생성형 AI - 효용성과 한계

 

생성형 AI의  효용성

 

○ 생성형 AI는 의료, 금융, 교육, 문화예술, IT 영역에 이르기까지 다양한 분야에 걸쳐 활용되며 업무를 자동화·가속화함으로써 생산성 제고, 고객 만족도 향상, 신규 비즈니스 창출 등의 효용성이 나타나고 있음

※ 골드만삭스는 생성형 AI가 향후 10년 간 세계국내총생산(GDP)을 7%(7조 달러) 증가시킬 것으로 전망(2023.3.31.)

 

- (의료 행정) 보험사에 보내는 이메일 작성, 영상의학과 판독문 작성 등 반복적인 글쓰기 작업, 환자와의 커뮤니케이션 및 브레인스토밍 등에 활용함으로써 문서작업이나 환자 관리에 들어가는 시간을 절감

 

- (신약 개발) 이미지 생성 모델처럼 텍스트로 단백질의 모양과 크기, 기능과 같은 속성을 설명하면 자연에서발견한 적 없는 새로운 유형의 단백질을 설계하는 ‘단백질 구조 생성 모델’을 통해 신약 개발 가속화

※ 제너레이트 바이오메디신과 워싱턴 대학은 생성형 AI의 확산 모델을 사용해 새로운 유형의 단백질 디자인을 생성하는 '크로마(Chroma)'와 '로제타폴드 디퓨전(RoseTTA Fold Diffusion)’을 각각 공개

 

- (금융 비서) 업무 자동화로 생산성을 제고하고 빠른 고객 문의 대응, 개인화된 서비스 및 마케팅 제공을 지원하는 AI 금융 비서 도입을 통해 고객 만족도 향상 및 신규 수익원 창출 기회로 활용

※

(KB국민은행) ‘KB-GPT’ 데모 웹사이트 개설,

(신한은행) 생성형 AI의 금융서비스 적용 전담 TF 출범,

(하나은행) 자체 금융 특화 버티컬 대형 언어모델 개발,

(우리은행) 비정형 데이터 자산화해 금융 언어모델에 적용,

(NH농협은행) 구글 바드, ChatGPT 등 활용한 금융 언어모델 실증

 

- (맞춤형 교육) 학습자 수준에 맞는 맞춤형 교육을 통해 사교육비 절감 및 교육 격차 해소에 기여

※ 비영리교육기관인 칸 아카데미(Khan Academy)는 GPT-4 기반 AI 튜터인 ‘칸미고(Khanmigo)’를 통해 교사와 학생들의 학습 활동을 지원하는 가이드 역할을 하면서, 보다 정교한 대화를 나눌 수 있도록 프롬프트를 최적화

 

- (논문 작성) 논문 초록 작성, 국내외 자료수집, 연구 제목 제안, 연구 목차 작성, 향후 연구 아이디어 추천, 특정 주제에 대한 글 작성, 작성 내용에 대한 문법 교정 및 번역 등 연구 설계 및 작성 시 활용

 

- (디자인) 이미지 생성 도구*로 디자이너가 영감을 받고, 최소한의 시간과 노력으로 아이디어의 목업(Mock-up)을 만들거나 더 광범위한 디자인 워크플로우에 생성형 AI를 통합하여 활용

 

* Stability AI의 스테이블 디퓨전(StableDiffusion), OpenAI의 달리(DALL·E) 3, 구글의 딥드림 제네레이터(Deep Dream Generator), 미드저니의 미드저니(Midjourney), Adobe의 파이어플라이(Adobe Firefly) 등

 

- (프로그래밍) 프롬프트에 원하는 기능을 설명하면 신속하게 실행가능한 프로그램 코드를 자동 생성하거나 작성된 코드의 오류를 탐지하고 자동 수정하여 코드를 최적화함으로써 개발자의 시간과 노력을 단축

 

생성형 AI의 한계

 

○ 생성형 AI 서비스는 챗봇과 같은 그간 AI 서비스와는 비교되지 않을 만큼 우수한 성능으로 단순 자동화를 넘어 인간의 창의적 영역까지도 가능하게 해주며 시대 흐름을 바꾸는 ‘게임 체인저(Game Changer)’로 인식

 

○ 그러나 생성형 AI 서비스는 태생적 특성에 따른 몇 가지 한계와 문제점 존재

 

① 기능적 측면

○ 생성형 AI 서비스의 답변 정보는 모두 정확한 것은 아니며 꽤 논리적으로 보이나 잘못된 정보이거나 무의미한 답변을 하는 이른바 할루시네이션(hallucination) 현상이 나타남

- 생성형 AI는 데이터 간 관계를 추적해 맥락을 학습하는 신경망으로서 답을 ‘찾는’ 개념이 아니라 관계성을분석해 답을 ‘생성’하는 형태로, 다른 정보와 충돌하거나 질문 유형을 잘못 판단하면 오답이 나올 수 있음

 

○ 생성형 AI는 모델 구축 시점 기준 이전 데이터 학습하여 모델 구축 이후 사건에 대해서는 부정확하게 답변하는 등 최신성이 떨어지는 문제도 한계로 지적

 

② 윤리적 측면

○ 인공지능은 윤리적 중립을 지켜야 하므로 차별적이거나 혐오 표현이 담긴 내용, 정치적 민감도가 높은 질문에는 기본적으로 답할 수 없도록 설계되어야 함

 

○ 학습 데이터가 편향성이 있을 경우 자칫 특정 방향에 치우친 결과를 도출할 우려가 있으며, 이는 사회적 혼란을 유발하고, 차별을 조장하거나 불평등을 심화시키는 등 심각한 부작용이 나타날 수 있음

 

③ 비용적 측면

○ 생성형 AI 서비스를 제공하기 위해서는 대형 모델을 필요로 하며 대형 모델은 대규모 데이터의 구축·학습뿐아니라 이를 운영하기 위한 대규모 컴퓨팅 자원을 요구

※ 컨설팅 기업 세미애널리시스(SemiAnalysis)에 따르면, ChatGPT 하루 운영비용은 약 70만 달러이며 이는 하드웨어비용으로 네트워크와 인력, 시스템 고도화 등을 고려하면 실제 비용은 훨씬 증가함

- 대형 모델 운영 및 관리에는 엄청난 비용이 지속해서 소요되기 때문에 서비스 유료화를 넘어 지속적인수익을 가져다줄 킬러 콘텐츠 개발이 절실함

 

④ 환경적 측면

○ 대형 모델 구축, 학습, 운영에는 막대한 전력이 소비되며 이에 따른 온실가스 다량 배출

 

○ 생성형 AI 서비스는 검색엔진 서비스 대비 4~5배 이상 더 많은 작업이 필요하며, 이는 생성형 AI 서비스이용 시 기존 검색 서비스보다 에너지 소비와 온실가스 배출도 훨씬 많아진다는 의미

 

○ 현재 다양한 생성형 AI 서비스가 출시되고 있으며, 앞으로도 더 많은 생성형 AI 서비스가 출시될 것으로 예상되기 때문에 전 지구적으로 심각한 에너지 및 환경 위기 초래 우려

 

김태원(2023b), ChatGPT와 생성 AI가 가져올 문화예술의 미래

 

 

 

 

https://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=82618&bcIdx=26007&parentSeq=26007 

https://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?bcIdx=26007&cbIdx=82618&parentSeq=26007