인공 지능(AI)이란 무엇입니까?

Alan Turing은 1950년에 쓴 획기적인 논문인 ‘Computing Machinery and Intelligence(계산기와 지능)’에서 기계가 사고할 수 있는지 여부를 고찰했습니다. 이 논문에서 Turing은 인공 지능이라는 용어를 처음 만들어 이론적, 철학적 개념으로 제시했습니다. 

1957년에서 1974년 사이에 컴퓨팅 영역은 컴퓨터로 더 많은 데이터를 저장하고 더 빠르게 처리할 수 있는 수준으로 발전했습니다. 이 기간 동안 기계 학습(ML) 알고리즘이 추가로 개발되었습니다. 이 분야의 발전으로 미국 방위고등연구계획국(DARPA)과 같은 기관에서는 AI 연구를 위한 기금을 조성하게 되었습니다. 처음에 이 연구의 주요 목표는 컴퓨터로 음성 언어를 전사하고 번역할 수 있는지 여부를 알아내는 것이었습니다.

1980년대에는 가용 자금이 늘어나고 AI에 사용되는 알고리즘 도구 키트가 확장되면서 개발 작업이 간소화되었습니다. David Rumelhart와 John Hopfield는 컴퓨터가 경험을 통해 학습할 수 있다는 것을 보여주는 딥 러닝 기술에 관한 논문을 발표했습니다. 

1990년부터 2000년대 초반에는 세계 체스 챔피언을 이기는 등 AI의 여러 핵심 목표가 달성되었습니다. 현대에는 이전 수십 년보다 더 많은 컴퓨팅 데이터와 처리 능력을 사용할 수 있게 되면서 AI 연구가 더 일반화되었고 접근이 쉬워졌습니다. 소프트웨어로 복잡한 작업을 수행할 수 있는 인공 일반 지능으로 빠르게 진화하고 있습니다. 이제 소프트웨어는 이전에 인간에게 국한되었던 태스크를 스스로 만들고, 결정하고, 학습할 수 있습니다.

인공 지능은 다양한 응용 분야를 가지고 있습니다. 다음은 전체 목록은 아니지만 AI의 다양한 사용 사례를 강조하는 몇 가지 예입니다.

지능형 문서 처리

지능형 문서 처리(IDP)는 비정형 문서 형식을 사용 가능한 데이터로 변환합니다. 예를 들어 이메일, 이미지, PDF와 같은 비즈니스 문서를 구조화된 정보로 변환합니다. IDP는 자연어 처리(NLP), 딥 러닝, 컴퓨터 비전과 같은 AI 기술을 사용하여 데이터를 추출, 분류 및 검증합니다. 

예를 들어 HM Land Registry(HMLR)는 87% 이상의 잉글랜드와 웨일즈 지역에 대한 부동산 소유권을 취급합니다. HMLR 사례 담당자는 부동산 거래와 관련된 복잡한 법률 문서를 비교하고 검토합니다. 이 조직은 AI 애플리케이션을 배포하여 문서 비교를 자동화함으로써 검토 시간을 50% 단축하고 부동산 이전 승인 프로세스를 가속화했습니다. 자세한 내용은 HMLR의 Amazon Textract 사용 사례를 참조하세요.

애플리케이션 성능 모니터링

애플리케이션 성능 모니터링(APM)은 소프트웨어 도구와 원격 측정 데이터를 사용하여 비즈니스 크리티컬 애플리케이션의 성능을 모니터링하는 프로세스입니다. AI 기반 APM 도구는 기록 데이터를 사용하여 문제가 발생하기 전에 예측합니다. 또한 개발자에게 효과적인 솔루션을 제안하여 실시간으로 문제를 해결할 수 있습니다. 이 전략은 애플리케이션을 계속해서 효과적으로 실행하고 병목 현상을 해결합니다.

일례로 Atlassian은 팀워크와 조직을 간소화하는 제품을 만듭니다. Atlassian은 AI APM 도구를 사용하여 애플리케이션을 지속적으로 모니터링하고, 잠재적 문제를 탐지하며, 심각도의 우선 순위를 지정합니다. 이 기능을 통해 팀은 ML 기반 권장 사항에 신속하게 대응하고 성능 저하를 해결할 수 있습니다. 

APM에 대해 읽어보기 »

예측 유지 보수

AI 강화 예측 유지 보수는 대량의 데이터를 사용하여 운영, 시스템 또는 서비스의 가동 중단으로 이어질 수 있는 문제를 식별하는 프로세스입니다. 기업에서는 예측 유지 보수를 통해 잠재적 문제를 발생 전에 해결하여 가동 중지 시간을 줄이고 중단을 예방할 수 있습니다.

예를 들어 Baxter는 전 세계 70개의 제조 공장을 운영하고 있으며 연중무휴 운영을 통해 의료 기술을 제공합니다. Baxter는 예측 유지 보수를 사용하여 산업 장비의 비정상 상태를 자동으로 감지합니다. 사용자는 효과적인 솔루션을 미리 구현하여 가동 중지 시간을 줄이고 운영 효율성을 개선할 수 있습니다. 자세히 알아보려면 Baxter의 Amazon Monitron 사용 사례를 읽어보세요.

의학 연구

의학 연구에서는 AI를 사용하여 프로세스를 간소화하고, 반복적인 태스크를 자동화하며, 방대한 양의 데이터를 처리합니다. 의학 연구에 AI 기술을 사용하면 신약 발견 및 개발의 전체 과정을 촉진하고, 의료 기록을 전사하며, 신제품 출시 시간을 단축할 수 있습니다.

실제 사례로 C2i Genomics는 인공 지능을 사용하여 사용자 지정 가능한 대규모 유전체 파이프라인과 임상 검사를 실행합니다. 연구원들은 계산 솔루션을 다루면서 임상 성과 및 방법 개발에 집중할 수 있습니다. 엔지니어링 팀 또한 AI를 사용하여 리소스 수요, 엔지니어링 유지 보수 및 NRE 비용을 줄일 수 있습니다. 자세한 내용은 C2i Genomics의 AWS HealthOmics 사용 사례에서 알아보세요.

비즈니스 분석

비즈니스 분석에서는 AI를 사용하여 복잡한 데이터 세트를 수집, 처리 및 분석합니다. AI 분석을 사용하면 미래 가치를 예측하고, 데이터의 근본 원인을 이해하며, 시간 소모적인 프로세스를 줄일 수 있습니다. 

예를 들어 Foxconn은 AI로 강화된 비즈니스 분석을 사용하여 예측 정확도를 개선합니다. 예측 정확도를 8% 높임으로써 공장에서 연간 53만 3,000 USD를 절감했습니다. 또한 비즈니스 분석을 사용하여 노동력 낭비를 줄이고 데이터 기반 의사 결정을 통해 고객 만족도를 높입니다.

인공 지능 아키텍처는 4개의 핵심 계층으로 구성됩니다. 각 계층은 고유한 기술을 사용하여 특정 역할을 수행합니다. 다음은 각 계층에서 수행되는 작업에 대한 설명입니다.

계층 1: 데이터 계층

AI는 기계 학습, 자연어 처리, 이미지 인식과 같은 다양한 기술을 기반으로 구축됩니다. 이러한 기술의 중심에는 데이터가 있는데, 데이터는 AI의 기본 계층을 형성합니다. 이 기본 계층은 주로 AI 애플리케이션을 위한 데이터를 준비하는 데 중점을 둡니다. 현대적 알고리즘, 특히 딥 러닝 알고리즘에는 방대한 계산 리소스가 필요합니다. 따라서 이 계층에는 AI 모델 훈련에 필수적인 인프라를 제공하는 하위 계층 역할을 하는 하드웨어가 포함됩니다. 서드 파티 클라우드 공급업체의 완전관리형 서비스로 이 계층을 이용할 수 있습니다.

기계 학습에 대해 읽어보기 »

계층 2: ML 프레임워크 및 알고리즘 계층

엔지니어는 데이터 사이언티스트와 협력하여 특정 비즈니스 사용 사례의 요구 사항을 충족하는 ML 프레임워크를 만듭니다. 그러면 개발자는 사전 빌드된 함수와 클래스를 사용하여 모델을 손쉽게 구성하고 훈련할 수 있습니다. 이러한 프레임워크의 예로는 TensorFlow, PyTorch 및 scikit-learn 등이 있습니다. 이러한 프레임워크는 애플리케이션 아키텍처의 핵심 구성 요소이며 AI 모델을 쉽게 구축하고 훈련하는 데 필요한 필수 기능을 제공합니다.

계층 3: 모델 계층

애플리케이션 개발자는 모델 계층에서 AI 모델을 구현하고 이전 계층의 데이터와 알고리즘을 사용하여 모델을 훈련합니다. 이 계층은 AI 시스템의 의사 결정 기능에 중추적인 역할을 합니다.

이 계층의 주요 구성 요소 중 일부는 다음과 같습니다.

모델 구조

이 구조는 모델의 용량, 구성 계층, 뉴런 및 활성화 함수를 결정합니다. 문제와 리소스에 따라 피드포워드 신경망, 컨볼루션 신경망(CNN) 또는 기타 신경망을 선택할 수 있습니다.

모델 파라미터 및 함수

훈련 중에 학습된 값, 예를 들어 신경망 가중치 및 편향 등은 예측에 매우 중요합니다. 손실 함수는 모델의 성능을 평가하고 예측된 출력과 실제 출력 간의 불일치를 최소화하는 것을 목표로 합니다.

옵티마이저

이 구성 요소는 모델 파라미터를 조정하여 손실 함수를 줄입니다. 경사하강법 및 Adaptive Gradient Algorithm(AdaGrad)과 같은 여러 옵티마이저가 다양한 용도로 사용됩니다.

계층 4: 애플리케이션 계층

네 번째 계층은 AI 아키텍처의 고객 대면 부분인 애플리케이션 계층입니다. AI 시스템에 특정 태스크를 완료하거나, 정보를 생성하거나, 정보를 제공하거나, 데이터 기반 결정을 내리도록 요청할 수 있습니다. 최종 사용자는 애플리케이션 계층을 통해 AI 시스템과 상호 작용할 수 있습니다.

AWS를 통해 빌더, 데이터 사이언티스트부터 비즈니스 분석가 및 학생에 이르기까지 더 많은 사람들이 AI에 액세스할 수 있습니다. AWS는 가장 포괄적인 AI 서비스, 도구 및 리소스 세트를 통해 10만 이상의 고객에게 심층적인 전문 지식을 제공하여 비즈니스 요구 사항을 충족하고 데이터의 가치를 극대화합니다. 고객은 개인 정보 보호, 엔드 투 엔드 보안, AI 거버넌스를 기반으로 한 AWS를 통해 구축하고 확장하여 전례 없는 속도로 혁신할 수 있습니다.

AWS의 AI 서비스에는 바로 활용하여 성능을 극대화하고 비용을 절감할 수 있는 인텔리전스 및 AI 인프라를 위한 사전 훈련된 AI 서비스가 포함되어 있습니다.

사전 훈련된 서비스의 예:

• Amazon Rekogniton는 이미지 인식 및 비디오 분석을 자동화 및 간소화하고 그 규모를 조정합니다.
• Amazon Textract는 인쇄 텍스트를 추출하고 필기를 분석하며 모든 문서의 데이터를 자동으로 캡처합니다.
• Amazon Transcribe는 음성을 텍스트로 변환하고 비디오 파일에서 주요 비즈니스 인사이트를 추출하며 비즈니스 성과를 개선합니다.

AI 인프라의 예:

• Amazon Bedrock은 다양한 고성능 FM과 광범위한 기능을 제공합니다. 다양한 상위 FM을 실험하고 데이터를 사용하여 전용으로 사용자 지정할 수 있습니다.
• Amazon SageMaker는 내부적으로 사용할 수 있도록 FM을 처음부터 새로 사전 훈련하는 도구를 제공합니다.
• AWS Trainium 칩으로 구동되는 Amazon Elastic Compute Cloud(EC2) Trn1 인스턴스는 생성형 AI 모델의 고성능 딥 러닝(DL) 훈련을 지원하는 목적별 서비스입니다.

지금 바로 무료 계정을 만들어 AWS에서 AI를 시작해 보세요.