LLM의 발전 속도는 매우 빠르지만, 때로는 기대에 비해 느리다고 느껴질 때가 있다. GPU, AI 인프라, 모델 구조 등이 발전을 견인한다고 하지만, 이번에는 학습에 사용되는 데이터 측면에서 문제를 이야기해보고자 한다. LLM에 있어서 데이터는 필수적인 구성요소다. 모델은 주어진 데이터를 통해 패턴을 학습하고, 이를 바탕으로 새로운 상황에서 추론할 수 있게 된다. 그동안 LLM이 비약적으로 발전할 수 있었던 것은 다양한 출처의 데이터를 단기간에 대량으로 수집해 학습했기 때문이다. 그러나 이제는 더 좋은 데이터를 무한정 모으는 것이 점점 어려워지고 있다. 데이터 고갈1. 학습 가능한 데이터의 한계현재 인터넷에 공개된 일반 상식이나 정보는 대부분 AI 기업이 이미 확보한 상태다. 하지만 직장인을 대체할 ..

인터넷에서 글을 보면 AI를 사용한 글이 많이 보인다. 나는 이런 글을 ‘GPT스럽다’고 표현한다. (내가 만든 말은 아니다.) AI가 쓴 냄새가 강하게 나면 그 글을 읽기 싫어진다는 생각이 든다. 마치 로봇이 사람과 어느 정도 비슷할 때 느껴지는 불쾌한 골짜기처럼, 글에서도 비슷한 거부감이 생긴다. 왜 그런지 생각해보았다. 1. 글이 진부하고 부자연스럽다. 사람들이 잘 쓰지 않는 표현들이 있다. 특히 내가 부담스럽게 느끼는 건 쌍따옴표로 강조하는 방식이다. ChatGPT가 자주 쓰는 표현인데, 자연스럽게 느껴지지 않는다. 이런 부분은 글쓴이의 개성을 전혀 보여주지 못한다. 노래에는 각자의 목소리가 있듯이, 글도 사람마다 표현하는 방식과 구조가 다르다. 그런데 AI가 쓴 글은 획일적이라 결국 지루하게 ..

들어가며AI의 도입으로 인해, 신규 직원 채용을 줄이는 기업들이 많아지고 있다. 이러한 현상이 일시적인 흐름인지, 아니면 장기적으로 이어질지 살펴보고자 한다. 최근 신규 직원 채용 감소는 몇 가지 논란을 불러왔다. AI의 사용으로 리서치, 자료 작성, 자료 수집 등 전통적으로 신입 직원들이 담당하던 업무를 대체할 수 있게 되었기 때문이다. 이에 따라 기업들은 비용 절감과 효율성을 이유로 신입 채용을 줄이고 있다. 실제로 일부 글로벌 컨설팅 회사와 IT 기업들은 AI 도입 이후 신입 채용 규모를 조정한다는 발표를 하기도 했다. 반면, 시니어 직원들의 효율성과 생산성이 AI 덕분에 더 높아졌다는 뉴스가 나오면서, ‘AI는 신입을 줄이고 시니어를 강화하는 기술’이라는 인식도 확산되고 있다. 하지만 나는 신입..

들어가며 지난 10년은 스마트폰의 시대였다. 지금도 사람들은 스마트폰으로 거의 모든 걸 해결하며, 가장 많은 시간을 함께 보낸다. 그런데 LLM을 비롯한 AI를 최대한 활용하려면, 스마트폰만으로는 한계가 있다는 인식이 기업들 사이에서 점점 커지고 있다. 그래서 일부 기업은 스마트폰을 뛰어넘을 새로운 장비(디바이스)를 내세워 새로운 패러다임을 열려 한다. 예를 들어, OpenAI는 아이폰 디자인 혁신을 이끈 조니 아이브의 회사인 io를 약 65억 달러에 인수했다는 보도가 있다. 이를 통해 AI 전용 하드웨어 개발을 본격화하려는 의도가 있다는 분석도 나온다. 이 외에도 여러 기업이 다양한 디바이스로 스마트폰의 영향력을 분담하거나 대체하고자 시도하고 있다. 이번 글에서는 스마트폰 이후 차세대 디바이스 후보들을..

들어가며나는 보통 전화로 통화하는 고객센터를 통해 뭔가를 해결하기보다는 인터넷이나 앱으로 직접 해결할 수 있는 방법을 선호한다.(여기서 말하는 ‘일’이란 등본 발급, 공인인증서 발급, 민생지원금 신청 같은 다소 공적인 성격의 업무를 의미한다.) 내가 인터넷·앱을 선호하는 이유1. 나의 속도에 맞출 수 있다. 중간에 멈출 수도 있고, 이미 아는 건 건너뛰면서 빠르게 진행할 수 있다. 2. 시간 제약이 없다. 밤이나 주말에도 가능하다. 그래서 생각났을 때, 시간이 생겼을 때 바로 진행할 수 있다. 3. 참고자료가 풍부하다. 블로그 같은 곳에 화면 단위로 따라 할 수 있는 자료가 많아 진행이 편하다. 그런데 최근 전화로만 해결해야 하는 일이 있었는데,상담원은 친절했고 문제도 해결되었지만, 돌이켜보니 아쉽게 느..

서론ChatGPT로 시작된 LLM이 직장인들의 생산성을 크게 높였다. 처음에는 개인의 직장인이 각자 LLM을 사용해 맡은 업무를 빠르고 정교하게 처리하는 도구로 활용됐다. 대부분 유용성을 느낀 개인들이 자연스럽게 써오면서, 이제는 기업 차원에서의 도입 움직임도 시작되었다. 일부 회사들이 도입해 효과를 본 사례는 있었지만, 아직 기업 특성에 맞게 제대로 적용해 큰 효과를 본 곳은 드물다. 그래서 기업이 어떤 관점에서 LLM을 도입하면 좋을지 고민해보았다. 회사에서 도입하면 생기는 장점1. 비용 효율성개인 단위로 결제할 경우 비용이 분산되고 예측이 어렵다. 기업 단위로 라이선스를 관리하면 비용을 통제하기 쉽고, 규모의 경제를 활용할 수 있다. 2. 맞춤 커스텀모든 기업은 고유한 업무 방식, 전문 용어, 내부..

벤치마크는 편하지만, 그대로 받아들이기는 어렵다.LLM은 전례 없는 속도로 발전하며 인공지능 분야의 혁신을 주도하고 있다. ChatGPT, Gemini, Llama, 딥시크 등 LLM 개발 경쟁은 날로 치열해지고 있다. 이러한 경쟁 환경 속에서 새로운 모델과 업데이트 버전이 끊임없이 출시되고 있다. 사용자들은 가장 좋은 LLM을 찾기위해 노력하고 있고, 개발사들은 자사 모델의 우수성을 입증하고 싶어한다.이처럼 치열한 경쟁 속에서 LLM의 성능을 객관적으로 측정하고 비교하는 기준의 중요성은 더욱 커지고 있다. 현재 LLM의 능력을 정량화하고 비교하는 사실상의 표준은 바로 '벤치마크(benchmark)'다. 벤치마크는 모델의 추론, 코딩, 언어 이해, 수학 문제 해결 등 다양한 능력을 평가하기 위한 표준화된..

새로운 모델 GPT-4o의 도입 (DALL·E 3에서 업그레이드)OpenAI는 2025년 3월 말 ChatGPT의 이미지 생성 엔진을 대폭 개선하며, 기존에 사용되던 DALL·E 3 모델을 GPT-4o로 교체했습니다. GPT-4o는 원래 GPT-4 기반의 멀티모달(multimodal) 모델로, 텍스트뿐만 아니라 이미지를 직접 생성 및 편집할 수 있도록 훈련되었습니다. 이번 업그레이드를 통해 ChatGPT는 내장 모델로 이미지를 만들어내므로, DALL·E 3를 별도로 호출하던 이전보다 일관되고 자연스러운 이미지 생성 경험을 제공하게 되었습니다. 다만 GPT-4o 모델은 DALL·E 3보다 생성 속도가 약간 느리지만, 그만큼 더 정확하고 세밀한 이미지를 생성하는 것이 특징입니다. 또한 GPT-4o는 기존 이..

ChatGPT Deep Research 사용 후기 최근 ChatGPT Pro를 구독하며 새로 추가된 Deep Research 기능을 직접 사용해보았습니다. 예상보다 훨씬 유용한 기능이어서, 일종의 ‘개인 연구 비서’를 두는 듯한 인상을 받았는데요. 본 포스트에서는 해당 기능을 사용해본 과정과 소감을 간단히 정리해 공유하고자 합니다. 특징 : 빠른 자료 수집과 명확한 출처 표기새로운 주제를 조사할 때, 보통은 구글 검색을 여러 번 반복해야 합니다. 그러나 Deep Research를 활용하면 ChatGPT가 방대한 자료를 한 번에 모아 요약해주므로 정보 수집 시간이 크게 단축됩니다. 직접 검색해 정리하는 데 몇 시간이 걸렸을 작업을 단 몇 분 만에 개요 수준으로 파악할 수 있었죠. 또한 가장 인상적이었..

들어가며ChatGPT가 하나의 모델이 아닌 여러 가지 특성을 지닌 모델 제품군으로 확장됨에 따라, 사용자는 목적에 맞게 최적의 모델을 선택하거나 조합하는 것이 중요해졌습니다. 모델들의 특징과 성능을 비교 분석하였고, 창의적 활용 환경에서의 유의점도 살펴보았습니다. GPT-4o 및 4o Mini멀티모달 대응, 빠른 응답, 저렴한 비용이 장점이며, 창의적 표현력도 좋아 일반용도 및 크리에이티브 작업에 적합합니다. 4o Mini는 대량 처리 업무에 효율적이지만 복잡한 추론이나 고품질 창작에는 한계가 있습니다.o1 (Mini/Pro 포함)심층 논리 추론과 고난도 문제 해결에 특화되어 있습니다. CoT 기반 강화학습으로 추론 정확도는 뛰어나나, 응답 지연과 비용 부담이 크고 창의적 용도에는 부적합합니다. Pro ..