대규모언어모델(LLM) 활용 방식 및 주요 이슈 분석
LLM 활용 방식 및 주요 이슈 분석
IT & Future Strategy 제5호(2023. 8. 11.)
1. 인공지능 대형화 및 혁신 서비스 탄생
☐ GPT‐3 이후 촉발된 인공지능의 대형화 경쟁
2012년을 기점으로 10년 동안 인공지능은 급격히 발전하며, 전 세계적으로 인공지능은 국가‧산업 경쟁력의 핵심으로 인식하고 있습니다. 2012년 시각 인공지능 분야 올림픽인 ILSVRC(ImageNet Large Scale Visual Recognition Challenge)에서 딥러닝의 가능성을 전 세계 인공지능 연구계에 전파하였습니다. 연구계에서 주목받던 인공지능(딥러닝) 기술이 이세돌과의 알파고 대국(2016년) 이후 국가‧산업 전반에서 중요성 인지하게 되었습니다. 이후 국가별 정책 지원, 기업들의 인공지능에 대한 투자가 경쟁적으로 진행되며, 인공지능의 성능이 지속적으로 향상되었습니다.
2020년 오픈AI는 GPT 시리즈의 세 번째 언어모델을 공개하였으며, 당해 최고 주목받는 연구성과로 전 세계인의 이목을 받았습니다. 오픈AI는 처음에는 인류를 위한 AI 개발을 목표로 하는 비영리단체로 GPT 언어모델 시리즈 등 창의적인 연구 성과물을 발표하였습니다. GPT‐3는 이전에 공개된 MS의 언어모델보다 사이즈가 10배 이상 큰 1,750억개의 매개변수를 가진 초거대 언어모델로, 글로벌 빅테크 기업은 앞다투어 초대규모 인공지능을 개발하기 시작하며 본격적인 대형화 경쟁을 촉발하였습니다.
☐ LLM은 범용 인공지능(AGI)의 가능성을 시사
GPT‐3 이전은 목표 과업별로 모델을 각각 개발했으나, GPT‐3 이후부터 범용성 높은 거대 모델 개발로 트렌드 전환되었습니다. 기존에는 목표 과업(번역, 요약, 질의응답)에 해당하는 모델을 구축하기 위해 대량의 데이터로 모델을 각각 개발하였습니다. 하지만 GPT‐3 등 LLM은 목표 과업을 위해 모델 미세조정 또는 퓨샷러닝(Fewshot learning) 후 즉각적으로 다양한 과업 수행 가능하여, 이러한 퓨샷러닝에 대한 우수한 성능을 통해 하나의 모델만으로 다양한 과업을 수행할 수 있는 연구 기반이 구축되었습니다.
LLM은 하나의 모델이 다양한 과업 해결 능력과 기능을 보유하고 있어, 파운데이션 모델로 불립니다. 하나의 모델이 하나의 과업을 수행하는 시기를 지나 하나의 파운데이션 모델이 다양한 과업 수행하는 시기 도래한 것입니다. LLM은 모델 및 데이터 사이즈 증대하여 개발 시 원래 의도한 기능 외 부가적인 기능을 창출하는 창발(Emergence)적 특징을 보입니다.
☐ LLM 기반 혁신 서비스 등장과 서비스 경쟁 가속화
오픈AI는 LLM인 GPT 모델을 기반으로, 그간 경험하지 못한 수준의 챗봇 서비스(챗GPT)를 공개하며 시장에 큰 충격을 주었습니다. 챗GPT는 일반인이 쉽게 접근할 수 있는 대화형 UI(User Interface)로 제공(’22.11.)되어, 전 세계에 급속히 확산되었습니다. 이에, 다양한 활용 가능성을 보여주며, 출시된 지 5일 만에 100만 명, 2주일 만에 200만 명의 사용자 달성하였습니다. 100만 명 사용자 달성시간을 넷플릭스(3.5년), 에어비엔비(2.5년), 인스타그램(2.5개월)과 비교해도 상당히 짧은 기간입니다.
챗GPT의 등장은 빅테크 기업이 AI기반 챗봇 서비스를 만드는 도화선이 되었고, 본격적인 서비스 경쟁의 신호탄으로 작용하였습니다. 오픈AI에서는 구글, 아마존, MS 등 기존 빅테크 기업에서 보유하지 않은 혁신적인 챗봇 서비스 공개하였고, 이에, 구글은 대화형 LLM 바드(Bard)를 긴급히 출시(’23.5.)했고, 국내도 대화형 LLM 출시 준비 중입니다. 네이버는 하이퍼클로바에서 진화된 하이퍼클로바X 출시할 예정(‘23.8)입니다. LLM을 다양한 방식으로 활용하는 서비스가 급속히 출시되면서, 새로운 유형의 산업 생태계 및 의제를 촉발하고 있습니다.
2. LLM 활용 방식 및 사례 분석
☐ 서비스 내에서 LLM을 활용하는 방식
언어모델 고유기능 중심으로 번역, 요약, 질의응답 등 일반적인 언어모델이 수행하는 과업 달성을 위해 LLM을 활용할 수 있습니다. 챗봇 전용 서비스 또는 기존 서비스의 특정 과업(상담, 상품 추천 등)을 지원하는 형태로 언어모델을 활용하는 것입니다. 언어모델이 해당 서비스에 도입되어, 후방에서 특정 과업을 지원하는 형태입니다.
에이전트 중심으로 LLM이 다수의 도구, 서비스, 문서 등과 연계하여, 연결된 외부 도구 등을 활용해 과업을 수행하는 방식이 있습니다. LLM은 사용자의 입력을 이해하고, 도구의 출력에 대해 문장을 생성하는 역할이고, 주요 과업은 외부 도구를 통해 수행됩니다.
2.1. 언어모델 고유기능 중심 활용
◇ LLM의 기능(번역, 요약, 문장생성 등)을 적극 활용하여 챗GPT 등 챗봇 서비스를 지원하거나, 기존 서비스 증강에 LLM을 활용
☐ 무엇이든 답변하는 챗GPT
챗GPT는 사용자의 질의에 적절히 응답할 수 있도록 사용자 친화적으로 개발된 LLM 기반의 챗봇 서비스입니다. 오픈AI는 챗GPT를 공개하여, 사용자가 대화 형태로 질문에 대한 답변을 받을 수 있도록 서비스 제공합니다. 대화 형태로 서비스를 제공하여, 일반 사용자의 접근성 대폭 향상되었습니다.
하나의 서비스로 각종 언어 관련 과업 수행이 가능하여 생산성 향상에 기여하고 있으나, 환각 증상 등으로 인한 제약도 존재합니다. 하나의 서비스 환경에서 번역, 요약, 코드생성 등 각종 질의응답을 수행하며, 손쉬운 생산성 도구의 역할을 하고 있습니다. 다만, 최신성 부족, 수학적 추론 미흡, 환각 증상 등이 있으므로, 사용 시 지속적인 진위 검토가 필요합니다.
☐ API를 통해 LLM을 각 서비스에 접목(서비스 증강)
LLM 공급기업은 LLM을 기존 서비스에 적용할 수 있도록 API 형태로 제공하고 있으며, 사용량에 따른 과금 부과 중입니다. 서비스 내 대화형 기능을 탑재하고, 사용자의 요구에 따라 실시간 API 형태로 LLM에 기능을 요청하는 방식입니다. 서비스 기업은 LLM에 기능을 호출할 때마다 LLM 공급기업 에게 입‧출력 규모에 따라 비용을 지급합니다.
기존 서비스에 LLM을 접목하는 방식과 LLM에 특화된 신규서비스 개발 등 다양한 방식으로 LLM이 활용되고 있습니다. 상담 챗봇, 광고‧보도자료 생성, 여행일정 추천 등 도메인에 특화된 방식으로 LLM의 기능을 활용하기 시작합니다.
2.2. 단일 에이전트로 LLM 활용
◇ LLM은 에이전트(연계기) 역할을 하며, 외부 도구의 기능을 이용하여, 언어모델 기능의 한계를 극복하고 혁신적인 서비스 제공합니다.
☐ 에이전트(LLM) + 기존 온라인 서비스
수학적 추론, 학습 데이터 이외 부분 추론 등 LLM의 취약 부분을 외부 서비스와 연계하여 취약점을 개선 할 수 있습니다. 검색 서비스, 수학 관련 서비스 등 외부 서비스와 연계하여, LLM의 취약점을 개선하고 점차 서비스 영역 확장 중입니다. Wolfram은 계산, 그래프 등 서비스를 통해 수학 관련 과업을 수행 가능합니다.
여행, 식당 예약, 온라인 쇼핑 등을 대화형 인터페이스 환경에서 접근 및 실행이 가능합니다. 온라인 서비스를 대화형으로 전환할 수 있는 가능성을 제시하고 있으며, UI의 새로운 혁신이 가속화될 전망입니다. 익스페디아는 항공, 숙소 검색, 오픈테이블은 식당 예약, 인스타카트는 온라인 쇼핑이 연계가 가능합니다.
플러그인을 통해 동종 서비스 간 가격 비교 또는 서비스 간 연계를 통해 새로운 정보제공이 가능합니다. 온라인 서비스 사업자는 LLM과의 연계가 고객 유입을 위해 중요하므로, LLM은 점차 플랫폼이 될 것으로 전망입니다. 여행 서비스와 식당 추천 서비스를 연계하여 정보제공 가능한 것입니다.
에이전트 + 외부 생산성 도구
LLM은 언어모델이므로 언어지능 이외 과업 수행이 어려워 외부 도구를 이용해 기능 개선 등 오픈소스 AI 도구로 활용이 가능합니다. LLM은 과업에 대한 이해력을 바탕으로 적절한 도구를 선택하고 외부 도구의 결과물을 통해 답변을 생성합니다. MS는 허깅페이스의 공개 AI 모델을 LLM과 연계하여 과업 수행합니다.
회사 내 각종 파일들과 LLM을 연동하여, 파일 내용을 검색하고 질문에 응답하는 QA 챗봇 구현 등 문서검색 도구로 활용이 가능합니다. 단순히 단어로 검색하는 것이 아니라, 자연어로 질문을 하면 여러 문서의 내용을 종합적으로 고려해 답변을 생성해 줍니다. 연도별 매출실적 요청 시, 각 보고서 내 매출실적 부분 발췌 및 답변 생성한 것입니다.
참고. LLM을 활용한 데이터 분석
코드 인터프리터
오픈AI에서 제공하고 있는 각종 코드 실행을 위한 툴이며, 플러그인 형태로 챗GPT와 연계하여 서비스 중입니다. 인터프리터 도구를 활용하여 엑셀 파일, CSV 파일 등 데이터를 업로드 후, 자연어 프롬프트를 통해 코드 생성 및 데이터 분석 가능합니다. 자연어로 프롬프트를 작성하면 챗GPT에서 분석 함수 선정, 코드 생성 및 실행합니다.
연구 분석 도구
연구계에서도 LLM과 각 도메인에서 활용되는 각종 연구 도구를 결합하여 연구 생산성 향상을 위해 노력 중입니다. LLM은 작업이해 및 설계, 도구 선택 등을 담당하고, 실질적인 데이터에 대한 분석은 외부 연구 분석 도구를 활용해 수행이 가능합니다. ChemCrow는 LLM의 추론 능력과 화학 계산 도구의 전문지식 결합합니다.
2.3. 멀티 에이전트로 LLM 활용
◇ 다수의 LLM을 에이전트로 활용하여, 각 에이전트의 목표를 설정하고 에이전트 간 상호소통하며, 자율적으로 과업을 수행
사회모방 시뮬레이션
가상환경 내 캐릭터(에이전트)에게 직업, 페르소나 등을 입력하고 캐릭터의 행동을 관찰하는 실험이 전 세계의 이목 집중시키고 있습니다. 다수의 에이전트에게 직업, 페르소나, 가족관계 등을 제시하고 주어진 환경 내에서 상호작용하는 모습 관찰할 수 있습니다. 특정 상황 입력 시, 인간 세계와 유사하게 에이전트 간 상호 정보를 교환하며 사건을 전개하는 등 연쇄적인 모습을 보입니다. 스탠포드대-구글에서 발표한 Generative Agent입니다.
LLM 기반 모의실험(시뮬레이션)은 정책 실험, 숙의 민주주의 등 다양한 분야로의 서비스 확장이 가능할 전망입니다. 특정 가치(Value)에 대한 인간의 토론 데이터를 언어모델로 학습 후 다양한 관점으로 조정된 LLM으로 모의실험 가능합니다. 현 LLM으로는 성능에 한계가 있으나, 향후 기술이 성숙되면 각종 모의실험을 통해 정책 의사결정 등에도 참고 가능할 것입니다.
자율 에이전트, 주목받는 미래 자동화 기술
사용자가 목표를 제시하면 시스템이 목표를 효율적으로 달성하도록 과업을 자동으로 설계‧수행하는 자율 에이전트 부상 중입니다. BabyGPT, AutoGPT 등 다양한 자율 에이전트의 등장으로 AGI로의 기대감 증폭 및 차세대 기술로 주목 받고 있습니다. 에이전트가 사이트를 방문하고 자료를 분석‧요약하고, 내용을 검증하며 사람의 개입을 제거 또는 최소화하며 목표를 달성합니다. 자율 에이전트 종류별로 프로세스는 다양하나, 주로 6단계(목표 정의→과업 분석‧분해→과업 순서 설정→과업 실행→결과평가→반복)로 구분되어 사용자의 목표를 달성하기 위해 실행합니다.
자율 에이전트를 통해 단기간에 각종 목표를 달성한 사례가 공개되면서, 업무 생산성 증대에 대한 기대 향상되고 있습니다. 산업 동향 조사분석, 디자인 방법, 웹사이트 제작, 레시피 등 각종 과업 목표를 자율 에이전트가 단기간에 달성할 것입니다. 현 수준에서 자율 에이전트는 미흡한 면이 있으나, 향후 성능 개선 및 다양한 도구가 결합 되면 생산성이 극대화 될 전망입니다.
3. LLM의 등장으로 촉발된 이슈 및 변화
☐ LLM 관련 서비스 형태 구분 및 주요 변화 방향
LLM을 통해 새롭게 나타나는 서비스 형태에 따라, 개인‧기업‧ 산업 전반에 걸쳐 점진적인 변화가 예상됩니다. LLM을 보유한 기업과 보유하지 못한 기업에 따라, 기업의 경영 전략을 달리하여 산업구조가 새롭게 재편될 것입니다. 개인 수준에서는 챗봇 서비스, 플러그인 등 생산성 도구의 적극적인 활용으로 편의성 및 생산성이 급격히 증대될 것으로 예상됩니다.
LLM이 전 영역의 인프라로 확산이 예상됨에 따라, 각종 위험 등 우려 사항 해소를 위해 글로벌 연대‧협력 체계 구축 가속화할 것입니다.
☐ API 기반의 서비스 중간 공급자(프로슈머) 시장 확대
LLM 개발을 위해서는 대량의 데이터, 초대규모의 GPU 등 AI 가속화기, 모델링 역량이 필수이므로 천문학적인 비용 소모됩니다. 따라서, 오픈AI, 구글 등 거대 자본 투입이 가능한 소수의 기업만이 LLM을 보유할 수 있고 공급할 수 있는 상황입니다.
이에 중소‧스타트업들은 LLM 공급자의 API를 이용하여 창의적인 서비스를 개발‧제공 중이며, 관련 시장도 점차 확대 중입니다. LLM 공급자가 제공하는 API를 통해 서비스 프로슈머들이 독창적 서비스를 개발하며 시장이 점차 확대 중입니다. MS는 코파일럿, 뤼튼은 개인용 챗봇‧툴 제작, 업스테이지는 아숙업 등이 예입니다. 스타트업 등 소규모 기업에서도 창의력을 바탕으로 시장에 진입할 수 있는 기회가 창출될 것입니다.
LLM 기반의 서비스는 기존 서비스에 LLM 기능을 증강하는 방식과 LLM에 특화된 신규 서비스로 구분됩니다. 기존 서비스는 LLM을 접목하여, 질의응답 챗봇, 제품 탐색, 일정 추천 등 사용자 편의성 향상을 위해 활용할 수 있습니다. LLM 특화 서비스는 LLM 등장 이전에는 존재하지 않은 유형이며, LLM의 고유 특징을 중심으로 개발된 서비스 형태입니다.
☐ 챗GPT 플러그인의 등장과 LLM의 플랫폼化
오픈AI는 챗GPT와 외부 서비스를 연계할 수 있는 플러그인을 공개하며, 새로운 생태계에 대한 가능성 제시합니다. 챗GPT는 최신성, 정보의 확장성 측면에서 제약이 있었으나, 외부 서비스와의 연계를 통해 한계 돌파가 가능해졌습니다. 플러그인 등장 이전까지 챗GPT는 2021년 9월까지의 데이터로 학습을 하여, 최신 정보 답변이 미흡하며, 새로운 분야로의 확장성이 미흡하다고 평가받았습니다. 플러그인은 인터넷 기반의 온라인 서비스, 아이폰의 모바일 앱 생태계를 이을 또 하나의 생태계가 될 것으로 전망입니다. 아이폰의 앱스토어처럼 챗GPT도 플러그인 스토어를 통해 기능 확장할 수 있습니다.
온라인 서비스와 도구들이 챗GPT와 연계한 플러그인 형태로 출시되는 중이고, 이에 챗GPT는 플랫폼으로의 진화 본격화하고 있습니다. 플러그인 기능 테스트를 내부적으로 완료하고 외부에 공개하였으며, 다양한 플러그인들이 탑재되고 있습니다. 오픈AI 플러그인 스토어 내 600여개 이상 플러그인 탑재(‘23.7월 기준)하고 있으며, 향후 LLM은 새로운 생태계의 플랫폼으로서 대화형 서비스 제공, 플러그인 간 연계, 서비스 추천 등 새로운 가치 창출 전망할 전망입니다.
참고 챗GPT 플러그인이란?
☐ 플러그인
챗GPT의 요약‧번역 등 언어 관련 문제해결 기능 이외에 외부의 기능을 챗GPT와 연계하여, 새로운 서비스 경험을 제공할 수 있도록 지원합니다. 챗GPT는 2021년 9월까지 학습된 모델을 활용하고 있으므로, 최신성이 부족하고, 언어모델과 관련된 과업만을 수행할 수 있습니다. 챗GPT는 최신정보에 대한 답변에 오류가 있으며, 계산 문제에 취약합니다. 이러한 한계 극복을 위해, 외부의 검색 플러그인과 기존 애플리케이션을 챗GPT와 연계하여 최신성 및 타 전문 분야와의 연계가 가능합니다.
☐ 보안성이 강화된 기업 전용 LLM에 대한 수요 증대
챗GPT 등 LLM 서비스를 사용할 경우 기업 내부 정보가 LLM 공급기업(클라우드)으로 전송되는 것에 대한 우려 증가합니다. 일부 국가는 개인정보 등 민감 데이터가 해외로 유출되는 것에 대한 우려로 챗GPT에 대한 접근을 일시 중단하였습니다. 이탈리아는 개인정보 유출 우려 등 보안 점검을 위해 1개월 중단(’23.4)하였고, 삼성전자, 애플 등 주요 기업들은 코드 등 내부 정보 유출을 우려하여, 사내에서 챗GPT 활용을 금지하였습니다. 삼성전자는 설비 계측 프로그램 등 기업 내부 정보 입력‧유출(3건, ’23.3)한 사례가 있습니다.
보안이 중요한 기업들은 사내 업무망, 5G 특화망 등을 별도로 구축한 것처럼 기업 전용 LLM 구축 수요가 발생하고 있습니다. LLM 수요기업은 기업 내부 민감 데이터의 유출을 사전에 방지할 수 있는 LLM 활용 체계를 선호합니다. LLM을 수요기업 내부에 직접 설치하거나, 보안이 강화된 독립적인 클라우드에서 제공받는 방식 등을 고려 가능합니다.
☐ 오픈소스로 촉발된 소규모 LLM 분야의 전쟁
오픈AI, 구글 등에서 개발한 LLM은 이전 정책과는 달리 더 이상 모델을 오픈소스로 공개하지 않았습니다. 그간, 오픈AI에서는 GPT, GPT‐2를 오픈소스로 공개했고, 구글도 BERT 언어모델을 공개했으나, LLM은 비공개로 전환하였습니다. 이에, 거대 자본을 보유한 기업 위주로 LLM 연구가 진행돼, 스타트업‧학계 등에서는 LLM 연구에 대한 접근성이 약화되었습니다.
이후, 메타에서 개발한 LLM(LLaMA)이 전 세계로 유출(‘23.3)되며, LLaMA를 기반으로 한 응용 모델들이 쏟아지기 시작했습니다. 메타의 LLaMA 모델은 구글, 오픈AI의 LLM에 비해 상대적으로 사이즈가 작으며, 다양한 종류의 사이즈로 출시되었습니다. 참고로 GPT-3는 1750억개 , LLaMA는 70억개, 130억개, 330억개, 650억개가 존재합니다. LLaMA 모델 유출 후, 전 세계 연구원들은 모델을 미세조정하여 챗GPT처럼 동작하도록 하거나, 경량화 작업을 통해 개인 컴퓨터에서 구동시키며 다양한 실험 진행하고 있습니다. 스탠포드대에서 LLaMA 기반의 알파카를 개발하였고, 이후 Vicuna, GPT4ALL, Koala, OpenLLaMA 등 다양한 모델이 전 세계에서 개발‧공개되었습니다.
다만, 오픈소스 기반 모델은 범용적인 기능과 성능이 상용LLM에 미치지 못하므로, 성능 향상 및 특화 분야 발굴이 중요합니다. 오픈소스 기반 모델이 사실 중심의 출력보다는 챗GPT의 답변 스타일 모방에 능숙하며, 또한 코딩 등 상용 LLM에서 보유한 다양한 기능을 원활히 수행하지 못하는 한계가 있습니다. 하지만 기업들이 오픈소스 모델을 기반으로, 지속적인 성능 향상 중이며, 특화 분야 수요처 발굴을 위해 노력 중입니다. 허깅페이스는 오픈소스 기반 LLM 리더보드(’23.8.6) 1위, 업스테이지가 2위를 차지하였습니다.
☐ 글로벌 연대 중심의 인공지능 기구 설립 논의 본격화
챗GPT 발표 후, 범용 인공지능(AGI)에 대한 기대감 증폭에 따라, 인공지능의 위험성에 관한 논쟁이 지속되고 있습니다. 일부는 챗GPT 등 LLM이 다음에 나올 단어 맞추기에 불과한 확률 모델이므로, 여전히 위험한 수준이 아니라고 주장합니다. 한편에서는 AutoGPT 등 다양한 도구와의 연계를 통해 인공 지능이 통제 불가능, 또는 오남용에 대한 위험성을 언급합니다.
원자력 분야를 안전하게 관리하는 국제원자력기구를 벤치마킹하여 인공지능 분야도 글로벌 연대‧통제의 필요성이 제기 중입니다. 오픈AI는 인공지능을 안전하게 사용할 수 있도록 국제원자력기구(IAEA)와 유사한 기능을 가진 조직의 필요성 언급하였습니다. 오픈AI 홈페이지 ’Governance of superintelligence(‘23.5.22)‘ 내 언급하였습니다. UN도 원자력 분야 감시기구인 IAEA처럼 인공지능 분야의 위험성을 감시하기 위한 국제기구 설립에 대해 검토 예정입니다. UN은 AI 자문위원회 구성 및 운영 예정(’23.9)입니다.
4. 정책적 시사점
☐ LLM은 더 이상 도구가 아닌 인프라로 전환 중
LLM의 경량화 연구와 GPU 등 AI 가속화기에 대한 지속적인 연구를 통해, 향후 LLM은 개인 디바이스에도 탑재될 것으로 예상됩니다. 컴퓨터, 전화기 등 주요 생산성 도구들이 발명 초기에는 국가 단위에서 활용하였다가, 점차 개인 단위로 확산하고 있습니다. GPU 등 기존 AI 가속화기의 성능 향상 또는 양자 컴퓨팅 등 새로운 AI 가속화기가 도래하거나, 모델의 경량화를 통해 추론 하드웨어의 의존성을 최소화할 경우, LLM은 개인 디바이스에도 탑재가 가능할 전망입니다.
로봇, 스마트폰, 가전, 모빌리티 등 각종 기기들에 자체적인 LLM이 탑재되면, 서비스 환경이 급격히 변화될 것으로 예상됩니다. 개인 디바이스 수준에서 LLM 구동이 가능하다면, LLM을 공급기업에 의존하지 않고 자체 생태계 구축이 가능합니다. LLM이 확산되면 인공지능도 전기처럼 모든 생활에 접목되어, 본격적으로 하나의 인프라 역할을 할 전망됩니다. 모든 서비스들이 LLM이라는 인프라 위에서 새로운 가치를 창출하기 위한 경쟁을 가속화할 것으로 예상됩니다.
인공지능은 보조적 수단을 넘어, 핵심 인프라로 전환 중이므로, 산업‧공공‧글로벌 현안에 대한 체계적인 지원 및 대응이 중요합니다.
(산업) LLM 중심 혁신적인 ‘넥스트 비즈니스’ 창출 지원
그간 기존 프로세스에 디지털을 도입한 서비스보다, 디지털을 중심으로 구조적 변화를 이룬 서비스가 파괴적 혁신 창출하였습니다.
LLM이 기존 서비스를 보조하는 역할을 넘어, LLM 중심의 혁신 서비스가 탄생하도록 적극적인 실험 환경 지원 필요합니다. 인터넷, 모바일 등 기술 등장 초기에는 기존의 산업 방식을 인터넷과 모바일에 옮기려는 형태로 서비스 추진하였습니다. 이후, 기술 특성 중심의 서비스 재편을 통해 혁신적인 시장‧ 기업이 생성되었듯이 LLM도 유사한 방식의 접근이 필요합니다.
(공공) 과학적 행정을 위한‘혁신적인 도구’활용 환경 필요
LLM 활성화를 위해 초기 생태계 확보가 중요하므로, 공공 분야에서 다양한 방식의 마중물 역할 및 성공 사례 창출은 중요합니다. API 지원사업을 통해 중소‧스타트업 기업들이 LLM 기반의 서비스를 개발할 수 있도록 지원 중입니다. 초거대 AI 사업의 일환으로 공공 부문의 대민서비스 등에서 체감할 수 있는 LLM 기반 초거대 AI 사업을 추진 중입니다.
다만, 플러그인 또는 각종 분석 도구와 LLM을 결합해 개인의 업무 생산성 도구로 활용할 때는 제약이 있습니다. 공공 분야는 다수가 업무망과 외부망으로 구분되어, 업무망 내에서는 외부 환경의 LLM 기반 서비스 활용이 어려움이 있습니다. 또한 기업의 경우에도, 보안의 중요성이 강조되는 업종에서는 외부 LLM 사용을 금지하고 있습니다.
LLM은 업무 생산성을 극대화할 수 있으므로, 업무망 내에서 각종 분석 도구와 결합해 활용할 수 있는 체계 마련 필요합니다. LLM 등 인공지능을 활용하는 것은 업무 생산성과 직결되는 시대이므로, 업무 보조 도구로 적극적인 활용 필요합니다. 따라서, 공공 분야에서도 업무자료를 LLM과 연계하여 활용 할 수 있도록 제약사항 검토 등 활용방안 마련 필요합니다.
(포용) 디지털 기술을 통해 ‘디지털 격차 해소’ 방안 고려
LLM을 통해 디지털 서비스와 고객과의 접점인 UI 등이 현재의 클릭 중심에서 대화형 UI 형태로의 전환이 가능합니다. LLM은 사용자의 의도를 일정 부분은 이해할 수 있으므로, 자연어와 서비스를 연결할 수 있는 역할이 가능합니다. LLM이 자연어를 이해하고 쿼리를 생성 후 서비스와 컴퓨터 언어로 통신합니다. 기존에 특정 조건에 따른 검색‧조회를 수행하는 서비스라면 대화형 UI 형태로의 전환이 가속화될 것으로 예상됩니다. 예를 들어, 호텔‧비행편 예매 등은 자연어로 여행 일정을 입력하면 해당되는 정보제공이 가능합니다.
향후 대화형 UI 환경에서는 상대적으로 서비스 이용이 간결해지므로, 디지털 격차 해소를 위한 활용방안 고려 필요합니다. 격차 해소를 위해 디지털 활용 교육뿐만 아니라, 기술을 통해 격차 문제를 지원‧해소할 수 있는 방안모색이 필요한 시점입니다. 예를 들어, 열차, 고속버스 예매 등 디지털 격차가 빈번히 발생하는 부분에 대화형 UI를 도입하는 방안 고려 필요합니다.
(규제) 급변하는 글로벌 ‘규제 환경 대응’ 준비 필요
LLM은 기존 AI와 달리 악용의 소지가 높으므로, 국제사회가 연대하여 위험성 완화를 위한 기구설립 논의 활발합니다. LLM은 다양한 분야를 학습하였으므로, 폭탄 제조, 사이버 공격 등 예기치 않게 위험 분야로 활용될 수도 있습니다. 이에, 잠재적 위험을 내포한 인공지능(프론티어 AI)의 위험 완화 방법, 국제기구의 역할 등에 대한 논의 활발합니다.
향후 국제사회에서 인공지능 위험 완화를 위한 다양한 감시, 평가기준 등이 마련될 것이므로, 조기 대응 체계 구축 필요합니다. 새로운 글로벌 AI 거버넌스 구축 논의 단계에서부터 적극적으로 참여하여, 표준‧규제 방향성을 주도하는 역할 필요합니다. 글로벌 선도 연구원들과 인공지능 안전 관련 공동 연구 및 리소스 지원 체계 마련 등으로 리더십 강화 필요합니다. 인공지능 안전 분야를 하나의 산업으로 인식하고, 안전 관련 측정‧평가 등 감리에 특화된 국내 기업 및 전문가 육성 필요합니다.
