생성형 AI 기술은 인공지능 분야 중에서도 놀라운 잠재력을 가진 기술입니다. 기존의 데이터 패턴을 분석하면서 새로운 데이터나 콘텐츠를 만들어내는 기술로 다양한 생성형 AI 모델의 작동원리에 따라 적용하는 분야 또한 다릅니다.
생성형 AI의 원리
생성형 AI 기술은 새로운 결과물을 만들어 낼 수 있는 기술로 다양한 생성형 AI 모델들이 존재합니다. 그중 주요 모델은 크게 GAN, VAE, Transformer 3가지로 구분할 수 있죠.
GAN(Generative Adversarial Network) 원리
이미지나 음악 등의 새로운 콘텐츠를 만들 수 있는 생성형 AI 모델입니다.
이 모델이 학습하는 과정은 2개의 인공신경망으로 구성된 모델로 생성모드와 판별모드로 나누어서, 생성모드는 판별모드를 속이기 위해 진짜처럼 결과물을 제시하죠.
그러면 판별모드는 조그마한 허점을 찾아내서 NG로 판정하고 생성모드는 다시 그 과정을 반복하면서 콘텐츠를 생성하는 원리를 가지고 있습니다.
결국 새로운 결과물을 만들 때 서로 속이기 위한 경쟁을 지속적으로 하면서 놀라운 퀄리티를 자랑하는 결과물을 만들어 내는 원리를 가지고 있죠.
- 활용 분야 : 이미지, 동영상, 음악 생성, 이미지 스타일 변환 등
GAN의 학습 원리
1단계 : 랜덤 노이즈를 입력받아 생성모드는 가짜 데이터를 만듭니다.
2단계 : 판별모드는 실제 데이터와 가짜 데이터를 입력받아 진짜인지 가짜인지 판단합니다.
3단계 : 생성모드는 판별모드를 속이기 위해서 실제 데이터와 비슷하게 만들기 위해 학습합니다.
4단계 : 판별모드는 가짜 데이터를 구별하도록 학습합니다.
5단계 : 판별 모드가 NG로 판별하면 생성모드는 보완된 데이터를 학습하여 다시 가짜 데이터를 만듭니다.
6단계 : 이러한 반복학습을 통해 정확도가 높은 결과값을 만들어 냅니다.
GAN의 장단점
| 장점 | 단점 |
| 실제 데이터와 유사한 가짜 데이터 생성 | 복잡하면 학습 과정이 불안정 |
| 데이터 증강을 활용하여 성능을 향상 시킬 수 있음 | 복잡한 데이터로 인해 모드 붕괴 현상 발생 가능성 있음 |
| 새로운 콘텐츠, 이미지, 예술 작품을 만들 수 있음 | 가짜 뉴스, 딥페이크 등 범죄 가능성 있음 |
VAE(Variational Autoencoder) 원리
대표적으로 오래된 사진을 복원할 때 사용할 수 있는 기술입니다.
부족한 데이터가 있는 분야에서 새로운 데이터를 만들 수 있는 생성형 AI 모델입니다. 즉 VAE를 사용하여 충분한 데이터를 확보할 수 있으며, 결국 데이터 증강을 VAE 기술로 사용하는 것이죠.
GAN과 동일하게 2개의 인공신경망으로 구성된 모델로 인코더(Encoder)와 디코더(Decoder)로 나뉘어 있습니다. 인코더는 데이터를 압축하여 잠재 변수 백터로 변화하고 이 결과값을 다시 데이터로 변환합니다. 이러한 과정을 반복하면서 데이터 증강을 하는 원리를 가지고 있죠.
- 활용분야 : 이미지 스타일 변형, 적용 분야의 데이트 증강, 음악 생성 등
VAE 학습 원리
핵심 데이터를 추출하여 데이터를 생성하는 일반적인 과정은 아래와 같은 단계를 거칩니다.
1단계 : 입력 데이터를 통해 잠재 변수를 만드는 인코더가 작동
2단계 : 잠재 변수를 입력받아 다시 데이터를 만드는 디코더가 작동
3단계 : 원본 데이터와 복원된 데이터의 차이를 최소화하는 복원 손실 단계를 거칩니다.
4단계 : 잠재 변수는 정규 분포를 따르도록 함으로써 최소한의 평균값을 따르도록 합니다.
5단계 : 최종 손실함수를 계산함으로써 오차를 줄이려고 노력합니다.
6단계 : 최종 손실함수를 최소화하도록 학습합니다.
7단계 : 이러한 과정을 인코더와 디코더가 반복학습을 하면서 데이터를 증강하며 복원하도록 학습하고 최적의 데이터를 증강
VAE 장점과 단점
| 장점 | 단점 |
| 핵심 데이터 추출을 통해 새로운 데이터 생성 | 높은 계산 비용 |
| 데이터 증강 가능 | 잠재 변수 백터 해석 어려움 |
| 데이터 복원, 생성등을 통해 새로운 예술 작품 생성 | GAN에 비해 품질이 낮을 수 있음 |
| GAN에 비해 학습 과정이 안정적 | GAN에 비해 학습과정 복잡 |
Transformer 원리
다양한 자연어 처리에 활용할 수 있는 강력한 모델이며, 기계 번역, 텍스트 요약등에 활용될 수 있는 기술이며 구글에서 개발한 모델이죠. 이전 모델(RNN)과 같이 순차적으로 처리하는 방식을 사용하지 않고, 어텐션 메커니즘을 통해 입력 시퀀스의 모든 관계를 직접 계산하여 출력을 생성할 수 있는 모델입니다.
마치 어텐션이란 기능을 사용하여 입력 문장에 중요한 부분을 강조하거나 밑줄을 긋는 것처럼 작동하는 원리입니다.
예를 들면, “오늘 날씨는 춥습니다.”를 잠재 변수로 변환하여 어텐션 메커니즘을 통해 각 단어가 다른 언어와 어떤 관계를 갖는지 계산을 하죠. 이후 어텐션 결과값을 결합하여 잠재변수를 생성합니다. 즉, 단어들에 대한 예측을 하여 번역, 텍스트 행성 등을 처리를 할 수 있습니다.
참고로 어텐션 메커니즘을 쉽게 말하면 중요한 단어에 집중, 단어들 간의 관계를 계산하여 정보를 처리하는 메커니즘입니다.
- 활용 분야 : 챗봇, 텍스트 요약, 번역, 텍스트 생성 등
Transformer 학습 원리
1단계 : 먼저 학습할 데이터 혹은 문장을 준비하고, 각 문장을 작은 단위의 단어로 배열합니다.
2단계 : 각각의 단어 의미와 단어 간의 관계를 계산합니다. 즉, 사람이 수많은 단어로 구성된 문장을 읽으면서 나도 모르게 이해가 되는 과정의 개념인 것이죠.
3단계 : 어텐션 결과를 바탕으로 잠재 변수를 생성하고 이 변수에는 문장의 중요한 부분을 추출하는 과정을 거칩니다. 마치 우리가 문장을 읽고 핵심 내용이 머릿속에 남아 있는 것으로 생각해 볼 수 있습니다.
4단계 : 잠재 변수를 추출했으면, 다음 출력물을 예측하는 과정 거칩니다. 우리가 핵심 내용이 이해되면 다음 문장이 예상되는 것과 유사한 개념입니다.
5단계 : 예측된 결과와 실제 결과를 비교하여 오류를 계산하는 손실 함수가 작동되고 이러한 과정을 통해 문장의 최적화가 됩니다.
6단계 : 이러한 과정을 반복하면서 모델이 학습하고 결과물을 제공합니다.
Transformer 장점과 단점
| 장점 | 단점 |
| 기존 모델보다 정확도 높음 | 높은 계산 비용 |
| 기존 모델보다 병렬처리가 가능하여 효율적 처리 가능 | 방대한 데이터로 인해 모델 크기가 커짐 |
| 응용분야가 다양합니다.(번역, 요약, 챗봇 등) | 해석의 난해함 |
GAN vs VAE, Transformer 모델 특징 비교
| 모델 | 특징 | 장점 | 단점 |
| GAN | 두개의 신경망 이용 | 실제와 유사한 데이터 생성 | 학습 과정 불안정 |
| VAE | 데이터 압축 및 복원 | 핵심 데이터 추출하여 새로운 데이터 생성 | 학습 과정 복잡 잠재 변수 해석 어려움 |
| Transformer | 자연어 처리 가능 | 번역, 텍스트 생성 등을 효율적 생성 | 데이터가 방대하여 복잡함 높은 계산 비용 |
생성형 AI의 다양한 모델은 수많은 장점이 있음에도 불구하고 여러 가지 우려사항 또한 있습니다.
방대한 데이터를 기반으로 작동되는 만큼 데이터가 편향되어 있으면 결과 또한 한쪽의 시각만 나타낼 수 있는 가능성이 있습니다. 그로 인해 사회적 문제를 야기할 수 있으며, 극단적으로는 범죄 가능성에 노출될 수 있죠.
따라서 모든 사람에게 공정하게 접근할 수 있는 환경 조성이 필요하고 악용 방지를 위한 보안 기술 개발이 필요할 것으로 보입니다.
결국 생성형 AI의 원리를 이해하는 점은 올바른 방향으로 활용하기 위한 시작이며, 이러한 변화를 대비하는 사회적 노력, 윤리적 논의, 합의가 중요합니다.