테크놀로지 리더를 위한 글로벌 IT 뉴스 - ITWorld Korea

톱뉴스 | 많이 본 뉴스 | 토픽 브리핑

1/3

테크 플레이

BrandZone

테크라이브러리

“중견·강소 기업의 해외 사업 성장 이끌다” SAP S/4HANA Cloud로 만드는 비즈니스 혁신 - Tech Summary

"생성형 AI 사용 범위에 선을 긋다” 섀도우 AI 대응 가이드 - DeepDive

사이버 범죄로부터 데이터를 보호하고 랜섬웨어로부터 복구하는 방법 : IDC Info Snapshot

지속 가능한 스토리지 인프라스트럭처의 구현 : IDC 백서

넘버스

2023년 평균 스마트폰 가격

전 세계 분기별 휴대폰 판매량 추적 조사 Worldwide Quarterly Mobile Phone Tracker

출처 : IDC

날짜 : 2023년 11월 29일

프리미엄콘텐츠 일평균 방문자 수

네이버 프리미엄콘텐츠 2023년 연말결산

출처 : Naver

날짜 : 2023년 12월 04일

기존 기업 대비 클라우드 활용 기업이 매년 내놓는 새로운 기능의 수

AWS 활용에 따른 기업 가치 창출 및 조직 혁신 Fostering Business and Organizational Transformation to Generate Business Value with Amazon Web Services

출처 : IDC

날짜 : 2018년 02월 15일

클라우드 3일 전

중소기업을 위한 클라우드 실속 활용법 9가지

팬데믹 이후 많은 중소중견기업(SMB)이 대기업과 같은 툴과 이용하고 효율성을 높이기 위해 클라우드로 이전했다. 그러나 에 따르면 전체 기업의 클라우드 도입률은 아직도 44% 수준에 그친다. 이는 클라우드 디지털 트랜스포메이션에 여전히 큰 기회가 있음을 보여준다. 그렇다면 클라우드 도입을 가로막는 장애물은 무엇일까? 많은 SMB가 우려하는 것은 필요 이상의 서비스에 대한 비용 지급, 적절한 인재 확보와 유지 그리고 클라우드 데이터에 대한 보안이다. 이는 SMB 경영진이 가장 우선 고려해야 할 사항이기도 하다. 여기서 질문을 뒤집어 보자. 클라우드로 전환하지 않고 레거시 기술을 고수함으로써 잃는 것은 무엇일까? 클라우드 컴퓨팅은 비용을 최소화하면서 효율적으로 확장하는 유연성을 제공하므로 SMB는 이를 적절히 활용해 미래 성장 기회를 발굴하고 더 빠르게 혁신하고 사용자 경험을 개선하고 새로운 수익원을 창출할 수 있다. 지금부터 SMB가 클라우드를 활용하는 구체적인 방법과 주의해야 할 점을 살펴보자. 클라우드 컴퓨팅의 이점 이점 1. IT 비용 낮추고 통제 강화 기본적으로 클라우드는 비용을 낮추는 강력한 툴이다. SMB가 물리적 컴퓨팅 또는 스토리지 하드웨어와 소프트웨어를 구매, 구축 또는 유지 관리할 필요를 없애 주기 때문이다. 대신 기업은 클라우드에서 사용한 부분에 한해서만 비용을 지불하며 수요 변화에 따라 용량을 유연하게 확장하거나 축소할 수 있는데, 이 과정에서 IT 비용을 크게 낮출 수 있다. 를 보면, 온프레미스 데이터센터 대신 클라우드에서 리소스를 프로비저닝한 기업이 IT 지출 비용을 연평균 25% 줄였다. 같은 워크로드를 실행할 때, 특히 SMB에서는 클라우드 인프라가 온프레미스 데이터센터에 비해 더 효율적이다. 대부분의 온프레미스 데이터센터는 사용률이 낮으며, 최대 사용량을 지원하기 위해 구매한 여분의 하드웨어가 공간을 차지하고 있다. 하지만 사실 SMB에는 최대 사용량을 장기간 지원하기 위한 인프라가 일반적으로 불필요하다. 거의 쓰지 않는 하드웨어에 묶여 비용 효율성만 떨어뜨릴 뿐이다. 반면 클라우드를 사용하면 전기, 하드웨어, 유지보수 등 자체 서버를 유지 관리하기 위한 초기 자본 비용을 완전히 없앨 수 있다. 많은 클라우드 서비스 업체는 SMB가 클라우드에서 지출하는 비용을 관리, 통제, 최적화할 수 있도록 지원한다. 기업이 지출을 줄이면서 지출에 따른 가치를 극대화하는 데 도움이 되는 자동화된 클라우드 관리 툴도 기본 제공한다. 대표적인 것이 데이터 수명주기 관리를 자동화하고 사용 빈도가 낮은 데이터를 비용이 더 낮은 스토리지에 저장하는 지능형 계층화 솔루션이다. 이런 솔루션은 자동으로 클라우드 지출을 최적화하고 비용을 줄여준다. 이점 2. 데이터 최대한 활용 데이터는 모든 기업에 소중한 자산이다. 산업과 지역을 불문하고 기업은 과거 어느 때보다 많은 데이터를 생성하고 있고, 특히 SMB에서 효과적인 데이터 활용은 경쟁사와의 차별화를 결정한다. 그러나 데이터가 가진 잠재력을 최대한 끌어내려면 이 데이터에 액세스해 분석할 수 있는 안전하고 경제적인 툴이 필요하다. 대량의 데이터, 즉 빅데이터를 처리해서 고유한 인사이트를 파악하고 활용하는 것은 더 이상 방대한 리소스를 보유한 대기업의 전유물이 아니다. 클라우드 기반의 접근 방식은 SMB가 데이터에서 가치를 끌어내기 위한 최첨단 툴에 경제적으로 활용할 수 있는 방법이다. 최신 데이터 아키텍처를 직접 구축하는 데 따르는 복잡하고 값비싼 프로세스를 관리하는 대신 클라우드를 통해 대기업이 활용하는 것과 같은 데이터 기술과 역량을 확보해 관련성 있는 최신 인사이트를 얻고 성장을 가속화할 수 있다. SMB는 데이터에 근거한 인사이트와 클라우드 기반 데이터 분석을 통해 운영을 개선하고 운영 비용을 절감하고 사용자 경험을 강화하고 새로운 수익원을 창출해서 경쟁에서 앞서 나갈 수 있다. 이점 3. 더 빠른 혁신과 신기능 구축 SMB에 클라우드는 운영 효율성을 높여줄 뿐만 아니라 제품과 서비스를 혁신하고 강화할 기회도 제공한다. 클라우드를 통해 SMB는 필요에 따라 신속하게 리소스를 가동해서 더 빠르게, 자주 실험하고 반복할 수 있다. 기업은 몇 분 만에 수백, 수천 대의 서버를 배포해서 새로운 애플리케이션을 신속하게 개발할 수 있다. 애플리케이션의 새로운 버전을 프로덕션 환경을 똑같이 옮긴 복제본에서 테스트할 수 있다. 이와 같은 작업을 온프레미스 데이터센터에서 하면 많은 비용과 시간이 필요하지만, 클라우드에서는 저렴한 비용으로 거의 즉각적으로 수행할 수 있다. 이처럼 클라우드는 SMB가 새로운 제품과 기능, 업데이트를 배포하는 데 있어 경쟁력을 높이고 혁신적인 제품을 출시하고 사용자 요구를 더 신속하게 충족할 수 있게 해준다. 에 따르면 클라우드로 마이그레이션한 기업은 실제로 매년 3배 더 많은 기능을 개발한다. 이점 4. AI/ML 활용한 사용자 경험 향상 클라우드는 SMB도 대기업이 사용하는 것과 같은 데이터와 기술, 역량에 접근할 수 있도록 함으로써 SMB를 위한 평평한 운동장을 만들어 준다. 이제 SMB도 강력한 AI, 머신러닝(ML), 예측 분석을 활용해 사용자 경험을 혁신하고 있으며 이는 사용자 요구가 빠르게 변화하는 시대에 점점 더 중요해지고 있다. 예를 들어 전자상거래 사이트를 운영하는 SMB는 머신러닝 기반 개인화 서비스를 통해 더 정확하게 사용자를 타겟팅하는 개인화된 추천 기능을 신속하게 제공하고, FAQ에 답하고 사용자 여정을 자동화하는 서비스 챗봇을 만들 수 있다. 또한 이 기술을 사용해 정확한 비즈니스 성과를 손쉽게 예측하고 유동 인구, 필요한 인력 상황, 재고 현황 등을 파악한다. 클라우드에서 피해야 할 일반적인 실수 유능한 클라우드 서비스 업체를 이용하면 클라우드로 쉽게 전환할 수 있지만 SMB에서 흔히 발생하는 실수를 파악해 대비하는 것도 중요하다. 실수 1. 하나로 모든 요구를 충족할 수는 없음 클라우드는 비용을 낮춰주지만, 그렇다고 해서 모든 프레임워크가 원하는 만큼 비용 절감 효과를 제공하는 것은 아니다. 따라서 SMB는 지출한 만큼 최대한의 가치를 얻을 수 있는 관리 툴을 갖춘 서비스 업체를 선택해야 한다. 예를 들어 클라우드 비용 지출 모니터링 및 가드레일을 가능하게 해주는 지능형 계층화 솔루션이 포함된 요금제를 구독하는 것이 좋다. SMB가 흔히 저지르는 실수 중 하나는 현재의 온프레미스 서버를 같은 컴퓨팅 및 용량으로 그대로 옮기는 것이다. 그러나 그 정도의 컴퓨팅과 용량은 거의 필요가 없다. 폭넓은 파트너 네트워크를 갖춘 유능한 클라우드 서비스 업체를 선택하면, 현재 오버프로비저닝된 온프레미스 환경에서 '적절한 규모의' 클라우드로 전환하도록 도움을 받을 수 있다. 실수 2. 인사이트의 품질은 데이터가 좌우한다 레거시 데이터 입력 프로세스에는 오랜 기간에 걸쳐 오류와 비일관성이 누적되었을 수 있다. 수동 데이터 입력, 불완전한 데이터 집합, 데이터 사일로는 데이터의 품질을 떨어뜨려 인사이트와 의사 결정을 왜곡한다. 의사 결정에 깨끗하고 정확한 데이터를 사용하지 않을 경우 잘못된 조언과 예측으로 이어질 수 있다. 클라우드는 데이터 수집, 데이터 품질, 변환, 분석 및 거버넌스를 개선하는 데 있어 중요한 역할을 한다. 중복 데이터를 제거하고 다양한 종류의 데이터와 범주를 연결할 수 있는 서비스 등 데이터 관리의 다양한 측면을 다루는 여러 가지 기술을 활용해야 한다. 실수 3. 데이터를 단순히 저장만 하지 말고 가치를 극대화할 것 최근 설문에 따르면 많은 SMB가 클라우드로 데이터를 마이그레이션하지만 실제로 클라우드 기반 분석을 사용하는 경우는 35%에 불과하다. 이는 데이터 저장과 저장된 데이터에서 가치를 끌어내는 것 사이에 큰 격차가 있음을 보여준다. 데이터 분석 툴은 기업에서 시장 추세를 예측하고 더 나은 정보에 근거한 의사 결정을 내리고 판매를 예측 및 증대하고 기존 제품 또는 서비스를 개선하고 사용자 경험을 강화하는 데 도움이 된다. SMB는 데이터를 패키징해 기존 및 신규 사용자에 판매하는 방식으로 데이터를 수익화할 수 있다. 데이터에서 최대한의 가치를 얻으려면, SMB는 통합 분석 스택과 성숙한 분석 툴 모음을 제공하고 특정 요구사항에 맞게 데이터 전략을 조정하고 데이터 여정의 모든 단계를 지원할 수 있는 클라우드 서비스 업체를 찾아야 한다. 실수 4. 불필요한 기술을 도입하지 말 것 새롭고 멋진 최신 기술을 사용하고 싶겠지만 자칫하면 회사 수익에 기여하지 않고 화려하기만 한 기능에 비용을 지불하게 될 수 있다. 예를 들면 모든 SMB가 제품을 개선하기 위해 자연어 처리가 필요하지는 않은 것이다. 따라서 SMB가 생성형 AI와 같은 첨단 기술을 활용할 수는 있지만, 이 기술 도입은 새롭고 멋진 장난감에 대한 욕구가 아니라 명확한 비즈니스 요구와 연계해서 이뤄져야 한다. 클라우드 서비스 업체 역시 비즈니스 요구에서 시작해 거슬러 올라가면서 목표를 달성하는 데 도움이 되는 툴을 찾도록 도울 수 있어야 한다. 실수 5. 스스로를 보호 보안 위협이 끊임없이 진화하는 가운데, 많은 SMB가 보안 리소스를 지속적으로 유지하고 모니터링하기 위한 인력과 전문 지식의 부족 문제를 겪고 있다. 서버가 정확히 어디에 있는지 아는 것이 더 안전하다고 느낄 수 있지만, 클라우드는 연중무휴 24시간 보안 및 인프라 모니터링을 통해 악의적 행위자나 일상적인 사고 등 모든 종류의 위험으로부터 데이터를 지켜준다. 따라서 SMB는, 평가 및 교정을 수행하고 사이버 보안 애플리케이션을 배포하고 모범 사례를 수립하는 보안 역량을 갖춘 IT 서비스 파트너를 확보할 수 있는 클라우드 서비스 업체의 전문 지식을 이용하는 것이 좋다. 가장 좋은 것은 보안 파트너가 연중무휴 24시간 보안 보호 및 리소스 모니터링을 완전히 관리되는 서비스로 제공하는 것이다. editor@itworld.co.kr

AWS, 기업용 생성형 AI 서비스 아마존 Q 발표…MS 코파일럿 겨냥한 듯

글로벌 칼럼 | 상업용 LLM이 넘어야 할 3가지 큰 산

“폴더블 스마트폰의 최강자는?” 구글 픽셀 폴드 vs. 삼성 갤럭시 Z 폴드 5

마우스 DPI를 확인하는 3가지 방법

블로그 | 애플의 실수와 실패의 역사, 그냥 버리기엔 너무 아까운 실패들

데이터 과학에 디자인 사고를 적용하는 방법

AIㆍML 2023.11.22

"생성형 AI의 기반" 대규모 언어 모델 총정리

GPT, 바드, 라마 2 같은 대규모 언어 모델(LLM)은 대중의 상상력을 자극하고 다양한 반응을 끌어냈다. LLM에 대한 열기의 이면을 살펴보면서 대규모 언어 모델의 기원, 이러한 모델이 어떻게 구축 및 학습되는지를 살펴본다. 또한, 어떤 범위에서 효과적인지 검토하고, 가장 많이 사용되는 LLM에 대해 알아보자. 대규모 언어 모델이란? 언어 모델의 시초는 20세기 초까지 거슬러 올라가지만 대규모 언어 모델이 본격적으로 부상한 시점은 신경망이 도입된 이후다. 특히 2017년에 등장한 트랜스포머(Transformer) 심층 신경망 아키텍처는 언어 모델에서 LLM으로의 진화에 큰 역할을 했다. 대규모 언어 모델은 설명 프롬프트를 기반으로 한 텍스트 생성, 코드 생성 및 코드 완성, 텍스트 요약, 언어 간 번역, 텍스트-투-스피치 및 스피치-투-텍스트 애플리케이션을 포함한 다양한 작업에 유용하다. 한편, 적어도 현재 개발 단계에서의 LLM에는 단점도 있다. 생성된 텍스트의 품질이 그다지 좋은 편이 아니며, 형편없는 경우도 종종 발생한다. LLM은 없는 사실을 만들어 내기도 하는데 이를 환각(hallucination)이라고 한다. 답을 구하는 사용자에게 관련 지식이 없다면 환각은 상당히 그럴듯하게 들릴 것이다. 언어 번역의 경우, 네이티브 스피커의 검수를 받지 않은 문장은 100% 정확한 경우가 거의 없지만, 검수는 일반적으로 상용구에 한해서만 이뤄진다. 생성된 코드에는 버그가 흔하고, 아예 실행되지 않는 경우도 있다. 대체로 LLM은 논란의 여지가 있는 언급을 하거나 불법적인 행동을 추천하는 일이 없도록 미세한 조정을 거치지만 악의적인 프롬프트를 사용하면 안전 장치를 무력화할 수도 있다. 대규모 언어 모델을 학습시키기 위해서는 대규모 텍스트 말뭉치(corpus)가 하나 이상 필요하다. 학습 예제에는 1B 워드 벤치마크(1B Word Benchmark), 위키피디아, 토론토 북 코퍼스(Toronto Books Corpus), 커먼 크롤(Common Crawl) 데이터 집합, 그리고 공개 오픈소스인 깃허브 리포지토리 등이 포함된다. 대규모 텍스트 데이터 집합에는 저작권 침해와 쓰레기라는 두 가지 문제점이 있다. 저작권 침해의 경우 현재 여러 관련 소송이 진행 중이다. 쓰레기는 최소한 청소는 가능하다. 쓰레기 청소가 된 데이터 집합의 예로, 커먼 크롤 데이터 집합을 기반으로 한 800GB 용량의 데이터 집합인 콜로설 클린 크롤드 코퍼스(Colossal Clean Crawled Corpus: C4)가 있다. 하나 이상의 대용량 학습 말뭉치와 함께 LLM에는 많은 수의 매개변수, 즉 가중치가 필요하다. 매개변수의 수는 지금까지 매년 증가했다. 엘모(ELMo, 2018)의 매개변수 수는 9,360만 개이며 버트(BERT, 2018)는 1억 1,700만 개, T5(2020)는 2억 2,000만 개다. GPT-2(2019)의 경우 16억 개, GPT-3(2020)는 1,750억 개, 팜(PaLM, 2022)은 5,400억 개이며 GPT-4(2023)의 매개변수는 1조 7,600억 개에 이른다. 매개변수가 많을수록 모델의 정확도는 높아지지만 그만큼 더 많은 메모리가 필요하고 실행 속도가 느려진다. 2023년에는 비교적 작은 모델들이 여러 가지 크기로 출시되기 시작했다. 예를 들어 라마 2(Llama 2)는 70억 개, 130억 개, 700억 개 버전으로 제공되며 클로드 2(Claude 2)는 930억 개와 1,370억 개의 매개변수 크기로 제공된다. 텍스트를 생성하는 AI 모델의 역사 언어 모델의 시초는 1913년에 시에 수학을 적용한 안드레이 마코프다. 마코프는 푸시킨의 유게니 오네긴에서 한 문자가 나타날 확률은 이전 단어에 따라 달라지며, 일반적으로 자음과 모음이 번갈아 나타나는 경향이 있음을 밝혀냈다. 현재 마코프 체인은 각 이벤트의 확률이 이전 이벤트의 상태에 따라 달라지는 이벤트 시퀀스를 설명하는 데 사용된다. 마코프의 연구는 1948년 클로드 섀넌의 통신 이론에서 확장됐고, 이후 IBM의 프레드 젤리넥과 로버트 머서가 1985년에 교차 검증 기반의 언어 모델을 만들어 실시간 대규모 어휘 음성 인식에 적용하면서 다시 한번 확장됐다. 기본적으로 통계적 언어 모델은 단어의 시퀀스에 확률을 할당한다. 언어 모델의 실제 작동을 간단히 보려면 구글 검색 또는 휴대폰에서 자동 완성을 켠 상태로 문자 메시지 앱에 단어를 몇 개 입력해보면 된다. 2000년에 요슈아 벤지오와 공동 저자들은 통계적 언어 모델의 확률을 신경망으로 대체하여 차원의 저주를 회피하고 당시 최첨단 기술이었던 평탄화 트라이그램(smoothed trigram) 모델에 비해 단어 예측을 20%~35% 개선하는 신경 확률 언어 모델을 다룬 논문을 발표했다. 피드 포워드 자동 회귀 신경망 언어 모델 개념은 지금도 여전히 사용되지만, 현재의 모델은 매개변수 수가 수십억 개에 이르고 광범위한 말뭉치로 학습되며, 그래서 ‘대규모 언어 모델’이라는 명칭으로 불린다. 언어 모델이 성능 개선을 목표로 발전하면서 시간이 갈수록 크기도 커졌다. 그러나 이 같은 크기 증가에는 단점도 있다. 2021년에 발표된 논문 ‘확률적 앵무새의 위험에 대해: 언어 모델의 크기에는 한계가 없는가?’는 언어 모델은 클수록 좋다고 생각하는 경향에 대해 의문을 제기한다. 논문 저자는 웹의 모든 것을 수집하지 말고 환경적, 재정적 비용을 먼저 고려해서 데이터 집합을 선별 및 문서화하는 데 투자할 것을 제안한다. 언어 모델과 LLM에 대한 이해 현재의 언어 모델은 다양한 작업과 목표가 있고 형태도 다양하다. 예를 들어 언어 모델은 문서에서 다음 단어를 예측하는 작업 외에 새로운 텍스트를 생성하고 텍스트를 분류하고 질문에 답하고 감정을 분석하고 명명된 개체를 인식하고 음성을 인식하고 이미지의 텍스트를 인식하고 손글씨를 인식할 수 있다. 일반적으로 중소 규모의 보충 학습 집합을 사용하여 실시되는 특정 작업을 위한 언어 모델 맞춤 설정을 미세 조정(fine-tuning)이라고 한다. 언어 모델에 들어가는 중간 작업의 예를 들면 다음과 같다. 학습 말뭉치를 문장으로 세분화 단어 토큰화 어간 추출 표제어 추출(어근 단어로 변환) POS(Part Of Speech) 태깅 정지단어 식별 및 제거(경우에 따라) 명명된 객체 인식(NER) 텍스트 분류 청킹(Chunking, 문장을 유의미한 구로 분할) 상호참조 해결(텍스트의 동일한 개체를 가리키는 모든 표현 찾기) 이 중에서 일부는 텍스트 분류와 같이 자체적인 작업 또는 애플리케이션으로도 유용하다. 대규모 언어 모델은 딥러닝 신경망과 대규모 학습 말뭉치를 사용하며, 신경망을 위한 수백만 개 이상의 매개변수 또는 가중치를 필요로 한다는 면에서 기존 언어 모델과 다르다. LLM 학습은 지정된 작업에 대한 모델의 오류를 가능한 가장 낮게 하기 위한 가중치 최적화의 문제다. 예를 들어 보통 자기 지도 방식으로 말뭉치의 임의의 지점에서 다음 단어를 예측하는 작업이 있다. 가장 인기 있는 LLM 최근 대규모 언어 모델의 폭발적인 성장을 촉발한 것은 2017년 발표된 “필요한 것은 주의 집중(Attention is All You Need)”이라는 논문이다. 이 논문은 “순환과 컨볼루션을 완전히 배제하고 오로지 주의 집중 메커니즘에만 기반을 둔 새롭고 단순한 신경망 아키텍처”로 트랜스포머를 소개했다. 오늘날 가장 많이 사용되는 대규모 언어 모델 중 몇 가지를 소개하면 다음과 같다. 엘모(ELMo) 엘모는 2018년에 나온 앨런NLP(AllenNLP)의 심층 맥락화 단어 표현 LLM으로, 단어 사용의 복잡한 특징, 그리고 언어적 맥락에 따라 그 단어 사용이 어떻게 달라지는지를 모델링한다. 원본 모델은 9,360만 개의 매개변수를 사용하며 1B 워드 벤치마크로 학습됐다. 버트(BERT) 버트는 구글 AI가 자사 트랜스포머 신경망 아키텍처를 기반으로 2018년에 출시한 언어 모델이다. 버트는 모든 레이어에서 왼쪽과 오른쪽의 맥락에 대한 공동 조건화를 통해 레이블 없는 텍스트로부터 심층 양방향 표현을 사전 학습하도록 설계됐다. 초기에 사용된 두 모델의 크기는 각각 매개변수 1억 개와 3억 4,000만 개였다. 버트는 토큰의 최대 15%가 “손상되는” 마스킹된 언어 모델링(MLM)을 학습에 사용한다. 영어 위키피디아와 토론토 북 코퍼스를 사용해 학습됐다. T5 구글의 2020년 텍스트-투-텍스트 트랜스퍼 트랜스포머(T5) 모델은 GPT, ULMFiT, 엘모, 버트 및 후속 모델에 적용된 최고의 전이 학습 기법을 기반으로 새로운 모델을 합성한다. 오픈소스 콜로설 클린 크롤드 코퍼스(C4)를 사전 학습 데이터 집합으로 사용한다. 영어용 표준 C4는 원본 커먼 크롤 데이터 집합을 기반으로 한 800GB 데이터 집합이다. T5는 모든 NLP 작업을 통합 텍스트-투-텍스트 형식으로 재구성한다. 클래스 레이블 또는 입력의 범위만 출력할 수 있는 버트 스타일 모델과 달리, 이 형식에서는 입력과 출력이 항상 텍스트 문자열이다. 기본 T5 모델에는 총 2억 2,000만 개의 매개변수가 사용된다. GPT 제품군 AI 연구 및 배포 기업인 오픈AI(OpenAI)의 사명은 “인공 일반 지능(AGI)이 모든 인류에 혜택이 되도록 하는 것”이다. 물론 AGI에는 아직 도달하지 못했고, 머신러닝의 개척자인 메타-FAIR의 얀 르쿤 등 일부 AI 연구자는 AGI에 대한 오픈AI의 현재 접근 방식에는 답이 없다고 생각하기도 한다. 오픈AI는 GPT 언어 모델 제품군을 갖추고 있다. GPT 제품군 전체와 2018년 이후의 발전 과정을 간략하게 살펴보자. (참고로 GPT 제품군 전체는 구글의 트랜스포머 신경망 아키텍처를 기반으로 한다. 구글이 트랜스포머를 오픈소스로 공개했으므로 이는 합법적이다.) GPT(생성형 사전 학습 트랜스포머)는 오픈AI가 2018년에 출시한 모델로, 약 1억 1,700만 개의 매개변수를 사용한다. GPT는 토론토 북 코퍼스를 사용해 사전 학습된 단방향 트랜스포머이며 인과적 언어 모델링(CLM) 목표에 따라, 즉 시퀀스의 다음 토큰을 예측하도록 학습됐다. GPT-2는 2019년에 출시된 GPT 확장 모델로, 매개변수는 15억 개이며 최대 40GB의 텍스트 데이터를 포함한 800만 개의 웹페이지 데이터 집합을 사용해 학습됐다. 오픈AI는 GPT-2가 “너무 뛰어나고” “가짜 뉴스”로 이어질 수 있다는 이유에서 원래는 GPT-2에 대한 접근을 제한했다. 이 조치는 나중에 철회됐지만, GPT-3가 출시되면서 사회적 문제가 생길 가능성이 더 커졌다. GPT-3는 2020년에 나온 자동 회귀 언어 모델로, 1,750억 개의 매개변수를 사용하며 필터링된 버전의 커먼 크롤과 웹텍스트2(WebText2), 북1(Books1), 북2(Books2), 영어 위키피디아의 조합으로 학습됐다. GPT-3에 사용된 신경망은 GPT-2와 비슷하지만 몇 개의 추가 블록이 있다. GPT-3의 가장 큰 단점은 환각, 즉 명확한 근거 없이 사실을 지어내는 경향이다. GPT-3.5와 GPT-4에도 정도는 덜하지만 같은 문제가 있다. 코덱스(CODEX)는 2021년 GPT-3에서 파생된 모델로 코드 생성을 위해 5,400만 개의 오픈소스 깃허브 리포지토리로 미세 조정됐다. 깃허브 코파일럿(Copilot)에 사용되는 모델이다. GPT-3.5는 GPT-3와 코덱스의 2022년 업데이트 집합이다. gpt-3.5-turbo 모델은 채팅에 최적화됐지만 기존의 완성 작업에서도 잘 작동한다. GPT-4는 오픈AI의 주장으로는 일부 전문 및 학술 벤치마크에서 인간 수준의 성능을 발휘하는 2023년 대규모 멀티모달 모델(이미지와 텍스트 입력을 받아서 텍스트 출력을 생성)이다. GPT-4는 미국 변호사 시험, LSAT, GRE 및 여러 AP 주제 시험을 포함한 다양한 시뮬레이션 시험에서 GPT-3.5를 앞섰다. 참고로 시간이 지나면서 GPT-3.5와 GPT-4의 성능도 바뀌었다. 2023년 7월 스탠포드 대학 논문에 따르면 2023년 3월부터 2023년 6월 사이에 소수 식별을 포함한 여러 작업에서 모델의 동작이 크게 바뀌었다. GPT-4 모델의 편향성에 대한 우려 GPT-4의 학습 방법을 오픈AI가 설명하지 않은 것은 심각한 우려 사항이다. 오픈AI 측이 내세우는 이유는 경쟁이다. 마이크로소프트(현재까지 오픈AI에 130억 달러의 자금을 투자함)와 구글 간의 경쟁을 감안하면 어느 정도 납득은 되는 이유다. 그러나 학습 말뭉치의 편향성에 대해 알지 못한다는 것은 모델의 편향성에 대해 알지 못한다는 것을 의미한다. 에밀리 벤더는 2023년 3월 16일 마스토돈에 게시한 GPT-4에 대한 글에서 “#오픈AI가 학습 데이터, 모델 아키텍처 등에 대한 정보를 *공개*하기 전까지 GPT-4는 독성 쓰레기로 간주해야 한다”라고 말했다. 챗GPT와 빙GPT는 원래 gpt-3.5-turbo 기반의 챗봇이었지만 2023년 3월에 GPT-4를 사용하도록 업그레이드됐다. 현재 GPT-4 기반의 챗봇 버전에 액세스하려면 챗GPT 플러스에 가입해야 한다. GPT-3.5 기반의 표준 챗GPT는 2021년 9월까지의 데이터로만 학습됐다. 빙GPT는 “더 뉴 빙”이라고도 하며, 마이크로소프트 엣지 브라우저에서 액세스할 수 있다. 마찬가지로 2021년까지의 데이터로 학습됐다. 이에 대해 빙GPT에 직접 물어보면 지속적으로 학습하면서 웹의 새로운 정보로 지식을 업데이트하고 있다고 주장한다. 람다(LaMDA) 구글이 2021년에 발표한 “획기적인” 대화 기술인 람다(대화 애플리케이션을 위한 언어 모델)는 트랜스포머 기반 언어 모델로, 대화를 통해 학습되며 응답의 분별력과 구체성을 대폭 개선하도록 미세 조정됐다. 람다의 강점은 사람의 대화에서 흔히 발생하는 주제 표류에 대처할 수 있다는 것이다. 팜(PaLM) 팜(패스웨이 언어 모델)은 구글 리서치가 2022년에 발표한 고밀도 디코더 전용 트랜스포머 모델로 매개변수 수는 5,400억 개이며 패스웨이(Pathways) 시스템을 사용해 학습됐다. 팜은 고품질의 웹 문서와 서적, 위키피디아, 대화, 깃허브 코드를 포함한 여러 영어 및 다국어 데이터 집합의 조합을 사용해 학습됐다. 또한 구글은 모든 공백(특히 코드에 중요)을 보존하고, 어휘 목록에서 벗어난 유니코드 문자를 바이트로 분할하고, 숫자를 각 자릿수당 하나의 개별 토큰으로 분할하는 “무손실” 어휘 목록도 만들었다. 팜-코더(PaLM-Coder)는 파이썬 전용 데이터 집합으로 미세 조정된 팜 540B 버전이다. 팜-E(PaLM-E) 팜-E는 구글이 로봇공학용으로 2023년에 구체화한 멀티모달 언어 모델이다. 연구진은 팜을 가져와서 로봇 에이전트의 센서 데이터로 보완하여 “구체화(팜-E의 ‘E’는 구체화를 의미)”했다. 또한 팜-E는 팜 외에 ViT 22B 비전 모델도 채택했으므로 일반적인 기능의 비전 및 언어 모델이기도 하다. 바드(Bard) 바드는 구글이 2023년 출시한 람다 기반의 구글 대화형 AI 서비스다. 2023년 3월 21일에 출시된 후 2023년 5월 10일에 일반에 공개됐다. 바드는 출시 이후 여러 번 업데이트됐다. 2023년 4월에는 20개의 프로그래밍 언어로 코드를 생성하는 기능이 추가됐고, 2023년 7월에는 40가지 인간 언어 입력에 대한 지원과 함께 구글 렌즈가 통합되고 40개 이상의 언어를 사용한 텍스트-투-스피치 기능이 추가됐다. 라마(LLaMA) 라마(대규모 언어 모델 메타 AI)는 650억 매개변수를 사용하는 “원시” 대규모 언어 모델로, 메타 AI(전 메타-FAIR)가 2023년 2월에 출시했다. 라마에 대한 메타의 설명은 다음과 같다. 대규모 언어 모델 분야에서는 라마와 같은 비교적 작은 기반 모델을 학습시키는 것이 바람직하다. 훨씬 더 적은 컴퓨팅 성능과 리소스만으로 새 접근 방식을 테스트하고 다른 사람들의 작업을 검증하고 새로운 사용 사례를 탐색할 수 있기 때문이다. 기반 모델은 레이블 없는 대량의 데이터 집합으로 학습되므로 다양한 작업을 위한 미세 조정에 이상적이다. 라마는 여러 크기로 출시됐으며 어떻게 구축되었는지에 대한 자세한 내용이 담긴 모델 카드가 제공된다. 메타 AI의 얀 르쿤에 따르면 원래는 체크포인트와 토크나이저를 요청해야 했지만, 정식으로 요청을 제출해서 모델을 받은 누군가가 4채널 사이트에 다운로드 가능한 토렌트를 게시한 덕분에 지금은 쉽게 구할 수 있다. 라마 2(Llama 2) 라마 2는 차세대 메타 AI 대규모 언어 모델로, 2023년 1월부터 7월 사이에 라마 1에 비해 40% 더 많은 데이터로 학습됐으며(공개적으로 사용 가능한 소스에서 2조 개의 토큰 사용), 컨텍스트 길이는 2배 더 긴 4096이다. 라마 2는 매개변수 70억 개, 130억 개, 700억 개의 여러 크기로 제공되고 사전 학습 및 미세 조정된 변형도 있다. 메타 AI는 라마 2가 오픈소스라고 주장하지만 허용되는 사용에 대한 제약이 포함됐다는 이유로 이 주장에 동의하지 않는 사람들도 있다. 커뮤니티 라이선스 외에 상용 라이선스도 제공된다. 라마 2는 최적화된 트랜스포머 아키텍처를 사용하는 자동 회귀 언어 모델이다. 조정된 버전은 지도 미세 조정(SFT)과 인간 피드백을 통한 강화 학습(RLHF)을 사용해서 유용성과 안전성에 대한 인간의 선호도에 맞게 조정된다. 라마 2는 현재 영어 전용이다. 모델 카드에는 벤치마크 결과와 탄소 발자국 통계가 포함돼 있다. 연구 논문 ‘라마 2: 개방형 기반과 미세 조정된 채팅 모델’에서 더 자세한 내용을 볼 수 있다. 클로드 2(Claude 2) 2023년 7월에 출시된 앤트로픽(Anthropic)의 클로드 2는 단일 프롬프트에서 최대 10만 개의 토큰(약 7만 단어)을 수락하며, 수천 토큰의 스토리를 생성할 수 있다. 클로드는 구조적 데이터를 편집, 재작성, 요약, 분류, 추출할 수 있으며 내용을 기반으로 한 Q&A와 그 외의 다양한 작업이 가능하다. 대부분의 학습은 영어로 이뤄졌지만 다른 여러 일반적인 언어에서도 잘 작동하며, 일반적이지 않은 언어로도 어느 정도의 커뮤니케이션이 가능하다. 프로그래밍 언어에 대한 지식도 방대하다. 클로드는 유용하고 정직하고 무해한(Helpful, Honest, Harmless, HHH) 모델로 학습됐으며 무해함을 강화하고 프롬프트를 통해 공격적이거나 위험한 출력을 생성하기가 더 어렵게 하기 위한 광범위한 레드 팀 과정을 거쳤다. 사용자의 개인 데이터를 학습에 사용하거나 인터넷에서 답을 참조하지 않지만, 사용자가 직접 클로드에 인터넷의 텍스트를 제공해서 그 내용으로 작업을 수행하도록 요청할 수는 있다. 클로드는 미국 및 영국 사용자에게 무료 베타 버전으로 제공되며, 생성형 AI 플랫폼인 재스퍼(Jasper), 코드 AI 플랫폼인 소스그래프 코디(Sourcegraph Cody), 아마존 베드록(Amazon Bedrock)과 같은 상업적 협력업체 채택됐다. 결론 살펴본 바와 같이 대규모 언어 모델은 여러 기업에서 활발하게 개발되는 중이며 오픈AI와 구글 AI, 메타 AI, 앤트로픽에서 거의 매달 새로운 버전이 나오고 있다. 이러한 LLM 중에서 진정한 인공 일반 지능(AGI)을 달성한 모델은 없지만 새 모델이 나올 때마다 대체로 지난 모델에 비해 개선되는 중이다. 다만 대부분의 LLM에서 환각을 비롯한 비정상적인 현상이 자주 발생하며, 경우에 따라 사용자 프롬프트에 대해 부정확하고 편향되거나 불쾌한 응답을 생산하기도 한다. 결국 출력이 정확함을 검증할 수 있는 경우에 한해서만 LLM을 사용해야 한다. editor@itworld.co.kr

모니터 암의 조건과 2023년 최고의 모니터 암

“이 정도면 청출어람” 라즈베리 파이 대안 제품 4가지

MS 365 코파일럿 AI, 베타에서 벗어나 모든 곳으로 향하다

클라우드 네이티브 애플리케이션을 위한 6가지 필수 보안 수칙

"만들기보다 버리기가 더 중요한 이유" 윈도우 휴지통 팁

"보고서 작성부터 직원 삶의 질 개선까지" ㈜한화의 생성형 AI 챗봇이 하는 일

윈도우 2023.11.14

“AI PC로의 도약” 윈도우 11 2023 업데이트의 새로운 기능 4가지

윈도우 11 2023 업데이트(Windows 11 2023 Update) 혹은 23H2가 누적 업데이트로 제공되고 있다. 에서 알 수 있듯이 최신 윈도우 11 2023 업데이트는 마이크로소프트, 인텔, AMD, 퀄컴 등의 PC 제조업체가 도입한 용어인 ‘AI PC’로의 진화에 대한 약속이라는 측면에서 의미 있는 업데이트다. 메타버스처럼 한때 유행했던 신조어가 될 수도 있지만, AI PC는 이미 특정한 유형의 이점을 제공하고 있다. 여기서는 사용자의 일상에 자연스럽게 녹아들 ‘AI PC’의 4가지 기능을 소개한다. 패스키 윈도우 헬로(Windows Hello)가 탑재된 PC가 윈도우 11 2023 업데이트를 받게 되면 를 사용할 수 있다. 패스키를 사용하면 앞으로는 비밀번호가 필요 없어질 수 있다. 윈도우 11 2023 업데이트에서는 가장 덜 매력적이지만 매우 유용한 기능이다. 예전에는 PC 앞에 앉은 즉시 비밀번호를 입력하느라 진땀을 흘려야 했다. 윈도우 헬로는 이런 불편함을 해소했다. 이제 윈도우 헬로가 브라우저나 비밀번호 관리자에 저장한 암호를 대체한다. 패스키가 바로 그런 역할을 한다. 마이크로소프트뿐 아니라 구글과 AWS도 지원하는 새로운 표준이다. 각 사이트마다 설정해야 하는 번거로움이 있지만, PC처럼 웹사이트가 사용자를 인식하는 방식은 매우 편리하다. 저장된 암호는 설정 앱(계정 > 암호 키)에서 관리할 수 있다. 코파일럿 기본적으로 빙챗에 추가 기능을 더한 것으로, 정확한 사용법을 몰라도 PC를 설정할 수 있도록 명령할 수 있다. 윈도우 11 2023 업데이트의 주요 기능이지만, 최고의 기능은 아니다. 하지만 코파일럿과 AI가 무엇을 할 수 있고 무엇을 할 수 없는지 이해하려면 한 번쯤은 꼭 사용해 보기를 바란다. 코파일럿 아이콘은 작업 표시줄의 검색 상자 바로 오른쪽에 위치하거나 win+C를 입력해 활성화할 수 있다. (마이크로소프트 엣지의 오른쪽 상단 모서리에도 비슷한 코파일럿 아이콘이 중첩되어 있는 것을 볼 수 있다. 엣지 버전은 챗봇이고, 윈도우의 코파일럿은 PC를 설정할 수 있다.) 아이콘을 클릭하면 화면 오른쪽에 사이드바가 열린다. ‘창의적’, ‘균형 잡힌’, ‘정확한’ 선택 항목은 빙챗과 큰 차이가 없다. 코파일럿은 빙을 검색 엔진으로 사용한다. 하지만 단순 검색 엔진으로 취급하지 말자. 정답이 아니라 의견과 분석을 찾는 도구로 사용하자. 그리고 창의성을 발휘하자. 오프라 윈프리의 가치가 어느 정도인지 물어볼 수도 있고, 윈프리가 버락 오바마 또는 타일러 페리보다 영향력이 더 큰지 질문해도 깨달음을 줄 것이다. “나는 40세이고 은행에 85,000달러가 있다. 은퇴 자금을 극대화하려면 어떻게 해야 할까?”라고 묻는다면 코파일럿은 웹을 검색하고 이런 수치를 AARP 은퇴 계산기에 입력한 후 전략을 제안할 것이다. 이 모든 것이 웹 페이지를 열지 않고 가능하다. 코파일럿이 항상 객관적으로 옳은 것은 아니지만, 각주와 링크를 통해 출처를 인용할 것이다. 또한 코파일럿은 사진 또는 이미지를 입력하면 이에 관한 질문에도 답한다. 이미지를 그려달라고 요청할 수도 있다. 코파일럿은 느린 것이 약점이다. 질문에 응답하는 데 몇 초가 소요될 수 있다. 이상한 이모티콘 외에도 특징이 없고 개성이 부족하다. 개인정보 보호 등 관련 정책에 따라 답변을 거부할 수도 있다. 대화는 단 30개의 응답으로 끝난다. 그리고 그 답변이 옳다고 100% 확신할 수도 없다. 검색 외에도 코파일럿에게 PC를 다크 모드로 설정하거나 스크린샷을 촬영하는 등 PC의 다양한 요소를 수정하도록 요청할 수 있다. 코파일럿은 자신이 무엇을 할 수 있는지 정확하게 알려주지 않기 때문에 불만족스러울 수 있다. (코파일럿에게 요청해도 그렇게 잘 작동하지 않는다.) 하지만 코파일럿은 반드시 알아야 하는 AI 도구이다. 그림판 2019년 그림판의 수명이 연장됐으며, 그 이후 마이크로소프트는 결국 그림판을 다시 부활시켰다. 2019년에 접근성 개선 기능이 추가된 이후로 그림판은 부흥기를 맞이하며 배경 제거, 투명도 및 레이어, 빙 이미지 크리에이터(Bing Image Creator)를 사용하는 AI 아트 도구인 코크리에이터(Cocreator)가 추가됐다. 그림판의 핵심은 여전히 그림이다. 크기를 변경하고 그림을 그리며 화살표를 추가하고 이미지 전반을 교정하는 기본적인 도구이다. 하지만 3가 최신 기능은 포토샵과 유사하다. 사진을 촬영하고 AI를 사용해 사진 속 대상을 선택하고 가져오며, AI 배경을 추가하고 새로운 예술 작품을 다시 만들 수 있다. 포토샵을 사용해 본 적 없는 사람에게는 직관적이지 않을 수 있지만, 간단한 기능이다. 그림판의 기조는 여전히 간결성이다. 윈도우 11 2023 업데이트는 생성형 AI 아트의 이점을 몇 가지 가져와 그림판에 적용한다. 개선의 여지는 있지만 흥미로운 추가 기능이다. 캡처 도구 캡처 도구는 접근성이 뛰어난 기능으로 개선됐다. 마이크로소프트의 스크린샷 도구(win+shift+S)이며, 화면을 사진이나 동영상으로 기록하는 2가지 용도로 사용할 수 있다. 많은 사람이 후자의 기능을 사용하지 않고 캔버나 클립챔프를 선호할 것이다. 하지만 비디오 녹화에 마이크 및/또는 시스템 오디오가 추가됐다. 자동화된 텍스트 추출 및 편집 기능도 제공한다. 스크린샷을 촬영하고 작은 텍스트 추출 버튼을 클릭하면 윈도우가 OCR을 사용하여 이미지에서 텍스트를 자동으로 복사한다. 필자의 테스트에서는 매우 잘 작동했다. 판매 회의 또는 학회에서 촬영한 사진에서 텍스트를 신속하게 기록하고 싶을 때 캡처 도구를 사용할 수 있다. 또한 캡처 도구는 공유하고 싶어 하지 않는 텍스트를 인식한다. 이 또한 인상적이다. 광범위하게 테스트하지는 않았지만 보고서 작성을 위한 출장 비용 파일을 보관할 때 개인정보를 삭제했다. 몇 가지 더… 윈도우 11 2023 업데이트는 이 외에도 많은 기능을 제공한다. 자세한 내용은 를 참고하자. 예를 들어, 게이밍에 관심이 있는 경우 다이나믹 라이팅(Dynamic Lighting)이 유용할 수 있으며, 생산성이 중요한 사람을 위한 파일 탐색기 개선 사항도 있다. editor@itworld.co.kr

VPN이 정말 익명성을 보장할까

생성형 AI로 더욱 강력해질 2024년 대규모 피싱 공격 동향

“영감이 샘솟는다” 오픈AI 데브데이에서 주목할 만한 새로운 툴 3가지

8비트두 레트로 키보드 리뷰 | “가성비+감성” 바라보는 것만으로도 즐겁다

“그림자 API의 역습” API 보안이 위험하다

삼성의 안드로이드 14 업그레이드에 대한 도발적 질문 3가지

디지털 디바이스 | 퍼스널 컴퓨팅 2023.11.03

“이젠 손색없는 미니 PC” 라즈베리 파이 5 공개

싱글 보드 컴퓨터 애호가를 위한 연말 깜짝 선물이 일찍 도착했다. 라즈베리파이 재단이 라즈베리 파이 4의 후속작을 발표했다. 첫인상은 상당히 멋져 보인다.  10월 말 출시되는 새로운 라즈베리 파이 5는 60달러 4GB 버전, 80달러 8GB 버전이다. 과거 사례를 보면 새로운 버전이 발표될 가능성은 높지 않아 보인다. 신제품 라즈베리 파이 5는 최근 추세에 맞춰 전력에 초점이 맞췄다. 2019년에 나온 라즈베리 파이 4에 비해 성능이 크게 개선됐는데, 특히 새로운 실리콘은 라즈베리파이 팀이 자체적으로 설계했다. 사양이 전반적으로 눈에 띄게 업그레이드된 이유다. 2.4GHz 암 코텍스-A76 CPU (쿼드 코어, 64-비트) 비디오 코어 VII GPU (OpenGL ES 3.1 지원, 벌칸 1.2)  듀얼 4K60 HDMI 출력 4K60 HEVC 디코더 듀얼-밴드 Wi-Fi 5 (802.11ac) 블루투스 5.0 / 블루투스 저전력 에너지 (BLE) 고속 마이크로SD 카드 인터페이스 (SDR104 모드 지원) USB 3.0 포트 (5Gbps 동시 작동 지원) 2개 USB 2.0 포트 2개  기가비트 이더넷(별도의 PoE+ HAT로 PoE+ 지원) 4레인 MIPI 카메라/디스플레이 트랜시버 2개 PCIe 2.0 x1 인터페이스 라즈베리 파이 표준 40핀 GPIO 헤더 실시간 시계 전원 버튼 애플리케이션 프로세서(보드의 전원을 공급하는 칩) 다이가 라즈베리파이 4의 28nm에서 라즈베리파이 5의 16nm으로 줄어드는 등 하드웨어 애호가라면 흥미로워할 부분이 많다. 아키텍처도 단일 설계에서 칩렛 설계로 바뀌었다. 전반적인 성능 향상은 숫자 '2'로 설명할 수 있다. 일단 메모리 대역폭이 4,267MT/s로, 라즈베리 파이 4의 2,000MT/s에 비해 빨라졌다. 또한 이전에는 4K60 디스플레이 하나 혹은 4K30 디스플레이 2개만 지원했지만, 이젠 최대 4K60 디스플레이 2개를 사용할 수 있다. 실용적인 변화도 있다. 예를 들어, 새 제품의 보드에는 히트 싱크를 장착할 수 있는 구멍, 실시간 시계에 전원을 공급하는 코인형 배터리 커넥터가 달려 있다. 또한 모든 라즈베리 파이 팬이 같지는 않겠지만, 필자는 솔직히 전원 버튼이 하드웨어 업데이트만큼 흥미롭다.  더 자세한 정보는 라즈베리 파이 재단의 을 참고하면 된다. 라즈베리 파이 5의 액세서리 또한 풍부해졌다.  공식 케이스에는 이제 통합 팬이 포함돼 있으며 SD 카드를 먼저 꺼낼 필요 없이 보드를 삽입할 수 있게 수정됐다. 뚜껑을 제거해 다른 케이스 혹은 애드온 보드(공식적으로 HAT 혹은 ‘상단에 부착된 하드웨어’라고 함)를 더 쉽게 쌓을 수 있다. 라즈베리파이 4의 5달러 케이스에 비해 10달러가 더 많이 들지만 전반적인 가성비는 오히려 좋아졌다. 이제 라즈베리 파이 5 칩용 액티브 쿨러도 구매할 수 있다. 이 쿨러는 패시브 방열판 세트와 같은 가격인 5달러로 보드에 추가할 수 있는 사랑스럽고 저렴한 제품이다. 보드를 푸시 할 경우 필요하다. 일반적으로 더 전력 소모가 적고 효율적이나 라즈베리파이 5의 애플리케이션 프로세서를 한계까지 밀어붙이면 라즈베리 파이 4의 8W 대비 더 높은 약 12W에 도달한다. 현재 구형 라즈베리파이 전원 공급장치를 사용 중이라면 12달러짜리 새로운 27W(5V, 5A) 전원 공급장치로 업그레이드하는 것을 추천한다. 이전의 15W(5V, 3A) 모델의 경우 USB 포트에 공급되는 전류가 600mA로 내려가기에 더는 사용할 수 없다. 27W 버전의 경우 USB 전류가 1.6A에 도달하고 보드에 추가로 5W의 전력을 공급해 오버클러킹에 사용 가능하다. 아직 끝나지 않았다. 새로운 HAT가 출시될 예정인데, 그 중에서도 가장 기대를 모으는 것은 NVMe SSD(혹은 모든 M.2 모듈)를 사용할 수 있는 M.2 HAT이다. 즉, 라즈베리 파이 5는 고성능 컴퓨팅에 더 가까워지고 있다는 의미다. 희소식이 하나 더 있다. 그동안 많은 사용자가 라즈베리 파이 4 공급 문제에도 인내심을 가져준 것에 대한 감사의 표시로 라즈베리 파이 재단이 연말까지 개인에게 우선 판매할 예정이라는 것이다. 미국과 영국의 일부 소매업체는 이미 라즈베리파이 5의 사전 주문을 받기 시작했다. 라즈베리 파이 5는 사양만 봐도 상당히 기대되는 제품이다. 라즈베리파이 5 출시에 앞서 새로운 공식 운영체제도 나온다. '라즈베리 파이 OS'라고 불리는 이 운영체제는 리눅스 데비안 배포판과 수년간 존재해 온 라즈베리 파이 OS 파생 버전을 기반으로 한다. 최신 라즈베리 파이가 엄청난 변신을 예고하고 있다.  editor@itworld.co.kr

“클라우드 자산을 더욱 안전하게” 현명한 CSPM 도구 선택 가이드

“중급 스마트폰 대표주자” 삼성 갤럭시 A34 vs. 구글 픽셀 6a 비교

BOSSIE 2023 | 올해 최고의 오픈소스 소프트웨어 25선

WD 블랙 SN770M 리뷰 : "스팀 덱 교체에 딱"인 고속·대용량 SSD

스냅드래곤 X 엘리트의 오라이온 PC로 내비친 '퀄컴의 자신감' 해부하기

“너무 빠르게 발전해도 문제” 기술 혁신이 보안 위협이 된 10가지 사례

퍼스널 컴퓨팅 2023.10.25

“이것저것 따져봐도…” AMD 라이젠 7000 시리즈를 사야 하는 5가지 이유

AMD는 라이젠 7000(코드명 라파엘) 및 라이젠 7000X3D(라파엘-X) 시리즈의 데스크탑 프로세서 포트폴리오를 훌륭하게 완성했다. AMD의 CPU는 게임뿐 아니라 많은 프로덕션 애플리케이션에서 성능 우위를 유지하고 있다. 여기서는 AMD의 라이젠 7000 및 7000X3D 시리즈 CPU를 구매해야 하는 결정적인 이유 5가지를 살펴본다. 이유 1 : 성능 AMD는 현재 4세대 젠(Zen) 마이크로 아키텍처를 통해 큰 도약을 이뤘다. 이전 세대보다 성능이 크게 향상됐다. 라이젠 5000(젠 3)에서 라이젠 7000(젠 4)으로 전환할 때 얻을 수 있는 성능 향상은 인상적이며, 그 수치는 거짓이 아니다. 가령 단일 코어 성능, 즉 프로세서 코어당 성능 측면에서 라이젠 9 7950X는 바로 이전 모델인 라이젠 9 5950X보다 20% 더 뛰어난 성능을 발휘할 수 있다. 모든 프로세서 코어에 걸친 성능인 멀티스레드 성능 영역에서 젠 4 CPU는 말 그대로 젠 3 CPU를 압도한다. 성능 향상은 독일 PCWorld에서 진행한 를 통해 명확하게 확인할 수 있다. 싱글 코어 성능: +20% 멀티스레드 성능: +35% 720p 해상도에서 수행된 벤치마크에서 알 수 있듯이, 라이젠 7000 시리즈의 각 모델은 게임에서도 이전 모델 라이젠 5000 시리즈보다 확실히 앞서 있다. 특히 라이젠 7000X3D 시리즈의 최상위 모델은 인텔의 CPU에 기회를 주지 않고 AMD CPU가 지키고 있는 ‘게이밍 왕좌’를 공고히 한다. 성능 면에서는 현재 AMD를 따라올 방법이 없다. 이유 2 : 전력 효율성 현재의 CPU는 유휴 모드 또는 저부하 환경에 모두 최적화되어 있으며, 전력을 거의 소비하지 않는다. 그러나 AMD는 게임과 전부하(full-load) 시나리오에서도 앞서간다. 현재 시중에서 가장 빠른 게이밍 CPU인 라이젠 9 7950X3D의 최대 전력 소비량은 사이버펑크 2077(Cyberpuck 2077)과 같은 최신 AAA 게임에서 80W다. 반면 코어 i9-13900K는 최대 160W 이상을 소비한다. AMD CPU는 인텔의 코어 i 시리즈보다 훨씬 더 효율적이다. 생산성 애플리케이션과 시네벤치(Cinebench) R23과 같은 합성 벤치마크에서 젠 4 아키텍처의 효율성 이점은 매우 분명해진다. 최대 부하 시 라이젠 9 7950X3D의 전력 소비량(패키지 전력)은 130~140W, 코어 i9-13900K는 300W 이상을 소비하므로 전력 소비량이 2배 이상 차이 난다. 독일 PCWorld의 2023년 대규모 CPU 비교 측정 결과에서도 성능으로 측정한 효율성이 가장 높은 프로세서는 라이젠임을 알 수 있다. 이유 3 : 가격 대비 성능 가격 대비 성능만 놓고 봐도 AMD 라이젠 7000 및 7000X3D 시리즈 CPU가 우위를 차지한다. AMD 라이젠 7 7800X3D 및 인텔 코어 i7-13700K는 현재 가격 측면에서 절대적으로 동등하다. 이런 경우라면 성능과 효율성이 더 뛰어난 라이젠 7000 또는 라이젠 7000X3D를 구입하는 것이 유리하다. 이유 4 : 업그레이드 가능성 라이젠 7000 및 7000X3D 시리즈 프로세서가 탑재된 AM5 플랫폼은 2022년 9월 출시됐다. AMD는 새로운 아키텍처를 포함해 최소 2026년까지는 AM5를 지원할 것으로 보인다. 현재 라이젠 7000을 향후 2세대 라이젠 8000 및 라이젠 9000으로 여전히 업그레이드할 수 있다는 의미다. 젠 5, 아마 젠 6도 AM5 플랫폼에서 실행할 수 있게 될 것이다. 자세한 내용은 AMD의 소켓 로드맵에서 확인할 수 있다. 이유 5 : 다양한 기능 세트 메모리를 위한 AMD EXPO(Extended Profiles for Overclocking), 그래픽 카드에 직접 액세스할 수 있는 AMD SAM(Smart Access Memory) 및 리눅스용 오픈소스 드라이버와 같은 기술을 포함한 개방형 기능 세트도 AMD의 CPU를 선택하게 만드는 대표적인 이유다. editor@itworld.co.kr

“이렇게 좋은데 가격까지 착하다” 고주사율 모니터를 지금 구매해야 하는 이유

요즘 핫한 커리어 스킬, ‘프롬프트 엔지니어링’ 현황과 전망

윈도우 보안을 한층 강화하는 고급 사용자용 해킹 도구 7선

아이폰 15 플러스 리뷰ㅣ크고 매력적인 ‘절충안’

14세대 랩터 레이크 리프레시 "성능 개선은 미미, AI 활용이 특징"

“영화 ‘원더우먼’ 제작에도 썼다” 알짜 오픈소스 프로그램 22가지

1/2

개발자 / 기업 문화 Chandra Gnanasambandam, Martin Harrysson

기고 | 소프트웨어 개발자의 생산성을 측정하는 방법

소프트웨어 개발자의 효율성을 측정하는 것은 수십 년 동안 불가능한 것으로 여겨졌다. 두 명의 맥킨지 컨설턴트는 개발자가 개발자의 생산성을 측정할 수 있는 방법을 소개한다. 우리는 다양한 산업 분야의 많은 기업과 협력한 결과, 소프트웨어 개발자의 생산성을 측정할 수 있는 방법을 찾았다. 3년 전, 맥킨지는 440곳 대기업의 개발자 속도를 분석했다. 그 결과 소프트웨어 개발자의 성과와 회사의 성공 사이에는 분명한 상관관계가 있다는 사실이 밝혀졌다. 이는 IT 기업뿐만 아니라 다른 분야에도 적용된다. 전 세계 소프트웨어 엔지니어의 약 절반이 IT 산업이 아닌 다른 산업군에서 일한다. 현재 전 세계적으로 약 2,700만 명의 개발자가 있으며, 440만 명이 미국에 있다. 미국 노동통계국은 2021년부터 2031년까지 이 숫자가 25% 더 증가할 것으로 예측하고 있다. 생성형 AI의 급격한 확산을 고려하면, 개발자 수요는 훨씬 더 커질 것이다. 성과와 직결되는 개발자 생산성 이런 조사 결과를 종합하면, 관리자는 소프트웨어 개발 인재를 가장 잘 활용할 수 있는 방법을 정확히 알아야 한다는 결론에 도달할 수 있다. 오늘날의 소프트웨어 개발은 창의적인 과정일 뿐만 아니라 협업 과정이기도 하므로 이는 쉽지 않은 일이다. 노력과 수익 간의 합리적인 관계를 보장하는 것은 결코 쉬운 일이 아니다. 이미 많은 기업이 시스템, 팀, 개인의 생산성을 측정하는 데 실패했다. 배치 빈도와 같은 알려진 지표는 팀의 생산성을 추적하는 데 도움이 될 수 있지만, 개인의 생산성을 추적하는 데는 도움이 되지 않는다. 하지만 우리는 개발자의 생산성을 측정하는 일이 가능하다고 생각한다. 특히 맥킨지는 이미 이 작업을 수행하고 있는 20여 곳의 IT, 금융 및 제약 회사와 협력하고 있다. 아직 100% 신뢰할 수 있는 결과는 얻은 것은 아니지만, 유망한 결과이다. 맥킨지의 계산에 따르면, 이들 기업은 개발자의 생산성을 측정하고 개선해 오류율을 평균 20~30% 줄이고 고객 만족도를 60%까지 높일 수 있었다. 개발자의 생산성을 측정하는 방법 우선, 구글과 마이크로소프트에서 개발한 두 가지 지표, 즉 소프트웨어 배치 처리량과 안정성을 측정하는 DORA(DevOps Research and Assessment)와 개발자의 개별 생산성을 측정, 이해 및 개선하기 위해 설계된 프레임워크인 SPACE(Satisfaction, Performance, Activity, Communication/Collaboration and Efficiency)를 활용한다. 맥킨지는 이들 지표를 다음과 같은 네 가지 '기회 지향 지표'로 보완했다. 내부 루프 및 외부 루프에 소요된 시간. 내부 루프는 코딩, 빌드, 단위 테스트 등 소프트웨어 제품 개발과 직접 관련된 활동을 포함한다. 외부 루프는 코드를 프로덕션 환경으로 이전하는 것과 관련된 활동으로, 통합, 테스트, 릴리스, 배치 등을 말한다. 개발자가 내부 루프에 더 많은 시간을 할애할수록 생산성이 높아지는데, 상위 기업의 경우 이 비율이 70%에 달한다. 개발자 속도 지수(Developer Velocity Index, DVI) 벤치마킹. 사내 프랙티스를 다른 회사 또는 경쟁사의 프랙티스와 비교함으로써 개선해야 할 영역을 파악할 수 있다. 백로그 관리, 테스트 또는 보안 및 규정 준수 등이 이에 해당한다. 개발자 기여도 분석. 팀이 백로그에 어떤 기여를 하고 있는지 평가한다. 백로그 관리를 측정하는 지라(Jira) 같은 툴을 사용해 성과 향상을 방해하는 부정적인 흐름을 파악할 수 있다. 작업 환경을 개선하고 자동화 수준을 높이거나 팀원 개개인의 기술을 최적화할 방법을 보여줄 수도 있다. 예를 들어, 한 회사는 자사의 최고 개발자들이 코딩 이외의 활동에 너무 많은 시간을 소비하고 있다는 사실을 깨달았고, 모든 개발자가 자신이 가장 잘하는 일에 집중할 수 있도록 운영 모델을 변경했다. 인재 관리. 인재 관리의 목표는 직원들이 각자의 재능과 선호도에 따라 배치하는 것이다. 업계 표준 역량 맵을 사용해 조직의 기존 지식, 기술 및 능력을 가시화할 수 있는 점수를 만들 수 있다. 이를 통해 격차와 약점을 파악할 수 있다. 예를 들어, 한 고객사는 경험이 부족한 개발자를 너무 많이 고용하고 있다는 사실을 깨달았다. 이 문제를 해결하기 위해 맞춤형 학습 프로그램을 제공했고, 개발자의 30%가 6개월 이내에 다음 단계의 역량에 도달했다. 이런 접근법은 DORA 및 SPACE와 함께 소프트웨어 생산성에 대한 차별화된 관점을 가능하게 한다. 또한 개발자에게 동기를 부여할 수 있는 방법, 적절한 툴와 전문 지식을 보유하고 있는지, 시간을 어떻게 사용하는지, 팀 구성이 최적화된 상태인지 등을 파악할 수 있다. 성공의 증거는 없지만 명확한 지표 개발자 생산성 측정은 여전히 논란의 여지가 있는 주제이며, 많은 전문가가 우리의 시도를 부정적으로 생각한다는 것도 알고 있다. 하지만 맥킨지와 긴밀하게 협력하는 20개 기업은 이에 동의하지 않는다. 우리는 소프트웨어 개발이 측정이 불가능할 정도로 복잡하고 신비롭다고 생각하지 않는다. 오히려 업데이트를 코딩하고 구현할 때 생성형 AI 도구를 사용하면 얼마나 개선되는지 꽤 잘 예측할 수 있다. 여기서 설명한 개발자 생산성 측정 시스템은 아직 완벽하지 않다. 우리는 개선해야 할 부분에 대한 건설적인 비판을 언제나 환영한다. 하지만 소프트웨어 개발의 중요성이 날로 커지고 인재 확보 경쟁이 치열해지는 상황에서 복잡하다고 미뤄두기에는 너무나 중요한 주제이다. *Chandra Gnanasambandam와 Martin Harrysson은 맥킨지 실리콘 밸리 오피스의 수석 파트너이다. editor@itworld.co.kr

개발자 7일 전

기고 | 소프트웨어 개발자의 생산성을 측정하는 방법

개발자

윈도우 7일 전

글로벌 칼럼 | ‘앱으로서 윈도우’ 시대 열린다

윈도우 앱

디지털 디바이스 2023.11.24

블로그 | 애플의 실수와 실패의 역사, 그냥 버리기엔 너무 아까운 실패들

애플

맥OS 2023.11.21

블로그 | 애플 엔지니어도 안 쓰는 M2 울트라 맥 프로

맥 프로

AIㆍML / 글로벌 트렌드 Preston Gralla

글로벌 칼럼 | 빅테크가 미 바이든 대통령의 AI 행정명령을 환영하는 이유

지난달 바이든 미국 대통령은 안전 및 보안 조치부터 편견과 시민권 관련 문제, 생성형 AI 생산 방식에 대한 감독에 이르기까지 모든 것을 다루는 광범위한 행정 명령을 발표했다. 겉으로 보기에는 포괄적이고 강력한 행정명령이다. 하지만 실제로 그런 영향력을 발휘할지는 의문이다. 마이크로소프트는 다른 대형 생성형 AI 개발업체와 마찬가지로 이번 행정명령을 환영했다. 마이크로소프트 부회장 브래드 스미스는 "AI 기술 거버넌스에 있어 또 하나의 중요한 진전이다. 우리는 미국 정부와 협력해 이 새로운 기술의 힘과 가능성을 완전히 실현할 수 있기를 기대한다”라고 밝혔다. 마이크로소프트만이 아니다. 다른 대형 AI 업체의 임원들도 환영의 뜻을 밝혔다. 이유는 무엇일까? 뉴욕타임즈는 "마이크로소프트, 구글, 오픈AI, 메타 같은 업체 임원들은 모두 미국이 기술을 규제할 것으로 기대한다고 말했고, 놀랍게도 일부는 다소 안도하는 모습도 보였다. 기업은 강력한 AI 시스템이 남용될 경우 발생할 기업의 책임을 걱정하고 있다. 그리고 일부는 AI 기반 제품이 정부의 승인을 받아 소비자의 우려가 완화되기를 바란다”라고 분석했다. 여기서 근본적인 질문이 남는다. 브래드 스미스와 다른 IT 업체 임원들이 정부 규제를 지지한다는 것은 AI가 책임감 있는 방식으로 배포될 것이라는 확신을 가질 수 있다는 의미인가? 아니면 그들이 원하는 것을 할 수 있도록 혼자 남겨질 것이기 때문에 Biden의 행동에 만족할까요? 이 질문에 답하려면 먼저 이번 행정명령의 세부 내용을 살펴봐야 한다. 규제되지 않은 AI와 정면대결. 바이든 대통령은 행정명령을 내린 이유에 대해 "AI의 약속을 실현하고 위험을 피하려면 이 기술을 관리해야 한다. 다른 방법은 없다"고 솔직하게 말했다. 미국 대통령은 흔히 행정명령으로 진지한 조처를 하는 것처럼 보여줘 정치적으로 점수를 따는 수단으로 사용한다. 하지만 이번에는 다르다. 생성형 AI 규제는 이 기술을 마음대로 개발하도록 하면 일어날 수 있는 심각한 피해에 대한 면밀한 연구 분석을 기반으로 한다. 그런 위험성 주위에 방어막을 세우도록 설계한 것이다. 이번 기준은 안�