진화의 허브 – 최근 성과로 보여지는 인공지능의 다재다능함

인공지능 혁신은 거의 모든 분야에서 기업의 미래를 형성하고 있습니다. 의료, 제조, 금융, 교육, 엔터테인먼트, 법률부터 미디어, 고객 서비스, 운송 등에 이르기까지, 사실상 주요 산업이 AI의 영향을 받지 않은 경우는 거의 없습니다.

2023년 IBM 설문조사에 따르면, 기업 규모의 42%가 이미 AI를 운영에 통합했으며 또 다른 40%는 조직에 이 기술을 도입하는 것을 고려하고 있습니다.

AI가 생산성을 혁신하고, 결과적으로 경제의 GDP 잠재력을 변화시킬 수 있는 잠재력을 가지고 있기 때문에 이는 타당합니다.

PWC 추정에 따르면, AI는 이번 10년 말까지 전 세계 경제에 15.7조 달러를 기여할 가능성이 있습니다. 전체 경제 이득의 45%는 가격 경쟁력, 매력도, 다양성 및 개인화 증가 형태의 AI 기반 제품 개선에서 비롯되며, 이는 소비자 수요를 촉진합니다. 한편, PWC에 따르면 AI가 지역 경제의 GDP를 끌어올리는 6.6조 달러는 생산성 향상에서 비롯될 가능성이 높습니다.

AI는 빠르게 파괴와 경쟁 우위의 핵심 원천이 되고 있으며, 거의 모든 산업을 발전시키는 중심 허브 역할을 하고 있습니다. 이러한 AI의 거대한 잠재력과 다재다능함은 최근 이 기술의 도움으로 이루어진 발전에서 볼 수 있습니다.

열특성 예측

흥미로운 AI 활용 사례 중 하나는 재료의 열특성을 예측하는 것입니다. 이는 엔지니어가 더 빠른 마이크로 전자 장치와 보다 효율적인 에너지 전환 시스템을 설계하면서 폐열을 줄이는 데 도움을 줍니다.

구조와 특성 간의 관계를 이해하는 것은 특정 특성을 가진 재료를 설계할 때 중요합니다. 이미 이 분야에서 머신러닝 방법론이 크게 진전되었습니다. 그러나 모델의 일반화 가능성과 특성 예측 측면에서는 여전히 과제가 남아 있습니다.

따라서 최신 연구 가 가상 노드 그래프 신경망(VGNN)을 제시했습니다. 가상 노드 모델을 통해 연구진은 원자 좌표만으로 Γ-포논 스펙트럼과 전체 포논 분산 예측을 수행할 수 있었습니다. 이 접근법을 ML 원자간 포텐셜과 결합함으로써 팀은 더 높은 효율성과 정확도를 달성했습니다.

포논 밴드 구조를 빠르고 정확하게 계산할 수 있는 능력은 전 세계 에너지 생산량의 약 70%가 실제로 폐열로 전환되기 때문에 매우 중요합니다. 과학자들이 절연체와 반도체를 통한 열 이동을 예측할 수 있다면, 보다 효율적인 전력 생산 시스템을 설계할 수 있습니다.

문제는 재료의 열특성을 모델링하는 것이 매우 어려울 수 있다는 점입니다. 이는 포논, 즉 진동 기계 에너지의 양자 때문입니다.

이러한 아원자 입자는 열을 운반하며, 재료의 열특성 중 일부는 포논 분산 관계, 즉 포논 에너지와 결정 구조 내 운동량 사이의 관계에 의존합니다. 이를 시스템 설계에 반영하기도 어렵고, 데이터를 확보하는 데도 큰 어려움이 있습니다.

핵과학 및 공학 부교수인 Mingda Li는 다음과 같이 말했습니다:

“포논은 열 손실의 주범이지만, 그 특성을 얻는 것은 계산적으로든 실험적으로든 매우 어렵습니다.”

열을 운반하는 포논은 매우 넓은 주파수 범위를 가지고 있어 예측이 어렵습니다. 또한 이 입자들은 다양한 속도로 이동하고 상호작용합니다.

연구자들은 수년간 머신러닝을 통해 포논 분산 관계를 추정하려 했지만, 고정밀 계산이 많이 필요해 모델이 한계에 부딪혔습니다.

“CPU 100개와 몇 주가 있다면 하나의 재료에 대해 포논 분산 관계를 계산할 수 있을 겁니다. 전체 커뮤니티는 더 효율적인 방법을 원하고 있습니다.”

– 공동 책임 저자 Ryotaro Okabe, 화학 대학원생

고정밀 포논 분산 관계를 추정하기 위해 사용되는 ML 모델은 그래프 신경망(GNN)이라고 불립니다. 이 네트워크는 재료의 원자 구조를 결정 그래프로 변환합니다.

결정 그래프는 엣지로 연결된 여러 노드로 구성됩니다. 노드는 원자를 나타내고, 엣지는 원자 간 결합을 의미합니다.

GNN은 전기 분극 및 자화 등 다양한 물리량 계산에 성공했지만, 포논 분산 관계처럼 고차원량을 정확히 예측하기엔 유연성이 부족합니다.

고정된 그래프 구조로 포논의 운동량 공간을 모델링하는 것은 충분하지 않습니다. 포논은 서로 다른 축을 따라 원자를 둘러싸며 이동하기 때문입니다. 이는 유연성이 필요함을 의미하며, 연구진은 가상 노드를 통해 이를 해결했습니다.

그래프 노드는 원자를 나타내지만, 연구팀은 “그래프 노드는 무엇이든 될 수 있다. 가상 노드는 고차원량을 예측하는 데 매우 일반적인 접근법이다”라고 제안했습니다.

고정된 결정 구조에 유연한 가상 노드를 추가함으로써 연구팀은 가상 노드 그래프 신경망(VGNN)이라는 새로운 프레임워크를 만들었습니다. VGNN의 출력 크기를 가변적으로 만들면 고정된 결정 구조에 제한받지 않습니다.

하지만 이러한 가상 노드는 실제 노드로부터만 메시지를 받을 수 있습니다. 따라서 계산 중에 실제 노드와 함께 업데이트되지만, 가상 노드 자체가 모델 정확도에 영향을 주지는 않습니다.

전기·컴퓨터공학 대학원생인 공동 책임 저자 Abhijatmedhi Chotrattanapituk는 실제 노드가 가상 노드가 존재한다는 사실을 알지 못한다고 설명했습니다. 그는 다음과 같이 말했습니다:

“우리는 코딩에서 매우 효율적인 방식을 사용합니다. GNN에 몇 개의 노드를 더 생성하면 됩니다.”

가상 노드가 포논을 나타내게 함으로써, VGNN 모델은 포논 분산 관계를 예측할 때 복잡한 계산을 많이 수행할 필요가 없어 GNN보다 효율적입니다.

MIT 등 연구진이 만든 새로운 AML 프레임워크는 기존 비AI 기반 방법보다 포논 분산 관계를 최대 100만 배 빠르게 예측하는 것으로 밝혀졌습니다. 다른 AI 기반 기법과 비교해도 1,000배 빠르면서도 비슷하거나 더 높은 정확도를 보였습니다.

재료의 열용량을 예측할 때, 연구진은 이 모델이 약간 더 정확했으며, 경우에 따라 예측 오차가 두 자릿수 정도 낮았습니다.

연구자들에 따르면, 이 모델은 개인용 컴퓨터만으로도 몇 초 안에 수천 개 재료의 포논 분산 관계를 추정할 수 있습니다. 이를 통해 특정 열특성을 가진 재료를 더 많이 탐색할 수 있습니다. 또한 합금 시스템의 포논 분산 관계를 계산하는 데도 활용될 수 있는데, 이는 전통 모델에 특히 어려운 작업입니다.

마이크로 전자 분야에서는 열 관리가 속도 향상의 큰 과제인데, 이 새로운 방법은 매우 유용하며 보다 효율적인 마이크로 전자 장치를 개발하는 데 도움을 줄 수 있습니다. 또한 전력 생산 시스템을 설계해 더 높은 출력과 효율을 달성하는 데 기여할 수 있습니다.

연구진은 원자 좌표만으로 포논을 직접 추정할 수 있는 세 가지 버전의 새로운 모델을 제안했으며, 복잡도는 점차 증가합니다.

다음은 재료의 열특성 예측 AI 개발로 혜택을 볼 수 있는 두 기업입니다:

#1. Intel

주요 마이크로프로세서 제조업체인 Intel은 열 관리가 핵심입니다. 향상된 AI 모델은 더 빠르고 효율적인 프로세서를 설계하고 열 방출을 개선함으로써 제품 성능과 수명을 높이고, Intel의 경쟁력을 강화합니다.

#2. NVIDIA

고성능 GPU를 제공하는 NVIDIA는 데이터 센터, 게임, AI 애플리케이션에서 효율적인 열 관리가 필수적입니다. 향상된 AI 모델은 냉각 솔루션을 개선해 제품 성능과 신뢰성을 높이며, 에너지 효율적인 AI 시스템 설계로 시장 입지를 강화합니다.

동등성 보장

한편, 별도의 논문에서는 AI를 활용해 희소 자원 할당에 구조적 무작위성을 도입함으로써 공정성을 향상시켰습니다. 이를 통해 머신러닝 기반 모델 예측이 내재된 불확실성을 효율성을 해치지 않으면서 다룰 수 있게 되었습니다.

지난 1년간 ChatGPT와 같은 생성형 AI의 인기가 기술을 기업의 필수 요소로 만들었습니다. 조직들은 복지 혜택과 같은 희소 자원을 할당하기 위해 머신러닝 모델을 점점 더 활용하고 있습니다. 이 활용은 이력서 검토, 면접 후보 선정, 환자에게 인공호흡기나 장기와 같은 생명을 구하는 의료 자원을 할당하는 등 다양한 분야에 적용됩니다.

AI 모델을 사용할 때 목표는 편향을 줄여 공정한 예측을 달성하는 것입니다. 이는 보통 점수 보정이나 모델 특징 조정을 통해 이루어집니다.

전통적으로 알고리즘은 공정하다고 여겨졌지만, Northeastern University와 MIT 연구진의 새로운 논문은 머신러닝을 통한 공정성 달성에 무작위성이 필요하다고 주장합니다. 분석 결과, 모델 결정에 불확실성이 포함될 때 무작위성이 특히 유리하다는 것이 밝혀졌으며, 동일 집단이 지속적으로 부정적 결정을 받는 경우에도 공정성을 개선하기 위해 무작위성을 적용해야 합니다.

연구진은 모델 결정에 특정 무작위성을 도입하는 프레임워크를 제시했습니다. 이 방법은 개별 상황에 맞게 조정되어 정확도나 모델 효율성을 해치지 않으면서 공정성을 향상시킬 수 있습니다.

“공정한 예측을 할 수 있다 하더라도, 점수나 순위만으로 이러한 사회적 희소 자원 배분을 결정해야 할까요? 규모가 커지고 알고리즘이 더 많은 기회를 결정하게 되면서, 이러한 점수의 내재된 불확실성이 증폭될 수 있습니다. 우리는 공정성을 위해 어느 정도 무작위성이 필요하다는 것을 보여줍니다.”

– 책임 저자 Shomik Jain, IDSS 대학원생

이 새로운 연구는 이전 논문을 기반으로 하는데, 그 논문은 대규모에서 결정론적 시스템을 사용할 때 발생하는 해악을 탐구했으며, 머신러닝 모델이 결정론적으로 자원을 할당하면 기존 불평등을 확대하고 편향을 강화한다는 결론을 내렸습니다. LIDS의 수석 연구원인 Ashia Wilson에 따르면,

“무작위성은 통계에서 매우 유용한 개념이며, 시스템적·개인적 관점 모두에서 요구되는 공정성을 만족시킵니다.”

무작위성이 공정성을 개선할 수 있는 시점을 탐구하면서, 최신 논문은 철학자 John Broome의 복권 가치 개념을 차용해 희소 자원 상황에서 모든 사람에게 기회를 제공함으로써 공정성을 달성해야 한다고 주장했습니다. Jain은 다음과 같이 말했습니다:

“사람마다 희소 자원에 대한 청구권이 다르다는 점을 인정한다면, 공정성을 위해서는 모든 개인의 청구권을 존중해야 합니다. 항상 청구권이 더 강한 사람에게 자원을 주는 것이 과연 공정한가요?”

청구권이 강한 사람이 항상 자원을 받는 결정 방식은 시스템적 배제나 불공정성을 초래할 수 있습니다. 머신러닝 모델도 실수를 할 수 있으며, 결정론적 접근을 사용할 경우 이러한 실수가 반복됩니다.

논문은 무작위성이 이러한 문제를 극복할 수 있다고 지적했습니다. 그러나 모든 결정에 동일하게 무작위성을 적용해서는 안 됩니다. 불확실성이 큰 결정일수록 더 많은 무작위성을 부여해야 합니다.

예를 들어, 신장 이식 배분은 수명 예측이라는 매우 불확실한 요소를 포함하고, 두 환자의 예상 수명이 5년 차이일 경우 측정이 더욱 어려워집니다. Wilson은 다음과 같이 말했습니다:

“우리는 그 불확실성을 활용해 무작위성을 맞춤형으로 적용하고 싶습니다.”

다양한 상황에서 필요한 무작위성 정도를 결정하기 위해 연구진은 통계적 불확실성 정량화 방법을 사용했으며, 보정된 무작위성이 모델의 효용성을 크게 해치지 않으면서도 더 공정한 결과를 만들 수 있음을 보여주었습니다.

“전체 효용성과 희소 자원을 받는 개인의 권리 사이에 균형을 잡아야 합니다. 하지만 대부분 경우 그 트레이드오프는 비교적 작습니다.”

– Wilson

무작위성은 대학 입학 같은 분야에서 공정성을 크게 향상시킬 수 있지만, 형사 사법과 같이 무작위화가 개인에게 해를 끼칠 수 있는 상황도 존재한다는 점을 연구는 강조했습니다.

향후 연구진은 다른 활용 사례를 조사하고, 가격·경쟁과 같은 요소에 무작위성이 미치는 영향을 탐구해 머신러닝 모델의 견고성을 높이는 방안을 모색할 예정입니다. 이제 이 개발로 크게 혜택을 받을 수 있는 두 기업을 살펴보겠습니다:

#1. UnitedHealth Group 

UnitedHealth Group Inc.는 AI 모델에 구조적 무작위성을 도입해 환자 관리와 자원 배분의 공정성을 강화할 수 있습니다. 이를 통해 편향을 감소시키고 치료 접근성을 공평하게 보장함으로써 고품질·저렴한 의료 제공이라는 기업 목표와 일치합니다.

2024년 2분기 매출은 989억 달러로 전년 대비 60억 달러 증가했습니다.

#2. Pfizer 

Pfizer Inc.는 AI에 구조적 무작위성을 적용해 임상 시험에서 환자 선정을 공정하게 하고, 실험 치료제의 배분을 공평하게 할 수 있습니다. 이는 Pfizer가 건강 형평성을 증진하고 더 넓은 인구에게 혜택을 주려는 사명에 부합합니다.

재무적으로는 Pfizer가 2023년 연간 매출 585억 달러를 기록했습니다.

맞춤형 언어 학습 시스템

AI의 또 다른 흥미로운 활용 사례는 맞춤형 스토리북을 생성해 어린이의 언어 학습을 돕는 것입니다. 생성형 AI와 가정용 IoT 기술을 결합한 최신 연구는 어린이가 말과 의사소통을 더 잘 처리하도록 효과적이고 맞춤화된 방법을 제공하는 것을 목표로 합니다.

어린이의 언어 발달은 인지 및 학업 성장에 큰 영향을 미치므로 매우 중요합니다. 언어는 어린이의 전반적인 사회적 발달에도 핵심적인 역할을 하므로, 시기적절한 언어 개입을 제공하기 위해 정기적인 평가가 필요합니다.

전통적으로는 표준화된 어휘 목록과 사전 제작된 자료를 활용해 일괄적인 언어 능력 평가와 개입을 진행하는 일반화된 접근법이 사용되었습니다. 그러나 아이들은 환경과 상호작용하며 언어를 배우고, 다양한 배경에서 성장하기 때문에 어휘 노출에 차이가 발생합니다.

이러한 기존 접근법의 한계를 극복하기 위해 연구팀은 각 어린이의 고유한 환경에 맞춘 혁신적인 교육 시스템을 개발했습니다.

이 맞춤형 언어 학습 시스템은 “Open Sesame? Open Salami! (OSOS)“라고 불립니다. 이는 언어병리학 이론과 실무 전문성을 결합하고, 개별 요인의 가중치를 조정하고 유연한 어휘 선택 기준을 적용해 어린이의 언어 발달 변화를 수용합니다.

생성형 AI와 광범위한 센싱 기술을 활용한 OSOS는 어린이의 언어 환경을 프로파일링하고, 개인 맞춤형 핵심 단어를 추출하며, 해당 단어를 자연스럽게 포함한 맞춤형 스토리북을 제작합니다. 시스템은 세 가지 주요 모듈로 구성됩니다:

1. 맞춤형 언어 프로파일러
2. 목표 어휘 추출기
3. 맞춤형 개입 지원 생성기

프로파일러는 가정에 배치되어 가전제품이나 스마트 스피커에 내장되어 음성 샘플을 수집합니다. 부모는 녹음 시작·중지를 제어합니다.

이를 위해 가정용 IoT 기기를 활용해 어린이의 일상 환경과 언어 노출을 캡처·모니터링했습니다. 이후 화자 분리를 통해 다양한 화자를 식별·분리하고 형태소 분석 기법으로 언어의 가장 작은 의미 단위를 평가했습니다.

추출기는 발화를 분석해 어린이에게 권장되는 우선순위 단어 목록을 선택합니다. 각 단어는 언어병리학과 관련된 핵심 요인을 기반으로 점수를 계산해 분석됩니다.

생성기는 스토리북 형태의 개입을 제공하는데, 이는 일반적인 임상 실천이자 대부분 어린이 일상에 포함된 활동입니다. 맞춤형 자료를 만들기 위해 연구팀은 GPT-4와 Stable Diffusion을 포함한 최첨단 생성형 AI 기술을 활용했습니다. 이를 통해 각 어린이의 목표 어휘를 자연스럽게 통합한 맞춤형 책을 제작했습니다.

연구팀은 4주 동안 9가족을 대상으로 맞춤형 언어 학습 시스템을 테스트했으며, 일상 환경에서 시스템의 적용 가능성을 입증하고 어린이들이 목표 어휘를 학습하는 데 효과적임을 확인했습니다.

“우리의 목표는 AI를 활용해 개인별 수준과 필요에 맞춘 맞춤형 가이드를 만드는 것입니다.”

– 책임 저자 POSTECH의 이정은

아래 두 기업은 AI 기반 맞춤형 언어 학습 시스템으로 혜택을 받을 수 있습니다:

#1. Amazon

Amazon은 방대한 AI와 IoT 역량을 바탕으로 Alexa와 같은 스마트 홈 디바이스에 맞춤형 언어 학습 시스템을 통합할 수 있습니다. 이를 통해 부모는 Alexa를 이용해 실시간으로 자녀의 언어 발달을 캡처·분석하고, 맞춤형 학습 경험을 제공받을 수 있습니다.

2023년 Amazon의 총 매출은 12% 성장한 5750억 달러였으며, 북미, 국제, AWS 부문이 크게 기여했습니다.

북미 매출은 12% 상승한 3530억 달러, 국제 매출은 11% 상승한 1310억 달러, AWS 매출은 13% 상승한 910억 달러를 기록했습니다. 영업이익은 2022년 122억 달러에서 2023년 369억 달러로 급증했으며, 자유 현금 흐름은 2022년 -116억 달러에서 2023년 368억 달러로 전환되었습니다.

#2. Alphabet Inc. (Google)

Google은 Google Home 및 Nest 디바이스를 활용해 맞춤형 언어 학습 시스템을 배포할 수 있습니다. Google의 AI 전문성을 활용해 이러한 디바이스는 맞춤형 학습 콘텐츠를 제공하고 언어 발달을 추적해 어린이에게 보다 효과적인 언어 개입을 지원합니다.

2023년 Alphabet Inc.의 총 매출은 3074억 달러로 2022년 2828억 달러에서 증가했습니다. Google Services(검색·YouTube 광고)에서 2725억 달러, Google Cloud에서 331억 달러를 창출했습니다. 영업이익은 843억 달러로 상승했으며, Google Cloud는 2022년 19억 달러 손실을 2023년 17억 달러 이익으로 전환했습니다. 총 자산은 4024억 달러이며, 현금 보유액은 1109억 달러입니다.

결론

최근 성과들을 살펴보면, AI는 어린이의 언어 발달 지원부터 보다 효율적인 에너지 전환 시스템 및 고성능 마이크로 전자 장치 설계에 이르기까지 다양한 활용 사례를 가지고 있습니다. 이는 AI의 다재다능함이 얼마나 강력한지를 보여줍니다.

AI는 방대한 데이터를 처리하고, 반복 작업을 효율적으로 수행하며, 데이터를 학습하고 시간이 지남에 따라 개선되는 능력으로 다양한 산업에 혁신을 일으키고 효율성과 생산성을 향상시키며 비용을 절감하고 의사결정을 강화합니다. 이러한 배경에서 AI는 현재 추정치를 훨씬 넘어서는 잠재력을 보여주며, 산업을 변혁하고 궁극적으로 우리의 삶을 변화시킬 가능성이 큽니다.

AI 투자에 대해 모두 알아보려면 여기를 클릭하십시오.