Artificial Intelligence (AI)

인공지능(AI)은 이미지를 비롯한 소리 지각, 언어 이해 및 생성, 추론, 계획, 경험을 통한 학습 등 인간 지능과 관련된 작업을 수행할 수 있는 시스템을 구축하는 컴퓨터 과학 분야입니다. EU AI Act가 상당 부분 따르는 OECD 정의는 AI 시스템을 입력으로부터 예측, 콘텐츠, 권고 또는 의사결정과 같은 출력을 생성하는 방법을 추론하는 기계 기반 시스템으로 설명합니다. 오늘날 사용되는 대부분의 AI는 머신러닝(ML)을 통해 예시 데이터로부터 이러한 동작을 학습합니다.

AI의 간략한 역사#

Alan Turing은 1950년 논문 「Computing Machinery and Intelligence」에서 기계가 생각할 수 있는지 질문하고, 현재 튜링 테스트라고 불리는 모방 게임을 제안했습니다. John McCarthy, Marvin Minsky, Nathaniel Rochester, Claude Shannon은 1956년 Dartmouth 여름 워크숍을 제안한 1955년 문서에서 '인공지능'이라는 용어를 만들었으며, 이 워크숍은 해당 분야의 출발점이 되었습니다. 이후 30년 동안 기호 AI가 논리, 탐색, 규칙 기반 전문가 시스템을 중심으로 주류를 이루었습니다. 성과가 기대에 미치지 못하면서 1970년대와 1980년대 후반, 이른바 'AI 겨울'에 자금 지원이 두 차례 급감했습니다.

데이터로부터 학습하는 통계적 AI 방법이 1990년대에 주류를 이어받았습니다. 1997년 IBM의 Deep Blue는 초당 약 2억 개의 체스 포지션을 탐색하는 특수 목적 하드웨어를 사용해 세계 체스 챔피언 Garry Kasparov를 꺾었습니다. 2012년 AlexNet 합성곱 신경망은 ImageNet 이미지 분류 대회에서 큰 격차로 우승하며 딥러닝(DL) 시대를 열었습니다. 2017년에 소개된 트랜스포머 아키텍처는 대규모 언어 모델(LLM)로 이어졌고, 2022년 11월 ChatGPT가 출시되면서 수억 명의 사용자가 생성형 AI를 접하게 되었습니다.

AI, 머신러닝, 딥러닝의 관계#

AI는 포괄적인 분야입니다. 기호 AI와 머신러닝은 AI의 두 가지 주요 접근 방식입니다. 전자는 지식을 명시적 규칙으로 인코딩하고, 후자는 예시에서 패턴을 학습합니다. 딥러닝은 다층 신경망을 사용하는 머신러닝의 하위 분야이며, 비전, 언어, 이미지 생성 분야의 거의 모든 현대적 혁신은 딥러닝을 기반으로 합니다.

머신러닝 시스템은 몇 가지 주요 방식으로 학습합니다. 지도 학습은 객체 정보가 태그된 이미지와 같은 라벨이 지정된 예시를 학습합니다. 비지도 학습은 라벨이 없는 데이터에서 구조를 찾고, 자기지도 학습은 원시 데이터에서 자체 학습 신호를 생성합니다. 이는 LLM 사전 학습에 사용되는 방법입니다. 강화 학습은 환경에서 행동해 얻은 보상으로부터 학습합니다.

역량에 따른 AI 유형#

• 인공 좁은 지능(ANI) 또는 약한 AI: 특정 작업이나 일련의 작업을 위해 구축된 AI입니다. 작업 내에서 초인적인 능력을 발휘하는 시스템을 포함해 배포된 모든 시스템이 여기에 해당합니다.
• 인공 일반 지능(AGI): 사실상 모든 인지 작업에서 인간과 비슷한 능력을 발휘하는 가상의 시스템으로, 흔히 강한 AI라고 불립니다.
• 인공 초지능(ASI): 거의 모든 분야에서 최고의 인간을 능가하는 가상의 시스템으로, 기술적 특이점의 배경이 되는 시나리오입니다.

범용 LLM은 첫 번째 경계를 모호하게 만듭니다. 하나의 모델이 코드를 작성하고 번역하며 이미지를 설명할 수 있지만, 작업에 따라 역량이 고르지 않습니다. 이러한 패턴을 불균등한 지능이라고 합니다. Ultralytics VLM 리더보드는 이러한 모델의 역량 중 하나인 실제 이미지에서 객체를 얼마나 정확하게 탐지하는지를 측정합니다.

AI의 응용 분야#

• 컴퓨터 비전: 자율주행차, 공장 검사, 리테일 분석, 의료 영상 분석을 위한 객체 감지, 장면 분할, 동작 추적입니다.
• 언어 및 음성: 챗봇, 기계 번역, 문서 요약, 음성-텍스트 변환입니다.
• 예측 및 순위 지정: 스트리밍 및 쇼핑을 위한 사기 감지, 수요 예측, 추천 시스템입니다.
• 과학: DeepMind의 AlphaFold는 단백질 구조를 예측하며, 개발자들은 2024년 노벨 화학상의 일부를 공동 수상했습니다.
• 에이전트 및 로보틱스: 여러 단계로 이루어진 작업을 계획하고 소프트웨어 도구를 호출하는 AI 에이전트, 그리고 지각과 제어를 결합하는 로봇입니다.

사전 학습된 비전 모델 실행은 딥러닝 시스템의 작동을 확인하는 가장 빠른 방법입니다. Ultralytics YOLO26은 라벨이 지정된 COCO 이미지에서 일상적인 객체 클래스 80개를 학습한 객체 디텍터입니다.

from ultralytics import YOLO

# 사전 학습된 YOLO26 객체 디텍터를 불러옵니다
model = YOLO("yolo26n.pt")

# 모델이 본 적 없는 이미지에서 추론을 실행합니다
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# 예측된 박스, 클래스 라벨, 신뢰도 점수가 표시된 이미지를 저장합니다
result.save(filename="bus_detections.jpg")

저장된 이미지에는 버스와 그 옆의 사람들과 같이 감지된 각 객체가 박스, 클래스 라벨, 신뢰도 점수로 표시됩니다. 이 모든 것은 예시를 통해 학습한 결과입니다.

위험, 윤리, 규제#

AI 시스템은 데이터와 목표의 결함을 그대로 이어받습니다. 모델은 학습 데이터에서 충분히 대표되지 않았거나 부당한 대우를 받은 집단에 대한 편향을 내포할 수 있습니다. LLM은 거짓을 유창하게 말할 수 있고, 생성형 모델은 딥페이크를 만들 수 있으며, 불투명한 모델은 설명 가능한 AI(XAI) 없이는 감사하기 어렵습니다. AI 윤리와 AI 안전성 연구는 이러한 위험을 다룹니다. 자발적 지침인 NIST AI 위험 관리 프레임워크는 조직이 위험을 관리하는 절차를 제공합니다. 2024년 8월부터 시행된 EU AI Act는 사회적 점수 산정과 같은 일부 관행을 전면 금지하고, 채용, 신용 평가, 의료기기에서의 AI와 같은 고위험 용도에는 엄격한 요건을 부과합니다.