ChatGPT를 구동하는 것과 같은 대규모 언어 모델(LLM)은 문맥을 이해하고 미묘한 반응을 생성하는 능력으로 AI 개발의 패러다임을 변화시켰습니다. 자동차 산업에 적용하면 고객 경험을 크게 향상시키고 기술 진단을 지원하며 자율 주행 차량 개발에 기여할 수 있습니다.
하지만 이 강력한 기술을 비즈니스 운영에 도입하기 전에 해결해야 할 과제와 한계가 있습니다. 이러한 과제와 한계에는 데이터 및 컴퓨팅 리소스 요구 사항, 잠재적인 잘못된 정보, 개인정보 보호 및 데이터 보안 등이 포함됩니다.
무슨 일이 일어나고 있나요?
지난 6개월 동안 AI 개발의 패러다임이 바뀌었습니다. 머신러닝이 확립되어 AI 성장의 비약적인 도약을 이루고자 합니다. 이러한 발전 이후 많은 기술 기업들이 더 안정적이고 정확하며 지능적인 시스템을 개발하기 위해 경쟁하고 있습니다.
지난 몇 달 동안 수많은 새로운 AI 기반 애플리케이션이 출시되었습니다. 이들 대부분은 GPT-3, GPT-4, PaLM, LLaMA와 같은 주류 LLM을 활용합니다.
LLM은 비용이 많이 듭니다. LLM을 훈련하고 미세 조정하는 데는 수백만 달러의 컴퓨팅 리소스가 필요합니다. 여기에는 AI 인재, 데이터 및 기타 인프라 비용은 제외됩니다.
OPENAI는 컴퓨팅 리소스와 자금을 제공하는 Microsoft의 지원을 받아 선도하고 있습니다.
OPENAI, Google, Microsoft와 같은 일부 업체는 다양한 이유로 '클로즈 소스' 전략을 선택합니다.
Meta AI는 이미지 바인드, SAM, MMS, 그리고 유명한 LLaMA를 포함한 새로운 LLM 개발에 주력하고 있으며 오픈 소스 접근 방식을 채택하기로 결정했습니다.
허깅페이스는 최대 규모의 오픈소스 AI 커뮤니티입니다.
왜 중요한가요?
새로운 인공지능의 물결은 대부분의 산업에서 많은 비즈니스 프로세스에 영향을 미칠 것입니다. 자동차도 예외는 아닙니다. SBD는 10가지 잠재적인 AI 사용 사례를 파악하고 이를 4가지 퍼스널 모빌리티 결과와 비교하여 분류했습니다.
LLM은 인간 언어와 프로그래밍 언어를 아우르는 다양한 형태의 언어 이해에 탁월합니다.
이전 딥러닝 모델에 비해 뛰어난 기능은 다음과 같습니다:
1. 다양한 언어에 대한 이해와 조작 능력.
2. 상식을 이해하고 유지하는 능력.
3. 추론 능력, 일명 사고의 사슬(COT).
현재 우리는 고급 AI 개발의 초기 단계에 있으며, 향후 AI의 발전 속도와 AI를 통제/감시하기 위한 법안이 어떻게 마련될지에 대한 불확실성으로 가득 차 있습니다.
또한 AI 학습을 위한 입력 데이터의 오용 가능성 등 해결해야 할 안전 및 개인정보 보호 문제도 지속적으로 제기되고 있습니다.
다음은 어디인가요?
최신 LLM의 기능은 기존의 다른 AI 모델을 뛰어넘지만, 구축이 어렵고 유지 관리 비용이 많이 듭니다. OEM은 견고한 AI 전략을 수립하고 실행 가능한 계획을 수립하기 전에 다양한 비즈니스 운영에 대한 LLM의 영향을 철저히 이해한 후 시장에 진입해야 합니다. AI 통합을 먼저 도입하는 OEM은 주요 이점을 누릴 수 있습니다.
LLM은 소프트웨어 개발 효율성/품질을 크게 향상시켜 OEM이 고객의 요구를 신속하게 충족할 수 있도록 지원합니다.
LLM은 보편적인 솔루션이 아니며, 특정 AI 모델은 특정 사용 사례에서 여전히 뛰어난 성능을 발휘합니다. 따라서 OEM은 다양한 모델을 단일 플랫폼에 통합해야 하며, 장기적인 관리를 위해 AI 미들웨어가 필요합니다.
ChatGPT와 같은 기존의 일부 생성형 AI 애플리케이션은 프롬프트와 입력을 학습 데이터로 사용하므로 개인정보 보호 문제나 데이터 유출이 발생할 수 있습니다. 직원들이 업무에 AI를 사용하기 전에 명확한 정책을 마련해야 합니다.
멀티모달이 성숙해지고 있습니다. 인공 생성 지능(AGI)을 향한 AI의 빠른 발전에도 불구하고 초기 단계의 소규모 프로젝트부터 시작하면 OEM이 AI의 잠재력을 활용할 수 있는 중요한 경험과 이해를 쌓을 수 있습니다.
OEM은 비즈니스 성장을 위한 AI의 잠재력을 활용하기 위해 균형 잡힌 AI 전략과 정책을 수립하여 안전하고 관리하기 쉬운 상태를 유지해야 합니다.
비즈니스 과제를 해결할 수 있는 사용 사례를 식별하고 선택합니다.
데이터 과학자 및 AI 개발자를 포함한 AI 인재를 더 비싼 비용으로 확보하기 전에 확보하세요.
LLM 교육 및 튜닝에 필요한 데이터 세트를 준비합니다. 깨끗하고 품질이 좋은지 확인하세요.
각 애플리케이션에 적합한 모델을 선택하세요. AI 인프라는 비용이 많이 들고 희소성이 있기 때문에 OEM은 생산성, 재무 및 데이터 보안을 고려하여 전략적으로 소싱을 선택해야 합니다.
주의해야 할 사항은 무엇인가?
최근 몇 달 동안 고급 AI 개발이 가속화되었으며, 현재 가장 강력한 LLM을 구축하기 위한 경쟁이 "AGI의 불꽃".
오늘날의 LLM 경쟁은 여전히 충분한 자금, AI 인재, 데이터를 보유한 몇몇 대형 기업( 거대 기술 기업(Tech Giants) )의 게임입니다.
오늘날 대부분의 주요 LLM은 폐쇄형 소스이며 메타만이 오픈 소스 접근 방식을 취하고 있습니다. 그 사이 더 많은 오픈소스 LLM이 빠르게 발전하고 있습니다.
OEM이 자체 파운데이션 모델을 보유할 수 있는 세 가지 옵션이 있습니다:
1. 처음부터 인하우스 빌드
2. 오픈 소스 모델에서 트레이닝
3. AIaaS 제공업체 사용
향후 1~2년 내에 기업이 더 저렴한 비용으로 기본 모델을 훈련하거나 조정할 수 있는 더 많은 도구가 제공될 예정입니다.
LLM을 비즈니스 애플리케이션에 완전히 내장하려면 파운데이션 모델을 학습시킨 후 또 다른 미들웨어 계층이 필요합니다.
AI 인프라를 프로덕션에 로드하기 전에 기술적으로나 재정적으로 잘 계획해야 합니다.
어떻게 대응해야 할까요?
이해
다양한 LLM의 기능과 한계를 이해하는 것부터 시작하여 프롬프트 엔지니어링을 사용하여 성능을 더 잘 활용하는 방법을 알아보세요.
평가
자동차 산업의 잠재적 사용 사례를 평가하고 이를 비즈니스 운영에 매핑하세요. 편견과 개인정보 보호 등 윤리적 고려 사항을 계속 주시하세요.
준비
AI 전략을 정의하고 데이터, 모델, 인재, 인프라 등 자체 기본 모델을 구축하기 위한 핵심 리소스에 대한 계획을 수립하세요.
자세히 알아보고 싶으신가요?
대부분의 작업은 맞춤형 프로젝트를 통해 고객이 새로운 도전과 기회를 더 깊이 파고들 수 있도록 지원하는 것입니다. 인공 지능 및 대규모 언어 모델과 관련하여 최근에 완료한 프로젝트에 대해 논의하고 싶으시면 지금 바로 문의해 주세요!
관련 콘텐츠도 꼭 확인해 보세요:
