생성형 AI의 가장 유망한 활용 방식 중 하나는 신약 발견과 연구를 가속화하는 것입니다. 생성형 AI는 항체, 효소, 백신 및 유전자 요법을 설계하기 위한 특정 특성을 가진 새로운 단백질 서열을 생성할 수 있습니다.

의료 및 생명과학 기업은 생성형 AI 도구를 사용하여 합성 생물학 및 대사 공학에 적용할 합성 유전자 서열을 설계할 수 있습니다. 예를 들어, 바이오제조 목적으로 새로운 생합성 경로를 만들거나 유전자 발현을 최적화할 수 있습니다.

또한 생성형 AI 도구를 사용하여 인공 환자 및 의료 데이터를 생성할 수 있습니다. 이 데이터는 대규모 실제 데이터세트에 액세스하지 않고도 AI 모델 훈련, 임상 시험 시뮬레이션 또는 희귀 질환 연구에 사용될 수 있습니다.

AWS 기반 의료 및 생명 과학 분야의 생성형 AI에 대해 자세히 알아보기

자동차 회사는 엔지니어링부터 차량 내 경험 및 고객 서비스에 이르기까지 다양한 목적으로 생성형 AI 기술을 사용합니다. 예를 들어 기계 부품 설계를 최적화하여 차량 설계의 장애 요소를 줄이거나 개인 비서 설계를 조정합니다.

자동차 회사는 생성형 AI 도구를 사용해 가장 일반적인 고객 질문에 빠르게 응답하여 더 나은 고객 서비스를 제공합니다. 생성형 AI는 새로운 재료, 칩, 부품 설계를 생성해 제조 프로세스를 최적화하고 비용을 절감합니다.

또 다른 생성형 AI 사용 사례는 데이터를 합성하여 애플리케이션을 테스트하는 것입니다. 이는 테스트 데이터세트에 자주 포함되지 않는 데이터(예: 결함 또는 엣지 케이스)에 특히 유용합니다.

AWS 기반 자동차 분야의 생성형 AI에 대해 자세히 알아보기

AWS 기반 제조 분야의 생성형 AI에 대해 자세히 알아보기

통신 분야의 생성형 AI 사용 사례는 고객 여정의 모든 접점에서 발생하는 구독자의 누적 상호 작용으로 정의되는 고객 경험을 재창조하는 것에 중심을 둡니다.

예를 들어, 통신 조직은 생성형 AI를 적용하여 실제 사람과 같은 대화 에이전트를 통해 고객 서비스를 개선할 수 있습니다. 이때 개인화된 일대일 영업 보조원을 통해 고객 관계를 재창조할 수 있습니다. 또한 네트워크 데이터를 분석하여 수정 사항을 권장함으로써 네트워크 성능을 최적화합니다. 

AWS 기반 통신 분야의 생성형 AI에 대해 자세히 알아보기

애니메이션과 대본부터 장편 영화에 이르기까지 생성형 AI 모델은 기존보다 훨씬 적은 비용과 시간으로 참신한 콘텐츠를 제작합니다.

업계의 기타 생성형 AI 사용 사례는 다음과 같습니다.

• 아티스트는 AI가 생성한 음악으로 앨범을 보완하고 개선하여 완전히 새로운 경험을 창조할 수 있습니다.
• 미디어 조직은 생성형 AI를 사용해 개인화된 콘텐츠와 광고를 제공하여 고객 경험을 개선하고 수익을 증대합니다.
• 게임 회사는 생성형 AI를 사용하여 새로운 게임을 만들고 플레이어가 아바타를 만들도록 지원합니다.

2017년에는 트랜스포머가 도입되면서 AI 연구에 또 다른 변화가 일어났습니다. 트랜스포머는 인코더 및 디코더 아키텍처를 어텐션 메커니즘과 원활하게 통합했습니다. 그들은 뛰어난 효율성과 다양성으로 언어 모델의 훈련 과정을 간소화했습니다. GPT와 같은 주목할만한 모델은 광범위한 원시 텍스트를 사전 훈련하고 다양한 작업에 맞게 미세 조정할 수 있는 기본 모델로 등장했습니다.

트랜스포머는 자연어 처리의 가능성을 바꾸었습니다. 번역 및 요약부터 질문에 대한 답변에 이르기까지 다양한 작업을 위한 생성형 기능을 강화했습니다.

많은 생성형 AI 모델은 계속해서 상당한 발전을 이루고 있으며 산업 전반에 적용할 수 있습니다. 최근 혁신은 독점 데이터를 사용할 수 있도록 모델을 개선하는 데 중점을 두고 있습니다. 연구자들은 또한 점점 더 인간과 비슷한 텍스트, 이미지, 비디오 및 음성을 만들고자 합니다.

생산적 적대 신경망(GAN)는 확산 모델의 개념을 기반으로 하는 또 다른 생성형 AI 모델입니다.

GAN은 두 신경망을 경쟁적으로 훈련시키는 방식으로 작동합니다. 생성자라는 첫 번째 네트워크는 무작위 발생 노이즈를 추가하여 가짜 데이터 샘플을 생성합니다. 판별자라는 두 번째 네트워크는 실제 데이터와 생성자가 생성한 가짜 데이터를 구별하려고 시도합니다. 

훈련 중에 생성자는 사실적인 데이터를 생성하는 능력을 지속적으로 개선하며, 판별자는 가짜와 진짜를 더 잘 구분합니다. 이러한 대립적 과정은 생성자가 판별자가 실제 데이터와 구별할 수 없을 정도로 확실한 데이터를 생성할 때까지 계속됩니다.

GAN은 사실적인 이미지 생성, 스타일 전송 및 데이터 증강 작업에 널리 사용됩니다.

변이형 오토인코더(VAE)는 잠재 공간이라는 간결한 데이터 표현을 학습합니다. 잠재 공간은 데이터를 수학적으로 표현한 것입니다. 모든 속성을 기반으로 데이터를 나타내는 고유한 코드라고 생각할 수 있습니다. 예를 들어 얼굴을 연구하는 경우, 잠재 공간에는 눈 모양, 코 모양, 광대뼈 및 귀를 나타내는 숫자가 포함됩니다.

VAE는 인코더와 디코더라는 두 개의 신경망을 사용합니다. 인코더 신경망은 입력 데이터를 잠재 공간의 각 차원에 대한 평균 및 분산에 매핑합니다. 가우스(정규) 분포에서 무작위 표본을 생성합니다. 이 샘플은 잠재 공간의 한 지점이며 입력 데이터의 압축되고 단순화된 버전을 나타냅니다.

디코더 신경망은 잠재 공간에서 이 샘플링된 지점을 가져와 원래 입력과 유사한 데이터로 다시 재구성합니다. 수학 함수는 재구성된 데이터가 원본 데이터와 얼마나 잘 일치하는지 측정하는 데 사용됩니다.

트랜스포머 기반 생성형 AI 모델은 VAE의 인코더 및 디코더 개념을 기반으로 합니다. 트랜스포머 기반 모델은 인코더에 더 많은 레이어를 추가하여 이해, 번역, 창의적 글쓰기와 같은 텍스트 기반 작업의 성능을 개선합니다.

트랜스포머 기반 모델은 셀프 어텐션 메커니즘을 사용합니다. 시퀀스의 각 요소를 처리할 때 여러 가지 입력 시퀀스 부분의 중요성에 가중치를 둡니다.

또 다른 주요 특징은 이러한 AI 모델이 컨텍스트 임베딩을 구현한다는 것입니다. 시퀀스 요소의 인코딩은 요소 자체 뿐만 아니라 시퀀스 내의 컨텍스트에 따라 달라집니다.

트랜스포머 기반 모델의 작동 방식

트랜스포머 기반 모델이 어떻게 작동하는지 이해하려면 일련의 단어로 구성된 문장을 생각해 보세요.

셀프 어텐션은 모델이 각 단어를 처리할 때 관련 단어에 집중할 수 있도록 도와줍니다. 단어 간의 다양한 유형의 관계를 캡처하기 위해 트랜스포머 기반 생성 모델은 어텐션 헤드라는 다중 인코더 계층을 사용합니다. 각 헤드는 입력 시퀀스의 서로 다른 부분에 주의를 기울이는 법을 학습하여 모델이 데이터의 다양한 측면을 동시에 고려할 수 있도록 합니다.

또한 각 계층은 컨텍스트 임베딩을 개선하여 더 많은 정보를 제공하고 문법 구문부터 복잡한 의미론적 의미에 이르기까지 모든 것을 캡처합니다.