인공지능 (AI)은 한때 사람의 입력이 필요했지만 지금은 컴퓨터로 수행할 수 있는 복잡하고 새로운 기술을 많이 포괄합니다. 컴퓨터는 역사적으로 정보를 이해하고 추천하는 데 사용되었던 고급 기능을 수행할 수 있습니다. 이제 컴퓨터는 AI를 통해 새로운 콘텐츠를 생성할 수도 있습니다.
AI라는 약어는 AI 분야를 구성하는 다양한 유형의 기술을 나타내는 데 종종 같은 의미로 사용됩니다.
일반적인 AI 개념
인공지능과 머신러닝을 정의하는 여러 가지 용어와 개념이 유용할 수 있습니다. 웹에서 AI를 실제로 활용할 수 있는 몇 가지 방법을 소개합니다
일반 AI
개략적으로 말하자면, 일반 AI는 광범위한 문제 해결과 창의성을 보여주는 인간이 아닌 프로그램 또는 모델입니다. model은 매우 큰 수학 방정식으로, 머신이 출력을 반환하는 데 필요한 매개변수와 구조 집합이 포함됩니다.
일반 AI를 사용하면 데이터 분석, 텍스트 번역, 음악 작곡, 질병 식별 등 다양한 유형의 작업을 수행할 수 있습니다
좁은 AI
좁은 AI는 단일 또는 특정 하위 집합의 작업을 수행할 수 있는 시스템입니다. 예를 들어 인간의 상대와 체스 게임을 하는 컴퓨터 (메커니컬 터크와 혼동하지 말 것) 좁은 AI에는 사전 정의된 매개변수, 제약 조건, 컨텍스트가 있으며, 이는 이해처럼 보일 수 있지만 사실은 방정식에 대한 답일 뿐입니다.
얼굴 인식 시스템, 음성 어시스턴트, 일기 예보에서 이���한 방식을 실제로 볼 수 있습니다. 매우 구체적인 모델을 사용하여 웹사이트와 앱의 특정 특정 기능을 개선할 수 있습니다.
예를 들어 사용자가 로그인하여 좋아하는 영화를 평가하고 새로 볼 영화를 검색할 수 있는 영화 전용 사이트를 구축했다고 가정해 보겠습니다. 미리 채워진 데이터베이스를 사용하여 사용자가 현재 보고 있는 페이지를 기반으로 영화를 추천할 수 있습니다. 또는 사용자 행동과 선호도를 분석하여 해당 독자와 가장 관련성이 높은 정보를 표시하는 좁은 AI 모델을 사용할 수도 있습니다.
생성형 AI는
대규모 언어 모델 (LLM)은 텍스트 또는 이미지의 생성, 분류, 요약과 같은 다양한 작업을 수행하는 데 사용할 수 있는 매개변수가 많은 신경망 AI 모델입니다.
생성형 AI는 입력에 응답하고 LLM의 컨텍스트와 메모리를 기반으로 콘텐츠를 만듭니다. 이는 패턴 매칭과 예측을 넘어선 조치입니다. 가장 일반적인 생성형 AI 도구에는 다음이 포함됩니다.
이러한 도구로 작성된 산문, 코드 샘플, 이미지를 만들 수 있습니다. 휴가 계획을 세우거나, 이메일의 어조를 부드럽게 또는 전문화하거나, 다양한 정보를 카테고리로 분류하는 데 도움이 됩니다.
개발자와 비개발자의 사용 사례는 무수히 많습니다.
머신러닝(ML)
머신러닝 (ML)은 AI의 한 형태로서 컴퓨터가 명시적인 프로그래밍 없이 학습합니다. AI가 인텔리전스를 생성하려고 노력하는 반면, ML을 사용하면 컴퓨터가 경험을 통해 학습할 수 있습니다. ML은 데이터 세트를 예측하는 알고리즘으로 구성됩니다.
ML은 유용한 예측을 하거나 데이터에서 콘텐츠를 생성하도록 모델을 학습시키는 프로세스입니다.
예를 들어 특정 날짜의 날씨를 평가하는 웹사이트를 만든다고 가정해 보겠습니다. 기존에는 한 명 이상의 기상학자가 이 작업을 수행했습니다. 기상학자는 지구의 대기와 표면을 표현하고, 날씨 패턴을 계산 및 예측하며, 현재 데이터를 과거 상황과 비교하여 등급을 결정할 수 있습니다.
대신 ML 모델에 엄청난 양의 날씨 데이터를 제공할 수 있습니다. 그러면 모델이 날씨 패턴, 과거 데이터, 특정일의 날씨를 좋게 또는 나쁘게 만드는 요소에 관한 가이드라인 간의 수학적 관계를 ���습할 수 있습니다. 실제로 Google은 웹에서 빌드했습니다.
딥 러닝
딥 러닝 (DL)은 ML 알고리즘의 한 종류입니다. 한 가지 예로 인간의 뇌가 정보를 처리한다고 생각하는 방식을 모델링하는 심층신경망 (DNN)을 들 수 있습니다.
AI 관련 과제
AI를 빌드하고 사용할 때는 몇 가지 과제가 있습니다. 다음은 고려해야 할 몇 가지 주요 사항입니다.
데이터 품질 및 날짜순
다양한 AI 모델을 학습시키는 데 사용되는 대규모 데이터 세트는 사용 후 본질적으로 구식인 경우가 많습니다. 즉, 최신 정보를 찾을 때 프롬프트 엔지니어링을 사용하면 특정 작업에 대한 AI 모델의 성능을 향상하고 더 나은 출력을 생성할 수 있습니다.
데이터 세트가 불완전하거나 일부 사용 사례를 효과적으로 지원하기에는 너무 작을 수 있습니다. 여러 도구를 사용하여 작업하거나 니즈에 맞게 모델을 맞춤설정해 보는 것이 유용할 수 있습니다.
윤리 및 편견에 대한 우려
AI 기술은 흥미롭고 많은 잠재력을 지니고 있습니다. 그러나 궁극적으로 컴퓨터와 알고리즘은 사람이 빌드하고 사람이 수집할 수 있는 데이터로 학습되기 때문에 몇 가지 어려움이 있습니다. 예를 들어 모델은 인간의 편향과 유해한 고정관념을 학습하고 증폭시켜 결과물에 직접적인 영향을 줄 수 있습니다. 편향 완화를 우선순위로 AI 기술을 개발하는 것이 중요합니다
AI 생성 콘텐츠의 저작권에 관해서는 수많은 윤리적 고려사항이 있습니다. 특히 저작권 보호 자료의 영향을 많이 받거나 콘텐츠에서 직접 복사한 경우 출력물은 누가 소유하나요?
새로운 콘텐츠와 아이디어를 만들기 전에 만든 자료의 사용 방법에 관한 기존 정책을 고려하세요.
보안 및 개인 정보 보호
많은 웹 개발자는 AI ���구를 사용할 때 개인 정보 보호와 보안이 가장 큰 관심사라고 말합니다. 정부 및 의료 회사와 같이 엄격한 데이터 요구사항이 있는 비즈니스에서는 특히 더 그렇습니다. Cloud API를 사용하여 더 많은 서드 파티에 사용자 데이터를 노출하는 것이 문제입니다. 모든 데이터 전송을 안전하고 지속적으로 모니터링해야 합니다.
온디바이스 AI는 이러한 사용 사례를 해결하는 데 핵심적인 역할을 할 수 있습니다. MediaPipe는 이 문제를 해결하기 위해 개발 중인 한 가지 솔루션이지만, 아직 해야 할 연구 개발이 훨씬 더 많습니다.
웹에서 AI 시작하기
이제 다양한 유형의 인공지능에 익숙해졌으므로 기존 모델을 사용하여 생산성을 높이고 더 나은 웹사이트와 웹 애플리케이션을 빌드하는 방법을 고려할 수 있습니다.
AI를 사용하여 다음을 수행할 수 있습니다.
- 사이트 검색을 위한 자동 완성 기능을 개선합니다.
- 스마트 카메라로 사람이나 반려동물과 같은 일반적인 사물을 감지합니다.
- 자연어 모델로 댓글 스팸을 해결합니다.
- 코드 자동 완성을 사용 설정하여 생산성을 높이세요.
- 다음 단어나 문장을 제안해 WYSIWYG 작문 환경을 만듭니다.
- 데이터 세트에 대해 사용자 친화적인 설명을 제공합니다.
- 기타...
선행 학습된 AI 모델은 수학적 모델을 구축하고 가장 인기 있는 AI 도구를 구동하는 복잡한 데이터 세트를 수집하는 방법을 완전히 이해하지 않아도 웹사이트, 웹 앱, 생산성을 개선하는 데 도움이 될 수 있습니다.
대부분의 모델은 추가 조정 없이 바로 요구사항을 충족할 수 있습니다. 미세 조정은 대규모 데이터 세트에서 이미 학습시킨 모델을 취하고 특정 사용 요구사항을 충족시키기 위해 추가 학습을 진행하는 프로세스입니다. 모델을 조정하는 방법에는 여러 가지가 있습니다.
- 인간 피드백 기반 강화 학습 (RLHF)은 인간 피드백을 사용하여 인간의 선호도 및 의도에 대한 모델의 조율 상태를 개선하는 기법입니다.
- Low-Rank Adaption (LoRA)은 모델 성능을 유지하면서 학습 가능한 매개변수의 수를 줄이는 매개변수 효율적인 LLM 방법입니다.