배민, 야놀자, 정육각, 쏘카의 AI 활용과 RAG
생성형 AI는 캐즘을 넘을 수 있을까?
네이버 블로그에 하이퍼클로바X 메이커로그 작성을 끝마친 지도 2달 정도가 지났다.
6개월 동안 8월 24일 첫 런칭을 포함해 생성형 AI 분야에 완전히 빠져 있던 시간을 보내고 난 뒤,
생성형 AI 분야의 발전을 지켜보며
새로운 패러다임을 제시하고 그를 현실화하는, 세계에서 가장 빠르게 발전하는 분야의 에너지를 느끼고 있다.
https://blog.naver.com/hsm4680/223296562329
그리고, 그러한 것들에 여전히 흥미를 느끼고 있기에,
다시, 얼마가 걸릴 지 몰라도 생성형AI 분야의 메이커로서, 기획자로서 고민하고 일해보고자 한다.
새로운 메이커로그의 제목을 붙였지만, 사실 어떠한 생성형AI 제품을 기획하고 만들지는 알 수 없다.
회사에 들어가서 제품을 기획하게 될 수도 있고, 프로젝트 팀을 꾸려서 기획하게 될 수도 있고,
학교 강의로 하게 될 수도 있고, 혹은 다른 프로덕트를 기획하며 생성형AI 기술을 활용하게 될 수도 있다.
그렇지만 결국 공통적으로, 내가 원하는 일은 ‘메이커’, ‘기획자’가 되는 것이고, 계속 그러한 일을 하고자 하기에
아무것도 정해지지 않았음에도 다시 메이커로그를 써보고자 한다.
모든 기획의 시작은 리서치, 현 상황에 대한 이해에서 시작한다.
그리고 현 상황을 이해하고자, chatGPT 쇼크가 어느 정도 지나가고
생성형AI가 본격적으로 시장에 적용되고 있는 지금 시점의 생성형AI 트렌드 및 프로덕트에 대해
이해하고 정리해 보고자 한다.
내가 이해하고 정리한 요점부터 먼저 정리하자면, 다음과 같다.
배민, 야놀자, 쏘카와 같은 규모와 기술력을 모두 가진 서비스에서 먼저 주요 기능으로 적용되고 있다.
새로운 스타트업들은 생각보다 기발한 아이디어보다, 특화된 좁은 분야에서의 ‘한 끝 차이’를 만들어내고 있다.
아직 비즈니스 모델이 나오지 않았지만, 사람의 인격을 AI에 심는 등의 새로운 시도들이 주목받고 있다.
해당 내용을 두 개의 글에 걸쳐서 서술하고자 한다.
그리고, 제목에서의 질문, 생성형AI는 캐즘을 넘을 수 있을까?
캐즘, 얼리어답터들만 사용하는 제품이 아닌, 시장의 다수가 활용하는 제품이 되기까지 넘어야 하는 벽을 의미한다.
얼리어답터를 넘어, 주류시장에 진입하기까지의 장벽, 캐즘은 꽤나 높은 벽이다.현재 생성형AI는 캐즘을 넘기 직전에 있다고 생각한다.
일반 유저들의 활용에서는 캐즘을 넘었다고도 볼 수 있지만,
실제 기업에서 추가적인 이윤을 창출하는 도구로서는 아직 명백히 캐즘을 넘지 못하였다.
캐즘을 넘기 위해서는 포괄적인, 범용적인 AI 모델의 발전과 함께
각 분야의 전문가들이, 비AI 전문가들이 가진 데이터의 튜닝을 통한,
초개인화된, 특화된 AI 기술의 활용이 캐즘을 넘을 전략이라고 생각한다.
그리고 그 전략을, 대형 스타트업 배민, 야놀자, 쏘카가 시작하고 있기에, 이를 공부해 보고자 한다.
그럼 시작해 보자!
대형 서비스에서의 생성형AI의 적용
생성형AI 분야를 비롯해, 최신 테크를 잘 정리해주는 기자님들이 운영하는 채널인
티타임즈TV의 자료를 참고하였다.
마이크로소프트의 정우근 리드님께서 출연하셔서
배민, 야놀자, 쏘카 서비스에서 생성형AI가 어떻게 적용되었는지 정리해 주는 영상이다.
https://youtu.be/JiFU2B44edc?si=guXnHnHYijLw9MX8
생성형AI의 서비스 적용에서의 필수조건 : 할루시네이션의 통제
정우근 리드는, MS에서 chatGPT를 활용한 기능들을 타사가 원활하게 적용할 수 있도록,
기술과 사업에 관한 협의를 진행하는 부서의 리드로 근무하고 계신다.
그런 리드님이 영상에서 말씀하신, 생성형AI의 적용의 가장 큰 걸림돌은 할루시네이션이다.
‘환각’이라는 뜻의 영단어로, 생성형AI는 기본적으로 단어를 생성하는 것으로 프로그래밍되었기에
적절한 답을 알지 못함에도, 생성하려는 알고리즘으로 인해 거짓 응답을 생성하는 현상이다.
실제로, 네이버에서의 하이퍼클로바X 기획 시에도, 할루시네이션은 매우 중요한 이슈였으며
이를 메이커로그 3편, 기획 방법론 편에 서술한 바 있다.
https://blog.naver.com/hsm4680/223277580981
보안 이슈로 인해 위 내용에서의 핵심인 ‘테스트’, ‘파인튜닝’ 등에 대해서는 작성하지 못하였으나,
큰 틀에서, 할루시네이션을 방지하는 것은 생성형AI 서비스의 기본이자 핵심이며,
이를 처리하기 위해서는 지속적인 테스트와 파인튜닝이 필요함을 정리하였다.
네이버에서의 할루시네이션 통제법그리고 최근 서비스를 적용한 회사들도 유사한 방법론을 따르고 있다.
할루시네이션이 의심되는 초기 단계부터 고객에게 서비스하는 것이 아닌,
내부 대상 테스트베드를 운영하고, KMS(내부 지식관리시스템)을 연결하여 사내 데이터를 연결한다.
이렇게 하면, 내부 데이터베이스를 생성형AI가 참고하기 때문에, 이를 참고하도록 잘 파인튜닝한다면
허무맹랑한 말을 지어내는 파인튜닝이 줄어들게 되고,
내부에서의 활용을 통해 충분한 테스트 케이스를 확보함으로써 오류를 파인튜닝하여 수정할 수 있다.
이러한 방법론은 향후 서술할 “RAG” 와도 연관된 방법이다.
기업이 가진, 기관이 가진 데이터베이스를 참고하여 할루시네이션을 방지하고 전문적인 답변을 제공하는 것.
지금까지는 생성형AI의 안정성을 위해 할루시네이션을 위의 방법을 통해 통제하였고,
이렇게 수정하고 정제된 모델을, 현재 배민, 야놀자, 쏘카는 대고객 서비스로 오픈하고 있는 시점이다.
세 서비스가 AI를 적용한 예시는, 이러한 생성형AI 적용 예시 중 첫 번째이다.
기존 본인들의 분야에서의 서비스를 제공하되, 생성형AI의 적용을 통해
새로운 고객 경험을, 더 나은 경험을 제공하는 것이다.
우아한 형제들
배달의민족 서비스를 운영하는 우아한형제들은
생성형 AI와 사용자 리뷰를 결합하여 새로운 서비스를 제공하고자 한다.
현재 송파 지역에 한정하며 테스트 중이며,
새로운 서비스의 핵심은 유저의 컨텍스트, 맥락을 파악하고
이러한 맥락에 맞는 배달음식들을 리뷰 데이터의 분석을 통해 제공하는 기능을 도입하였다.
‘자녀와 즐기는’ 과 같은, 배달음식 주문에서의 맥락 기반의 추천이 도입되었다.여기서 배우고 공부할 수 있는 점은, 생성형AI의 도입 의사결정도 중요하지만,
유저에게 무엇이 필요한지, 그 니즈를 도출하고 그에 맞는 데이터를 만들고 AI를 활용하는 과정이다.
먼저, 이 서비스가 필요한 이유, 배민 팀은 그 니즈를 먼저 도출하였다.
배민 팀 자체 리서치에 의하면, 배달을 시킬 메뉴와 식당을 정해서 접속하는 유저는 16%에 불과하며,
84%의 유저는 어떤 식으로든 메뉴를 빨리 정하고 내 상황에 맞는 식당을 찾아야 한다는 니즈가 있다.
그리고 이러한 니즈에는 단순한 음식 취향뿐 아니라, 보다 많은 맥락과 니즈가 관여한다.
예를 들면, 위와 같이 아이가 있는 기자님의 경우에는 치킨을 먹고 싶다라는 메뉴 선정 외에도
아이들이 먹기에 맵거나 너무 자극적이지 않아야 한다는, 추가적인 맥락과 니즈가 존재한다.
배민은 이러한 유저의 니즈가 ‘아이가 먹기에 좋아요, 맵지 않아서 잘 먹었어요’와 같은, 식당/메뉴의 리뷰 데이터에서 표출되어 있다고 판단하고,
유저의 맥락에 대한 니즈와 리뷰의 키워드를 생성형AI로 연결하고자 하였다.
그리고 이러한 리뷰 데이터를 생성형AI에서 활용하기 위한 작업을 수행하였다.
맥락 키워드, 기록 데이터, 리뷰 벡터 데이터를 하나의 검색 기준으로 연결하였다.유저의 데이터, 유저의 평가, 음식에 대한 리뷰를 생성형AI가 활용할 수 있는 벡터 형태의 데이터 뭉치로 활용,
데이터를 연결해서 하나의 검색 기준을 만들고, 이를 생성형AI를 통해 제공하였다.
하나의 데이터가 아닌, 여러 데이터를 통합해서 사용할 수 있는 기준을 만들고,
이를 생성형AI와 연계하여 서비스하는 방법론은 충분히 참고하고 배울 만 하다.
송파구에서 배달음식을 검색하면, AI 리뷰분석을 통한 추천 검색어를 받을 수 있다.여기서 배민 측에서 사용자 경험을 개선하기 위해 노력했다고 느끼게 된 포인트는,
유저에게 ‘이제부터 맥락을 넣어서 검색해보세요!’ 라는 식으로 개방적인 요청을 한 게 아닌,
배민 측에서의 리뷰 분석을 통해 유저들이 찾는 ‘맥락’을 예시 검색어로 제공했다는 것이다.
이는 리뷰 데이터 뭉치의 클러스터링, 유사성 분석을 통해 이루어졌다.
‘치킨’ 을 주문한 리뷰 데이터를 클러스터링한 결과, ‘바삭한’, ‘아이와 먹기 좋은’ 등의 기준으로
리뷰들이 클러스터링되는 것을 확인하고, 이러한 니즈가 있음을 파악하였다.
이러한 니즈를 바탕으로, 유저가 필요할 만한, 원할 만한 맥락을 예시 검색어로 제공하고 있다.
생성형 AI의 도입을 위해 필요한, 유저 니즈의 분석과 편리한 사용자 경험
해당 사례를 보며, 배민이 생성형AI의 적용을 위해 합리적인 고민을 충분히 많이 했다고 느끼게 되었다.
생성형AI는 본질적으로 언어 모델이며, 언어, 텍스트를 처리하는 데 특화되어 있다.
그리고 텍스트에서 맥락을 뽑아내고 연결하는 것 또한 주요 능력이다.
이러한 능력을 텍스트로 구성된 본인들의 리뷰 데이터에서 활용하기 위해
수많은 고민을 했다고 느끼게 되었다.
먼저, 유저의 니즈를 분석하여 배달음식 주문에 ‘맥락’이 필요함을 확인하였으며
그 맥락이 담긴, 텍스트 형태의 리뷰를 선택하고, 이를 분석하고 클러스터링하여
생성형AI가 쉽게 활용할 수 있는 형태로 만들며
이렇게 데이터에서 뽑아낸 맥락을 유저가 잘 활용할 수 있도록 예시 검색어로 제공하였다.
이러한 유저에 대한 고민과 배달음식 주문에 대한 인사이트 도출은
역시 최종 제공자인 배민만이 할 수 있는 일이다.
생성형AI는 하나의 기술일 뿐이며, 기술이 유저에게 편익을 제공하기 위해서는
유저에게 서비스를 제공하는 최종 제공자가 이 기술을 잘 활용하는 것이 중요하다.
야놀자
두 번째, 야놀자 또한 chatGPT, GPT-4 모델을 활용하여
리뷰 데이터를 보다 발전된 형태로 유저에게 제공하고 있다.
요점부터 이야기하자면,
숙소의 방대한 리뷰 데이터를 키워드화하고 생성형AI 기술을 활용해 요약하고 추출, 정리함으로써
평점이 높은 리뷰, 낮은 이유, 그 이유들을 요약해서 제공함으로써 유저의 의사결정을 돕고 있다.
야놀자는 이미 큰 규모의 서비스가 되었고, 그 방대한 리뷰를 유저에게 보여주는 방안은 항상 큰 고민이다.
위와 같이 기존의 야놀자 리뷰는 필터링 기능을 제공하기는 하나,
수많은 유저가 이용하는 서비스이다 보니 방대한 리뷰를 유저가 참고하고,
유저가 필요한 정보를 찾아 의사결정하는 데에 다소 어려움이 존재하였다.
chatGPT의 GPT-4 모델을 활용하여 높은 평점/낮은 평점의 후기를 요약하여 제공하고 있다.이러한 문제점을 개선하기 위해,
방대한 리뷰 데이터의 맥락을 생성형AI를 통해 파악,
높은 평점 리뷰의 이유들과 낮은 평점 리뷰의 이유들을 요약하여 전달함으로써
유저의 의사결정에 필요한 숙소의 장단점을 리뷰 기반으로 판단할 수 있도록 하였다.
실제로, 엔트로피, 정보성 이론에 따르면 보통이다, 그냥 그렇다, 좋다와 같은 일반적인 정보는 정보로서의 가치가 적다.
진짜 정보성이 있는, 유저가 참고할 만한 리뷰는
매우 좋거나, 매우 싫은, 주관과 의견이 확실한 리뷰이며,
이를 생성형AI를 통해 요약해서 전달하고자 하는 것이다.
생성형AI 서비스 도입을 위한, 방대한 데이터의 정제의 중요성
이렇게 방대한 양의 데이터를 활용하여 생성형AI로 기능을 설계할 때,
가장 중요한 것, 야놀자가 매우 신경쓴 부분은 GPT에 들어가는 인풋을 정제하는 것,
다시 말해 GPT가 잘 이해하고 처리할 수 있는 형태로 물어보는 것이다.
이는 사실 모두에게 중요한, 새로운 능력이라고 일컫는 ‘프롬프트 엔지니어링’과도 궤를 같이한다.
야놀자 또한, GPT가 잘 이해하고 분석할 수 있는 형태로 리뷰 데이터를 정제하는 데 큰 노력을 들였다.
블로그의 NLP 관련 글에서 언급했듯, 자연어처리를 위해서는
인풋으로 들어갈 자연어, 사람의 언어를
컴퓨터가 이해하는 기계어로 바꾸는 과정이 매우 중요하다.
https://blog.naver.com/hsm4680/223349770706
일반적으로 토큰화, 정제 및 추출, 인코딩, 세 단계로 이루어지는 해당 전처리 과정을
야놀자의 AI 도입 팀은 본인들의 데이터, 리뷰 데이터의 특성에 맞는 방법으로
전처리하고, 컴퓨터 언어인 벡터화하여, GPT의 인풋으로 활용하였다.
이렇게 추출하는 과정에서, 정보성이 있는 리뷰와 정보성이 없는 리뷰를 분간하는 것이 중요하다.
깔끔하고 좋다, 나이스하다. 이런 리뷰들은 사실상 정보성이 없다. 유저의 의사결정을 돕지 못한다.해당 과정은 전처리 과정에서 머신러닝 등의 알고리즘을 활용하여 수행할 수도 있고,
잘 정제된 인풋을 생성형AI에 넣어서 판단하게 할 수도 있다.
해당 부분이야말로 생성형AI 도입에서의 야놀자만의 노하우일 것이다.
생성형AI는 하나의 기술로서,
생성형AI를 가진 OpenAI, Google, 네이버는 AI 기술 자체에 대한 노하우를 가지지만,
이 기술이 유저에게 편익을 가져오기 위해서는, 유저의 특성과 데이터의 특성을 가장 잘 이해하는
버티컬 플랫폼의 기획자 및 개발자들의 노력이 필요하다.
위의 야놀자 팀이 본인들만의 노하우를 더하여
리뷰 데이터를 chatGPT로 요약해서 제공하고, 유저의 의사결정을 돕듯이 말이다.
정육각/초록마을
야놀자가 이미 유저가 작성한 리뷰를 요약하고 추출하여 유저의 의사결정을 도왔다면,
상대적으로 유저가 적어 많은 리뷰가 필요한 정육각 팀은
생성형AI 기술을 활용하여 유저가 더 쉽게 리뷰를 작성할 수 있도록 보조하고 있다.
해당 방향성은 다른 대형 스타트업에 비해 아직 유저 수가 충분하지 않은 서비스에서
충분히 도입을 고려할 만한 내용이다.
유저의 리뷰를 생성형AI가 학습하게 되면, 작은 키워드 입력만으로 유저의 필체와 성향에 맞는 리뷰가 생성된다.곧 런칭 예정인 가제 ‘리뷰 작성 도우미’ 기능은, 생성형AI의 필체/문체 학습과 생성 능력을 활용한 기능이다.
유저가 정육각의 상품을 구매하고 리뷰를 작성하면,
해당 리뷰 데이터를 생성형AI에게 인풋으로 제공하여 유저의 리뷰 작성 방법을 학습할 수 있다.
이렇게 학습된 데이터가 일정 수준 이상 쌓이게 되면,
유저가 리뷰를 한 자 한 자 작성하는 번거로움을 덜어줄 수 있도록
유저가 간단한 키워드만을 입력하면 유저의 평소 필체와 리뷰를 바탕으로 유려한 리뷰를 작성해 준다.
유저의 데이터 생성, 피드백 입력을 돕는 생성형AI, 가능성과 의문점
완전히 새로운 아이디어로서의 가능성과 의문점을 동시에 가진 기능이라고 생각한다.
초기 서비스를 운영하는 팀에서 가장 고민하는 것들 중 하나는,
유저의 피드백, 유저의 반응을 어떻게 수집하느냐이다.
유저 수 자체가 적은 것도 문제이지만,
보다 복잡한 문제는 유저에게 어떻게 그 번거로운 피드백 및 리뷰 작성의 과정을 유도하느냐는 것이다.
배달음식 리뷰 이벤트처럼 명료한, 확실한 보상을 제공하는 방법도 있지만,
모든 팀이, 모든 서비스가 리뷰마다 보상을 줄 만큼의 여유를 가진 것은 아니니까.
그러한 과정에서 생성형AI의 글 작성 능력에서의 활용 가능성을 생각해 볼 수 있다.
유저에게 리뷰 작성의 동기를 제공할 수는 없어도,
그 동기를 꺾는 글 작성의 불편함은 생성형AI로 크게 줄여줄 수 있으니까.
다만, 의문점은, 생성형AI의 주관과 출력이 들어간 리뷰를 100% 유저의 리뷰로 판단할 수 있냐는 것이다.
이러한 의문점을 해결하기 위해서는 결국 유저의 키워드 등의 인풋이 많이 들어가야 할 텐데,
그렇게 되면 다시 유저를 번거롭게 만들게 되니까 말이다.
어려운 지점이다. 각 서비스에서 생성형AI를 도입할 때,
리뷰 등의 사용자 데이터가 얼마나 필요한지,
이를 위해 얼마나 사용자를 번거롭게 할 수 있는지,
그리고 이를 위해 유저에게 얼마만큼의 보상을 할 수 있는지
면밀한 검토를 통한 의사결정이 필요한 부분이다.
쏘카 : 생성형AI를 통한 24시간 문의 대응 개선
위의 세 서비스가 유저의 리뷰를 대상으로, 활용한 생성형AI 기능을 도입했다면,
쏘카는 생성형AI의 대화 능력을 바탕으로
‘챗봇’으로서의 기능을 보다 개선하고, 도입하였다.
쏘카는 원래부터 고객 센터 운영의 퀄리티를 중요시 여기는 기업이다.
오래 전부터 24시간 고객 센터를 운영하고 있으며,
이러한 기간이 지나면서 고객 응대 및 문의 데이터를 매우 방대하게 축적해 놓았다.
그리고 이 고객 응대 및 문의 데이터, 그리고 이를 통해 도출한 고객 응대 메뉴얼을 바탕으로
24시간 문의, CS에 생성형AI를 도입하였다.
좀 더 나누어서 자세히 서술하면, 아래와 같다.
활용 데이터 : 기존의 쏘카 기업의 고객 문의별 응답 메뉴얼과 기존의 대화 데이터를 활용하여,
방법론 : 인텐트(유저의 의도) 분석과 벡터 검색, RAG 방식의 도입을 통해,
결과 : 할루시네이션 없는, 유저의 의도에 맞는 사실 기반의 정확한 답변을 제공하고 있다.
생성형AI가 도입된 쏘카 고객센터 대화의 데모이다.대화 기반의 서비스를 제공하기 위한, 시나리오 기반의 LLM
영상에서는, 이러한 개발 방법론을 시나리오 기반의 LLM이라고 칭한다.
말 그대로, 유저의 대화 시나리오 자체를 데이터로 활용하여
이 대화 양상과 대화에 담긴 의도, 문의의 해결 방법을 생성형AI에게 학습시켜
가장 최적의 방법으로 유저의 문제를 해결하는 대화 방식을 생성형AI에게 학습시킬 수 있다.
생성형AI는, 사실 챗봇, 기존의 대화형 인터렉션 서비스처럼
대화 자체에 특화된 기술은 아니다.
그러나, 기존의 챗봇에 비해 학습 및 추론 능력이 비교할 수 없게 높으므로,
쏘카와 같이 기존의 메뉴얼과 시나리오 데이터가 충분히 확보된 서비스에서는
이러한 내용을 생성형AI에게 잘 학습시킨다면
기존의 챗봇과는 비교할 수 없는, 높은 퀄리티의 고객 응대 및 대화가 가능하다.
이러한 시나리오 기반의 LLM은 수많은 추가적인 서비스들의 가능성을 시사한다.
꼭 정제된 데이터가 아니더라도, 향후 어느 정도의 정제만 가능하다면
대화 기록, 우리의 평소 발화 자체가 유저의 서비스를 개선하는 주요한 데이터가 될 수 있다는 것이다.
카카오톡을 비롯한 수많은 서비스에서 우리의 대화와 상호작용을 기록하는 지금,
시나리오 기반의 LLM 학습 방법론이 앞으로 수많은 서비스들을 더 탄생시킬 수 있을 것이다.
그렇다면, 두 번이나 언급한 RAG에 대해, AWS의 문서를 바탕으로 정리하며, 글을 마무리하겠다.
RAG, 데이터베이스를 생성형AI와 연결하는 기술
https://aws.amazon.com/ko/what-is/retrieval-augmented-generation/
RAG(Retrieval-Augmented Generation)는 대규모 언어 모델의 출력을 최적화하여 응답을 생성하기 전에 학습 데이터 소스 외부의 신뢰할 수 있는 지식 베이스를 참조하도록 하는 프로세스입니다.
대규모 언어 모델(LLM)은 방대한 양의 데이터를 기반으로 학습되며 수십억 개의 매개 변수를 사용하여 질문에 대한 답변, 언어 번역, 문장 완성과 같은 작업에 대한 독창적인 결과를 생성합니다.
RAG는 이미 강력한 LLM의 기능을 특정 도메인이나 조직의 내부 지식 기반으로 확장하므로 모델을 다시 교육할 필요가 없습니다.
위의 AWS의 설명은 명료하지만 예시가 없으므로,
예를 들어, 요리 레시피를 유저가 물어봤다고 할 때,
생성형AI가 본인의 지식만을 바탕으로 답변하는 것이 아닌,
다른 요리 레시피에 관련한 데이터베이스를 참고해서 답변을 생성하는 것을 의미한다.
여기서의 데이터베이스의 예시는 사내 데이터베이스, 내부 문서, 혹은 외부 대형 오픈소스가 될 수도 있다.
RAG 기능을 도입하는 과정에서 가장 중요한 것은 역시 양질의 데이터베이스이다.
양질의 데이터베이스라 함은,
1) 유저에게 편익을 제공할 수 있는 인사이트를 담고 있음
2) 생성형AI가 잘 활용할 수 있는 형태로 벡터화를 비롯한 전처리가 잘 되어 있음
3) 무엇보다, 충분한 양을 가지고 있음.
등의 조건이 있을 것이다.
RAG 방법론은 사실 몇 달 전부터 핫해진 방법론이며,
생성형AI와 다른 데이터를 연결하는 서비스에서는 아주 넓게 적용되고 있다.
그 이유는, 처음에 언급한 대로 생성형AI 서비스 도입의 필수 조건인 할루시네이션의 통제를 이루어낼 수 있으니까.
마무리하며
사실 생성형AI 분야에서는 더 큰 것이 하나 다가오고 있다.
OpenAI 사가 GPT-5 모델을 곧 런칭하겠다고 공언하였고,
GPT-5 모델은 기존 모델과는 차원이 다른 ‘추론’ 능력을 가졌다고 이야기되고 있다.
진짜 강인공지능, 일반인공지능의 시대가 머지않았는지도 모르겠다.
어찌되었듯, 책임감 있는 개발과 통제가 이어진다면,
인공지능은 새로운 시대의, 무엇보다 사람을 도울 수 있는 고마운 친구가 될 것이라 생각한다.
앞으로도, AI 관련 트렌드에 밝게, 계속해서 따라가는 것이 필요하겠다.
메이커로그 이후 오랜만에 생성형AI 관련해서 글을 써 보게 되었는데,
역시 계속해서 접하고 보는 것과
이를 정리하고 내 생각을 얹는 것은 다르다.
언제 다시 실무에서 기획을 시작하게 될 지 모르지만,
앞으로도 배우고 접하고 고민하는 것들을 기록하는 습관을 이어가야겠다.
그럼 끝, 다음 글로 돌아오겠다!
Contact
�hsm4680@naver.com
�� 개인 포트폴리오
https://five-printer-42c.notion.site/a9d04461ba8c44a7bbbbbede06064d20?pvs=4
