저는 chatGPT와 같은 대형 언어 모델(LLM, Large Language Model)을 이용한 B2B 서비스를 만들고 있습니다. 저는 LLM을 직접 개발하거나 그 원천 기술을 알지는 못하지만, LLM을 활용하여 다양한 서비스를 제공할 수 있습니다. 이는 자동차를 제작하지는 못하지만 자동차를 운전해 여러 가지 일을 할 수 있는 것과 같습니다.
19세기 말에서 20세기 초, 자동차가 처음 등장했을 때 사람들은 여전히 마차 운전에 익숙했습니다. 대부분의 교통수단이 마차였고, 사람들은 마차 운전과 관리에 능숙했지만, 자동차는 전혀 다른 작동 방식과 유지 관리가 필요했습니다.
컴퓨터를 이용하는 기존 방식으로는 LLM을 효과적으로 활용할 수 없습니다.
우리가 기존에 컴퓨터를 이용할 때, 프로그래밍을 통해 컴퓨터의 결과를 로직으로 통제했습니다. 예를 들어, 1+1=2 같은 단순한 계산부터 시작해 복잡한 알고리즘을 통해 다양한 결과를 도출해왔습니다. 이러한 명령형 접근법은 정확성과 신뢰성을 제공합니다.
대형 언어 모델(LLM)은 명령을 정확히 따르는 것보다 여러 가능성 중 하나를 선택해 답을 만드는 방식입니다.
명령형 컴퓨팅은 사용자가 컴퓨터에게 명령을 내려서 정확한 결과를 얻는 방법입니다.
예를 들어, 프로그램을 만들어서 데이터베이스에서 특정 데이터를 가져오거나 계산을 하는 것이 이에 해당합니다. 그러나 LLM은 확률을 이용해 여러 가지 답을 만드는 모델입니다. 같은 질문을 해도 매번 다른 답을 할 수 있습니다. 이는 명령형 컴퓨팅의 예측 가능한 결과와는 다릅니다. 또한, LLM은 명령어를 이해하고 행동하는 것이 아니라, 자연어를 처리해서 답을 만들기 때문에, 정확한 명령으로 제어하는 데는 어려움이 있습니다.
명령형 컴퓨팅에서 구조화된 데이터는 깔끔하게 정리된 데이터를 의미합니다. 예를 들어, 엑셀 스프레드시트에 이름, 나이, 주소가 잘 정리된 표가 있다고 합시다. 이런 표를 통해 특정 사람의 나이를 찾거나, 주소를 업데이트할 수 있습니다. 모든 데이터가 정해진 형식에 따라 정리되어 있어, 컴퓨터가 쉽게 이해하고 처리할 수 있습니다.
반면, LLM은 비구조화된 데이터를 사용합니다. 비구조화된 데이터는 일정한 형식 없이 자유롭게 쓰인 데이터를 말합니다. 예를 들어, 친구와 주고받은 문자 메시지, 인터넷 블로그 글, 소설 같은 것들입니다. 이런 데이터는 정해진 형식이 없기 때문에 컴퓨터가 바로 이해하기 어렵습니다. LLM은 이런 비구조화된 데이터를 바탕으로 답을 만들어내는 능력을 가지고 있습니다. 예를 들어, 질문을 하면 LLM은 다양한 문장을 참고해서 답을 만들어낼 수 있습니다.
가계부 분석을 예로 들면
명령형 컴퓨팅 - 사용자는 가계부 데이터를 입력하고 이를 통해 수입과 지출을 계산할 수 있습니다. 예를 들어, 월급, 보너스와 같은 수입 항목과 식료품, 교통비, 외식 등의 지출 항목을 입력합니다. 그런 다음, 프로그래밍을 통해 각 항목의 합계를 계산하여 월별 총 수입과 총 지출을 도출합니다. 또한, 카테고리별 지출을 분석하여 식료품, 교통비, 외식 등 각 항목에 얼마나 지출했는지 파악할 수 있습니다. 이를 통해 사용자는 월별 잔액을 계산하고, 지출 패턴을 분석하여 예산을 효율적으로 관리할 수 있습니다.
LLM - 사용자가 가계부 데이터를 입력하지 않고, 자연어로 질문을 합니다. 예를 들어, "지난달에 식료품에 얼마나 지출했어?"라고 묻습니다. LLM은 이 질문을 이해하고, 비구조화된 데이터에서 관련 정보를 찾아 답을 생성합니다. 가계부의 텍스트 데이터를 바탕으로, LLM은 식료품 지출 내역을 찾아 합계를 계산해 답변합니다. 또한, "이번 달 예산을 초과한 항목은 무엇이야?" 같은 질문에 대해서도 LLM은 데이터를 분석하고 예산을 초과한 항목들을 나열할 수 있습니다. 이처럼 LLM은 사용자가 자연어로 묻는 다양한 질문에 대해 데이터에서 적절한 답을 생성해주는 방식으로 가계부를 분석합니다.
명령형 컴퓨팅과 LLM의 장단점
명령형 컴퓨팅 정해진 규칙과 알고리즘을 통해 높은 정확성과 일관된 예측 가능성을 제공하며, 엑셀 및 데이터베이스 같은 구조화된 데이터를 효율적으로 처리하고, 특정 요구에 맞춘 복잡한 분석과 계산이 가능합니다. 그러나 기술적인 지식이 필요하고 유연성이 부족하며, 초기 데이터 입력 과정이 번거로울 수 있습니다.
LLM 자연어로 질문하고 답을 얻을 수 있는 유연성과 비구조화된 데이터를 처리하는 능력을 갖추고 있으며, 사용이 용이하고 빠르게 결과를 얻을 수 있습니다. 그러나 확률 기반의 답변으로 인해 항상 정확한 결과를 보장하지 못하고, 일관성이 낮으며, 복잡한 계산이나 명확한 명령어 해석에 한계가 있습니다.
