인공 지능(AI)이란?

1980년대에는 주로 번역과 전사 분야에서 AI 연구에 대한 새로운 관심과 정부 자금이 쏟아졌고, 이 시기에는 의학 등 특정 분야에서 인간의 의사 결정 과정을 시뮬레이션하는 MYCIN과 같은 전문가 시스템이 인기를 얻었습니다. 1980년대 신경망이 부활하면서 David Rumelhart와 John Hopfield는 컴퓨터가 경험을 통해 학습할 수 있다는 것을 보여주는 딥 러닝 기술에 관한 논문을 발표했습니다.

1987년에서 1997년 사이에는 다른 사회경제적 요인과 닷컴 붐으로 인해 두 번째 AI 겨울이 찾아왔습니다. AI 연구는 더욱 세분화되어 다양한 사용 사례에서 분야별 문제를 해결하는 팀들이 생겨났습니다.

1997년부터 2006년경까지 IBM의 Deep Blue 체스 소프트웨어가 세계 체스 챔피언인 Garry Kasparov를 물리치는 등 AI 분야에서 상당한 성과를 거두었습니다. 이 외에도 Judea Pearl은 AI 연구에 확률과 의사 결정 이론을 포함하는 책을 출판했으며 Geoffrey Hinton 등은 딥 러닝을 대중화하여 신경망의 부활을 이끌었습니다. 그러나 상업적 관심은 여전히 제한적이었습니다.

2007년부터 2018년까지 클라우드 컴퓨팅의 발전으로 컴퓨팅 성능과 AI 인프라에 더 쉽게 접근할 수 있게 되었습니다. 이는 기계 학습의 채택 증가, 혁신 및 발전으로 이어졌습니다. Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton이 개발한 AlexNet이라는 합성곱 신경망(CNN) 아키텍처가 ImageNet 대회에서 우승하여 이미지 인식 분야에서 딥 러닝의 힘을 보여주었고, Google의 AlphaZero는 사람의 데이터 없이 자가 플레이에 의존하여 체스, 장기, 바둑 게임을 마스터했습니다.

2022년에는 인공 지능(AI)과 자연어 처리(NLP)를 사용해 인간과 같은 대화를 나누고 작업을 완료하는 챗봇(예: OpenAI의 ChatGPT)이 대화 능력으로 널리 알려지면서 AI에 대한 관심과 개발이 다시 활발해졌습니다.

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 양도의 승인 프로세스를 가속화했습니다. 자세히 알아보려면 HMLR이 Amazon Textract를 어떻게 사용하는지 읽어보세요.

지능형 문서 처리(IDP)에 대해 자세히 알아보기 »

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 실질적인 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. 

APM(애플리케이션 성능 모니터링)에 대해 알아보기 »

AI 강화 예측 유지 보수란 대량의 데이터를 사용하여 운영, 시스템 또는 서비스의 가동 중지로 이어질 수 있는 문제를 식별하는 것을 말합니다. 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 Baxter가 Amazon Monitron을 사용하는 방법을 읽어보세요.

예측 유지 보수에 대해 읽어보기 »

의학 연구에서는 AI를 사용하여 프로세스를 간소화하고, 반복적인 태스크를 자동화하며, 방대한 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 컴퓨팅 솔루션을 다루면서 임상 성과 및 임상 수단 개발에 집중할 수 있습니다. 엔지니어링 팀 또한 AI를 사용하여 리소스 수요, 엔지니어링 유지 보수 및 NRE 비용을 줄일 수 있습니다. 자세히 알아보려면 C2i Genomics가 AWS HealthOmics를 사용하는 방법을 읽어보세요.

의학 연구 솔루션에 대해 자세히 알아보기 »

딥 러닝은 기계 학습을 한 단계 더 발전시킨 개념입니다. 딥 러닝 모델은 함께 연동되는 신경망을 사용하여 정보를 학습하고 처리합니다. 이러한 모델은 더 큰 문제를 해결하기 위해 작은 데이터 단위에서 미시적 수학 연산을 수행하는 수백만 개의 소프트웨어 구성 요소로 구성됩니다. 예를 들어 이미지의 개별 픽셀을 처리하여 해당 이미지를 분류합니다. 최신 AI 시스템은 여러 심층 신경망을 결합하여 시를 쓰거나 텍스트 프롬프트를 바탕으로 이미지를 만드는 것과 같은 복잡한 작업을 수행합니다.

딥 러닝에 대해 알아보기 »

자연어 처리(NLP)는 신경망을 사용하여 텍스트 데이터에서 정보를 해석하고 이해하고 수집합니다. 인간의 언어를 해독하고 이해하는 데 특화된 다양한 컴퓨팅 기법을 사용합니다. 이러한 기법을 통해 머신이 단어, 문법 구문 및 단어 조합을 처리하여 인간의 텍스트를 처리하고 새로운 텍스트를 생성할 수 있습니다. 자연어 처리는 문서 요약, 챗봇, 감정 분석 수행을 수행하는 데 매우 중요합니다. 

NLP에 대해 알아보기 »

컴퓨터 비전은 딥 러닝 기법을 사용하여 비디오와 이미지에서 정보와 인사이트를 추출합니다. 컴퓨터 비전을 사용하여 온라인 콘텐츠에서 부적절한 이미지를 모니터링하고, 얼굴을 인식하고, 이미지 세부 정보를 분류할 수 있습니다. 자율 주행 자동차와 트럭에서는 환경을 모니터링하고 초를 가르는 결정을 내리는 것이 중요합니다.

컴퓨터 비전에 대해 알아보기 »

음성 인식 소프트웨어는 딥 러닝 모델을 사용하여 사람의 음성을 해석하고 단어를 식별하며 의미를 감지합니다. 신경망은 음성을 텍스트로 전사하고 음성의 감정을 나타낼 수 있습니다. 가상 어시스턴트 및 고객 센터 소프트웨어와 같은 기술에서 음성 인식을 사용하여 의미를 식별하고 관련 태스크를 수행할 수 있습니다.

음성-텍스트 변환에 대해 알아보기 »

생성형 AI는 간단한 텍스트 프롬프트에서 이미지, 비디오, 텍스트, 오디오와 같은 새로운 콘텐츠와 아티팩트를 생성하는 인공 지능 시스템을 말합니다. 데이터 분석에만 국한된 과거의 AI와 달리 생성형 AI는 딥 러닝과 대규모 데이터세트를 활용하여 인간과 유사한 높은 품질의 창의적 결과물을 생성합니다. 흥미로운 창의적 응용이 가능하지만 편향, 유해 콘텐츠 및 지적 재산에 대한 우려는 여전히 존재합니다. 전반적으로 생성형 AI는 인간과 유사한 방식으로 인간의 언어와 새로운 콘텐츠 및 아티팩트를 생성하는 AI 기능의 중대한 진화를 나타냅니다.

생성형 AI에 대해 알아보기 »

기계 학습으로 AI를 훈련하려면 막대한 리소스가 필요합니다. 딥 러닝 기술이 제대로 작동하려면 높은 처리 파워 임계값이 필수적입니다. AI 애플리케이션을 실행하고 모델을 훈련하려면 강력한 컴퓨팅 인프라가 있어야 합니다. 처리 파워는 비용이 높기 때문에 AI 시스템의 확장성을 제한할 수 있습니다.

책임 있는 AI는 AI 시스템이 대규모로 미치는 사회적, 환경적 영향을 고려한 AI 개발 방식입니다. 모든 신기술이 그렇듯이, 인공 지능 시스템은 사용자, 사회 및 환경의 변화를 가져옵니다. 책임 있는 AI를 실현하려면 긍정적인 영향을 강화하고 AI 개발 및 사용 방식에 대한 공정성과 투명성을 우선으로 해야 합니다. 책임 있는 AI는 AI 혁신과 데이터 중심 의사 결정이 시민의 자유와 인권을 침해하지 않도록 막아줍니다. 조직들은 빠르게 발전하는 AI 분야에서 경쟁력을 유지하면서 책임 있는 AI를 구축하는 것이 쉽지 않음을 알게 됩니다.

훈련을 통해 편향 없는 AI 시스템을 만들려면 방대한 양의 데이터를 입력해야 합니다. 훈련 데이터를 다루고 처리할 수 있는 충분한 스토리지 용량이 있어야 합니다. 마찬가지로 훈련에 사용하는 데이터의 정확성을 보장하기 위해 효과적인 관리 및 데이터 품질 프로세스를 마련해야 합니다.