Methods-贸泽技术与解决方案杂志，及时了解技术创新与工程设计方面的重要资讯。
Issue link: https://trendsintech-korea.mouser.com/i/1540281
어디에나 존재하는 AI LLM을 넘어, AI의 가능성은 어디까지일까? 글/벡스 심슨(Becks Simpson), 마우저 일렉트로닉스 인공지능(AI)은 마치 모든 곳에서 사용되는 것처럼 보입니다. 기업 규모와 상관없이 모든 회사의 웹사이트 검색창에 어느새 추가되고, 이메일을 작성하거나 협업 문서를 쓰는 중에도 "AI에게 도움을 요청하시겠습니까?"라는 문구가 어느새 나타나기 시작했습니다. 매일 새로운 솔루 션이 등장하며, 사용자에게 " 데이터와 대 화하기", "문서와 대화하기" 와 같은 기능 을 제공하고 있습니다. 지난 몇 년간 AI는 혁신과 인기를 동시에 누리며 빠르게 발전해 왔습니다. 특히 최신 대규모 언어 모델(LLM)의 등장 이후, 모든 제품에 AI를 접목시키고 기업 전반의 문제를 해결하는 만능 도구로 제시하려는 경쟁은 더욱 두드러지고 있습니다. 최근 출시되는 대부분의 AI 기능은 어느 정도 LLM을 기반으로 하며, 콘텐츠 생성부터 요약에 이르기까지 다양한 문서 작업에서 놀라운 기능을 선보이고 있습니다. 이제 AI는 법률, 회계, 소프트웨어 엔지니어링처럼 점점 더 복잡하고 정교한 분야로 확장되고 있으며, 사람들은 이러한 AI로 모든 문제를 해결할 수 있다고 믿게 되는 경향도 나타나고 있습니다;안타깝게도, 현실은 그렇지 않습니다. 수많은 활용 사례와 다양한 데이터 유형들을 살펴보면, LLM 기반의 생성형 AI가 과대평가되고 있으며, 모든 문제를 해결할 수 있는 만능 해결책은 아니라는 점이 분명하게 드러납니다. 이 글에서는 컴퓨터 비전, 시계열 분석, 전통적인 머신 러닝(ML), 강화학습 (RL) 등 다양한 AI 애플리케이션에 대해 살펴봅니다. 이를 통해 AI 의 세계가 단순히 LLM에 국한되지 않으며, 상황에 따라 더 적합한 도구들이 존재한다는 사실을 보여주고자 합니다. 만능의 LLM? 아직은 No! LLM은 현재 가장 강력하고 폭넓게 활용되는 형태의 AI 중 하나이며, 최근의 과대 열풍은 기업들이 이를 모든 비즈니스 상황에 성공적으로 적용할 수 있다고 믿게 만들고 있습니다. 하지만 이러한 인식은 잘못된 것입니다. 첫째, 모든 문제가 언어 기반인 것은 아닙니다. LLM 은 일반적으로 입력과 출력이 텍스트 형식이라는 전제에 기반하며, 문서, 설명, 지시사항, 요약 등을 예로 들 수 있습니다. 그러나 현실에는 구조화된 숫자 데이터가 대량으로 존재하며, 시간에 따라 복잡한 패턴이 드러나는 경우가 많습니다. 예를 들어 수년에 걸친 거래 기록, 지출 내역, 수치를 포함한 금융 데이터가 이에 해당합니다. 또 다른 활용 사례는 입력 데이터로 이미지가 필요한 경우입니다. 위성 사진이나 의료 영상 같은 경우가 대표적입니다. 일부 LLM은 멀티모달 기능을 갖추고 있지만, 이러한 복잡하고 특수한 이미지 기반 요구 사항에 대해서는 일반화된 성능을 보이지 못합니다. 예지 정비와 같은 애플리케이션은 기계 소리나 센서 데이터처럼 오디오나 시계열 데이터를 입력으로 사용합니다. 이러한 경우에는 언어 기반 생성형 AI 가 전혀 도움이 되지 않을 수 있습니다. 둘째, 모든 해결책이 생성형일 필요는 없습니다. 일부 문제는 생성보다는 회귀나 분류와 같은 방식으로 해결해야 합니다. 물론 생성형 AI가 요청에 따라 분류 결과를 제공하거나, 특정한 도메인 내에서 샘플 데이터를 기반으로 회귀 방식의 수치를 생성할 수는 있습니다. 하지만 이러한 경우에도 생성 모델이 해당 패턴을 충분히 학습하지 않았다면, 정확한 출력을 내놓지 못할 가능성이 큽니다. 어떤 경우에는 질문이 특정 데이터셋에만 국한되며, 전체 데이터셋을 면밀히 분석하고 학습해야만 답을 찾을 수 있습니다. 마지막으로, 생성형 AI는 때때로 과도한 선택이 될 수 있습니다. 실제로 많은 문제는 생성형 AI 없이도 이미 입증된 수학적 또는 통계적 방법으로 효과적으로 해결할 수 있습니다. 예를 들어, 물류 및 배송 분야의 일정 관리나 경로 선택과 같은 애플리케이션은 경로 최적화를 위한 기존 알고리즘을 통해 처리할 수 있습니다. 이러한 방식은 특정 문제에 더 직접적으로 적용 가능하며, 구현이 더 단순하고 정확도도 높은 경우가 많습니다. 5 |