인공 지능(AI)은 인간의 인지를 모방하거나 복제하는 컴퓨터의 능력을 말합니다.
이 글을 읽은 후에 다음을 할 수 있습니다:
관련 콘텐츠
인터넷에서 가장 인기 있는 인사이트를 한 달에 한 번 정리하는 Cloudflare의 월간 요약본 theNET를 구독하세요!
글 링크 복사
인공 지능(AI)은 컴퓨터와 같이 구성된 기계가 인간의 인지 작업을 시뮬레이션하거나 복제할 수 있는 능력입니다. AI가 탑재된 기계는 계산을 수행하고, 데이터를 분석하여 예측을 생성하며, 다양한 유형의 신호와 기호를 식별하고, 인간과 대화하며, 수동 입력 없이 작업을 실행할 수 있습니다.
예를 들어, 기존의 자동차는 인간 운전자의 입력에만 반응합니다. 운전자가 신호등이 녹색으로 바뀌는 것을 보고 가속 페달을 밟으면 가속하고, 정지 표지판을 보고 브레이크 페달을 밟으면 정지 표지판에서 멈춥니다. AI가 탑재된 자동차는 정지 표지판과 신호등을 스스로 식별하고 운전자의 입력 없이도 정지하거나 가속할 수 있습니다.
AI는 컴퓨터의 초창기에 뿌리를 두고 있으며, 수학자 앨런 튜링은 인공 지능 기계가 어떻게 작동할 수 있는지 최초로 설명한 사람 중 한 명입니다. 그 이후로 만들어진 모든 컴퓨터는 이전에는 사람만이 할 수 있었던 계산을 수행할 수 있으므로 어느 정도의 수준에서 인공 지능을 갖추고 있습니다. 하지만 최근 수십 년 동안 컴퓨터의 능력, 속도, 저장 용량은 급속도로 확장되었습니다. 오늘날 "AI" 라는 용어는 컴퓨터가 수행할 수 있는 더 고급의 인지 작업을 의미합니다.
대부분의 AI는 사람이 합리적인 시간 내에 스스로 분석하기에는 너무 많은 정보가 포함된 빅데이터 세트의 분석을 기반으로 구축됩니다. AI 모델은 이러한 데이터 세트에서 패턴을 식별한 다음 해당 패턴을 사용하여 미래를 예측하거나 추가 패턴을 예측하도록 구축됩니다. AI 모델은 이를 위해 확률과 통계 분석을 사용합니다. 일부 AI 모델은 이런 면에서 사람의 행동을 모방할 만큼 능숙합니다.
인공 일반 지능(AGI)은 독창적인 생각을 하고, 추론하며, 계획을 세우는 등 인간의 인지 능력을 모방하는 컴퓨터의 능력을 의미합니다. 쉽게 말해 AGI 프로그램은 본질적으로 지능 측면에서 "인간적"이거나 "의식이 있는" 존재라고 할 수 있습니다.
AGI는 단순히 통계 계산에 그치지 않습니다. 스스로 생각하고 결정을 내릴 수 있으며, 현재의 AI 프로그램을 학습시키는 데 필요한 많은 양의 데이터보다 훨씬 적은 샘플로 일반화할 수 있는 능력을 지니고 있습니다. 예를 들어, 인간 아이가 다양한 상황에서 정지 표지판을 인식하려면 수십 개의 예시만 보는 것으로도 충분하지만, 현재의 AI 프로그램이 일관되게 정지 표지판을 인식하려면 수천에서 수백만 개의 이미지를 보아야 합니다. 반면 AGI는 인간과 비슷하거나, 혹은 그보다 더 빠르게 학습할 수 있습니다.
어느 정도 AGI의 달성 여부를 결정하는 것은 기술보다는 철학적인 문제라고 할 수 있습니다. 하지만 AGI의 정의가 무엇이든, 대부분의 연구자와 전문가는 AGI가 실제로 사용되기까지 적어도 몇 년이 더 소요될 것이라는 데 동의합니다.
머신 러닝은 AI의 한 분야로, 구조화되거나 레이블이 지정된 데이터를 프로그램에 입력하여 사람의 개입 없이 해당 데이터를 식별하는 방법을 프로그램에 학습시키는 작업을 말합니다. 예를 들어, 열린 냉장고 사진에서 케첩 병을 찾는 머신 러닝 모델은 처음에는 케첩은커녕 어떤 조미료도 식별하지 못할 수 있습니다. 그런 다음 다양한 냉장고에 있는 수백만 개의 케첩 병 이미지를 입력하고 각 이미지가 케첩 병을 나타낸다고 알려줍니다. 결국에는 한 번도 본 적 없는 사진에서도 케첩 병을 자동으로 식별할 수 있게 됩니다.
머신 러닝은 알고리즘이라고 하는 사전 정의된 프로세스의 사용에 의존합니다. 머신 러닝 프로그램은 알고리즘 설정 방법에 따라 약간 다르게 "학습"합니다.
머신 러닝은 또한 대규모 데이터 세트에 대한 액세스를 필요로 합니다. 케첩 사진 서너 장만 보여주면 머신 러닝 프로그램은 케첩 병을 일관되게 정확하게 식별하지 못하거나 케첩이 없는 사진에서 케첩을 식별할 가능성이 아주 높습니다. 모델에서 더 많은 데이터를 확보할수록 정확도가 높아집니다.
오늘날 다양한 소프트웨어 및 기술 솔루션에서 머신 러닝을 사용합니다. 머신 러닝을 사용하여 사기를 감지하고 봇을 식별하는 보안 솔루션부터 머신 러닝을 사용하여 팔로우할 콘텐츠나 계정을 추천하는 소셜 미디어 플랫폼에 이르기까지, 머신 러닝은 아주 유용한 개발 도구임이 입증되었습니다.
머신 러닝이 AI의 한 유형인 것처럼 딥러닝도 머신 러닝의 한 유형입니다. 딥러닝 모델은 확률적 분석을 사용하여 원시 데이터의 차이를 식별할 수 있습니다. 딥러닝 모델은 케첩 병이 무엇인지 알려주지 않아도 냉장고가 열려 있는 사진만으로 케첩 병이 어떤 것인지, 다른 조미료와 어떻게 구별할 수 있는지 학습할 수 있습니다.
다른 유형의 머신 러닝과 마찬가지로 딥러닝도 대규모 데이터 세트에 액세스할 수 있어야 합니다. 고급 딥러닝 모델도 케첩을 식별하기 위해서는 수백만 장의 열린 냉장고 사진을 분석해야 합니다.
생성형 AI는 텍스트, 이미지, 오디오, 비디오 등의 콘텐츠를 생성할 수 있는 AI 모델의 한 유형입니다. 예를 들어, 생성형 AI 모델은 빈 냉장고 사진을 받고서 과거에 받아보았던 사진을 기반으로 냉장고에 채워질 가능성이 높은 내용물을 채울 수 있습니다. 이러한 모델에 의해 생성된 콘텐츠는 "새로운 것"으로 간주될 수 있지만, 이 모델은 이전에 모델에 공급되었던 콘텐츠를 기반으로 합니다.
생성형 AI 도구의 인기가 점점 높아지고 있습니다. 특히 대규모 언어 모델(LLM)인 ChatGPT와 이미지 생성기인 DALL-E 및 Midjourney는 대중의 상상력과 기업계의 관심을 사로잡았습니다. 다른 인기 있는 생성형 AI 도구로는 Bard, Bing Chat, Llama 등이 있습니다.
AI의 사용 사례는 계속 확대되고 있습니다. 다음은 이미 실제로 사용되고 있는 애플리케이션의 일부입니다.
데이터 유출: AI 서비스는 모델 학습을 위해 입력을 사용하지만, 데이터의 안전한 저장소로 설계되지는 않았습니다. 그렇지만 많은 사람이 기밀 정보나 비공개 소스 코드를 처리하는 등 데이터 노출 위험을 높이는 방식으로 LLM을 사용합니다. 그러한 데이터는 이 LLM의 추가 응답에서 복제되거나 모방될 수 있습니다.
데이터에 대한 제어 능력 상실: 데이터가 LLM에 업로드되면 데이터는 사용자의 제어 범위를 벗어나게 되며, 사용자는 제공된 입력에 어떤 일이 일어나는지 파악할 수 없습니다. 예를 들어, 제빵사가 포카치아빵에 대한 새로운 비밀 레시피를 LLM에 입력하고 제빵사 웹 사이트에 올릴 매력적인 설명을 작성해 달라고 요청하면 작성된 설명을 얻을 수 있지만, 제빵사의 레시피는 다른 LLM 사용자나 LLM 운영자에게 노출될 수 있으므로 더 이상 비밀이 아니게 됩니다.
규정 위반: 외부 AI 도구를 사용하면 어느 정도의 데이터 위험이 발생하는 경우가 많습니다. 그 결과 AI로 인해 조직에서 GDPR과 같은 규제 프레임워크를 준수하지 못할 수도 있습니다.
할루시네이션: 생성형 AI 도구는 응답을 생성하기 위해 정보를 만들어낼 수 있으며, 이 현상을 가리키는 기술 용어가 "할루시네이션(hallucination)"입니다. 기업에서 이러한 정보를 콘텐츠에 무비판적으로 포함시킬 경우 브랜드가 손상될 수 있습니다.
의사 결정을 위한 AI에 대한 과도한 의존: AI 모델에서 제공되는 정보가 항상 신뢰할 수 있는 것은 아니므로 의사 결정 과정에서 AI를 과도하게 사용하면 기업에 부정적인 영향이 미치는 결정을 내릴 수 있습니다.
Cloudflare 데이터 손실 방지(DLP)는 조직에서 직원들이 AI를 어떻게 사용하는지 파악하는 데 도움이 될 수 있습니다. DLP로 업로드, 복사 및 붙여넣기, 키보드 입력을 제한하여 기밀 데이터가 보안 환경을 벗어나지 못하도록 차단할 수 있습니다. DLP 작동 방식에 대해 자세히 알아보세요.
개발자는 AI용 Cloudflare를 사용하여 Cloudflare 글로벌 네트워크에서 새로운 AI 앱을 구축하고 배포할 수 있습니다. Cloudflare for AI에 대해 자세히 알아보세요.