Your browser does not support JavaScript!

AI의 미래를 이끄는 대규모 모델: Large World Model, Foundation Model, Physical AI 비교 분석

일반 리포트 2025년 03월 12일
goover

  • AI 기술 발전은 현대 사회의 근본적인 변화를 이끌고 있으며, 특히 대규모 AI 모델, 기초 모델, 물리적 AI는 그 중심에서 중요한 역할을 하고 있습니다. 이러한 모델들은 각각의 고유한 특성과 기능을 통해 인공지능의 가능성을 끌어올리고 있으며, 특정 산업 분야에 맞춰 다양한 응용 사례를 나타내고 있습니다. 대규모 AI 모델은 방대한 데이터와 연산 능력을 활용해 다양한 문제를 해결하는 데 기여하고 있으며, 기초 모델은 전이 학습을 통해 특정 작업에 대한 높은 적합성을 보여주고 있습니다. 또한 물리적 AI는 현실 세계와 상호작용할 수 있는 로봇과 자율주행차의 개발을 통해 기술적 혁신을 이루어내고 있습니다.

  • 각 모델의 발전은 AI 기술이 사회에 미치는 영향을 심도 있게 탐구하는 데 중요한 기초를 마련하고 있습니다. 대규모 AI 모델의 경우, 스케일링 법칙에 근거하여 데이터와 연산 파워가 커질수록 성능이 향상된다는 증거가 제시됨으로써, 산업 전반의 변화가 가속화되고 있습니다. 또한 기초 모델은 다양한 작업 수행 능력을 통해 AI의 접근성을 높이고 있으며, 이를 통해 많은 산업에서 혁신적인 솔루션을 제공하고 있습니다. 마지막으로, 물리적 AI는 현실 속에서의 데이터 처리와 상호작용을 가능하게 함으로써, 인간의 일상에 통합되는 혁신적인 과정을 촉진하고 있습니다.

  • 이 보고서를 통해 대규모 AI 모델, 기초 모델, 물리적 AI 각각의 특징과 적용 가능성을 면밀히 분석함으로써, 인공지능이 미래 사회와 산업에 미치는 영향을 보다 명확히 이해할 수 있게 되었습니다. 각 모델은 상호 보완적으로 작용하면서 다양한 방면에서 사회적 가치와 효용성을 높여가는 데 한몫하고 있습니다. 따라서 이들 모델의 발전 방향과 그로 인해 발생할 수 있는 사회적, 윤리적 쟁점에 대한 논의가 앞으로 더욱 중요해질 것입니다.

대규모 AI 모델의 발전 배경

  • AI 모델의 정의

  • AI 모델은 특정 문제를 해결하기 위해 데이터에서 패턴을 학습하고 인지, 판단, 추론 능력을 발휘하는 알고리즘이나 시스템을 의미합니다. 이러한 모델들은 대개 대량의 데이터를 바탕으로 학습하며, 그 과정에서 다양한 알고리즘과 기술이 적용됩니다. AI 모델은 기계 학습(Machine Learning)과 딥 러닝(Deep Learning) 두 가지 주요 카테고리로 나눌 수 있습니다. 기계 학습은 데이터로부터 규칙을 학습하는 전통적인 접근 방식을 반영하며, 딥 러닝은 인공 신경망을 사용하여 데이터에서 복잡한 패턴을 인식하는 데 초점을 맞추고 있습니다. 이러한 AI 모델들은 자연어 처리(NLP), 이미지 인식, 음성 인식 등 다양한 분야에서 활용됩니다.

  • 대규모 AI 모델의 역사와 필요성

  • 대규모 AI 모델의 역사는 최근 몇 년간 급속도로 발전해왔으며, 특히 2020년대에 들어서는 초거대 모델들이 등장하기 시작했습니다. 과거의 AI 기술은 상대적으로 작은 데이터셋과 연산 능력에 의존하여 한정적인 태스크를 수행해왔지만, 대규모 AI 모델은 대량의 데이터와 큰 연산 파워를 활용하여 더욱 복잡하고 다양한 태스크를 수행할 수 있는 잠재력을 보유하고 있습니다.

  • 대규모 AI 모델의 인기는 모델의 크기, 사용되는 데이터의 양, 그리고 학습에 소요되는 연산량과 밀접한 관련이 있습니다. 예를 들어, '스케일링 법칙'에 따르면 AI 모델의 성능은 모델의 규모가 커질수록 향상된다는 연구 결과들이 제시되고 있습니다. 이러한 필요성은 특히 비즈니스, 의료, 자율주행차 등 다양한 산업에서 AI의 활용이 증가함에 따라 더욱 두드러지고 있습니다. AI 기술의 발전은 이제 선택이 아닌 필수로 받아들여지고 있으며, 이에 따라 대규모 AI 모델의 개발과 투자가 폭발적으로 증가하고 있습니다.

  • 과거와 현재의 AI 기술 발전

  • AI 기술의 발전은 1950년대부터 시작된 이래 단계적이고 지속적인 혁신을 통해 이루어져 왔습니다. 초기의 AI 연구는 규칙 기반 시스템과 간단한 알고리즘을 중심으로 진행되었으며, 정보 검색 및 패턴 인식의 기초를 다졌습니다. 그러나 2000년대 들어 딥 러닝 기술의 발전과 함께 데이터 수집, 저장, 처리 기술이 급격히 발전하면서 AI는 비약적으로 성장하기 시작했습니다.

  • 2020년대에 들어서면서 AI는 '초거대 AI 모델'이라는 새로운 패러다임으로 전환되고 있습니다. 이러한 모델은 방대한 양의 데이터를 처리하고, 그를 통해 인지, 판단 및 예측을 수행할 수 있는 능력을 갖추고 있습니다. 이미 다양한 산업 분야에서 이러한 모델들이 활용되고 있으며, 그 결과는 언어 처리, 이미지 인식, 자율주행차 등의 분야에서 눈에 띄는 성과로 나타나고 있습니다. 예를 들어, OpenAI의 GPT-3 모델은 자연어 처리 분야에서 괄목할 만한 성공을 거두면서 대규모 AI 모델의 가능성을 다시 한번 입증했습니다.

Large World Model의 특징과 활용

  • Large World Model 정의 및 기능

  • Large World Model은 물리적 AI 시스템을 위한 복잡한 세계 모델로, 자율주행차 같은 응용 분야에 적용됩니다. 이 모델은 현실의 데이터, 즉 다양한 지형과 환경에서 얻은 방대한 양의 데이터를 기반으로 학습하며, 이를 통해 물리적 상호작용을 이해하고 예측할 수 있습니다. 이러한 모델은 다양한 시뮬레이션과 고급 계획 기능을 제공하여, AI가 보다 정교한 사고 및 판단을 할 수 있게 돕습니다.

  • Large World Model은 거대한 데이터셋을 활용하여 구성되며, 이 데이터는 주로 실세계의 고품질 사례로부터 추출됩니다. 모델은 이러한 데이터를 분석하여 입력된 상황에 대한 반응을 시뮬레이션하고, 결과적으로 물리적 세계의 동역학을 이해하는 데 기여합니다. 이러한 구조는 AI의 사고를 실제 세계의 문제 해결로 확장할 수 있게 해줍니다.

  • 적용 분야와 사례

  • Large World Model은 여러 분야에서 활용되며, 특히 자율주행차 및 로봇 공학, 게임 산업 등에서 그 가능성을 보여주고 있습니다. 예를 들어, 자율주행차에서는 이 모델을 이용하여 다양한 도로 상황을 실시간으로 예측하고 적절한 주행 경로를 계획합니다. 이러한 기능은 교통 상황에서 더 안전하고 효율적인 주행을 가능하게 합니다.

  • 또한 게임 개발에서도 Large World Model의 적용이 주목받고 있습니다. 이 모델은 게임 환경 내에서 현실적이고 다이나믹한 상호작용을 시뮬레이션하여, 플레이어에게 더욱 몰입감 있는 경험을 제공합니다. 사용자는 다양한 시나리오에서 AI와 상호작용하며, AI는 게임 내에서 상황에 맞춰 적절하게 반응할 수 있습니다.

  • 기술적 우위와 한계

  • Large World Model의 주요 기술적 우위는 그 방대한 데이터 기반 덕분에 일반화된 정책 학습, 즉 다양한 상황에서의 최적 행동 결정을 내릴 수 있다는 점입니다. 이러한 모델은 상황을 예측하고 미리 대응할 수 있는 능력을 갖추고 있어, 특히 복잡한 환경에서 탁월한 성능을 발휘합니다.

  • 그러나 이러한 모델은 몇 가지 한계도 존재합니다. 모델 구축을 위한 데이터 수집과 처리에는 매우 많은 시간과 자원이 투자되어야 하며, 이는 수많은 GPU와 고비용의 컴퓨팅 리소스를 요구합니다. 또한, 각기 다른 환경에서의 데이터의 다양성 문제도 존재하여, 특정 환경에서는 모델의 성능이 저하될 수 있습니다. 종합적으로 Large World Model은 다음 세대 AI 시스템으로서의 많은 가능성을 가지고 있지만, 실질적인 적용에서 만나게 되는 복합적인 도전 과제가 따른다는 점을 명심해야 합니다.

Foundation Model의 역할과 가능성

  • Foundation Model 정의

  • Foundation Model은 인공지능(AI) 모델로서 다양한 데이터에 기반하여 광범위한 작업을 수행할 수 있도록 훈련된 모델입니다. 이러한 모델은 다양한 작업에 대해 사전 훈련된 상태로 사용할 수 있으며, 추가적인 미세 조정을 통해 특정 작업에 맞게 조정될 수 있습니다. 예를 들어, Foundation Model은 이미지에 대한 자동 레이블링 같은 작업을 수행할 수 있습니다. 이러한 모델은 막대한 양의 데이터를 통해 패턴과 관계를 학습하며, 자기 지도 학습(self-supervised learning)이나 비지도 학습(unsupervised learning) 기법을 사용하여 훈련됩니다. 전반적으로 'foundation'이라는 용어는 이러한 모델들이 다양한 AI 애플리케이션의 출발점이 된다는 아이디어를 내포하고 있습니다.

  • 하위 작업에 대한 적합성

  • Foundation Model은 다양한 하위 작업에 대해 높은 적합성을 보여줍니다. 이 모델들은 대규모 데이터 셋에서 전이 학습(transfer learning)을 통해 학습되었으며, 이는 새로운 작업에 대한 높은 적용성을 의미합니다. 예를 들어, 자연어 처리와 이미지 인식, 음성 인식과 같은 여러 작업을 한 모델이 수행할 수 있는데, 이는 우리가 다양한 도메인에서 AI 응용프로그램을 개발하는 데 있어서 큰 유연성을 제공합니다. 고객 서비스와 같은 대화형 AI, 콘텐츠 생성, 의료 이미지 분석 등 여러 분야에서 Foundation Model을 다양한 방식으로 활용할 수 있습니다. 이러한 다양한 용도는 Foundation Model의 중요한 특성으로, 맞춤형 솔루션을 개발할 수 있는 기반이 됩니다.

  • 비교 분석 및 성능

  • Foundation Model과 다른 유형의 AI 모델, 특히 대규모 언어 모델(LLM) 간의 비교는 이 모델의 성능 특성을 더 잘 이해하는 데 중요한 역할을 합니다. Foundation Model은 다재다능성을 강조하며 여러 작업을 동시에 처리할 수 있는 능력을 가지고 있지만, LLM은 텍스트 기반 작업에 특화되었습니다. 즉, Foundation Model은 이미지와 텍스트, 오디오 등 여러 모달리티에 걸친 작업을 수행할 수 있지만, LLM은 주로 자연어 처리에 집중합니다. 이 두 모델 모두 높은 성능과 요청된 작업에 대한 적정한 효율성을 나타내지만, Foundation Model은 그 범용성 때문에 더 넓은 응용 가능성을 갖고 있습니다. 이러한 특성 덕분에 Foundation Model은 실용적인 AI 솔루션으로써 다양한 산업과 영역에서 주목받고 있습니다.

Physical AI: 발전과 전망

  • Physical AI의 정의

  • Physical AI는 인간과 유사한 형태의 로봇 및 자율주행 차량을 포함하는 인공지능 기술의 한 분야로, 주어진 물리적 환경에서 상호작용하고 작업을 수행할 수 있는 능력을 갖추고 있습니다. 이러한 기술은 러닝 알고리즘, 센서 데이터, 그리고 복잡한 물리적 법칙의 이해를 기반으로 하여, 로봇이 환경을 자율적으로 인식하고 반응하도록 합니다. 엔비디아의 코스모스 월드 파운데이션 모델과 같은 최신 기술은 이러한 Physical AI 개발에 있어 중요한 역할을 하고 있습니다. 이러한 모델은 축적된 데이터를 활용하여 로봇의 행동을 예측하고 개선하는 데 활용됩니다.

  • 로봇 및 자율주행 기술의 발전

  • Physical AI의 발전은 로봇과 자율주행 기술로 구체화되고 있습니다. 최근 로봇들이 단순한 반복 작업에서 벗어나 복잡한 작업 수행이 가능해지면서, 다양한 분야에서 활용되고 있습니다. 예를 들어, 엔비디아의 Cosmos 플랫폼은 고급 생성형 모델과 함께 자율주행차의 개발에 있어 새로운 가능성을 열었습니다. 이 플랫폼은 현실 세계의 데이터를 기반으로 하는 합성 데이터를 생성하여, 안전하고 효율적인 자율주행 시스템 개발을 지원합니다. 또한, 여러 기업이 협력하여 피지컬AI의 연구와 개발에 박차를 가하고 있으며, 이는 향후 자율주행차와 로봇 기술의 진화를 가속화할 것으로 기대됩니다.

  • 미래의 가능성 및 제약 요소

  • Physical AI의 미래는 매우 밝지만 동시에 몇 가지 제약 요소도 존재합니다. 먼저, 자율주행차와 로봇이 물리적 환경에서 안전하게 작동하기 위해서는 방대한 양의 데이터와 정교한 알고리즘이 필요합니다. 데이터 부족은 기술 발전의 큰 장애물로 작용할 수 있으며, 이를 해결하기 위한 다양한 방법이 필요합니다. 예를 들어, 합성 데이터를 생성할 수 있는 시뮬레이션 기술은 이러한 문제를 해결하는 데 중요한 역할을 할 수 있습니다. 또한, 물리적 AI의 발전은 다양한 사회적, 윤리적 문제를 동반할 수 있으며, 이는 기술의 응용과 확산에 있어 중요한 고려사항이 될 것입니다. 자율주행차가 일반화됨에 따라 발생할 수 있는 법적, 윤리적 문제들이 논의되고 있으며, 이를 해결하기 위한 긍정적인 사회적 합의가 반드시 필요합니다.

모델 간 비교 분석

  • 대규모 모델과 기초 모델의 차이

  • 대규모 AI 모델과 기초 모델(Foundation Model)은 AI 시스템의 중요한 두 가지 범주로 자리잡고 있습니다. 대규모 모델은 대량의 데이터와 복잡한 계산 능력을 바탕으로 여러 작업을 수행할 수 있는 광범위한 기능을 가진 모델입니다. 이는 자연어 처리, 이미지 인식, 음성 인식 등 다양한 인공지능 응용 분야에서 사용됩니다. 반면에, 기초 모델은 특정 작업을 수행하기 위한 기반이 되는 프레임워크로, 일반적으로 여러 전이 학습(task-specific fine-tuning) 과정을 통해 특정 분야에 맞춰 조정될 수 있습니다. 이러한 점에서 기초 모델은 대규모 모델의 하위 범주로 간주될 수 있습니다.

  • 실제 예시로, GPT-4와 같은 대규모 모델은 자연어 이해와 생성에 능한 반면, BERT나 CLIP과 같은 기초 모델은 자연어 처리 및 다중 모달 AI 작업에서 사용됩니다. 이러한 차이점은 각 모델의 설계 목적과 데이터 처리 방식에서 비롯됩니다. 대규모 모델은 오히려 더 많은 범위의 데이터와 작업을 다룰 수 있는 반면, 기초 모델은 특정 도메인의 요구사항을 충족시키기 위해 설계되어 훨씬 더 전문화된 작업에서 높은 성능을 발휘합니다.

  • 물리적 AI와의 연계

  • 물리적 AI(Physical AI)는 인공지능 시스템이 물리적 세계와 상호작용하여 현실 세계의 문제를 해결하고, 감지, 인식 및 실행할 수 있도록 하는 기술입니다. 이러한 물리적 AI 모델은 대규모 모델 및 기초 모델과 어떻게 통합될 수 있는지가 중요한 주제입니다. 예를 들어, 자율주행차나 로봇에서 물리적 환경을 이해하고 그에 맞춰 작동하기 위해서는 대규모 AI 모델의 고급 인식 기능, 즉 객관적 데이터를 처리하고 결과를 분석하는 능력이 필수적입니다.

  • 기초 모델 또한 물리적 AI와 결합될 때 상당한 가치를 창출할 수 있습니다. 대규모 모델이 정밀한 데이터를 수집하고 이해하는 것에서 한 걸음 더 나아가, 기초 모델이 장치의 작동, 센서 데이터 해석 및 의사결정 과정을 전담할 수 있습니다. 이로 인해 물리적 AI 기술은 매우 정교하게 구현될 수 있으며, 이는 인한 응용 분야의 확대와 효과적인 자원 사용으로 이어질 것입니다.

  • 각 모델의 장단점

  • 대규모 모델의 주요 장점은 다양한 기능과 유연성입니다. 이러한 모델은 모든 유형의 데이터에 대해 높은 적응성을 보여주며, 다양한 AI 응용 분야에 쉽게 적용될 수 있습니다. 하지만, 이러한 모델은 높은 연산 비용과 긴 학습 시간으로 인해 상용화에 어려움이 있을 수 있습니다. 이를 보완하기 위해, 기술자들은 특정 용도에 맞춰 학습된 기초 모델을 개발하여 특정 작업에서 높은 성능을 발휘하도록 조정합니다.

  • 기초 모델의 장점은 상대적으로 빠른 학습 속도와 저렴한 비용으로 인한 적용 용이성입니다. 또한, 특정 도메인에 최적화된 성능을 제공할 수 있어, 수많은 산업 갈래에서 유용하게 활용될 수 있습니다. 그러나, 이러한 모델은 여전히 대규모 모델에 비해 신뢰성과 일반화 능력이 떨어질 수 있다는 단점이 존재합니다. 따라서, 대규모 모델과 기초 모델을 적절히 조합하여 활용하는 접근 방식이 필요하며, 이는 AI 시스템의 발전을 이끄는 인사이트를 제공합니다.

인공지능 기술의 윤리적 고려사항

  • AI 기술의 사회적 영향

  • 인공지능(AI) 기술은 현대 사회의 다양한 분야에 걸쳐 혁신적인 변화를 가져오고 있습니다. 이러한 변화는 산업 자동화, 개인화된 서비스, 건강관리의 향상 등 긍정적인 측면뿐만 아니라, 사회적 불평등, 고용 감소, 개인정보 보호와 같은 부정적인 영향도 초래하고 있습니다. AI의 도입으로 인해 많은 직업이 자동화될 위험에 처하게 됨에 따라, 이에 대한 적절한 대응과 교육이 필요합니다. 예를 들어, 대체 가능한 고용이 줄어드는 상황에서, 새로운 직무에 대한 교육과 직업 전환 지원이 필수적입니다.

  • 또한, AI 기술은 데이터 분석과 예측 기능을 통해 사회적 문제를 해결할 수 있는 잠재력을 가지고 있지만, 이러한 기술이 잘못 사용될 경우 사회적 편견을 심화시킬 우려도 있습니다. 예를 들어, AI에 의해 생성된 알고리즘이 특정 집단에 대한 차별을 조장하게 된다면, 이는 사회적 불평등을 더욱 악화시킬 수 있습니다.

  • 윤리적 쟁점 및 규제 필요성

  • AI 기술의 발전은 여러 윤리적 쟁점을 동반합니다. 데이터 수집과 사용의 윤리, 알고리즘의 투명성, 그리고 AI 시스템의 책임성 등이 그것입니다. 특히 개인정보 보호의 경우, 사용자의 동의 없이 수집된 정보가 AI 모델의 학습에 사용되는 사례는 임의의 결정 및 편향을 초래할 수 있어 큰 문제로 나타나고 있습니다. 따라서 이에 대한 명확한 규제가 필수적입니다.

  • AI 시스템이 내리는 결정에 대한 책임을 묻는 것이 불가능한 경우도 많아서, 이러한 점은 심각한 윤리적 질문을 야기합니다. 예를 들어, 자율주행차가 사고를 일으켰을 때 그 책임이 누구에게 있는지에 대한 문제는 윤리적 고민의 대상이 됩니다. 이에 따라 각국에서는 AI 기술의 사용에 대한 법적 규제를 정비하고 있으며, 이는 기술 발전을 촉진하면서도 윤리적인 기준을 유지하기 위한 방안으로 작용할 것입니다.

  • AI와의 공존 가능성

  • AI와 인간의 조화로운 공존 가능성은 다양한 연구에서 다뤄지며, 이는 윤리적 고려사항 중에서도 중요한 주제입니다. AI가 인간의 또 다른 '동료'로 자리잡기 위한 방법과 방향성은 점차 부각되고 있습니다. 이를 위해서는 AI가 처리할 수 있는 업무의 범위를 명확히 하고, 인간의 감정이나 판단이 중요한 영역에서의 역할을 존중해야 합니다.

  • 또한, AI 시스템이 인간의 가치와 윤리를 반영하도록 디자인되고 개발되도록 하는 것이 중요합니다. 이를 통해 AI는 인간의 파트너로 자리잡을 수 있으며, 산업과 사회에서 더욱 효과적으로 기능할 수 있게 될 것입니다. 이러한 공존을 위한 전략에는 교육 프로그램의 강화, 인간 중심의 AI 설계, 그리고 사회적 합의 기반의 정책이 포함되어야 합니다.

마무리

  • 이번 분석을 통해서 대규모 AI 모델, 기초 모델, 물리적 AI가 인공지능 기술 생태계에 가져올 변화와 그 의미를 보다 깊이 있게 이해하게 되었습니다. 각 모델은 고유의 강점과 한계를 지니고 있으며, 이들 간의 유기적인 관계는 향후 인공지능 기술의 발전을 이끄는 중요한 요소로 작용할 것입니다. 대규모 AI 모델의 발전은 특히 데이터 중심 사회에서 그 중요성이 커지고 있으며, 기초 모델은 다양한 작업에 대한 적응력을 통해 새로운 응용 분야의 기반을 제공합니다.

  • 물리적 AI는 로봇 기술과 자율주행차와 같은 혁신적인 응용 사례를 통하여 인간과 AI의 협업을 가능하게 하며, 이는 새로운 사회적 형태를 창출하는 데 기여할 것으로 기대됩니다. 그러나 이러한 기술 발전이 사회적 책임과 윤리적 기준을 준수하도록 하기 위해서는 지속적인 연구와 적극적인 논의가 필수적입니다. 결론적으로, 인공지능 기술이 안전하고 효과적으로 활용될 수 있도록 정책적 차원에서 향후 정치적, 경제적 고려사항을 충분히 반영해야 할 것입니다.

  • 이러한 노력이 이루어질 때, AI 기술은 우리의 일상 속에 더욱 통합되고, 사회적 가치와 혁신을 동시에 창출하는 잠재력을 실현할 수 있을 것입니다. 따라서 앞으로도 인공지능 분야에서의 연구와 개발은 지속적으로 확대되고, 이와 함께 사회적, 윤리적 쟁점에 대한 해결책을 모색하는 방향으로 나아가야 할 것입니다.

용어집

  • 대규모 AI 모델 [모델 유형]: 복잡한 문제를 해결하기 위해 방대한 데이터와 연산 능력을 활용하는 인공지능 모델로, 다양한 산업 분야에 적용됩니다.
  • Foundation Model [모델 유형]: 다양한 데이터에 기반하여 광범위한 작업을 수행하도록 훈련된 AI 모델로, 미세 조정을 통해 특정 작업에 맞게 조정될 수 있습니다.
  • Physical AI [기술 분야]: 물리적 환경에서 상호작용하며 작업을 수행할 수 있는 AI 기술로, 로봇과 자율주행 차량을 포함합니다.
  • 스케일링 법칙 [개념]: AI 모델의 성능이 데이터와 연산 파워가 커질수록 향상된다는 원리를 설명하는 법칙입니다.
  • 전이 학습 [기술 기법]: 기존에 학습한 지식을 새로운 작업에 활용하여 학습 효율을 높이는 기법으로, 다양한 AI 작업에서 활용됩니다.
  • 자율주행차 [응용 사례]: AI 기술을 활용해 차량이 스스로 도로를 인식하고 주행할 수 있도록 하는 시스템입니다.
  • 자기 지도 학습 [학습 방법]: AI 모델이 주어진 데이터에서 자기 스스로 패턴을 학습하며, 레이블이 없는 데이터를 사용하는 기법입니다.
  • 모달리티 [개념]: 정보의 유형이나 형태를 나타내며, 텍스트, 이미지, 오디오 등의 다양한 형태를 포함합니다.

출처 문서