왜 하이브리드 인공지능의 미래인가?

지난 몇 주 동안 ChatGPT에서 Bard 및 대규모 언어 모델(LLM)을 기반으로 구축된 다양한 변형에 이르기까지 새로운 생성 AI 제품 및 기능이 쏟아져 나와 과도한 과대광고 주기를 만들었습니다. 그러나 많은 사람들은 이러한 일반화된 모델이 기업용으로 적합하지 않다고 주장합니다. 대부분의 AI 엔진은 틈새 또는 도메인별 작업을 할당할 때 어려움을 겪는 징후를 보입니다. 하이브리드 AI가 답이 될 수 있을까?

하이브리드 인공지능(Hybrid AI)이란 무엇을 의미하나요?

하이브리드 AI는 인간의 주제 전문 지식과 함께 머신 러닝, 딥 러닝, 신경망을 사용하여 AI 모델을 확장하거나 향상시켜 최고의 정확도나 예측 가능성을 갖춘 사용 사례별 AI 모델을 개발하는 것입니다.

하이브리드 AI의 부상은 많은 중요하고 타당한 문제를 해결합니다. 최대 이익이나 실제 가치 창출을 위해서는 수많은 시나리오나 영역에서 대규모 데이터 세트를 기반으로 구축된 AI 모델보다 더 많은 것이 필요합니다. 예를 들어, ChatGPT가 길고 상세한 경제 보고서를 작성하도록 요청받는다고 생각해 보세요.

영역별 지식을 갖춘 모델을 채택하거나 강화하는 것이 높은 예측 확률에 도달하는 가장 효과적인 방법이 될 수 있습니다. 하이브리드 AI는 이를 달성하기 위해 신경망(패턴 및 연결 형성자)과 상징적 AI(사실 및 데이터 파생자)의 가장 좋은 측면을 결합합니다.

상징적 AI: 하이브리드 AI의 핵심 부분

오늘날의 LLM에는 수학적 작업에 대한 부적절한 성능, 데이터를 만드는 경향, 모델이 결과를 산출하는 방법을 명확하게 설명하지 못하는 등 몇 가지 결함이 있습니다. 이러한 모든 문제는 인간 두뇌가 작동하는 방식에 대한 개념에 의존하는 "연결주의" 신경망의 전형입니다.

이러한 문제는 인간 두뇌의 작동 개념에 의존하는 "연결주의" 신경망의 전형입니다.

고전적 AI는 상징적 AI라고도 불린다. 이는 "기호" 입력에서 해석된 규칙 및 사실과 같은 인간의 지식을 선언적 형식으로 명확하게 표현하려고 시도합니다. 논리적 규칙을 사용하여 사실과 사건을 연결하려고 시도하는 AI의 한 분야입니다.

1950년대 중반부터 1980년대 말까지 상징적 AI에 대한 연구가 활발히 이루어졌다.

1960년대와 1970년대 기술 발전으로 인해 연구자들은 기계와 자연의 관계를 조사하게 되었습니다. 그들은 상징적 기법이 결국 지능형 기계를 탄생시킬 것이라고 믿었고, 이는 자신들의 학문 분야의 장기적인 목표로 여겨졌습니다.

이러한 맥락에서 John Haugeland는 1985년 저서 Artificial Intelligence: The Very Idea에서 "훌륭한 구식 인공 지능" 또는 "GOFAI"라는 용어를 만들었습니다.

GOFAI 방법은 비활성 문제에 가장 적합하며 실시간 동적 문제에 대한 자연스러운 일치와는 거리가 멀습니다. 인공 신경망은 패턴 인식을 우선시하는 반면 지능을 추상적 추론으로 제한적으로 정의하는 것을 선호합니다. 결과적으로 후자의 "연결주의" 또는 비상징적 방법이 최근에 두각을 나타내고 있습니다.

비기호적 AI는 어떻게 작동하나요?

비기호적 인공 지능의 기원은 인간의 두뇌와 정교한 신경 연결망을 시뮬레이션하려는 시도입니다.

문제에 대한 해결책을 찾기 위해 비기호적 AI 시스템은 상징적 표현을 조작하는 것을 자제합니다. 대신, 먼저 해결책에 도달하는 방법을 정확히 이해하지 못한 채 문제 해결을 위해 경험적으로 입증된 원리를 기반으로 계산을 수행합니다.

신경망과 딥러닝은 비기호적 AI의 두 가지 예입니다. 비기호적 AI는 "연결주의 AI"라고도 알려져 있으며, Google의 자동 전환 엔진(패턴 검색) 및 Facebook의 얼굴 인식 프로그램을 포함하여 현재의 여러 인공 지능 앱이 이 방법론을 기반으로 합니다.

하이브리드 AI를 시작하세요

하이브리드 인공지능의 맥락에서 상징적 AI는 실제 작업을 처리하는 비기호적 AI의 '공급자' 역할을 합니다. 기호형 AI는 이 유리한 지점에서 비기호형 AI까지 적절한 훈련 데이터를 제공합니다. 결과적으로, 상징적 AI가 전달하는 정보는 인간, 즉 업계 베테랑, 해당 분야 전문가, 숙련된 작업자, 인코딩되지 않은 부족 지식을 가진 사람들에 의해 구동됩니다.

웹 검색은 하이브리드 AI의 대중적인 사용입니다. 사용자가 "1 GBP to USD"를 입력하면 검색 엔진이 통화 변환 문제(기호 AI)를 감지합니다. 기계 학습을 사용하여 웹 결과(비기호적 AI)를 검색, 배치 및 표시하기 전에 위젯을 사용하여 변환을 수행합니다. 이는 기본적인 예이지만 더 복잡한 문제에 적용하면 하이브리드 AI가 어떻게 작동하는지 보여줍니다.

MIT-IBM Watson AI Lab 소장인 David Cox에 따르면, 딥 러닝과 신경망은 "세상의 혼란" 속에서 번성하는 반면 상징적 AI는 그렇지 않습니다. 그러나 앞서 언급한 것처럼 신경망과 딥러닝 모두 한계가 있습니다. 또한, 적대적 데이터라고 불리는 적대적인 인스턴스에 취약하며, 이는 예측할 수 없고 피해를 줄 수 있는 방식으로 AI 모델의 동작에 영향을 미칠 수 있습니다.

그러나 상징적 AI와 신경망을 결합하면 엔터프라이즈 AI 개발을 위한 견고한 기반을 구축할 수 있습니다.

엔터프라이즈 환경에서 하이브리드 AI를 사용하는 이유는 무엇입니까?

광범위한 신경망을 교육하기 위한 데이터가 부족하거나 표준 기계 학습이 모든 극단적인 경우를 처리할 수 없는 비즈니스 문제는 하이브리드 AI 구현을 위한 완벽한 후보입니다. 신경망 솔루션이 차별, 전체 공개 부족 또는 과적합 관련 문제를 일으킬 수 있는 경우 하이브리드 AI가 도움이 될 수 있습니다(즉, AI가 실제 시나리오에서 어려움을 겪는 너무 많은 데이터에 대한 교육).

대표적인 사례가 AI 컨설팅 회사 패스트 데이터 사이언스(Fast Data Science)의 AI 이니셔티브다. 목적은 임상시험의 잠재적 위험을 평가하는 것입니다.

사용자는 임상 시험 수행 계획을 자세히 설명하는 PDF 문서를 플랫폼으로 보냅니다. 기계 학습 모델은 위치, 기간, 피험자 수, 통계 변수와 같은 중요한 임상시험 특성을 식별할 수 있습니다. 기계 학습 모델의 출력은 수동으로 제작된 위험 모델에 통합됩니다. 이 상징적 모델은 이러한 매개변수를 위험 값으로 변환하며, 이 값은 위험도가 높음, 중간, 낮음으로 사용자에게 신호등으로 표시됩니다.

프로토콜 데이터를 위험 값으로 변환하기 위한 합리적이고 논리적인 규칙을 지정하려면 인간 지능이 필수적입니다.

두 번째 예시는 Google의 검색 엔진입니다. 이는 변환기와 같은 혁신적인 딥 러닝 도구와 지식 그래프와 같은 기호 조작 메커니즘으로 구성된 정교하고 포괄적인 AI 시스템입니다.

과제는 무엇입니까?

어떤 기술이나 기술의 조합도 모든 문제를 똑같이 잘 해결하지 못합니다. 그러므로 그 능력과 한계를 이해하는 것이 필요합니다. 하이브리드 AI는 마법의 총알이 아니며, 상징적 AI와 비 상징적 AI 모두 그 자체로 계속해서 강력한 기술이 될 것입니다. 전문가의 이해와 일상생활의 맥락을 기계로 읽을 수 있는 경우가 거의 없다는 사실도 또 다른 장애물입니다. AI 훈련 데이터 세트에 인간의 전문 지식을 코딩하는 것은 또 다른 문제를 야기합니다.

대부분의 조직은 우리가 살고 있는 세상의 복잡한 혼란을 AI가 이해할 수 있는 맥락에 배치함으로써 발생하는 인지적, 계산적, 탄소 배출 및 재정적 장벽을 완전히 인식하지 못합니다. 따라서 의미 있는 방식으로 AI를 구현하는 일정은 예상보다 훨씬 오래 걸릴 수 있습니다.

앞으로 나아갈 길

AI 이니셔티브는 문제가 많기로 악명 높습니다. 파일럿 및 프로토타입 10개 중 1개만이 생산에 있어 상당한 결과를 가져옵니다.

진보적인 기업은 이미 단일 모드 AI 모델의 한계를 알고 있습니다. 그들은 저장된 데이터를 더 깊이 있게 분석할 수 있고, 비용이 적게 들고, 사용하기 훨씬 쉬운 다용도 기술의 필요성을 절실히 인식하고 있습니다.

하이브리드 AI는 이러한 문제 중 전부는 아니지만 일부에 대한 솔루션을 제공합니다. 상징적 AI와 ML을 통합하므로 설명 가능성을 유지하면서 각 접근 방식의 장점을 효율적으로 사용할 수 있으며 이는 금융 및 의료와 같은 산업에 필수적입니다.

ML은 설명 가능성이 중요하지 않은 문제의 특정 요소에 초점을 맞출 수 있는 반면, 상징적 AI는 투명하고 쉽게 이해할 수 있는 경로를 사용하여 결정에 도달합니다. AI에 대한 하이브리드 접근 방식은 해가 갈수록 점점 더 널리 퍼질 것입니다.