인공지능 (AI)에는 사람의 정보 입력이 필요했으나 이제는 컴퓨터로 수행할 수 있는 복잡하고 새로운 기술이 많이 포함됩니다. 컴퓨터는 역사적으로 정보를 이해하고 추천하는 데 사용되었던 고급 기능을 수행할 수 있습니다. 이제 컴퓨터는 AI를 통해 새로운 콘텐츠를 생성할 수도 있습니다.
AI라는 약어는 종종 서로 바꿔서 사용되어 AI 분야를 구성하는 다양한 유형의 기술을 나타냅니다
일반적인 AI 개념
인공지능과 머신러닝을 정의하는 여러 용어와 개념이 있으며, 이러한 용어와 개념이 유용할 수 있습니다. 웹에서 AI를 실제로 활용할 수 있는 몇 가지 방법을 소개합니다.
일반 AI
일반적으로 일반 AI는 다양한 문제 해결 능력과 창의성을 보여주는 인간이 아닌 프로그램 또는 모델입니다 model은 머신이 출력을 반환하는 데 필요한 매개변수와 구조 집합으로 구성된 매우 큰 수학 방정식입니다.
범용 AI를 사용하면 데이터 분석, 텍스트 번역, 음악 작곡, 질병 식별 등 여러 유형의 작업을 수행할 수 있습니다.
좁은 AI
좁은 AI는 단일 또는 특정 태스크 하위 집합을 수행할 수 있는 시스템입니다. 예를 들어 인간 상대와 체스 게임을 하는 컴퓨터 (Mechanical Turk과 혼동해서는 안 됨)입니다. 좁은 AI에는 사전 정의된 매개변수, 제약 조건, 컨텍스트가 있으며, 이러한 요소는 이해하는 것처럼 보일 수 있지만 실제로는 방정식에 대한 답변일 뿐입니다.
얼굴 인식 시스템, 음성 어시스턴트, 일기 예보에서 이러한 기능을 실제로 활용할 수 있습니다. 매우 구체적인 모델을 사용하여 웹사이트와 앱의 특정 기능을 개선할 수 있습니다.
예를 들어 사용자가 로그인하여 좋아하는 영화를 평가하고 새로 시청할 수 있는 영화 전용 사이트를 구축했다고 가정해 보겠습니다. 미리 채워진 데이터베이스를 사용하여 사용자가 현재 방문 중인 페이지를 기반으로 영화를 추천할 수 있습니다. 또는 사용자 행동과 선호도를 분석하여 해당 독자에게 가장 관련성 높은 정보를 표시하는 좁은 AI 모델을 사용할 수도 있습니다.
생성형 AI
대규모 언어 모델 (LLM)은 텍스트 또는 이미지의 생성, 분류, 요약과 같은 다양한 작업을 수행하는 데 사용할 수 있는 매개변수가 많은 신경망 AI 모델입니다.
생성형 AI는 LLM의 컨텍스트와 메모리를 기반으로 입력에 반응하고 콘텐츠를 생성합니다 이는 패턴 매칭과 예측을 뛰어넘는 개념입니다. 가장 일반적인 생성형 AI 도구는 다음과 같습니다
이러한 도구로 작성된 산문, 코드 샘플, 이미지를 만들 수 있습니다. 휴가 계획을 세우거나, 이메일의 어조를 부드럽게 또는 전문화하거나, 다양한 정보를 카테고리로 분류하는 데 도움이 될 수 있습니다.
개발자도, 비개발자도 사용할 수 있는 사례는 무궁무진합니다.
머신러닝(ML)
머신러닝 (ML)은 AI의 한 형태로서 컴퓨터가 명시적인 프로그래밍 없이 학습합니다 AI가 인텔리전스를 생성하려고 노력하는 반면, ML은 컴퓨터가 경험을 통해 학습할 수 있도록 지원합니다. ML은 데이터 세트를 예측하는 알고리즘으로 구성됩니다.
ML은 유용한 예측을 하거나 데이터에서 콘텐츠를 생성하도록 모델을 학습시키는 프로세스입니다.
예를 들어, 특정 날짜의 날씨를 평가하는 웹사이트를 만들고 싶다고 가정해 보겠습니다. 전통적으로 이러한 작업은 한 명 이상의 기상학자가 지구의 대기와 표면을 표현하고, 날씨 패턴을 계산 및 예측하며, 현재 데이터를 역사적 맥락과 비교하여 평가를 결정할 수 있었습니다.
대신 ML 모델에 방대한 양의 날씨 데이터를 제공하면 모델이 날씨 패턴, 과거 데이터, 특정 날짜의 날씨를 좋거나 나쁘게 만드는 요인에 대한 가이드라인 간의 수학적 관계를 학습할 수 있습니다. 실제로 웹에서 구축했습니다.
딥 러닝
딥 러닝 (DL)은 ML 알고리즘의 한 종류입니다. 한 가지 예로 인간의 뇌가 정보를 처리하는 것으로 믿는 방식을 모델링하려고 시도하는 심층신경망 (DNN)이 있습니다.
AI 관련 과제
AI를 빌드하고 사용할 때는 몇 가지 어려움이 있습니다. 다음은 고려해야 할 사항의 몇 가지 주요 특징입니다.
데이터 품질 및 최신성
다양한 AI 모델을 학습시키는 데 사용되는 대규모 데이터 세트는 사용 직후에는 본질적으로 오래되는 경우가 많습니다. 즉, 최신 정보를 찾을 때 프롬프트 엔지니어링을 통해 특정 작업에 대한 AI 모델의 성능을 향상하고 더 나은 결과를 얻을 수 있습니다.
데이터 세트가 불완전하거나 너무 작아서 일부 사용 사례를 효과적으로 지원할 수 없을 수 있습니다. 여러 도구를 사용하거나 필요에 맞게 모델을 맞춤설정하면 유용할 수 있습니다.
윤리와 편견에 대한 우려
AI 기술은 흥미진진하고 많은 잠재력을 가지고 있습니다. 그러나 궁극적으로 컴퓨터와 알고리즘은 인간이 수집하고, 인간이 수집할 수 있는 데이터로 학습되므로 몇 가지 어려움이 있습니다. 예를 들어 모델은 인간의 편견과 유해한 고정관념을 학습하고 증폭시켜 출력에 직접적인 영향을 줄 수 있습니다. 편향 완화를 우선순위로 삼아 AI 기술 구축에 접근하는 것이 중요합니다
AI 생성 콘텐츠의 저작권에는 여러 가지 윤리적 고려사항이 있습니다. 특히 저작권 보호 자료의 영향을 크게 받거나 이 자료로부터 직접 복사한 경우 출력물은 누가 소유하나요?
새로운 콘텐츠와 아이디어를 생성하기 전에 내가 만든 자료 사용 방법에 관한 기존 정책을 고려하세요.
보안 및 개인 정보 보호
많은 웹 개발자들이 AI 도구 사용에서 개인 정보 보호와 보안이 가장 큰 관심사라고 말합니다. 정부 및 의료 회사와 같이 데이터 요구사항이 엄격한 비즈니스 환경에서 특히 그렇습니다. 클라우드 API를 사용하면 사용자 데이터를 더 많은 서드 파티에 노출시키는 것이 우려됩니다. 모든 데이터 전송을 안전하고 지속적으로 모니터링하는 것이 중요합니다.
온디바이스 AI는 이러한 사용 사례를 해결하는 데 핵심적인 역할을 할 수 있습니다. MediaPipe는 이 문제에 대해 현재 진행 중인 솔루션 중 하나이지만 해야 할 연구와 개발이 훨씬 더 많이 남아 있습니다.
웹에서 AI 시작하기
다양한 유형의 인공지능에 익숙해졌으니 기존 모델을 사용하여 생산성을 높이고 더 나은 웹사이트와 웹 애플리케이션을 빌드하는 방법을 알아볼 차례입니다.
AI를 사용해 다음과 같은 작업을 할 수 있습니다.
- 사이트 검색을 위한 자동 완성 기능을 개선합니다.
- 스마트 카메라로 사람, 반려동물과 같은 흔한 사물 감지
- 자연어 모델을 사용하여 댓글 스팸을 해결합니다.
- 코드에 자동 완성을 사용 설정하여 생산성을 높이세요.
- 다음 단어나 문장을 추천하여 WYSIWYG 글쓰기 환경을 만듭니다.
- 사용자 친화적인 데이터 세트에 대한 설명을 제공합니다.
- 기타...
선행 학습된 AI 모델은 수학적 모델을 구축하고 가장 널리 사용되는 AI 도구를 지원하는 복잡한 데이터 세트를 수집하는 방법을 완전히 이해하지 않고도 웹사이트, 웹 앱, 생산성을 개선할 수 있는 훌륭한 방법입니다.
대부분의 모델은 추가 조정 없이 즉시 요구사항을 충족할 수 있습니다. 미세 조정은 대규모 데이터 세트에 대해 이미 학습된 모델을 선택한 후 특정 사용 요구사항을 충족하기 위해 추가로 학습시키는 프로세스입니다. 모델을 조정하는 기법에는 여러 가지가 있습니다.
- 인간 피드백 기반 강화 학습 (RLHF)은 인간의 피드백을 사용하여 모델이 인간의 선호도 및 의도에 부합하도록 개선하는 기법입니다.
- Low-Rank Adaption (LoRA)은 LLM에 매개변수 효율적인 방식으로, 모델 성능을 유지하면서 학습 가능한 매개변수의 수를 줄입니다.