Offcanvas
Some text as placeholder. In real life you can have the elements you have chosen. Like, text, images, lists, etc.
Offcanvas
1111Some text as placeholder. In real life you can have the elements you have chosen. Like, text, images, lists, etc.

인공지능

“딥페이크, 10년 안으로 광고 및 미디어에서 널리 사용될 것”

4개 대학 연구팀에 따르면, ‘딥페이크’가 10년 이내에 메인스트림 미디어 및 광고에서 널리 사용될 것이며, 개인화된 광고의 다음 단계를 제공할 수 있을 전망이다. ‘딥페이크 및 AI 생성 광고 시대를 위한 준비: 조작된 광고에 대한 반응을 이해하기 위한 프레임워크(Preparing for an Era of Deepfakes and AI-Generated Ads: A Framework for Understanding Responses to Manipulated Advertising)는 딥페이크를 쓸 가능성이 높은 기업과 마케터의 사용 방식에 관한 새로운 연구다. 샌디에이고 대학교, 멜버른의 스윈번 기술 대학교, 브리티시 컬럼비아의 빅토리아 대학교, 런던 킹스 칼리지의 교수 4명이 공동 작성했다.   연구팀은 현재까지 합성 방식으로 제작된 콘텐츠는 대부분 사용자, 일반적으로 인공지능(AI)으로 자신의 능력을 보여주려는 기술 전문가에 의해 생성됐다고 언급했다. 지금까지 나온 합성 콘텐츠는 분명히 가짜로 보인다. 제작자는 창작물의 진위를 소비자에게 확신시키거나 속이기보다는 유머 그리고 딥페이크 기술 시연을 목표로 할 가능성이 더 높다.  하지만 광고주가 결국 실제와 구별할 수 없는 딥페이크를 생성할 수 있게 될 것이라는 데 연구팀은 의심의 여지가 없다고 말했다. 이는 좋은 것이기도 하고 나쁜 것이기도 하다.  샌디에이고 대학교의 마케팅 및 광고 분야 디지털 혁신 연구팀 소속 부교수 콜린 캠벨은 “모델을 완전히 생략하고 소비자가 옷을 입은 모습을 보여주는 광고를 상상해보라. 2002년 영화 마이너리티 리포트(Minority Report)의 미래형 광고와 유사하다”라고 설명했다.  이어 캠벨은 “소비자가 광고에서 자신과 비슷한 사람을 볼 때 더욱더 긍정적인 효과가 있다는 연구 결과가 많다. 가령 브랜드는 소셜 미디어, 매장에 설치된 센서, 로열티 프로그램 등에서 추출한 데이터를 기반으로 집이나 직장 근처의 광고판에 소비자의...

딥페이크 인공지능 GAN 2일 전

"업무 자동화, 직원 무시하면 위험 요소로 작용할 것"

액센츄어(Accenture)의 전 세계 자동화 부문 책임자 겸 오토메이션 어드밴티지(The Automation Advantage)의 공동 저자 라젠드라 프라사스에 따르면 직장에서의 자동화는 새로운 게 아니다. 지난 수십 년 동안 기업들은 RPA에 몰려들어 일상적인 비즈니스 작업을 자동화했다. 이를 통해 운영을 간소화하고, 오류를 줄이며, 비용을 절감했다.  이제 기업들은 지능형 자동화로 눈을 돌려 핵심 비즈니스 프로세스를 자동화해 수익을 높이고, 효율적으로 운영하며, 탁월한 고객 환경을 제공하려고 하고 있다. 지능형 자동화는 머신러닝, 인공지능, 인지 기술(예: NLP 등)을 사용하여 더 복잡한 프로세스를 처리하고, 더 나은 비즈니스 의사결정을 안내하며, 새로운 기회를 제공하는 스마트한 버전의 RPA라고 프라사스는 말했다.    뉴스위크의 소셜 미디어 부문 책임자 마크 뮤어는 소셜 미디어 관리를 자동화했다며 “이전에는 소셜 미디어 게시물을 모두 수동으로 관리했다. 이를테면 ‘수동으로’ 소셜 페이지에 새로운 이야기를 공유하고, 재활용할 콘텐츠를 파악하며, 다양한 전략을 테스트했다. 자동화된 접근 방식으로 전환한 결과 이러한 프로세스에 훨씬 더 적은 시간을 할애한다”라고 설명했다.  이어 뮤어는 “에코박스(Echobox)의 자동화를 사용하여 어떤 콘텐츠를 소셜 미디어에 공유할지 결정하고, 아울러 게시 방법과 시기를 최적화해 최대한 많은 사용자가 볼 수 있도록 한다. 이를 통해 독자에게 집중하고, 독자를 참여시키는 새로운 방법을 찾는 데 더 많은 시간을 투자하고 있다”라고 전했다. 자동화에 적합한 비즈니스 프로세스 IT 서비스 제공업체 엠파시스(Mphasis)의 글로벌 딜리버리 책임자 라비 베산트라지는 자동화에 적합한 비즈니스 프로세스의 특징을 다음과 같이 소개했다.    • 명확한 단계가 있으며 정형 데이터, 디지털 또는 비디지털 데이터를 처리하는 프로세스  • 수동 인력으...

IT 전략 커리어 IT 스킬 2022.11.22

"AI가 인재를 찾는 법" 행동 인텔리전스와 HR의 만남

2021년 DIHK 보고서에 따르면, 독일 기업의 절반이 장기적인 결원 보충에 어려움을 겪고 있다. 이 문제는 2030년까지 계속 나빠질 전망이다. 독일 연방고용청(BA)에 따르면, 그때까지 독일의 고용 인구가 360만 명 감소하기 때문이다. 인력 공백을 채워야 하는 기업 HR 부서가 받는 압박은 계속 증가하지만 새로운 직원을 찾는 것으로는 충분하지 않다. 이미 전 세계에서 “대퇴직(Great Resignation)”과 “조용한 사직(Quiet Quitting)”을 보고하는 기업이 늘고 있다. 이직하거나 조용히, 때로는 고용주 모르게, 급여를 다 받지도 않고 퇴사하는 직원이 증가하고 있다.    고용주 입장에서는 면접에서 지원자의 동기와 성격, 해당 직책을 위한 소프트 스킬, 그리고 회사 문화에 잘 맞을지 여부를 정확히 평가하는 데 관심을 기울여야 하는데, 쉽지 않은 일이다. 사람들은 타인의 행동을 평가할 때 객관적이지 않고 자신의 직감을 따르기 때문이다. 참고할 수 있는 잘 정돈된 데이터도 부족하다.    채용과 교육을 위한 가상 도우미  이 부분에서 행동 인텔리전스 플랫폼이 이용된다. 행동 인텔리전스 플랫폼은 비디오 기반 애플리케이션으로, 지원자를 면접실 또는 시뮬레이션 작업 환경에 배치해 AI를 통해 이들의 행동을 완전히 자동으로 분석한다. 지원자의 소프트 스킬과 성격 패턴을 인식하고 이를 직무 요건과 결합해 비교한다. 지원자가 직책에 맞는 자질을 갖췄고 단기, 중기, 장기적으로 기업 문화에 맞춰 나갈지 여부를 조기에 파악할 수 있다. AI 결과는 의사 결정을 위한 부가적인 근거를 제공하고, HR 관리자와 채용 담당자를 지원한다. 담당자는 지원자가 많을 때 신속하게 지원자를 파악하고 AI의 분석 결과와 자신의 평가 결과를 비교할 수 있다.  예를 들어, AI는 5가지 성격 특성 모델을 기반으로 작동하는데, 국제적으로 통용되는 이 과학적 모델에는 다음과 같은 5가지 요소가 포함된다.  &n...

인공지능 채용 HR 2022.11.22

'딥페이크와 AI가 가져올 변화' 합성 미디어에서 눈을 떼지 마라

앞으로의 10년은 AI가 영상, 소리, 글의 창작을 개선하고 가속화하는 기간이 될 것 같다. 향후 몇 년간 비즈니스에 영향을 미칠 가장 큰 기술 트렌드는 ‘합성 미디어(Synthetic media)’다. 물론 아직은 회의실과 줌 회의에서 거의 언급되지 않는 용어이기는 하다. 그렇다면 지금부터 합성 미디어가 무엇인지, 그리고 이것이 왜 그렇게 영향을 미칠지 살펴보도록 하자.    합성 미디어는 인공지능(AI)의 도움을 받아 생성되는 모든 종류의 영상, 사진, 가상 객체, 소리, 글을 말한다. 이 카테고리에는 딥페이크 콘텐츠, 텍스트 명령어를 입력해 AI가 생성하는 예술, 가상현실 및 증강현실 환경의 가상 콘텐츠, 기타 새로운 콘텐츠 유형이 포함된다.  지금까지 많은 합성 미디어 도구는 학술 연구 또는 제한된 베타 기술로 시작됐다. 하지만 이제 비즈니스, 마케팅, 미디어 그리고 인간 문화에 엄청난 영향을 미치는 단계가 다가오고 있다. 그 변화가 얼마나 거대할까? ‘딥페이크: 인포칼립스가 오고 있다(Deepfakes: The Coming Infocalypse)’의 저자이자 합성 미디어 애널리스트 니나 쉬크는 저서에서 “4년 이내에 모든 온라인 콘텐츠의 약 90%가 합성 미디어일 것”이라고 예상했다.  이러한 전망에는 그럴 만한 이유가 있다.  기업은 일반적으로 디자인, 마케팅, 커뮤니케이션, 창의성을 필요로 한다. 합성 미디어는 이 모든 영역에서 혁명적인 변화를 주도하고 가속화해 프로토타이핑, 창의적인 콘텐츠, 향상된 커뮤니케이션 및 디자인에 박차를 가할 것이다.  미래학자는 AI가 인력을 대체할 것인지 아니면 증강할 것인지 수십 년 동안 논의했다. 합성 미디어는 인간의 역량을 확장하고, 인간이 새로운 수준의 성과에 도달할 수 있는 도구를 제공하는 ‘증강’ 지점을 나타낸다.  이를테면 브랜드의 얼굴 역할을 할 대변인, 마스코트, 연예인을 둘 필요가 없다. 합성 인간을 직접 만들거나 빌리면...

합성 미디어 가상현실 혼합현실 2022.11.03

인텔, 전분기 대비 순익 85%↓ “인력 최적화 진행할 것”

인텔이 몸집 줄이기에 나선다. 2025년까지 매년 100억 달러까지 연지출을 줄일 계획이라고 밝혔다.   인텔은 지난 3분기에 15억 3,000만 달러까지 매출이 감소했다고 밝혔다. 같은 기간 순이익 또한 10억 달러로 85% 대폭 하락했다. 이전 분기에도 인텔의 매출은 22% 감소했다. 인텔이 올해에만 연 매출 지표(63억 달러 )를 밑돈 것은 두 번째이다. 지난 분기 예상 매출 감소분은 65~68억 달러로, 이는 원 매출 지표보다 76억 달러 낮다.  암울할 정도로 낮은 순이익에 따라 인텔은 내년에 비용을 30억 달러감축을 목표로 2025년까지 연간 절감액을 80~100억 달러까지 늘리겠다고 밝혔다. EIIR컨설팅(EIIRTrend & Pareekh) CEO 파리크 제인은 “인텔이 비용을 줄이면 수익과 주당순이익(EPS)이 늘고 주가도 끌어올릴 수 있을 것”이라면서도 “PC와 서버 품목에 지나치게 의존하는 것이 가장 문제”라고 지적했다. 또 “인텔은 모바일 분야에 진입조차 하지 못했다”라며 “GPU와 인공지능(AI) 칩에서도 엔비디아에 추월당했으며 서버 칩에서는 AMD에 뒤진다”라고 덧붙였다.  비용 절감 기조는 또한 수천 명에 달하는 인텔 인력의 20%에도 영향을 미칠 수 있다. 인텔 CEO 팻 겔싱어는 지난 목요일 컨퍼런스 콜에서 인력 감축이 거론되기는 했지만, 구체적으로 논의된 사항은 없다고 답변했다. 하지만 겔싱어는 “(매출 정상화를 위한) 노력의 일환이라고 밝혔다.  인텔의 PC 칩 사업을 담당하는 클라이언트 컴퓨팅 그룹(CCG)의 매출은 81억 2,000만 달러로 17% 감소했다. 가트너에 따르면 지난 2년간 PC 산업은 팬데믹으로 고속 성장했지만, 3분기 PC 출하는 20%가량 감소했다.  물론 PC 수요 감소는 경쟁사에도 타격을 입히고 있다. 그러나 인텔은 수요 변화에 가장 많이 흔들린 것으로 나타났다.  이런 상황에서도 인텔은 데이터센터 및 AI 연산을 담당하는 최첨단...

인텔 AMD 인공지능 2022.10.31

오라클-엔비디아, 인공지능 처리 강화 위해 ‘맞손’

오라클과 엔비디아가 파트너십을 확장해 인공지능(AI) 서비스 강화에 나선다.    오라클의 클라우드 서비스인 OCI(Oracle Cloud Infrastructure)는 엔비디아의 GPU 수만개를 추가해 인프라를 강화할 계획이다. GPU에는 현재 출시된 암페어 A100과 함께 출시 예정인 호퍼 H100이 다. 이와 함께 엔비디아의 AI 학습 및 딥러닝 기능을 지원하는 소프트웨어 제품군이 추가된다.  출시가 예정된 엔비디아의 AI 엔터프라이즈(Nvidia AI Enterprise) 소프트웨어도 추가된다. AI 엔터프라이즈는 자사의 AI 개발·배치 플랫폼과 연결할 수 있다. 플랫폼에는 데이터 처리와 AI 모델 학습에서 시뮬레이션·대규모 배치 등 AI 워크플로우의 각 단계를 처리하는 엔진을 제공한다.  오라클 CEO 사프라 카츠는 ”이번 확장을 통해 두 회사의 전문성을 살려 헬스케어·제조에서 텔레커뮤니케이션·금융 서비스 등 전 산업에 종사하는 고객사에 최상의 서비스를 전달하겠다”라고 말했다.  이와 함께 오라클은 엔비디아의 OCI 아파치 스파크 서비스에서 구동되는 아파치 스파크 데이터 처리용 RAPIDS 가속 서비스의 얼리 액세스를 지원할 계획이다. 엔비디아의 헬스케어 AI·HPC 애플리케이션 프레임워크인 클라라(Clara) 또한 출시될 예정이다.  한편 오라클은 기존 온프레미스 상품과 제살 깎기 경쟁을 하지 않고자 자사의 클라우드 상품을 천천히 개발했다. 시너지(Synergy) 리서치 그룹에 따르면 오라클의 퍼블릭 클라우드 시장 점유율은 2% 그쳤지만, 클라우드 매출 성장률은 전체 시장 성장 속도와 다르지 않다.  존 딘즈데일 시너지 최고연구원은 “확실히 오라클은 현상 유지를 목표로 하고 있지만, 이전에 비해 지난 4분기에 OCI 구축을 위한 투자를 두 배로 늘린 것도 사실”이라며 그 정도 지출은 처음 봤다고 말했다. 그러면서 그는 “하지만 같은 선상에서 마이크로소프트와 구글은 오라클의 자...

오라클 엔비디아 인공지능 2022.10.25

“없으면 만들어 쓴다” AI 학습용 데이터 기술·시장 현황 - Tech Report

뛰어난 인공지능(AI)을 만들려면 뛰어난 데이터가 뒷받침되어야 한다. 사람도 어떤 지식을 쌓기 위해 책과 참고서를 살펴보듯이, AI도 그 성능을 높이려면 학습용 데이터가 필요한 것이다. 그런 의미에서 AI를 위한 참고서, 즉 AI가 이해하는 방식과 수준으로 가공한 데이터를 ‘AI 학습용 데이터’라고 부른다. 인공지능 시장이 커지면서 이제 AI 학습용 데이터 생태계 규모도 커지고 있으며, 국내 시장에만 700개 이상 업체가 AI 학습 데이터 플랫폼을 운영하고 있다. 각 기업의 운영 전략도 각양각색이다. 자동화 기술을 활용해 데이터 라벨링의 생산성을 높이는 곳도 있고, 합성 데이터로 부족한 데이터를 채워주는 업체도 있다. 익명 및 가명 데이터의 라벨링 기술도 점점 고도화되고 있다. 국내외 AI 학습용 데이터 시장의 현재 모습은 어떠한지 확인해보자.  주요 내용 - 인공지능 개발의 첫 단추, 데이터 라벨링 - 데이터 라벨링 시장에 부는 자동화 바람  - ‘데이터 부자’ 페이스북도 인수한 ‘합성 데이터’ 스타트업 - 가짜 데이터라서 더 쓸모가 있다는 합성 데이터 - 익명 및 가명 데이터의 진화

데이터라벨링 인공지능 합성데이터 2022.10.12

아크릴, 고성능 인공지능 구축 가능한 ‘조나단 연합 학습’ 기능 공개

인공지능(AI) 전문 기업 아크릴은 멀티 GPU를 기반으로 한 통합 인공지능 개발 플랫폼 ‘조나단 플라이트베이스(Jonathan Flightbase)’의 연합 학습(Federated Learning) 기능을 개발 완료했다고 밝혔다.    연합 학습 기능의 핵심은 기관들의 데이터 자산의 이동 없이 인공지능 학습 과정에 이용하는 것이었다. 아크릴이 개발한 연합 학습 기능은 분산된 각 기관에서 독립적으로 학습된 인공지능 학습 결과들을 최적의 비율로 합성한다. 아크릴은 이 과정에서 조나단 플라이트베이스의 독자적인 ‘최적 파라미터 검색(OHPS, Optimal Hyper-Parameter Search)’ 기술을 적용해 최고 성능의 인공지능 모델이 자동적으로 합성될 수 있도록 지원했다고 설명했다.  고유한 데이터를 보유한 다수의 기관에서 공통적으로 사용될 하나의 인공지능 개발 시, 중앙의 개발 서버로 각 기관들의 데이터를 이동해 통합하는 과정이 수행된다. 그러나, 연합 학습 기능을 활용하는 경우, 각 기관에서 보유한 데이터를 각자 학습한 뒤, 학습된 인공지능의 정보만을 중앙 서버로 전송하게 된다.  중앙 서버로 전송된 각 기관의 인공지능 정보는 하나의 고성능 인공지능으로 합성되는데, 이 기술은 민감한 원천 데이터의 반출이 불가능하거나 반출 조건이 까다로운 의료 분야, 금융 분야 등에서 인공지능 기술 도입 시에 적극적으로 활용될 수 있을 것으로 보인다. 민감한 개인정보를 포함하는 의료 데이터를 다른 병원과 공유하는 것은 현실적으로 쉽지 않은 일이기 때문이다 이처럼 다수의 의료기관이 협력해 인공지능을 개발하는 경우, 보건 의료 데이터들을 비식별화 처리해 중앙으로 전송하는 현재의 개발 방법은, 이번 아크릴에서 발표한 연합 학습 기능이 포함된 인공지능 플랫폼을 활용해 획기적인 진보가 이뤄질 것으로 업체 측은 기대하고 있다.    아크릴의 ‘조나단 플라이트베이스-연합 학습 기능’은 다수의 기관이 공통의 인공지능을 ...

아크릴 멀티GPU 인공지능 2022.09.27

'하이퍼'오토메이션의 진짜 가치는 인간을 보조하는 것

2020년 가트너 전략 기술 트렌드에서 1위로 선정된 하이퍼오토메이션의 올해 시장 규모는 무려 6,000억 달러에 육박할 것으로 예측된다. 자동화에 추가되는 '하이퍼'의 의미와 조건을 더욱 자세히 알아보자.    기존 자동화 워크플로우는 정형 데이터를 철저히 규정된 방식으로 처리하는 데 중점을 뒀다. 그러나 전 세계 데이터의 80~90%는 비정형 데이터다. 지금까지는 이 방대한 데이터의 잠재력이 발휘되지 못했다. 단지 인간의 뇌가 수고를 들여 해석했을 뿐이다.  하이퍼오토메이션은 바로 이 비정형 데이터의 처리를 대규모로 확장할 수 있는 기술이다.     ‘하이퍼’의 진짜 가치 데이터 분야에서 비정형 데이터는 잘못 이해되고 있다. 이미지, 문서, 오디오 파일은 보통 비정형 데이터로 분류되지만 사실 모두 고도로 구조화되어 있다. 이런 데이터 유형의 진짜 한계는 해석이 어렵다는 점이다. 기존 시스템은 들어오는 데이터를 분류하는 데 그치지 않고 해석해야 한다. 하지만 비정형 데이터는 해석을 내재하지 않는다. 예컨대 이미지 파일을 이루는 비트는 구조화되어 있지만, 그 이미지 파일이 고양이 사진인지 강아지 사진인지에 대한 정보는 포함하고 있지 않다. 따라서 인간의 추정과 인지가 필요한데, 이것은 비효율적이며 대규모로 확장될 수 없다.  가트너에 따르면 하이퍼오토메이션은 여러 기술을 포괄하는 상위 개념이다. 그 중 한 가지 핵심을 뽑자면 바로 애널리틱스를 뜻하는 ‘하이퍼’다. 데이터 애널리틱스는 인간과 유사한 인지 능력을 대신해 비정형 데이터를 IT 시스템이 이해할 수 있도록 통역한다. 가령 이미지 인식, 자연어 처리가 모두 인공지능 기반의 데이터 애널리틱스 기술이다. 데이터에 의미와 맥락을 부여하는 셈이다.  자동화 기술이 데이터 추출을 넘어 더 유용해지려면 아직 인간과 유사한 분석 기능이 더 필요하다. 복잡한 논리력과 인지 능력을 갖춰 모호한 주관식 문제에 답할 정도의 수준으로 발전할 수도 있다....

자동화 초자동화 하이퍼오토메이션 2022.09.20

글로벌 칼럼 | AI/ML 학습용 데이터, 어느 정도가 충분한 것일까

인공지능(AI)의 한계이자 미래는 결국 사람이다. 사람 같은 로봇의 등장을 기대하든 우려하든 상관없이 결국 이 문제가 사람에 달렸다는 사실은 변한 적이 없다. AI 그리고 데이터 과학에서 가장 이상적인 해법은 사람과 기계의 장점을 합치는 것이다. 한동안 AI 업계의 지지자들은 이 방정식의 기계 쪽에 집중하는 경향을 보였다. 하지만 스프링 헬스(Spring Health)의 데이터 과학자 엘레나 다이아크코바에 따르면, 데이터와 그 이면에 있는 기계는 사람이 유용하다고 '이해하는 만큼만' 쓸모가 있다. 이 주제를 더 진전시켜 보자.     불완전한 데이터와 합리적인 의사결정 다이아크코바가 앰플리파이 파트너(Amplify Partners)의 제너럴 파트너인 사라 카탄자로가 주고받은 대화를 보자. 카탄자로는 "데이터 전문가들을 보면, 처음엔 허술하지만 점점 정확하게 고쳐지는 보고서와 분석의 가치를 종종 놓치고 한다. 상당수 결정에는 매우 정확한 인사이트가 필요하지 않다. 약간은 허술한 데이터를 부끄러워할 필요가 없다"라고 말했다. 의사결정을 위해 정확한 데이터가 필요한 것이 아니라는 점을 상기시킨 그의 지적은 일리가 있다. 2016년 우버에 인수된 머신러닝 전문 기업 지오메트릭 인텔리전스(Geometric Intelligence)의 설립자 게리 마커스는 AI와 머신러닝, 딥러닝을 평가하는 핵심 요소는 패턴 인식 툴이 대략의 결과가 필요한 순간에 제대로 잘 작동하는지 여부라고 말했다. 비용이 적게 들고 완벽한 결과를 내는 것은 성공을 판단하는 핵심 요소가 아니라는 것이다. 이런 지적에도, 더 강력한 AI 애플리케이션을 만들기 위해 우리는 점점 더 많은 데이터를 확보하는 데 매진하고 있다. 충분한 데이터를 제공하면 머신러닝 모델이 '대략의 결과'보다 더 좋은 성과를 낼 것이라고 기대하는 것이다. 그러나 안타깝게도, 현실은 이렇게 단순하지 않다. 많은 애플리케이션에서 더 많은 데이터가 도움이 될 수는 있겠지만 실제로는 더 많은 데이터가 필요치 않다....

학습 인공지능 머신러닝 2022.09.13

글로벌 칼럼 | '산으로 가는' 회의를 하지 않는 기술

최근 필자는 월드 탤런트 이코노미 포럼(World Talent Economy Forum)에 패널로 참여해 메타버스에 대해 논의했다. 이 가상현실 기술이 유망한 것은 분명하지만, 단기간에 줌 미팅이나 대면 회의 등을 대체할 가능성은 없다는 의견이 대부분이었다. 실제로 메타버스는 기존 의사소통 툴의 대안이 되기에는 부족하다. 아바타를 활용하는 방식이어서 신원 도용이나 사기를 당할 위험도 매우 크다.   일반적으로 논의를 통해 어떤 합의에 이르러야 할 때 사람들은 서로의 눈을 바라보고 몸짓과 개성을 통해 다른 사람에게 동의를 구한다. 화상회의나 대면 회의에서도 마찬가지다. 그러나 이런 회의의 최후 승자는 가장 많이 알고 있거나 능력이 뛰어난 사람이 아니다. 가장 목소리가 크거나 가장 인맥이 탄탄한 사람의 의견이 채택되곤 한다. 하지만 메타버스에 블록체인과 인공지능(AI)을 결합하면 어떨까? 블록체인이 보안을 개선하고 인공지능이 더 합리적인 의사결정을 지원한다면 말이다. 필자는 이것이 가능하다면 메타버스(혹은 줌 화상회의도)는 훨씬 효율적인 툴이 될 것이고, 대면 회의보다 더 이상적인 수단이 될 것으로 기대한다. 그 이유는 다음과 같다.   블록체인을 통한 신원 확인 먼저 원격 협업 관련 문제 중 하나는 지금 온라인으로 협업하고 있는 상대방이 정말 본인인지 확실치 않다는 점이다. 산업적 혹은 정치적 스파이 활동이나 분명한 사기 혹은 단순한 장난이 벌어질 여지가 있다면, 지금 온라인으로 대화하는 상대방의 신원을 확신할 방법이 필요하다. 이때 블록체인이 유용할 수 있다. 본래 암호화폐 거래용 분산 원장으로 사용된 기술인데, 온라인으로 협업하는 상대방 신원을 검증하는 데 쓸 수 있다. 신뢰할 수 있는 서드파티 소스를 활용해 신원 검증을 하면, 잠시 헛갈릴 수는 있어도 오랜 시간 상대방을 속이는 것은 쉽지 않다. 결과적으로 의사소통과 협업이 더 안전해지고 보안이 개선된다.   AI를 활용해 의사결정 개선하기 AI를 이용해 의사결정을 개선하는...

메타버스 인공지능 블록체인 2022.09.02

딥러닝 프레임워크 ‘3파전’··· '텐서플로우 vs 파이토치 vs JAX' 비교

오늘날 딥러닝 연구 및 개발을 주도하는 3가지 프레임워크가 있다. 각각 사용 편의성, 기능 및 성숙도, 엄청난 확장성으로 유명하다. 어떤 프레임워크를 사용해야 할까?  시리, 알렉사, 실시간 번역 앱, 로봇, 자율주행차 등에 들어가는 ‘딥러닝’은 크고 작은 방식으로 삶을 매일 변화시키고 있다. 대부분의 딥러닝 애플리케이션은 텐서플로우, 파이토치, JAX 중 하나를 이용해 작성된다. 그렇다면 개발자 입장에서 기술을 만들 때 어떤 딥러닝 프레임워크를 선택해야 할까?      ‘텐서플로우’의 장점 1970년대와 1980년대에는 ‘IBM 제품을 샀다고 해고된 사람은 아무도 없다(Nobody ever got fired forbuying an IBM)’라는 말은 진리로 통했다. 이제 이 표현을 ‘딥러닝에 텐서플로우를 사용했다고 해고된 사람은 아무도 없다’라고 바꿔 말할 수 있겠다. 하지만 IBM이 1990년대에 들어서면서 도태한것 처럼 공개된 지 7년이 지난 텐서플로우는 지금에도 여전히 경쟁력이 있을까? 확실히 그렇다. 텐서플로우는 그동안 가만히 있지 않았다. 텐서플로우 1.x는 파이썬과 매우 다른 방식으로 정적 그래프를 작성하는 게 전부였지만, 텐서플로우 2.x는 ‘즉시 실행’ 모드를 사용한 모델 빌드가 가능해지면서 좀 더 파이토치 같은 느낌이 났다. 아울러 하이 레벨(high level)에서 텐서플로우는 더 쉬운 개발을 위해 케라스(Keras)를 제공하고, 로우 레벨에서는 속도를 위해 컴파일러를 최적화하는 XLA(Accelerated Linear Algebra)를 제공한다. XLA는 GPU 성능을 향상시키며, 대규모 모델 학습에 뛰어난 성능을 제공하는 구글의 TPU(Tensor Processing Units)를 활용하는 방법이기도 하다. 성숙한 플랫폼에서 잘 정의되고 반복 가능한 방식으로 모델을 제공해야 한다면 ‘텐서플로우 서빙(TensorFlow Serving)’을 이용하면 좋다. 웹, 스마트폰 등 저전력 컴퓨팅 또는 ...

딥러닝 머신러닝 인공지능 2022.09.01

"챗봇 지고 예측 분석 뜬다" 2022 국내 인공지능 도입 및 활용 현황 조사 - Market Pulse

오늘날 디지털 트랜스포메이션을 추구하는 기업에 인공지능(AI)과 머신러닝(ML)은 필수로 여겨진다. 시장의 흐름을 읽을 수 있는 새로운 인사이트를 찾아내고 업무를 자동화하는 것은 물론 공급망을 최적화하고 마케팅 성과를 극대화하려면 이 두 기술을 얼마나 잘 사용하느냐가 중요하다. 그렇다면 현재 우리 기업은 AI/ML 기술을 얼마나 어떻게 도입해 어떤 업무에 활용하고 있을까? 조사 결과 최근 2~3년 사이 국내에서 AI/ML 기술이 빠르게 확산한 것으로 나타났다. AI/ML 기술별, 기업규모별 도입, 활용 트렌드의 차이도 명확했다. 구체적인 솔루션 선택에 도움이 되도록 기업이 실제 도입해 사용하는 업체와 제품, 서비스 등도 확인했다. 주요 내용 - 국내 기업 10곳 중 4곳은 AI/ML 이미 활용 중 - 가장 선호하는 AI/ML 기술은 머신러닝/딥러닝 플랫폼과 가상 에이전트 - 머신러닝/딥러닝 ‘대세’, 챗봇 ‘내림세’, 자연어 처리 ‘오름세’ - 주로 IT 업무와 고객 서비스에 적용 - 도입 방식은 상용 솔루션 구매가 압도적 - 해외 클라우드 업체와 국내 IT 서비스 업체가 두각 - AI/ML 도입 시 가장 큰 어려움은 인력과 데이터 - 기업 10곳 중 8곳 “기대했던 효과 얻었다” - 중견기업은 AI/ML의 '무덤' 혹은 '기회의 땅' - 국내 AI/ML 시장의 본격 성장은 지금부터

인공지능 머신러닝 AI 2022.08.03

글로벌 칼럼 | AI 시대 필요한 것은 오픈‘소스’가 아닌 오픈소스 ‘접근권’

기술 업계는 오픈소스와 개방성이 정확히 무엇을 의미하는지 다시 논의해볼 필요가 있다. 필자는 2006년 오스콘(OSCON) 컨퍼런스에서 이미 비슷한 질문을 던졌고 당시 패널이었던 구글과 야후 직원에게 “왜 의미 있는 오픈소스를 공개하지 않느냐”고 따진 적 있다. 팀 오라일리는 블로그를 통해 이 문제를 따로 언급하며 “클라우드 시대에는 오픈소스 기술을 공유할 동기가 사라졌다. 프로그램 실행할 때 사본 파일은 필요 없고 서비스 접근 권한만 주면 된다. 필요하지 않을 뿐 아니라 대형 애플리케이션의 경우 사본을 주는 것 자체가 이제 불가능하다”라고 지적했다.   프로그램을 공유하는 것이 불가능해지면서 지난 10년간 오픈소스라는 정의는 점점 모호해지고 있다. 오라일리 미디어의 부사장 마이크 루키데스는 최근 블로그를 통해 “오픈소스를 바라보는 시선이 인공 지능(AI) 기술에도 영향을 미치고 있다”라며 “AI에서 처리하는 데이터 규모가 너무 방대하기 때문에, 오픈소스가 있어도 대형 언어 모델을 활용하기는 상당히 힘들다”라고 밝혔다.  2006년 클라우드 시대와 비슷하게, AI 시대에 오픈소스를 전통적인 방식으로 공개하려 한다면 여러 문제를 겪을 수 있다. 그렇다고 해서 오픈소스 공개가 의미 없다는 뜻은 아니다.   특별한 하드웨어가 필요한 오픈소스 루키데스에 따르면 많은 업체가 AI 기술에 관여하고 있지만 실질적으로 AI 산업을 주도하는 업체는 페이스북, 오픈AI(OpenAI), 구글이다. 이들의 공통점은 무엇일까? 방대한 모델을 대규모로 운용할 수 있는 능력이 있다는 점이다. 다시 말해, 일반적인 기업은 불가능한 방식으로 AI를 개발하고 있다. 그런 사실을 굳이 숨기지도 않으며, 세 업체는 필자 같은 일반인은 모르는 인프라와 운영 지식을 보유하고 있다.  루키데스는 “페이스북이 만든 OPT(Open Pretrained Transformer)-175B의 소스 코드는 누구나 다운로드할 수 있다. 하지만 이 모델을 다운받고 훈련할 만...

오픈소스 인공지능 2022.07.21

AI 및 ML 시스템을 붕괴시키는 ‘적대적 머신러닝’의 이해

AI 및 머신러닝(Machine Learning, ML) 프로젝트를 시작하는 기업이 늘면서 AI/ML의 안전을 확보하는 일이 무엇보다 중요해졌다. IBM과 모닝 컨설트(Morning Consult)가 5월 발표한 보고서에 따르면, 전 세계 7,500곳 이상의 기업 중에서 35%가 이미 AI를 사용 중이다. 전년 대비 13% 증가한 수치다. AI를 탐색하고 있는 기업은 42%였다. 20%의 기업은 데이터 보안에서 어려움을 겪고 있었고, 이로 인해 AI 도입이 늦춰지고 있다고 답했다.   가트너가 2021년 2월 실시한 설문조사에서도 보안이 AI 도입 시 가장 큰 걸림돌이었다. 보안은 AI 솔루션을 기존 인프라에 통합하는 데 따르는 복잡성과 함께 1위를 차지했다.  마이크로소프트가 같은 해 3월 발표한 논문에 따르면, 기업의 90%는 적대적 머신러닝(Adversarial Machine Learning)에서 기업 시스템을 보호할 준비가 되어 있지 않다. 논문에서 다룬 28곳의 대/소규모 기업 가운데 25곳에서 ML 시스템 보안에 필요한 툴을 배치하지 않았다.  AI/ML 시스템 보안은 상당히 어려운 작업이다. 몇몇 어려움은 AI 고유의 특성에 기인한다. 예를 들어 AI/ML 시스템은 데이터를 필요로 하는데, 민감 데이터나 독점적 정보는 공격자의 표적이 된다. AI/ML 보안의 또 다른 측면은 ‘적대적 머신러닝’처럼 낯설기만 하다. 적대적 머신러닝이란 무엇인가?  엄밀히 말해 적대적 머신러닝은 이름과는 달리 머신러닝이 아니다. ML 시스템을 공격하는 데 사용되는 일련의 기법이다. 토론토 메트로폴리탄 대학교(Toronto Metropolitan University) 교수이자 글로벌 리서치 연구소(Global Research Institute)의 상임 연구원 알렉세이 루브초이는 “적대적 머신러닝은 ML 모델의 취약점과 특수성을 이용한다”라고 말했다. 루브초이는 최근 금융 서비스 산업 내 적대적 머신러닝에 관한 논문을 발표했다...

인공지능 머신러닝 적대적머신러닝 2022.06.30

“엘리베이터가 달라졌어요” 오티스, AI와 센서로 디지털 서비스 강화

엘리베이터에 갇히는 것을 좋아하는 사람은 없을 것이다. 이런 사태를 방지하기 위해 오티스 엘리베이터 컴퍼니(Otis Elevator Company)는 AI와 IoT 센서로 구성된 네트워크 솔루션을 사용한다. 이를 통해 자사 엘리베이터를 더 지능적인 시스템으로 만들어 디지털 시대에 부합하는 것이 오티스의 목표이다.   오티스 원(Otis One)이란 이 솔루션은 IoT 센서와 빅데이터, AI, 클라우드 네이티브 애플리케이션으로 구성되며, 오티스의 젠3 및 젠360 엘리베이터에 내장된다. 이 솔루션은 기술자와 사용자에게 엘리베이터의 상태에 대한 실시간 인사이트를 제공해 원격 문제 해결은 물론 예측 유지보수도 가능해진다. 오티스에 따르면, 이 솔루션으로 엘리베이터의 가동 중지 시간이 10~15% 줄고, 서비스 요청도 15% 감소했다.  2019년 개발에 착수한 오티스 원은 오티스가 공급한 210만 대 엘리베이터 중 1/3에 탑재됐다. 현재 12개 국가에 적용됐으며, 올해 말까지 추가로 8개 국가에 적용할 예정이다.  실시간 모니터링과 대시보드 덕분에 사용자는 오티스 서비스팀과 협업해 문제를 해결하거나 문제 해결을 위한 다음 단계를 진행할 수 있다. 오티스 CIO 리나 레오나드는 “고객이 가장 싫어하는 것이 엘리베이터가 멈추는 것이다”라며, “우리는 엘리베이터가 언제 문제를 일으킬지 파악할 수 있고, 선제적으로 유지보수 일정을 세운다. 이음매 없는 서비스를 원하는 고객의 최대 관심사이다”라고 강조했다. 오티스 원의 클라우드 네이티브 플랫폼은 마이크로소프트 애저를 기반으로 하며, 스노우플레이크의 데이터 레이크를 이용한다. IoT 센서는 엘리베이터 데이터를 클라우드 플랫폼으로 전송하고, 여기서 분석을 수행해 보고서나 데이터 시각화, 예측 모델링 등의 비즈니스 프로세스를 지원한다. 레오나드는 이 부분에 대해상세한 설명은 하지 않았지만, “분석은 매우 중요하다”며 마이크로소프트 친화적인 솔루션을 사용하고 있다고만 언급했다. 또 “분석은 ...

엘리베이터 오티스 센서 2022.06.24

"인공지능+사물인터넷" AIoT가 기업 현장을 바꾼다

사물인터넷(IoT)은 지난 10년간 기업 분야 전반으로 꾸준히 확산했다. IoT 기기와 그 데이터 기능을 이용해 기업 운영을 최적화하면서 비즈니스와 소비자 기술의 신시대가 열렸다. 그리고 이제 인공지능(AI)과 머신러닝(ML)이 발전하면서 ‘인공지능 사물인터넷(Artificial Intelligence of Things, AIoT)’을 이용해 IoT 기기의 새로운 가능성을 실현하는 또 다른 물결이 등장했다.   AIoT를 활용하면 기업이 새로운 경쟁 우위를 얻을 수 있다. IoT는 데이터를 수집하고 AI는 이를 분석해 지능적 행동을 시뮬레이션하고, 사람의 개입을 최소화한 상태에서 의사 결정 과정을 지원한다.   IoT에 AI가 필요한 이유 IoT는 기기가 서로 통신하고 인사이트에 따라 행동하도록 한다. 따라서 이들 기기는 이들이 제공하는 데이터만큼만 유용할 뿐이다. 의사 결정에 제대로 활용하려면 더 많은 데이터를 수집해 저장하고 가공, 분석해야 한다. 그러나 이렇게 하기가 쉽지 않다. 실제로 IoT 도입이 늘어나자 데이터를 효율적으로 가공해 실질적으로 의사 결정에 반영할 인사이트를 도출하는 데 어려움이 생겼다. 이는 2가지 원인, 즉 클라우드와 데이터 전송 때문이다. 클라우드는 IoT로부터 나오는 온갖 데이터를 처리할 수 있도록 IoT 규모에 비례해 확장해야 하지만 이 과정이 수월하지 않다. 또한, 데이터를 IoT 기기로부터 클라우드로 전송하는 작업은 대역폭의 제한이 있다. 통신 네트워크의 규모와 정교함에 관계없이 IoT 기기가 수집하는 데이터 분량만으로도 지연과 정체가 발생한다. 몇몇 IoT 응용 분야, 예를 들어 자율 주행차 등은 신속한 실시간 의사 결정이 필요하다. 효과적이고 안전한 주행을 위해 마치 인간처럼 순간적으로 데이터를 처리하고 결정해야 한다. 지연, 불안정한 연결, 낮은 대역폭의 제한이 있어서는 안 된다. 자율 자동차가 신속한 의사 결정에 의존하는 유일한 IoT 응용 분야는 아니다. 제조는 이미 IoT 기기를 ...

IoT AI AIoT 2022.06.24

IDG 설문조사

회사명 : 한국IDG | 제호: ITWorld | 주소 : 서울시 중구 세종대로 23, 4층 우)04512
| 등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 | 편집인 : 박재곤 | 청소년보호책임자 : 한정규
| 사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.