확장성(Extensibility)

AI 확장성이란 무엇인가요?

AI 확장성(Extensibility)이란 인공지능(AI) 시스템이 완전한 재학습이나 중요한 아키텍처 변경 없이 새로운 도메인, 작업, 데이터셋으로 능력을 확장할 수 있는 것을 의미합니다. 이 개념은 AI 시스템을 유연하고 적응 가능하도록 설계하여, 새로운 기능을 추가하고 추가 작업을 처리하며 다른 시스템과 매끄럽게 통합할 수 있도록 하는 데 중점을 둡니다.

즉, AI 확장성은 시간이 지나면서 진화하고 성장할 수 있는 AI 시스템을 만드는 것과 관련이 있습니다. 특정 작업만을 위한 고립된 애플리케이션을 구축하는 대신, 확장 가능한 AI 시스템은 플랫폼 형태로 설계되어 변화하는 요구 사항을 충족할 수 있도록 확장됩니다. 이러한 접근법은 새로운 기회와 과제가 등장할 때 조직이 효율적으로 AI 역량을 확장할 수 있도록 하여 AI 투자 가치를 극대화합니다.

AI 확장성은 어떻게 달성하나요?

AI 확장성을 실현하려면, AI 시스템이 유연하고 적응할 수 있도록 하는 다양한 기법과 설계 원칙을 적용해야 합니다. 주요 방법은 다음과 같습니다.

전이 학습(Transfer Learning)

전이 학습은 한 작업을 위해 개발된 사전 학습 모델을, 관련 있는 다른 작업에 재활용하는 기법입니다. 새로운 모델을 처음부터 학습하는 대신, 기존 모델의 지식을 새로운 작업에 이전하여 필요한 데이터와 연산 자원을 줄일 수 있습니다.

예시:

• 동물 인식에 훈련된 컴퓨터 비전 모델을 이미지 인식의 학습 특징을 활용하여 식물 종 식별에 적응시키는 경우
• 뉴스 기사로 훈련된 언어 모델을 의료 용어를 이해하도록 미세 조정해 헬스케어 분야에 적용하는 경우

다중 작업 학습(Multi-Task Learning)

다중 작업 학습은 하나의 모델이 여러 작업을 동시에 수행하도록 훈련하는 방법입니다. 이 접근법은 모델이 서로 다른 작업 전반에 걸쳐 일반화된 표현을 개발하도록 유도합니다. 작업 간 지식을 공유함으로써 모델은 더 다재다능하고 적응력이 높아집니다.

예시:

• 번역과 감정 분석 모두에 훈련된 언어 모델은 언어의 미묘한 뉘앙스를 더 잘 이해하여 새로운 언어 관련 작업에 도입될 때 더 효과적입니다.
• 일정 관리와 이메일 처리를 모두 다루는 AI 비서는 사용자 행동의 패턴을 학습해 전반적인 작업 성능을 향상시킬 수 있습니다.

모듈형 설계(Modular Design)

AI에서의 모듈형 설계는 시스템을 서로 교체 가능하고 독립적인 컴포넌트 또는 모듈로 구조화하는 방식입니다. 이러한 아키텍처는 핵심 시스템에 영향을 주지 않고 새로운 기능을 추가하거나 기존 기능을 변경할 수 있게 해줍니다.

예시:

• 새로운 유형의 질의나 언어 처리를 담당하는 모듈을 추가할 수 있는 챗봇 시스템. 전체 시스템을 재구축하지 않고도 개발자가 모듈을 추가할 수 있습니다.
• 추천 엔진에서 새로운 데이터 소스나 알고리즘을 별도의 모듈로 통합하여 기존 기능을 방해하지 않고 역량을 강화할 수 있습니다.

유연하고 적응 가능한 아키텍처

유연성을 염두에 두고 AI 시스템을 설계하면, 변화하는 요구에 맞게 쉽게 적응하고 새로운 기술과 통합할 수 있습니다. 여기에는 오픈 스탠다드 사용, 다른 시스템과의 상호작용을 위한 API 설계, 플러그인이나 확장 기능 지원 등이 포함됩니다.

예시:

• 개발자가 코어 기능 위에 맞춤형 애플리케이션을 구축할 수 있도록 API를 제공하는 AI 플랫폼
• 플러그인 지원을 통해 서드파티 개발자가 AI 시스템 기능을 확장할 수 있어 다양한 확장 생태계가 형성됨

AI 확장성의 예시

확장 가능한 챗봇

고객 지원 티켓을 처리하도록 처음 설계된 챗봇을 예로 들 수 있습니다. 확장성을 통해 같은 챗봇이 다음과 같이 확장될 수 있습니다.

• 영업 문의: 영업 관련 질의를 처리하는 새 모듈을 통합하여, 제품 정보 제공 및 구매 결정 지원 가능
• IT 지원: IT 지원 모듈을 추가해 기술 문제 해결 지원 가능
• HR 질의: HR 관련 질문을 답변하도록 챗봇을 확장하여 조직 내 활용도 향상

기존 모델을 새로운 데이터셋으로 훈련시키거나 신규 모듈을 통합함으로써 전체 시스템을 재구축하지 않고 이러한 기능을 추가할 수 있습니다.

컴퓨터 비전 시스템

제조 현장의 품질 관리용으로 개발된 컴퓨터 비전 모델을 다음과 같이 확장할 수 있습니다.

• 재고 관리: 모델을 변형하여 재고 아이템 인식 및 개수 파악
• 안전 모니터링: 안전 위험 감지 또는 안전 규정 준수 확인을 위한 모델 훈련

전이 학습을 활용해 모델이 이러한 신규 작업에 효율적으로 적응할 수 있습니다.

자연어 처리(NLP) 플랫폼

소셜 미디어 감정 분석에 사용되던 NLP 엔진을 다음과 같이 확장할 수 있습니다.

• 법률 문서 분석: 법률 문서로 모델을 미세 조정하여 계약서 검토 지원
• 의료 기록 요약: 의료진을 위한 환자 기록 요약 기능으로 모델을 적응

도메인별 데이터를 활용해 모델을 훈련함으로써 전문화된 작업도 처리할 수 있게 됩니다.

AI 확장성에 관한 연구

AI 확장성은 복잡하고 지속적으로 발전하는 분야로, 최근 몇 년간 크게 주목받고 있습니다. 연구 분야는 다양한 도메인에서 AI 시스템의 여러 측면과 통합에 초점을 맞추고 있습니다.

1. 신뢰할 수 있고 책임감 있으며 안전한 AI: AI 안전을 위한 종합적 아키텍처 프레임워크와 도전 및 대응책 (Chen Chen 외, 발표: 2024-09-12)
   이 논문은 생성형 AI 등 빠른 기술 발전 맥락에서 AI 안전의 중요성을 강조합니다. 신뢰성, 책임감, 안전성 관점에서 AI 안전을 다루는 혁신적 프레임워크를 제시하며, 최신 연구 및 발전 동향을 검토하고 주요 도전과 혁신적 안전 설계·테스트 방법론을 논의합니다. 디지털 전환 신뢰 제고를 위해 AI 안전 연구를 촉진하는 것이 목표입니다. 더 알아보기

2. AI-매개 교환 이론 (Xiao Ma, Taylor W. Brown, 발표: 2020-03-04)
   이 입장 논문은 다양한 인간-AI 연구 커뮤니티 간의 소통과 통합을 촉진하기 위한 프레임워크로 AI-매개 교환 이론(AI-MET)을 소개합니다. AI-MET은 AI를 인간 간 관계에서의 매개자로 보고, 초기 매개 메커니즘을 제시하며 인간-AI 관계에 대한 다양한 학술적 관점을 연결하는 방안을 모색합니다. 더 알아보기

3. 저영향 인공지능(Low Impact Artificial Intelligences) (Stuart Armstrong, Benjamin Levinstein, 발표: 2017-05-30)
   본 연구는 슈퍼인텔리전스의 잠재적 위험을 최소화하기 위해 AI가 세계에 미치는 영향을 최소로 유지하는 ‘저영향’ AI 개념을 다룹니다. 저영향 정의 및 구현 방법, 기존 문제점 및 향후 연구 방향을 제시합니다. 더 알아보기

4. 인간-AI 협업에서 AI 행동에 대한 인간 신념을 고려하는 것의 유용성 (Guanghui Yu 외, 발표: 2024-06-10)
   이 연구는 효과적인 인간-AI 협업을 위해 AI 에이전트 설계 시 인간의 신념을 고려하는 중요성을 강조합니다. 기존 접근법이 정적인 인간 행동을 전제로 하는 점을 비판하며, AI 행동에 대한 인간의 동적 반응을 반영하여 협업 성과를 높여야 함을 시사합니다. 더 알아보기