I. 중간고사(30점) ​ 일정: 제8주(4.23.목) 우리 교실 50분: 우리 수업시간(오후3시~3시50분까지) 방법: open book(교재, 스마트폰, 노트북 모두 OK!) 문항: 주관식 2문항(20점)과 객관식 문항들(10점) 범위: 우리 교재 제1,2,3,4,5,8장 + 수업 내용(아래, 강의안)​* 중간고사 (1) 1번[10점]:AI Agent 시대, 내가 가야할 방향은? 구체적인 방안 찾아보기(현실직시=&gt직업/마인드컨트롤 등)KBS how to? 위기이자 기회 + AI에게 잃어버린, '나 자신'을 찾는 여정(2) 2번(10점)(3) 3번(10점: 단답식 5문항 X 각2점씩)​II. 과제: 레포트 (30점)제출일: 제9주(4.30) 수업 후제출방법: hwp로 출력해서 제출 [발표한 친구들은 1,2번만 제출]레포트 문항: 총3문항 x 10점 㴰점점수 기준(상대평가): 정성껏, 열심히 ​(1) 1번[10점]: 나만의 멋진 인생을 그려보고 구체적으로 작성해보기 1. Who, What, How, with Whom 그려보기① Who(인생관, 가치관, 소명의식): 어떤 삶을 살 것인지에 대한 나만의 기준 정하기② What(직업): (1)을 위한 구체적인 직업, 직업군 찾아보기③ How(목표관리, 정신-육체 건강관리, 인간관계 관리, 재테크, 취미, wishlists 등): (1)과 (2)를 위해 어떻게 시간, 돈, 건강, 정보, 관계 등을 관리할 것인가에 대해 고민해보기 ④ with Whom (가족1, 친구, 동료, 연인, 가족2): 누구와 함께 인생을 펼쳐나갈 것인지 생각해보기 ​2. 꿈&amp목적&amp목표&amp실천(전략 &amp전술)​3. 꿈&gt10년 단위 &gt1년 단위 &gt1달 &gt1주일 &gt하루​(2) 2번[10점]:AI와의 커뮤니케이션- 본인이 사용하는 AI의 before &ampafter 작성해보기(before: AI가 보는 나 - AI에게 본인이 대하는 방식에 대해 물어보고 그림, 글로 설명해달라고 하기)(after: 결과가 좋지 않으면?! 개선한 후, 다시 물어보고 답변 구하기)​(3) 3번[10점]: my QR code 만들기 =&gt제출 or 발표(선택)1단계: 10년, 20년, 30년, 40년, 50년 후의 나의 모습(직장/가정)을 적어보기 2단계: AI로 10년, 20년, 30년, 40년, 50년 후의 나의 모습(직장/가정) 그려달라고 하기원하는 AI로 요청: ex. Gemini (with Nano Banana) or MS Copilot my 10년, 20년, 30년, 40년, 50년 후의 직장/가정에서의 모습=&gt정확히 그려낸 후 4단계: 출력해서 과제 제출(1,2,3번: 3번은 QR코드만 출력) ​III. 교재 강의안 정리본(제1,2,3,4,5,8장)본 자료는 인공지능의 역사적 기원부터 최신 생성형 모델 및 미래의 에이전틱 AI까지의 발전 과정을 포괄...제2주(03.12): 제1장. 지능을 가진 기계의 등장​'생각하는 기계'라는 오랜 꿈'규칙 기반 AI'에서 '통계 기반 AI'로AI의 정체는 '빅데이터 해독기'AI에게도 뇌가 있다, 인간을 닮은생성형 AI는 어떻게 이 흐름을 이어받았나?0. 예측의 불일치: '엄마와 아기 모델'의 역전초기에 분야별 전문가들은 아래와 같이 전망했습니다. 설마 AI가 이 정도일줄은 Nobody knows. AI를 만들어낸 인간의 승리라 하겠습니다. 하지만, 동시에 승리의 잔을 즐기기 전에 발전 속도는 인간의 상상, 예측을 앞질러 버렸습니다. 이제 AI가 못하는 것은 무엇일까요? 인간의 전영역을 침범하다 못해 인간보다 더 인간적인 예술품도 생산?!해 내고, 인간이 못다푼 수학적 문제도 해결중이고, 인간보다 더 심금을 울리는 글도 척척 써내고 있습니다. 종합예술인 영화의 영역 또한 이제 프롬프트 한 두 줄이면 쓱싹~ 만들어지고 있습니다. ​그렇다면, 이러한 AI는 언제 등장한 것일까요? 무릇 모든 것은 맨땅에 헤딩~ 없습니다, 당근. 아주 오래전부터 AI의 개념은 제시되었는데요. 이에 AI history 와 이에 폭발적인 계기가 된 세가지 요소를 살펴보기로 하겠습니다. ​1. AI history : 1956(본격적인 AI 연구 시작) 1970(전문가시스템 등장, AI의 상용화 가까이) 2010(딥러닝으로 날개를 단 AI)1950 앨런 튜링(A. M. Turing)에 의해 'AI'의 개념 제창 1951 마빈 민스키 교수 등이 뉴럴 네트워크르 사용한 기계 개발 1956 다트마스(Dartmouth) 학술회의에서 'AI'와 '인공신경망(Artificial Neural Network)'용어 사용 시작1958 인공신경망이 초기모델인 '퍼셉트론(Perceptron인공뉴런이 연결된 구조의 인공신경망, 실패)'출현AI에서 규칙기반모델(If-then) 모델이 대세: 전통적인 프로그래밍 방식1965 인간과 자연스레 대화할 수 있는 프로그램 'ELIZA'개발(규칙기반)1969 인터넷의 기초가 되는 군사 네트워크 'ARPANET'가동 1970 MIT의 마빈 민스키 교수(M. Minsky)의 예측: 희곡을 읽고 농담하며 싸움이 가능한 기계가 등장할 것이라고&quotbut 당시의 상황상 불가능하여 예측만으로 끝나고 이후 AI는 암흑기에 접어듬1979 스탠포드 대학이 세계 최초로 '자율주행 차량'개발1980년대: 머신러닝/기계학습(Machine Learning) 등장- 기계가 스스로 학습하는 방식, 컴퓨터가 데이터로부터 스스로 규칙을 찾아감- ML의 성과로 인해 AI의 위력이 강해짐1989 정보추출기술인 '데이터마이닝'이용 1991 WWW(WorldWideWeb)이 구현되어 인터넷 이용 가속화 1997 딥블루가 세계 체스 챔피언에게서 승리 2012 구글의 '셀프 드라이빙 카'가 공공도로에서 자율주행 시험 개시2016 구글의 알파고가 바둑에서 이세돌에 승리 2020 Open AI의 GPT-3가 인간과 비교해도 손색없는 영어문장 생성능력 나타냄​** 인공신경망(1950년에 등장한 이후 잊혀진 , 주목받지 못하던 알고리즘)이 + 기계학습(ML:Machine Learning)을 만나 =&gt딥러닝(DL: Deep Learning)으로 재탄생 ​즉, 딥러닝은 =인공신경망의 새 이름!​2. AI 붐을 일으킨, 세 가지 터닝포인트 (1) 1차 AI 붐(1956 다트머스회의): AI의 시작과 가능성마빈 민스키(M. L. Minsky): AI의 아버지, 신경망의 기초이론 만듬앨런 뉴웰(A. Newell): 세계 최초의 인간지능인 'Logic Teorist'개발존 매카시(J. McCarthy): AI 개발용 프로그래밍 언어인 LISP 개발 + 클라우드 컴퓨팅의 기초 만듬하버트 샤이먼(H. A. Simon): AI의 의사결정 연구 실시=&gt세계 최초의 AI을 공동 개발, 노벨 경제학상도 수상 BUT 기대에 비해 성과가 미진하자 암흑기에 돌입암흑기의 AI 연구는 두 가지로 나누어 진행됨: ① 기호주의(형식주의 Symbolism): [당시 주류] 이치 중심, 인간의 논리적 사고를 모델링한 접근법② 연결주의(커넥셔니즘 connectionisms): 감각/경험 중시, 인간의 신경 네트워크를 모델링, 신경망 등을 이용해=&gt뇌구조를 모방한 AI 만듬 ​* AI의 두 흐름: 기호주의 vs. 연결주의초창기 AI의 모든 것을 좌우했던 관점인 기호주의(Symbolism)은 우리가 사용하는 모든 표현들(ex. 언어, 프로그래밍, 수학공식 등)로서 컴퓨터 내부의 물리적 기호들과 그 기호들이 상호결합하여 AI system 을 구현할 수 있다고 보았습니다. 기호주의에서의 지식표현기법들 중 오늘날까지 현존하는 것으로는 규칙기반시스템(Rule-based systemif~then, 전문가시스템)과 시멘틱 네트워크(Semantic Network)가 있습니다.​이후 기호주의는 지식표현만 잘 하면 많은 문제해결이 가능하고 체계적인 프로그래밍이므로 해석이 가능한 장점에 반해 기호적으로 표현할 수 없는 지식의 존재, 융통성 없고 예외를 인정 안 하는 단점을 지니므로 이를 극복하기 위해 연결주의가 등장했습니다.​연결주의(Connectionism)은 현재 대부분의 AI에서 활용되고 있는 관점으로서 인간의 뇌를 모방한 컴퓨터 시스템을 만들고자 시작된 것으로 신경망 모델이론과 병행분산처리이론에 근거합니다. 인간 뇌의 뉴런과 뉴런이 연결되듯 인풋, 아웃풋만을 주고 컴퓨터가 알아서 학습하도록 하고 여러개의 히든 레이어를 줌으로서 딥러닝이 되어 미해결 문제도 해결 cs교육 기업cs교육 cs컨설팅 기업 cs 교육 CS교육 CS컨설팅 업체 추천 가능하게 한 것입니다.​그래서 지식기반AI에서는 기호주의로만 지식표현이 가능했지만 데이터기반의 AI에서는 연결주의와 기호주의 모두 표현이 가능합니다. 요컨대 연결주의로 지식을 만들지만 소통하기 위해서는 기호주의가 필요하다는 것이 AI의 두 관점인 기호주의와 연결주의에 대한 결론. 두 관점 모두 중요합니다.​* 현대의 AI =기호주의 + 연결주의현대의 AI 는 설명성과 계산속도가 빨라 논리적 작업에 유리한 '기호주의 기법'과 신경망을 토대로 딥러닝으로 완성된 '연결주의(커넥셔니즘) 기법'이 복잡하게 혼합되어 구현되고 있습니다.​(2) 2차 AI 붐(1970년대 후반~1990년대): ex. 전문가시스템(Expert System)계기: CPU나 HDD 발전으로 인해=&gt정보의 고속처리와 + 대용량 데이터 보유가 가능해짐 전문가의 지식을 다루는 '전문가시스템'의 대두 ex. 환자에게 최적의 약을 알려줌이후, IT 관련 기술에 대한 투자가 활발해짐 But 전문가가 전문지식을 전문가시스템에 입력해야하는 등의 어려움(가성비 저하) 등의 한계로 인해 붐은 가라앉음 ​(3) 3차 AI 붐(2010년대~): (인터넷) + 빅데이터와 딥러닝(인공신경망)=&gtAI 의 비약적인 발전 견인 인터넷의 보급으로 생겨난 빅데이터가=&gt기계학습(ML)의 성능 향상으로 이어져=&gtAI의 발전에 도화선 ​3. AI의 4요소: 데이터(빅데이터), 시스템 GPU(앤비디아), 알고리즘, 오픈소스 (1) 데이터: esp. 빅데이터인공신경망 알고리즘은 60년 전에 등장했지만, 데이터와 시스템이 받쳐주지 못해서 제대로 된 성과를 낼 수 없었습니다. AI의 성공은 데이터 증가의 성공으로서, 데이터의 양이 증가하자 '믿을 수 없는 데이터의 효과'가 나타나=&gt놀랄 정도로 정확도를 높일 수 있었습니다. 빅데이터가 아니었다면 이룰 수 없는 성과입니다.빅데이터의 힘, '집단지성Collective Intelligence'혹은 '대중의 지혜The Wisdom of Crowds'의 개념: 다양한 집단의 데이터가 많으면 소수 전문가의 의견보다 정답에 더 가까운 결과를 도출할 수 있다는 원리입니다. ​즉, 평범한 다수는 탁월한 소수보다 훨씬 현명할 수 있다는 증명으로 이는 바로 데이터의 힘을 나타냅니다. 특히 AI시대, 비정형 데이터가 탁월하게 많은 빅데이터 시대의 데이터의 힘을 나타내는 원리라고 하겠습니다.​빅데이터 출현배경: 생성형 AI의 근거가 된 빅데이터. 빅데이터 이전에는 AI를 상상할 수 없었습니다. 이러한 빅데이터는 데이터 규모가 제타바이트 수준으로 많아지고 데이터 유형도 기존의 정형데이터에서 비정형데이터가 급증하게 되어 나타나게 되었습니다.빅데이터의 다양한 정의: - data: 4차 혁명의 쌀- [데이터 규모에 초점/맥킨지] 기존 DB의 관리 역량을 넘어서는 데이터- [업무 수행 방식에 초점/IDC] 다양한 종류의 대규모 데이터로부터=&gt저렴한 비용으로 가치를 추출해서=&gt데이터의 빠른 수집과 발굴, 분석을 지원하도록 고안된 차세대 기술과 아키텍처- [가트너] 향상된 시사점과 더 나은 의사결정 위해 사용되는 정보자산 + 비용 효율이 높고 혁신적이며 대용량, 고속, 다양성의 특징을 갖는 데이터 - [4V, 6V 특성에 따른 정의] 다양한(Variety) 형태로 수집, 저장된 대용량(Volume)의 데이터들을 아주 빠른 속도(Velocity)로 분석해서=&gt데이터의 일정한 패턴을 찾아내고 + 새로운 가치(Value)를 창출하는 것 ​빅데이터의 특징(6V):① Volume (크기): MB, GB단위 규모=&gtTB, PB, EB 단위② Variety (변화의 다양성): 정형데이터(ex. 고객신상데이터, 매출데이터, 재고데이터, 회계데이터 등)=&gt비정형데이터(동영상, 음악, 메시지, SNS, 위치정보 등)③ Velocity (속도): 유통활용주기수시간, 수주=&gt분, 초 단위 유통으로 활용, 즉 실시간으로 생산되며 빠른 속도로 분석, 유통됨 ​④ Veracity (진실성): 의사결정이나 활동의 배경을 고려하여 이용됨으로써 신뢰성 높임⑤ Visualization (시각화): 사용자 친화적인 시각적 기능을 통해 빅데이터의 모든 잠재력 활용​⑥ Value (가치): 비즈니스에 실현될 궁극적 가치에 중점, 데이터를 가지고 있는 것만으로는 의미가 없고 데이터 분석 등을 통해 사회적 과제를 해결하거나 새로운 가치를 창출해야 한다는 것 ​빅데이터 위해 엄청난 양의 데이터 저장 장치(데이터 센터) 필요- 고로 AI 기업들은 데이터센터, 원자력발전소까지 짓고 있음, 일론머스크는 우주에 데이터센터 구축 시도 중 ​기존 데이터 vs. 빅데이터: 데이터 관리 체계(빅데이터 저장, 검색, 관리, 공유를 통해=&gt분석, 추론을 통한 인사이트 도출 가능)​빅데이터 활용 사례는 이미 보편화되어있으며 로그 데이터를 통한 예측이 많이 활용되고 있습니다. 은행의 고객의 이용 로그분석이 대표적이며 스벅의 open close 시간이 매장마다 다른 것 또한 이러한 빅데이터를 활용한 결과라고 하겠습니다. ZARA 또한 마케팅없이 고객의 RFID tag data 분석을 통한 예측으로 비즈니스를 하고 있습니다.​(2) 시스템 GPU (앤비디아) cf. 반도체AI의 필수요소인 빅데이터에 이어, 우리가 AI에게 물어보면 몇 초 내의 빠른 속도로 답변을 할 수 있는 배경에는 GPU가 있습니다. 세계 1위 기업 앤비디아만이 생산할 수 있는 GPU(Graphic Processing Unit)이 그것입니다.컴퓨터의 두뇌가 CPU라면 게임 그래픽카드의 두뇌는 GPU입니다. CPU가 성능 좋은 비싼 코어를 몇 개 장착한 구조라면 GPU는 상대적으로 성능이 떨어지는 저렴한 코어를 엄청나게 꼽아두어 코어의 성능은 떨어지지만 전체 작업을 더 빨리 처리할 수 있습니다. 이를 병렬연산이라 합니다.GPU는 본래 태생이 게임용이었지만, 엔비디아 젠슨황의 꾸준한 노력에 힘입어 다른 용도로도 사용할 수 있는 연구를 계속하던 차에 AI 의 인공신경망이 대규모 병렬연산에 적합한 구조임이 밝혀졌고 이후 GPU는 딥러닝의 핵심 하드웨어로 부상했고, 엔비디아 또한 세계 No.1 기업으로 발돋움했습니다. 현재 구글 등에서 엔비디아 GPU 대체품을 만들어 성과를 내고 있긴 하지만 여전히 엔비디아 것이 아직은 최선입니다. 테슬라보다 주가가 낮으니 향후 더 올라가겠습니다. 저는 안 하지만 다들 구입, 하셨죠? ^^;;​(3) 알고리즘유튜브와 넷플릭스, 스포티파이 등의 추천 알고리즘은 서비스의 핵심입니다. 유튜브에서도 내가 봤던 영상 계열을 계속 추천해주므로 시나브로 도끼자루 썩는 줄 모르고 시청하게 되지요. 이러한 추천시스템의 핵심은 사용할수록 정교해지고 데이터가 늘고 정보가 많아질수록 훨씬 더 정확한 추천이 가능해진다는 점입니다. 추천 서비스는 사람들이 기호에 강한 연관성이 있기 때문이고 이를 분석하는 것을 '연관성 분석(Association Analysis)'이라고하며 이는 '데이터 마이닝(Data Mining)'학문의 기반이 됩니다.​연관성 분석은 일명 '장바구니 분석(Market Basket Analysis)'으로서 고객의 구매내역을 분석하는 방식입니다. 제일 많이 알려진 사례는 기저귀 사러 왔던 남편들이 맥주를 함께 구매하는 것. 그래서 매장에서는 기저귀 근처에 맥주를 배치하여 매출을 올리게 되는 것입니다.​이러한 추천시스템의 원조는 아마존이고, 연관성 분석을 적용했습니다.연관성 분석에서 더 나아가 실시간 추천으로 나아가게 되는 추천시스템의 원리는 두 가지 방식이고 세번째 방식도 추가합니다.​① 콘텐츠 기반 필터링(Content- Based Filtering)내가 선호하는 영화와 비슷한 영화 추천② 협업 필터링(Collaborative Filtering)1의 한계 극복용, 범위 확장: 나와 취향이 비슷한 고객이 시청한 영화 추천, 고객 간 유사도를 연결해서 추천③ 필터 버블 (Filter Bubble)뜻밖의 발견(Serendipity), 즉 고객의 취향이되 지금까지 본 적 없는 것이며 동시에 마음에 드는 것​요컨대 유튜브의 추천시스템은 다양한 특징을 결합한 딥러닝 모델입니다. 고객이 시청한 유튜브 영상 외, 유투브 밖에서 시청한 이력도 활용해 종합적으로 고려해 영상을 추천합니다.결론적으로 우리가 '뜻밖의 발견'으로 설렐 수 있도록 추천 시스템은 '알 수 없는 알고리즘'을 꾸준히 만들 것입니다.​(4) 오픈소스 무료로 자신의 노하우를 공개하는 것, 특히 프로그램의 소스코드를 무료로 공개하는 것을 cs교육 기업cs교육 cs컨설팅 기업 cs 교육 CS교육 CS컨설팅 업체 추천 일컬어 '오픈소스(Open Source)'라 합니다. ​요리계의 백종원씨, 컴 업계에서는 리눅스와 파이썬이 있습니다. 공개하는 목적은 여러가지입니다.​1. 오픈(공개)을 통해 호감이 생기고 자연스레 영향력이 확대됩니다리눅스는 세계 거의 모든 인터넷 사이트를 평정했고 안드로이드 스마트폰 또한 리눅스로 작동됩니다.​2. 공개함으로써 해당 분야의 발전에 기여합니다.코넬대의 논문저장사이트인 '아카이브arXive'또한 수많은 연구자들이 모여들어 무료로 논문을 등재하고 이처럼 열린 연구 문화로 인해 딥러닝 기술의 발전, 나아가 AI 발전이 이루어지고 있습니다.​구글도 2015년 사내의 딥러닝 라이브러리 '텐서플로TensorFlow'를 오픈소스로 공개하여 복잡한 신경망을 쉽게 구현하고 확장성도 뛰어나 폭발적인 인기를 끌었으며 메타(구: 페이스북)도 직관적이어서 복잡한 모델도 이해하기 쉬운 딥러닝 프로그램인 '파이토치Py Torch'를 오픈소스로 공개하고 있습니다.​4. AI와 인간 간의 커뮤니케이션 방식: 룰베이스 + 통계베이스 AI 가 인간이 사용하는 자연어를 사용하며 인간과 소통하는데 있어서는 룰 베이스 방식과 통계 베이스 방식 두 가지를 함께 활용하고 있습니다.​(1) 룰 베이스 커뮤니케이션미리 정해진 규칙(rule)에 따라 답합니다. ex. 초기 챗봇인 'ELISA'​(2) 통계 베이스 커뮤니케이션기계학습을 축으로 발전해 온 방식입니다. 인간이 질문하면 AI 는 인간은 어떤 대답을 하는 경향이 있는지를 생각하여=&gt통계적으로 자주 사용되는 대화패턴으로 답합니다. 인간과의 대화가 많아질수록 대화패턴을 늘릴 수 있되, 무엇이든 학습하기 때문에 차별적 내용은 학습시키지 말아야합니다.​(3) 1+2뛰어난 대화패턴을 룰로 만들어 통계 기반에서 룰 베이스의 대화AI를 만들 수 있습니다.​통계적으로 자주 사용되는 대화 패턴을 추출하여 대화 패턴에 통합하여 룰로 만들어서 쉽게 대화 패턴을 늘릴 수 있습니다.​결론적으로 최근의 AI 는 룰과 통계를 모두 활용하여 보다 인간적이고 자연스러운 커뮤니케이션이 가능하게 되었습니다.​5. AI 기업(1) AI 기업 가치오픈AI(chatGPT) &gt앤트로픽(Claude) &gtxAI(Grok). . .상위 세 회사 모두 일론 머스크와 관련있습니다. 대단한 인물입니다. ​(2) AI 기업 history: 구글, OpenAI, 일론머스크, MS, meta etc. [우리 주교재 제5장에서도 계속]① Open AI (AI: chatGPT)초기: AI 업계에서 구글 독주 막으려고 일론 머스크가 주축이 되어 만든 회사, OPEN(개인이나 기업에 통제되지 않는 AI업체, 비영리로 출발), 이후 머스크와 결별, 이젠 영리기업화, with MS(고로 MS 검색엔진'빙'과 클라우드서비스 '애저(Azure)'에는 항상 최신 chatGPT서비스가 제공됨)​② 구글(AI: Gemini)세계 최고의 빅테크기업/ AI기업AI 생태계 주도: Gemini, 딥마인드, veo3, 나노바나나 etc.구글 스마트글라스(AR/VR 안경)​③ 앤트로픽(AI: Claude)Open AI 출신들이 차린 회사, 안전하고 윤리적인 AI 개발이 목표미국 국방부와의 유일 AI 기업이었지만 대이란 참전으로 한 발 물러섰고, 그 사이 다른 AI 기업들이 전쟁에 참전 ​④ 메타(AI: Llama: Large Language Model Meta AI)마크 저커버그: 오픈소스의 힘을 믿습니다오픈소스에 진심: Llama가 차세대 리눅스가 되길~​⑤ 일론머스크 (AI: Grok, xAI)x를 좋아하는그가 본 미래: 대량로봇의 시대(풍요의 시대), 자본주의의 붕괴(돈의 가치 하락), 가상세계가 현실세계를 추월하는 시대테슬라, 자율주행차, 우주 데이터센터 등 제시AI의 거물: 향후 사람보다 로봇이 많아지는 사회, 돈이 사라지는 사회, 2031년 특이점시대 도래를 예측(미래에서 온 시간여행????)​특이점이란? AI가 비약적으로 발전하면 인간의 지능을 초월하는 시점이 오게된다. 바로 '특이점(singularity)'의 문제입니다. 2045년까지도 안 갈듯 싶죠? 훨씬 단축될 듯. 여기에 대해서는 찬반이 있지만, 이 문제야말로 AI의 윤리에 대해 우리가 준비해야할 부분입니다.​cf. Open AI의 CEO 샘 올트만은 2025년, 작년에 이미 특이점으로 진입했다고 봅니다. 그는 'The Gentle Singularity’이라는 글을 통해 인류가 디지털 초지능 개발을 향해 급격히 진입하고 있다고. 그렇죠?...​6. 교재 제1장 (1) '규칙기반AI'에서 '통계기반AI'로 AI 선정 기준: ① 앨런 튜링의 '튜링테스트'통과 + ② 경험(data) 쌓을수록 성능이 개선되는 현상 즉 경험 기반 성능개선(=학습learning) 을 보여야지 =&gtAI로 인정!AI에게 '경험'이란 data이며 '학습(learning)'이란 data를 분석해 확률을 계산하는 능력을 습득하는 과정. data가 많을수록 정교하게 확률 계산이 가능.튜링테스트: 인간처럼 능숙하게 업무를 처리하면=&gtAI라 인정튜링 테스트에서 인간이 대화 상대가 AI 임을 알 수 없다면(인간인 줄 안다면) AI 는 이미 지능을 가진 상태입니다. 현대의 AI는 '통계기반 AI'로 칭해짐- 규칙기반AI: 사람이 별도의 매뉴얼을 제공- 통계기반AI: 경험(data)을 통해 AI가 직접 세상을 배워나감, 경험 많은 인간이 보다 더 똑똑하고 현명하듯, 통계기반AI도 충분히 많은 data로 더 똑똑해짐=&gt창의성 출​(2) '빅데이터'와 '딥러닝'① 빅데이터와 + 딥러닝으로 인해=&gt인간 전문가 영역을 넘어서는 AI 가능 빅데이터 분석방법 + 머신러닝 기법활용=&gtdata의 복잡한 성질을 밝히는 패턴인식 알고리즘 발전 + 고성능 반도체=&gt현재의 통계기반 AI 시대 도래 ② 머신러닝(ML): ㆍ기계가 스스로 학습하는 방식, 기존에는 규칙기반(If~then) 모델이어서 프로그래머가 일일이 도움을 줬었지만 ML에 이르러 더 이상 프로그래머가 규칙을 입력하지 않고 컴퓨터가 데이터에서 스스로 규칙을 찾아내게 됩니다.ㆍ더하여 사람이 찾아내지 못하는 규칙도 컴퓨터가 학습을 통해 찾아내고 변형에 따른 무수한 변칙도 데이터를 이용해 모두 찾아냄으로써 규칙에서 벗어난 결과 추론도 가능하게 되었습니다.ㆍ이러한 ML이 성과를 내면서 AI는 점점 더 위력을 발휘하게 됩니다. 더하여 1950년에 등장했으나 역사의 뒤안길로 사라져 버렸던 인공신경망(Artificial Neural Network) 연구도 활발해졌으며 이후 인공신경망은 기술의 발전과 함께 딥러닝(Deep Learning)이라는 이름으로 재탄생하게 됩니다.​(3) IT 플랫폼 기업들의 약진데이터가 자산이기에 많은 데이터를 빠르게 수집하고 해독Open AI: 데이터 무단 도용으로 소송전구글: 고성능 AI 만들기 위해 엄청난 전기요금 지불아마존, MS: 데이터 센터의 전기 마련 위해 원자력발전소 짓는 중메타: AI 학습시키려고 이산화탄소 배출 엄청앤트로픽: 미 국방부와 참전 중 AI는 창조적 존재로 진화 중: 빅데이터 해독기계=&gt패턴이해=&gtnew data 창출하는 창조적 존재로 진화 ex. 대이란전 ϚI 전쟁 IT 플랫폼 기업들은 더 많은 데이터를 모으고 &amp더 큰 연산능력 확보위해 고군분투 중​(4) 신경망인간: 뇌세포의 연결부위인 시냅스(synapse)가 있으며 시냅스 가지치기(synaptic pruning)을 통해서 청소년까지 50% 가량의 시냅스를 제거=&gt즉, 불필요한 연결을 제거하여 점점 효율적인 뇌구조를 만들어냄AI:인간의 뇌세포는 베이즈 확률계산기라 칭해짐, 즉 뇌세포 작동패턴을 그대로 흉내낸 수학적 모델이므로=&gt인공신경망(Artificial Neuron) 만들기 가능 ex. 퍼셉트론(Perceptron: 1957): 인간의 신경세포가 외부자극을 입력 받아 전기신호를 출력하는 과정을 흉내낸 수학적 모델, 아직까지도 사용중 ​딥러닝(DL: Deep Learning): - 현대의 AI 는 대부분 딥러닝 모델: GPT, Gemini, DeepSeek 모두 인공신경망을 학습시켜 만든 모델 - 퍼셉트를 엮어서=&gt2층짜리 인공신경망을 만들고=&gt인공신경망을 3층 이상 쌓아올린 모델을 기계학습(ML)에 활용​(5) 생성형AI는 어떻게 이 흐름을 이어받았나인간 예술가의 성장과정: 모방을 통해=&gt나만의 cs교육 기업cs교육 cs컨설팅 기업 cs 교육 CS교육 CS컨설팅 업체 추천 스타일 구축① 감상 단계: 패턴 학습② 수련 단계: 연습③ 표현 단계: 나만의 스타일 구축 그렇다면, AI에게도 같은 과정 적용 가능: 기존 작품들의 패턴 학습=&gt연습=&gt표현① 감상 단계: 패턴 학습 - 기계 &gt인간(한번에 수백곡, 수백 이상의 작품)② 수련 단계: 연습 - 기계&gt인간(by 오토인코더)* 오토인코더(autoencoder, 1982): 인공신경망 이용한 오토인코더, AI에게 모작시키는 것 ③ 표현 단계: 나만의 스타일 구축 - AI가 굿(미드저니, 챗gpt 등의 고성능 생성형 AI)​인간이 창의성을 표현하는 방식인 경험 + 패턴의 + 누적을=&gtAI는 더 빨리 요컨대, AI가 더 빠르게/ 더 많은 데이터로/ 더 효율적으로=&gt이해하고 + 패턴분석 가능: 이는 창의성 가진 AI, 생성형 AI(Generative AI) 기술의 배경이 됨 ex. 지브리스타일, 반고흐그림처럼스타일이 확실히 정립된 장르는 독특한 패턴이 있기 때문에 AI가 학습하고 따라하기 더 쉬움​초창기 AI: 학습data에 지나치게 매몰되어 새 작품 만들라면 어디서 본듯한 작품을 만들었으나 ①②를 통해 개선- ① 베이즈 확률 다루는 방식 개선 + ② 더 복잡한 RNN 적용하여 해결- RNN(Recurrent Neural Network): AI가 생성한 값을 다시 받아 추가작업​딥러닝의 탄생배경: 빅데이터를 더 쉽게 계산하기 위해 ① 여러 통계적 이론과 ② 인간의 뇌구조 흉내고성능 반도체: 대량의 데이터를 단시간에 학습가능하게 해 주어=&gtAI의 성능 개선Q: 우리는 무엇으로 '인간다움'을 증명해야 할까요???​제3주(03.19): 제2장. 기계는 어떻게 ‘언어’를 이해하게 되었는가​기계가 언어를 이해하기까지: ELIZA에서 GPT로Generative Pre-trained AI할루시네이션과 RAG(Retrieval Augmented Generation)더 이상 읽을 책이 없어 AI가 쓴 글을 읽는 AIEvolution of AI: From ELIZA to Modern Language Models본 강의 자료는 초기 챗봇인 엘리자(ELIZA)부터 현대의 생성형 AI인 챗GPT에 이르기까지 기계가 인간의 언어를 이해하고 소통해온 발전 과정을 상세히 다룹니다. 인공지능이 규칙 기반에서 통계 기반으로 진화하며 트랜스포머 모델과 어텐션 기술을 통해 문맥을 파악하는 능력이 비약적으로 향상되었음을 설명합니다. 특히 할루시네이션(환각) 현상을 극복하기 위한 검색 증강 생성(RAG) 기술과 더불어, 로봇과 결합한 피지컬 AI 및 뇌-컴퓨터 인터페이스(BCI) 등 최신 기술 동향을 소개합니다. 또한 AI가 언어의 의미를 완벽히 이해하는 것은 아니기에, 인간 특유의 비판적 사고와 인문학적 통찰력이 포함된 정교한 프롬프트 작성이 더욱 중요해졌음을 강조합니다. 마지막으로 비즈니스, 교육, 의료 등 다양한 산업 현장에서의 실무적 활용 사례와 한계점을 제시하며 인간과 AI의 협력 방향을 제시합니다.​사람과 대화하듯 컴퓨터와 대화하는 것은 인류의 오랜 꿈사람과 자연스럽게 대화를 나눌 수 있는 챗봇언어를 구사하는 역량을 갖춘 AI model =‘언어 모델’ LLM (네이버 블로거 디나제이님 블로그)​* 시대의 흐름을 바꾼 혁신적 기술1980년대: IBM PC (개인용 PC의 혁신)1990년대: 넷스케이프 웹 브라우저(인터넷 혁신)2000년대: 구글(인터넷 검색혁신)2010년대: 아이폰(스마트폰 혁신)2020년대: 챗GPT(AI 혁신)​AI: 1950년대 등장 후 + 빅데이터 + 시스템 발전 + 공유/협업문화앨런 튜링(A. Turing 1912~1954): 70년 전에 사람처럼 대화하는 기계가 등장할 것이라고 예견요컨대 AI는 마술이나 마법이 아닌, 60년간 인간이 인고의 세월을 지나 빚어낸 공학의 산물!AI는 당신을 대체하지 않습니다. AI를 이해하고 활용하는 사람이 당신을 대체할 뿐입니다.​1. 언어 모델 발전의 역사(1) 기계번역(Machine Translation)의 역사 인간이 사용하는 언어를 기계를 통해 다른 언어로 번역하는 것을 '기계번역(Machine Translation)'이라 합니다.기계번역의 역사는 규칙기반=&gt예시기반=&gt통계기반을 거쳐=&gt현재의 딥러닝의 신경망 기반을 통해 자연스러운 번역에 이르렀습니다.2010년대 들어 주목받기 시작한 딥러닝을 통한 기계번역은 '신경망 기반 기계번역(Neural Machine Translation)'이라 하며 번역의 성공을 이끌었습니다.특히 문장 전체를 한번만 압축했던 초기 신경망기반 방식과 달리 'Attention(주목)'이라는 혁신적인 개념의 등장으로 중요 단어에 가중치를 두어 기계번역의 품질은 향상되었습니다.나아가 딥러닝 모델 트랜스포머(Transformer)는 어텐션을 핵심 알고리즘으로 삼아 사실상 모든 기계번역 모델을 대체했고, 최근의 신경망 기반 기계번역은 모두 이 트랜스포머 모델을 기반으로 하고 있습니다.트랜스포머 모델은 이제 자연어 처리를 넘어 최근에는 이미지나 음성인식에까지 널리 쓰이고 있고 이 모든 시작은 중요 단어에 가중치를 높여 '어텐션(주목)'하겠다는 아이디어에서 출발했습니다.모름지기 챗GPT나 뤼튼처럼 자연스러운 대화가 가능한 현재의 생성형AI가 등장하기까지는 수많은 연구가 있었습니다.​'기계번역/Machine Translation'인간의 언어(자연어)는 수많은 규칙과 오류와 다의미로 인해 컴퓨터가 정확히 번역하기는 힘들었습니다.​구글의 '인공신경망'은 기계번역의 어려움을 극복오렌지를 산지에서 따서 고농축하여 운반해온 후 물, 비타민 C등을 넣어 희석시키듯, 문장을 벡터로 압축 후 번역문을 다시 만들어 번역 성능을 높였습니다.​인공신경망을 활용한 기계번역의 엄청난 성능은 영어공부를 문법으로 한 국내파보다 조기유학파가 문법 모르고도 자연스레 번역하는 원리와 동일합니다. 인공신경망을 활용한 기계번역은 초기에는 순환신경망 구조였지만 이후 어텐션/Attention 을 핵심 알고리즘으로 채택한 트랜스포머 모델/Transformer Model에 이르러 번역 성능을 엄청나게 높이게 됩니다.​'어텐션/ Attention': 기계번역의 핵심필요한 건 어텐션 뿐/ Attention Is All You Need.문장이 길어지면 앞의 내용을 잊어버리는 순환신경망 구조의 단점을 보완하기 위해 등장한 'Attention'은 중요단어에 주목(Attention)하여 가중치를 부여함으로써 기계번역의 성능을 높였습니다. 특히 긴 문장에서 높은 성능을 보입니다.​어텐션, 즉 '트랜스포머/Transformer 모델'은 기계번역 성능을 획기적으로 높였으며 이를 응용한 모델로 구글의 버트/BERT와 오픈AI의 GPT(오늘날의 챗gpt)가 만들어졌습니다.​인코더(문장 의미 압축) 구조를 기반으로 한 '버트'는 언어 이해에 탁월한 모델로서 분류, 감정분석, 독해 등 자연어처리의 최고봉이고 트랜스포머 모델의 디코더(압축된 정보를 풀어서 번역문 생성) 구조를 택한 'GPT'는 언어를 생성하는 모델로서 지금의 챗GPT로 발전하게 됩니다.​요컨대 그 간의 생성모델이 규칙기반(사고 방지 위해서 규칙을 정해 규칙 내에서만 답하도록 함)이었다면, 트랜스포머 모델 =&gt버트=&gtGPT=&gt를 거쳐 만들어진 현재의 챗GPT는 더 이상 규칙기반이 아니라고 하겠습니다.​(2) 1966: 1960년대 최초의 대화형 인공지능: ‘엘리자(ELIZA)’ 출시 =&gt‘엘리자효과(Eliza effect)’ 전형적인 규칙기반 AI(미리 입력해둔 문장만 말함) but 인기 짱!cf. GPT: 통계기반 AI (창의성YES!) ​* 자연어처리 최초의 챗봇: ELIZA① 자연어처리란? 인간의 말인 자연어를 다루는 기술. AI 에 의한 문장 이해나 문장 집필 외에도 언어적인 커뮤니케이션 태스크 전반에 큰 영향을 줍니다. Attention을 능숙하게 사용한 Transformer트랜스포머의 등장으로 AI 의 자연어 처리 능력은 비약적으로 향상되어 이제 인간과 거의 차이 없이 글을 쓰고 대화를 할 수 있게 되었습니다. 하지만 이러한 인간 수준의 자연어 처리 기술의 기반은 문장의 의미나 정의 파악보다는 통계적 분석에 의한 반응이라고 합니다. 요컨대 이러한 자연어 처리 기술의 기반은 언어를 수치화하는 Word to Vector와 신경망의 특징 추출에 의한, 관련성이 높은 문장 생성이라는 점. 즉, 통계적 분석을 통해 말을 조종하고 있으며 문장의 의미나 정의는 파악하지 못하고 순수하게 '이 cs교육 기업cs교육 cs컨설팅 기업 cs 교육 CS교육 CS컨설팅 업체 추천 문장에 맞는 말은 이것'이라는 형태로 판단하는 것입니다.그럼에도 불구하고 AI로 기사나 블로그글을 쓰고 글을 잘 요약하고 소설이나 영화대본도 쓸 수 있습니다. 언어의 의미를 이해하지 못하는 AI지만 말입니다. AI 와 인간이 대화를 통해 인간이 대화 상대방이 AI 임을 간파할 수 있는지에 대한 '튜링 테스트(Turing test)'조차 성공적으로 통과한 AI 들이 많고 특히 고객센터의 챗봇들은 거의 인간과 동일한 수준입니다. 튜링 테스트에서 인간이 대화 상대가 AI 임을 알 수 없다면(인간인 줄 안다면) AI 는 이미 지능을 가진 상태입니다. ​② 자연어처리 최초 챗봇, ELIZAELIZA는 1960년대 MIT의 조셉 와이젠바움(Joseph Weizenbaum)에 의해 개발된 최초의 챗봇으로, 자연어 처리의 초기 사례 중 하나입니다. ELIZA는 주로 로저리안 심리치료사(Rogerian psychotherapist)를 모방하도록 설계되었으며, 사용자의 입력을 분석하고 그에 대한 반응을 생성하는 방식으로 작동했습니다. 이 프로그램은 패턴 매칭과 대체 기법을 사용하여 대화를 시뮬레이션했습니다.​ELIZA의 주요 특징:대화 방식: ELIZA는 사용자의 발언을 질문 형태로 재구성하여 대화하는 방식으로, 예를 들어 사용자가 내 남자친구가 나를 여기 오게 했어라고 말하면, ELIZA는 당신의 남자친구가 당신을 여기 오게 했다고 생각하나요?라고 응답했습니다.기술적 기초: ELIZA는 MAD-SLIP이라는 프로그래밍 언어로 작성되었으며, IBM 7094 컴퓨터에서 실행되었습니다. 이 프로그램은 사용자의 입력에서 키워드를 식별하고, 적절한 변환을 선택하여 응답을 생성하는 방식으로 작동했습니다.사회적 영향: ELIZA는 많은 사용자들에게 인간의 지능과 이해력을 가진 것처럼 보였으며, 이는 ELIZA 효과라는 현상을 낳았습니다. 이는 사람들이 단순한 컴퓨터 프로그램에 대해 과도한 인간적 특성을 부여하는 경향을 의미합니다.​ELIZA는 단순한 구조에도 불구하고, 인간-컴퓨터 상호작용의 가능성을 보여주었고, 이후의 챗봇 및 인공지능 기술 발전에 큰 영향을 미쳤습니다. 와이젠바움은 ELIZA가 사람들에게 강한 감정적 반응을 유도할 수 있다는 점에서 우려를 표명하기도 했습니다.이러한 초기 챗봇의 개발은 오늘날의 AI 기반 대화형 에이전트, 예를 들어 Siri, Alexa, ChatGPT와 같은 시스템의 기초가 되었습니다. ELIZA는 단순한 대화 프로그램이었지만, 인간과 기계 간의 상호작용에 대한 중요한 통찰을 제공했습니다.​③ ELIZA와 현대 챗봇, 특히 ChatGPT 간의 주요 차이점기술적 기반ELIZA: ELIZA는 1960년대에 개발된 초기 챗봇으로, 주로 패턴 매칭과 대체 규칙을 사용하여 사용자 입력에 반응했습니다. 이 프로그램은 미리 정의된 스크립트를 기반으로 작동하며, 사용자의 발언을 질문 형태로 재구성하여 대화하는 방식으로 설계되었습니다.ChatGPT: ChatGPT는 OpenAI에서 개발한 최신 언어 모델로, 신경망 기반의 변환기(Transformer) 아키텍처를 사용합니다. 이는 대량의 데이터를 학습하여 자연어를 이해하고 생성하는 능력을 갖추고 있으며, 사용자와의 대화에서 더 복잡하고 맥락에 맞는 응답을 생성할 수 있습니다.대화 능력ELIZA: ELIZA는 단순한 규칙 기반 시스템으로, 복잡한 대화나 맥락을 유지하는 데 한계가 있습니다. 사용자의 입력에 대해 정해진 패턴에 따라 반응할 뿐, 실제로 대화의 맥락을 이해하거나 기억하지 못합니다.ChatGPT: ChatGPT는 대화의 맥락을 유지하고, 이전 대화 내용을 기억하며, 다양한 주제에 대해 깊이 있는 대화를 나눌 수 있습니다. 이는 사용자가 원하는 정보를 제공하거나 창의적인 글쓰기를 지원하는 데 유용합니다.응답의 다양성ELIZA: ELIZA의 응답은 제한적이며, 주로 사용자의 질문을 반복하거나 변형하는 방식으로 이루어집니다. 이는 사용자가 ELIZA와 대화하는 동안 감정적으로 반응하게 만들 수 있지만, 실제 이해는 없습니다.ChatGPT: ChatGPT는 다양한 주제에 대해 창의적이고 유연한 응답을 생성할 수 있으며, 사용자의 요구에 맞춰 정보를 제공하거나 문제를 해결하는 데 더 효과적입니다. 이는 현대의 AI 챗봇들이 다양한 산업에서 활용될 수 있는 이유 중 하나입니다.결론결론적으로, ELIZA는 초기 챗봇의 상징으로, 인간과 기계 간의 상호작용을 탐구하기 위한 실험적 프로그램이었습니다. 반면, ChatGPT는 고급 자연어 처리 기술을 활용하여 더 복잡하고 의미 있는 대화를 가능하게 하는 현대적인 AI 시스템입니다. 이러한 발전은 챗봇의 기능과 응용 범위를 크게 확장시켰습니다.​(3) AI가 인간과 소통하는 방식: 룰 베이스 + 통계 베이스AI 가 인간이 사용하는 자연어를 사용하며 인간과 소통하는데 있어서는 룰 베이스 방식과 통계 베이스 방식 두 가지를 함께 활용하고 있습니다.① 룰 베이스 커뮤니케이션 ex. ELIZA미리 정해진 규칙(rule)에 따라 답합니다.② 통계 베이스 커뮤니케이션 ex. GPT, chatGPT 기계학습을 축으로 발전해 온 방식입니다. 인간이 질문하면 AI 는 인간은 어떤 대답을 하는 경향이 있는지를 생각하여=&gt통계적으로 자주 사용되는 대화패턴으로 답합니다. 인간과의 대화가 많아질수록 대화패턴을 늘릴 수 있되, 무엇이든 학습하기 때문에 차별적 내용은 학습시키지 말아야합니다.③ 1+2.뛰어난 대화패턴을 룰로 만들어 통계 기반에서 룰 베이스의 대화AI를 만들 수 있습니다. 통계적으로 자주 사용되는 대화 패턴을 추출하여 대화 패턴에 통합하여 룰로 만들어서 쉽게 대화 패턴을 늘릴 수 있습니다.​결론적으로 최근의 AI 는 룰과 통계를 모두 활용하여 보다 인간적이고 자연스러운 커뮤니케이션이 가능하게 되었습니다.​(3) 1980년대: 전성기. 다양한 수학적 규칙들을 이용해 인간의 언어를 이해하는데 도움이 되는 알고리즘들 등장 ​(4) 1990년대: 통계기반 AI로 전환됨 -&gt딥러닝 기술을 활용한 언어모델의 등장은 MUST HAVE!by ➀ 인터넷 보급 =&gt학습용 데이터 수집이 용이 ② 반도체 기술의 발전 ③ 딥러닝 기술의 진일보 ④ 스마트폰 &ampSNS로 전세계 연결 + AI 학습용 텍스트 데이터의 무한 증식 ​딥러닝(DL: Deep Learning): 신경망 학습법의 일종. 신경망은 인간의 신경세포 구조를 참고해 만들어진 알고리즘. 신경세포가 가진 시냅스의 학습능력을 알고리즘으로 재현. 시냅스는 정보 전달을 반복하면 전달능력이 강화됨 (5) 2010: 인공신경망구조(RNN)로=&gtAI의 인간언어 이해 가능 2013: 언어모델 ‘Word2Vec’(word to vector: 단어를 벡터로 변환) 제안=&gt[인간의 언어 습득과정과 유사] 많은 글을 읽으며 문맥을 토대로 단어의 의미를 이해하는데 성공 ​(6) 2014: AI history상 주요 사건들➀ ‘Seq2Seq’(sequence to sequence: 입력받은 문장을 다른 문장으로 변환): AI, 문장 단위의 데이터 이해 가능② ‘어텐션(Attention) 기술’: 기계번역의 핵심, AI 지능이 크게 향상되는 기술혁신에 기여, 입력받은 문장 전체를 한 번에 해석 X 가장 중요한 부분을 중심으로 해석하여 해석의 정확도 향상어텐션(Attention): LSTM 과 함께 자연어 처리에 많이 쓰이는 기법. 문장 전체가 아닌, '어느 부분에 주목할 것인지'생각하고 있다는 점이 독특. 단어마다 중요도를 판정하고 중요한 단어를 중심으로 언어 처리. Attention을 사용한 기계번역에서는 중요한 부분에 주목하여 번역하고 '중요도가 낮은 것은 번역하지 않는다'정도로 처리가 이루어집니다. 빠진 부부이 있는 대신 의미 파악은 되어 있어 전체적으로는 자연적인 번역이 됩니다. 마치 사람이 설렁설렁 읽는 느낌?! 확실하게 70점을 받는 방법이므로 최고득점은 아니래도 평균 점수가 매우 높고 LSTM 등 다른 기법을 효율화하여 평균점수 향상이 가능합니다. ③ ‘GAN’(Generative Adversarial Networks: 생성형AI에게 라이벌을 만들어 주면 실력이 더 좋아진다는 학습방법)딥러닝에는 기본적으로 방대한 학습 데이터가 필요하기 때문에 더미 데이터(Dummy Data: 가짜, 모조) 를 만들게 됩니다.이러한 더미 데이터를 만드는 기법이 'GAN(적대적 생성 네트워크: Generative Adversarial Network)'입니다.GAN은: 데이터를 만드는 AI와 + 데이터의 진위를 간파하는 AI, 두 종류로 이루어져서=&gt서로 '데이터 만드는 법을 학습'하고 '가짜를 파악하는 법을 학습'하는 목적을 cs교육 기업cs교육 cs컨설팅 기업 cs 교육 CS교육 CS컨설팅 업체 추천 가지고=&gt경쟁하면서 성장해 나갑니다.결국, 위조 성능이 더 좋아진 위조AI는 우수한 '더미 데이터 생성AI'로 바뀌게 되고, 판정 AI도 '가짜 파악용 AI'가 되어 인터넷 상의 이미지 판정(진위: 진짜인지, 더미[가짜]인지 밝힘)에 활용됩니다.이러한 GAN(적대적 생성 네트워크)를 사용한 더미 데이터 생성은: 응용 범위가 넓고, 개인 정보를 보호해야하는 얼굴 인식, 의료 분야, 데이터가 적은 특수한 공업 분야 등에서 널리 사용되고 있습니다. ​(7) 2017: 구글의 논문 “Attention is all you need.(필요한 건 어텐션뿐)”AI model에 여러 개의 어텐션 구조를 넣어=&gt새로운 설계의 언어모델 제안=&gt이 AI 의 이름은 ‘트랜스포머(Transformer)’라 칭함 =&gt2018에는 트랜스포머를 적극 응용한 ‘GPT(Generative Pre-Trained Transformer)’ 등장 Transformer: 자연어 처리 분야, 특히 문장 생성 영역에서 큰 성과를 거둔 자연어 기술. Transformer에서는 대부분의 처리를 Attention이 담당(사실상 Attention을 핵심 알고리즘으로 사용), 사실상 모든 기계번역 모델 대체Transformer는 거대한 DB를 이용하는 GPT-3에서 진가 발휘GPT-3 같은 문자 생성 AI의 특징은 '관련성 있는 콘텐츠'의 출력, 철저하게 데이터를 분석하여 + 연관성 높은 문장이나 글을 이어가면=&gt자연스러운 문장 완성 ​(8) 2018: 등장한 ‘GPT’의 특징통계 기반 언어 모델사용자와의 대화패턴을 실시간으로 분석하여 창의적 답변 생성사용자가 같은 말을 입력해도 매번 조금씩 다른 답변을 만들어내고 나중에는 발언의 의도를 파악하려 노력 경제적 해자(진입장벽)를 구축한 사례: FIRST 전세계 대상으로 무료 서비스 open(인지도 상승에 기여) =&gt이후 지브리스타일로 다시금 사용자 급증Open AI의 특성상, 발빠른 기업다운 행보단, 현재의 자연어처리 AI도 매우 고도화되어있고 복잡하지만 통계적 매뉴얼에 따라 언어를 다룰 뿐, 언어를 이해하는 것은 아님​(9) now: 언어모델이 텍스트, 그림, 동영상, 목소리 등 다양한 유형의 데이터 이해하며 인간의 지능을 넘어섬, HOW? How to study????!​2. 추가 (1) 딥러닝 vs. 멀티모달 AI딥러닝으로 인해=&gtAI가 영상/음성/언어를 다룰 수 있게 되었습니다(means: 인간이 다루는 정보의 대부분을 다룰 수 있게 되었다는 것)딥러닝이 '이미지', '음성', '언어'를 복합적으로 다루게 된 단계 ='멀티 모달(Multi Modal) AI'AI 가 최소한 인간의 정보활동 3가지(이미지 인식, 음성 인식, 언어처리)를 모두 다룰 수 있어야 인간과 동등한 위치가 됩니다. 딥러닝은 AI의 확실한 돌파구지만, 마지막 돌파구가 아닙니다. 인간을 대신하는 AI가 되기 위해서는 딥러닝만으로는 부족합니다. ​(2) 이제는 인문학의 시대?!!!...기계를 통제하기 위해 인간이 기계의 언어를 배울 필요가 사라진 것이다. 이제 기계가 인간의 언어를 듣는다. 기계와의 인터페이스가 코드에서 자연어로 이동한 순간, 기계를 다루는 일은 더 이상 어려운 기계어를 사용하는 프로그래머들의 전유물이 아니게 되었다. 오히려 언어를 가장 정교하게 구사하는 사람이, 기계를 가장 잘 다루는 사람이 되었다... 테크 기업들이 AI 대체 불가 역량으로 공통적으로 꼽는 것은 세 가지다. 맥락을 읽는 능력, 의미를 판단하는 능력, 책임 있는 결정을 내리는 능력. 인공지능은 텍스트를 생성하지만 의미를 만들지 못한다. 패턴을 학습하지만 의미를 묻지 않는다. 최적해를 제시하지만 무엇이 좋은 삶인가를 판단하지 못한다. 인공지능이 인간의 언어를 흉내낼수록, 역설적으로 더욱 중요해지는 것은 기계에 던지는 인간의 언어, 즉 프롬프트다... 아무리 AI가 진화해도, 프롬프트의 주인은 결국 인간이다. 그리고 좋은 프롬프트를 쓰는 능력은 코딩 실력에서 오지 않는다. 인간과 세계를 깊이 이해하는 인문학적 역량에서 온다...인간에게 남겨진 자리는 기계가 처리하지 못하는 것, 즉 판단하고 공감하고 서사를 만드는 일이다.​(3) BCI (Brain-Computer Interface) 인간의 지각정보를 디지털 데이터로 대체하여 인간의 신경신호를 AI 가 분석하면 AI 는 인간의 신체 없이도 상황별 인지가 가능합니다. 베르나르 베르베르의 소설 ;에서처럼 움직일 수 없어도 생각만으로도 의견을 표현할 수 있도록 일론 머스크는 뉴럴링크사를 통해 제품으로 구현하고 있습니다.​3. 최신 언어 모델(GPTetc.)의 학습 방법 (1) GPT(Generative Pre-Trained AI) 등 최신 언어 모델의 학습방법Generative: 생성적 Pre-training: 미리 훈련을 받고 왔다 문장을 조각으로 쪼개서(Token)=&gt단어를 나열하는 패턴(문법 or 어법)을 퀴즈로 연습시키면=&gt언어모델은 어법에 맞게 말하는 방법을 이해하게 되어=&gtAI는 자연스레 인간을 따라 상식적인 순서대로 단어를 나열하려고 함 생각을 나열하는 순서 =논리 ​(2) 단어 생성 퀴즈를 통해 언어 학습 완료 AI는 단어 순서 예측 퀴즈만 풀며 정답이라 생각되는 단어 생성: 문법, 창의성, 논리력 두루 습득하게 됨 =&gt이렇게 단어 생성(Generative) 퀴즈에서 충분히 경력을 쌓은(pre-trained) AI를 데려다가=&gt채팅 등 다른 업무에 투입하는 것이 GPT 언어모델 학습 과정에서 학술적 자료와 뉴스 등 전문성 강화=&gt전분야에서 능통한듯한 똑똑한 AI가 만들어짐GPT의 언어 학습 방법: 무작위 퀴즈(Tokenization)​(3) 학습방법의 차이: AI vs. 인간➀ 인간: step-by-step의사소통을 위한 언어 활용 역량을: 커리큘럼에 따라 지식을 단계적으로 습득 습득된 지식은: 순서대로 체계적으로 공부한 결과 ② AI: 학습 패러다임 자체의 태생적 한계(신뢰도X 정확도X)로 인한 환각 증상, hallucination은 RAG으로 완화단어 퀴즈 풀며: 복잡한 연산 끝에=&gt통계적으로 주어진 단어 뒤에 올 단어를 확률적으로 추정전문지식은 부수적으로 습득 고로 GPT 같은 언어모델의 답변에는: 사상X 의도X 배경지식X=&gt신뢰도 XAI는 인간의 지식 습득과는 다른 방식으로 인해=&gt강력한 연산능력과 압도적인 데이터 규모로 인해 폭넓은 지식 확보 BUT 이로 인해 할루시네이션 현상 생김​(4) Open AI의 과장광고가 AI가 만능이라 생각하게 되는데 기여 챗gpt의 만능 광고: 63조 투자 유치RAG기술을 챗gpt에 도입해서: 환각 증상 해소 대이란전 참전: 앤스로픽이 빠진 자리, 잽싸게 메꿈소송전 (5) RAG(Retrieval Augmented Generation: 검색해보고-&gt답변을 풍성하게 부풀리기) by MetaRAG 기술: 검색한 자료들을 정리해=&gt일종의 컨닝페이퍼를 만들어=&gt이를 AI가 살펴보면서=&gt처음부터 자기가 알던 정보인 듯 대답하는 행위 메타가 개발한 기술, 메타가 RAG 용어를 제일 먼저 정립하고 언어 모델의 부정확한 정보 접근 역량 보완 용도로 활용 AI 자체 성능보다 AI 답변의 퀄러티가 크게 달라짐​cf. 파인튜닝(fine-tuing)기법: 한때 각광받았던. 학습이 끝난 AI에게 전문지식만 꼭 집어 따로 더 학습시키기. 고성능 반도체와 전기가 많이 필요하되 AI의 정확도가 극적으로 향상되지 않기 때문에 RAG이 대세가 됨​RAG: 적은 노력으로 AI의 정확도를 크게 향상시킬 수 있는 기술 + 컨닝 페이퍼에 지식과 함께 출처를 기재하면 사용자에게 정보의 출처도 알려줌으로써 사용자가 AI 답변의 신뢰도를 외부자료와 교차검증 가능 요컨대, 말솜씨만 좋은 AI를 활용해 + RAG에 기반한 정보전달시스템 제작이 가능 사용자 입장에서는 RAG을 활용한 활용법들 적용 가능:본인 업무와 관련된 매뉴얼, 법령, 시행령, 보고서 등의 자료를=&gtAI에게 컨닝 페이퍼 삼아 보여주고 난 다음에=&gt대화 시도하면 =&gtAI는 이해가 깊어져 굿 답변 출력해줌 RAG 기술덕분에 AI는 이제: 상황에 맞는 정보를 검색하고 재구성하는 능력을 갖추게 됨 ​4. 더 이상 읽을 책이 없어 AI가 쓴 글을 읽는 AI(1) 2027~~2928: AI가 학습하지 않은, 새로운 데이터의 고갈 시점 인류가 새 정보 축적하는 속도 오픈 AI보다 7배 많은 유료 구독자 확보에 성공 ​​