자동화를 변화시키는 AI의 힘

초기 공상과학 작가이자 미래학자 아서 C. 클라크는 '세 가지 법칙'이라는 유명한 법칙을 남겼습니다. 그 중 하나로 "고도로 발전된 기술은 마법과 구별할 수 없다” 라는 말이 있는데요. 그는 1999년이면 우리가 행성 간의 여행, 토성으로의 유인 비행, 인공 가사 상태와 같은 기술을 보유하고 있을 것이라고 예상했습니다. 물론 그의 예측은 실현되지 못했지만, 그가 생각했던 상상 속 인공지능(AI)은 현실에 가까워졌습니다.

가령 ChatGPT나 GPT-4와 같은 생성형 인공지능(Generative AI)은 마법처럼 보이기도 합니다. 이러한 언어 모델은 웹에서 가져온 방대한 규모의 데이터를 기반으로 학습과정을 거치고, 이후 텍스트 형태로 된 명령어에 알맞게 반응할 수 있도록 미세한 조정 과정을 지나 완전히 학습된 모델로 거듭납니다. 이러한 모델에는 방대한 파라미터(매개변수)가 존재하고, 전반적인 학습과정에 아주 오랜 시간이 소요됩니다. 여러 대의 컴퓨터를 활용해 학습과정을 진행하더라도 최대 1년까지 소요될 수 있죠.

학습과정을 마친 모델은 사용자가 제출한 질문이나 요청사항에 대한 응답을 제공합니다. 예를 들면 사용자의 요청에 따라 적절한 컴퓨터 코드나 에세이를 작성하는 식이죠. 모델이 제공하는 결과값은 꽤나 창의적이며, 실제 사람이 처리한 것처럼 그럴 듯합니다.

그러니 CEO부터 학생에 이르기까지 1억명이상의사람들이 삶과 업무에서 생성형 모델을 활용하는 것은 놀라운 일이 아닙니다. 하지만 기업이라면, 더 나아가 이러한 시스템이 어떻게 운영되는지 이해할 필요가 있습니다. 뜨거운 관심의 한 가운데에 있는 AI는 마법도, 무결한 도구도 아닙니다.이러한 AI의 한계를 정확하게 인지한 기업만이 안전하고, 강력하고 또 혁신적인 방식으로 AI를 활용할 수 있을 것입니다.

생성형 AI를 움직이는 힘

오늘날의 대규모 언어모델(Large Language Model, LLM)은 하드웨어의 발전, 트랜스포머와 같은 인공신경망 모델 등 새로운 AI 기술의 발전으로 탄생했습니다. LLM은 고도의 컴퓨팅 기능을 기반으로 방대한 양의 텍스트 데이터를 학습한 대규모 머신러닝 모델입니다.

이러한 모델은 앞서 확인되는 단어 또는 가장 작은 언어 요소 '토큰'을 바탕으로 어떤 단어가 나올지 예측하도록 학습됩니다. 예를 들어, "지나간 시간은"라는 구문이 입력되면 모델은 다음 단어를 예측하죠. 학습된 단어를 기반으로 "마치" 혹은 “다시”를 다음 단어로 제안할 것입니다. 모델은 이러한 선택지들 중 하나를 골라 문맥에 추가합니다. 가령 다음 단어로 "다시"를 선택하면 이제 문맥은 "지나간 시간”에 “다시 돌아오지 않는다”를 더해 “지나간 시간은 다시 돌아오지 않는다”가 되는 것이죠.

이러한 작업은 여러 번 반복되고, 결과적으로 "지나간 시간"이라는 문맥을 바탕으로 다음 단어를 예측하도록 할 경우, 높은 확률로 "다시 돌아오지 않는다”가 이어집니다. 이렇게 LLM은 예측된 단어들의 분포에서 단어를 샘플링 하여 개별 단어 단위로 결과를 도출합니다. LLM의 파라미터(매개변수)는 학습된 데이터를 기반으로 다음 단어를 최대한 정확히 예측하도록 설정됩니다.

훈련 목표는 단순하지만, LLM은 뛰어난 이해력과 추론 능력을 갖추고 있습니다. 언어의 "의미"를학습 하지 않고 단순히 저장하는 것보다 언어의 구조와 문화 및 지식을 바탕으로 언어의 관계를 학습하는 것이 더 효율적이죠. 가령 LLM이 "27 더하기 176은?"에 답하기 위해 모든 연산 질문에 대한 답을 저장하는 것보다 연산 규칙을 학습하는 것이 더 효율적인 것 처럼요.

LLM은 튜링테스트를정복했다고 해도 과언이 아닙니다. GPT-4의 한 변형모델은 32,768개의 토큰(약 50페이지 분량의 텍스트)을 처리할 때도 일관된 응답을 작성할 수 있을 정도로 대용량의 기능 메모리를 갖추었습니다.

생성형 AI 모델은 지각능력이나 자의식을 갖지 않고도 지속적으로 개선된 기능으로 비즈니스 현장에서 빠르게 그 실용적 가치를 증명하고 있습니다.

ChatGPT는 자동화 분야에 많은 가능성을 제공해 이미 많은 자동화 기회를 제공하여 조직의 역량을 확보하고 생산성을 향상시킵니다. 가령 어떤 근로자들은 ChatGPT를 활용하여 긴 문서를 빠르게 요약하고, 이메일 초안을 작성하고, 코드를 작성합니다. 이렇듯 생성형 AI는 사람들이 좋아하는 일과 가장 중요한 업무에 집중할 수 있도록 도와 우리의 소중한 시간을 지켜줍니다.

책임감 있고 안전한 AI 도입을 위한 안전장치

생성형 AI 모델은 인상적이지만, 항상 100% 정확하게 작동하는 것은 아닙니다. 이 점은 비즈니스에 실질적인 문제를 야기할 수 있습니다. 예를 들어, 구글바드(Google Bard)는 단순한 사실오류로 인해 모회사의 가치를 1,000억 달러나 떨어 뜨린 적이 있죠.

인간과 마찬가지로, 모델도 실수할 수 있습니다. 기업은 모델이 안정적이고, 공정하고, 합법적이고, 효율적으로 작동하는지 확인해야 하고, 이는 기업이 생성형 모델 사용에 대한 보다 체계적인 접근법을 취해야 가능합니다. 이에 관한 문제는 여전히 해결 단계에 있지만, 기업은 다음과 같은 방법으로 책임감 있고 안전한 AI 도입을 목표로 할 수 있습니다.

휴먼인더루프(Human in the loop)

엔터프라이즈 워크플로에 생성형 AI를 배포할 때는 특별한 주의가 필요합니다. 생성형 모델은 사실 오류와 '할루시네이션(Hallucination)'(시스템이 사용자의 지시를 잘못 이해하거나 맥락에 어긋난 대답을 하는 현상)에 취약하기 때문이죠. 가끔 혼란을 야기하거나 불쾌감을 주는 응답을 하는 경우도 있습니다.

이러한 배경에서 ‘휴먼 인 더 루프’(Human In the loop) 기능은 매우 유용합니다. 모델이 도출한 결과값이 고객에게 전달되기 전에 조직의 담당자가 이를 검토하여 불쾌감을 주거나 오류가 있는 컨텐츠를 제거할 수 있도록 하기 때문입니다. 이러한 과정은 모델의 학습 과정에도 반영되어 향후 부적절합 응답이 도출될 확률을 최소화할 수 있습니다. 결론적으로 사람이 AI 모델의 실수를 방지할 수 있는 최선의 안전장치인 셈이죠. 이렇듯 AI가 투입되는 의사 결정 과정의 중요도나 위험도가 높을 수록, 사람이 검토하고 감독하는 과정의 필요성은 더욱 부각됩니다.

능동적학습(Active Learning)

LLM은 즉각적으로 괄목할 만한 업무를 해낼 수 있습니다. 그러나 비즈니스 세부사항, 한계점, 비즈니스 노하우를 완전히 이해하진 못합니다. 이 문제에 대한 기존의 접근 방식은 지도 학습(Supervised Learning) 이었습니다. 직무 전문가(Subject Matter Expert, SME) 팀이 사전 학습된 머신러닝 모델을 세밀한 조율과정을 통해 개선하는 것입니다. 그러나 모델 커스터마이징을 위해서는 개인 데이터 세트를 기반으로 한 재학습 과정이 필요합니다. 이러한 과정은 많은 비용이 들 뿐 아니라, 시간 부담이 크기 때문에 SME은 더 가치 있는 업무에 집중하지 못하게 됩니다.

이에 대한 해결책이 바로 능동적 학습 방식(Active Learning)입니다. 데이터 포인트 해석 과정에 문제가 생길 때에만 SME가 개입하는 방식으로, SME는 가장 중요한 데이터 포인트 해석 과정에 도움을 제공하고, 시스템은 백그라운드에서 지속적으로 학습하고 재훈련합니다. 이러한 방식으로 기업은 그들의 필요에 알맞은 맞춤형 LLM을 제작할 수 있을 뿐 아니라, 성능이나 정확도는 유지하면서 기존 접근 방식 보다 더 빠른 속도로 모델을 학습시킬 수 있습니다.

플랫폼 기반 접근방식

AI는 대개 기업이 필요한 곳에만 부분적이고 단편적으로 활용되는데, 기업은 이러한 각 AI가 사내 다른 시스템과 어떻게 상호작용할지를 고려해야 합니다. AI 솔루션들이 워크플로우나 ERP(전사적 자원 관리) 시스템과 긴밀하게 연결되어 있나요? 사전 구축 커넥터 풀이 협소하면 AI 결과값이 정상적으로 실행되지 않을 수 있고, 이는 AI의 잠재력을 저해합니다.

더욱 염두해야할 사항은 바로 사용 중인 AI 시스템의 안정성입니다. 특히 개인의 데이터를 처리하는 모델일 경우, 개인정보 보호와 데이터 유출 방지가 핵심입니다. ChatGPT와 같은 시스템은 사용자가 공유한 데이터에 의존해서 발전합니다. 즉, 사용자가 제공하는 모든 정보는 지식 데이터 베이스의 일부가 되거나 다른 사용자에게 공유될 수 있습니다.

이와 같이 상호작용 측면과 안정성을 고려했을 때 단편적인 적용 대신 플랫폼 기반 접근 방식을 채택하는 게 유리할 수 있습니다. 이미 대부분의 최신 AI 기능은 유아이패스(UiPath) 비즈니스 오토메이션 플랫폼을 비롯한 다수의 엔터프라이즈용 솔루션에 결합되어 있고, 다른 시스템과 연결되는 커넥터가 기본으로 제공됩니다. 또한 클라우드 기반인 플랫폼은 최신 보안 정책과 취약점에 대해 가장 최신 버전으로 업데이트 되어 있습니다.

차세대 자동화

이러한 안전장치가 마련되면, LLM과 생성형 AI의 성장은 자동화의 발전을 비약적으로 가속화할 것입니다. 안정적이고 확장 가능한 시스템을 구축해 업무 방식에도 큰 변화가 생기겠죠. 최신 LLM의 독해력은 점차 인간의 능력을 뛰어넘고 있어, 앞서 나가는 기업들은 AI 시스템의 이해력과 결과값을 바로 실행할 수 있도록 설계하는 데 집중하고 있습니다.

고객 서비스 기능을 예로 들어 보겠습니다. 첨부 파일이 있는 고객의 이메일이 도착하면 맞춤형 LLM이 어떻게 이메일에 회신할지, 어떤 소프트웨어 프로세스를 어떤 순서에 따라 활성화할지, 어떤 정보를 활용할지 등을 일괄적으로 처리합니다. 예를 들어, 지능형 문서 처리 솔루션이 첨부 파일을 인식하고, LLM은 첨부 파일에 포함된 정보를 바탕으로 데이터베이스를 조회해야 한다는 판단을 내릴 수 있습니다. 그런 다음 LLM은 고객에게 보내는 이메일을 준비하고, 이후에 담당자가 해당 내용을 검토합니다. 마지막으로 LLM은 CRM 업데이트를 요청합니다.

AI의 목적은 일터에서 인간을 대체하는 것이 아니라 보완하는 것입니다. AI가 아무리 정교해도, 사람의 개입 없이는 복잡하고 창의적인 일을 자동화하는 데에 한계가 있습니다. 능동적 학습을 통하든 직접 일일이 검토하는 방법을 취하든 말이죠. 즉, AI는 마법도, 완전무결한 도구도 아니지만 인간이 더욱 새롭고 복잡한 자동화를 구축해 보다 큰 가치와 혁신을 창출하도록 돕는 지능형 자동화 에이전트의 역할을 뛰어나게 수행하는 셈입니다.

이러한 가운데 유아이패스는 더욱 안전하고 효과적인 기업용 AI 제작을 위한 연구를 진행하고 있으며, 다채로운 AI 기능을 갖춘 솔루션을 연이어 선보이고 있습니다.

유아이패스 AI 써밋의 온디맨드 세션 녹화본에서 더 많은 인사이트를 확인하실 수 있습니다.