Methods_KR

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。

Page 9 of 43

9 |

Articles in this issue

Cover
Image
In this issue
서문
by 매트 캠벨(Matt Campbell) & 빈스 소스코(Vince Sosko)
3
어디에나 존재하는 AI
by 벡스 심슨(Becks Simpson)
5
AI 도입의 역설
by 로버트 뎀시(Robert Dempsey)
9
AI 시대를 위한 데이터 센터의 전력 설계하기
by 브랜든 루이스(Brandon Lewis)
15
19
인포그래픽
인공지능을 향한 여정
AI의 윤리적 딜레마 재조명
by 카일 덴트(Kyle Dent)
23
임베디드 머신 러닝의 제약 극복하기
by
마이클 파크스
(Michael Parks)
27
AI의 규제 환경
33
마우저와 마우저 일렉트로닉스는 마우저 일렉트로닉스(유)의 등록 상표이며,
여기에 언급된 제품, 로고, 회사명은 각 소유주의 고유 상표입니다.
여기에 포함된 레퍼런스 설계, 개념도 및 기타 그래픽은 정보 제공의 목적으로만 사용됩니다.
회사
서문 (1)
서문
매트 캠벨
(Matt Campbell) &
빈스 소스코
(Vince Sosko)
, 마우저 일렉트로닉스
인공지능(AI)은 더 이상 먼 미래의 가능성이 아닙니다. AI는 이미 우리 곁에 있으며, 산업과 업무 방식, 일상생활에까지 영향을 미치고 있습니다. 지금 우리가 AI와 마주한다는 것은, 독창성이나 의사결정, 인간의 역할에 대한 기존의 인식을 다시 생각하게 만드는 강력하고 빠르게 진화하는 기술을 접하고 있다는 의미입니다. 이제 우리는 AI가 무엇을 할 수 있는가 뿐 아니라, 무엇을 해야 하는가에 대한 질문도 함께 던져야 합니다. 기술과 윤리, 그리고 우리
우리가 AI에 대해 심층적으로 다뤘을 때만 해도 그저 가능성에 불과했습니다. 당시 《Methods》에서는 이제 막 부상하던 AI라는 개념을 이해하고자 노력했으며, 이러한 시도는 지금도 계속되고 있습니다. 다만, 이제는 다른 형태로 나타나고 있습니다. 오늘날 AI는 전 세계 주식 시장의 흐름을 바꾸는 거대한 힘이 되었고, 모든 산업에서 가장 주목받는 화두로 떠올랐습니다. 기업들은 AI가 세상을 바꿀 열쇠가 될 것이라는 믿음 아래 수십억 달러 규모의 투자
마지막으로
하지만 유행에는 늘 그에 대한 회의론도 함께 따라오기 마련입니다. 그렇다면 과장된 기대 속에서 AI는 실제로 직장인과 기업의 일상에 어떤 영향을 줄 수 있을까요? 기업 환경에서 AI를 적용하는 일은 아직 새롭고, 그 내부 알고리즘은 복잡해 명확히 드러나지 않습니다. 엔지니어들은 이미 다양한 AI 도구를 갖추고 있지만, 이제는 그것으로 해결할 문제를 찾아야 합니다. 업무 효율을 높일 수 있다는 기대감이 크지만, 결국 모든 사람은 스스로에게 "이 알고리즘이
AI가 산업, 의료, 농업, 교통 등 기존 시스템에 통합되면서, 오랜 시간 구축되어온 지식 체계와 규제 틀과 충돌하고 있습니다. 우리는 AI가 가진 전례 없는 능력을 현재의 한계와 조화시켜야 합니다. 여기에는 데이터의 편향, 자동화 개발에서의 윤리적 고민, 지능형 시스템에 대한 의존 증가로 인한 사회적 영향이 포함됩니다. 동시에, 두려움이나 회의감이 AI가 가져올 수 있는 실제적인 기회를 가려서는 안 됩니다. AI는 생산성을 높이고, 더 깊은 통찰을 제
AI는 하이퍼스케일 데이터센터의 연산 능력을 손안에 쥘 수 있는 수준으로 끌어내리고 있습니다. 이러한 슈퍼컴퓨팅 자원의 민주화는, 우리가 철저한 안전장치 안에서 조심스럽게 나아가야 할지, 아니면 제한 없는 혁신을 우선시해야 할지를 놓고 고민하게 만듭니다. 이러한 질문들은 기존의 법적·윤리적 틀로는 명확한 답을 내리기 어려운 영역입니다. AI가 새로운 버전으로 진화할 때마다, 우리는 이 기술이 사회적·경제적·윤리적 구조 안에서 어떤 위치를 차지하는지에 대
AI를 단지 또 하나의 기술 유행으로 보는 경우는 아마도 없을 것입니다. 과거에는 어땠을지 몰라도 말입니다. 이제 던져야 할 질문은 AI에 관여할 것인가가 아니라, 어떻게 책임 있게 관여할 것인가입니다. 우리가 지금 내리는 결정들—AI를 어떻게 개발하고, 규제하고, 적용할 것인가에 관한 선택들—은 앞으로 수십 년 동안 AI의 영향이 어떤 궤도를 탈지를 결정짓게 될 것입니다. 우리는 변화를 거부하기보다는, 투명성, 공정성, 인간의 복지를 우선시하는 시스템
기대감과 회의론 사이, 한 가지 사실은 변하지 않습니다. AI는 이미 우리 곁에 존재한다는 것입니다. 이번 호에서는 독자가 엔지니어이자 인간으로서 자신의 삶에서 AI를 맥락화할 수 있도록 돕는 것을 목표로 합니다. 업계 전문가들의 심층적인 기술 분석 외에도, 기술 세계와 분석적 세계를 모두 아우르는 전문가들의 견해도 수록되어 있습니다. 이번 호는 AI라는 모호한 세계를 실용적인 지식으로 정제해 나가는 또 하나의 단계이며, 이를 통해 독자 여러분들이 신중
Figure
저자 소개
매트 캠벨(Matt Campbell)은 마우저 일렉트로닉스의 테크니컬 스토리텔러입니다. 텍사스 A&M 대학교(Texas A&M University)에서 전기공학 학위를 취득했는데, 자신이 미적분보다는 언어에 더 뛰어나다는 것을 깨닫고 첨단 기술 뒤에 가려진 이야기를 펼쳐내는 일을 하고 있습니다. 사무실을 벗어나서는 콘서트에 가고, 야외로 나가고, 골동품을 수집하고, 노을을 촬영하는 것을 좋아합니다.
Figure (1)
저자 소개 (1)
빈스 소스코(Vince Sosko)는 마우저 일렉트로닉스의 기술 콘텐츠 전문가입니다. 글을 작성하거나 신구 기술을 연구하는 시간 외에는 집에서 딸들과 스파를 즐기거나 콘서트를 관람합니다. 마이애미 대학교(Miami University)와 존 캐롤 대학교(John Carroll University)를 졸업했으며, 수사학과 작문학을 전공했습니다.
어디에나 존재하는 AI (1)
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 솔루션이 등장하며, 사용자에게 "데이터와 대화하기", "문서와 대화하기"와 같은 기능을 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
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. LLM은 일반적으로 입력과 출력이 텍스트 형식이라는 전제에 기반하며, 문서, 설명, 지시사항, 요약 등을 예로 들 수 있습니다. 그러나 현실에는 구조화된 숫자 데이터가 대량으로 존재하며, 시
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 AI가 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. 무엇보다, 복잡한 딥 러닝 모델과 그에 따르는 비용이나 리소스를 들이지 않아도 된다는 장점이 있습니다.
LLM의 대안은?
언어 기반 생성형 AI에 모든 관심이 집중되면서, 동등하게 인상적인 형태의 AI가 존재한다는 사실을 놓치기 쉽습니다. LLM과 유사한 정교함과 기능을 가진 딥 러닝 모델들이 컴퓨터 비전 애플리케이션 뿐만 아니라 시계열 분석과 강화학습(RL)에도 개발되어 왔습니다. 게다가, 전통적인 통계 기반 머신 러닝(ML)은 여전히 많은 기업용 사례에서 중요한 역할을 하고 있습니다.
컴퓨터 비전
컴퓨터 비전은 보안, 헬스케어, 제조업과 같은 산업을 변화시키고 있는 AI의 핵심
하위 분야입니다. 예를 들어, 사이버보안에서는 컴퓨터 비전을 사용하여 감시 시스템의 시각 데이터를 분석하고 이상을 감지하거나 잠재적인 침해를 식별합니다. 헬스케어에서는 방사선 영상에서 암을 감지하는 것처럼,
의료 영상으로부터 질병을 진단하는 데
도움을 줍니다. 마찬가지로, 제조업에서는 조립 라인에서 결함을 감지함으로써 품질 관리를 가능하게 합니다. 이러한 애플리케이션들은 시스템이 이미지나 비디오 같은 시각 데이터를 "보고" 해석할
수 있도록 해주는 딥 러닝 기술에 의존합니다. 이 기술은 인간의 시각 인지를 모방하는 알고리즘을 사용합니다.
일반적으로 가장 많이 사용되는 모델은 합성곱 신경망(CNN)이며, 최근에는 비전 트랜스포머(Vision Transformer)가 자주 활용되고 있습니다.
(1)
기반이 되는 모델과 관계없이, 훈련은 일반적으로 세 가지 단계로 이루어집니다. 먼저, 원시 시각 데이터는 초기 이미지 전처리 과정의 일환으로 정리되고 형식화됩니다. 그런 다음 비전 모델은 이러한 데이터를 엣지, 텍스처, 패턴과 같은 특징을 감지하는 여러 층에 통과시키며, 단순한 구조에서 복잡한 형태와 객체로 점차 확장해 나갑니다.
일반적으로 이는 지도학습(supervised learning)입니다. CNN은 처음 학습하는
이미지에 어떤 것이 포함되어 있는지에 대한 정보를 갖고 있으며, 그 작업이 분류든 객체 탐지든 관계없이 해당됩니다. 모델은 목표 레이블을 더 정확히 예측하기 위해 층들을 지속적으로 업데이트하면서 입력 이미지에 무엇이 있는지를 효과적으로 "학습"합니다.
이러한 방식으로 시스템은 결국 감지된 특징들을 범주(예: "악성" 대 "양성")로 분류하거나, 이미지 내의 정확한 위치를 식별하는 등의 작업을 수행할 수 있게 되며, 이는 자동 품질 검사나 이상 탐지 같은 행동을 가능하게 합니다.
시계열 분석
시계열 분석은 예지 정비 및 리스크 평가와 같은 AI 애플리케이션 전반에서 중요한 역할을 합니다. 이 범주의 모델들은 산업 장비의 센서 데이터나
금융 거래 기록과 같은 순차 데이터를
분석하여 패턴을 식별하고, 고장을
예측하거나, 리스크를 평가하는 데 중점을 둡니다. 이 AI 하위 분야는 과거의 행동이 미래 사건의 예측 지표가 되는 모든 애플리케이션에 필수적이며, 이전 데이터를 기반으로 한 예측이나, 기대되는 패턴에서 벗어난 사건을 탐지하는 이상 감지를 가능하게 합니다.
예를 들어, 예지 정비에서는 과거 데이터를 기반으로 학습된 AI 모델이 기계가 언제 고장날 가능성이 높은지를 예측할 수 있으며, 이를 통해 사전 수리를 실행함으로써 비용을 절감하고 다운타임을 줄일 수 있습니다.
AI 기반 시계열 분석은 복잡한 시간적 패턴을 자동으로 학습하는 딥 러닝 기법에 많이 의존하지만, 통계적 원리에 기반한 전통적인 머신 러닝 기법 역시 중요한 역할을 합니다.
시계열 분석은 일반적으로 초기 데이터 전처리 과정으로 시작되며, 이는 전통적인 방식이든 딥 러닝 방식이든 모두에게 중요한 단계입니다. 이 과정에는 값의 정규화, 일정 간격으로의 데이터 재샘플링, 결과를 왜곡할 수 있는 이상값 제거 등이 포함될 수 있습니다. 작업의 성격과 사용 가능한 데이터에 따라 서로 다른 모델이 선택됩니다.
작업이 단순하거나 데이터가 부족한 경우에는 ARIMA(자기회귀 누적이동
평균)와 같은 통계 모델이 이상 탐지나
단기 예측에 자주 사용되며, 이는 선형
관계를 효율적으로 포착할 수 있기
때문입니다. 반면, LSTM(장단기 메모리) 네트워크나 GRU(게이트 순환 유닛)와 같은 딥 러닝 모델은 더 긴 시퀀스의 데이터 내에서 복잡하고
비선형적인 패턴을 인식하는 데 뛰어난 성능을 보입니다.
게이트 순환 유닛(Gated Recurrent Units, GRU)은 입력 데이터를 순차적으로 처리하여 관련된 특징을 추출하는 여러 층을 통해, 합성곱 신경망(CNN)과 유사한 방식으로 훈련됩니다.
그러나 이러한 모델은 메모리 셀(memory cells)과 게이팅 구조(gating structures)와 같은 특수한 메커니즘을 포함하고 있어, 시퀀스의 앞부분에서 나온 정보를 유지하고 우선순위를 부여함으로써, 시간이 지나도 중요한 패턴을 효과적으로 "기억"할 수 있게 합니다.
이로 인해 GRU는 계절적 추세나 장기 상관관계와 같이 여러 시간 단계에 걸친 의존성을 포착하는 데 특히 강력한 성능을 발휘합니다.
(2)
머신 러닝
머신 러닝(ML)은 많은 AI 애플리케이션의 기반이 되기도 합니다. 딥 러닝과는 달리, 머신 러닝의 덜 복잡한 통계적 기법들은 비교적 작은 규모의 구조화된 데이터셋에서도 효과적으로 작동할 수 있어, 생물의학 연구나 신약 개발과 같은 보다 특수한 분야에 적합합니다.
ML은 지도 학습 모델인 서포트 벡터
머신(SVM)과 랜덤 포레스트(Random Forest)부터, 비지도학습 기법인 K-평균 군집화(K-means clustering)와 주성분 분석(PCA)에 이르기까지 다양한 기법을 포함합니다. 지도 학습 알고리즘은 레이블이 붙은 데이터셋에 의존하여 결과를 예측하며, 임상 요인을 활용해 면역 치료 반응을 예측하는 바이오마커 발견 등의 애플리케이션을 가능하게 하는 것을 예로 들 수 있습니다.
반면, 비지도 학습은 데이터 내 숨겨진 패턴이나 군집을 식별하며, 사전에 정의된 범주 없이 고객의 구매 행동에 따라 고객을 군집화하는 데 사용되는 것을 예로 들 수 있습니다. 이러한 접근법은 계산 효율성과 해석 가능성이 중요한 요건인 상황에서 특히 유용합니다.
머신 러닝(ML)은 수학적 알고리즘을 사용하여 데이터에서 패턴을 추출하고, 그 패턴에 기반해 예측이나 결정을 내립니다. 예를 들어, 랜덤 포레스트(Random Forest)는 널리 사용되는 앙상블 학습 기법으로, 여러 개의 결정 트리를 결합하여 예측 정확도를 높이고 과적합을 줄이며, 사기 탐지와 같은 작업에 강건한 성능을 제공합니다.
대부분의 ML 모델 훈련 과정은 데이터를 훈련 세트와 테스트 세트로 나눈 다음, 훈련 세트에서 알고리즘을 최적화하고, 보지 않은 데이터에 대해 성능을 검증하는 방식으로 진행됩니다.
딥 러닝과는 달리, 이러한 방법들은 훈련 속도가 빠르고 계산 자원이 덜 필요하며, 특징의 중요도에 대한 통찰을 제공할 수 있기 때문에, 다양한 비즈니스 및 과학적 활용 사례에서 유연하게 적용될 수 있습니다.
강화 학습
강화 학습(RL)은 동적인 환경에서의 의사결정에 초점을 맞춘 독립적인 AI 접근 방식으로, 에이전트가 주변 환경과 상호작용하며 보상이나 페널티의 형태로 피드백을 받아 특정 목표를 달성하는 방법을 학습합니다.
레이블이 지정된 데이터에 의존하는 지도 학습과는 달리, RL은 장기적인 보상을 극대화하기 위해 일련의 행동들을 탐색하며, 적응적인 전략이 필요한 애플리케이션에 적합합니다.
RL 프로세스는 문제 도메인을 모델링하는 환경을 정의하고, 상태(state), 행동(action), 보상 구조(reward structure)를 명시하는 것부터 시작됩니다. 에이전트는 시도와 오류를 반복하는 방식으로 학습하며, 이때 Q-러닝(Q-learning)이나 정책 그래디언트(policy gradient) 방법과 같은 기법이 자주 사용됩니다.
훈련 과정에서는 에이전트가 환경과 상호작용하면서 데이터를 수집하며, 이러한 경험 데이터는 종종 최적화를 위해 리플레이 버퍼(replay buffer)에 저장됩니다. 에이전트의 정책(policy)은 상태를 행동에 매핑하는 함수로, 성능을 개선하기 위해 지속적으로 업데이트되며, 이는 새로운 행동을 탐색하는 것과 이미 알려진 전략을 활용하는 것 사이의 균형을 유지합니다.
이러한 접근 방식은 RL이 예지 정비와 같은 작업에서 뛰어난 성능을 발휘할 수 있게 해주며, 에이전트가 최적의 수리 일정을 학습하거나 신약 개발에서 분자 설계를 최적화하는 데에도 활용될 수 있습니다. 로보틱스, 게임, 자율 시스템과 같은 분야 또한 이 AI 하위 영역에 크게 의존합니다.
맺음말
생성형 AI가 언론의 주목을 끌고 있지만, AI의 진정한 힘은 LLM에 대한 과대 열풍 너머 다방면의 산업 분야에서 기업들이 직면하는 복합적인 과제를 해결할 수 있는 다양한 도구 세트에 있습니다. 컴퓨터 비전은 시스템이 시각 데이터를 처리하고 분석할 수 있도록 하여, 헬스케어나 제조업과 같은 분야를 변화시키고 있습니다.
시계열 분석은 예지 정비나 금융 예측처럼 순차 데이터의 패턴에 의존하는 애플리케이션에서 뛰어난 성능을 보입니다. 머신 러닝은 통계적 정밀성과 효율성을 제공하며, 이는 생물의학 연구나 신약 개발과 같은 작업에 적합한 구조화된 데이터셋에 이상적입니다.
한편, 강화 학습은 역동적인 환경에서 적응 전략을 구성하는 데 강점을 가지며, 로보틱스나 게임 같은 분야에서 활약하고 있습니다. 이러한 다양한 애플리케이션들을 살펴보면, 효과적인 AI 솔루션은 언어 기반 생성형 AI라는 영역도 좁게 느껴질 정도로 광범위하게 존재함을 분명히 보여줍니다.
빠르게 변화하는 기술 환경 속에서, AI 도구들을 적재적소에 조합하여 채택한다면 기업들은 실질적인 가치와 혁신을 실현할 수 있을 가능성이 높아질 것입니다.
Figure (2)
i.MX 8M Plus
프로세서
머신 러닝, 비전, 멀티미디어 및
산업용
IoT
에 적합
Figure (3)
mouser.com/nxp-i-mx-8m-plus
Figure (4)
저자 소개 (2)
저자 소개
벡스 심슨(Becks Simpson)은 미국 뉴욕 소재 스타트업 로고(Rogo)에서 풀스택 AI 책임자입니다. 로고는 데이터 과학에 대한 배경 지식 없이도 누구나 자신의 데이터를 분석하고 인사이트를 얻을 수 있도록 지원하는 플랫폼을 개발합니다. 여가 시간에는 또 다른 스타트업인 웨일 시커(Whale Seeker)와 협력하고 있으며, 이 기업은 AI를 활용해 고래를 탐지함으로써 산업과 고래가 상생할 수 있는 방법을 모색합니다. 그녀는 딥 러닝 및 머신 러
AI 도입의 역설 (1)
AI 도입의 역설
글/로버트 뎀시(Robert Dempsey), 마우저 일렉트로닉스
인공지능(AI)은 기술 혁신의 최전선에 있으며, 자동화와 데이터 기반 인사이트를 통해 기업 운영의 다양한 측면을 변화시킬 준비가 되어 있습니다. 기업들은 효율성 향상과 경쟁력 확보라는 약속에 끌리면서도, AI 도입을 주저하는 경우가 많습니다. AI의 '블랙박스' 특성과 환각(hallucination)과 같은 위험 요소들이 이러한 신중함의 원인입니다.
이 글에서는 기업이 AI에 대한 신뢰를 어떻게 구축할 수 있는지를 다룹니다. AI 활용에 명확한 기준을 설정하고, 모델의 투명성을 높이며, 인간 노동을 대체하기보다는 보완하는 협업적 접근 방식을 채택함으로써, 조직은 AI 도입의 복잡성을 효과적으로 관리하고 그 변혁적 잠재력을 실현할 수 있습니다.
AI
도입에 대한 과장과 현실
사이의 해석
AI가 산업을 어떻게 변화시킬 수 있을지에 대한 비전은 거의 모든 분야에 확산되었습니다. 헬스케어, 금융, 리테일 등 다양한 산업에서 AI는 업무 흐름을 간소화하고, 의사결정 속도를 높이며, 새로운 비즈니스 기회를 발굴할 수 있는 잠재력을 지닌 기술로 주목받고 있습니다. 실제로 AI는 데이터 분석, 예측 분석, 반복 작업의 자동화, 자연어 처리 분야에서 이미 상당한 가능성을 보여주고 있습니다. 이러한 활용 사례는 운영 효율성 향상, 비용 절감, 혁신 촉
예를 들어, 데이터 분석에서는 AI가 방대한 데이터를 신속하게 처리하여 인간 분석가의 역량을 넘어서는 트렌드, 이상 징후, 패턴 등을 식별할 수 있습니다. 고객 서비스 분야에서는 AI 기반 챗봇이 대량의 문의를 처리해 빠른 응답을 제공하고, 복잡한 문제는 인간 상담원이 집중할 수 있도록 돕습니다. 이러한 기술 발전은 매우 매력적이며, AI를 핵심 비즈니스 프로세스에 통합하려는 기대감도 높아지고 있습니다.
그러나 이 같은 긍정적인 전망에도 불구하고, 실제 기업의 AI 도입 속도는 예상보다 보수적인 양상을 보이고 있습니다. 2021년부터 2022년까지 실시된 한 조사에 따르면, 전체 기업의 70% 이상이 여전히 AI 도입을 시험하거나 탐색 중인 단계에 머물러 있었으며, 소수만이 이를 실제 운영에 대규모로 적용하고 있는 것으로 나타났습니다. 이처럼 기업들이 AI 도입에 신중한 태도를 보이는 데에는 여러 가지 이유가 있습니다. 우선, '미지의 영역'에 대한 두
1
또한 데이터 활용, 개인정보 보호, 알고리즘 편향성 등과 관련한 규제의 강화도 이러한 망설임을 부추기고 있습니다. 기업들은 AI를 잘못 도입할 경우 운영상의 오류는 물론, 기업 평판 훼손이나 법적 책임까지 초래할 수 있다는 점을 인식하고 있습니다. 따라서 AI가 제공하는 가능성은 분명 매력적이지만, 많은 기업들이 도입 과정에서 신중하고 점진적인 접근을 택하고 있는 것입니다. 그럼에도 불구하고, 2023년 생성형 AI의 폭발적인 확산 이후 상황에는 변화의
2
AI (1)
모델의 블랙박스 특성에 대한
대응 방안
AI 도입의 또 다른 주요 과제는, 특히 딥 러닝과 신경망을 기반으로 하는 고급 AI 모델에서 흔히 나타나는 '블랙박스' 특성입니다. 이러한 시스템은 입력값을 처리해 결과를 도출할 수 있지만, 그 과정에서 어떤 방식으로 결정을 내렸는지에 대해 인간이 쉽게 이해하기 어렵습니다.
이러한 불투명성은 수백만에서 수십억 개에 이르는 매개변수를 포함한 복잡한 알고리즘 구조에서 비롯됩니다. 예를 들어, 이미지 인식을 위한 딥 뉴럴 네트워크는 여러 개의 계층으로 구성되어 있으며, 각 계층은 입력 데이터에서 서로 다른 특징을 추출합니다. 이들 계층 간의 상호작용은 수학적으로 매우 복잡하며, 전문가조차도 특정 결과가 도출된 정확한 경로를 추적하기가 어렵습니다.
또한, AI 모델은 방대한 양의 학습 데이터를 기반으로 패턴을 학습하고 예측을 수행합니다. 이때 모델이 식별하는 관계성과 상관관계는 지나치게 복잡하여 이를 인간의 시각으로 단순하게 해석하기 어렵습니다. 그 결과, 이해관계자들은 강력한 기능을 가진 도구를 보유하고 있음에도 불구하고, 그 의사결정 과정은 여전히 불투명한 상태로 남게 됩니다.
AI의 블랙박스 특성은 기업과 이해관계자들이 해당 기술에 대해 신뢰를 갖는 데 큰 영향을 미칩니다. AI의 의사결정 과정을 투명하게 들여다볼 수 없다면, 학습 데이터에 내재된 편향이 그대로 반영되는 문제를 사전에 방지하거나 조기에 발견하기가 어렵습니다. 예를 들어, 금융기관이 AI를 활용해 대출 신청을 심사할 경우, 그 과정에서 명확한 사유 없이 대출이 거절된다면 신청자는 불만을 갖게 되고, 기관은 차별 가능성에 대한 규제 당국의 조사를 받을 수 있습니
실제로 한 글로벌 IT 기업은 채용 과정에서 AI를 활용했으나, 이 AI는 남성 지원자에게 유리하게 작동했습니다. 이는 과거 남성 중심의 채용 데이터에 기반해 학습했기 때문입니다. 문제는, 이러한 편향이 오랜 기간 드러나지 않았다는 점입니다. 투명성이 부족했던 탓에 오류의 발견이 지연되었고, 결과적으로 기업의 평판이 훼손되었으며 윤리적 문제까지 제기되었습니다. 이와 같은 사례는 AI의 불투명성이 신뢰를 떨어뜨리고 기술 도입을 주저하게 만드는 원인이 될
3
AI (2)
AI
환각 현상에 대응하기 위한
과제
AI 환각(hallucination)이란, AI 시스템이 실제와 다른 잘못된 정보나 의미 없는 내용을 마치 사실인 것처럼 그럴듯하게 생성하는 현상을 말합니다. 이러한 문제는 주로 대규모 언어 모델이나 생성형 AI에서 발생하며, 이들은 학습된 데이터 패턴을 기반으로 예측과 응답을 생성하는 과정에서 오류를 일으킵니다. 예를 들어, AI 챗봇이 존재하지 않는 사건에 대해 구체적인 날짜와 수치까지 포함한 상세한 설명을 제시할 수 있으며, 사용자는 외부의 검증
2023년에는 실제로 한 변호사가 AI 언어 모델이 제공한 정보를 바탕으로 법률 문서를 작성하면서 존재하지 않는 판례를 인용하는 일이 발생했습니다. 해당 AI는 판례명과 인용 문구, 요약 내용까지 매우 그럴듯하게 만들어냈고, 변호사는 이를 그대로 공식 서류에 포함시켰습니다. 이후 법원이 해당 사례들이 허구임을 밝혀내면서, 이 변호사는 직업적 신뢰에 큰 타격을 입고 징계를 받았습니다.
4
이처럼 AI 환각은 정보가 실제처럼 보이기 때문에 더욱 심각한 문제를 야기합니다. 특히 사용자가 해당 분야의 전문 지식이 없을 경우, 잘못된 정보를 의심하거나 검증하기 어렵다는 점에서 큰 위험 요소로 작용할 수 있습니다.
AI 환각 현상이 초래하는 위험은 특히 AI 시스템이 중요한 의사결정 과정에 통합될 경우 매우 심각해질 수 있습니다. 부정확한 출력 결과는 잘못된 비즈니스 전략 수립이나 정책 결정으로 이어질 수 있으며, 대중에게 허위 정보를 전달하는 결과를 초래할 수도 있습니다. 앞서 언급한 법률 사례에서는, 변호사가 AI가 생성한 잘못된 정보를 신뢰함으로써 소송에 악영향을 미쳤고, 윤리적인 문제까지 제기되었습니다.
더 나아가, 이러한 위험은 시간이 지날수록 더욱 증폭됩니다. AI가 생성한 콘텐츠가 향후 모델 학습을 위한 데이터셋에 재사용될 경우, 환각 정보가 검출되지 않고 포함되면 오류가 차세대 AI 시스템에도 고스란히 전달됩니다. 이는 잘못된 학습의 반복을 초래하며, AI 기술의 전반적인 품질과 신뢰성을 훼손하는 악순환으로 이어질 수 있습니다.
AI (3)
환각의 악순환을 방지하기 위한
대응 전략
AI 환각이 확산되는 것을 방지하기 위해 기업은 콘텐츠 생성 및 데이터 구성 과정에서 강력한 인간의 감독 체계를 유지해야 합니다. 이를 위해서는 AI의 출력 결과에 대한 정기적인 감사를 수행하고, 정보가 실제로 사용되거나 공개되기 전에 신뢰성을 검증하는 절차를 마련해야 합니다.
지속적인 모니터링
AI 시스템에 대한 지속적인 평가와 관찰은 필수입니다. 성능을 꾸준히 모니터링함으로써 오류나 부정확한 결과가 반복되는 패턴을 식별할 수 있으며, 이는 AI 모델 자체 또는 학습 데이터에 문제가 있다는 신호일 수 있습니다. 이러한 사전 대응 방식은 문제를 조기에 발견하고 확산되기 전에 해결할 수 있도록 돕습니다.
피드백 루프
피드백 메커니즘을 구축하면 인간의 감독 아래 AI 시스템이 스스로의 실수로부터 학습할 수 있습니다. 오류가 확인되면 해당 정보를 시스템에 다시 입력하여 알고리즘을 조정하고, 향후 성능을 개선하는 데 활용할 수 있습니다. 이러한 반복적 개선 과정은 AI 모델의 정밀도를 점진적으로 높이며, 환각 현상의 재발 가능성을 줄이는 데 기여합니다.
신뢰할 수 있는
AI
활용을 위한
경계 설정
AI에 대한 신뢰를 구축하기 위해서는, 기업이 그 활용 범위에 대해 명확한 경계를 설정해야 합니다. 이를 위해서는 AI가 신뢰할 수 있는 성능을 보여주었고, 그 출력 결과를 검증할 수 있는 구체적인 활용 사례를 식별하는 것이 중요합니다. 예를 들어, 데이터 입력 자동화나 기초적인 데이터 분석과 같은 영역에서는 AI를 신뢰할 수 있지만, 전략적 의사결정이나 고객과의 소통과 같은 분야에서는 반드시 인간의 감독이 병행되어야 합니다.
이러한 기준을 명확히 설정함으로써, 조직은 AI를 예측 가능한 한계 내에서 유용한 도구로 활용할 수 있습니다. 이 접근 방식은 예상치 못한 결과를 줄이고, 이해관계자들이 AI의 역할에 대해 보다 편안하게 받아들이도록 돕습니다.
AI 출력 결과를 조기에 점검하고 오류를 발견하기 위해서는 효과적인 리스크 관리 전략이 필수적입니다. 이를 위해 '휴먼 인 더 루프(human-in-the-loop)' 시스템과 같이 인간 전문가가 AI가 생성한 결과를 실행 또는 공개하기 전에 검토하고 검증할 수 있는 절차를 마련해야 합니다.
또한, 특히 오류 발생 시 심각한 결과로 이어질 수 있는 핵심 업무 영역에서는 AI의 자율성을 제한하는 것이 필요합니다. AI 시스템이 독단적인 결정을 내리지 않도록 자율성의 범위를 통제함으로써, 조직은 부정적인 결과를 방지할 수 있습니다.
AI (4)
모델의 투명성 제고
AI의 결과에 대한 신뢰를 구축하기 위해서는 투명성이 핵심 요소로 작용합니다. 사용자가 AI가 어떻게 특정 결과에 도달했는지를 이해할 수 있다면, 해당 시스템의 추천이나 판단을 더욱 신뢰하고 수용할 가능성이 높아집니다. 또한, 투명성은 규제 준수를 위한 기반이 되기도 합니다. 특히 엄격한 거버넌스 기준을 요구하는 산업에서는, 감사 기관에 필요한 문서화 및 설명을 제공하는 데 필수적입니다.
AI의 투명성을 확보하는 한 가지 방법은
'설명 가능한 AI(Explainable AI, XAI)'
기법을 활용하는 것입니다. 설명 가능한 AI는 AI 모델의 내부 작동 방식을 보다 명확히 보여주고, 의사결정 과정에 대한 통찰을 제공함으로써 결과에 대한 이해도를 높이는 데 목적이 있습니다.
기업이 활용할 수 있는 대표적인 기법으로는 LIME(Local Interpretable Model-Agnostic Explanations)과 SHAP(Shapley Additive Explanations)이 있습니다. LIME은 복잡한 AI 모델의 개별 예측을 단순화된 해석 가능한 모델로 근사함으로써, 특정 결과에 어떤 요소가 영향을 미쳤는지를 직관적으로 보여줍니다. SHAP는 게임 이론을 기반으로 각 입력 변수의 기여도를 정량화하며, 모델 출력에 대한
이러한 기법들을 도입함으로써, 조직은 AI의 의사결정 과정을 보다 투명하게 만들 수 있으며, 그에 따른 감독과 통제도 한층 수월해집니다.
인간을 대체하기보다 보완하는
활용
AI를 인간 노동의 대체 수단으로 보기보다는, 인간의 역량을 강화하는 보조 도구로 활용하는 전략이 필요합니다. 이러한 관점에서 AI는 협력자로서, 반복적이거나 데이터 집약적인 업무를 처리하고, 인간은 창의성, 비판적 사고, 감성 지능이 요구되는 영역에 집중할 수 있도록 지원하는 역할을 합니다.
AI와 인간이 효과적으로 협업할 수 있는 사례는 다양한 산업에서 나타나고 있습니다. 예를 들어, 의료 분야에서는 AI 알고리즘이 의료 영상에서 이상 징후를 강조해 방사선 전문의를 지원하지만, 최종 진단은 여전히 의사가 내립니다. 고객 서비스 분야에서도 AI 챗봇이 일반적인 문의를 처리하고, 복잡한 문제는 인간 상담원에게 전달됩니다. 이러한 협업 방식은 AI의 효율성과 인간 전문가의 섬세한 판단력을 결합함으로써 더 나은 결과를 이끌어냅니다. 또한 이러한
기업을 위한 실질적인
AI
도입 전략
통합
기업은 AI 도입에 있어 윤리적 지침, 책임 구조, 리스크 관리 방안을 포함하는 명확한 거버넌스 정책을 수립해야 합니다. 이러한 정책은 AI의 허용 가능한 활용 사례를 정의하고, 각 부서의 책임을 명확히 하며, 오류나 의도치 않은 결과가 발생했을 때의 대응 절차를 포함해야 합니다.
훈련 및 교육
직원이 AI와 효과적으로 협업할 수 있도록 역량을 강화하는 교육 프로그램에 대한 투자는 필수적입니다. 여기에는 기술 교육뿐만 아니라, AI의 한계와 윤리적 고려 사항, 인간-AI 협업의 모범 사례에 대한 교육도 포함되어야 합니다.
이해관계자 참여
AI 도입 과정에 모든 이해관계자를 참여시키는 것은 투명성과 포용성을 기반으로 한 조직 문화를 형성하는 데 도움이 됩니다. 직원, 고객, 규제 기관, 파트너 등 다양한 이해관계자들과 AI 관련 논의에 적극적으로 참여함으로써, 우려 사항을 사전에 파악하고 유용한 피드백을 수집하며, AI 도입에 대한 보다 폭넓은 신뢰를 구축할 수 있습니다.
AI (5)
도입 과정에서의 신뢰 격차
해소
AI가 지닌 변혁적 잠재력에도 불구하고, 많은 기업은 여전히 신중한 태도를 유지하고 있습니다. 이는 모델의 블랙박스 특성과 환각(hallucination) 위험성 등으로 인해, 혁신 추구와 신뢰성 확보 사이의 긴장이 여전히 존재함을 보여줍니다.
AI에 대한 신뢰 구축은 필수적이며, 이를 위해 기업은 명확한 활용 범위를 설정하고, 모델의 투명성을 높이며, 인간을 대체하기보다 보완하는 방향으로 AI를 활용해야 합니다. 이러한 접근은 위험을 줄이고, 이해관계자들의 신뢰를 높이는 데 도움이 됩니다.
책임 있는 AI 도입을 위해 기업은 정책 수립, 교육 투자, 이해관계자 참여 등 선제적인 조치를 취할 필요가 있습니다. 이는 AI의 잠재력을 최대한 실현함과 동시에, 장기적인 성공을 위한 핵심 요소인 신뢰와 조직의 정체성을 유지하는 데 기여할 것입니다.
Figure (5)
5세대 Xeon
®
프로세서
Figure (6)
AI
, 데이터베이스, 네트워킹
및 스토리지의 성능과
효율성을 향상
mouser.com/intel-5th-gen-xeon-processors
Figure (7)
저자 소개 (3)
저자 소개
로버트 뎀시(Robert Dempsey)는 10년 이상 온프레미스 및 클라우드 환경에서 대규모 머신 러닝 솔루션을 설계, 구축, 확장을 주도해온 경험을 바탕으로, AI 전략을 실질적인 성과로 전환하는 것을 전문적으로 다루고 있습니다. 그는 다수의 대기업에서 견고한 AI 아키텍처를 성공적으로 구현한 경험이 있으며, 현재는 ECS의 법무 및 국토안보 솔루션(Justice & Homeland Solutions) 부서에서 AI 프로젝트 매니저로서 4개의 데이터
1
https://www.oreilly.com/radar/ai-adoption-in-the-enterprise-2022
2
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
3
https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G
4
https://www.nytimes.com/2023/05/27/nyregion/avianca-airline-lawsuit-chatgpt.html
AI 시대를 위한 데이터 센터의 전력 설계하기 (1)
AI 시대를 위한 데이터 센터의 전력 설계하기
글/브랜든 루이스
(Brandon Lewis)
, 마우저 일렉트로닉스
핵심 인프라라고 하면 전력망, 수처리 설비, 도로, 공공시설과 같은 시스템이 떠오를 것입니다. 그렇다면 데이터 센터는 어떨까요?
데이터 센터는 이미 모든 종류의 디지털 서비스를 위한 핵심 인프라 역할을 하고 있습니다. 그러나 인공지능(AI)의 등장으로 이러한 컴퓨팅 허브의 중요성이 완전히 새로운 차원으로 높아지면서 데이터 센터의 전력 소비량도 급격히 증가하고 있습니다.
증가하는 전력 수요에 대응하려면 효율 개선, 재생 에너지원, 그리고 첨단 전력 솔루션이 모두 필요합니다. 이 글에서는 데이터 센터 전력 소비의 최신 동향, AI가 에너지 수요에 미치는 영향, 이러한 수요를 충족할 수 있는 솔루션과 첨단 기술, 그리고 AI 전력 소비 및 지속가능성 실천 관련 환경 문제에 대해 살펴봅니다.
급증하는
AI
의 에너지 수요
데이터 센터는 이미 전 세계 전력 사용에 있어 큰 비중을 차지하고 있으며, 2022년에는 460테라와트시(TWh)를 소비했습니다. 이러한 수요는 디지털 서비스와 AI에 대한 수요가 증가함에 따라 더욱 증가할 것으로 예상됩니다.
1
예를 들어, 골드만삭스는 AI 워크로드로 인해 2030년까지 데이터 센터의 전력 사용량이 160% 급증할 것으로 예상했습니다. 이는 전력망에 큰 부담을 줄 것이며, 골드만삭스는 유럽이 AI전력망을 준비하기 위해 1조 달러를 투자해야 할 것으로 전망하고 있습니다.
2
AI 학습 및 추론 워크로드가 컴퓨팅 측면에서 매우 중요하다는 것은 누구나 아는 사실입니다. 초기 AI 모델 중 일부에서도 데이터 센터의 에너지 소비량이 눈에 띄게 급증한 것을 확인할 수 있습니다. 생성형 AI와 대규모 언어 모델(LLM)은 에너지 요구 사항이 상당히 높기 때문에 데이터 센터의 지속 가능성에 도전 과제를 제기합니다. 하지만 이러한 에너지 소비는 어떤 모습일까요? 고려해야 할 몇 가지 사항은 다음과 같습니다:
3
•
AI 시스템은 기존 소프트웨어보다 하나의 작업을 완료하는 데 약 33배 더 많은 에너지를 사용합니다.
• (1)
GPT-3의 학습에는 약 1,300MWh의 전력이 소비되었고, GPT-4는 65,000MWh 이상을 소비했습니다.
• (2)
AI의 지속적인 성장을 위해 필요한 연산 능력은 약 100일마다 두 배로 증가합니다.
급증하는 전력 수요는 기존 인프라를 확장하는 데 있어 상당한 도전 과제를 안겨줍니다. 데이터 센터는 전력 장비의 부족과 빠른 확장을 지원할 숙련된 기술자 및 전문 인력의 제한적인 공급이라는 이중의 어려움에 직면해 있습니다. 이러한 제약으로 인해 궁극적으로 2차 및 신흥 시장은 에너지 생산을 늘려야 할 수도 있습니다.
4
증가하는 데이터 센터 전력 수요에
대한 솔루션
데이터 센터를 비롯한 더 넓은 시장은 급증하는 에너지 수요에 발맞추기 위한 신속한 해결책이 필요합니다. 하지만 성장 속도와 지역별 에너지 생산의 다양성이 모두 고려되어야 하기 때문에 이는 쉬운 일이 아닙니다.
지금까지 우리는 재생 에너지 및 대체 에너지원에 대한 투자, 에너지 효율 및 냉각 기술의 혁신, 그리고 수요 대응 프로그램과 AI 기반 에너지 최적화의 확산을 목격해 왔습니다.
솔루션
#1:
재생 에너지 및 대체 에너지원
재생 에너지는 데이터 센터에 새로운 개념이 아닙니다. 그러나 에너지 소비의 가속화로 인해 재생 에너지는 전기 수요를 충족할 수 있는 합리적인 솔루션이 되었습니다. 많은 데이터 센터가 전력망에 대한 의존도를 줄이고 탄소 배출량을 감축하기 위해 태양광, 풍력, 지열 솔루션에 의존하고 있습니다. 구글은 이미 100% 재생 에너지를 달성했으며 2030년까지 연중무휴 24시간 무탄소 에너지(CFE)를 생산할 계획입니다. 기술 라이벌인 아마존도 비슷한 목표를 가지
5
6
7
증가하는 에너지 수요를 충족하기 위해, 단기와 장기 모두를 아우르는 대체 에너지원 개발 노력도 활발히 진행되고 있습니다. 주요 기술 기업들은 수소와 원자로와 같은 대체 에너지원에 적극 투자하고 있습니다. 예를 들어, 마이크로소프트는 최근 아일랜드의 한 데이터 센터에서 무배출 수소 파일럿 프로젝트를 발표했으며, 미국 펜실베이니아주에 위치한 폐쇄된 스리마일섬(Three Mile Island) 원자력 발전소를 재가동하는 계약에도 동의했습니다.
8
9
AI의 전력 수요는 원자력 산업을 한 단계 끌어올리는 데 도움을 줄 수도 있습니다. 몇몇 기술 기업들은 소형 모듈 원자로(SMR)를 개척하고 있는 기업들과의 협력을 모색하고 있습니다. 이러한 소형 원자력 시설은 기존의 원자력 발전소보다 더 빠르고 저렴하게 건설될 수 있으며, 여전히 안정적이면서도 탄소 배출 제로의 전력을 공급할 수 있습니다. SMR은 데이터 센터뿐만 아니라 전력망 전체에도 혁신적인 변화를 가져올 잠재력을 가지고 있습니다. 수소 연료 전지
솔루션 (1)
솔루션
#2:
에너지 효율
및 냉각 기술 혁신
에너지 소비 증가가 불가피할지라도, 데이터 센터는 전력 사용량을 제한할 방법을 가지고 있습니다. 데이터 센터는 고급 냉각 시스템, 고효율 서버, 에너지 관리 소프트웨어 등 에너지 효율 솔루션에 투자하고 있습니다.
냉각은 데이터 센터 에너지 소비의 최대 40%를 차지하며, 개선된 냉각 기술은 상당한 변화를 가져올 수 있습니다. 액체 냉각을 예로 들면 이는 큰 가능성을 보여줍니다. 한 연구에 따르면 액체 냉각을 완전히 구현하면 기존의 공기 냉각과 비교해 시설 전력 소비를 18.1%, 데이터 센터 전체 전력 소비를 10.2%까지 줄일 수 있습니다.
10
11
보다 유망한 접근 방식 중 하나는 2상 액체 냉각(two-phase liquid cooling) 기술입니다. 이 기술은 액체가 기체로 변할 때 발생하는 흡열 반응을 이용해 데이터 센터의 부품을 냉각합니다. 높은 열 부하를 효율적으로 처리하면서도 에너지 소비를 최소화할 수 있는 방법입니다.
미국 에너지부는 이러한 혁신적인 냉각 기술에 대한 여러 프로젝트를 지원하고 있습니다. 대표적인 사례는 다음과 같습니다.
12
(1)
• (1)
•
NVIDIA의 모듈식 데이터 센터 설계로, 직접 칩에 접촉하는 냉각 방식, 펌프식 2상 냉각, 그리고 단상 침지 냉각 방식을 결합한 형태
인텔이 개발 중인 새로운 냉매 혼합물을 사용하는 2상 냉각 시스템
2상 냉각이 보편화되기 위해서는 해결해야 할 몇 가지 우려 사항이 있습니다. 이 기술은 특수한 절연성 유전체 액체를 필요로 하며, 일부 후보 냉매는 환경적인 문제를 야기할 수 있습니다. 또한 이러한 시스템을 도입하려면 기존 인프라에 대한 대대적인 변경이 필요할 수 있습니다.
13
하드웨어의 발전도 긍정적인 영향을 주고 있습니다. 업계 선두 기업인 NVIDIA는 최신 블랙웰(Blackwell) 그래픽 처리 장치(GPU)를 통해 기존 모델 대비 30배의 성능을 제공하면서 에너지 소비는 25분의 1로 줄일 수 있다고 발표했습니다.
14
마지막으로, 데이터 센터 인프라 관리(DCIM) 소프트웨어는 운영 최적화에 중요한 역할을 할 수 있습니다. 이 소프트웨어는 전력 사용량과 환경 조건을 실시간으로 모니터링하여 운영자가 비효율적인 요소를 신속히 파악하고 대응할 수 있도록 돕습니다. 예를 들어, DCIM 소프트웨어는 부하가 없는 상태에서도 전력을 소비하는 '유령 서버(ghost server)'를 찾아낼 수 있습니다. 또한, 보다 효율적인 데이터 센터 설계를 지원하고, 서버 부하 예측, 열 복
솔루션 (2)
#3:
전력 최적화를 위한
수요반응 프로그램
, AI,
자동화
데이터 센터는 에너지 효율 향상뿐만 아니라 AI와 수요반응 프로그램을 활용하여 점점 더 능동적으로 에너지 소비를 관리하고 있습니다.
수요반응 프로그램은 에너지 가용성을 보장하기 위한 정책 기반 접근법을 제공합니다. 이러한 프로그램은 시간 및 지역별 전력 수요를 조정하여 전력망의 안정성을 확보하며, 특히 피크 사용 시간 동안의 전력 수요를 관리합니다. 예를 들어, 탄소 인지 모델을 활용하는 데이터 센터는 탄소 집약도가 낮은 지역으로 작업을 전환할 수 있습니다. 수요반응 프로그램은 저탄소 에너지 사용에 따른 비용을 최대 34%까지 절감할 수 있습니다. 예를 들어, 구글은 현재 전력 소비
15
물론, AI는 이미 전력 최적화에 활용되고 있습니다. AI 기반의 온도 조절은 데이터 센터의 에너지 소비 문제를 해결하는 한 가지 방법입니다. 이러한 시스템은 AI, 센서, 알고리즘을 사용하여 열을 모니터링하고 냉각을 실시간으로 조정합니다. AI는 장비 사용량, 날씨 조건, 기타 요인을 기반으로 온도 변화를 예측하는 것을 목표로 합니다. 이 방법은 과도한 냉각을 피함으로써 에너지를 절약하고 냉각 장비의 마모를 줄입니다.
환경 문제와 지속 가능한
AI
관행
데이터 센터의 에너지 가용성을 높이는 것이 AI의 미래에 매우 중요하지만, 이로 인한 환경 영향을 피할 수는 없습니다.
AI의 막대한 에너지 소비는 이미 잘 알려져 있는 문제입니다. 첨단 GPU 제조, 데이터 센터 건설을 위한 토지 정리, AI 모델의 학습 및 추론에 필요한 전력 공급뿐만 아니라, 전기를 생산하는 데 소모되는 천연자원과 배출되는 온실가스 모두가 환경에 영향을 미칩니다. 여기에 더해, 이러한 배출이 발생하는 지역 사회에 미치는 사회적 영향은 아직 충분히 반영되지 않고 있습니다.
이러한 환경 문제들 중 상당수는 지속 가능한 AI 관행 개발의 계기가 되었습니다. 대표적인 예는 다음과 같습니다:
• (2)
•
탄소 상쇄 프로그램: 탄소 배출을 줄이거나, 방지하거나, 격리하는 프로젝트로부터 탄소 크레딧을 구매할 수 있도록 하는 전문 프로그램
• (1)
친환경 AI 모델 설계: 학습과 배포에 적은 연산 전력을 요구하는 슬림하고 효율적인 모델
에너지 효율적인 하드웨어 개발: 맞춤형 하드웨어, 에너지 효율적인 서버 랙, NVIDIA의 블랙웰 라인과 같은 AI 최적화 GPU 개발
이러한 발전이 중요하긴 하지만, 지속 가능한 AI 관행을 이끌고 형성할 수 있는 적절한 정책, 규제, 산업 표준이 없다면 그 의미는 크지 않습니다.
AI가 아직 초기 단계에 있는 상황임에도 불구하고, 각국 정부와 입법자들은 이 문제에 대해 활발히 논의하고 있습니다. 싱가포르는 데이터 센터를 위한 지속 가능성 기준을 발표했으며, 유럽연합 집행위원회는 데이터 센터의 지속 가능성을 평가하는 제도를 채택했습니다. 한편, 미국 정부는 AI로 인한 국가 전력 소비의 영향을 관리할 방안을 모색 중입니다.
16
17
또한 미국, 유럽 및 기타 지역에는 재생 에너지 개발, 탄소 배출 상쇄, 에너지 효율성 투자 등을 장려하기 위한 다양한 정부 프로그램과 세금 공제 혜택이 마련되어 있습니다.
전력 수요와 기술 발전의 균형: AI
기반 데이터 센터의 미래
AI 기술의 발전과 더불어 증가하는 데이터 센터의 전력 수요는 혁신적인 전력 공급 및 관리 솔루션의 필요성을 부각시키고 있습니다. 현재의 전력망으로는 AI의 기하급수적인 에너지 요구를 감당할 수 없습니다.
앞으로 나아가기 위해서는 데이터 센터가 재생 에너지 생산 확대, 첨단 냉각 기술, 정교한 전력 최적화 시스템을 종합적으로 도입해야 합니다. 이들 각각의 분야는 막대한 투자와 공학적 진보를 요구하며, 그 성공 여부는 아직 불확실합니다.
결국, AI의 지속 가능한 미래를 위해서는
연방, 주, 지방 정부뿐만 아니라 기술
기업과 전력 회사 간의 긴밀한 협력이
필수적일 것입니다.
Figure (8)
PwrBlade ULTRA HD+ BTB 커넥터
®
접점당 최대
100A
를 공급하고 낮은
높이로 최대 공기 흐름을 보장
Figure (9)
mouser.com/amphenol-pwrblade-btb-connectors
Figure (10)
저자 소개 (4)
저자 소개
브랜든 루이스(Brandon Lewis)는 10년 넘게 소프트웨어 스타트업과 세계적인 반도체 회사와 그 사이의 모든 회사들을 위해서 딥 테크 저널리스트, 스토리텔러, 테크니컬 라이터로 활동하고 있습니다. 주로 다루는 영역은 전자 시스템 통합, IoT/인더스트리 4.0 구축, 에지 AI 활용 사례와 관련한 임베디드 프로세서, 하드웨어, 소프트웨어, 툴입니다. 인정받는 팟캐스터, 유투버, 행사 사회자, 컨퍼런스 진행자이기도 하며, 다수의 전자 엔지니어링 전
B2B 테크 독자들에게 영감을 불어넣는 일을 하지 않을 때는 TV를 통해서 피닉스 지역의 스포츠 프랜차이즈들을 코칭하는 일을 하고 있습니다.
1
https://www.datacenterdynamics.com/en/news/global-data-center-electricity-use-to-double-by-2026-report
2
https://www.goldmansachs.com/insights/articles/AI-poised-to-drive-160-increase-in-power-demand
3
https://www.weforum.org/agenda/2024/07/generative-ai-energy-emissions
4
https://www.mckinsey.com/industries/private-capital/our-insights/how-data-centers-and-the-energy-sector-can-sate-ais-hunger-for-power
5
https://www.datacenterknowledge.com/energy-power-supply/data-center-power-fueling-the-digital-revolution
6
https://sustainability.aboutamazon.com/climate-solutions
7
8
https://news.microsoft.com/source/emea/2024/09/microsoft-announces-pioneering-green-hydrogen-pilot-project-with-esb
9
https://www.reuters.com/markets/deals/constellation-inks-power-supply-deal-with-microsoft-2024-09-20
10
https://www.energy.gov/articles/doe-announces-40-million-more-efficient-cooling-data-centers
11
https://www.vertiv.com/en-us/about/news-and-insights/articles/blog-posts/quantifying-data-center-pue-when-introducing-liquid-cooling
12
https://www.datacenterdynamics.com/en/analysis/here-are-the-15-doe-funded-projects-hoping-to-usher-in-the-next-generation-of-data-center-cooling
13
https://www.datacenterfrontier.com/sponsored/article/33035570/understanding-pfas-concerns-for-two-phase-cooling-of-data-centers
14
https://venturebeat.com/ai/nvidia-unveils-next-gen-blackwell-gpus-with-25x-lower-costs-and-energy-consumption
15
https://iea.blob.core.windows.net/assets/6b2fd954-2017-408e-bf08-952fdd62118a/Electricity2024-Analysisandforecastto2026.pdf
https://time.com/6987773/ai-data-centers-energy-usage-climate-change
https://energycommerce.house.gov/events/energy-climate-and-grid-security-subcommittee-hearing-powering-ai-examining-america-s-energy-and-technology-future
AI의 발전을 주도하는 다양한 학습 모델, 알고리즘, 애플리케이션에 대한 개요를 소개합니다. 지도학습과 비지도학습 같은 기본적인 훈련 기법부터, 강화학습과 생성형 모델 같은 고급 방법에 이르기까지, 이 매핑은 AI 개발을 이끌고 있는 핵심적인 머신 러닝 접근 방식을 보여줍니다.
•
지도학습: 사람이 라벨링한 구조화된 데이터를 사용하여 사전 정의된 결과를 기준으로 모델을 학습시킵니다
• (1)
분류: 테스트 데이터를 특정 범주로 분류합니다. 애플리케이션: 스팸 감지, 사물 인식
회귀: 종속 변수와 독립 변수 간의 관계를 탐색합니다. 애플리케이션: 예측 모델
• (2)
하위 범주: 준지도학습
비지도학습: 라벨이 없는 데이터를 사용하여 명확하거나 알려진 결과가 없는 패턴을 학습합니다
클러스터링: 유사성이나 차이를 기준으로 라벨이 없는 데이터를 그룹화합니다. 애플리케이션: 사기 탐지, 시장 세분화
연관 규칙 학습: 데이터 항목 간의 연관 관계를 발견합니다. 애플리케이션: 추천 엔진, 고객 분석
하위 범주: 준지도학습, 자기지도학습
준지도학습: 라벨이 있는 데이터와 없는 데이터를 함께 사용하여, 라벨이 있는 데이터에서 얻은 정보를 라벨이 없는 데이터에 적용합니다.
일관성 규제: 입력 변동이 미미한 경우 유사한 출력을 생성함으로써, 새로운 데이터에 대한 모델의 강인성을 높입니다. 애플리케이션: 컴퓨터 비전, 의료 이미징
• (3)
자기지도학습: 비지도학습의 한 형태로, 알고리즘이 스스로 데이터를 라벨링하고 이를 기반으로 추가 학습을 수행합니다
트랜스포머: 텍스트를 토큰으로 변환한 뒤, 사전 내 토큰을 참조하여 특정 단어가 등장할 확률을 계산합니다. 애플리케이션: 대규모 언어 모델
• (4)
강화학습: 원하는 결과를 달성했을 때 보상을 받는 방식으로 반복 학습을 통해 최적의 행동 방식을 학습하는 모델입니다
정책 기반 학습: 모델이 보상에 도달하기 위해 취할 수 있는 행동의 범위를 설정합니다. 애플리케이션: 로보틱스, 게이밍
가치 기반 학습: 모든 상태의 가치를 학습하고, 그 가치를 극대화할 수 있는 행동을 선택하도록 최적화합니다. 애플리케이션: 경로 계획, 에너지 사용 최적화
21 |
AI의 윤리적 딜레마 재조명 (1)
AI의 윤리적 딜레마 재조명
글/카일 덴트
(Kyle Dent)
, 마우저 일렉트로닉스
2021년 《Methods》 저널의 한 특집호에서는 인공지능(AI)이 가져올 막대한 이익 가능성과 그에 따르는 리스크 사이에서 사회가 어떻게 균형을 잡아야 하는지를 다뤘습니다. 우리는 이 새로운 기술을 맞이하며, 그것이 사회에 미칠 영향에 대해 거시적인 질문을 던지고, 새로운 도구가 가진 한계를 신중히 살펴볼 필요가 있다고 제안했습니다.
그로부터 얼마 지나지 않아, 상상할 수 없을 정도로 방대한 데이터셋을 기반으로 학습된 생성형 AI가 등장했고, AI에 대한 담론을 완전히 장악하게 되었습니다. AI에 열광하는 이들은 이 기술이 세상을 바꿀 수 있는 활용처를 찾기 위해 앞다투어 나서고 있습니다.
지금 벌어지고 있는 이러한 기술의 확산과 모든 분야에 적용하려는 움직임은, 우리가 처음에 생각했던 신중하고 균형 잡힌 접근 방식과는 확연히 다릅니다.
최근 AI의 발전은 윤리적 딜레마를 더욱 심화시키고 있습니다. 우리는 어떻게 해야 이 기술이 지닌 막대한 긍정적 가능성을 활용하면서 동시에 그로 인한 피해 가능성을 최소화할 수 있을까요?
AI가 빠르게 확산되면서, 혁신이 신중한 숙고보다 우선시되는 경향이 강해지고 있습니다. 이러한 상황에서 현실 세계에 미칠 수 있는 영향을 간과하지 않기 위해서는 절제된 태도와 윤리적인 접근이 그 어느 때보다 중요합니다.
AI
배포의 윤리적 위험
이러한 모델은 질문에 답변하고, 논문이나 기사 작성, 새로운 예술 작품 생성, 복잡한 수학 및 논리 문제 해결까지 가능하게 합니다. 생성형 AI(gen AI)가 지닌 가능성은 분명하지만, 이를 현실 세계에 서둘러 적용하면서 다양한 문제도 발생하고 있습니다.
충분한 감독 없이 생성형 AI를 사용하는 것은 중대한 윤리적 문제를 야기할 수 있습니다. 예를 들어, 오픈AI는 자사의 음성 인식 전사 도구인 위스퍼(Whisper)를 "인간 수준에 근접한 견고함과 정확성"을 갖춘 도구로 홍보하고 있습니다.1 위스퍼는 뛰어난 음성-텍스트 전환 능력을 보여주지만, 실제로 말하지 않은 내용을 지어내는 오류도 발생시킨 바 있습니다.2 이른바 'AI 환각(hallucination)'이라 불리는 현상은 LLM과의 모든 상호작용에
이 중 38%는 폭력적인 내용, 허구의 이름 또는 부정확한 정보, 오디오에 언급되지 않은 웹사이트 등을 포함하고 있었습니다.3 이러한 결함이 잘 알려져 있음에도 불구하고, 병원이나 기타 중요한 기관들은 기술 도입에 따른 결과를 충분히 고려하지 않은 채 위스퍼와 같은 도구를 계속해서 도입하고 있습니다.
언론 산업 역시 경고의 사례가 될 수 있습니다. 운영 효율성을 높이기 위해 많은 기자들과 편집자들이 예상보다 빠른 속도로 이 기술을 도입하고 있습니다. 그러나 실제로 시간이 절약되는지는 불분명합니다. 신뢰할 수 있는 언론 기관이라면 AI가 생성한 결과물에 대해 팩트 체크를 하느라, 결국 기존의 자료 조사와 비슷한 시간을 소요하기 때문입니다.
신뢰도가 낮은 일부 언론 기관들은 전적으로 AI가 작성한 기사를 게재했다가, 그 안에 허위 정보가 포함되어 있다는 이유로 이를 뒤늦게 철회한 사례도 있습니다.4 이러한 사례는 명백한 윤리적 문제를 드러냅니다. 엄격한 감독 없이 이러한 도구를 사용할 경우, 공공기관이나 언론과 같은 핵심 기관에 대한 대중의 신뢰를 해칠 수 있습니다.
한편, 전통적인 AI 모델들은 여전히 인간의 삶에 중대한 영향을 미치는 결정에 사용되고 있습니다. 여기에는 직무 성과 평가, 채용, 대출 심사, 형사 사법 등의 영역이 포함됩니다. 2024년 벤틀리 대학교(Bentley University)와 갤럽(Gallup)이 공동 실시한 설문조사에 따르면, 미국 응답자의 56%는 AI 도구를 본질적으로 중립적인 존재로 인식하고 있는 것으로 나타났습니다.5
그러나 AI 모델은 인간에 의해 개발되며, 그 과정에서 다양한 결정이 이루어집니다. 개발자는 어떤 데이터를 학습에 사용할지 선택하고, 결과에 영향을 미칠 수 있는 여러 가지 절충을 결정합니다. 이러한 이유로, AI는 본질적으로 중립적일 수 없으며, 그 설계와 운영에 인간의 의도가 반영될 수밖에 없습니다.
AI 개발에 사용되는 다양한 성능 지표들은 서로 충돌하는 경우가 많아,
개발자들이 윤리적인 판단임을 인식하지 못한 채 기술 속에 선택을 내재화하는 결과를 낳습니다.
특히 공공 기관은 자신들이 도입하는 기술이 어떤 영향을 미칠 수 있는지를 신중히 고려해야 합니다. 예를 들어, 경찰청은 얼굴 인식 애플리케이션이나 범죄 발생 가능 지역을 예측한다고 주장하는 시스템을 도입하기 전에 어떤
절차를 거치는가? 경찰관들이 이 기술을 사용하기 전에 어떤 훈련을 받는가? 우리는 이러한 질문들을, 우리를 대신해 시스템을 운영하는 기관들에 반드시 물어야 합니다.
그럼에도 불구하고, 우리 사회의 AI에 대한 열풍은 지속되고 있습니다.
《와이어드(WIRED)》 매거진과 라이트하우스 리포트(Lighthouse Reports)는 네덜란드 로테르담 시에서 복지 사기를 탐지하기 위해 사용된 알고리즘 기반 머신 러닝 시스템에 대해 공동 조사를 진행했습니다.6
두 기관은 해당 시스템의 결과를 분석한 뒤, 이 모델이 실제 사기를 가려내는 데 있어 무작위 추측과 별다른 차이를 보이지 않는다는 결론을 내렸습니다. 이는 알고리즘 내의 편향으로 인해 특정 집단이 차별에 노출될 수 있음을 의미합니다.
로테르담 시는 이후 해당 복지 사기 탐지 시스템의 운영을 중단했지만, 이와 유사한 시스템들은 전 세계 여러 정부 기관에서 여전히 사용되고 있으며, 시민들은 그 존재조차 제대로 알지 못하는 경우가 많습니다.7
노스캐롤라이나 주립대학교(North Carolina State University)의 가족 및 지역사회 참여 센터(Center for Family and Community Engagement) 역시, AI 기반 의사결정이 편향된 학습 데이터와 개발자의 무의식적 편향 때문에 차별을 지속시킬 수 있으며, 이는 구조적인 불평등을 강화해 취약한 공동체에 피해를 줄 수 있다고 지적했습니다.8
불공정한 위험 평가, 데이터 프라이버시 문제, 인간의 감독 부재와 같은 요소들은 심각한 윤리적 고려사항을 불러일으킵니다. 그럼에도 불구하고, AI는 행정 업무를 간소화하고 사회복지사의 과중한 업무 부담을 줄임으로써 아동 복지 시스템을 개선할 가능성도 갖고 있습니다.
중요한 과제는 AI가 윤리적으로 도입되도록 보장하는 것입니다. 편향을 방지하고 취약 계층을 보호하기 위해서는 철저한 감독과 안전장치가 필요합니다. 노스캐롤라이나 주립대의 'EASE (Embedding AI in Society Ethically)' 센터와 같은 이니셔티브는 이러한 문제를 해결하고, 아동 복지와 같은 사회 제도 내에서 AI의 책임 있는 통합을 촉진하는 데 중요한 역할을 하고 있습니다.
윤리적인
AI
의 약속
책임감 있게 개발되고 활용될 경우, AI는 여러 사회적 문제를 해결하는 데 중요한 역할을 할 수 있습니다. 의료 분야에서는 AI가 베트남의 결핵 진단 방식을 혁신했습니다. 기존의 선별 검사 기법에 첨단 알고리즘을 결합함으로써, 더 빠르고 정확한 진단이 가능해졌습니다.9
결핵은 특히 고가의 의료 장비나 전문 인력이 부족한 외딴 지역에서 치료가 어렵습니다. 그러나 현재는 수백만 개의 짧은 기침 소리 데이터를 기반으로 학습된 첨단 기술을 표준 스마트폰에 탑재하여, 세계에서 가장 심각한 전염병 중 하나인 결핵을 조기에 탐지하고 있습니다. 이 기술은 단순히 사람들의 기침 소리를 듣는 방식으로 작동합니다.10
이와 마찬가지로, AI 기반의 신약 개발 도구는 생명을 구할 수 있는 약물을 더 빠르게 찾아내는 데 기여하고 있으며, 이는 공중보건의 미래를 근본적으로 변화시킬 가능성을 보여줍니다.11 항생제를 개발하는 방법 중 하나는 세균의 DNA를 매우 복잡하게 서열 분석하는 과정을 포함합니다.12
현재는 챗GPT(ChatGPT)와 같은 언어 모델에 기반한 기초 모델이 활용되어, 항생제 내성에 점점 더 강해지는 박테리아에 효과적으로 대응할 수 있는 잠재적 약물 후보를 데이터베이스 형태로 구축하고 있습니다.
교육 분야에서도 AI는 긍정적인 역할을 하고 있습니다. AI 기반의 개인 맞춤형 학습 플랫폼은 학습자의 수준과 필요에 맞춘 지도를 제공함으로써, 학생 간의 이해 격차를 해소하는 데 도움을 주고 있습니다. 이러한 도구들이 인간의 감독과 결합될 때, AI는 형평성과 발전을 증진하는 윤리적 가능성을 실현할 수 있습니다.
사라져가는 토착 언어 보존과 같은 다소 특수한 과제조차 최근 AI의 발전을 통해 혜택을 받을 수 있습니다. 이러한 문제들은 일반적으로 주목을 받지 못하거나 해결을 위한 충분한 자금 지원을 받지 못하는 경우가 많습니다.
그러나 AI 도구를 활용하면, 과학자와 활동가들은 세상이 더 "중요한" 문제에만 집중하더라도 자신들에게 의미 있는 이슈들을 주도적으로 해결해 나갈 수 있습니다.
AI
의 이중적 본질을 탐색하는
윤리적 의무
AI는 본질적으로 양날의 검입니다. 인간의 창의성을 증폭시킬 수 있는 도구인 동시에, 기존의 구조적 불평등을 고착화시킬 위험도 내포하고 있습니다. 이 긴장 상태를 슬기롭게 조율해 나가는 책임은 개발자, 정책 결정자, 그리고 사회 전체에 있습니다.
AI의 개발과 활용의 모든 단계에는 윤리적 원칙이 바탕이 되어야 하며, 이를 통해 AI가 사회 전반의 가치와 조화를 이루도록 해야 합니다. 최소한, 인간의 삶에 영향을 미치는 기술을 활용하기 전에 다음과 같은 윤리적 원칙들이 반드시 적용되어야 합니다:
•
투명성과 책임성: 특히 중대한 영향을 미치는 환경에서 사용되는 AI 시스템은 감사 가능하고 설명 가능해야 합니다. 이러한 시스템이 내린 결정은 비전문가도 이해할 수 있어야 하며, 이를 통해 신뢰와 책임감을 높일 수 있습니다.
• (1)
규제와 감독: 정책 입안자들은 AI 사용을 위한 명확한 윤리 지침을 수립해야 합니다. 여기에는 시스템 배포 이후 정확성 평가를 의무화하고, 오류 발생 시 구제 절차를 마련하며, AI 개발로 인한 환경 영향을 해결하는 방안이 포함되어야 합니다. 또한, 공급업체는 자신들의 시스템으로 인해 발생한 피해에 대해 책임을 져야 하며, 이를 통해 윤리적 고려가 AI 설계 과정에 자연스럽게 통합될 수 있습니다.
• (2)
교육과 AI 리터러시: 사회 전반에 걸쳐 AI의 한계와 잠재적 위험에 대한 이해가 필요합니다. 학교 교육과 직업 교육 과정에 AI 리터러시를 통합함으로써, 사람들은 AI 기술을 비판적으로 평가하고 책임감 있게 활용할 수 있는 역량을 갖추게 됩니다.
• (3)
정의: AI 개발자와 사용자들은 학습 데이터에 내재된 편향 문제를 사전에 적극적으로 다루어야 합니다. 시스템 설계 단계에서부터 공정성을 반영하고, 다양한 집단에 미치는 영향을 철저히 테스트함으로써, AI가 분열이 아닌 형평성을 실현하는 수단이 될 수 있도록 해야 합니다.
책임감 있는 AI(responsible AI)에 대한 관심이 높아지면서, 이를 둘러싼 산업도 빠르게 성장하고 있습니다. 학계와 컨설팅 기업들은 조직이 AI에 내재된 위험을 평가할 수 있도록 돕는 다양한 실천 방안을 개발하고 있으며, 여기에는 편향, 개인정보 침해, 오용 등의 문제를 다루기 위한 감독 메커니즘이 포함되어 있습니다.
투명한 의사결정과 설명 가능성은 AI 활용에 반드시 포함되어야 할 핵심 가치입니다. 알고리즘 감사를 통해 자동화된 의사결정 시스템의 결과를 분석하고 있으며, 책임감 있는 AI 연구자들은 사회과학의 방법론을 도입하여 차별과 같은 부정적 결과를 실험적으로 측정하는 방식을 사용하고 있습니다.
이러한 연구에서 또 하나 중요한 요소는, AI가 실수했을 때 그 피해를 누가 입는가 하는 문제입니다. 어떤 모델도 100% 정확하지는 않지만, 모델 예측의 오류(예: false positive)가 특정 집단에 더 큰 피해를 주는 경향이 있는지 살펴볼 필요가 있습니다.
공정성의 개념과 사회 전체에 대한 이익과 개별 집단에 미치는 불균형한 영향 간의 균형 문제는 여전히 해결 중인 복잡한 과제입니다. 아직 산업 전반에 통용되는 표준은 존재하지 않지만, 학계와 일부 지방 정부를 중심으로 점차 진전이 이루어지고 있습니다.
맺음말
AI의 역설은 그 기술이 지닌 변혁적 잠재력과 동시에 내포하고 있는 본질적인 위험에서 비롯됩니다. 이 시대를 책임감 있게 헤쳐 나가기 위해서는 AI의 개발과 활용이 윤리적 원칙에 기반해야 합니다.
투명성, 규제, 교육, 그리고 정의에 대한 실천적 의지가 뒷받침되어야만, AI가 공동의 이익을 위한 도구로 기능할
수 있으며, 해악을 초래하는 수단이 되는 것을 막을 수 있습니다. 앞으로 중요한 질문은 AI가 놀라운 성과를 이룰 수 있는지가 아니라, 그것이 윤리적이고 공정한 방식으로 이루어질 수 있는가 하는 점입니다. 그 해답은 우리가 얼마나 성급함보다 인간의 가치를 우선시할 의지가 있는지에 달려 있습니다.
Figure (11)
STM32N6 고성능 마이크로컨트롤러
전력 효율적인 엣지
AI
애플리케이션을 위해 설계된
Neural
-
ART
Accelerator
™
로
AI (1)
기능 강화
Figure (12)
mouser.com/stm-stm32n6-mcus
1 (1)
1
openai.com/index/whisper
2
apnews.com/article/ai-artificial-intelligence-health-business-90020cdf5fa16c79ca2e5b6c4c9bbb14
3
arxiv.org/abs/2402.08021v2
4
theverge.com/2023/1/25/23571082/cnet-ai-written-stories-errors-corrections-red-ventures
5
news.gallup.com/poll/648953/americans-express-real-concerns-artificial-intelligence.aspx
6
wired.com/story/welfare-state-algorithms
7
oecd.org/en/publications/governing-with-artificial-intelligence_26324bc2-en.html
8
cface.chass.ncsu.edu/news/2024/12/02/how-the-use-of-ai-impacts-marginalized-populations-in-child-welfare
9
pmc.ncbi.nlm.nih.gov/articles/PMC11216706
(1)
10
dhinsights.org/news/cough-analysis-tool-screens-for-tb-via-smartphone
11
pmc.ncbi.nlm.nih.gov/articles/PMC7577280
12
nature.com/articles/s42256-024-00809-7
Figure (13)
Figure (14)
Mirror Mezz Pro 커넥터
112Gbps
전송 속도와 서버,
네트워킹, 스토리지를 위한 강력한
보호 기능
Figure (15)
저자 소개 (5)
저자 소개
카일 덴트(Kyle Dent)는 사람과 기술의 교차점에 관심을 두고 연구하는 AI 연구자이자 관리자입니다. 그는 기술과 사회에 관한 글을 기고하며, 팔로알토 리서치 센터(Palo Alto Research Center, 구 제록스 PARC(Xerox PARC))에서 AI 윤리 위원회 공동 의장을 맡고 있습니다.
mouser.com/molex-mirror-mezz-pro-connectors
임베디드 머신 러닝의 제약 극복하기
최적화 기법과 모범 사례
글/마이클 파크스
(Michael Parks, PE)
, 마우저 일렉트로닉스
임베디드 시스템은 점점 더 머신 러닝(ML)을 통합하여 스마트하고 자율적인 기능을 구현하고 있습니다. 그러나 이러한 시스템에서 ML을 구현하는 데에는 고유한 과제가 따릅니다. 데스크톱이나 클라우드 서버와 같은 범용 시스템과 달리, 임베디드 장치는 일반적으로 배터리로 구동되며, 메모리와 처리 능력이 제한적이고, 시간에 따라 변화하는 아날로그 신호 등 센서 기반 데이터를 주로 다룹니다. 이러한 차이로 인해, 제한된 연산 자원, 소량의 노이즈가 섞인 데이터셋
직면 과제 이해하기
임베디드 시스템을 다루는 엔지니어이자 개발자들은 ML 기술 구현 시 직면하는 고유한 과제를 해결하는 데 중요한 역할을 맡고 있습니다. 일반적으로 개인용 컴퓨터에서 텍스트 프롬프트를 활용해 실행되는 생성형 인공지능(AI) 애플리케이션과 달리, 엣지 디바이스는 시간에 따라 변화하는 전압 또는 전류의 아날로그 신호 형태로 출력되는 센서 데이터를 처리합니다. 이처럼 학습 및 추론에 사용하는 데이터의 성격부터 차이가 있으며, 엣지 기반 ML 시스템을 운용하기 위
제한된 연산 자원
메모리, 연산 성능, 배터리 수명은 대부분 제한되어 있으며, 이에 따라 경량화된 모델과 효율적인 연산 기법이 필수적입니다. 마이크로컨트롤러는 보통 MHz 단위의 클럭 속도와 MB 수준의 메모리를 갖고 있는 반면, 데스크톱이나 서버는 GHz 및 GB 단위로 동작합니다.
데이터 제약
소규모 데이터셋, 노이즈가 포함된 데이터, 다양한 데이터 소스에 대한 접근성 부족 등은 일반적인 상황입니다. 이러한 요인은 과적합(overfitting)의 위험을 높이며, 일반화 성능을 개선하기 위한 강건한 학습 기법이 요구됩니다. 과적합이 발생하면, 시스템이 실제 환경에서 부정확한 예측을 하거나 기대 이하의 성능을 보일 수 있습니다. 또한 메모리 소모 및 연산 사이클이 증가하면서 에너지 효율이 저하될 수 있습니다.
많은 임베디드 시스템은 낮은 지연 시간의 추론 성능을 요구하며, 이는 엄격한 시간 제약 내에서 예측 결과를 도출할 수 있는 효율적인 모델 설계를 필요로 합니다. 이러한 요구사항을 충족하지 못할 경우, 사용자 입장에서는 시스템 반응이 느리게 느껴질 수 있습니다. 인간의 인지 반응에 대한 연구에 따르면, 약 100~300밀리초 내에 응답이 이뤄져야 즉각적인 반응으로 인식됩니다. 따라서 실제 환경의 요구를 충족할 수 있는 모델을 설계하는 것이 매우 중요합니다
모델 최적화 기법
모델 최적화는 메모리 관점에서 모델의 크기와 복잡도 사이에서 적절한 균형을 찾는 작업이며, 동시에 추론 과정에서의 예측 정확도를 유지해야 하는 과제를 안고 있습니다. 모델이 지나치게 작으면 예측 성능이 저하될 수 있고, 반대로 가능한 모든 입력을 고려하여 학습시키면 모델이 너무 커져 마이크로컨트롤러의 한정된 메모리에 적재할 수 없게 됩니다. 이 균형을 효과적으로 맞추기 위해 다양한 최적화 기법이 활용됩니다.
가중치 공유
가중치 공유는 모델 내 매개변수 수를 줄여서 모델을 작고 효율적으로 만드는 기법입니다. 네트워크의 각 연결에 고유한 가중치를 부여하는 대신, 유사한 뉴런들이 동일한 가중치를 공유하도록 합니다. 예를 들어 이미지 처리 작업에서는, 이미지의 각 영역에 대해 개별적으로 가중치를 학습하는 대신, 동일한 특징(예: 경계선이나 질감 등)을 전체 이미지에 걸쳐 감지할 수 있도록 동일한 가중치를 사용하는 방식입니다. 이를 통해 파라미터 수가 줄어들고, 하나의 영역에서
모델 프루닝
모델 프루닝은 신경망에서 불필요한 뉴런이나 계층을 제거하여 계산 및 메모리 오버헤드를 줄이는 것을 포함합니다. 프루닝은 크게 구조화 프루닝(structured pruning)과 비구조화 프루닝(unstructured pruning)으로 분류됩니다. 구조화 프루닝은 전체 뉴런, 채널 또는 계층을 제거하면서 밀집 행렬(dense matrix)을 유지하므로, 표준 하드웨어와 더 호환성이 높습니다. 일반적인 구조화 프루닝 방식에는 채널 프루닝(컨볼루션 계층에서
비구조화 프루닝은 중요도가 낮은 개별 가중치(연결)를 제거하는 것으로, 예를 들어 값이 0에 가까운 가중치를 제거하는 것입니다(그림 1 참조). 이러한 프루닝은 희소 행렬(sparse matrix)을 생성하며, 불규칙한 희소성은 범용 하드웨어에서 비효율을 유발할 수 있으므로, 효율적인 계산을 위해 특수화된 라이브러리나 하드웨어가 필요합니다.
(1)
(2)
양자화
양자화는 고정밀 가중치(예: 32비트)를 낮은 정밀도(예: 8비트 또는 이진 정밀도)로 변환하며, 메모리를 절약하고 하드웨어 가속기를 사용해 연산 속도를 높일 수 있습니다. 하나의 방법은 사후 학습 양자화(post-training quantization)로, 사전 학습된 부동소수점 모델을 재학습 없이 양자화하는 방식입니다. 이 사후 학습 방식의 변형 중 하나는 동적 범위 양자화(dynamic range quantization)로, 가중치를 낮은 정밀도로
또 다른 방법은 양자화 인지 학습(QAT, quantization-aware training)으로, 학습 과정 중 양자화를 적용하는 것입니다. 이 방식은 학습 중 낮은 정밀도의 연산을 시뮬레이션하여 정확도에 미치는 영향을 최소화합니다.
(3)
과적합 완화
과적합이란, 머신 러닝 모델이 학습 데이터에서는 매우 뛰어난 성능을 보이지만, 보지 못한 데이터에서는 성능이 떨어지는 현상을 말합니다. 이를 완화하기 위한 방법 중 하나는 증강(augmentation)으로, 기존 샘플을 변형하여 데이터셋을 확장함으로써 일반화 성능을 높이는 방식입니다(예: 이미지를 회전시켜 새로운 샘플 생성). 임베디드 시스템에서 획득하는 센서 데이터는 일반적으로 시계열 데이터이며, 이 경우 윈도우 슬라이싱(window slicing),
그 외에도 L1/L2 정규화(regularization)와 같은 기법은 큰 가중치에 패널티를 부여하여 과적합을 줄입니다. L1 정규화는 가중치의 절댓값 합을 추가하며, 덜 중요한 가중치를 0으로 만드는 경향이 있어 희소성(sparsity)을 유도하며, 이는 특징 선택(feature selection)의 형태로 작용할 수 있습니다. L2 정규화는 가중치의 제곱합을 추가하며, 큰 가중치를 억제하고 모델 전반에 걸쳐 영향을 고르게 분산시켜 부드러운 모델을 만
(4)
저차원 분해
저차원 분해는 큰 가중치 행렬을 더 작고 단순한 행렬로 분해함으로써 머신 러닝 모델의 연산 및 메모리 요구를 줄이는 기법입니다(그림 2 참조). 일반적인 신경망에서는 가중치 행렬의 크기가 매우 커서 많은 메모리와 처리 자원을 소모하게 됩니다. 저차원 분해는 이러한 큰 행렬을 두 개 이상의 작은 행렬의 곱으로 근사하여 표현함으로써, 저장하고 계산해야 할 파라미터 수를 줄입니다. 이러한 분해 방식은 순전파(forward pass)와 역전파(backward
효율적인 손실 함수
손실 함수는 모델의 예측값이 실제 정답과 얼마나 차이가 있는지를 수학적으로 측정하는 공식으로, 학습 과정에서 모델 성능을 개선하는 방향을 제시하는 핵심 요소다. 대표적인 손실 함수로는 이진 크로스 엔트로피, 평균 제곱 오차(MSE), 힌지 손실 등이 있습니다.
이진 크로스 엔트로피
이 손실 함수는 데이터를 두 개의 범주(예: '예/아니오', '고양이/개')로 분류하는 이진 분류 문제에 자주 사용됩니다. 확률 기반 예측의 정확도를 직접적으로 측정함으로써 모델이 두 클래스 간 차이를 정확히 학습하도록 돕습니다. 연산이 간단하고 효율적이어서, 복잡도가 낮은 모델에 특히 적합합니다.
평균 제곱 오차
MSE는 연속적인 값을 예측하는 회귀(regression) 문제에 주로 사용되며, 예측값과 실제값 사이의 제곱 오차의 평균을 계산합니다. 계산 방식이 단순하고 연산 부담이 적어, 자원이 제한된 임베디드 환경에서 실용적인 선택지로 많이 활용됩니다.
힌지 손실
힌지 손실은 서포트 벡터 머신(SVM)과 함께 사용되는 손실 함수로, 분류 작업에 특화된 방식입니다. 이 함수는 결정 경계 주변에 마진을 형성하여, 예측값이 명확히 한쪽 범주에 속하도록 유도합니다. 힌지 손실은 특히 데이터셋이 작고 시스템이 단순한 임베디드 환경에서, 높은 분류 정확도와 연산 효율을 동시에 확보하는 데 효과적입니다.
임베디드 시스템의 머신 러닝 모델
최적화를 위한 추가 기법들
앞서 소개한 방법들 외에도, 임베디드 시스템 설계자가 머신 러닝 모델을 더욱 최적화할 수 있도록 돕는 추가적인 기법들이 있습니다.
특징 공학 및 선택
모델에서 사용할 특징(feature)을 효과적으로 설계하고 선택하는 것은, 모델을 단순화하면서 동시에 연산 및 메모리 요구사항을 크게 줄이는 데 도움이 됩니다. 가장 중요한 정보에 집중함으로써, 적은 자원으로도 더 나은 성능을 달성할 수 있습니다.
특징 중요도 분석
이 기법은 모델 예측에 영향을 많이 미치는 특징을 식별하는 과정입니다. 중요한 특징을 우선순위에 두고, 덜 중요한 항목은 제거함으로써 모델의 효율성과 정확도를 동시에 높일 수 있습니다. 예를 들어, 온도 모니터링 시스템에서는 단순한 타임스탬프보다 날씨 변화 패턴에 초점을 맞추는 것이 더 유의미할 수 있습니다.
차원 축소
PCA(주성분 분석)나 t-SNE(t-분포 확률적 이웃 임베딩)와 같은 차원 축소 기법은 입력 특징의 개수를 줄이면서도 데이터의 핵심 특성을 유지하도록 도와줍니다. 이러한 방법은 데이터 구조를 요약하거나 압축해 메모리와 연산 부담을 줄이기 때문에, 모델을 더 빠르고 가볍게 만들어 임베디드 시스템에 특히 적합합니다.
하이퍼파라미터 튜닝
하이퍼파라미터는 모델이 학습하는 방식을 조정하는 설정값으로, 이를 적절히 조정하면 특히 자원이 제한된 임베디드 장치에서 모델의 효율성과 정확도를 크게 향상시킬 수 있습니다.
랜덤 서치와 그리드 서치
랜덤 서치는 하이퍼파라미터 조합을 지정된 범위 내에서 무작위로 샘플링하여 탐색하는 하이퍼파라미터 튜닝 기법입니다. 모든 가능한 조합을 체계적으로 평가하는 그리드 서치(grid search)와 달리, 랜덤 서치는 더 적은 평가 횟수로도 파라미터 공간을 효율적으로 탐색하며 최적 또는 준최적의 설정을 찾아낼 가능성이 높습니다(그림 3 참조). 이러한 효율성 덕분에, 계산 자원과 시간이 제한된 임베디드 시스템 환경에서 특히 유용하게 활용될 수 있으며, 보다 빠
(1)
베이지안 최적화
베이지안 최적화는 최적의 하이퍼파라미터를 찾기 위해 반복적으로 탐색 범위를 정교하게 조정하는 고급 기법입니다. 이전 평가 결과를 기반으로 다음 실험을 설계하기 때문에, 계산 비용이 많이 드는 전수 탐색의 필요성을 줄일 수 있습니다. 이러한 특성 덕분에, 자원이 제한된 임베디드 시스템 환경에서 특히 유리하게 활용될 수 있습니다.
최적화 알고리즘
효율적인 최적화 알고리즘은 모델의 수렴 속도를 높이고, 학습 과정에서의 자원 소모를 최소화하는 데 핵심적인 역할을 합니다.
경사하강법
확률적 경사하강법(SGD), Adam, RMSprop과 같은 다양한 경사하강법 계열 알고리즘은 수렴 속도, 안정성, 메모리 요구사항 측면에서 각각의 특성을 지닙니다. 예를 들어, Adam 알고리즘은 학습률을 자동으로 조정하는 기능이 있어, 내구성과 효율성이 뛰어나 임베디드 머신 러닝 환경에서 널리 사용됩니다.
적응형 최적화
AdaGrad, Adam과 같은 알고리즘은 학습 과정 중 학습률을 동적으로 조정합니다. 이러한 적응성 덕분에 모델은 더 적은 반복 횟수로 빠르게 수렴할 수 있으며, 계산 자원을 절약할 수 있습니다. 이는 연산 성능이 제한된 임베디드 시스템에서 특히 중요한 고려 요소입니다.
모델 학습
머신 러닝 모델을 처음부터 학습시키는 과정은 많은 연산 자원을 소모하고 시간이 오래 걸리기 때문에, 임베디드 시스템 환경에서는 비현실적인 경우가 많습니다. 이에 따라, 사전 학습된 모델(pre-trained model)과 고급 학습 전략을 활용하면 학습 부담을 크게 줄일 수 있습니다.
파인 튜닝
모델을 처음부터 설계하고 학습시키는 대신, 사전 학습된 모델의 일부 계층을 조정하는 방식입니다. 이 방법은 특정 작업에 맞게 모델을 맞춤화하면서도 연산 및 메모리 자원을 절약할 수 있습니다.
전이 학습
전이 학습은 유사한 작업을 위해 미리 학습된 모델을 재사용하는 기법으로, 학습에 필요한 연산 비용을 크게 줄여줍니다. 예를 들어, 사물 인식을 위해 학습된 모델을 임베디드 장치에서 특정 객체 인식용으로 변형할 수 있으며, 이를 통해 시간과 에너지를 절약할 수 있습니다.
연합 학습
이 방식은 원시 데이터를 중앙 서버로 전송하지 않고, 여러 장치에서 분산된 방식으로 모델을 학습시키는 방법입니다. 이를 통해 네트워크 부하를 줄이고 사용자 개인정보를 보호할 수 있으며, 엣지 및 임베디드 시스템에 적합한 분산 학습 구조를 구현할 수 있습니다.
하드웨어를 고려한 모델 설계
하드웨어 사양을 고려하여 모델을 설계하면, 효율성과 성능을 극대화할 수 있습니다.
•
신경망 아키텍처 탐색(NAS): NAS(Neural Architecture Search) 기법은 특정 하드웨어에 최적화된 모델을 자동으로 설계해, 정확도와 연산 요구 사항 간의 균형을 맞춥니다.
• (1)
하드웨어 가속: GPU, TPU, NPU와 같은 특수 하드웨어를 활용하면 모델 학습 및 추론 속도를 가속화할 수 있으며, 이는 임베디드 장치에서 전력과 시간 효율을 높이는 데 매우 중요합니다.
• (2)
하드웨어 특화 프레임워크: TensorFlow Lite, ONNX Runtime, Edge Impulse와 같이 특정 하드웨어 플랫폼에 맞게 설계된 프레임워크를 활용하면, 해당 임베디드 하드웨어에서 추론 성능을 최적화할 수 있습니다.
-
• (3)
전력 효율성: 저정밀 연산과 GPU, NPU, DSP 등 하드웨어 가속기를 활용하면 전력 소비를 줄일 수 있으며, 이는 배터리 기반 장치의 수명을 연장하는 데 유리합니다.
• (4)
파이프라인 최적화: 모델 연산을 효율적인 파이프라인으로 구성하면 지연 시간이 줄어들어 실시간 응용 분야에서 빠른 응답을 제공할 수 있습니다.
• (5)
메모리 관리: 메모리 할당 및 해제를 효율적으로 처리하면 메모리 누수를 방지하고, 메모리 자원이 제한된 장치에서 모델 성능을 최적화할 수 있습니다. 예를 들어, 계층 융합(layer fusion), 인플레이스(in-place) 연산 기법은 메모리 사용량을 줄이고, 제한된 RAM 환경에서도 더 큰 모델을 구동할 수 있도록 돕습니다. 또한, 자주 사용하는 데이터를 캐시하는 등 메모리 접근 패턴을 최적화하면 시스템의 속도와 응답성을 향상시킬 수 있습니다.
맺음말
임베디드 시스템에서 머신 러닝(ML)을 활용하면, 자원이 제한된 환경에서도 지능화와 자율성을 향상시킬 수 있는 가능성이 열립니다. 그러나 동시에 일반적인 범용 컴퓨터와는 다른 고유한 과제도 존재합니다. 임베디드 장치는 대개 메모리, 처리 성능, 배터리 수명이 제한적이며, 텍스트나 구조화된 데이터셋이 아닌 센서 입력 데이터를 처리합니다. 이러한 제약은 높은 정확도, 효율성, 응답성을 유지하기 위해 경량화된 모델과 혁신적인 최적화 기법을 필요로 합니다. 연
성능 최적화를 위해서는 하드웨어를 고려한 설계도 매우 중요합니다. 신경망 아키텍처 탐색(NAS), 하드웨어 가속, 메모리 관리 등의 기법은 ML 모델을 특정 임베디드 플랫폼에 맞게 최적화하여 연산 효율과 전력 사용을 개선합니다. 여기에 하이퍼파라미터 튜닝, 경사하강법 알고리즘의 변형, 연합 학습(federated learning)과 같은 고급 최적화 전략을 결합하면, 실시간 추론과 저지연 응답이 요구되는 IoT, 모바일 디바이스, 자율 시스템 같은 응용
Figure (16)
그림
1
:
비구조화 프루닝은 노드 간의 전체 가중치 수를 제거합니다. 이 예시에서 원래의 네트워크(왼쪽)는 36개의 가중치를
포함하고 있으며, 프루닝된 네트워크는 23개를 포함하고 있습니다. 가중치 공유는 메모리에 저장해야 할 고유 가중치의 수를
줄여줍니다. 프루닝된 네트워크에서 각 선의 색상은 특정 가중치를 나타냅니다.
(
출처
: Green Shoe Garage)
그림
2:
저차원 분해는 대부분의 핵심 정보를 유지하면서도 소폭의 근사 오차만을 발생시키기 때문에
, IoT
하드웨어나
마이크로컨트롤러처럼 자원이 제한된 장치에서도 효율적인 추론 및 학습을 가능하게 합니다.
(
출처
: Green Shoe Garage)
그림 3
:
그리드 서치는 가능한 모든 조합을 체계적으로 평가하는 반면, 랜덤 서치는 일부 조합만을
무작위로 샘플링하여 비교적 빠른 결과를 도출할 수 있습니다.
(
출처:
Green Shoe Garage)
Figure (17)
저자 소개 (6)
저자 소개
마이클 파크스(Michael Parks)는 메릴랜드주 서부에 위치한 커스텀 전자설계 스튜디오이자 임베디드 보안 연구회사인 Green Shoe Garage의 공동 설립자입니다. 기술과 과학 문제에 대한 대중의 인식을 높이기 위해 Gears of Resistance 팟캐스트를 운영하고 있습니다. 메릴랜드주 공인 전문 엔지니어이며, 존스홉킨스 대학에서 시스템 엔지니어링 석사학위를 받았습니다.
Figure (18)
Figure (19)
AIK-RA6M3 AI/ML 레퍼런스 키트
실시간 분석 및 비전을 통해 엣지
애플리케이션을 위한
AI
통합을
간소화
mouser.com/renesas-rtk0eg0001-reference-kit
AI의 규제 환경
글/로버트 뎀시
(Robert Dempsey)
, 마우저 일렉트로닉스
빠르게 부상하는 인공지능(AI)은 규제, 윤리, 사회적 영향에 대한 치열한 논쟁을 불러일으켰습니다. 다른 기술과 달리 AI는 규제 체계가 마련되기 전에 출발하여, 학습 데이터, 개인정보 보호, 지적 재산권에 대한 논란이 일고 있습니다.
EU의 2023년 AI 법안은 AI에 대한 첫 번째 주요 입법 대응 중 하나였지만, 혁신을 저해하지 않으면서 이 혁신적인 기술을 어떻게 규제할 것인지에 대해서는 여전히 의문이 남아 있습니다. 이번 논의에서 AI 전문가 재러드 보운스(Jared Bowns)는 AI 규제 환경을 탐색하는 데 있어 직면한 도전과 기회에 관한 통찰을 공유합니다.
뎀시: 재러드, 자기소개 부탁드립니다.
보운스: 저는 Elyxor에서 데이터 및 AI 부문을 총괄하고 있으며, 소프트웨어 컨설팅과 기술 전략, 구현 업무에 집중하고 있습니다. 지난 10여 년 동안 DataRobot에서 엔지니어링 부사장으로 근무한 경험을 포함하여, 여러 혁신적인 AI 프로젝트에 참여할 수 있는 기회를 가졌습니다.
DataRobot에서는 설명 가능한 AI(Explainable AI, XAI) 팀을 창설하여, 투명성과 규제 준수를 강화하는 데 기여하였고, 정부 기관 및 산업계 주요 관계자들과 협력하여 규제 체계를 마련하는 데도 힘썼습니다. 저의 열정은 AI를 보다 혁신적이고 접근 가능한 기술로 만드는 데에 있습니다.
적응형 규제의 개념 살펴보기
적응형 규제라는 개념은 여러분에게 어떤 의미이며, AI 산업에서 이를 어떻게 효과적으로 구현할 수 있을까요?
적응형 규제란 시간이 지나면서 변화할 수 있는 유연한 규칙을 의미하며, 특히 AI처럼 몇 주마다 획기적인 기술 발전이 이루어지는 산업에서 더욱 중요합니다. 이러한 변화는 스타트업뿐만 아니라 구글, 아마존, 오픈AI 같은 기존 대기업에서도 발생하고 있으며, AI의 빠른 발전 속도는 혁신을 억제하지 않으면서도 안전을 유지할 수 있는 규제 체계를 요구하고 있습니다.
고정된 입법 방식으로는 대응할 수 없습니다. 대신, 미국의 연방거래위원회(FTC)나 증권거래위원회(SEC)처럼, AI만을 전담으로 다루는 독립적인 규제 기관이 필요합니다. 이 기관은 AI를 위한 적절한 규제 프레임워크를 개발하고 지속적으로 관리하는 역할을 맡아야 합니다.
혁신을 저해하지 않으면서 급속히 발전하는 AI의 진보에 발맞추려면 규제 프레임워크는 어떻게 진화해야 할까요?
정부가 모든 것을 완벽하게 처리할 것이라고 기대하는 것은 낙관적인 생각이라는 점을 저부터 인정합니다. 중요한 것은 선도적인 연구자, 공공 부문, 민간 부문 간의 협력 관계를 구축하는 것입니다. AI의 영향은 산업마다 매우 다르게 나타나기 때문에, 모든 분야에 일괄적으로 적용되는 규제 방식은 효과적이지 않습니다.
이에 대한 좋은 예로는 영국의 AI 에어록 프로그램(AI Airlock Program)을 들 수 있습니다.1 이 프로그램은 새로운 규제 체계를 설계하는 데 참고가 될 수 있는 교훈을 얻을 수 있도록, 실험을 위한 안전한 공간을 제공합니다. 공공과 민간의 협력을 바탕으로 성공적으로 운영되고 있으며, 이는 다른 분야에서도 모범 사례로 삼을 수 있을 것입니다.
오픈AI를 상대로 한 소송과 같은 사례를 고려할 때, 혁신 촉진과 안전 보장 사이의 균형은 어디에 있다고 볼 수 있나요?
예를 들어, 대기업이 초기 단계 스타트업에 자금을 투자하면서 시장 지배력을 강화하는 행위는 독점에 대한 우려를 불러일으키며, 이는 결국 혁신을 저해할 수 있습니다. 규제는 이러한 독점 행위를 방지하되, 소규모 기업의 성장을 막지 않도록 균형 있게 작동해야 합니다. 기업들은 공정한 경쟁과 윤리적인 결과를 보장하기 위해 혁신과 책임 사이에서 균형을 유지해야 합니다.
AI에 적용될 수 있는 다른 산업들의 규제 접근법 사례들을 공유해 줄 수 있을까요?
1950년대와 1960년대의 역사적인 사례를 살펴보면, 가장 혁신적인 기술 중 상당수가 정부 지원 연구나 공공과 민간 부문 간의 협력을 통해 탄생했습니다. 이와 마찬가지로, 인공지능(AI) 개발 역시 공공과 민간의 투자가 조화를 이루는 방식으로 이루어질 때, 사회적 목표와 혁신을 함께 달성하는 데 도움이 될 수 있습니다.
예측형
AI
와 생성형
AI (1)
의 특성
구분
예측형 AI와 생성형 AI의 주요 차이점은 무엇이며, 이들을 구분하는 것이 왜 중요한가요?
예측형 AI와 생성형 AI는 모두 인공지능(AI)의 범주에 속하기 때문에 비슷하게 들릴 수 있지만, 실제 활용 방식은 크게 다릅니다. 예측형 AI는 과거 데이터를 분석하여 고객 이탈 가능성을 예측하거나 장비 고장 확률을 산출하는 등, 미래의 결과를 예측하는 데 중점을 둡니다. 과거 데이터를 기반으로 패턴을 찾아내고 확률을 계산하는 것이 핵심입니다.
반면, 생성형 AI는 텍스트, 이미지, 시뮬레이션 등 새로운 콘텐츠를 만들어냅니다. 예측형 AI가 확률 기반의 의사결정에 강점을 보인다면, 생성형 AI는 아이디어 발상이나 가능성 시뮬레이션처럼 창의적인 작업에 더욱 적합합니다. 상황에 맞게 AI를 적절히 활용하는 것이 중요하며, 잘못된 종류의 AI를 사용하면 기대 이하의 결과가 나올 수 있습니다.
안전성, 신뢰성, 윤리적 배치 측면에서 예측형 AI와 생성형 AI가 각각 제기하는 고유한 도전 과제는 무엇인가요?
예측형 AI가 직면한 가장 큰 과제는 데이터의 품질입니다. 입력 데이터에 편향이 존재하면, 결과 또한 그 편향을 반영하게 되어 고정관념을 강화하거나 특정 집단에 대한 차별로 이어질 수 있습니다. 이는 특히 금융이나 보험처럼 규제를 받는 산업에서 더욱 심각한 문제로 작용할 수 있습니다.
한편, 생성형 AI는 다른 유형의 과제를 안고 있습니다. 대표적인 예가 '환각(hallucination)' 현상으로, 그럴듯하게 들리지만 사실이 아니거나 의미 없는 정보를 생성하는 경우입니다. 또 다른 주요 우려는 오용 사례입니다. 이미 소셜미디어에서는 딥페이크나 조작된 콘텐츠가 광범위하게 퍼지고 있는 상황입니다.
AI 결정론에 대한 오해는 조직이 AI 솔루션을 선택하고 구현하는 방식에 어떤 영향을 미칠까요?
AI의 출력 결과는 항상 정확하거나 진실하다는 오해가 존재합니다. 이러한 믿음은 AI를 절대적으로 신뢰하게 만들고, 마치 오류가 없는 진리의 원천처럼 받아들이게 할 수 있습니다. 하지만 실제로 AI 시스템은 통계적 확률에 기반해 작동하며, 오류를 범할 수도 있습니다.
따라서 조직은 AI를 최종 결정권자가 아닌 통찰을 제공하는 도구로 인식하고, 올바른 관점에서 접근해야 합니다.
주어진 작업에 올바른 AI 유형(예측형 AI 또는 생성형 AI)을 선택하는 것이 왜 중요할까요?
작업에 적합한 도구를 선택하는 것은 매우 중요합니다. 예측형 AI는 패턴을 분석하고 결과를 예측하는 데 적합하며, 생성형 AI는 고유한 콘텐츠를 생성하거나 방대한 문서와 텍스트를 요약하는 데 뛰어납니다.
잘못된 유형의 AI를 사용할 경우 중요한 통찰을 놓치거나 성능 저하로 이어질 수 있기 때문에, 도입 전에 각각의 강점과 한계를 충분히 이해하는 것이 중요합니다.
사회적 영향에 대한 규제
AI가 광범위하게 도입되면서 어떤 사회경제적 격차가 발생할 수 있을까요?
AI는 이미 법률과 같은 사무직부터 제조업이나 고객 서비스와 같은 현장직에 이르기까지, 산업 전반에 걸쳐 변화를 일으키고 있습니다. 법률 분야에서는 AI가 조사, 계약서 검토, 문서 작성과 같은 업무를 수행하고 있으며, 이는 전통적으로 신입 직원들이 경력을 쌓아가던 역할이기도 합니다.2
제조업 분야에서도 마찬가지입니다. 휴머노이드 로봇에 대한 투자가 조립과 포장 같은 작업을 변화시키고 있으며, 실제로 아마존 물류센터에서는 로봇이 사람의 개입 없이 처음부터 끝까지 작업을 수행하는 사례도 나타나고 있습니다.
고객 서비스 분야 역시 큰 변화를 겪고 있습니다. AI 기반 챗봇이 점점 더 복잡한 상호작용과 업무를 처리하게 되면서, 자동화가 가속화되고 있습니다. 그 결과, 다양한 산업에서 초급 직무가 사라지고 있으며, 이는 경력 개발의 기회를 줄이고 사회경제적 격차를 더욱 심화시키고 있습니다.
AI를 잘 활용하고 적응할 수 있는 사람만이 혜택을 누리는 이중 구조의 경제를 방지하기 위해서는, 선제적인 대응이 필요합니다. 재교육 및 역량 강화(upskilling) 프로그램, 공정한 AI 정책 등은 이러한 기술 발전이 사회 전체에 이롭게 작용하도록 하기 위한 핵심적인 수단입니다.
규제는 AI 혜택에 대한 공평한 접근을 어떻게 보장할 수 있을까요?
인력 재교육과 교육에 대한 투자는 매우 중요합니다. 특히 소외된 지역에 AI 인프라를 구축하기 위한 공공 자금 지원은 격차를 해소하는 데 큰 도움이 될 수 있습니다. AI 도구에 대한 접근성을 확대하고, 역량 강화를 위한 기회를 제공함으로써 더 많은 사람들이 AI 중심의 경제에 참여할 수 있도록 해야 합니다.
어떻게 하면 규제가 취약 계층에 대한 부정적인 영향을 방지하면서 사회적 이익을 증진시킬 수 있을까요?
규제의 핵심에는 투명성과 공정성이 있어야 합니다. 예를 들어, 편향성에 대한 의무적인 감사 제도를 도입하면 AI 시스템이 차별을 지속적으로 재생산하지 않도록 막을 수 있습니다. 또한, 의료나 교육 개선처럼 사회적 과제를 해결하는 AI 솔루션을 개발하는 기업에 대한 보조금 지원은 실질적인 변화를 이끌어낼 수 있습니다.
책임성 확보
최근 AI로 인해 피해가 발생한 사례를 고려할 때, 명확한 책임 메커니즘을 구축하는 것이 얼마나 중요할까요?
AI가 일상에 점점 더 깊숙이 통합되면서, 책임성에 대한 우려도 함께 커지고 있습니다. 최근 Character.AI와 관련된 사례들은 명확한 책임 주체 없이 운영될 때 발생할 수 있는 위험을 보여줍니다.3
연령 제한과 같은 단순한 조치가 도움이 될 수는 있지만, 이러한 방식만으로는 근본적인 문제를 해결할 수 없습니다. 피해가 발생했을 때, 그 책임이 개발자, 학습 데이터 제공자, 인프라 운영자, 혹은 사용자 중 누구에게 있는지 명확하지 않은 경우가 많기 때문입니다.
오픈소스 기반의 AI 모델은 이 문제를 더욱 복잡하게 만듭니다. 단일 책임 주체가 존재하지 않기 때문에, 피해자가 법적 구제를 받기 어려워지고, 이는 AI 시스템에 대한 신뢰를 약화시킬 수 있습니다. 정부와 규제 기관은 이러한 피해를 줄이고, 실패가 발생했을 때 신뢰를 회복하며, AI가 점점 더 중요한 역할을 맡게 될 미래를 대비하기 위해 신속하게 명확한 규제 체계를 마련해야 합니다.
규제 기관은 AI 결과에 대해 인간이 책임을 지도록 하기 위해 어떤 조치를 취할 수 있을까요?
투명성은 무엇보다 중요합니다. 기업은 AI 모델이 어떻게 학습되고 배포되는지를 문서화하도록 의무화해야 합니다. 또한 조직 차원에서 감독과 책임을 강화하기 위해 최고 AI 책임자(Chief AI Officer)와 같은 역할을 지정하는 것도 효과적인 방안이 될 수 있습니다.4
이를 실질적으로 구현하기 위해 다음과 같은 단계들이 필요합니다:
•
영향 평가: AI 시스템을 실제로 출시하기 전에, 그 기술이 사회적·환경적으로 어떤 영향을 미칠 수 있는지 사전에 평가하는 절차입니다.
• (1)
견고한 테스트 프레임워크 구축: 다양한 상황에 AI 모델을 노출시켜 사전에 잠재적 문제를 식별할 수 있도록 테스트 환경을 설계해야 합니다. 소프트웨어 엔지니어링 분야의 '카오스 엔지니어링(Chaos Engineering)' 개념을 차용해, 다양한 실패 시나리오를 시뮬레이션하고 이를 통해 AI 시스템의 내구성을 시험할 수 있습니다.
• (2)
레드팀 운영: 현재 업계에서는 모델이 의도하지 않은 방식으로 작동하거나 비윤리적으로 반응하도록 유도하는 테스트를 수행하는 전담 팀(레드팀)을 운영하는 사례가 늘고 있습니다. 이러한 과정을 개발 파이프라인의 일부로 공식화하면, 제품이 대중에게 공개되기 전에 취약점을 효과적으로 식별할 수 있습니다.
Al 시스템이 피해를 입힌 사건에서 업계가 얻을 수 있는 교훈은 무엇인가요?
부정적인 사례들은 철저한 테스트와 지속적인 모니터링의 중요성을 잘 보여줍니다. 끊임없는 감독과 윤리적 기준에 대한 확고한 의지는 향후 피해를 예방하고, AI 기술에 대한 신뢰를 구축하는 데 큰 역할을 할 수 있습니다.
시간 내주셔서 감사합니다, 재러드. 매우 유익한 대화였습니다.
감사합니다, 로버트. 저도 즐거운
시간이었습니다.
Figure (20)
MAX78002 인공 지능 마이크로컨트롤러
에너지 효율적인
AI
처리와 초저전력
마이크로컨트롤러를 결합하여 엣지
IoT
를 위한 신경망을 구현
mouser.com/maxim-max78002-microcontrollers
1 (1)
1
gov.uk/government/collections/ai-airlock-the-regulatory-sandbox-for-aiamd
2
bloomberg.com/news/articles/2024-11-15/ai-replacing-entry-level-jobs-could-break-the-career-ladder
3
natlawreview.com/article/new-lawsuits-targeting-personalized-ai-chatbots-highlight-need-ai-quality-assurance
4
forbes.com/sites/jackkelly/2024/05/28/the-rise-of-the-chief-ai-officer
Figure (21)
Figure (22)
Z-PACK HM-eZD
하드 메트릭
백플레인 커넥터
저자 소개 (7)
저자 소개
재러드 보운스(Jared Bowns)는 AI 산업에서 10년 넘게 활동해 온 경영 리더로, 비즈니스 전략, 제품 개발, 설계의 교차점에서 경력을 쌓아왔습니다. 그는 DataRobot에서 엔지니어링 부사장(VP of Engineering)으로 재직하며 기업용 AI 플랫폼을 구축하고 확장시키는 데 핵심적인 역할을 했고, 기술 및 제품 전략 수립에도 기여했습니다. 재러드는 기술적 전문성과 전략적 비전을 결합하는 리더로 잘 알려져 있으며, 현재는 Elyxor의
56Gbps
데이터 전송 속도,
역호환, 넓은 작동 온도 범위
mouser.com/te-zpack-hm-ezd-connectors

view archives of Methods_KR - AI 마주하기(국문)

AI 마주하기(국문)

Contents of this Issue

Navigation

Page 9 of 43

Articles in this issue