예측 AI와 생성형 AI 비교

생성형 인공지능(생성 AI)은 데이터를 사용하여 무언가 새로운 것을 만듭니다. 반면 예측 AI는 데이터를 사용하여 미래에 일어날 수 있는 일에 대한 매우 가능성 높은 예측을 예상하거나 추론합니다. 이것이 많은 기업들이 AI 활용에 큰 기대를 거는 이유입니다.

생성 AI와 예측 AI는 차이점과 활용 사례가 많습니다. AI가 진화하는 시대에 이 두 유형을 제대로 구분하면 각각의 기능을 명확히 파악하는 데 도움이 됩니다.

Red Hat AI 살펴보기

이 두 가지 AI는 인간 지능을 모방할 뿐만 아니라 나아가 인간 지능을 증대합니다. 이 둘은 지식을 획득하고 인사이트를 적용하여 문제 해결을 지원할 수 있는 머신 러닝(ML) 시스템입니다.

인간이 수많은 기억을 모으고 평생 저장하는 것처럼 모델은 방대한 양의 데이터를 학습하여 결과물을 만듭니다. 인간이 예술 활동을 하거나, 글을 쓰거나, 새로운 코드 알고리즘을 개발할 때처럼 인간의 창작물은 과거에 보거나, 듣거나, 배운 것에 큰 영향을 받습니다. AI 모델도 이와 같은 방식으로 패턴을 인식하고 복제하여 결과물을 제공합니다.

생성형 AI

생성형 AI는 텍스트나 개발자 코드와 같은 기존 데이터를 사용하여 주어진 프롬프트에 따라 새로운 것을 생성합니다. 예를 들어 생성형 AI는 문학을 학습하여 사용자가 입력한 프롬프트에 독창적인 이야기로 답변할 수 있습니다. 생성형 AI는 제공된 정보를 바탕으로 답변을 제공하거나, 문장을 완성하거나, 번역을 생성하는 것을 목표로 합니다. 이상적인 결과를 달성하려면 여러 프롬프트를 입력하고 수정을 거쳐야 할 수 있습니다. 바로 이러한 이유에서 미세 조정(fine-tuning)이나 검색 증강 생성(RAG)과 같은 방법들이 사용됩니다.

생성 AI 모델에서는 대용량 데이터의 분석과 해석을 위한 ML 기술인 딥러닝을 사용합니다. 나아가 생성 AI 모델은 우리 뇌의 연결망처럼 생물학적 신경계를 모방한 정보 처리 방식인 신경망을 사용합니다. AI가 겉보기에 무관한 정보 세트들을 연결할 수 있는 것은 바로 이 신경망 때문입니다.

예측 AI

통계적 예측은 새로운 기술이 아닙니다. 스트리밍 동영상 및 음악 서비스의 추천 엔진과 같이 익숙한 곳에서 찾을 수 있습니다. 그러나 현재는 머신 러닝의 발전으로 통계적 예측 기술이 더 효율적이고 더 빠르게 작동할 수 있습니다.

머신 러닝 소프트웨어는 방대한 양의 특정 데이터('빅데이터'라고도 함)를 사용하여 패턴, 과거 이벤트, 그리고 종종 실시간 정보 등을 연결하여 매우 정확하게 향후 결과를 예측할 수 있습니다. 이를 위해 예측 AI는 고급 통계적 방식을 사용해 대규모 데이터 세트를 저장하고 시간이 경과함에 따라 패턴을 연결합니다. 이렇게 데이터의 샘플 규모가 크고 다양하면 모델이 향후 이벤트에 대해 매우 정확한 예측을 내릴 수 있습니다. 이러한 기능 때문에 AI 모델은 인간의 지성과 차별화됩니다. 

이러한 AI 모델은 모두 기업이 시간을 절약하고 비용을 낮추며 리소스를 최적화하도록 지원합니다. 하지만 결과와 설명 가능성(explainability)에서는 차이를 보입니다.

생성 AI는 새로운 크리에이티브 콘텐츠를 만들어내기 위해 대용량 데이터를 사용할 때 결과가 가장 좋습니다. 머신은 이러한 데이터의 정확성과 상관없이 답변을 제공합니다. 

반면 예측 AI는 정확한 예측을 제공하기 위해 고품질 데이터를 사용할 때 결과가 가장 좋습니다. 당연히 ML 소프트웨어가 고도로 정확한 데이터를 기반으로 학습하면 예측의 정확성이 더 높아집니다.

생성형 AI의 프로세스로는 생성형 AI가 결정에 도달한 과정을 이해하기가 거의 불가능한 반면, 예측 AI의 출력은 철저히 통계와 주어진 데이터를 기반으로만 생성됩니다. 따라서 특정 시나리오에서는 모델이 답변에 도달한 과정을 사용자가 역추적하여 이해할 수 있습니다.

생성형 AI의 일반적인 리스크는 저작권 침해 또는 표절 가능성입니다. 글쓰기든, 음악이든, 미술이든 새로운 콘텐츠를 창작할 때 모델은 이미 존재하는 자료와 의도치 않게 닮은 결과물을 만들 수 있습니다. 그런데 그 콘텐츠가 이미 다른 사람이 소유한 데이터와 유사한 경우 위험할 수 있습니다. 모델의 학습 기반이 된 데이터를 제공하는 오픈소스 모델을 사용하면 이러한 위험을 줄일 수 있습니다.

또 다른 일반적인 리스크는 할루시네이션(hallucination)입니다. AI 모델은 답변에 확신이 없는 경우 갖고 있는 정보를 사용하고 가능한 선에서 답변을 제공합니다. 머신에 정확한 출력을 제공할 정보가 없는 경우도 있습니다. 예를 들어 AI 모델이 순서상 다음에 올 것을 예측하도록 학습한 경우 데이터가 부족하면 부정확한 정보로 공백을 메울 것입니다. 

예측 AI에서 눈에 띄는 리스크는 편향의 가능성입니다. 편향은 생성 AI에서도 나타날 수 있지만 예측 AI에서 편향이 발생하면 매우 부정확한 정량적 결과로 이어질 수 있습니다. 예측 AI 모델이 학습하려면 정확한 예측을 지원할 수 있도록 고품질 데이터와 라벨링이 필요합니다. 데이터가 오래되었거나 구식이거나 편향된 경우 정확성이 왜곡될 수 있습니다. 예를 들어 예측 AI 알고리즘은 예측 시 데이터 세트에 포함된 인종적 편견이나 사회적 편견을 반영할 수 있습니다. 그 결과 신용 등급 평가나 채용 과정에 편견이 도입되는 등 실제로 피해를 끼칠 수 있습니다. 

예측 AI에서 고려해야 할 또 다른 일반적인 리스크는 확실성의 결여입니다. 예측 AI가 정확한 예측을 할 수는 있지만 확신할 수는 없습니다. 예측 AI의 예측을 전적인 사실처럼 취급한다면 언제나 리스크가 존재하게 됩니다.

데이터가 많다고 항상 좋은 것은 아니니까요. 그보다는 모델 학습에 사용되는 데이터의 품질이 좋아야 합니다.

생성형 AI는 코드 생성, 심층 분석 촉진, 반복 태스크 간소화에 갈수록 많이 사용되면서 인기 있는 툴이 되었습니다. 최근 몇 년 사이 급부상한 생성형 AI 애플리케이션 중에는 OpenAI의 ChatGPT와 DALL-E, GitHub CoPilot, Microsoft의 Bing Chat, Google의 Gemini, Midjourney, Stable Diffusion, Adobe Firefly가 있습니다.

다음은 몇 가지 생성 AI 활용 사례입니다.

코드 생성 및 완성: 일부 생성형 AI 툴은 소프트웨어 개발자를 지원하기 위해 요청 시 작성된 프롬프트를 가져와 컴퓨터 코드를 출력할 수 있습니다. 또한 상급자 수준 코드의 예시와 설명을 제공하여 초보 개발자의 수준을 향상하는 데 사용될 수 있습니다.

데이터 증강: 생성형 AI는 실제 데이터를 사용하는 것이 불가능하거나 바람직하지 않을 때 대량의 합성 데이터를 생성할 수 있습니다. 환자 개인 정보를 포함하지 않고 보건 의료 데이터를 이해하도록 모델을 학습시키는 경우 합성 데이터가 유용할 수 있습니다. 또한 소규모이거나 불완전한 데이터 세트를 대규모의 균형 잡힌 샘플 크기로 확장할 때도 합성 데이터를 사용할 수 있습니다.

글쓰기: 생성 AI 시스템은 인간의 글쓰기를 모방하는 솜씨가 훌륭합니다. 모든 주제에 대한 콘텐츠 생성 프롬프트에 응답할 수 있습니다. 상사에게 보내는 이메일부터 소설까지 다양한 글쓰기 요청을 지원할 수 있습니다. 

음성 및 음악 생성: 생성 AI 보컬 툴은 작성된 텍스트와 사람 목소리의 오디오 샘플을 사용하여 실제 사람 목소리를 모방하는 내레이션이나 노래를 만들 수 있습니다. 프롬프트나 샘플에서 인공지능으로 음악을 창작하는 다른 툴도 있습니다.

동영상 및 이미지 생성: 생성 AI 이미지 툴은 프롬프트에 대한 응답으로 사진을 만들어 무수히 많은 피사체와 스타일을 생성할 수 있습니다. 프롬프트가 자세할수록 이미지나 동영상 품질이 좋아집니다. Adobe Photoshop의 Generative Fill과 같은 일부 AI 툴은 반 고흐 작품에 곰돌이 푸를 추가하는 것처럼 기존 작품에 새로운 요소를 추가할 수 있습니다.

AI/ML 활용 사례 살펴보기

예측 AI는 업계에 일 년간 발생할 일을 더 빠르고 정확하게 예측할 수 있으므로 조직은 그에 따라 계획을 세울 수 있습니다. 이처럼 조직이 지능적이고 효율적으로 성장하기 위해 향후 이벤트에 대비하도록 돕기 때문에 예측 AI의 인기는 기업들 사이에서 높아지고 있습니다. 

다음은 예측 AI의 몇 가지 활용 사례입니다.

금융 서비스: 유리한 기회나 금융 투자, 뱅킹, 보험 분야의 리스크 같은 잠재적 위험을 예측할 때 예측 AI를 사용할 수 있습니다. 예측이 빠르게 제공되면 기업은 자산과 고객을 보호하기 위해 변화할 시간을 더 많이 확보할 수 있습니다.

유통: 예측 AI는 미래 이벤트를 예측할 수 있습니다. 여기에는 인간의 행동까지도 포함됩니다. 유통 기업은 이 ML 툴을 사용하여 고객이 어떤 제품을 언제 어떻게 구매할 가능성이 높은지 예측할 수 있습니다. 그 결과 공급망, 마케팅, 인력 배치 계획과 프로세스가 간소화될 수 있습니다.

보건 의료: Predictive AI는 유사한 패턴이 여러 환자들 사이에서 반복될 때 또는 환자 한 명의 병력 내에서의 패턴을 바탕으로 조기에 질병을 발견하는 데 도움이 될 수 있습니다. 환자 데이터와 병력을 분석하면 위험과 가능성을 측정하여 건강 문제를 조기에 파악하고 치료할 수 있습니다. 

공급망: Predictive AI는 재고 패턴을 추적하여 주, 월, 년을 기준으로 특정 제품의 변동 사항을 판단할 수 있습니다. 또한 냉동 식품이나 의약품 같이 특정 온도를 요구하는 상품을 잘 보호하기 위해 운송 시기를 예측할 수도 있습니다. 

Red Hat® AI는 고객이 이미 신뢰하는 솔루션을 토대로 구축된 Red Hat의 AI 제품 포트폴리오입니다. 이 기반을 통해 Red Hat 제품의 안정성, 유연성, 확장성이 유지됩니다.

Red Hat AI 포트폴리오가 조직에 제공하는 이점은 다음과 같습니다.

• AI를 신속하게 도입하고 활용하여 빠르게 혁신
• AI 솔루션 제공의 복잡성 해소
• 어디서나 배포

Red Hat AI를 사용하면 생성형 AI 및 예측 AI 기능을 모두 제공하는 플랫폼에 액세스할 수 있습니다. 또한 중요 워크로드와 함께 AI 애플리케이션을 빌드하고 배포할 때 Red Hat 컨설턴트가 고유의 엔터프라이즈 활용 사례에 대해 핸즈온 지원을 제공할 수 있습니다.

Red Hat AI 살펴보기