새로운 최고 AI 책임자를 고용해야 할 정도로 생성형 AI가 중요할까? 코파일럿 키를 내장한 키보드를 구입해야 할까? 부풀려진 기대와 투자로 속에서 기업들은 생성형 AI에 대해 어느 정도의 성과를 거두고 있을까?

생성형 AI는 종전 일회성 머신러닝(ML) 모델에서 벗어날 가능성을 제시한다. 다양한 분야에서 활용될 수 AI 도구의 가능성이다. 그러나 모든 낙관적인 전망에는 함정이 있기 마련이다. 

여러 연구에 따르면 많은 사람들이 이미 정기적으로 생성형 AI 도구를 사용하고 있다. 최근 페이지듀티의 연구에 따르면 포춘 1000대 기업 중 98%가 생성형 AI를 실험하고 있다. 하지만 동시에 많은 조직이 생성형 AI에 대해 신중한 접근 방식을 취하고 있는 것으로 보인다. 예를 들어, 파운드리의 2023 AI 우선순위 연구에 참여한 IT 의사결정권자 중 4분의 1이 생성형 AI 기술을 시험적으로 사용하고 있다고 응답했지만, 이중 배포 단계로 나아간 비율은 20%에 불과했다. 

CCS 인사이트의 직원 기술 및 업무 환경 혁신 설문조사에 참여한 고위급 리더들의 응답도 비슷했다. 2023년 말을 기준으로 18%는 이미 전체 직원에게 생성형 AI를 배포했고 22%는 배포할 준비가 되었다고 답했다. CCS 인사이트의 엔터프라이즈 리서치 디렉터 볼라 로티비는 "단 올해 중 생성형 AI의 현실 활용을 기대하는 조직이 많다”라고 말했다. 

또 인텔의 2023년 ML 인사이더 설문조사에 참여한 AI 전문가와 같은 IT 팀들의 응답에 따르면, 2023년에 차세대 AI 솔루션을 비즈니스 현장에 도입한 조직은 10%에 불과했다.

현장 배포에 대한 준비
생성형 AI 투자, 파일럿 및 계획을 가진 기업은 많지만, 생산성 향상이나 ROI의 구체적인 내용에 대해 이야기하는 조직은 상대적으로 적다. 예를 들어 골드만삭스, IHG, 메르세데스 벤츠와 같은 많은 구글 고객사들은 최근 구글 클라우드 넥스트 컨퍼런스에서 제미니 생성형 AI 도구를 사용한 사례에 대해 발표했지만, 대개 배포가 아닌 파일럿 단계의 것들이었다.

물론 단순한 실험 수준을 넘어선 파일럿일 수 있다. 맥킨지에 따르면 산업 디자인 팀이 LLM 기반의 연구 요약 기능과 AI 이미지 생성 기능을 사용하는 경우 제품 개발 주기를 70% 이상 단축할 수 있다. 그러나 이러한 디자인 팀이 현실적으로 제조할 수 있는 제품을 만들기 위해서는 평가 및 수정 작업을 추가적으로 해야 한다. 또 정책을 설정하고 직원을 교육해야 한다. 

화장품 기업 에스티 로더는 고객 인사이트, 행동 연구 및 시장 동향에 대해 내부 챗봇 훈련과 같은 파일럿 프로젝트를 적용했다. 그러나 이러한 가치를 현실화하는 방법은 여전히 연구 단계에 있다. 

현실적인 가치를 이미 얻고 있다는 기업도 있다. 마이크로소프트는 자사 직원들이 마이크로소프트 365용 코파일럿을 비롯한 생성형 AI 도구를 통해 상당한 가치를 얻고 있다고 주장한다. 회사의 최신 업무 및 비즈니스 애플리케이션 부문 CVP인 제라드 스파타로는 "수준급 사용자들은 한 달에 10시간 이상을 절약하고 있다"라며, 사용자의 70%는 생산성이 향상되어 최대 1/3까지 더 빠르게 작업할 수 있다고 전했다.

그러나 포레스터의 수석 분석가인 JP 가운더는 한 달에 5시간 정도의 절약이 일반적이라며, 또 다른 문제는 조직 전체에의 확장 문제라고 말했다. 그는 이어 지금까지 코파일럿 도입이 ‘포켓’에서 이루어지는 경향이 있다고 지적했다. 이는 마케팅 및 영업, 서비스 및 지원, 제품 개발 등의 일부 부서에서 대부분의 생성형 AI 배포가 이루어지고 있다는 맥킨지의 보고서와 일치한다.

해당 보고서에 따르면 설문조사에 참여한 통신사들은 낙관적인 가운데에서도 효과 범위를 제한하고 있었다. 대다수는 생성형 AI를 통해 비용을 절감하고 콜센터 상담원의 생산성이 향상되고 개인화된 콘텐츠를 통해 마케팅 전환율이 개선되었다고 답했으며, 두 모델 모두 몇 달이 아닌 몇 주 만에 배포되었다고 답했다. 그러나 고객 서비스나 매핑 네트워크 인프라 외에는 그 영향이 미미했다.

조직 전체로 확장
마이크로소프트의 초기 테스트 고객 중 일부는 이미 광범위한 배포 단계에 진입했다. 빠르게 마이크로소프트 365 코파일을 테스트한 글로벌 로펌 기업 클리포드 챈스는 현재 애저 오픈AI를 기반으로 구축한 맞춤형 AI 도구인 ‘클리포드 챈드 어시스트’를 전체 직원에게 배포하고 있다. 이 회사는 생성형 AI의 모든 법적 결과물을 자격을 갖춘 변호사가 명확하게 확인하고 분류한다며, 주요 이점은 실시간 기록, 회의 요약, 회의에서 암묵적으로 약속하고 합의한 작업 등 지식 근로자의 생산성 향상이라고 전했다.

가운더는 “생산성을 높이고 시간을 절약하며 훌륭한 인간 비서가 될 수 있는 놀라운 기술이다. 그러나 지난 40년 동안 컴퓨팅 분야에서 출시되어 온 도구와는 다른 성격을 지닌다. 성공을 위해 알아야 할 특징들이 있다”라고 말했다. 그는 조직의 AI 지수를 평가하기 위한 몇 가지 질문을 다음과 같이 제시했다.

- AI와 프롬프트 엔지니어링의 작동 방식에 대한 기본적인 이해가 있는가?
- 교육을 받은 적이 있는가?
- 이러한 것들을 배울 수 있다는 자신감이 있는가?
- 참여하고 싶은 동기가 있는가?
- 무엇이 잘못될 수 있고 어떻게 윤리적 사용자가 될 수 있는지 알고 있는?

또 다른 문제는 직원들이 생성형 AI 도구를 워크플로우의 일부로 활용하도록 하는 것이다. "코파일럿에 대해 매우 낙관적이며 호의적인 이들이 있다. 하지만 사용자의 절반은 도구를 사용하지 않는다. 이는 교육에 대한 투자가 부족하기 때문일 수 있다”라고 그는 말했다.

그에 따르면 마이크로소프트 365용 코파일럿을 검토하는 거의 모든 주요 기업은 1시간 정도의 직원 교육만 계획한다면서, 10시간 정도가 적정 수치라고 제안했다. 가운더는 "이것은 핵심 기술이며, 교육에 투자하지 않으면 손해를 볼 수 있기 때문에 교육에 투자해야 한다"라고 말했다. 

현실 성공 사례
문서 엔지니어링과 같은 일부 분야에서는 이미 구체적인 생성형 AI 성공 사례가 나타나고 있다. 일례로 도큐가미(Docugami)는 문서 생성 및 데이터 추출에 사용할 수 있는 맞춤형 소형 언어 모델을 통해 고객의 복잡한 문서로부터 지식 그래프를 구축해 성과를 거두고 있다. 

회사의 진 파올리 CEO는 특히 보험 분야의 기업들이 가치 평가서, 보험 증서, 갱신 날짜, 위약금 및 책임이 포함된 보험 문서를 위해 도큐가미의 솔루션을 채택해왔다고 전했다. 과거에는 개별 고객과 전체 포트폴리오의 위험을 설명하는 중요한 정보를 반영해 새로운 견적을 생성하거나 재보험사에게 포트폴리오를 설명하는 작업이 수동으로 이뤄졌다는 설명이다. "이러한 시나리오는 몇 백 달러가 아니라 수백만 달러를 절약할 수 있는 실제 시나리오다"라고 파올리는 말했다.

회사의 앨런 예이츠 최고 비즈니스책임자는 또 생명과학 분야의 한 고객 기업의 경우 임상시험 문서화, 규정 준수 및 데이터 탐색을 위해 도큐가미의 플랫폼을 사용하고 있다면서, "이전에는 이 작업을 수행하는 데 6개월이 걸렸지만 지금은 1주일이면 충분하다”라고 말했다. 

생성형 AI를 본격적으로 활용하는 또 다른 분야로는 소프트웨어 개발이 있다. 하지만 초기에는 생산성 향상 효과가 낮을 수 있다. 시스코가 6,000명의 자사 개발자에게 깃허브 코파일럿을 배포했을 때, 생성된 코드를 수락한 비율은 19%에 불과했다. 지금은 코드 제안의 거의 절반이 받아들여지고 있다. 

한편 전문 지식이 부족한 시민 개발자가 로우 코드 플랫폼을 사용하는 경우 AI로 인한 이득이 훨씬 더 클 수 있다. 디지털 보험 에이전시인 N슈어닷컴은 자동화 흐름을 자연어로 설명할 수 있도록 함으로써 큰 성과를 거뒀다. 생성 및 구성하는 데 4시간이 걸리던 워크플로우가 파워 오토메이트용 코파일럿을 사용해 40분 만에 처리할 수 있게 됐다. 

또한 PG&E는 파워 플랫폼의 로우코드 코파일러스 스튜디오 생성형 AI 도구로 페기(Peggy)라는 IT 헬프데스크 챗봇을 구축해 직원 요청의 25~40%를 처리함으로써 연간 110만 달러 이상을 절감했다고 마이크로소프트 코파일럿 책임자 노아 게신은 전했다. 그에 따르면 페기가 직원들에게 SAP에 대한 액세스 권한을 잠금 해제하는 과정을 안내함으로써 헬프데스크 팀에서만 연간 840시간을 절약할 수 있었다. 

총 비용에 유의
주문형 생성형 AI 도구의 관련 비용을 정확하게 예측하기는 어렵기 때문에 배포를 주저할 수 있다. 개별 생성형 AI 서비스 비용을 저렴할지라도 전사적 배포에서는 큰 비용이 될 수 있기 때문이다.

링크드인의 수석 소프트웨어 엔지니어인 후안 보타로는 "외부 공급업체를 이용하든 내부에서 개발하든, 생성형 AI에서 가장 먼저 고려해야 할 사항은 비용”이라고 강조했다. 그의 팀은 최근 프리미엄 사용자를 대상으로 채용 공고에 적합한지, 어떤 기술이나 자격을 갖추면 채용 가능성을 높일 수 있는지 제안하는 새로운 생성형 AI 기능을 출시했다.

그는 "더 빠르게 움직이고 싶었지만, 사용 가능한 용량과 GPU가 충분하지 않아서 기다리기로 결정했다"라고 말했다. 새 워크플로우의 비용을 예측하기는 어렵고, 사람들의 상호 작용 방식이 매우 다르기에 사용량에 대한 가정을 확신할 수 없었기 때문이다. 대신 소수의 사용자에게 배포하고 그들의 행동을 통해 추론하기로 했다고 그는 덧붙였다.

보타로는 이어 "우리는 한두 달 만에 현재 프리미엄 경험에서 볼 수 있는 것과 매우 유사한 것을 만들 수 있었다"라고 전했다. 

CCS 인사이트의 로티비는 생성형 AI 파일럿의 경우 다른 클라우드 서비스와 마찬가지로 API 관리 게이트웨이를 통해 클라우드 AI 서비스에 대한 쿼터 및 아웃바운드 요청 속도 제한을 고려할 수 있다고 설명했다. 그에 따르면 대다수 기업은 생성형 AI의 사용을 특정 역할, 개인 또는 팀으로 제한할 계획이며, 이는 비용 문제 때문인 경우가 많다. "조직 전체에 적용하기에는 너무 비쌀 수 있다"라고 그는 말했다.

무엇을 ‘측정’할 것인가
가우더는 자체 보고된 생산성이 생성형 AI 성공을 측정하는 최선의 방법은 아니며, 배포에 따라 중요한 지표가 달라질 수도 있다고 지적했다. 그는 "티어 1 지원 전체를 생성형 AI에 맡기고 정말 좋은 자연어를 보유하고 있다면 성공률이 높아질 것이다. 하지만 인간의 경험은 다른 문제다. 통화 시간보다는 고객 만족도에 대한 측정 지표가 더 중요할 수 있다"라고 말했다.

또 인공지능 결과의 품질과 정확도를 측정하기란 까다로울 수 있다. 동일한 입력을 해도 매번 다른 결과가 나올 가능성이 높기 때문에 더 어려워진다. 때로는 평가를 위한 벤치마크를 만들어야 한다. 보타로는 “어떤 것이 옳은지 그른지를 정의하는 것은 매우 주관적이고 측정하기 어렵다"라고 말했다.

그의 팀은 도구를 평가하기 위해 좋은 응답이 어떤 모습인지에 대한 공유 지침을 만들었다. 마이크로소프트도 코파일럿 포 애저를 지원하는 애스크 런 API에 대해 답변 품질을 테스트할 근거 데이터와 메트릭을 나타내는 참조 데이터로 구성된 '황금 데이터 세트'를 구축한 바 있다.

가우더는 ROI 입증해야 한다는 압박감이 있지만 대다수 기업이 아직은 그 단계에 이르지 못했다고 경고했다. 영업용 코파일럿의 경우 전환율, 거래 흐름 또는 통화 해결까지의 평균 시간 개선을 참고할 수 있기는 하지만, 변수가 너무 많은 상황에서 직접적인 인과 관계를 가정하는 것은 주의해야 한다고 그는 덧붙였다.

아울러 정량화할 수 없는 이점도 TCO 측면에서 가치가 있을 수 있음을 감안해야 한다. 가우더는 "코파일럿을 제공함으로써 시간을 절약할 수 있을 뿐만 아니라 지루한 업무를 덜어준다고 가정해 보라. 이는 직원 경험 개선으로 이어질 수 있다. 직원 경험 혜택은 이직률을 낮추고 직원들의 동기 부여와 참여도를 높이는 경향이 있다"라고 말했다.

한편 보타로는 생성형 AI와 LLM에 대한 열망이 상황을 복잡하게 만든다고 말했다. "구축이 결정된 상황에서 가치를 측정하는 방법을 찾으려는 접근법이 흔하다. 이는 잘못된 접근 방식이다”라며, 일부 사용 사례에서는 기존 AI로도 충분할 수 있다는 가능성을 열어두라고 제안했다.

생성형 AI 실패 막으려면…
생성형 AI를 도입하는 것이 적절한지, 사용자가 부정확한 답변을 반박할 수 없는 진실로 받아들이는 것을 막는 방법은 무엇인지, 학습 세트에 저작권과 부적절한 자료가 포함되지는 않는 지와 같은 질문을 진지하게 검토해야 한다.

보고된 생성형 AI 실패 사례 다수는 모델 자체의 내재적 문제보다는 경계를 넘나드는 사용자의 무책임한 행동이나 조직이 충분한 AI 기반 보호 도구를 마련하지 않은 것에서 비롯된 경우가 많다. 딥페이크나 단순한 디지털 위조, 학습에 사용된 데이터의 저작권과 관련된 잠재적인 법적 위험, 민감한 데이터나 기밀 데이터에 생성형 AI를 사용할 때 규정 준수에 대한 문제 등이 생성형 AI와 관련된 주요 우려 요소로 손꼽힌다. 

아울러 클라우드 생성형 AI 서비스의 경우, 모든 클라우드 모델과 마찬가지로 공동 책임이라는 개념을 수용해야 한다. AI 제공업체는 안전하게 사용할 수 있는 모델과 서비스를 제공해야 하지만, AI 서비스를 채택하는 조직은 모델 카드와 투명성 노트를 읽고 사용 방식을 적절히 제한하고 있는지 테스트해야 한다.

가운더는 "일부 조직은 챗봇을 지나치게 확장하고 일관성 없는 답변을 제공하고 있음을 뒤늦게 깨닫는다”라며, "그렇다고 포기해야 한다는 말은 아니다. 고객에게 출시하기 전에 프로젝트를 철회하고 오프라인에서 반복 작업을 시도할 수 있다"라고 말했다.

한편 생성형 AI에 대한 조직의 성숙도는 일반적으로 기존 AI의 성숙도를 뒤따르는 경향이 있다. 가운더는 "예측 AI, 컴퓨터 비전, 머신러닝에 더 많은 투자를 해온 기업들에서 성공 비율이 높다. 자체 AI 도구를 구축하는 기업들은 여러 기술을 사용하고 있으며, 생성형 AI를 하나의 요소로 취급한다”라고 말했다. 

보타로 또한 생성형 AI에 대한 과대광고를 극복하는 방법으로 이를 또 하나의 도구로 보는 것이라고 말했다.

https://www.ciokorea.com/news/335605

https://www.itworld.co.kr/news/334072

2024년에 피할 수 없는 유행어가 있다면 아마도 "이스라엘", "선거", "머스크"일 것이다. 하지만 IT 산업으로 범위를 좁혀 하나만 꼽으라면 바로 AI이다. 암호화폐 열풍과 그 후의 폭락이 연상될 정도로, AI에 대한 높은 관심을 이용해 많은 사업이 진행되고 있다. 물론, 모두가 열풍에 올라타고 폭락은 피하고 싶을 것이다.

여기서 ‘모두’는 거의 모든 IT 업체를 말한다. 오픈AI가 이 골드러시의 중심에 있고 엔비디아가 금광을 필요한 디지털 삽을 팔고 있지만, 더 전통적인 IT 업체 역시 손 놓고 보고만 있는 것은 아니다. 유행어가 늘 그렇듯, 모든 새 PC가 'AI PC'라는 말로 빠르게 희석되고 있으며, 실제 사용자에게는 아무 의미가 없는 용어가 됐다.
 

ⓒ Microsoft
그러나 "AI"가 의미하는 생성형 AI 툴에 대해서는 일반적으로 두 가지 접근 방식이 있는 것 같다. 하나는 마이크로소프트 코파일럿처럼 챗GPT의 인기에 올라타는 것이고, 다른 하나는 구글 제미나이 시스템이나 애플의 곧 출시될 생성형 AI처럼 차세대 스타를 기대하며 새로운 AI를 내놓는 것이다.
 

어디에나 있는 AI 버튼

암호 화폐 열풍과 달리 생성형 AI는 기술을 이해하지 못해도 누구나 사용할 수 있다. 예를 들어, 몇 번의 키 입력만으로 새로운 폴아웃 TV 쇼를 풍자하는 시를 지을 수도 있다. 아주 뛰어난 시가 나오지는 않겠지만, 느린 인간의 두뇌로 몇십 분이 걸려 대사를 만드는 대신 컴퓨터가 몇 초 만에 대신 생각해 주는 것을 선호하는 이유는 누구나 알 수 있다. 그 매력은 부인할 수 없는 것이다. 
 

삼성 갤럭시 북4 울트라 코파일럿 키. 올해 모든 신형 노트북에는 마이크로소프트의 챗GPT 인터페이스로 바로 이동할 수 있는 코파일럿 버튼이 제공될 예정이다. ⓒ Mark Hachman / IDG
그래서인지 이들 업체는 물리 인터페이스와 디지털 인터페이스 모두에서 AI를 전면에 내세우려고 안간힘을 쓰고 있다. 마이크로소프트는 모든 새로운 윈도우 노트북에 전용 코파일럿 키를 제공해 사용자가 작업 표시줄의 아이콘을 클릭하는 것보다 훨씬 더 즉각적인 방식으로 챗GPT 인터페이스와 상호 작용할 수 있도록 하고 있다. 구글은 안드로이드의 독보적인 기능 중 하나인 어시스턴트를 제미나이로 대체하고 있다.

틈새 제품도 늘어나고 있다. 초기 리뷰에서 호평을 받고 있는 휴매닉 Ai 핀이 대표적이다. AI 기반 삼성 냉장고는 말할 것도 없고, AI 기반 아기 울음소리 번역기가 얼마나 뛰어난 성능을 보여줄지도 지켜볼 일이다.
 

휴메인 AI 핀 ⓒ Humane
AI 열풍에서 얻을 것이 별로 없어 보이는 로지텍도 이 흐름에 뛰어들었다. 로지텍 M750 마우스의 시그니처 AI 에디션에는 짧은 생성형 AI 작업에 초점을 맞춘 또 다른 버전의 챗GPT를 소환하는 전용 버튼이 있다. 이 기능은 이제 로지 옵션+(Logi Options+)에 내장되는데, 이는 로지텍의 마우스와 키보드 대부분에서 동일한 기능이 제공된다는 뜻이다. 다른 로지텍 제품의 다음 버전에도 전용 AI 버튼이 등장할 것으로 예상되는데, 어쩌면 로지텍이 새로운 MX 마스터 마우스를 출시하는 이유가 될지도 모른다.
 

로지텍 시그니처 AI 에디션 마우스. 로지텍의 최신 마우스에는 챗GPT를 사용하기 위한 또 다른 인터페이스를 띄우는 전용 AI 버튼이 있다. ⓒ Logitech
처음 보는 광경처럼 느껴질지 모르지만, 이전에도 비슷한 경험이 많았다. 슈퍼볼 광고에서 맷 데이먼이 비트코인을 사지 않으면 겁쟁이라고 했던 기억을 말하는 것이 아니다. 마이크로소프트가 마우스에 윈도우 버튼이 있으면 좋겠다고 하던 시절을 말하는 것도 아니다. 새로운 아이디어가 하룻밤 사이에 디지털 생활의 모든 측면으로 확산되는 경우는 많았다. 방금 오싹함을 느꼈다면 코타나의 유령이 어깨에 올라타고 있는 것일 수도 있다. 
 

이미 들어 본 노래

구글이 어시스턴트로 성공을 거두고 애플이 시리로 기반을 확보하자 모든 업체가 자체 음성 챗봇을 원했다. 아마존에는 알렉사, 마이크로소프트에는 코타나, 심지어 삼성에도 당황스러운 이름의 "빅스비"가 있다. 그리고 이들 챗봇은 디지털 인터페이스와 물리 인터페이스 모두에서 동일한 방식으로 추진됐다. 

삼성은 수억 대의 안드로이드 휴대폰에 빅스비 전용 버튼을 제공했다. 당시 안드로이드 정보 사이트에서 일했던 사람으로서 '빅스비 버튼 변경 방법' 검색으로 벌어들인 모든 수익에 대해 감사의 말을 전하고 싶다. 애플은 아이폰의 홈 버튼에 시리를 배치했고, 마이크로소프트는 악명 높은 윈도우 10 작업 표시줄에 코타나를 붙였다. 

친숙한 이야기일지도 모른다. 코타나는 윈도우의 첫 부팅 인터페이스에서도 목소리로 사용자에게 바로 말을 걸어 클리피의 그림자를 보여줬다. 일부 제조업체는 노트북 키보드에 코타나 전용 버튼을 넣거나 특정 트랙패드 제스처로 코타나를 활성화하는 등 마이크로소프트에 빠져들기도 했다. 

시리는 존재감은 달라졌지만 여전히 건재하다. 어시스턴트는 불만이 없는 것은 아니지만, 제미나이로 변신하고 있다. 알렉사 역시 여전히 살아 있지만, 아마존은 알렉사로 수익을 창출하는 방법을 아직 모른다. 그리고 빅스비는 삼성 소프트웨어 개발팀의 깊은 곳에서 AI 기반 비서가 되기 위해 부활한 것으로 보인다.

잘 알려진 것처럼, 코타나는 이미 마지막이 예정되어 있다. 마이크로소프트의 막대한 시간과 비용, 그리고 적지 않은 사용자 불만이 실제 제품보다 농담으로 더 많이 기억되는 무언가에 허비됐다. 그리고 코타나에서 가장 기억에 남는 것은 마이크로소프트가 오랫동안 코타나를 사용자에게 밀어붙였던 방식이다.
 

ⓒ Logitech
필자는 코파일럿이나 챗GPT와 같은 생성형 텍스트 도구를 부정적으로 생각하는 경향이 있다. 매우 현실적이고 본능적인 방식으로 배열을 취하고 있으며, 생성형 텍스트를 읽는 것은 마치 누군가가 크레용으로 TPS 보고서를 작성하는 것처럼 느껴지기 때문이다. 하지만 비교적 간단한 작업에서 엄청난 시간을 절약할 수 있다는 사실만으로도 많은 사용자가 왜 이 툴을 유용하게 생각하는지 알 수 있다. 필자가 판단할 일은 아니지만, 숙제를 커닝하는 것도 여기에 속할 것이다.

하지만 화면과 전용 버튼 등 인터페이스에 AI 툴을 마구 배치하는 것은 사용자의 불만을 야기하는 가장 빠른 방법이다. 아무도 마우스에 윈도우 버튼을 원하지 않았고, 아무도 와이파이 네트워크에 로그인하기 위해 코타나에게 말을 걸고 싶지 않았으며, 아무도 스마트 글래스로 사진을 찍으라고 챗GPT에게 요청하고 싶어 하지 않았다. 

생성형 AI는 기업과 일반 소비자 모두에게 흥미로운 툴이 될 수 있다. 아니면 구글 검색엔진이 걸러낼 방법을 찾아야 하는 쓰레기 텍스트로 웹을 가득 채울 반짝 유행일 수도 있다. 하지만 미래가 어떻게 되든 사용자에게 억지로 강요하는 것보다 더 빨리 싫증을 느끼게 하는 방법은 없다. 과거의 실수를 되풀이하지 말라는 코타나의 경고에 귀를 기울이기 바란다.

https://www.news1.kr/articles/5357954

#.김모군은 어린시절 폐질환 치료를 위해 학교를 그만두고 홀로 시간을 보냈다. 병원비 지출이 크고 집안형편도 넉넉하지 않았지만 '서울런' 인강으로 마음을 다잡고 공부에 집중했다. 결국 지난해 대학수학능력시험(수능)에서 3개를 틀리고 올해 의과대학 신입생이 됐다. 

서울시 온라인 공공 교육 플랫폼 '서울런'에서 인터넷 강의를 들은 취약계층 10명 중 6명이 올해 대학 입학에 성공했다. 특히 서울런 수강생 10명 중 SKY(서울대·고려대·연세대) 등 서울 시내 11개 대학과 의약계열·교육대학·사관학교 합격자는 1년새 56%가량 늘었다. 

구종원 서울시 평생교육국장은 21일 오전 서울시청 청사에서 서울런 진로·진학 실태 조사를 발표하는 간담회를 열고 "지난해 서울런 회원인 고3 이상 학생 중 수능 응시자는 1084명이고, 이중 682명이 대학에 합격했다"며 "서울대를 비롯한 시내 11개 대학·의약학 계열·교대·사관학교 등 특수목적 계열 대학 진학 인원도 지난해 78명보다 56.4% 증가한 122명"이라고 말했다. 

서울시가 2021년 8월 도입한 '서울런'은 기초생활수급자 또는 중위소득 50% 이하 차상위계층 가구의 만 6∼24세에게 유명 사설 인터넷 강의와 1대1 멘토링을 무료로 지원하는 프로그램이다. 

메가스터디·이투스·밀크티(T) 같은 교과목·EBS·자격증(에듀윌, 해커스), 독서(윌라 오디오북) 분야 강의를 각각 1개씩 선택해 최대 4개의 학습 사이트 수강을 지원한다. 

2021년 처음 도입된 서울런의 지난해 입시 결과는 크게 개선됐다. 2월 19일부터 3월 6일까지 지난해 수능을 본 서울런 회원 1084명을 대상으로 설문조사를 한 결과, 올해 대학 합격자(682명)는 전년 대비 48% 증가했다. 합격자 비율이 63%로, 서울런으로 입시를 준비한 10명 중 6명이 대학에 붙었다. 

주요 명문대를 간 학생들도 늘었다. 서울 내 11개 학교와 특수목적 계열(의·약학계열, 교대, 사관학교, 과학기술 특성화 대학)에 입학한 학생(122명)은 전년대비 34명 증가했다. 서울 소재 11개 대학 합격자(106명)는 35명 늘었고, 의대 진학자는 6명에서 9명으로 증가했다. 

학교별로 살펴보면 △서울대 12명 △고려대 12명 △연세대 10명 △서강대 4명 △성균관대 5명 △한양대 7명 △중앙대 15명이다. 

특히 서울대·고려대 합격생이 큰 폭으로 늘었다. 각각 전년대비 8명·7명씩 올랐다. 

지난해 삼육대에 떨어진 뒤 올해 한양대 새내기가 된 이채연 학생은 "첫 대입 실패로 좌절하고 있을 때 서울런이 정말 큰 도움이 됐다"며 "스스로도 놀랄 만큼 제가 생각한 한계를 훌쩍 넘었다"고 전했다. 

서울시는 서울런이 교육 사다리 복원 사업이라고 강조했다. 구종원 국장은 "경제력이 학업의 허들 되지 않게 하는 게 서울런의 철학"이라며 "서울런 도입 후 사교육비를 줄였고, 비율도 무려 (서울런 회원의) 42%"라고 설명했다. 

서울런은 올해도 안정적인 대학 진학 성과를 위해 주요 기능을 추가한다. 대표적으로 인공지능(AI) 기반 학습진단 프로그램을 도입한다. 

학생에게 EBS 문제집 문항 80만개 중 개인 맞춤 문제를 주고 자주 틀리는 문제는 계속 풀 수 있도록 한다. 예를 들어 학생이 특정 문제를 틀렸을 경우, AI가 난이도가 하향 조정된 문제를 주고, 취약 부분으로 진단 받은 과목의 기본 개념 강의를 추천한다. 한 달간 학습 데이터를 모아 AI 월간 리포트도 제공한다. 

공부를 열심히 하는 학생 200명을 위한 '서울런 집중 지원반'도 올해 처음 생긴다. 최대 30권의 학습 교재를 지원하고, 매주 4시간의 멘토링을 진행한다.

문학/예술 업계 현직자의 AI에 대한 솔직한 이야기 || 시인 '하상욱' 초대석 2부

https://www.youtube.com/watch?v=rF8U-CdoTSY

‘굶주린 짐승’처럼 물·전기 퍼먹는 이것, 전세계 골머리

https://www.chosun.com/economy/tech_it/2024/03/07/Z7WTVPHCAVAMPA5NHMROJG2QPU/

인공지능(AI) 시대 필수 인프라로 꼽히는 데이터센터가 ‘굶주린 짐승’처럼 전기와 물을 먹어치우면서 각국 정부와 기업들이 골머리를 앓고 있습니다. 데이터센터에서 물과 전기 사용량을 줄이기 위해 당국이 규제 강도를 높이자 기업들은 기술 개발에 나서는 등 대책 마련에 분주합니다.

네이버 데이터센터 내 '서버룸'. 수많은 서버를 보관하는 공간 (네이버 제공) /뉴스1

최근 생성형 AI 열풍이 불면서 AI 학습과 서비스에 필요한 데이터센터가 세계 곳곳에서 건설되고 있습니다. 현재 8000개에 달하는 데이터센터가 운영 중입니다. 문제는 데이터센터에서 발생하는 열을 식히기 위해 엄청난 양의 물이 필요하다는 겁니다. 2022년 데이터센터 유지를 위해 마이크로소프트(MS)는 물 사용량을 전년보다 34%, 구글은 22% 늘렸습니다. 2027년에는 세계 데이터센터 물 소비량이 영국의 한 해 물 소비량의 절반에 해당할 것이란 전망도 나왔습니다. 특히 AI 데이터센터는 일반 데이터센터보다 배 이상 전력을 소모하기 때문에 국가 전력망에도 큰 부담을 줍니다.

칠레 환경 법원은 구글의 데이터센터 건설 허가를 일부 취소하며, 구글에 서버 냉각 시스템 변경을 요청했습니다. 아일랜드 더블린 시 당국은 지난해 신규 데이터센터 건설 프로젝트를 거부했고, 미국 버지니아주와 독일은 최근 주거 지역 인근에 데이터센터 허가를 제한하고 재생 에너지 사용과 폐열 재사용을 요구하고 있습니다. 극심한 가뭄을 겪고 있는 우루과이에서는 구글의 신규 데이터센터 건설을 두고 주민들이 거세게 반발하고 있습니다. 기업들은 전력 효율을 높일 시스템을 도입하고 물을 재사용하는 방식으로 대처하고 있습니다. 24시간 운영 가능한 소형 모듈 원자로(SMR)까지 대안으로 거론되고 있습니다.

산업통상자원부에 따르면 국내 데이터센터 전력 수요는 2022년 1762MW(메가와트)에서 2029년 4만9397MW로 폭증할 전망입니다. 한국도 몇 년 내에 데이터센터발 물 부족과 전력망 문제를 겪게 될 수도 있다는 뜻입니다. 각국의 사례를 반면교사 삼아 미리 대비해야 데이터센터가 한국의 AI 경쟁력을 발목 잡는 일을 막을 수 있을 것 같습니다.

샌프란시스코 차이나타운에서 불타는 웨이모

[샌프란시스코 로이터=연합뉴스]

 

(샌프란시스코=연합뉴스) 김태종 특파원 = 잇따른 사고로 자율주행 로보택시에 대한 우려가 커지는 가운데 구글의 웨이모가 불에 타는 사건이 발생했다.

12일(현지시간) 샌프란시스코 크로니클 등 현지 매체에 따르면 지난 10일 오후 샌프란시스코 차이나타운에서 웨이모 차량 1대가 사람들에 의해 불에 탔다.

이날 오후 9시께 차이나타운에서는 중국 음력설을 기념해 폭죽을 터뜨리며 불꽃놀이가 한창 진행 중이었다.

이 때 운행 중이던 웨이모 차량 1대가 이곳을 지나가다 앞차에 막혀 잠시 멈췄고, 그 사이 사람들이 차량을 에워쌌다. 그러고는 누군가 1명이 차량 앞 보닛 위로 올라가 앞 유리를 깨기 시작했다.

사람들은 손뼉을 치며 이를 지켜보고 있었고, 잠시 후 스케이트보드를 탄 또 다른 1명도 차량 위로 올라가 창문을 깨뜨렸다.

그리고 몇 분 후 웨이모는 검은 연기와 함께 화염에 휩싸였다.

회사 측은 "누군가가 (차량) 내부에 화염을 던졌고, 이에 따라 차량에 불이 붙었다"고 말했다.

소방차가 출동해 불은 진압됐다. 당시 차량에는 승객이 타고 있지 않아 부상자는 보고되지 않았다.

경찰은 화재 원인을 조사 중이라면서도 체포 여부는 밝히지 않았다. 사람들이 불을 저지른 이유는 알려지지 않았다.

다만, 지난해 제너럴 모터스(GM)의 자회사 크루즈의 잇따른 사고 이후 로보택시에 대해 증가하는 대중의 반발감을 보여준다고 현지 매체는 분석했다.

캘리포니아주는 지난해 8월 웨이모와 크루즈에 대해 샌프란시스코에서 무인 로보택시 운행을 허가했다.

그러나 크루즈가 긴급 출동 중이던 소방차와 충돌하고, 시내 교차로에서는 한 여성에 중상을 입히는 등의 사고를 내자 운행 허가를 취소했다.

지난 6일에는 웨이모 차량이 네 방향의 한 교차로에서 트럭을 뒤따라가던 자전거를 미처 발견하지 못해 충돌하는 사고가 발생한 바 있다.

https://www.yna.co.kr/view/AKR20240213003700091?rec_id=1707868181255

어떻게 해야
살아남을 수 있는가.
그 답은 사람에게 있다.
사람의 삶 속에 있다. 문자화되어 있는
지식이나 정보는 인공지능이 더 잘 알고 있다.
필요하면 챗지피티ChatGPT에게 물어보면 된다.
하지만 인공지능이 갖고 있지 못한 게 있다.
바로 지혜다. 지혜는 사람에게서 구해야
한다. 그래서 사람 공부가
최고 공부다.


- 강원국의 《인생공부》 중에서


* 지식은 백과사전에 가득합니다.
요즘에는 챗지피티ChatGPT로 대체되었습니다.
필요한 정보, 원하는 답을 놀랍게도 거의 충족해
줍니다. 그러나 이들이 지혜를 안겨주는 것은 아닙니다.
지식과 지혜는 차원이 다릅니다. 인간의 고뇌와 사색,
고난과 역경의 경험 속에서 싹트는 것이 지혜입니다.
특히 사람과 사람 사이의 경계선에서 움틉니다.
AI(인공지능) 기술과 테크놀로지가 발전할수록
인간의 정신, 철학, 윤리, 도덕에 더 많은
관심과 공부가 필요합니다.

AI를 Flutter와 통합하는 것은 모바일 앱에 새로운 차원을 추가하는 것과 같습니다. 사용자를 이해하고, 배우고, 함께 성장하는 경험을 만드는 것입니다. 음성 비서 및 챗봇부터 예측 분석 및 이미지 인식에 이르기까지 AI와 Flutter의 융합은 앱이 단순한 도구 이상의 역할을 하는 미래를 위한 길을 열어줍니다. 그들은 지적인 동료입니다.

이 기사에서는 Flutter에서 AI 통합의 이유, 내용, 방법을 살펴보겠습니다. 우리는 AI-Flutter 통합을 기다리는 다양한 통합 방법, 실제 사례, 장점, 과제 및 흥미로운 미래를 탐구할 것입니다. 앞서 나가기를 원하는 노련한 개발자이든 최신 기술 발전을 활용하려는 기업이든 이 포괄적인 가이드는 Flutter 모바일 앱에서 AI의 힘을 활용할 수 있는 통찰력과 영감을 제공할 것입니다.

Flutter의 AI 통합이 미래인 이유
경쟁이 치열한 환경에서 혁신은 두각을 나타내는 열쇠입니다. Flutter에 AI를 도입하는 개발자는 경계를 넓히고 모바일 앱으로 가능한 것을 재정의하려는 개발자입니다. AI의 기능을 활용하면 기능적일 뿐만 아니라 획기적인 제품을 만들어 사용자 참여와 만족에 대한 새로운 표준을 설정할 수 있습니다.

통합 방법
AI는 다양하고 흥미로운 방식으로 Flutter 앱에 통합될 수 있으며 각각 고유한 기능을 제공합니다.

자연어 처리(NLP) : 인간의 언어를 이해함으로써 NLP는 대화 방식으로 사용자 쿼리에 응답하는 챗봇을 강화하여 상호 작용을 더욱 자연스럽고 공감할 수 있게 만듭니다.
기계 학습(ML) : ML을 사용하면 앱이 사용자 행동을 학습하고 시간이 지남에 따라 적응할 수 있습니다. 제품 추천이든 성능 최적화이든 ML은 앱을 더욱 사용자 중심적으로 만드는 인텔리전스 계층을 추가합니다.
컴퓨터 비전(CV) : 얼굴 인식부터 물체 식별까지 CV는 이미지 기반 상호 작용의 세계를 열어줍니다. 앱은 시각적 세계를 보고 이해할 수 있으며 혁신적이고 대화형인 기능을 제공합니다.
Flutter 앱의 AI 실제 사례
Flutter에 AI가 통합되는 것은 먼 미래가 아닙니다. 지금 일어나고 있습니다. 다음은 몇 가지 고무적인 예입니다.

Google Lens : CV를 활용하여 사물과 장소를 식별하고 현실 세계와 디지털 세계의 격차를 해소합니다.
Amazon Lex : NLP를 활용하여 인간과 같은 느낌의 대화 인터페이스를 만듭니다.
Vivafit : AI와 CV를 활용하여 정적인 운동 계획을 뛰어넘어 춤, 재미, 긍정적인 감정을 바탕으로 새로운 차원의 홈 피트니스 경험을 제공하는 피트니스 앱입니다.
이러한 사례는 빙산의 일각에 불과합니다. AI가 계속 발전함에 따라 Flutter와의 통합은 더욱 강력하고 매력적인 경험을 제공하여 모바일 앱이 단순한 도구가 아니라 사용자를 이해하고, 적응하고, 함께 성장하는 지능적인 엔터티가 되는 미래를 위한 무대를 마련합니다. 모바일 앱 개발의 미래가 여기에 있으며 AI 및 Flutter와 얽혀 있습니다.

모바일 개발에서 AI의 장점
인공 지능과 모바일 개발의 융합은 가능성과 이점의 새로운 시대를 열었습니다. AI가 제공하는 몇 가지 뛰어난 이점은 다음과 같습니다.

향상된 사용자 경험
개인화 : AI 알고리즘이 사용자 행동과 선호도를 분석해 맞춤형 경험을 선사합니다. 노래 추천, 제품 제안, 앱 인터페이스 조정 등 AI는 앱이 개별 사용자의 공감을 불러일으키도록 보장합니다.
지능형 상호 작용 : AI 기반의 챗봇 및 음성 도우미와 같은 기능은 원활하고 직관적인 상호 작용을 제공하여 앱이 더욱 인간과 같고 매력적인 느낌을 줍니다.
예측 분석 : AI는 사용자가 요청하기 전에도 사용자 요구를 예측하고 솔루션을 제공할 수 있습니다. 이러한 사전 예방적 접근 방식은 사용자 만족도를 높이고 보다 효율적인 사용자 여정을 창출합니다.
생산성 향상
자동화 : AI는 반복적이고 시간이 많이 걸리는 작업을 자동화하여 개발자와 기업이 보다 중요한 측면에 집중할 수 있도록 합니다. 고객 지원부터 데이터 분석까지 자동화는 프로세스 속도를 높이고 효율성을 향상시킵니다.
실시간 의사결정 : 방대한 양의 데이터를 실시간으로 분석하는 AI의 능력은 보다 빠르고 정보에 입각한 의사결정을 가능하게 합니다. 마케팅 전략을 조정하든 앱 성능을 최적화하든 상관없이 실시간 통찰력이 성공을 주도합니다.
오류 감소 : AI 알고리즘은 인간 개입에 비해 오류가 발생할 가능성이 적습니다. 일관성과 정확성을 제공하여 보다 안정적이고 강력한 앱 경험을 보장합니다.
새로운 수익원
AI 기능 수익 창출 : 개발자는 프리미엄 AI 기반 기능을 도입하여 수익 창출을 위한 새로운 길을 만들 수 있습니다. 예를 들어 기본 사진 편집 앱은 AI를 사용하여 이미지를 자동으로 향상시키는 프리미엄 기능을 제공할 수 있습니다.
타겟 광고 : AI의 데이터 분석 기능을 통해 보다 타겟이 명확하고 개인화된 광고가 가능해 전환율이 높아지고 광고 수익이 증가합니다.
고객 유지 강화 : AI는 사용자 요구에 지속적으로 적응하고 개인화된 경험을 제공함으로써 고객 유지에 도움을 줍니다. 만족한 사용자는 앱을 계속 사용할 가능성이 높아 꾸준한 수익 흐름을 보장합니다.
강화된 보안
사기 탐지 : AI 알고리즘은 비정상적인 패턴과 행동을 탐지하여 사용자와 관리자에게 잠재적인 보안 위협이나 사기 행위에 대해 경고할 수 있습니다.
생체인식 인증 : AI를 기반으로 한 안면 인식 및 지문 스캔과 같은 기능은 앱에 더 높은 수준의 보안을 제공하여 사용자 데이터를 보호합니다.
혁신적인 특징과 기능
증강 현실(AR) 경험 : AI와 AR을 결합하면 쇼핑 앱의 가상 체험부터 대화형 게임까지 몰입형 경험으로 이어질 수 있습니다.
실시간 언어 번역 : 여행 및 커뮤니케이션 앱은 AI를 사용하여 실시간 언어 번역을 제공하고 언어 장벽을 허물고 글로벌 연결성을 강화할 수 있습니다.
생성적 AI(Generative AI) : 디자인 및 크리에이티브 플랫폼은 AI를 사용하여 독특한 시각 및 청각 콘텐츠를 생성하고 예술적 표현을 위한 새로운 길을 열어주며 멀티미디어 경험을 혁신할 수 있습니다.
Flutter 앱에 AI를 통합하는 데 따른 과제
Flutter 앱에 AI를 통합하면 수많은 이점을 제공하지만 어려움도 있습니다. 개발자와 기업은 AI 환경을 효과적으로 탐색하기 위해 이러한 장애물을 인식해야 합니다. AI 통합 중에 직면하게 되는 몇 가지 주요 과제는 다음과 같습니다.

데이터 수집
품질 및 수량 : AI 모델이 효과적으로 작동하려면 상당한 양의 고품질 데이터가 필요합니다. 이러한 데이터를 수집하는 것은 시간이 많이 걸리고 복잡할 수 있으며, 특히 데이터를 정리하고 구조화해야 하는 경우 더욱 그렇습니다.
개인 정보 보호 문제 : 개인 데이터 또는 민감한 데이터 수집은 GDPR과 같은 개인 정보 보호 규정을 준수하여 수행되어야 합니다. 데이터를 안전하고 윤리적으로 수집하고 처리하는 것이 무엇보다 중요합니다.
데이터 저장 및 관리 : 대규모 데이터 세트를 저장하고 관리하는 것은 리소스 집약적일 수 있으며 고급 스토리지 솔루션이 필요할 수 있습니다.
모델 개발
올바른 모델 선택 : 특정 작업에 적합한 AI 모델을 선택하는 것은 특히 사용 가능한 옵션이 무수히 많기 때문에 어려울 수 있습니다. 잘못된 선택은 비효율성과 성능 저하로 이어질 수 있습니다.
훈련 과제 : AI 모델을 훈련하려면 전문 지식과 상당한 컴퓨팅 리소스가 필요합니다. 특히 복잡한 모델의 경우 시간이 오래 걸리고 비용이 많이 드는 프로세스일 수 있습니다.
과적합 및 과소적합 : AI 모델이 훈련 데이터에서는 매우 잘 수행되지만 새로운, 보이지 않는 데이터에서는 제대로 수행되지 않는 과적합 위험이 있으며, 모델이 훈련 데이터에서 제대로 수행되지 않고 잘 일반화할 수 없는 과소적합 위험이 있습니다. 새로운 데이터에.
모델 배포
통합 문제 : AI 모델을 Flutter 앱에 통합하면 특히 모델이 다른 프레임워크를 사용하여 개발된 경우 호환성 문제가 발생할 수 있습니다.
성능 오버헤드 : AI 모델, 특히 복잡한 모델을 실행하는 것은 리소스 집약적일 수 있으며 잠재적으로 앱 성능에 영향을 미칠 수 있습니다.
모델 업데이트 : AI 모델은 새로운 데이터나 변화하는 사용자 행동을 기반으로 정기적인 업데이트가 필요할 수 있습니다. 사용자 경험을 방해하지 않고 원활한 업데이트를 보장하는 것은 어려울 수 있습니다.
외부 서비스에 대한 의존성
타사 플랫폼에 대한 의존성 : 많은 앱이 타사 AI 서비스에 의존합니다. 이러한 서비스가 변경되거나 중단되면 앱 기능에 영향을 미칠 수 있습니다.
네트워크 종속성 : 클라우드 기반 AI 서비스를 사용하는 앱의 경우 안정적인 인터넷 연결이 중요합니다. 특히 연결 상태가 좋지 않은 지역에서는 이것이 항상 실현 가능한 것은 아닙니다.
Flutter에서 새로운 AI 구현 가능성을 열어보세요
Flutter에 AI를 통합하는 것은 끊임없이 진화하는 분야로, 새로운 가능성과 혁신적인 솔루션의 문을 열어줍니다. 개발자가 Flutter 모바일 개발에서 AI 구현의 잠재력을 최대한 활용할 수 있는 방법은 다음과 같습니다.

맞춤형 AI 모델 개발
사전 훈련된 모델 : 이미지 인식, 자연어 처리, 기계 번역 등 다양한 작업에 사전 훈련된 AI 모델이 많이 있습니다. 이러한 모델은 필요에 맞게 미세 조정되고 앱에 신속하게 통합되어 시간과 리소스를 절약할 수 있습니다.
원하는 대로 사용할 수 있는 프레임워크 : TensorFlow 및 PyTorch와 같은 도구를 사용하면 맞춤형 모델을 더 쉽게 구축하고 학습할 수 있습니다. 개발된 후에는 이러한 모델을 Flutter와 호환되는 형식(예: ONNX )으로 변환하거나 나중에 애플리케이션에서 사용할 수 있는 API를 통해 배포할 수 있습니다.
클라우드 AI 서비스
통합 용이성 : 많은 클라우드 제공업체는 API를 통해 액세스할 수 있는 즉시 사용 가능한 AI 서비스를 제공합니다. OpenAI, Google Cloud AI, Microsoft Azure Cognitive Services 또는 Amazon Rekognition과 같은 플랫폼은 Flutter 앱에 쉽게 통합할 수 있는 AI 기능을 제공합니다.
다양한 기능 : 클라우드 AI 서비스는 음성 인식, 언어 번역, 얼굴 인식 등 다양한 AI 기능을 포괄하여 다양한 AI 요구에 맞는 원스톱 솔루션을 제공합니다.
온디바이스 AI
개인정보 보호 및 오프라인 지원 : 온디바이스 AI는 모든 AI 처리가 사용자 기기에서 직접 이루어지도록 보장합니다. 이를 통해 데이터 개인정보 보호를 보장할 뿐만 아니라 앱이 오프라인 모드에서도 AI 기능을 제공할 수 있습니다.
프레임워크 및 패키지 : TensorFlow Lite 및 Flutter의 tflite 패키지 와 같은 도구를 사용하면 기기 내 AI 통합에 더 쉽게 접근할 수 있습니다. 이러한 도구를 사용하면 개발자는 모바일 장치에서 AI 모델을 배포하고 실행할 수 있으므로 네트워크 연결에 의존하지 않고 원활한 사용자 경험을 보장할 수 있습니다.
Flutter용 AI 플러그인 및 패키지
Flutter 생태계에는 AI 기능 통합을 단순화하도록 설계된 플러그인과 패키지가 풍부합니다. 이러한 도구는 복잡한 AI 작업을 캡슐화하여 개발자가 복잡한 기계 학습이나 데이터 과학에 깊이 관여하지 않고도 AI의 기능을 더 쉽게 활용할 수 있도록 해줍니다. Flutter에서 사용할 수 있는 몇 가지 뛰어난 AI 플러그인과 패키지를 살펴보세요.

Flutter용 인기 AI 프레임워크
Firebase MLKit : 강력한 머신러닝 API 세트인 Firebase MLKit는 개발자에게 이미지 인식, 객체 감지, 텍스트 분류와 같은 작업에 적합한 사전 학습된 여러 모델을 제공합니다. Flutter와의 원활한 통합을 통해 개발자는 번거로움을 최소화하면서 AI 기능을 추가할 수 있습니다.
TensorFlow Lite : TensorFlow의 모바일 최적화 버전인 TensorFlow Lite는 모바일 장치용으로 특별히 설계되었습니다. 이를 통해 개발자는 모바일에서 직접 기계 학습 모델을 교육하고 배포하여 효율적인 성능을 보장하고 대기 시간을 줄일 수 있습니다.
PyTorch Mobile : 인기 있는 PyTorch 프레임워크의 확장인 PyTorch Mobile은 모바일 플랫폼에 맞춰 제작되었습니다. 모바일 장치에서 기계 학습 모델을 교육하고 배포할 수 있는 유연성을 제공하여 성능과 기능 간의 균형을 제공합니다.
유용한 링크 및 패키지
Flutter Gems는 기계 학습 전용 섹션을 제공하는 Flutter용으로 선별된 패키지 가이드입니다. 다양한 AI 기능을 지원하는 다양한 패키지를 나열하여 개발자에게 AI 통합을 위한 원스톱 리소스를 제공합니다.
Image Picker를 사용하면 개발자는 장치의 카메라나 갤러리를 사용하여 이미지를 캡처할 수 있으며, 이미지 인식이나 개체 감지와 같은 작업을 위해 AI를 사용하여 처리할 수 있습니다.
Speech to Text를 사용하면 앱에서 음성 단어를 텍스트로 변환하여 음성 활성화 기능을 사용할 수 있습니다.
이러한 리소스를 활용함으로써 개발자는 AI 알고리즘의 복잡성으로 인해 어려움을 겪지 않고 독특하고 매력적인 사용자 경험을 만드는 데 집중할 수 있습니다.

합산
인공 지능과 Flutter의 융합은 모바일 앱 개발 세계의 혁신적인 변화를 의미합니다. 우리가 살펴본 것처럼 이 통합은 단순히 고급 기능을 도입하는 것이 아닙니다. 이는 모바일 애플리케이션의 핵심 본질을 재정의하는 것입니다. AI를 통해 앱은 단순한 도구에서 사용자와 함께 이해하고, 적응하고, 성장하는 지능적인 개체로 발전합니다.

What the Flutter 에서는 AI-Flutter 통합의 잠재력을 인식합니다. 우리의 전문가 팀은 이러한 능력을 활용하여 귀하의 비즈니스 요구에 맞는 최첨단 모바일 솔루션을 만드는 데 전념하고 있습니다. 기존 앱을 혁신하거나 새로운 프로젝트를 시작하려는 경우 Flutter 및 AI에 대한 전문 지식을 통해 귀하의 비전이 정밀성, 혁신 및 우수성으로 실현될 수 있도록 보장합니다.

https://medium.com/@flutterwtf/flutter-ai-integration-redefining-mobile-apps-876481bec3b3