생성형 AI 시대, 교육은 어떻게 바뀔까?
논문 소개 : 데이터 교육에서 대규모 언어 모델을 어떻게 활용해야 할까?
2016년 3월, 인간이 졌다. 고작 바둑 하나 패했을 뿐인데 많은 사람들이 각자의 세대에 맞게 터미네이터 혹은 울트론을 떠올리며, 기계가 인간을 지배하는 세상을 상상했었다. 세기의 대국을 앞두고 ‘아무리 AI가 뛰어나다고 한들 바둑에서 되겠어?’라는 말이 들리기도 했던 것 같은데, 알파고 쇼크 이후 사람들은 ‘설마 ○○○에서는 안 되겠지.’라는 위안거리를 찾기 시작했다. 그로부터 8년이 지난 지금, 그 사이 세상의 변화를 돌이켜 보니 당시에 그렇게 많이 떠들었던 알파고라는 이름의 AI는 다행히도 초반의 강렬했던 임팩트 대비 일상에 큰 변화를 가져오지 않았던 것 같기도 하다.
그런데, ChatGPT의 등장과 함께 세상이 바뀌었다. 그 시작은 생성형 AI라는 이름의 글짓기를 잘하는 조금 더 똑똑한 챗봇 정도를 상상하게 했었고, 하지만 할루시네이션이라는 치명적인 결함이 있으니 절대 무턱대고 사용해서는 안된다는 얘기를 했었는데 이젠 그런 이야기가 잘 들리지 않는다. 물론 할루시네이션이 완전히 해결된 것은 아니지만 지금도 그 부분을 문제 삼는다면 그건 사용자의 활용 능력이 부족한 것이란 생각이 들고, 그보다는 각자의 영역에서 생성형 AI를 누가 더 잘 활용했는지에 대해 천지개벽할 사례들이 소개되고 있다. 생성형 AI의 종류도 단순히 ChatGPT만 있는 것이 아니라 모든 영역에 걸쳐 AI가 적용된 서비스들이 이미 출시되어 있거나 지금 이 순간에도 출시되고 있는 중인 데다가 심지어 비교적 최근에 출시된 Claude 3을 보고 있자면 앞으로 더 뛰어난 또 다른 Game chager가 등장하리라 하는 기대를 품게 된다. 그야말로 대 AI 시대라는 말이 무색하지 않아 진 것이다. 8년 전 알파고가 가능성을 보여준 AI가 바꿔놓을 세상의 모습이 이런 게 아니었을까.
내 업무는 어떻게 달라지고 있는 거지?
업무 메일로 교육과 관련된 다양한 업체들의 홍보 메일을 받게 된다. 사실 개인 메일은 대부분 스팸으로 분류하지만 업무 메일 계정에서는 업계의 관심 주제나 교육 방법에 대한 동향 파악을 위해 일부러 마케팅 정보 수신 동의를 하기도 하고, 굳이 스팸으로 분류하지 않고 있다. 최근 많이 받는 교육과 관련된 홍보 메일에 빠지지 않고 등장하는 것이 바로 ChatGPT에 대한 것이다. 초반에는 ChatGPT 그 자체를 교육하는 경우가 많았다면 이제는 ChatGPT를 Tool로 활용해서 뭔가를 해내는 교육들이 많이 진행되고 있는 것처럼 보인다. 꼭 외부 동향을 통해서가 아니더라도 조직 내에서 세상의 변화에 가장 기민하게 반응하는 곳 중 하나가 HRD 부서이기에 이러한 생성형 AI를 교육 프로그램에 어떤 식으로 접목해 볼 수 있을지에 대해 각자의 방식대로 고민도 하고 다양한 시도가 이뤄지고 있다. 그러던 중, 내가 맡은 역할인 데이터 과학 관련 교육에서는 생성형 AI를 어떻게 활용할 것인지에 대한 흥미로운 아티클을 발견하게 되었다.
What Should Data Science Education Do with Large Language Models?
(https://hdsr.mitpress.mit.edu/pub/pqiufdew/release/2)
1. LLMs와 데이터 과학 교육의 현재 상태
(Current state of LLMs and Data Science education)
1.1 현재 LLMs의 상태
LLMs의 기능: LLMs는 인간 언어를 이해하고 생성하는 데 뛰어난 능력을 보여주며, 다양한 데이터 소스에서 학습한 방대한 언어 지식을 활용하여 복잡한 작업을 수행합니다.
성능과 영향: 최신 LLMs, 예를 들어 GPT-4는 다양한 분야에서 인간과 유사한 수준의 작업 수행 능력을 보여줌으로써 교육, 프로그래밍, 노동 시장에 혁신적 변화를 가져오고 있습니다.
1.2 현재 데이터 과학 교육의 상태
교육 과정과 방법: 데이터 과학 교육은 통계, 프로그래밍, 데이터 분석 등을 포함하며, 이론 강의, 실습, 프로젝트를 통해 학생들에게 필요한 기술을 교육합니다.
실용적 접근: 학생들이 실제 데이터를 다루는 능력을 개발할 수 있도록 설계된 교육 과정은 기술적 스킬과 실제 문제 해결 능력을 강조합니다.
2. 데이터 과학 교육 내용에 미치는 영향
(The Impact on Data Science Education Content)
2.1 LLMs를 이용한 데이터 과학 파이프라인 변화
역할 전환: 데이터 과학자의 일상 업무에서 반복적인 데이터 처리와 분석 작업이 줄어들고, 전략적 계획 및 프로젝트 관리 같은 고급 업무로의 전환을 촉진합니다.
자동화와 효율성: LLMs는 데이터 정제, 모델 구축, 결과 해석 등의 과정에서 상당한 자동화를 제공하여 업무의 효율성을 크게 향상시킵니다.
2.2 ChatGPT의 시험 응시 능력
평가 도구로서의 LLMs: ChatGPT는 다양한 학문적 시험에서 인간과 유사한 성능을 보여주며, 이는 LLMs가 학습 평가와 자격 증명 과정에서 유용하게 사용될 수 있음을 시사합니다.
평가 방식의 변화: LLMs의 능력을 고려할 때, 전통적인 시험 방식을 넘어서는 새로운 형태의 평가 방법이 필요함을 강조합니다.
3. 데이터 과학 교육에서 LLMs의 사용
(Using Large Language Models in Data Science Education)
3.1 LLMs를 이용한 커리큘럼 설계
동적 커리큘럼: LLMs를 활용하여 교육자들이 학습 자료를 현장의 최신 동향에 맞추어 지속적으로 갱신하고, 학생들에게 실시간으로 관련성 높은 예제와 문제를 제공할 수 있습니다.
맞춤형 교육 경험: LLMs의 능력을 활용하여 학생들의 필요와 배경에 맞춘 맞춤형 학습 경험을 제공, 학습 효과를 극대화할 수 있습니다.
3.2 LLMs as Teaching Assistants (교육 보조 도구로서의 LLMs):
개인화된 지도: LLMs는 강력한 교육 보조 도구로서 작동하여 학생들에게 개별적인 피드백과 지도를 제공하고, 복잡한 개념을 명확히 설명하는 데 도움을 줍니다.
교육 효율의 증가: 프로그래밍과 같은 기술적 스킬 교육에서 LLMs를 활용하면 학습 과정의 효율성을 높이고, 학생들이 보다 심층적인 학습에 집중할 수 있게 도와줍니다.
4. 새로운 교육 방법의 적용
(Adapting Teaching Methods in the New Area)
4.1 LLM-Guided Programming 교육
LLMs를 통해 학생들은 코드 생성, 최적화, 디버깅과 같은 기술을 보다 빠르고 효율적으로 학습할 수 있습니다. 이는 프로그래밍 교육에서 LLMs의 활용을 극대화하여 학생들이 실제 문제 해결에 적용할 수 있도록 합니다.
4.2 표절 방지
LLMs의 사용이 증가함에 따라 학생들이 과제 수행 시 LLMs를 사용할 가능성이 높아지고 있습니다. 이에 따라 교육자들은 AI를 활용한 표절을 방지하기 위한 전략을 개발해야 합니다.
4.3 창의력과 비판적 사고 육성
LLMs의 결과물을 분석하고 평가하는 능력을 키움으로써 학생들의 비판적 사고를 육성합니다. 이 과정에서 학생들은 LLMs의 제한과 장점을 이해하고, 인간의 창의적 사고를 보완하는 방법을 배웁니다.
4.4 윤리적 인식 증진:
LLMs의 사용이 일상화됨에 따라 데이터 과학 교육은 학생들에게 AI 윤리, 데이터 프라이버시, 책임 있는 사용의 중요성을 가르쳐야 합니다. 이는 교육 과정 전반에 걸쳐 윤리적 고려를 통합하여 학생들이 기술의 사회적 영향을 이해하도록 하는데 중점을 둡니다.
5. 토론
(Discussion)
5.1 인공 지능과 인간 지능의 협력적 미래:
상호 보완적인 역할: AI와 인간은 데이터 과학에서 상호 보완적인 역할을 수행하며, 인간은 전략과 창의적 사고를, AI는 데이터 처리와 분석 작업을 담당합니다. 이러한 협력은 더 효과적인 의사결정과 혁신을 촉진합니다.
협력 과정의 중요성: 인간이 초기 아이디어를 제공하고 AI가 이를 발전시켜 최종 결과물을 도출하는 구조화된 협력 과정이 중요합니다. 이를 통해 AI의 강점을 최대한 활용하면서 인간의 창의적 기여를 강화할 수 있습니다.
5.2 LLMs의 변혁적 잠재력 및 한계 극복:
교육 공정성과 자원 분배: LLMs의 발전이 교육에 평등한 기회를 제공하는 중요한 도구가 될 수 있습니다. 모든 학습자가 동등한 자원 접근성을 가질 수 있도록 지원하는 것이 중요하며, 이는 교육의 질을 전반적으로 향상시킵니다.
새로운 직업과 역할: LLMs의 채택이 확대됨에 따라 데이터 과학 분야에서 새로운 직업과 역할이 생겨날 것입니다. 이러한 변화에 대비하여 교육 과정은 관련 기술과 지식을 포함시켜 학생들이 새로운 시장에서 경쟁력을 갖출 수 있도록 준비시켜야 합니다.
지난 3년 간 실습조교라는 명목 하에 다섯 명의 인턴사원과 함께 일해오고 있다. 그리고 그들의 가장 중요한 역할은 교육이 진행되는 동안 교육생들의 질문사항에 대응하는 것이다. 가장 최근에 진행한 교육 기간 중 실습조교가 하는 역할에 대해 문득 API와 같은 역할을 하고 있다는 생각을 하게 되었다. ChatGPT 등장 이전에 일하던 실습조교들은 자신의 지식을 기반으로 답변하거나 구글링을 통해 질문에 대응하는 식이었다면 최근에는 ChatGPT를 상시 띄워두고 파이썬을 처음 마주하는 교육생들이 각자의 질문을 하면 그 질문을 대신 ChatGPT에 물어보고 그 답변 내용을 살짝 풀어서 교육생들에게 전달하는 방식으로 그들의 업무 방식이 달라지고 있기 때문이다. 물론 모르는 내용이 있어서 이기도 하겠지만 실력의 문제라기보다는 아는 길도 네비를 켜고 다니는 운전자의 모습에 빗대어 생각하는 것이 더 맞을 것 같다.
결국 아는 내용도 물어보는 형태로 생성형 AI를 활용하게 되는 상황에서 교육 프로그램의 기획자이자 개발자, 그리고 학습자인 인간에게 각각 어떤 역할을 부여해 차별화된 가치를 낳을 것인지에 대한 고민이 필요하다. 이때 중요한 것은 역시 효율과 효과에 대한 고민이 될 것이다. 너무나도 강력한 생성형 AI라는 만능(?) 도구를 모두가 가지고 있는 상황에서 예전보다 적은 인풋을 들여 그것이 없던 시절의 교육과 같은 목표 수준에 도달하도록 한다거나 아니면 기술 격차가 줄어든 상황에서 기존에는 도달할 수 없었던 목표 수준을 달성하도록 하기 위해 생성형 AI를 어떤 방식으로 활용할 것인지에 대한 고민이 필요하다. 그리고 그 안에서 사람과 AI 각자가 수행하는 역할을 나열했을 때 서로 간의 역할 중첩이 발생하지 않도록 한다거나 의도적으로 중첩이 발생하도록 하여 상호보완적인 활용을 고민해야 한다.
다 적어 놓고 보니 드는 두 가지 생각
1. 제목에는 데이터 교육이라고 적어뒀지만 일반적인 교육에 대한 아티클인 것 같은데?
2. 그나저나 이세돌 9단은 알파고한테 그 한 판을 어떻게 이긴 거지?
