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

글로벌 칼럼 | 인공지능에 '지능'은 없다

자율주행 차량부터 슈퍼볼 광고의 춤추는 로봇까지 인공지능(Artificial Intelligence, AI)은 모든 곳에 존재한다. 하지만 모든 AI 사례의 문제점은 실제로 ‘지능적’이지 않다는 점이다. 이런 사례는 AI 기법을 사용하여 특정 문제를 해결하는 애플리케이션, 즉 ‘약인공지능(Narrow AI)’를 보여준다. 약인공지능은 인간이 보유한 지능과는 다르다.   인간은 (바라건대) 일반적인 지능을 보유하고 있다. 인간은 광범위한 문제를 해결할 수 있고 이전에 맞닥뜨리지 않았던 문제를 해결하는 방법을 배울 수 있다. 새로운 상황과 새로운 것을 배울 수 있으며, 물리적인 물체가 3차원 환경에 존재하고 시간의 흐름 같은 다양한 물리적 속성이 적용된다는 것을 이해한다. 인간 수준의 사고 능력 또는 범용인공지능(Artificial General Intelligence, AGI)을 인공적으로 복제할 수 있는 능력은 오늘날 우리가 생각하는 AI에는 존재하지 않는다.  지금까지 AI가 보여준 압도적인 성능을 무시하는 것은 아니다. 구글 검색은 대부분 사용자가 주기적으로 사용하는 AI의 좋은 예다. 구글은 많은 양의 정보를 놀라운 속도로 검색해 (일반적으로) 사용자가 원하는 결과를 목록의 상단에 제공한다. 마찬가지로 구글 보이스 서치(Google Voice Search)로 사용자는 구두로 검색을 요청할 수 있다. 애매모호한 표현을 사용하더라도 적절한 철자법, 맞춤법, 의미가 적용된 결과를 얻는다. 구글 검색이 잘 작동하는 이유는 무엇일까? 구글은 엄청난 양의 검색어와 사용자가 선택한 결과에 대한 이력 데이터를 보유하고 있다. 이런 데이터에서 검색할 가능성이 큰 검색어와 시스템을 유용하게 만들 수 있는 결과를 예측할 수 있다. 하지만 시스템이 수행 중인 작업이나 제시하는 결과를 이해할 것이라는 기대는 없다. 그래서 엄청난 양의 이력 데이터가 필요한 것이다. 사용자와의 모든 상호작용은 훈련 세트 데이터 생성에 활용할 수 있어 검색에 꽤 효과적이다...

인공지능 AI 머신러닝 2022.03.31

“효율적인 인프라와 운영 환경을 구축하라” DX 시대 AI 플랫폼의 진화 방향 - Tech Summary

AI와 분석 업무를 위한 클라우드 기술 기반 데이터센터 구축 시 고려해야 할 사항은 무엇일까? 큰 틀에서 보면 전통적인 엔터프라이즈 워크로드를 위한 환경과 AI와 분석에 최적화된 데이터센터 설계는 같은 방향을 향한다. 바로 소프트웨어 정의 데이터센터다. 하지만 실제 구축과 운영 방법에 있어 결이 다르다. 웹, 미들웨어, 데이터베이스로 주요 스택이 구성되는 전통적인 엔터프라이즈 워크로드와 비교해 AI, 분석 환경은 더 복잡한 소프트웨어 스택으로 구성된다. 더불어 자원 효율과 성능 보장을 위해 고려해야 할 요소도 적지 않다. DX 시대에 맞는 AI, 분석 기반을 구축할 때 검토해야 하는 GPU 가상화, 초고성능 병렬 파일시스템 등 주요 고려 사항을 살펴본다.  주요 내용 - AI, 분석 인프라에 대한 현장의 목소리 - 비용과 성능 고민을 해결하는 자원 이용 효율 - 성능과 비용 모두를 만족하는 스토리지 옵션 - NVIDIA가 제공하는 I/O 가속 기술 - AI, 분석 환경 구축 사례

인공지능 GPU 엔비디아 2022.03.23

챗봇 vs 가상 비서 - 비교 분석

본 백서는 대화형 인공지능(AI)을 통해 고객/직원/상담원 경험을 혁신하고자 하는 기업들을 위해 작성되었다. 본 백서는 봇(bot)의 중요성과 현대적 라이프스타일에서 얼마나 흔하게 사용되는지 기술한다. 또한, 차세대 사용자 경험을 달성함에 있어 챗봇의 한계와 가상 비서가 이런 한계를 극복하는 방법에 대해 중점적으로 설명하며, 챗봇과 가상 비서의 비교 분석을 제공한다. 대화의 맥락과 사용자 감정을 이해하고, 한 번에 여러 요청을 처리하며, 대화 도중에 입력값을 변경하고, 일상적 대화를 나누거나 위젯 형식으로 데이터를 표시하는 등의 다양한 기능을 상세하게 설명하였다. 각 기능에 대한 이해를 돕기 위해 대화 시나리오를 사용했으며, 이를 통해 챗봇과 가상 비서의 대화 방식을 비교해볼 수 있다. 본 백서에서는 챗봇과 가상 비서의 차이점, 가상 비서 실행 시 챗봇 대비 얻을 수 있는 추가 이점 등을 심도 있게 다루었으며, 가상 비서가 디지털 혁신을 달성하도록 지원하는 방식에 대한 전반적인 개념을 이해할 수 있을 것이다. <16p> 주요 내용 - 일상 속 챗봇 - 챗봇의 한계 - 가상 비서의 진화 - 챗봇 vs 가상 비서 - 심층 비교 - 가상 비서의 비즈니스적 이점

챗봇 가상비서 인공지능 2022.03.07

"AI 봄은 왔지만 갈 길은 험하다" 파운드리, AI 및 클라우드 이노베이션 2022 컨퍼런스 성료

파운드리(구 IDG)가 2월 23일 '2022 디지털 혁신을 열어가는 인공지능과 클라우드'라는 주제로 AI 및 클라우드 이노베이션 2022 웨비나를 개최했다.  이번 웨비나에는 10명의 발표자와 400여 명의 IT 전문가들이 참석해 심도깊은 강의와 질의 응답이 펼쳐졌다. 특히 각 세션 발표자는 기업이 AI를 도입하는데 어려운 점과 해법을 제시하면서 이제 AI 도입은 선택이 아닌 필수라는 인식을 함께 했다.    AI의 봄에도 과제는 계속된다 오프닝 세션에서 JP모건 체이스(JPMorgan Chase & Co)의 AI & 머신러닝 총괄 다니엘 우는 'AI 가속화: 도전과제 및 전략'이라는 주제로, AI 암흑기에서 얻은 교훈과 AI에 대한 다양한 도전과제를 살펴보면서 앞으로의 방향에 대해 논의했다.  다니엘 우는 "기업이 생존 경쟁과 디지털 혁신을 주도하기 위해 AI를 활용하고 있으나 대부분의 AI 프로젝트가 개념 증명 단계를 통과하지 못하고 있다"며, "두번의 AI 암흑기를 거쳐 다시금 찾아온 AI의 봄에도 기업은 데이터, 컴퓨팅, 인재, 운영 및 거버넌스 등 5가지 측면에서의 주요 과제를 해결해야 한다"라고 설파했다.   현대 AI 개발의 핵심 요소인 데이터 측면만 보더라도 해결해야 할 사항은 너무나 많다. 주요 문제로는 데이터 품질과 가용성, 접근성 등이 있는데, 우선 기업은 데이터 클리닝에 투자해 하나의 진실된 데이터 소스를 만들어야 한다. 또한 데이터 중심 설계 및 개발을 실천하고 데이터 프로세스를 자동화하면서 이런 프로세스에 거버넌스와 카탈로그화를 포함시켜야 한다. 데이터 접근성을 개선하고 셀프 서비스 도구를 구축해야 하며, 데이터 사용성을 높여야 한다.   다니엘 우는 연산 가용성과 접근성이 대폭 개선되어 AI의 봄을 가져오긴 했지만, 이와 관련해 인프라의 가용성, 비용 효율성, 탄소 발자국 등 여전히 많은 도전 과제가 존재한다고 밝혔다. 이와 함께 보안 및 개인정보 보호...

AI 머신러닝 ML 2022.02.24

오토메이션애니웨어가 전하는 ‘넥스트 레벨’ 컨택센터 전략··· “클라우드 RPA와 AI 기술 융합”

고객 경험(CX)은 비즈니스의 핵심 요소다. 팬데믹 기간 동안 전 세계가 디지털 상호작용으로 대거 전환하면서 고객 경험의 중요성은 더욱더 커졌다. 닐슨IQ(NeilsenIQ)에 따르면 지난 2020년 美 전역에서 옴니채널 소비가 50% 증가한 것으로 조사됐다. 이제 소비자는 원할 때 원하는 방식으로 주문부터 애프터서비스까지 모든 것을 요청하고 싶어 한다. 특히, 고객 경험의 최전선에 있는 ‘고객 서비스’와 관련해서는 언제 어디에서 어떻게 연락하든 신속하고 일관성 있는 서비스를 기대한다.  컨택센터의 게임 체인저, 클라우드 RPA와 AI 이에 따라 고객 서비스를 중시하는 기업들이 컨택센터와 클라우드 및 AI 기술의 융합에 주목하고 있다. 오토메이션애니웨어의 김치훈 이사는 "클라우드 PRA와 AI를 통해 사람 에이전트의 고객 1인당 응답 처리 시간을 반으로 줄인다면 에이전트당 고객 상담 건수가 2배로 늘어난다. 기존의 절반 인원으로 컨택센터를 운영할 수도 있다. 아울러 직원들의 업무 부하도 줄어들어 더 밀도 있는 고객 서비스를 제공할 수 있다. 사람 직원과 AI와의 협업은 컨택센터의 게임 체인저라고 볼 수 있다"라고 말했다. 허나 현실은 녹록치 않다. 아직은 컨택센터에 AI가 확실하게 녹아들지 못하고 있다는 진단이다. 김치훈 이사에 의하면 애플리케이션 환경이 복잡하기 때문이다. 그 결과 사람 에이전트와 가상 에이전트 모두 처리 속도가 늦어지고 있다. 실제로 최근 허브스팟(Hubspot)의 고객 지원 연구에 의하면 사람 에이전트가 고객 요청을 처리하기 위해 한 시스템에서 다른 시스템으로 이동하는 데 총 처리 시간의 10%를 소모하는 것으로 드러났다. 하루 8시간 근무 중 48분을 각종 애플리케이션을 검색하는 데 허비한다는 이야기다.  김치훈 이사는 “여러 앱을 왔다 갔다 하면서 관련 정보를 검색하고 업데이트해야 하기 때문에 사람 에이전트는 단순하고 기본적인 업무만 처리할 수밖에 없다. 또한 흩어져 있는 정보로 인해 고객 및 고객의 의도를 ...

오토메이션애니웨어 클라우드 클라우드 RPA 2022.02.23

“게임 체인저인가 범죄 도구인가” 딥페이크 기술의 명암 - IDG Tech Report

과학 기술에는 어두운 이면이 존재한다. 인간의 이미지를 실제와 유사하게 합성하는 ‘딥페이크(Deepfake)’도 이런 논란이 있는 대표적인 기술이다. 가장 널리 알려진 사용례가 가짜 뉴스와 디지털 성범죄 영상 제작일 정도로 딥페이크의 역기능을 우려하는 목소리가 크다. 하지만 순기능도 간과해서는 안 되는 부분이다. 딥페이크로 그리운 사람의 생전 모습을 재현하거나 고품질 합성 영상을 제작해 영화 산업의 효율을 높일 수 있으며, 질병 진단에 활용하기도 한다. 특히 최근에는 적은 양의 데이터에 AI 알고리즘을 적용해 데이터양을 늘리는 ‘데이터 증강’ 분야에서 새로운 게임 체인저로 주목받고 있다. 다양한 활용사례를 통해 딥페이크의 명암을 살펴보고, 의미 있는 발전 방향을 모색해 본다. 주요 내용 - “AI가 낳은 괴물?” 딥페이크의 탄생 - 딥페이크의 핵심 기술 ‘GAN’ - 그리고 시작된 가짜와의 전쟁 - 산업 전반의 혁신을 가져올 ‘게임 체인저’로서의 딥페이크 - 딥러닝을 활용한 딥페이크 탐지 기술 동향 - 딥페이크를 감당할 사회적 역량이 필요한 시점

딥페이크 인공지능 딥러닝 2022.02.23

데이터센터 CAPEX, 클라우드 전환 모멘텀 지속에도 “꾸준히 증가”

이달 초 델오로 그룹(Dell'Oro Group)이 발행한 보고서에 따르면, 많은 기업이 클라우드로 전환하고 있음에도 불구하고 데이터센터 인프라에 대한 전 세계 CAPEX는 향후 5년 간 10% 증가해 2026년 총 3,500억 달러에 이를 것으로 전망된다. 보고서 저자인 바론 펑은 CAPEX의 일부가 구글과 아마존, 마이크로소프트와 같은 대형 IT 업체가 자사 퍼블릭 클라우드에 대한 데이터센터 장비를 구매하는 데 사용됐다고 밝혔다. 하지만 클라우드가 모든 기업을 위한 것이 아니라는 사실은 아직까지 널리 인식되지 못하고 있는 추세라고 덧붙였다.   펑은 “포춘 500대 기업의 일부는 완전히 아웃소싱 모델을 활용하지 않고 여전히 자사 내부에 방대한 데이터를 보관하기 위한 타당한 이유를 찾고 있다”라고 말했다. 예를 들어, 대기업은 클라우드보다는 자사에 데이터를 보관하는 것이 더욱 경제적일 수 있다. 특히 규제가 심한 업계의 경우 데이터를 자사가 아닌 클라우드 서비스 업체에 보관하는 것에 관한 컴플라이언스 요건을 확인하는 것이 때로는 번거로울 수 있다. 펑은 보안 역시 대기업이나 의료 및 금융과 같은 엄격한 규제 요건을 준수해야 하는 기업에 여전히 장애물로 남아있다고 밝혔다. 클라우드가 안전하지 않은 것은 아니지만 중요한 데이터를 서드파티 업체에 맡기는데 있어 가끔 신뢰성 문제가 발생한다고 지적했다. 펑은 “클라우드 서비스 업체가 매우 안전한 솔루션을 제공하지만 아웃소싱 모델을 선택하는 데 보안은 여전히 문제가 되고 있다”라고 말했다. 어떤 기업에서는 관련 워크로드의 특성으로 인해 데이터센터를 확장하는 것이 더욱 적합한 선택일 수 있다. 영화 스튜디오와 같은 미디어 산업이나 체계적인 데이터를 다루는 기업은 수 테라바이트의 데이터를 빠르게 이전해야 하며, 가장 강력한 클라우드를 배포하더라도 트레이드오프가 발생한다. 펑은 “방대한 양의 데이터로 작업을 수행하는 기업은 자사에서 데이터를 보관하는 것이 좋다. 클라우드에서는 데이터를 앞뒤로 이동시키...

데이터센터 카펙스 클라우드 2022.02.14

“하이퍼 오토메이션을 위한 초석” AI OCR의 이해 - IDG Tech Report

최근 RPA의 핵심 기술로 AI 기반 광학 문자 인식, ‘AI OCR’이 각광받고 있다. AI OCR은 학습 기반의 AI 알고리즘을 통해 문서 분류 및 데이터 추출 과정의 효율성과 정확도를 높여 복잡한 문서를 처리하지 못하는 전통적인 OCR의 한계를 보완했다. 기업 데이터의 약 80%를 차지하는 각종 비정형 문서에 대해 맥락 이해를 통한 데이터 오류 수정, 잠재적인 리스크 예측까지 가능하다는 점에서 활용 분야가 더욱 확대될 것으로 보인다. 다만, 한글과 필기체를 정확하게 인식하는 것은 여전히 기술적 과제로 남아있다. 또한, AI 모델 및 알고리즘을 악용한 각종 사이버 공격을 인지하고 대비해야 할 것이다. AI OCR의 작동 방식과 기존 OCR에 비해 갖는 차별점을 이해하고, 그 이면에 가려진 문제도 함께 살펴본다. 주요내용 - “노이즈 제거부터 맥락 이해까지” 다재다능한 AI OCR - 비정형 데이터 처리를 통한 하이퍼 오토메이션 가속화 - 기존 OCR과의 차별점 1. 스캔 도구와 인식 환경의 제약 감소 - 기존 OCR과의 차별점 2. 딥러닝 기반의 표 영역 인식 - 기존 OCR과의 차별점 3. AI 알고리즘 활용으로 모듈 간소화 - 기존 OCR과의 차별점 4. 이미지 정보 보호 - AI OCR 작동 방식 - 금융권에서 빛을 발하는 AI OCR - AI OCR도 못 막는 보안 공격 - 한글과 필기체 인식의 난제

인공지능 OCR 2022.01.19

“IoT 장치 연결부터 빔포밍까지 지원” 3GPP가 공개한 최신 5G 스펙

3GPP(3rd Generation Partnership Project)가 5G 시스템 아키텍처와 무선 액세스 네트워크에 관한 사양을 포함한 릴리즈 18을 공개했다. 최신 5G 기술은 간소화된 사물인터넷(IoT)을 지원하고 인공지능(AI)/머신러닝(ML) 통합을 개선하며, 무선 스펙트럼의 더욱 효율적인 사용을 가능하게 할 것으로 보인다. 3GPP는 7곳의 기관이 참여하는 세계 이동통신 표준화 기구이다.   퀄컴 기술 마케팅 수석 이사인 대니 쳉은 “릴리즈 18은 3GPP 생태계가 작업할 프로젝트와 각 프로젝트의 범위를 결정한다”라고 밝혔다.   MIMO 개선 미모(Multiple Input Multiple Output, MIMO) 기술은 라이선스 여부에 관계없이 무선 통신의 용량을 높이는 다중 안테나 기술이다. 단일 액세스 지점이나 기지국이 각 액세스 지점에서 다중 안테나의 작동을 자동으로 조정해 스펙트럼을 훨씬 더 효율적으로 사용할 수 있도록 한다. 따라서 MIMO 시스템은 클라이언트가 각기 다른 안테나로 통신하도록 하고, 적은 스펙트럼을 사용하면서 동시에 많은 클라이언트 장치를 대상으로 서비스를 제공할 수 있는 것이다. 포레스터 수석 애널리스트 안드레 킨들에 따르면, MIMO의 새 주요 사양은 무선 신호를 전방위가 아닌 특정 방향으로 보내는 빔포밍(Beamforming)을 지원한다. 이를 통해 무선 네트워크는 간섭을 생성하지 않고 동일한 스펙트럼을 사용해 여러 클라이언트에 연결할 수 있다. 액세스 지점을 기준으로 특정 한 쪽에 위치한 클라이언트는 다른 방향에 있는 클라이언트와 동일한 대역폭을 통해 서비스를 제공받을 수 있기 때문이다. 킨들은 “무선 네트워크뿐만 아니라 클라이언트 측에서도 신호를 보낼 수 있다. 신호와 소음을 제거하면서 각 안테나를 통해 돌아오는 패킷을 분석하는 것이 그 다음 단계의 작업이다”라고 덧붙였다.   IoT 지원 5G의 IoT 배포 지원은 향후 인기 있는 서비스가 될 가능성이 있다는 점에서 통신사...

3GPP 5G네트워크 IOT 2022.01.12

'고용도, 해고도 하는' 디지털 보스의 시대

하이브리드 업무 환경 확산에 따라 매니저와 경영진의 직원 관리에 어려움이 생기면서 인공지능과 머신러닝(AI/ML) 이용이 급증하고 있다. 시장조사업체 IDC의 최신 보고서에 따르면, 2024년까지 전 세계 2,000대 기업의 80%가 AI/ML 기반의 ‘디지털 매니저(Digital Manager)’를 이용해 직원을 고용, 해고, 교육할 예정이다. 그러나 인간 개입이 없다면 기업 5곳 중 1곳만이 유의미한 가치를 얻게 될 것으로 전망했다.   세계적으로 계속되는  코로나19 팬데믹은 여러 기업이 새 직무 모델을 채택하지 않을 수 없게 만들었다. 완전한 원격 접근법, 개인과 팀이 디지털 및 물리적 장소 모두에서 일하는 하이브리드 접근법 등이 대표적이다. IDC에 따르면 이처럼 분산된 노동으로의 변화는 기업을 관리, 지휘, 조직하는 새로운 방식에 대한 요구로 이어졌다. 2021년 4월 IDC가 공개한 ‘미래 기업 탄력성 및 지출 설문조사(Future Enterprise Resiliency and Spending Survey)’를 보면, 실제로 기업 약 41%가 원격 및 하이브리드 인력을 관리하는 것을 핵심 기술로 보고 있고, 채용이나 사내 개발을 통해 확보하려는 계획인 것으로 나타났다. 오늘날 AI/ML을 활용한 디지털 경영 솔루션은 기업 경영 전반에서 널리 사용된다. 이력서를 검사하고 구직자에게 전화하고 일일 직원 성과를 측정하고 추가 교육을 권고하고 일정 직무, 특히 교대 유형의 직무에 언제 얼마나 많은 직원이 필요한지 결정하는 것 등이다. IDC의 세계 ‘일의 미래(Future of Work)’ 시장 조사 서비스의 연구소장인 에이미 루미스는 "AI/ML을 이용해 직원을 채용하고 해고하는 일이 파격적으로 보일 수 있다. 그러나 이는 오늘날 인력 관리 분야에서 이런저런 수준에서 널리 쓰이고 있다. 알고리즘은 흔히 직원을 스택-랭킹(stack-ranking)하는 데 사용되고 채용에 가장 적합하거나 해고해야 할 사람에 관해 권고한다”라고 말...

디지털보스 소프트웨어로봇 인공지능 2022.01.11

'통제가능한 AI'를 개발할 때 필요한 핵심 모범 사례

강력하고 탄탄한 인공지능과 머신러닝 모델 개발과 배포는 복잡하고 어려운 일이다. 최근 필자가 만나 본 데이터 과학 및 머신러닝 임원은 모두 다른 부서와의 시스템 거버넌스에 집중하고 있었다. 이론을 실행하고 모델을 생산에 투입하는 것은 어려운 일이다. 그러니 거버넌스 과정의 핵심 이해관계자인 우리 부서와 우리 회사의 협력 상대방 모두에게 더 쉬운 AI 거버넌스를 만들 수 있도록, 기술 조직으로서 할 수 있는 일을 이야기해보자.     주요 설계 원칙 높은 수준에서 통제가능하며 안심할 수 있는 모델을 확보하기 위해서는 모델에 다음의 3가지 원칙이 드러나야 한다. • 컨텍스트(Context) : 모델 개발 초기의 설명 단계 이후 비즈니스적 이유, 범위, 위험, 한계, 데이터 모델링 접근방식은 모델이 생산에 투입되기 전에 잘 정의되어 있으며 완벽하게 문서화되어 있다. • 검증성(Verifiability) : 모델 개발 프로세스의 모든 비즈니스 및 기술 결정과 단계는 검증 및 조사가 가능해야 한다. 머신러닝 모델 파이프라인은 블랙박스 알고리즘이 사용되더라도 완벽한 ‘블랙박스’여서는 안 된다. 데이터의 출처, 처리 방식, 존재하는 규제 고려사항을 파악하는 것이 검증 가능한 모델을 구축하기 위해 무엇보다도 중요하다. 모델 코드는 이전에 코드를 본 적이 없는 사람도 이해할 수 있는 방식으로 구조화하고 문서화해야 한다. 모델은 개별적 트랜잭션 재수행이 가능하도록 컨테이너화된 아키텍처, 직렬화(피클(Pickle) 등으로), 결정적인 전 처리 기법(무작위 시드(Seed)를 통한 사이킷(Scikit) 학습 원-핫(One-hot) 인코딩 및 직렬화 등)을 사용하여 구축해야 한다. • 객관성 : 거버넌스의 핵심은 객관적인 사람 또는 모델 개발에 참여하지 않은 사람이 머신러닝 애플리케이션을 합리적으로 평가하고 이해할 수 있도록 하는 것이다. 머신러닝 시스템이 이전의 콘텍스트와 검증성 등 2가지 원칙을 기반으로 구축되었다면 비즈니스 파트너가 제2 및 제3...

통제가능한인공지능 컨텍스트 검증성 2021.12.16

의료 인공지능 기업 LUNIT : 데이터 사이언스를 위한 HP Z 워크스테이션 CASE STUDY

대한민국 딥러닝 1호 스타트업 기업 루닛의 대표 제품인 ‘루닛 인사이트(Lunit INSIGHT)’는 딥러닝 기반 인공지능 기술을 활용한 의료AI 제품으로 두 종류가 있다. 하나는 흉부 X레이를 분석해 폐 관련 질환을 빠르고 정확히 진단하는 ‘루닛 인사이트 CXR’, 다른 하나는 유방암 등이 의심되는 이상 부위를 알려주는 ‘루닛 인사이트 MMG’다. 이 의료영상 검출 보조 소프트웨어 제품의 개발과 활용에 HP 워크스테이션 모델이 중요한 역할을 수행했다. <8p> 주요 내용 - HP 기술의 정점을 현장에서 구현한 루닛(Lunit)사의 워크스테이션 실사용기 - 극한의 환경에서도 안정적으로 구동 가능한 HP의 내구성과 편의성  - 루닛의 향후 행보에도 든든한 파트너가 될 HP - 무한대의 가능성을 담은 HP 워크스테이션     인텔® 제온® W-11955M 프로세서의 탁월한 설계를 경험해보세요. Ultrabook, 울트라북, Celeron, 셀러론, Celeron Inside, Core Inside, Intel, 인텔, Intel 로고, 인텔 로고, Intel Atom, 인텔 아톰, Intel Atom Inside, Intel Core, 인텔 코어, Intel Inside, Intel Inside 로고, Intel vPro, 인텔 v프로, Intel Evo, 인텔 Evo, Pentium, 펜티엄, Pentium Inside, vPro Inside, Xeon, 제온, Xeon Inside, Intel Agilex, 인텔 Agilex, Arria, Cyclone, Movidius, eASIC, Iris, Killer, MAX, Select Solutions, 셀렉트 솔루션, Stratix, Tofino, Intel Optane 및 인텔 Optane은 인텔사 또는 그 자회사의 상표입니다.

데이터과학 인공지능 루닛 2021.12.01

퍼블릭 클라우드가 AI 부문에서 혁신을 꾀하는 방법

3대 클라우드 서비스 업체인 AWS와 마이크로소프트 애저, 구글 클라우드 플랫폼(GCP)은 개발자와 데이터 과학자가 자사 클라우드에서 머신러닝 모델을 개발, 테스트, 배포하도록 장려한다. 이는 클라우드 서비스 업체가 높은 수익을 달성하기 위한 시도라고 할 수 있다. 테스트 모델은 많은 인프라를 필요로 하고 프로덕션 모델에는 고가용성이 요구되는 경우가 많기 때문이다.   머신러닝 모델은 클라우드 서비스 업체에 수익성이 좋은 서비스이며, 고객에게도 이점을 제공한다. 하지만 클라우드 서비스 업체는 인프라와 서비스 수준, 가격 면에서만 경쟁력을 확보하고자 하는 것은 아니다. 고객이 머신러닝 기능을 더욱 쉽게 사용할 수 있도록 지원하기 위해 다목적의 온램프(On-ramp) 서비스 제공을 중점으로 두고 있다. 각 사의 퍼블릭 클라우드는 서버리스 데이터베이스와 데이터웨어하우스, 데이터 레이크, NoSQL 데이터 저장소를 비롯해 다양한 데이터 스토리지 옵션을 제공한다. 따라서 사용자는 데이터 저장 위치와 근접한 곳에서 모델을 개발할 수 있다. 또한, 클라우드 서비스 업체는 텐서플로(TensorFlow), 파이토치(PyTorch) 등 널리 사용되는 머신러닝 프레임워크를 제공하기 때문에 유연성이 필요한 데이터 과학팀을 위한 원스톱 샵(One-stop Shop)이 될 수 있다. 이 3대 클라우드 서비스 업체 모두 모델옵스(Modelops)와 ML옵스(MLops)와 함께 머신러닝 수명 주기 전반을 지원하기 위한 기능을 점점 더 많이 제공한다. 최근 레드햇(RedHat)의 연구에 따르면, 기업 AI/ML 프로젝트의 78%가 하이브리드 클라우드 인프라로 구축되고 있어 퍼블릭 클라우드 서비스 업체의 성장 가능성은 무궁무진하다. 이는 곧 퍼블릭 클라우드 서비스 업체가 새롭고 차별화된 기술로 계속 혁신되야 한다는 것을 의미한다. 이런 혁신은 기업이 더욱 다양한 서비스와 사용이 편리한 플랫폼으로 머신러닝을 실행할 수 있도록 지원하는 몇 가지 범주로 구분된다.   ...

퍼블릭클라우드 인공지능 머신러닝 2021.11.30

“AI 학습 속도가 기업의 경쟁력” 인공지능용 스토리지의 5가지 조건 - IDG Summary

오늘날 인공지능은 의료 현장 곳곳에서 널리 사용된다. 최근에는 민간 영역뿐만 아니라 군도 인공지능을 통해 의료 서비스 개선에 나서고 있다. 그러나 실제로 의료 분야에서 인공지능을 성공적으로 활용하는 것은 그리 녹록지 않다. 특히 스토리지의 속도와 안정성, 편의성 측면에서 많은 기업과 공공기관이 애를 먹고 있다. 인공지능의 장점을 100% 활용하기 위해  고성능 스토리지가 필요한 이유와 인공지능용 고성능 스토리지의 핵심 요건을 알아본다. 국내외 주요 사례를 통해 고성능 스토리지에 대한 투자 가치를 분석한다. 주요 내용 - AI 프로젝트가 실패하는 숨겨진 이유 - AI용 스토리지의 필수 요건 5가지 - F1 레이싱팀이 IBM ESS 3000을 선택한 이유 - AI 학습 시간 줄이는 과감한 투자가 필요한 시점

AI 인공지능 스토리지 2021.11.19

AI 투자가 실패로 끝나는 이유

최근 2건의 가트너 보고서에 따르면 인공지능(AI)과 머신러닝(ML) 프로젝트 중 85%가 실패하고 있으며, 53%만이 프로토타입에서 프로덕션으로 전환되고 있다. 하지만 두 보고서 모두 AI 투자가 둔화될 조짐은 거의 나타나지 않는다. 많은 기업이 AI 투자를 늘릴 계획이다.   AI 투자 실패를 방지하기 위해서는 약간의 상식적인 비즈니스 사고가 필요하다. 강력한 투자 유인에는 FOMO(Fear Of Missing Out)와 대규모 마케팅 예산을 보유한 AI 기업의 허황된 VC 투자 거품, AI 기반 의사결정 활용 및 데이터 기반 기업으로의 전환에 대한 필요성 인식이 포함된다. AI나 ML 프로젝트를 데이터베이스 업그레이드 및 새 CRM 채택처럼 1회성으로 생각하지 않고 AI를 구시대적인 자본 투자로 생각하는 것이 가장 좋다. 제조사가 비싼 기계 구매를 정당화하는 방식처럼 말이다. 제조사는 많은 기업이 AI와 ML에 대해 생각하는 것처럼 기계를 멋진 새 장난감으로 취급하지는 않을 것이다. 구매 결정에 있어 바닥 면적, 예비 부품, 유지보수, 직원 교육, 제품 설계, 신규 및 개선 제품을 위한 마케팅 및 분산 채널을 고려할 것이다. 새 AI 및 ML 시스템을 기업에 적용할 때도 동일한 고민을 해야 한다. 기업이 AI와 ML에 투자할 때 공통적으로 범하는 6가지 실수를 알아보자.   말보다 마차를 앞세우기 해결해야 할 문제를 알지 못하는 상황에서 애널리틱스 프로그램에 뛰어드는 일은 실패를 초래한다. 방해 요소가 너무 많으면 방심하기 쉽다. 자율주행 자동차와 얼굴 인식, 자동 주행 드론 등은 최신 장난감에 해당되며, 가지고 놀고 싶은 것은 당연하다. AI와 ML이 제공하는 ‘더 나은 결정을 만든다’라는 핵심적인 비즈니스 가치를 잊지 않아야 한다. 데이터 기반 의사결정은 새로운 것이 아니다. 세계 최초의 ‘데이터 사이언티스트’라고 주장하는 로널드 피셔는 1926년에 발행한 ‘현장 실험의 배열(The Arrangement of Field E...

인공지능 머신러닝 2021.11.18

"알고리즘 공정성을 검증하라" 인공지능 '편향 완화'의 이해

알고리즘 편향은 AI 업계에서 철저한 검토가 가장 활발히 진행 중인 분야다. 의도치 않은 시스템적 오류는 부당하거나 제멋대로인 결과로 이어질 위험이 있고, 특히 AI 시장이 2024년이면 1,100억 달러 규모에 이를 것으로 예상되는 상황에서 윤리적이고 책임 있는 표준화된 검토 기술의 필요성이 높아지고 있다. AI는 여러 가지 방식으로 편향되고 해로운 결과를 만들어낼 수 있다. 먼저, AI로 증강하거나 대체하려는 비즈니스 프로세스 그 자체다. 만일 그 프로세스와 맥락, 그리고 적용 대상이 의도와 관계없이 특정 집단에 대해 편향돼 있다면 그 결과로 나온 AI 애플리케이션 역시 편향된다. 또한, AI 개발자가 시스템의 목표, 사용자, 영향을 받는 대상의 가치관, 적용 방식 등에 대해 가진 근본적인 가정으로 인해 해로운 편향이 들어갈 수 있고, AI 시스템의 학습 및 평가에 사용되는 데이터 집합 내 데이터가 영향을 미칠 모든 사람을 대표하지 않거나 특정 집단에 대한 역사적, 체계적 편향을 나타낸다면 결과적으로 해를 끼칠 수 있다. 마지막으로는 모델 자체가 편향될 수 있다. 나이, 인종, 성별 등 민감한 변수, 또는 이름, 우편번호 등 대체 정보가 모델의 예측 또는 추천 요인인 경우다. 따라서 개발자는 각 분야의 어디에 편향이 존재하는지 파악해야 하고 부당한 모델로 이어지는 시스템과 프로세스를 객관적으로 감사해야 한다. 물론 이 작업이 말처럼 쉽지는 않다. 공정성의 정의는 21가지가 넘을 정도로 다양하다. AI를 책임 있게 만들기 위해서는 AI 개발 생애주기 전체에 걸쳐 윤리를 계획적으로 구축해 넣는 것이 편향 완화에 무엇보다 중요하다. 지금부터 각 단계를 자세히 살펴보자.     범위 모든 기술 프로젝트는 단순히 '구축 가능한가?'가 아닌 '이것이 존재해도 되는가?'라는 질문으로 시작해야 한다. 즉, 기술이 모든 문제나 과제의 해결책이라고 믿는 기술만능주의의 함정에 빠져서는 안 된다. 특히 AI의 경우에는 당면 목표 달성에 AI가 적합...

인공지능 편향 알고리즘 2021.08.27

액션파워, AI 음성인식 엔진 ‘다글로’ 삼성물산 건설부문에 공급

액션파워가 26일, 인공지능 음성인식 엔진 ‘다글로’를 삼성물산 건설부문에 공급했다고 밝혔다.   다글로는 삼성물산에 맞춤화해 음성인식 받아쓰기의 정확도를 향상시켰다. 사내에서 자주 쓰이는 프로젝트 및 건설 용어, 약어 등을 엔진에 반영해 정확도를 높였고, 임직원들은 원하는 부분의 음성을 들으며 편집할 수 있어 효율적으로 업무 내용을 정리할 수 있게 됐다. 2019년 4월, 액션파워가 출시한 다글로는 도메인 별 음성인식 엔진 특화전략으로 높은 정확도를 달성해 경쟁업체와 차별성을 갖는다. 현재 9가지 분야에 특화된 음성인식 엔진을 통해 높은 정확도를 제공할 뿐 아니라 자체 개발한 편집기를 통해 사용자 편의성을 높이고 있다. 액션파워 조홍식 공동 대표는 “AI 음성인식 기술이 실제 업무에 활용할 수 있을 정도로 수준이 높아져 업무 효율을 향상시키는 데 도움이 된다”라며, “앞으로 더 많은 기업이 자사 AI 기술을 사용할 수 있도록 서비스 다각화 등의 노력을 할 것이다”라고 말했다. 액션파워 측은 지방자치단체 및 기업 콜센터, 회의록, VOC 수집, 미디어 분석 등 여러 분야에서 B2G 및 B2B 사업을 전개하고 있으며, 올해 안에 음성인식 화상회의 신규 서비스를 출시할 예정이라고 밝혔다. editor@itworld.co.kr

액션파워 인공지능 음성인식엔진 2021.08.26

KT AI 원팀, ‘초거대 AI 모델’ 개발 착수

KT가 19일, ‘AI 원팀(AI One Team)’이 다자간 공동 연구를 통해 ‘초거대 AI 모델’을 개발한다고 밝혔다. 초거대 AI는 대용량 연산이 가능한 인프라를 바탕으로 대규모 데이터를 학습해 사람처럼 스스로 사고할 수 있도록 설계된 인공지능이다. 특히, 초거대 AI 언어모델은 매우 빠르게 발전하고 있으며, 데이터 정제, 학습 알고리즘, 분석 및 병렬학습, 경량화, 응용모델 발굴 등 다양한 분야의 연구가 필요해 기업이 단독으로 추진하기 어렵다. 또한, 학교와 연구기관은 AI 연구를 위한 대규모의 GPU 인프라에 접근하기가 쉽지 않다. 이에 AI 원팀은 기업의 대규모 투자를 통해 GPU 인프라를 구축하고, 학교와 연구기관은 최신의 연구 동향을 반영한 기술을 제공하는 이상적인 산학연 협력 모델을 적용한다. KT는 한국전자통신연구원(ETRI), 카이스트(KAIST), 한양대학교와 함께 초거대 AI 모델 개발을 위해 공동 연구 협약을 체결했다. AI 원팀에서는 초거대 AI 모델을 대한민국 AI 경쟁력 확보를 위한 핵심 의제로 설정하고, 약 6개월 이상 실무 논의와 협력을 지속해왔다. 이번 협약 체결로 기관별 역할을 정의하고 본격적 프로젝트 수행에 나설 계획이다. KT는 대규모 GPU 인프라 구축, 데이터 수집 및 분석, 모델 학습, 응용 태스크 적용 등 연구개발 및 상용화 관련 업무를 총괄적으로 수행한다. 카이스트는 머신러닝 알고리즘 최적화 및 애플리케이션 파트를 맡는다. 한양대학교는 데이터 정제 및 필터링 알고리즘 개발, 분산 및 병렬 알고리즘, 모델 최적화 분야에서 힘을 보탤 예정이다. 한국전자통신연구원은 대형 모델 학습 및 모델 개발 분야에 참여한다.   AI 원팀은 올해 말까지 1차로 초거대 AI 학습을 완료하고, 내년 상반기 내 초거대 AI 모델을 상용화할 계획이라고 밝혔다. 대규모 AI 연산 인프라를 구축하고, 향후 2,000억 파라미터 이상의 모델까지 가능하도록 인프라 규모를 점진적으로 확대할 예정이다. 또한, AI 원팀은 ...

KT KAIST ETRI 2021.08.19

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 © 2023 International Data Group. All rights reserved.