생성 AI와 수치 AI 융합

생산성 향상과 시간 단축 효과

지난 10년 동안 성장해 온 전통적 인공지능(AI)은 수치 데이터를 처리하여 경향과 추이를 찾아내고 확률을 기반으로 분석과 예측을 제시하는 기술이었다. 여기에 여러 기능을 갖춘 생성형 AI가 등장하여 수치형 AI의 예측과 관찰 사이의 가교역할을 하며 자연어를 통하여 상호 작용의 가능성을 확대하였다.

생성형 AI는 기업의 광범위한 직무의 입장에서 한때 이해하기 어려웠던 AI의 블랙박스를 밝히는 데 도움이 되고 있으며, 운영 기술(OT)과 정보 기술(IT) 간의 갭을 메우는 수단이 될 수 있다. 

위와 같은 주장을 한 사람은 에머슨의 수석부사장 겸 최고기술책임자(CTO)인 Peter Zornio 씨이다.

https://www.emerson.com/en-us/about-us/leadership/peter-zornio

그에 의하면 생성형 AI와 수치형 AI는 연속체의 양단에 놓여 있다고 설명한다. 이 두 유형은 각각 수치와 언어를 기반으로 하는 모델이다.

이 두 유형의 AI의 기술적 기반은 같으나 사용 방식이 다르다고 한다. 

"수치 지향의 생산 모델은 수치 데이터 세트가 기반이고 언어모델은 대량의 문서나 이미지 등을 기반으로 하는 데이터 세트를 사용한다."

양단에 있는 이 두 유형의 AI가 융합하려는 시점에서 기존 AI의 이면에 있는 영역에 새로운 지평이 열리고 있다.

이 두 가지는 실제로 병용되고 있다고 피터씨는 말한다.

"산업 분야에서는 언어기반 모델이 기존의 수치기반 모델과의 인터페이스로 사용될 것이다.“

”오퍼레이터가 제조 현장에서 다음과 같이 말하는 장면을 상상해 보자.

-컴퓨터야, 이 유닛의 생산이 왜 늦어지고 있는 거야? 어떻게 하면 조정할 수 있지-"

“답을 제시하는데 계산할 수 없을 정도의 생산성 향상과 시간 절약 효과를 창출할 것이다. 

이것이 자연스러운 대화 방식의 인터페이스이다“

”30년 경력의 자사 엔지니어링 부서의 전문가인 프레드에게,

 -무슨 일 있는 거야?- 

라고 물어보면 그는 생산 데이터의 모든 패턴을 조사하고 돌아와서는 다음과 같이 알려준다.

 -통상적으로 이러한 상황에서 무슨 일이 발생하는가 하면 촉매가 오염됩니다. 취해야 할 액션으로 생산을 중지하고 촉매를 재생할 필요가 있을 것 같습니다 – ,라고 대답한다.”

“경력이 풍부한 프레드는 30년 동안 공장 설비를 운영한 경험을 기반으로 그의 머릿속에 구축된 모델을 사용하고 있다. 

생성형 AI에게 그 작업을 대신하도록 하고, 수치 기반 AI와의 인터페이스에서는 과학적 추론을 사용하여 엔지니어링 전문가와 대화하는 방식으로 컴퓨터와 대화하여야 한다.“

”또한 다음과 같은 추론도 가능할 것이다. 

-우리는 지난 5년간의 제조 운영을 조사해 상황이 매우 유사한 생산 관련 데이터와 패턴이 일치하는 시나리오를 찾으려고 한다-“

”이 때 프레드라면 이렇게 생각할 것이다. 

-지난번에 이런 일이 발생했을 때, 우리는 이렇게 조치했습니다.-“

피터씨는 마지막으로 다음과 같은 주장을 한다.

”AI는 여러 시나리오를 모두 조사하여 찾아내고, 당시의 대응을 살펴보고, 이 세 가지 액션으로 과거의 문제 해결에 가장 효과적인 결과를 내었다고 알려준다.“

피터씨는 이 엔드 투 엔드 AI 접근방식의 제품 지원 시스템 구축은 모든 매뉴얼과 지원 스텝 사이에 주고받은 자료를 수집하고 시스템에 입력하므로 제품에 대해 질문할 수 있는 좋은 방법이라고 주장한다.

석유 화학에서 자동차 제조에 이르기까지 모든 유형의 연속공정과 이산공정에 활용될 수 있다.

엔드 투 엔드 AI의 지원으로 효과를 볼 수 있는 와인 제조업을 생각해 보자. 

포도밭과 저장 탱크 곳곳에 많은 센서를 설치해 놓고, 2024년의 와인이 2023년 산 와인보다 더 좋은 이유는 무엇인가? 질문을 할 수 있다.

AI는 온도, 당도, 산도, 발효 기간, 토양 조건, 수분 조건, 일조량, 강우량 등과 같은 주요 데이터를 면밀히 분석하여 답할 수 있다.

피터씨는 AI가 다양한 산업 분야에서 어시스턴트 역할을 할 수 있어 기존 모델과 상호작용하며 질문할 수 있는 좋은 수단이라고 언급했다.

많은 정보가 수치 데이터로 생성될 수 있지만, 오퍼레이터의 작업일지 같은 정보도 있을 것이다. 오퍼레이터는 어떤 일이 발생할 때마다 기록하기 때문이다.

이러한 모든 정보가 입력되면, 

-이전에 이러한 일이 발생했을 때 일지의 어디에 이에 관한 것이 기록되어 있는가?- 또는 -문제를 해결하기 위해 무엇을 했는가?-

라고 물어볼 수 있다.

이렇게 하려면 분리되어 있는 기업의 정보기술팀(IT)과 운영기술팀(OT) 간의 공동업무를 확대할 필요가 있다. 공동협업은 데이터에서부터 시작된다.

IT팀과 OT팀은 다양한 형식의 데이터를 간소화해야 한다고 피터씨는 주장한다. 

"과거에는 두 팀간의 협업관계가 그렇게 원할하지 않았다. OT팀이 모두 자체적으로 시스템을 설치하고 실행하였기 때문이다.

또한 시스템 구축과 사용법에 대한 생각이 서로 달랐다. 

시스템을 통합 발전시키려고 노력하면서 앞으로 두 팀 간의 협업을 더 확대해야 할 것이다.

따라서, 우리는 OT 세계에서 IT 세계로, 그리고 그 역으로도 데이터를 원활하게 가져올 수 있는 아키텍처를 설계해야 한다.

특히 클라우드상에서 AI 시스템 사용을 고려하고 있는 경우 더욱 중요하다.

이것은 누구나 이용할 수 있는 OpenAI와 같은 자연어 기반 AI 모델이 될 것이다.“

참조 | https://www.zdnet.com/article/the-end-to-end-ai-chain-emerges-its-like-talking-to-your-companys-top-engineer/​​