Your browser does not support JavaScript!

인공지능의 역사와 그 발전: 뇌 연구부터 생성형 AI까지의 여정

일반 리포트 2025년 03월 15일
goover

  • 인공지능의 역사는 뇌 연구 및 컴퓨터 과학의 발전에 밀접하게 연관되어 있으며, 이는 인지과학과 기계 학습 간의 복잡한 상호작용을 통해 발전해왔습니다. 이러한 여정을 통해 기호주의와 연결주의라는 두 가지 이론적 패러다임이 등장하였으며, 이들은 각기 다른 방식으로 인간의 지능을 모방하고자 하였습니다. 기호주의는 명확한 규칙과 기호 체계에 의존하여 사고 과정을 형식적으로 모델링하려고 하며, 반면 연결주의는 신경망 기술에 기반하여 데이터를 활용한 패턴 인식을 강조합니다. 이 두 접근 방식 간의 대립은 인공지능의 본질과 발전 방향에 대한 심도 깊은 논의를 이끌어냈습니다. 하지만 비선형 문제 해결의 필요성이 대두됨에 따라, 전통적인 방법으로는 해결이 어려운 문제들이 나타났습니다. 이로 인해 딥러닝과 같은 새로운 알고리즘이 무대에 등장하게 되었습니다. 딥러닝은 비선형적 데이터를 모델링하는 데 뛰어난 성능을 보여주며, GPU와 같은 컴퓨터 성능의 발전과 더불어 그 활용 분야가 확장되었습니다. 이러한 기술적 발전은 인간의 뇌가 정보를 처리하는 방식을 더욱 정교하게 모방할 수 있도록 하는 토대를 마련하였습니다.

  • 또한, 강화학습과 대형 언어 모델(LLM)의 출현은 인공지능의 진화에서 큰 이정표가 되었습니다. 강화학습은 환경과 상호작용하여 최적의 행동을 학습하는 방식으로, 다양한 응용 분야에서 매우 효과적임을 입증하였습니다. LLM은 대량의 데이터를 학습하여 인간에 가까운 언어 표현 능력을 갖추고 있으며, 이는 자연어 처리 분야에 혁신적인 변화를 가져왔습니다. 이러한 기초 위에서 생성형 AI가 등장하게 되었고, 이는 주어진 데이터에서 새로운 콘텐츠를 생성하는 능력을 갖춘 혁신적인 기술로 자리 잡고 있습니다. 생성형 AI는 텍스트, 이미지, 비디오 등 다양한 형태로 응용되며 산업 전반에 걸쳐 실질적인 변화를 이끌어내고 있습니다.

뇌 연구의 역사와 AI의 기초

  • 뇌 과학의 발전

  • 뇌 과학은 인간의 뇌가 작동하는 방식과 그 기초가 되는 생물학적 메커니즘을 이해하기 위해 오랜 세월 동안 발전해왔습니다. 초기의 뇌 연구는 주로 해부학적 연구에 기반하였으나, 20세기 중반에 들어서면서 신경생리학, 신경심리학, 그리고 뇌영상 기술의 발전이 이루어졌습니다. 이러한 발전은 인간의 행동, 감정, 인지 및 의사 결정을 이해하는 데 큰 기여를 하였으며, 인공지능(AI) 연구에도 중요한 토대를 형성했습니다. 인지과학의 발전과 더불어, 인간의 인지 과정이 어떻게 진행되는지를 이해하기 위한 다양한 실험이 이루어졌고, 이는 AI 시스템의 설계에 직접적으로 영향을 미쳤습니다.

  • 인공지능의 탄생 배경

  • 인공지능은 20세기 중반 처음으로 개념화되었습니다. 1956년 다트머스 회의를 통해 AI 분야가 정식으로 정의되었으며, 이 회의에서는 컴퓨터가 인간처럼 사고할 수 있는 방법에 대한 논의가 이루어졌습니다. 당시 연구자들은 컴퓨터가 복잡한 문제를 해결하는 능력을 발전시킬 수 있을 것이라는 낙관적인 전망을 가지고 있었습니다. 그러나 초기의 AI들은 제한된 규칙 기반 시스템에 지나지 않았으며, 실제로 인간의 지능을 모방하는 데 한계를 경험했습니다. 그러나 이러한 초기 모델들은 기계학습, 패턴 인식, 그리고 인지 모델 구축의 기초가 되었고, AI 연구가 점점 더 발전할 수 있는 발판을 마련하였습니다.

  • 뇌와 컴퓨터의 유사성 탐구

  • 뇌와 컴퓨터는 정보 처리의 근본적인 측면에서 몇 가지 유사성을 공유하지만 본질적으로 다릅니다. 뇌는 신경 세포인 뉴런으로 구성되어 있으며, 뉴런 간의 시냅스 연결을 통해 정보가 전송되고 처리됩니다. 반면, 컴퓨터는 전자적 신호를 통해 정보를 처리하며, 이러한 정보는 이진 수로 표현됩니다. 최근의 연구에서는 뇌의 정보 처리 방식을 모방하는 인공 신경망(ANN)의 개념이 부각되고 있습니다. 이는 뇌의 신경 연결을 수학적으로 모델링하여 기계가 스스로 학습하고 패턴을 인식할 수 있도록 합니다. 그러나 신경망과 인간의 뇌 사이에는 중대한 차이가 존재한다는 점을 인식할 필요가 있습니다. 특히, 뇌의 복잡성과 컴퓨터의 처리능력 간의 비교는 신경과학자와 AI 연구자 간의 많은 논의의 주제가 되고 있습니다.

기호주의와 연결주의: 인공지능의 두 패러다임

  • 기호주의의 개념과 특징

  • 기호주의는 인공지능 및 인지과학에서 매우 중요한 이론적 기초를 제공합니다. 이 이론은 인간의 사고 과정을 기호나 언어 같은 추상적인 형태의 표기 체계로 설명하는 것을 중심으로 합니다. 기호주의의 주요 특징은 사고의 구조가 명확하게 정의된 규칙과 기호의 조합에 의해 이루어진다는 점입니다. 즉, 기호주의자는 사고를 정보 처리 및 규칙 기반의 프로세스로 이해하며, 이를 통해 사고의 과정을 수학적이거나 논리적인 방식으로 모델링하고자 합니다. 기호주의는 특히 고전 AI 시스템에서 두드러지며, 이 시스템들은 명확한 규칙과 알고리즘을 사용하여 문서 분류, 증명 기반의 문제 해결 등에 활용했습니다. 이러한 기호주의 접근법은 AI가 인간의 의사결정을 모방할 수 있는 기초를 제공하였지만, 복잡한 문제 해결에서는 제한적이라는 비판도 받습니다. 기호주의자들은 사고의 중요성을 강조하는 반면, 실체적 지식의 부족이 문제로 받아들여지기도 합니다.

  • 연결주의의 정의 및 차별점

  • 연결주의는 인공지능의 또 다른 주요 패러다임으로, 인간의 뇌가 정보를 처리하는 방식에서 영감을 받습니다. 연결주의는 신경망을 기반으로 하며, 이는 수천 개의 노드(신경세포처럼 작용하는)가 서로 연결되어 복잡한 관계를 형성하는 접근법입니다. 이 모델은 데이터를 입력받아 이를 통해 다양한 출력 결과를 생성합니다. 연결주의의 가장 큰 장점은 학습 데이터에서 패턴을 발견하고, 이러한 패턴을 기반으로 예측을 수행하는 능력입니다. 전통적인 기호주의에 비해 연결주의는 비선형 문제 해결에 훨씬 더 효율적입니다. 이는 신경망의 다층 구조를 통해 가능하며, 더 복잡하고 비정형적인 데이터를 처리하는 데 적합합니다. 예를 들어, 이미지 인식, 자연어 처리 등의 분야에서 연결주의 모델이 기호주의 모델보다 더 나은 성능을 발휘하고 있습니다.

  • 두 패러다임 간의 대립

  • 기호주의와 연결주의는 지능의 본질과 AI의 발전 방향에 있어 상충되는 두 가지 관점을 대표합니다. 기호주의는 사고를 규칙 기반의 형식적 시스템으로 보며, 이는 알고리즘과 모델의 투명성을 중시합니다. 반면, 연결주의는 학습 능력과 데이터 기반의 접근을 강조하여, 복잡성과 유연성을 중심으로 발전해왔습니다. 이러한 대립은 또한 AI 연구자들 사이에서의 논쟁으로도 이어집니다. 기호주의는 데이터의 의미론적 처리에 중점을 두지만, 연결주의는 방대한 양의 데이터를 통해 더 깊이 있는 패턴 인식을 가능하게 합니다. 인공지능의 미래 발전 방향은 이 두 패러다임의 조화와 결합에서 나타날 가능성이 큽니다. 최근의 연구들은 두 접근 방식을 통합하여 더 효율적이고 유연한 AI 시스템을 개발하려는 노력이 있어, 이들의 관계는 단순한 대립을 넘어 상호 보완적으로 변모할 것으로 예상됩니다.

비선형 문제의 난관과 해결

  • 비선형 문제의 정의

  • 비선형 문제란 입력 변수와 출력 변수 사이의 관계가 비선형적일 때 발생하는 문제를 의미합니다. 이는 단순한 선형 방정식으로 설명할 수 없는 복잡한 현상에서 나타나며, 수학적 모델링 및 데이터 분석에서 자주 직면하는 난관입니다. 예를 들어, 다양한 요소가 상호작용하여 발생하는 경제 모델이나 생물학적 시스템은 대부분 비선형적입니다. 이러한 비선형적 특성은 예측 및 최적화를 더욱 어렵게 만들며, 인공지능의 알고리즘 개발에 있어 주요한 도전과제로 작용합니다.

  • 전통적 접근법의 한계

  • 과거의 선형 모델이나 간단한 수학적 접근 방식은 비선형 문제를 해결하는 데 한계가 있었습니다. 예를 들어, 기존의 회귀 분석 방법은 입력 데이터와 출력 데이터 간의 관계가 직선적으로 나타날 때에만 유효합니다. 비선형 문제를 해결하기 위해 일부 연구자들은 지수 함수나 다항식 같은 비선형 함수를 사용하려 했으나, 여전히 높은 차원의 복잡성을 다루기에는 부족한 측면이 있었습니다. 그 결과, 비선형 문제의 해결에 어려움을 겪었으며, 이는 인공지능이 발전하는 데 있어 큰 장애물이 되었습니다.

  • 해결을 위한 기술적 발전

  • 비선형 문제를 해결하기 위한 기술적 발전으로는 인공신경망(Artificial Neural Networks, ANN)과 딥러닝(Deep Learning) 기술의 출현이 있습니다. 이들은 복잡한 데이터의 패턴을 학습하고 비선형적 관계를 모델링할 수 있는 뛰어난 능력을 지니고 있습니다. 딥러닝에서는 다층의 신경망 아키텍처를 통해 데이터의 고차원적 의미를 학습하여 비선형 문제를 효과적으로 접근할 수 있습니다. 또한, 이러한 접근법은 대규모 데이터셋과 고성능 컴퓨팅의 발전과 함께 더욱 확립될 수 있었습니다. 예를 들어, 이미지 인식 및 자연어 처리와 같은 분야에서 딥러닝 알고리즘이 탄생하며 전통적인 방법으로는 힘들었던 비선형 과제를 성공적으로 해결해 나가고 있습니다.

딥러닝의 출현 배경

  • 컴퓨터 성능의 발전

  • 딥러닝의 출현 배경에서 컴퓨터 성능의 발전은 가장 중요한 요소 중 하나입니다. 2000년대 초반, CPU의 발전과 함께 GPU(Graphics Processing Unit)의 성능이 크게 향상되면서 대규모 데이터셋을 처리할 수 있는 환경이 조성되었습니다. GPU는 특히 병렬 처리에서 뛰어난 성능을 발휘하여 다량의 데이터를 동시에 처리할 수 있게 되었고, 이는 딥러닝 모델의 학습 속도를 혁신적으로 증가시켰습니다. 이러한 컴퓨터 성능의 발전은 큰 규모의 인공 신경망을 실현할 수 있는 기술적 근거가 되었으며, 이는 특히 이미지 인식, 음성 인식과 같은 복잡한 분야에서 딥러닝의 활용을 가능하게 했습니다.

  • 신경망 알고리즘의 혁신

  • 신경망 알고리즘의 발전은 딥러닝의 출현에 큰 영향을 미쳤습니다. 초기의 인공신경망은 단층 구조를 가지며 학습의 효율이 낮았으나, 1986년 데이비드 러멜하트(David Rumelhart)가 제안한 '역전파 알고리즘'은 다층 신경망의 효과적인 학습 방법을 제공하였습니다. 이 알고리즘을 통해 신경망은 입력 데이터와 출력 데이터 간의 오류를 역으로 전파하며 가중치를 조정하여 학습하게 됩니다. 이러한 접근법은 깊은 구조의 신경망을 사용하는 것이 가능해지면서, 단순한 패턴 인식에서부터 복잡한 데이터에 대한 해석까지 가능하게 하였습니다. 그 결과, 2010년대에 들어서면서 딥러닝은 다양한 분야에서 혁신적인 발전을 이루게 됩니다.

  • 딥러닝 기술의 발전과 응용

  • 딥러닝 기술은 최근 몇 년간 다양한 응용 분야에서 긍정적인 성과를 거두며 빠르게 자리잡았습니다. 예를 들어, 이미지 인식 분야에서는 CNN(Convolutional Neural Network)이 등장하여 이미지 분류 및 객체 탐지 정확도를 크게 향상시켰습니다. 또한 자연어 처리 분야에서는 RNN(Recurrent Neural Network) 및 LSTM(Long Short-Term Memory) 네트워크가 개발되어 음성 인식 시스템과 번역 프로그램의 성능 개선에 기여했습니다. 이러한 기술들은 단순히 학문적 성과에 그치지 않고, 실제 산업과 우리의 일상생활에 널리 사용되고 있습니다. 예를 들어, 누리호 발사, 자율주행차, 의료 진단 및 추천 시스템 등 다양한 사례에서 딥러닝 기반 기술이 실질적인 변화를 가져오고 있습니다. 이는 인공지능 기술의 발전이 실제로 우리의 삶에 직결되고 있다는 점을 확인시켜 줍니다.

강화학습과 LLM의 개념

  • 강화학습의 원리

  • 강화학습(reinforcement learning, RL)은 인공지능의 한 분야로, 에이전트가 환경과 상호작용하여 최대의 보상을 얻기 위해 행동을 학습하는 방법론입니다. 에이전트는 각 상태에서 가능한 행동 중 하나를 선택하고, 그 행동에 대한 보상과 결과 상태를 받게 됩니다. 이러한 과정은 반복적으로 이루어지며, 에이전트는 경험을 통해 최적의 정책을 학습합니다. 강화학습의 핵심 요소는 '상태', '행동', '보상'입니다. '상태'는 에이전트가 환경에서 처한 상황을 나타내며, '행동'은 에이전트가 선택할 수 있는 동작을 의미합니다. '보상'은 선택한 행동이 얼마나 성공적이었는지를 평가하는 피드백으로 주어지며, 긍정적인 보상을 받을수록 해당 행동을 반복할 확률이 높아집니다. 이러한 방식으로 에이전트는 탐색(exploration)과 이용(exploitation) 사이에서 균형을 맞추며, 점차적으로 최적의 행동을 선택하는 정책을 결정하게 됩니다. DQN(Deep Q-Network)과 같은 딥러닝 기반의 강화학습 알고리즘은 복잡한 환경에서도 효과적으로 학습할 수 있는 방법을 제공합니다.

  • 대형 언어 모델(LLM)의 정의 및 기능

  • 대형 언어 모델(LLM, Large Language Model)은 텍스트 데이터를 기반으로 학습하여 인간과 유사한 자연어 생성 및 이해 능력을 갖춘 인공지능 모델입니다. 이 모델은 방대한 양의 텍스트 데이터를 학습하여, 문맥을 이해하고 문장을 생성하는 능력을 갖춥니다. LLM은 주로 전이 학습(transfer learning) 기법을 사용하여, 사전 훈련된 모델을 바탕으로 특정 도메인에 맞게 조정(fine-tuning)하는 과정을 거칩니다. LLM의 가장 주요한 아키텍처로는 Transformer가 있습니다. Transformer는 'self-attention' 메커니즘을 활용하여 입력된 단어들 간의 관계를 파악하고, 정보를 처리하는 효율성을 극대화합니다. 이 구조는 긴 문장에서도 문맥을 효과적으로 유지할 수 있도록 돕습니다. LLM은 주로 텍스트 생성, 문서 요약, 번역, 질문 응답 등의 다양한 자연어 처리(NLP) 작업에서 활용됩니다.

  • LLM의 응용 사례

  • 대형 언어 모델(LLM)은 여러 산업 분야에서 다양한 방식으로 응용되고 있습니다. 가장 일반적인 예로는 챗봇 서비스가 있습니다. 고객 서비스에 활용되는 챗봇은 LLM을 통해 사용자 질문에 적절한 답변을 제공하고, 자연스러운 대화를 이어가는 데 도움을 줍니다. 이런 기술은 고객의 명확한 요구를 이해하고, 보다 개인화된 경험을 제공하는 데 큰 이점을 가집니다. 또한, LLM은 콘텐츠 생성에도 사용됩니다. 블로그 포스트, 마케팅 카피, 소설 집필 등에서 LLM은 유용한 도구로 활용되고 있으며, 인간 창작자의 도움을 받아 효율적으로 콘텐츠를 생산할 수 있습니다. 최근의 연구에서는 LLM이 의료 분야에서도 사용되고 있는데, 이 모델을 통해 의료 기록을 분석하거나, 환자의 질문에 대한 정보를 제공하는 시스템이 개발되고 있습니다. 이러한 다양한 활용 사례는 LLM의 잠재력을 잘 보여주고 있으며, 앞으로도 더욱 다양한 분야에서 그 응용이 확장될 것으로 기대됩니다.

생성형 AI의 원리와 서비스 종류

  • 생성형 AI의 기본 개념

  • 생성형 AI(Generative AI)는 주어진 데이터에서 패턴을 학습하여 새로운 콘텐츠를 생성하는 인공지능 기술입니다. 이 기술의 기본 원리는 주어진 텍스트, 이미지, 비디오 등의 데이터를 입력으로 받아, 그와 유사한 형태의 새로운 데이터를 만들어내는 것입니다. 생성형 AI는 텍스트 생성(예: 문서 작성, 대화 등), 이미지 생성(예: 그림, 사진 등), 음성 생성(예: 음성 합성, 악곡 작곡 등) 등 다양한 분야에서 활용되고 있습니다. 이를 가능하게 하는 핵심 기술 중 하나는 생성적 적대 신경망(Generative Adversarial Networks, GAN)입니다. GAN은 두 개의 네트워크, 즉 '생성자(Generator)'와 '판별자(Discriminator)'로 이루어져 있습니다. 생성자는 무작위로 생성된 데이터를 판별자를 속이기 위해 실제처럼 보이게 만들고, 판별자는 진짜 데이터와 가짜 데이터를 구별하려는 경쟁 관계에 있습니다. 이러한 방식으로 두 네트워크는 서로 발전하게 되며, 점점 더 정교한 데이터를 생성할 수 있습니다.

  • 주요 생성형 AI 기술

  • 생성형 AI의 대표적인 기술에는 강력한รูป식이 많이 있습니다. 이 중에서 특히 세 가지 주요 기술을 소개합니다. 1. **생성적 적대 신경망(GAN)**: GAN은 앞서 설명한 바와 같이, 두 개의 신경망 간의 경쟁을 통해 이미지를 생성하는 방법입니다. 생성자는 판별자를 속이기 위해 점점 더 사실적인 이미지를 생성하도록 훈련받고, 판별자는 이러한 이미지를 식별하기 위해 매 단계마다 점점 더 성능이 향상됩니다. 이 기술은 이미지 합성, 변환 및 복원 등 다양한 응용 분야에서 사용됩니다. 2. **변이형 오토인코더(Variational Autoencoder, VAE)**: VAE는 기존의 데이터를 압축하고 더욱 복잡한 구조의 데이터를 생성하는 기술입니다. VAE는 입력 데이터를 잠재 공간(latent space)에 매핑(mapping)한 후, 이 공간에서 새로운 데이터를 샘플링하여 생성합니다. 이 과정에서 자연스러운 데이터의 변화를 표현하는 데 유용합니다. 3. **확산 확률 모델(Diffusion Models)**: 확산 모델은 노이즈를 점진적으로 추가하여 이미지를 변형한 후, 이를 복원하는 방식을 사용합니다. 이 안정적인 생성 과정은 고-품질 이미지를 생성하는 데 강력한 특성을 보여줍니다. 특히 최근에는 챗GPT와 같은 다양한 형태의 데이터를 다룰 수 있는 멀티모달 AI 기술이 이 모델을 적용해 큰 주목을 받고 있습니다.

  • 다양한 서비스의 사례

  • 생성형 AI는 여러 산업에서 혁신적인 서비스로 자리잡고 있습니다. 여기에서는 몇 가지 주요 사례를 소개합니다. 1. **텍스트 생성 서비스**: 생성형 AI는 기사 작성, 블로그 포스트, 대화형 챗봇 등에서 활용되어 있습니다. 예를 들어, OpenAI의 GPT-3는 자연어 처리 기술을 이용하여 고품질의 텍스트를 생성할 수 있습니다. 이 모델은 사람과 거의 구별할 수 없는 대화를 생성하거나 특정 주제에 대한 글을 작성하는 데 능숙합니다. 2. **이미지 및 비디오 생성**: GAN을 활용한 서비스는 기업들이 유저 맞춤형 마케팅을 위해 고급 이미지를 생성하는 데 사용되고 있습니다. 예를 들어, 일정한 스타일을 가지고 이미지를 생성하거나, 비디오 게임 캐릭터의 이미지를 현실처럼 만들어낼 수 있는 기술 등이 있습니다. 3. **음성 및 음악 생성**: 생성형 AI는 음악 작곡에서도 활용됩니다. 이를 통해 개인의 음악 취향에 맞춘 새로운 곡을 만들거나, 합창을 생성할 수 있습니다. 또한 음성 합성의 기술로 사람과 대화할 수 있는 가상 비서를 구현하기도 합니다. 4. **의료 분야의 활용**: 최근에는 의료 영상에서 생성형 AI의 활용이 급부상하고 있습니다. 예를 들어, GAN을 통해 의료 정보를 기반으로 진단 이미지 또는 개인의 건강 데이터를 바탕으로 맞춤형 치료 방법을 제안하는 서비스들이 등장하고 있습니다.

마무리

  • 인공지능의 발전은 뇌 연구의 성과와 컴퓨터 공학 진보가 맞물린 결과이며, 이 과정에서 기호주의와 연결주의 간의 지속적인 논쟁이 중요한 역할을 해왔습니다. 비선형 문제를 해결하기 위한 기술적 도전은 인공지능 연구의 중요한 촉진제가 되었으며, 이는 딥러닝 및 강화학습의 발전으로 이어졌습니다. 이러한 혁신들은 다양한 산업에서 인공지능의 잠재력을 최대한 이끌어내는 데 기여하고 있습니다.

  • 생성형 AI의 출현은 인공지능 기술이 가진 응용 가능성을 한층 더 확장시키고 있으며, 이는 의료, 금융, 교육 등 여러 분야에서 실질적 솔루션을 제공하는 데 기여하고 있습니다. 향후 인공지능 기술의 발전은 사회 경제 전반에 걸쳐 더욱 깊고 폭넓은 영향을 미칠 것이며, 새로운 서비스와 기술들이 우리의 일상생활에 더욱 통합될 것으로 기대됩니다. 따라서 인공지능의 미래는 무궁무진한 가능성을 제시하며, 이를 통한 혁신이 어떤 방향으로 나아갈지를 주의 깊게 지켜보아야 할 것입니다.

용어집

  • 비선형 문제 [개념]: 입력 변수와 출력 변수 간의 관계가 비선형적일 때 발생하는 문제로, 복잡한 현상에서 나타나며 예측 및 최적화를 어렵게 만드는 난관입니다.
  • 기호주의 [이론]: 인공지능 및 인지과학에서 인간의 사고 과정을 기호나 규칙으로 설명하는 이론으로, 고전 AI 시스템에서 두드러지며 규칙 기반의 문제 해결에 주로 사용됩니다.
  • 연결주의 [이론]: 인간의 뇌가 정보를 처리하는 방식에서 영감을 받은 패러다임으로, 신경망을 기반으로 데이터의 패턴을 학습하고 비선형적 문제를 해결하는 데 강점을 보입니다.
  • 딥러닝 [기술]: 다층 신경망을 활용해 데이터의 복잡한 패턴을 학습하여 고차원적 관계를 모델링하는 기계 학습 기법으로, 이미지 인식 및 자연어 처리 등에 광범위하게 응용됩니다.
  • 강화학습 [방법론]: 에이전트가 환경과 상호작용하며 최적의 행동을 학습하는 인공지능의 한 분야로, 보상을 통해 행동을 조정하는 원리를 기반으로 합니다.
  • 대형 언어 모델(LLM) [모델]: 방대한 텍스트 데이터를 기반으로 자연어 생성 및 이해 능력을 갖춘 인공지능 모델로, 주로 전이 학습 기법을 활용하여 다양한 자연어 처리 작업에 적용됩니다.
  • 생성형 AI [기술]: 주어진 데이터에서 패턴을 학습하여 새로운 콘텐츠를 생성하는 인공지능 기술로, 텍스트, 이미지, 비디오 등 다양한 분야에서 활용됩니다.

출처 문서