섹션 3: Getting Started with Generative AI
📘 강의 내용 상세 요약 (섹션 3: Generative AI 시작하기)
1. Generative AI란 무엇인가?
- 정의: 새로운 콘텐츠(텍스트, 이미지, 음악 등)를 자율적으로 생성하는 AI.
- 기존 AI가 분석·분류에 집중했다면, Generative AI는 창의성과 상상력을 발휘하여 새로운 결과물을 만들어낼 수 있음.
- 핵심 목표:
- 자율적 콘텐츠 생성: 텍스트, 이미지, 음악, 연구 아이디어 등 자동 생산.
- 패턴 학습·모방: 대규모 데이터셋에서 구조와 특징을 학습.
- 인간 창의성 모방: 예술·문학·음악적 창의성을 흉내냄.
- 창의성 확장: 예술, 디자인, 문학, 음악 등에서 새로운 가능성 제공.
- 혁신 촉진: 새로운 아이디어·디자인·표현 도구 제공.
- 적응·진화: 피드백과 새로운 데이터를 통해 지속적으로 개선.
- 광범위한 응용: 의료, 예술, 과학 등 다양한 분야 적용 .
2. Generative AI의 주요 응용 분야
- 이미지 생성: GAN(Generative Adversarial Networks)을 활용해 사진 같은 현실적 이미지 또는 새로운 시각적 개념 창출.
- 텍스트 생성: 시·소설·기사, 특정 작가의 문체 모방, 챗봇, 콘텐츠 자동 생성.
- 음악 생성: 기존 작곡 패턴 학습 후 독창적 멜로디·작품 작곡.
- 헬스케어: 신약 후보 분자의 구조 자동 생성 → 신약 개발 가속화 및 비용 절감 .
3. Generative vs Discriminative Models (생성 모델 vs 판별 모델)
- 생성 모델 (Generative Models)
- 입력 + 출력의 결합 확률분포(joint distribution)를 모델링.
- 학습한 분포를 기반으로 새로운 샘플 생성 가능.
- 활용: 이미지/텍스트 생성, 데이터 증강.
- 판별 모델 (Discriminative Models)
- 조건부 확률(입력 → 출력)을 학습하여 클래스 구분.
- 새로운 입력을 받아 어떤 클래스인지 분류.
- 활용: 이미지 분류, 문서 분류 등.
👉 차이 요약
- 생성 모델: “새 데이터 생성”
- 판별 모델: “데이터 구분/분류”
4. 실제 사례 (Real World Applications of Generative AI)
- OpenAI GPT-3 / ChatGPT: 사람과 유사한 문맥적 텍스트 생성.
- Google Neural Machine Translation (GNMT): 입력 언어를 다른 언어로 번역.
- 코드 생성:
- GitHub Copilot: IDE 내에서 코드 자동완성 및 제안.
- AWS CodeWhisperer: IDE 및 CLI에서 코드 단위 추천 제공.
- 데모 예시:
- 프롬프트 “파리 여행, 좋아하는 가수는 Taylor Swift·Justin Bieber, 기분은 행복·댄스, 활동은 관광”을 입력.
- ChatGPT가 관련된 플레이리스트 자동 생성 (Shake It Off, Uptown Funk 등).
- 최신 동향:
- Sora(OpenAI): 텍스트 기반 영상 생성 모델.
- 자율적 창작 툴로 예술, 영상 제작, 연구개발 분야 활용 가능 .
📌 핵심 정리
- Generative AI는 창의적 산출물을 만들어내는 AI로, 인간의 창의성을 확장하는 기술.
- 주요 응용 분야: 이미지·텍스트·음악 생성, 신약 개발 등.
- 생성 모델은 데이터를 “만드는 것”, 판별 모델은 데이터를 “구분하는 것”에 초점.
- ChatGPT, Copilot, CodeWhisperer 등은 대표적 실제 응용 사례.
- 최신 연구에서는 영상 생성(Sora 등)까지 확장되고 있음.
📝 예시 문제 세트 (섹션 3: Generative AI)
문항 1) (난이도: 하)
Generative AI의 핵심 목표로 적절하지 않은 것은 무엇인가?
① 자율적 콘텐츠 생성
② 인간 창의성의 모방
③ 데이터 구조 및 패턴 학습
④ 모든 데이터의 정답을 미리 학습하여 암기
⑤ 예술·디자인·문학 분야의 창의성 확장
정답: ④
해설: Generative AI는 데이터를 암기하기보다는 패턴을 학습하여 새로운 콘텐츠를 생성하는 데 목적이 있다. 따라서 “모든 데이터를 정답처럼 암기”한다는 설명은 잘못되었다.
문항 2) (난이도: 중)
다음 중 생성 모델(Generative Model)과 판별 모델(Discriminative Model)의 차이에 대한 설명으로 옳은 것을 모두 고르시오.
ㄱ. 생성 모델은 입력과 출력의 결합 확률분포를 모델링한다.
ㄴ. 판별 모델은 새로운 데이터를 생성하는 데 집중한다.
ㄷ. 판별 모델은 조건부 확률을 학습하여 클래스 구분에 활용된다.
ㄹ. 생성 모델은 이미지·텍스트 생성, 데이터 증강에 자주 사용된다.
① ㄱ, ㄴ
② ㄴ, ㄷ
③ ㄱ, ㄷ, ㄹ
④ ㄱ, ㄹ
⑤ ㄱ, ㄴ, ㄷ, ㄹ
정답: ③
해설: 생성 모델은 결합 확률분포를 모델링하며, 새로운 데이터를 생성할 수 있다(ㄱ, ㄹ). 판별 모델은 조건부 확률을 학습하여 입력 데이터를 특정 클래스에 할당한다(ㄷ). ㄴ은 틀린 설명이다.
문항 3) (난이도: 중)
Generative AI의 응용 사례와 설명을 올바르게 짝지은 것은?
A. 이미지 생성 – GAN을 활용해 사진 같은 새로운 이미지를 만든다.
B. 텍스트 생성 – 특정 작가의 문체를 모방하거나 챗봇 응답을 만든다.
C. 음악 생성 – 의료 영상 분석을 통해 병리학적 특징을 도출한다.
D. 헬스케어 – 신약 개발을 위해 분자 구조를 자동 생성한다.
① A, B
② A, D
③ B, C
④ A, B, D
⑤ A, B, C, D
정답: ④
해설: A, B, D는 올바른 설명이다. C는 잘못되었는데, 음악 생성은 작곡 패턴 학습을 통한 멜로디·작품 생성이지 의료 분석이 아니다.
문항 4) (난이도: 상)
다음은 Generative AI의 실제 응용에 대한 설명이다. 괄호 (A), (B)에 들어갈 알맞은 도구를 쓰시오.
- (A)는 IDE 내에서 코드 자동완성과 지능형 코드 제안을 제공하는 AI 도구이다.
- (B)는 IDE와 CLI 환경 모두에서 단일 라인 또는 함수 단위의 코드를 제안하는 AI 생산성 도구이다.
정답: (A) GitHub Copilot, (B) CodeWhisperer
해설: GitHub Copilot은 IDE 내 코드 자동완성 도구이고, AWS CodeWhisperer는 IDE·CLI에서 코드를 제안하는 도구이다. 둘 다 Generative AI 기반의 코드 생성 응용 사례다.
문항 5) (난이도: 상)
Generative AI가 기존 AI와 다른 점을 설명한 것으로 옳지 않은 것은?
① 기존 AI는 주로 분석·분류에 집중하지만, Generative AI는 창의적 결과물을 생성할 수 있다.
② Generative AI는 자율적으로 새로운 데이터를 생성할 수 있다.
③ 기존 AI는 항상 지도학습(supervised learning) 기반으로만 학습한다.
④ Generative AI는 예술·문학·음악 등 창의적 영역에 활용될 수 있다.
⑤ Generative AI는 대규모 데이터셋의 패턴을 학습하여 새로운 콘텐츠를 만든다.
정답: ③
해설: 기존 AI는 지도학습뿐만 아니라 비지도학습, 강화학습 등 다양한 학습 방식을 포함한다. 따라서 “항상 지도학습 기반”이라는 설명은 틀리다.
