AI가 당신의 삶을 더 나쁘게 만든 방법

인터넷에서 재미있는 글을 발견했기에 여기에 옮겨본다.

저자는 AI에 대해서 풍자를 한 것이기에 너무 심각하게 받아들이지 말라고 했다. 이것을 고려해서 글을 읽었으면 좋겠네요. 재미로 읽어보시죠. :)

AI가 우리의 삶을 더욱 악화시킨 5가지 방법

AI 시대가 온다고 했을 때, 우리는 더 나은 것을 상상했다. 회의도 줄고, 힘든 일도 줄고, 여유있는 시간을 가질 거라 생각했다. 그러나 여전히 보고서를 작성해야 하고, 회의에도 참석해야 한다.

AI 도구들은 디자인, 코드 작성, 디버깅, 카피라이터 등을 이미 학습했다. 아주 뛰어나지 않더라도 가격만 저렴하다면 상관없는 사람들에게는 괜찮은 도구이다. 그동안 이런 일들은 사람이 해왔지만, 이제 이 일은 환각증상이 있는 기계에게 맡겨지고 있다.

AI는 경영진을 천재라고 생각하게 만들었다.

경영진들은 AI를 좋아한다. 도움 없이 이메일도 쓸 수 없는 사람들에게는 AI는 마치 코카인과 같다. 그들은 AI를 예산 삭감, 팀 재편 그리고 인간은 줄이고 미래에 펼쳐질 “전략적 변화”를 정당화하는 기적의 도구로 여긴다.

이해하지도 못하는 도구로 대체하고, 효과가 없으면 당신 탓으로 돌린다. AI는 상사를 더 똑똑하게 만들지 않는다. 오히려 위험한 존재로 만든다.

이제 당신은 지구 전체와 경쟁해야 하고 로봇과도 경쟁하고 있다.

예전에는 특정 문제에 대해 끊임없이 생각하고 행동하는 사람이 경쟁자였다. 하지만 이제는 ChatGPT에 접속하는 사람들 그리고 경영진이 선호하는 AI 스택, 24시간 쉬지 않고 일을 처리하는 AI 덕분에 더 적은 비용으로 빠르게 일을 처리해 줄 것이다.

이런 상황에서 당신이 해야 할 일은 도구에 프롬프트를 추가하고 결과를 지켜보는 것이다. 당신의 일이 더 이상 가치를 창출하는게 아니기 때문이다. AI가 법적 조치를 초래할 만큼 엄청난 환각을 보지 않도록 하는게 당신의 일이다.

AI는 업무량을 줄이지 못했다.

AI가 지루한 것들을 없앨 거라고 했다. 사람은 “더 창의적이 될 거야!”라고 했고, “전략에 집중할 시간을 갖게 될 거야!”라고 했다.

거짓말이다. 이제 당신은 더 많은 일을 하게 된다. “AI가 도움이 된다.”는 이유로 5배 더 많은 결과물을 내야 한다는 기대를 받는다. “AI가 프로세스 속도를 높여준다.”는 이유로 더 많이, 더 빨리 일해야 한다는 기대를 받는다. “AI가 몇 가지 문제를 찾아냈다.”는 이유로 더 높은 품질의 결과물을 내야 한다는 기대를 받는다.

당신은 자유롭지 않다. 예전에는 팀원들이 나눠서 하던 업무에 쫒겼는데, 이제는 더 이상 팀이 없다. “AI 강화”라는 말의 의미는 “이제 세명 몫의 일을 하게 되지만, 임금 인상은 안 해 줄 거야”라는 뜻이다.

그럼에도 당신은 AI에 흥분하고 있다고 가정해야 한다.

이건 가스라이팅이다.

링크드인의 모든 사람들은 얘기한다. “AI는 선물이다.” “그냥 받아들여!” “거부하면 뒤쳐질 뿐이야!” 그리고 당신은 분기별로 해고되는 동료들을 지켜봐야 한다. 하지만 그렇다고 해서 짜증난다고 말할 수 는 없다. “적극적으로 참여해야” 한다.

휴게실에서도 불평할 수 없다. AI가 감시할 테니까. 커피 머신이 엿듣고 있을지도 모른다.

우리는 놀림을 받았다.

AI는 우리의 구세주가 아니었다. 주주들의 절박함과 기술 우월주의에 사로잡힌 자존심이 조종하는 트로이 목마였다. 그들은 해방을 약속했다. 하지만 우리가 얻은 것은 노동의 모든 문제점을 가속화하는 것이었다. 단지 더 빠르고, 더 멍청하고, 고통을 나눌 사람이 줄어들었을 뿐이다.

그럼에도 우리는 여기에 있다. 여전히 일을 하고, 여전히 저임금이다. 그리고 지금은 표절 자체가 혁신이라고 생각하는 로봇에 의해 점차 사라지고 있다.

이게 일의 미래라면, 어쩌면 기계가 일을 대신해야 할지도 모른다. 그러면 적어도 우리는 마침내 쉴 수 있겠지.

Read More

업무에서의 AI

하버드 경영 대학원에서 연구한 결과에 따르면, AI를 활용하는 사람들은 사람으로 구성된 팀과 동등한 성과를 내고, 더 긍정적인 감정을 느낀것으로 나타났다.

내용을 요약하면,

AI를 사용하는 개인은 AI를 사용하지 않고 팀으로 일하는 것과 동일한 수준의 성과를 보였다고 한다. 이는 AI 인간 협업의 특정 이점을 효과적으로 대체할 수 있음을 시사한다. AI를 활용하면 문제 풀이에 소요되는 시간이 단축되고 더 좋은 결과물을 생성하는 것을 언급하고 있다.

AI를 사용하지 않는 경우에는 R&D 전문가는 기술 관점을 비즈니스 전문가는 비즈니스 지향적인 제안을 하는 경향이 높은데, AI를 사용하는 전문가들은 배경에 상관없이 균형 잡힌 솔루션을 제시할 수 있음을 보여줬다고 한다. 특히, 배경 지식이 없는 사람들도 AI의 도움을 받아 좋은 퀄리티의 결과물을 내놓을 수 있었다.

AI와 협업하는 것이 사람과 협업하는 것과 차이점은 더 긍정적인 정서적 반응을 유도 했다는 점이다. 즉, 문제에만 집중하기 좋은 정서를 가지게 한다.

위 연구는 AI 단순히 도구로써 사용되는 것을 넘어, 조직 내 협업의 본질과 전문성 발휘 방식을 재편할 잠재력이 있음을 보여준다. “사이버네틱 팀원”으로써 AI는 문제를 해결하려는 사람과 동적으로 상호 작용하기에, 향후 조직이 업무 프로세스를 재고할 수 있도록 만들 거라 생각된다.

현재 팀내에서 AI 활용을 많이 하고 있기에., 생산성에 관심이 많다. 지금 시점에서 보면, 우리는 사람과 AI 중 하나는 선택하는 것이 아니라, AI를 활용하여 강화할지 아니면 활용하지 않고 뒤처질지를 선택해야 한다.

대부분의 사람들은 새로운 도구에 대해서 회의적인 태도를 보인다. 그리고 새로운 도구로 인해 고용 시장이 악화되고 타격이 생길 수 있다고 생각한다. 나도 이 의견에는 동의한다. 이미 많은 기업이 해고를 하고 있기에 AI 기반 효율성에 대한 전망은 전문가의 필요성이 줄어들 것이라는 우려를 불러 일으킨다. 이런 우려는 전략적 사고 없이, 프로세스 전문가, 코더 등으로 스스로를 포지셔닝해 온 실무자들에게는 매우 심각할 것이다.

그러나 한편으로는 인터넷이 그랬듯이 AI가 업무의 기반이 된다면 얼리 어답터들은 성공할 것이다. 그리고 잘 활용하는 전문가들에게는 저비용 고수익 전략이 될 수 도 있다.

현재 내가 몸담고 있는 팀은 MVP로 제품을 만들고, Agile하게 업무를 진행한다. 위 연구에서 내가 관심이 가는 부분은 AI 자체에 의한 대체가 아니라, AI를 사용하는 사람들끼리의 경쟁이다. 일부 전문가가 AI를 활용하여 다른 전문가가 몇 시간씩 걸리는 작업을 단 몇 분만에 처리할 경우, 그 성과 차이가 상당해진다는 사실이다. 이 연구는 AI가 전문 지식을 없애는 것이 아니라 오히려 재분배한다는 것을 보여주었다.

이제까지 우리는 계산기부터 엑셀, 프로그래밍, 프로젝트 관리툴 등을 이용하여 역량을 강화해왔다. AI도 이런 툴 사용에서 벗어나는 것이 아니라 클래식의 연장선이라는 것을 보여준다. 하지만, 아직 제한 사항도 존재한다. 인간적 연결과 심리적 안전망을 구축할 순 없다.

위 연구는 AI가 인간을 대체하는 것이 아니라 강화하는 “사이버네틱 팀원” 역할을 한다는 증거를 제시한다. 아마도 팀과 개인의 역할을 구성하는 방식에 대해서 고민하게 만들 것이라 생각한다.

애자일의 강점은 적응력이다. AI를 무시하는 것은 그 원칙에 위배된다. 그래서 AI를 빠르게 도입하고 먼저 써보면서 “더 빠르게, 함께 가치를 제공”이라는 목표에 다가가면서 미래를 대비한 경험을 구축하는것이 좋지 않을까 생각이 든다.

이런 행위의 대가는 바로 당신의 경쟁력이다. 작게 시작하고, 자주 실험하고, AI가 반복적인 업무와 일상적인 업무를 처리하게 하고, 당신은 조금 더 의미 있는 일에 집중해야 한다.

이러한 접근 방식은 이번 변화를 헤쳐나가는 데 큰 도움이 될 것이다.

Read More

오픈소스 LLM(Large Language Model)

LLM(Large Language Model)을 선택할 때는 두 가지 경로가 있다. 오픈소스냐 아니냐이다.

본 글에서는 오픈소스 LLM을 선택할 때의 이점을 살펴본다.

생성형 AI가 많이 쓰여짐에따라 방대한 데이터를 분석하고, 비즈니스 전략을 수립하고, 상호작용을 간소화하고, 고객에게 개인화된 응답을 제공할 Needs가 있을 수 있다. 이럴 경우 기술 스택에 대한 고려를 해야 할 시점에 있을 수 있다.

“상용 서비스를 사용해야 할까? 아니면 오픈소스 LLM을 선택해야 할까?”

물론, 처음부터 완전한 맞춤형을 사용하는 것은 매력적일 수 있다. 실제로 LLM은 시간, 돈, 노력을 들일 만한 가치가 없는 대규모 사업일 수 있다. 비용, 확장 및 업데이트의 어려움, 환경적 영향 등 고려해야 할 단점이 존재한다.

많은 리더들은 LLM을 처음부터 완전하게 훈련하지 않고도 사용할 수 있다는 사실을 깨닫지 못한다. 오픈소스 모델에는 이미 기초적인 지식과 기술이 포함되어 있다. 그리고 자체 데이터를 추가하여 정의하고 생성 AI 쿼리에서 훌륭한 결과를 얻는 데 필요한 컨텍스트를 제공할 수 있다.

대부분의 회사는 활용되지 않거나 갇힌 데이터처럼 보물 창고를 가지고 있다. 즉, 여러 팀, 조직 또는 문서에 분산되거나 Silo된 데이터를 의미한다. 이런 데이터는 구조화된 데이터(엑셀, 데이터베이스)와 구조화되지 않은 데이터(로그, 채팅 로그, 이메일)로 구분된다.

에릭 레이몬드의 “성당과 시장”이라는 책을 보면 상용 솔루션과 오픈소스 진영에 대한 이야기가 나온다. AI 시대에도 이런 움직임이 있다. 독점 시스템의 장벽을 허물어 전 세계의 개발자, 연구자, 열광자들이 기초 모델에 기여하고, 수정하고, 개선하도록 노력하고 있다.

이런 커뮤니티 기반의 협력 모델은 해당 분야의 발전을 가속화할 뿐만 아니라 AI 기술의 이점을 더 광범위하게 이용할 수 있도록 보장한다.

나도 이번에 LLM 관련해서 준비해야 할 것이 있고, 접근을 오픈소스 기반으로 하고 있기에., 관련 내용을 정리해본다.

오픈 소스 LLM이란?

오픈소스 LLM은 인간 언어를 이해하고, 생성하고, 조작하도록 설계된 AI 모델의 유형이다. 오픈소스라는 것은 모델의 아키텍처, 코드, 모델 등 누구나 자유롭게 사용, 수정, 배포할 수 있다는 것을 의미한다. 높은 가용성과 낮은 비용은 AI 개발에 대한 협력적이고 투명한 접근 방식을 촉진한다.

오픈소스 LLM은 유일한 LLM은 아니다. 그러나 가장 널리 접근 가능한 모델이다.

오픈 소스 LLM은 독점 LLM과 어떻게 다른가?

오픈 소스 LLM은 주로 접근성과 적응성에서 독점적인 대응 제품과 다르다. 오픈소스 모델은 사용, 수정 및 배포를 위해 무료로 제공된다. 이런 특징은 혁신에 대한 협력적 접근 방식을 장려하고 특정 요구 사항에 대한 수정을 허용한다.

이와 대조적으로 독점적인 LLM은 특정 회사가 통제하고 소유한다. 공급업체는 라이선스 등 LLM에 대한 접근을 제한하고, 특정 요구 사항에 대한 수정을 제한한다.

이런 근본적 차이는 해당 모델을 제공하는데 드는 비용과 유연성에 영향을 미친다.

오픈 소스 LLM의 이점

ChatGPT가 세상에 공개되자마자 OpenAI의 GPT 모델은 빠르게 유명해졌다. 하지만 해당 모델은 많은 비용이 동반되어야 하기에 많은 기업들이 대규모 모델에 투자하는 것의 가치에 의문을 제기하기도 했다.

이에 따라 많은 기업이 소규모의 개방형 LLM을 선택하여 RAG(Retriever-And-Generator) 파이프라인을 활용하여 데이터를 통합하고 비슷하거나 더 뛰어난 효율성을 달성하고 있다.

고려해 볼 만한 폐쇄형 LLM에는 여러가지 장점이 있다.

비용 효율성

오픈소스 LLM은 독점적 모델에 비해 비용 효율적인 대안을 제시하여 기업이 AI 역량을 활용할 수 있는 재정적으로 실행 가능한 수단을 제공한다.

• 라이센스 비용이 필요하지 않기에 초기 비용과 지속적인 비용 절감을 기대할 수 있다.

• 해당 모델을 자유롭게 조직내에 배포할 수 있다.

• 특정 맞춤형 서비스가 가능하기에 효율성이 향상될 수 있다.

데이터 소유권 및 제어

오픈소스 LLM을 활용하는 것은 데이터에 대한 통제력과 소유권을 확보하여 다양한 매커니즘을 통해 보안을 강화한다.

• 데이터 호스팅 제어

• 온프레미스 또는 신뢰할 수 있는 클라우드 공급자의 호스팅을 선택

• 민감한 데이터를 보호하는게 중요하다.

• 내부 데이터 처리

• 민감한 데이터 유출을 방지한다.

• 데이터 침해 위험을 줄이고 개인 정보 보호를 강화한다.

• 투명성

• 오픈 소스 특성으로 인해 코드와 프로세스 감시가 가능하다.

• 내부 규정 준수 기준에 부합하는지 확인이 가능하다.

오픈 소스 LLM을 사용하는 기업

전 세계 다양한 기업이 오픈 소스 LLM을 활용하고 있다.

Shopify

Shopify는 Llama 2를 활용하여 LLM을 채택했다. 이 도구는 소규모 업체가 상거래 관리와 관련된 작업을 자동화하도록 지원한다.

상품 설명을 생성하고, 고객 문의에 답변하고, 마케팅 콘텐츠를 만들어 시간을 절약하고 운영을 간소화하는데 도움이 된다.

Perplexity

Perplexity가 오픈 소스 LLM을 활용하는 방법은 다음과 같다.

응답 생성 프로세스

사용자가 질문을 하면 Perplexity 엔진은 약 6단계를 실행하여 답변을 작성한다. 이 프로세스에는 여러 언어 모델을 사용하여 포괄적이고 정확한 답변을 제공하고자 한다.

Perplexity는 자체적으로 개발한 오픈 소스 LLM을 사용한다. Mistral 및 Llama와 같은 기존 프레임워크를 개선한 이 모델은 사용자의 문의와 관련된 콘텐츠를 간결하게 요약하도록 맞춤화 되어 있다.

오픈 소스 LLM을 활용한 사례 및 가능성

오픈 소스 LLM은 다양한 산업과 애플리케이션에서 수많은 기회를 열어주었다. 다음은 오픈소스 LLM의 잠재력에 대한 일반적인 사용 사례와 가능성이다.

챗봇 및 대화형 에이전트

오픈소스 LLM은 자연스럽고 의미 있는 대화에 참여할 수 있는 정교한 챗봇을 만들 때 사용할 수 있다.

콘텐츠 생성

블로그 게시물과 마케팅 카피 및 스토리텔링까지 오픈소스 LLM은 고품질 콘텐츠를 빠르고 효율적으로 생성할 수 있다. 사용자는 해당 모델을 사용하여 아이디어를 브레인스토밍하고, 기사 초안을 작성하거나, 반복적인 쓰기 작업을 자동화할 수 있다.

코드 생성 및 지원

코드 스니펫을 생성하고 기존 코드를 디버깅함으로써 개발자를 지원할 수 있다. Copilot, Cursor AI등으로 이미 입증되었으며, 오픈소스 대안으로 공급업체에 묶이지 않고도 유사한 기능을 제공할 수 있다.

감정 분석 및 텍스트 분류

내가 중점을 가지고 보고 있는 사안이다. 감정 분석을 위해 오픈 소스 LLM을 활용하여 리뷰 또는 피드백에서 고객 의견을 측정할 수 있다. 텍스트 분류 모델은 대규모 데이터 세트를 구성하는데 도움이 되고 구조화되지 않은 데이터에서 통찰력을 추출하는 것을 쉽게 만들어준다.

교육 도구

LLM은 강력한 교육 도구로 활용될 수 있다. 학습자의 진도와 선호도에 따라 콘텐츠를 조정하는 개인화된 학습 경험, 튜터링등을 제공 할 수 있다.

연구 개발

실험과 가설 검증을 수행할 수 있다. 모델을 수정할 수 있는 능력은 새로운 이론을 시험하고, 방법을 탐구할 수 있게 해준다.

오픈 소스 LLM 시작하기

처음에는 어려울 수 있으나, 과정은 간단할 수 있다. 아래는 LLM에 대해서 시작하기 위한 단계이다.

1단계: 사용 사례 식별

기술적인 측면에 들어가기 전에 LLM으로 무엇을 성취하고 싶은지 정의하는 것이 중요하다.

“LLM을 이용해 무엇을 하고 싶은가?” 에 대한 질문에 답을 할 수 있어야 한다. 그래야 필요에 맞는 올바른 모델과 도구를 선택할 수 있다.

2단계: LLM 선택

사용 사례에 적합한 LLM을 선택하는 것이 중요하다.  성능, 확장성, 커뮤니티 지원 등과 같은 요소를 고려하여 사용 가능한 모델을 조사해야 한다. 현재 인기 있는 오픈소스 LLM은 다음과 같다.

• Llama

• 장점: 성능과 확장성으로 유명하다. 다양한 애플리케이션을 위해 다재다능하게 설계되었다. 속도와 품질 간의 균형을 제공하여 대화형 AI 및 콘텐츠 생성과 같은 작업에 적합하다.

• 응용 분야: 챗봇, 글쓰기 도우미, 교육 도구

• CodeZen

• 장점: 코드 생성에 특별히 맞춤화되어 있다. 고품질 코드 스니펫을 생성하고 개발자에게 제안을 하는데 뛰어나다.

• 응용 분야: 소프트웨어 개발, 디버깅 지원, 코딩 교육

• MIXTRAL

• 장점: 다양한 텍스트 관련 작업에서 성과를 향상시키기 위해 여러 가지 훈련 기술을 결합한다. 다양한 맥락에 적응할 수 있도록 설계되어 많은 사용 사례에서 좋은 결과를 낸다.

• 응용 분야: 텍스트 분류, 감정 분석, 개인화된 콘텐츠 생성

• Falcon

• 장점: 효율성과 속도가 뛰어난 것으로 알려져 있다. 챗봇이나 실시간 콘텐츠 생성과 같은 분야에 적합하다.

• 응용 분야: 고객 지원, 대화형 인터페이스, 실시간 데이터 처리

• GPT-NeoX-20B

• 장점: 200억 개의 매개변수를 갖춘 상업용 LLM에 대한 가장 큰 오픈소스 대안 중 하나이다. 일관되고 맥락적으로 관련성 있는 텍스트를 생성하는데 안정적인 성능을 제공한다.

• 응용 분야: 복잡한 콘텐츠 생성, 학술 연구, 글쓰기

• Ollama

• 장점: 로컬 실행으로 데이터 프라이버시를 보장하며, 비용 효율성과 맞춤화가 뛰어나 개인 장치에서 강력한 LLM을 운영하기에 최적이다.

• 응용 분야: 코드 생성, 의료 데이터 분석, 교육 지원, 고객 서비스 챗봇, 콘텐츠 제작

각 모델은 다양한 분야에 적합한 장점을 지니고 있다.

3단계: 환경 설정

선택한 LLM을 실행하려면 적합한 환경이 필요하다. 로컬 머신이나 클라우드 기반일 수 있다. 진행 방법은 다음과 같다.

• 로컬: 머신에 충분한 연산 능력(가급적으로는 GPU)이 있다면, TensorFlow나 PyTorch와 같은 필수 라이브러리를 설치하여 모델을 로컬에서 실행할 수 있다.

• 클라우드: 하드웨어를 관리하지 않으려는 사람들을 위해 AWS, Google과 같은 다양한 플랫폼이 LLM에 대한 클라우드 기반 접근을 제공한다.

4단계: 모델 액세스

오픈소스 LLM은 모델을 다운로드하고 구현하기 위한 사용자 친화적인 인터페이스를 제공한다.

5단계: 미세 조정 및 정의

모델에 액세스하면 사용 사례와 일치하는 특정 데이터에 대해 모델을 미세 조정할 수 있다. 필요한 데이터 세트에 대해 추가로 학습하여 요구 사항에 맞게 더 나은 성능을 발휘할 수 있도록 하는 것이 포함된다.

6단계: 모델 배포

모델을 훈련하고 테스트한 후 마지막 단계를 배포다. 사용 사례에 따라 모델을 애플리케이션에 통합하거나 웹 서비스로 설정하여 배포할 수 있다.

결론

오픈소스 LLM은 접근성을 개방하여 혁신을 촉진하고 산업 전반에 걸친 다양한 응용을 활성화하고 있다. 오픈소스의 등장은 혁신, 창의성, 생산적 관점에서 AI의 진보가 그 어느 때보다 협력적이고 접근하기 쉬운 새로운 시대를 알리는 신호이다.

여기에 승선하여 몸 담고 있는 곳에서 미래를 향한 길을 밝힐 필요가 있다.

Read More

무인 자동차의 고민

 요즘 자율주행차량이 많은 관심을 받고 있다. 회사내의 동료와 이 부분에 대한 얘기를 가볍게 하다가 “돌발 상황 발생시, 누구를 보호 할 것이냐?”에 대한 문제가 제기됐다. 상황에 따라 다르지 않나? 라고 생각을 했지만, 아래의 자료를 보니 흥미롭다.

Why Self-Driving Cars Must Be Programmed to Kill

MIT Technology Review Self-driving cars are already cruising the streets. But before they can become widespread, carmakers must solve an…www.technologyreview.com

 위의 그림과 같은 상황이 발생 했을때, 무인 자동차는 어떤 행위를 해야 할까?

1. 한사람을 다치게 한다. (다수가 다치는 상황을 피해야 하므로…)
2. 보행자를 보호해야 할까? 운전자를 보호해야 할까?
3. 여러 사람을 보호해야 할까? 운전자를 보호해야 할까?

위의 1, 2, 3은 사람이 판단하기에도 어려운 문제다. 이런 판단을 위해 MIT에서는 설문조사를 진행했다.

결과는 많은 사람들이 “희생자를 최소화”하는 쪽의 알고리즘에 동의 했다. 이 부분은 또다른 문제를 제기했다.

만약 내가 무인 자동차를 구매한다고 하면 “ Utilitarian을 우선시 하는 무인차”를 구매해야 하냐는 점이다.

돌발 상황 발생시 운전자를 희생시키기 때문에… 사람과 사람사이의 문제에 “기계”가 포함되었기에 이 부분은 당분간 풀리기는 어려워 보인다.

Read More