생성형 AI 또는 기존 AI를 사용해야 하는 경우

이 문서는 생성형 AI, 기존 AI 또는 이 두 가지의 조합이 비즈니스 사용 사례에 적합한 경우를 식별하는 데 도움이 됩니다.

이 문서에서 기존 AI는 분류 및 예측 AI 사용 사례와 같은 생성형 AI 기능을 적용할 필요가 없는 AI 기능과 사용 사례를 나타냅니다. 기존의 AI 모델은 기존 데이터를 학습하여 과거 패턴을 바탕으로 정보를 분류하거나 미래 결과를 예측하는 데 탁월합니다. 생성형 AI 모델은 이러한 기능을 확장하여 요약을 만들거나 복잡한 숨겨진 상관관계를 파악하거나 학습 데이터 내의 스타일과 패턴을 반영하는 새로운 콘텐츠(예: 텍스트, 이미지 또는 동영상)를 생성합니다.

생성형 AI를 사용해야 하는 경우

일반적으로 생성형 AI 솔루션은 다음과 같은 작업에 탁월합니다.

  • 콘텐츠 제작 및 추천
  • 대화형 검색 및 챗봇 지원
  • 반복적인 태스크를 위한 워크플로 확장 및 자동화
  • 연관 추론을 사용하여 문서 및 데이터 내에서 통계와 관계 찾기
  • 코드 생성 및 개발자의 코드 작성, 설명, 문서화 지원

다음 섹션에서는 다양한 업종에 맞게 맞춤설정할 수 있는 이러한 일반적인 생성형 AI 사용 사례의 예시를 보여줍니다.

콘텐츠 제작 및 추천

  • 제품 이미지, 소셜 미디어 게시물, 관련 이미지가 포함된 이메일과 같은 마케팅 관련 콘텐츠를 생성합니다.
  • 문서, 웹사이트 콘텐츠, 다국어 챗봇 대화 등의 콘텐츠를 번역합니다.
  • 보다 정보에 입각한 데이터 기반 의사 결정을 돕기 위해 문서, 자료, 고객 의견, 보고서를 포함한 텍스트 콘텐츠를 요약합니다.
  • 텍스트, 이미지, 동영상 또는 오디오 구성요소를 포함할 수 있는 여러 소스에서 정보 요약을 만듭니다.
  • 동영상의 자동 자막을 생성하거나 자막을 제작합니다.
  • 텍스트 프롬프트 설명으로 새로운 이미지 만들기, 텍스트 프롬프트를 사용하여 이미지 수정(예: 객체 삭제 또는 색 구성표 변경), 텍스트 프롬프트 또는 스크립트에서 짧은 동영상 또는 애니메이션 생성과 같은 창의적인 멀티미디어 콘텐츠를 만듭니다.
  • 보이스오버 트랙 및 음악과 같은 오디오의 사실적인 합성 음성을 생성합니다.
  • 사용자 행동, 선호도, 리뷰, 이전 상호작용을 분석하고 이해하여 맞춤설정된 콘텐츠 추천을 제공합니다. 분석을 위치와 같은 실시간 요소와 결합하여 제품, 자료, 동영상 등의 콘텐츠별로 콘텐츠 추천을 조정할 수 있습니다.

대화형 검색 및 챗봇

  • 고객 지원 및 온라인 판매와 같은 사용자 상호작용을 위한 가상 어시스턴트를 빌드합니다.
  • 자연어 쿼리로 대규모 기술 자료를 통해 대화형 검색을 지원합니다.
  • 텍스트 문의와 관련 이미지가 결합된 복잡한 질문에 대한 답을 찾습니다.

문서 및 데이터 이해

  • 보고서, 인보이스, 영수증, 금융 거래, 계약 등의 텍스트에서 데이터를 추출하고 콘텐츠를 분석하여 발생 가능한 오류 또는 규정 준수 문제를 강조표시하고, 잠재적인 위험을 식별하거나, 사기를 나타내는 이상치를 파악합니다.
  • 소셜 미디어 게시물 및 제품 리뷰와 같은 사용자 제작 콘텐츠의 감정을 분석합니다.
  • 텍스트로 변환된 콜센터 대화를 분석하여 고객이 콜센터 상호작용에 낮은 평점을 주는 가장 일반적인 이유 등의 유용한 정보를 추출합니다.

  • 위협 보고서, 자료, 저장소와 같은 사이버 보안 데이터를 분석하여 주요 위협 지표를 추출합니다. 이러한 분석을 통해 선제적인 사이버 보안 방어에서 더 빠른 대응을 위한 권장사항으로 완화 전략을 요약하고 우선순위를 지정할 수 있습니다.

    분석은 복잡한 공격 그래프를 노출에 대한 일반 텍스트 설명으로 변환할 수 있습니다. 또한 영향을 받은 애셋을 강조표시하기 위해 가능한 공격 경로를 시뮬레이션할 수 있으며 애셋이 악용되기 전에 완화 조치를 추천할 수 있습니다.

코드 생성 및 개발자 지원

생성형 AI는 소프트웨어 개발 수명 주기(SDLC)의 모든 단계에서 다음과 같은 종류의 태스크에 도움이 될 수 있습니다.

  • 자연어 프롬프트를 사용하여 API 사양 및 문서를 생성합니다.
  • 자연어 프롬프트에서 코드, 함수, 명령줄 명령어, Terraform 스크립트와 같은 애셋을 만듭니다.
  • 코드 설명을 위한 주석 및 문서를 포함하여 테스트 및 코드 설명을 생성합니다.

생성형 AI가 고객 서비스, 직원 생산성, 프로세스 자동화와 같은 비즈니스 운영을 혁신하는 방법에 대한 자세한 내용은 'Google Cloud의 생성형 AI'에 있는 비즈니스 사용 사례를 참조하세요.

기존 AI를 사용해야 하는 경우

기존의 AI 사용 사례는 일반적으로 표 형식의 데이터 및 이미지와 같은 기존의 이전 데이터 소스를 기반으로 학습된 AI 모델을 기반으로 향후 결과를 예측하거나 카테고리를 분류하는 데 중점을 둡니다. 기존의 AI 솔루션으로 다음과 같은 여러 분류 및 예측 AI 사용 사례를 해결하는 데 충분한 경우가 많습니다.

  • 분류 사용 사례:
    • 이전 데이터로 학습된 기존의 분류 AI 모델을 기반으로 이메일을 스팸 또는 스팸 아님으로 분류하여 이메일 스팸 필터링
    • 제조상의 실시간 검사와 결함 감지를 효과적으로 지원할 수 있도록 양호한 제품과 결함이 있는 제품의 특정 이미지에 대한 기존 이미지 분류 모델 학습
  • 회귀 사용 사례:
    • 특정 주택 특징과 위치를 기반으로 주택 가격을 예측하는 등 연속적인 숫자 값 예측
    • 이전 구매 데이터를 기반으로 전자상거래 플랫폼 고객이 회사와 관계를 맺고 있는 동안 발생할 것으로 예상되는 수익 예측
  • 시계열 예측 사용 사례: 판매 및 수요 예측
  • 클러스터링 사용 사례: 고객 세분화 수행

기존 AI 사용에 대한 자세한 내용은 '예측 분석이란?'의 예측 분석의 용도 및 예시를 참조하세요.

기존 AI와 생성형 AI 중에서 결정

다음 단순화된 결정 트리는 일부 사용 사례 기반 결정 경로에 대한 대략적인 참조를 제공합니다. 경우에 따라 다음 섹션인 '생성형 AI를 기존 AI와 결합해야 하는 경우'의 설명대로 기존 AI와 생성형 AI를 모두 사용하는 것이 가장 좋을 수 있습니다.

결정 트리는 생성형 AI, 기존 분류 또는 예측 AI, 선행 학습된 AI 모델을 사용해야 하는 시기를 보여줍니다.

결정 트리에는 다음과 같은 사용 사례 기반 질문과 답변이 포함됩니다.

  • 분류 또는 감지와 관련된 사용 사례인 경우 선행 학습된 기존 AI 모델이 사용 사례 요구사항을 충족할 수 있는지 확인합니다. 선행 학습된 기존 모델에는 Document AI, Vision AI, Natural Language API, Video Intelligence API와 같은 AI API가 포함됩니다.

    • 선행 학습된 모델이 요구사항을 충족하면 선행 학습된 모델을 사용합니다.
    • 선행 학습된 모델로 요구사항을 충족할 수 없는 경우에는 모델을 커스텀 학습에 사용할 수 있는 학습 데이터가 충분한지 확인합니다.
      • 학습 데이터를 충분히 사용할 수 있는 경우 모델 학습에 대한 제어 능력 향상 또는 시장 진출(GTM) 속도를 높이는 데 우선순위를 두어야 합니다.
        • 선호하는 모델 알고리즘 사용, 모델 설명 기능의 특정 특성을 사용하여 자체 손실 함수 개발과 같은 맞춤설정을 통해 모델 학습을 효과적으로 제어해야 하는 경우 모델의 레이어 수, 학습률, 기타 모델 초매개변수는 기존 AI 모델의 커스텀 학습을 사용합니다. 커스텀 학습 또는 AutoML을 사용한 Vertex AI의 모델 학습에 대한 차이점은 학습 방법 선택을 참조하세요.
        • 비즈니스 우선순위가 더 빠른 GTM인 경우 생성형 AI를 사용합니다. 사용 사례가 특화되어 있으면 분류, 감정 분석, 항목 추출을 위한 지도 조정과 같은 모델 조정을 사용하여 모델의 성능을 개선할 수 있습니다.
      • 학습 데이터 세트를 사용할 수 없거나 사용 가능한 데이터 세트가 모델을 커스텀 학습할 만큼 충분하지 않은 경우 프롬프트 엔지니어링이 포함된 생성형 AI 모델을 사용합니다. 데이터 예시를 사용하여 특수 태스크를 수행하도록 이러한 모델을 추가로 조정할 수 있습니다.

  • 사용 사례가 예측 AI 사용 사례와 관련된 경우 기존 AI를 사용합니다. 기존의 예측 AI는 구조화된 데이터에서 특히 효과적입니다.

  • 요약, 콘텐츠 생성, 고급 스크립트 작성과 같은 생성형 AI 사용 사례와 관련된 사용 사례인 경우 생성형 AI를 사용합니다. 생성형 AI의 사용에는 텍스트, 이미지, 동영상, 오디오와 같은 여러 형식의 정보를 처리하고 입력해야 하는 사용 사례가 포함됩니다.

데이터 과학자와 ML 엔지니어가 일반적으로 모델 선택 프로세스를 주도하지만 비즈니스 리더, 제품 소유자, 도메인 전문가, 최종 사용자와 같은 주요 이해관계자의 의견도 고려해야 합니다. 예를 들어 이러한 이해관계자는 다음과 같은 방식으로 참여할 수 있습니다.

  • 비즈니스 리더 및 의사 결정권자: 비즈니스 우선순위에 부합하면 선택을 승인합니다.
  • 제품 소유자: 제품 우선순위에 맞게 모델 동작을 조정하려면 영향력이 필요하거나 더 많은 제어 권한이 필요할 수 있습니다.
  • 도메인 전문가: 자신의 도메인 전문성을 적용하여 모델 효율성을 향상시킵니다.
  • 최종 사용자: 더 많은 정보에 입각한 의사 결정을 위해 모델의 출력과 출력을 통합하는 방법을 이해해야 할 수도 있습니다.

생성형 AI를 기존 AI와 결합해야 하는 경우

기존 AI와 생성형 AI는 상호 배타적이지 않습니다. 일부 비즈니스 사용 사례에서는 최종 비즈니스 목표를 해결하기 위해 서로를 보완하는 데 사용할 수 있습니다. 예를 들어 기존 AI 모델의 출력을 생성형 AI 모델에 대한 프롬프트의 일부로 사용할 수 있습니다. 다음은 기존 AI 기능과 생성형 AI 기능을 결합하는 사용 사례의 예시입니다.

  • 기존의 예측 AI는 과거 데이터를 분석하여 고객 이탈 가능성을 예측할 수 있습니다. 이 분석은 LLM 또는 생성형 AI 기반 챗봇과 통합될 수 있으므로 영업팀이 자연어 대화를 사용하여 예측을 탐색할 수 있습니다. 또한 챗봇과의 간단한 대화를 통해 비즈니스 인텔리전스(BI) 대시보드를 생성할 수 있습니다.
  • 기존의 예측 AI는 특정 사용 사례의 위험을 예측할 수 있으며 생성형 AI는 가능한 완화 전략을 수립하는 데 도움이 되도록 다양한 시나리오를 시뮬레이션할 수 있습니다.
  • 기존의 예측 AI는 고객 세그먼트를 식별하여 맞춤설정된 마케팅 및 캠페인을 만들 수 있습니다. 그런 후 생성형 AI를 사용하여 식별된 각 세그먼트에 맞는 맞춤설정된 마케팅 콘텐츠를 생성할 수 있습니다.
  • 기존의 AI 컴퓨터 비전은 수화를 감지 및 분류하여 동영상 입력을 텍스트로 번역할 수 있습니다. 생성형 AI는 수화 내에서 컨텍스트의 미묘한 차이를 이해하여 여러 언어를 포함한 서면 텍스트로 보다 최적화된 방식으로 번역할 수 있습니다. 생성형 AI는 또한 텍스트 번역에서 음성 출력을 생성할 수 있으므로 수화사와 비수화사 간의 원활한 양방향 대화가 가능합니다.
  • 기존 AI는 동영상 분석을 수행하고 동영상 인텔리전스 기능을 사용하여 동영상 애셋에서 중요한 인사이트와 기능을 추출할 수 있습니다. 예를 들어 객체 감지, 사람 감지, 텍스트 감지와 동영상 애셋에서 추출을 수행할 수 있습니다. 생성형 AI가 이러한 유용한 정보를 사용하여 챗봇, 목록, 보고서, 기사와 같은 새로운 환경을 만들 수 있습니다.

생성형 AI와 기존 AI 투자의 비즈니스 이점을 극대화하려면 필요한 비즈니스 성과와 사용자 요구사항(비즈니스 중심 및 사용자 중심 AI 솔루션)에 우선순위를 둡니다. 이 접근 방식을 사용하면 솔루션의 관련성을 유지하고 채택을 촉진하고 효율성을 높이며 혁신을 앞당길 수 있습니다. AI 기반 솔루션에서 사용자 환경에 우선순위를 두면 기대치를 조정하고 의미 있는 결과를 제공하는 데 도움이 됩니다.

다음 단계