하는 시기라는 생각이 듭니다.
이미 AI의 효용성과 도입 이후 업무 생산성의 향상은 다양한 사례로 검증되고 있습니다.
아직은 AI 기술이 직업 자체를 대체하는 일은 많이 없다고 생각합니다.
예를 들어 개발자라는 직업을 예시로 설명해보자면, 실제로 업무에 적지 않은 도움이 되는 것은 사실이나 AI는 학습 데이터가 충분히 필요하다는 점이 단점으로 작용하지 않나 싶습니다.
React와 같은 시장에서 충분히 많이 쓰이고 수요가 높은 기술 스택은 학습 데이터가 많다보니 코드 퀄리티가 비교적 좋게 보장된다고 할 수 있지만, 수요가 적은 기술 스택은 학습 데이터가 많지 않아 퀄리티를 신뢰하기 어렵습니다.
또한, 당연하게도 직접 작성한 코드가 AI가 작성해준 코드보다 코드에 대한 이해도가 높습니다. 즉, AI에게 코드 작성을 맡기면 에러가 발생했을 때 디버깅이 어렵고 Side Effect를 예상하기 어렵습니다.
따라서 좋은 개발자는 AI를 잘 활용하여 단순 업무를 대체하며 업무 생산성을 향상하고, 설계나 AI가 좋은 퀄리티를 내지 못하는 작업에서 본인의 역량을 발휘하는 개발자로 트렌드가 변하지 않을까 싶습니다.
프론트엔드 개발자로서 기대하는 AI의 모습은 디자인을 입력하면 퍼블리싱을 대신해주는 AI입니다. 😊
후기
첫 컨퍼런스 경험이었는데, 매우 유익하고 트렌디한 인사이트를 얻어갈 수 있었습니다.
계속해서 다양한 컨퍼런스 및 세미나를 참여하여 좋은 지식과 네트워킹을 얻어가고 싶습니다.
또한 아직 AI 기술/산업에 대한 이해도가 부족해서 얻어갈 수 있는 지식이 제한적이었는데, 꾸준히 공부하여 컨퍼런스 대부분의 정보를 이해하고 습득할 수 있었으면 좋겠습니다.
부족한 글 읽어주셔서 감사합니다 😄❗️
