LLM

11 Contents

AI 시대, 슈퍼컴퓨터는 어떻게 세상을 읽는가 | 이식 KISTI 원장

전쟁이라는 극한의 상황은 역설적으로 과학기술의 비약적인 발전을 불러오는 계기가 되었습니다. 제2차 세계대전 당시 포탄의 사거리를 정확히 계산하는 일은 전쟁의 승패와 직결된 문제였으나, 온도와 습도, 바람 등 수많은 변수를 고려해야 했기에 인간의 손으로 정교한 사격표를 만드는 데는 물리적인 한계가 따랐습니다. 이러한 비효율을 극복하고 연산의 속도와 정확도를 높이기 위해 탄생한 것이 바로 현대적 의미의 컴퓨터입니다. 기계는 인간이 며칠 밤을 새워야 했던 복잡한 수식을 지치지 않고 순식간에 풀어내며 현대 과학의 새로운 지평을 열어주었습니다. 컴퓨터의 활용은 단순한 포탄 계산을 넘어 시뮬레이션의 영역으로 확장되었습니다. 오늘날 물리학, 화학, 생물학 등 기초 과학은 물론 기상학에 이르기까지 수많은 연구자가 슈퍼컴퓨터를 활용해 가상 공간에서 정밀한 실험을 수행하고 있습니다. 컴퓨터는 그 자체로 똑똑한 지능을 가졌다기보다는 과학자가 설계한 공식에 따라 방대한 연산을 성실하게 수행하는 장치에 가깝습니다. 따라서 연구자가 정확한 수식만 제공할 수 있다면, 컴퓨터는 인간이 현실에서 직접 수행하기 어려운 수많은 가설을 안전하고 빠르게 검증해 주는 강력한 연구 도구가 됩니다. 이제 우리는 인공지능이 일상 깊숙이 들어온 시대를 살고 있습니다. 방대한 정보를 순식간에 요약하고 복잡한 연구를 돕는 인공지능은 이제 단순한 보조 도구를 넘어 과학자의 든든한 동료라는 평가까지 받고 있습니다. 그러나 인공지능이 제시하는 결과가 항상 완벽할 수는 없다는 점을 우리는 반드시 명심해야 합니다. 기계는 여전히 학습된 데이터의 범주 내에서 움직이며 예기치 못한 실수를 할 수 있기 때문에, 최종적인 판단과 책임은 오로지 인간의 몫으로 남아있습니다. 인간만이 가진 영감과 풍부한 경험을 바탕으로 기계의 결과물을 판별하는 과정은 기술의 시대에도 변함없이 중요합니다. 인간의 언어와 기계의 언어는 근본적으로 다른 체계를 가지고 있지만, 현대 기술은 그 간극을 확률적 체계라는 혁신적인 방법으로 메웠습니다. 거대 언어 모델(LLM)은 문맥 속에서 특정 단어 뒤에 어떤 단어가 올지 확률적으로 예측하며 인간의 말을 이해하는 듯한 모습을 구현해 냈습니다. 챗GPT와 같은 서비스는 방대한 데이터와 정교한 신경망 모델, 그리고 엄청난 규모의 계산 자원을 투입하여 완성되었습니다. 이를 통해 인공지능은 단순히 정보를 기계적으로 처리하는 수준을 넘어, 대화 상대의 상황을 추론하고 감정의 상태까지 파악하는 놀라운 단계에 이르게 되었습니다. 기술이 아무리 비약적으로 발전하더라도 인공지능이 결코 흉내 낼 수 없는 영역은 바로 '직접적인 경험'입니다. 인공지능은 수만 권의 책을 순식간에 읽고 요약할 수 있지만, 사람이 소설을 읽으며 머릿속에 장면을 그리고 범인을 추리하며 느끼는 정서적 고양은 온전히 인간만이 누릴 수 있는 특권입니다. 요약된 정보보다 중요한 것은 지식을 습득하는 과정에서 얻는 간접 경험과 사유의 깊이입니다. 효율적인 학습을 위해 기술의 도움을 받더라도, 우리 삶을 풍요롭게 만드는 직접적인 경험의 가치와 스스로 생각하는 힘을 잊지 말아야 인공지능과의 공존이 더욱 진정한 의미를 가질 수 있습니다.

AI 시대, 슈퍼컴퓨터는 어떻게 세상을 읽는가 | 이식 KISTI 원장
한국과학기술정보연구원🧫🧬과학문화 즐기기🔬🧪
  • 융합
  • 공학·기술

스스로 만들어쓰는 IPA:실습중심 / 김덕환 / 260602

현대 사회의 업무 환경은 단순 반복적인 작업을 넘어 고도의 판단력을 요구하는 복잡한 과정으로 진화하고 있습니다. 과거의 로봇 프로세스 자동화(RPA)가 미리 약속된 규칙에 따라 정해진 동작만을 수행하는 수준이었다면, 이제는 인공지능 기술이 결합한 지능형 프로세스 자동화(IPA)의 시대가 도래했습니다. 이는 단순히 명령어를 수행하는 단계를 지나 추론, 요약, 번역 등의 지능적인 활동을 자동화의 영역으로 끌어들였음을 의미하며, 업무 효율성을 획기적으로 개선하는 발판이 됩니다. 이러한 변화의 중심에는 마이크로소프트의 파워 오토메이트(Power Automate)와 같은 강력한 도구들이 자리 잡고 있습니다. 유료 기반의 클라우드 서비스들과 달리, 로컬 환경에서 무료로 실행할 수 있는 이 플랫폼은 보안과 비용 문제로 클라우드 도입이 조심스러운 연구기관이나 기업에 훌륭한 대안이 됩니다. 사용자는 자신의 PC를 하나의 로봇처럼 활용하여 복잡한 코딩 지식 없이도 흐름을 설계하고 실행할 수 있는 환경을 갖추게 되었으며, 이는 디지털 전환의 진입 장벽을 낮추는 역할을 합니다. 파워 오토메이트(Power Automate)의 가장 큰 장점은 블록 코딩 형식의 로우코드(Low-code) 인터페이스를 제공한다는 점입니다. 전문 개발자가 아니더라도 왼쪽의 작업 상자에서 필요한 액션을 선택해 오른쪽으로 배치하는 것만으로도 업무 흐름을 만들 수 있습니다. 변수를 설정하고 값을 치환하는 과정이 시각적으로 드러나기 때문에 전체 프로세스의 체계성을 파악하기 용이합니다. 이는 코드를 직접 작성하는 방식보다 가시성이 높으면서도 업무의 정확도를 높이는 데 기여하며, 비전문가도 자신만의 자동화 도구를 개발할 수 있게 합니다. 실제 업무에 적용할 수 있는 대표적인 사례로는 웹 브라우저 조작을 통한 데이터 수집이 있습니다. 예를 들어 특정 종목의 주가를 주기적으로 모니터링해야 한다면, 크롬(Chrome) 브라우저를 자동으로 실행하고 검색어를 입력한 뒤 필요한 데이터만 추출하는 과정을 설계할 수 있습니다. 수작업으로 매번 창을 열고 값을 확인하던 시간을 획기적으로 줄여줄 뿐만 아니라, 수집된 데이터를 변수에 저장하여 다음 단계의 작업으로 자연스럽게 연결함으로써 정보 수집의 자동화를 완성할 수 있습니다. 수집된 방대한 데이터를 효율적으로 관리하기 위해서는 엑셀과의 연동이 필수적입니다. 파워 오토메이트(Power Automate)는 엑셀 파일을 열고 특정 시트를 활성화하며, 비어 있는 행을 찾아 데이터를 기록하는 과정을 모두 자동화합니다. 반복문을 사용하면 여러 종목의 정보를 순차적으로 수집하여 표 형태로 정리하는 일도 순식간에 끝납니다. 사용자는 시간대별로 주가가 어떻게 변동했는지 기록된 이력을 확인하며, 분석에 필요한 기초 자료를 별도의 노력 없이도 매일 아침 손쉽게 확보할 수 있는 이점을 누립니다. 자동화 시스템에 거대언어모델(LLM)을 연동하면 자동화의 수준은 한 차원 더 높아집니다. 수집된 텍스트 데이터를 분석하여 현재의 시장 흐름을 진단하거나, 특정 조건에 따른 전략적 판단을 인공지능에게 요청할 수 있습니다. API를 통해 실시간으로 질문과 답변을 주고받는 구조를 설계하면, 단순한 데이터 수집기를 넘어 지능적인 의사결정 보조 도구로 활용이 가능해집니다. 이는 자동화가 단순히 손발이 되는 것을 넘어 인간의 판단력을 보조하는 지혜로운 파트너가 되었음을 보여줍니다. 이러한 지능형 프로세스 자동화(IPA) 기술은 연구소의 행정 지원 업무나 게시판 스크래핑, 이메일 자동 처리 등 다양한 분야로 무한히 확장될 수 있습니다. 복잡한 사용자 환경에서도 동작을 기록하고 수정함으로써 업무의 효율성을 극대화할 수 있습니다. 결국 지능형 프로세스 자동화(IPA)의 핵심은 인간이 더 창의적이고 가치 있는 연구 활동과 핵심 본업에 집중할 수 있도록, 번거롭고 반복적인 일들을 신뢰할 수 있는 디지털 비서에게 맡기는 스마트한 업무 환경을 구축하는 데 있습니다.

스스로 만들어쓰는 IPA:실습중심 / 김덕환 / 260602
한국과학기술연구원2026 KIST AI 교육
  • 융합
  • 공학·기술

AI의 기억과 생각은 어디까지?🧐 l 2026 미래 과학 트렌드 북콘서트

인공지능의 역사는 영국의 수학자 앨런 튜링이 던진 '기계가 생각할 수 있을까?'라는 질문에서 시작되었습니다. 그는 2014년 영화 '이미테이션 게임'의 실제 주인공으로, 현대 컴퓨터의 최초 청사진을 그린 인물이기도 합니다. 튜링은 기계의 지능을 정의하기 위해 '이미테이션 게임', 즉 튜링 테스트라는 개념을 제안했습니다. 이는 벽 너머의 판단자가 인간과 기계의 대화를 구분하지 못할 때 해당 기계에게 지능이 있다고 간주하는 방식입니다. 이 아이디어는 오늘날 우리가 인공지능과 대화하는 모든 기술적 토대의 출발점이 되었습니다. 자연어 처리라는 분야는 인간이 일상적으로 사용하는 '자연어'를 기계가 이해하고 생성하도록 만드는 연구입니다. 기계가 말을 한다는 것은 기본적으로 다음에 올 단어를 확률적으로 예측하는 과정과 같습니다. 예를 들어 '나의 죽음을 적에게'라는 문구 뒤에 '알리지 말라'가 올 확률이 가장 높다고 계산하여 문장을 완성하는 식입니다. 과거 스마트폰의 자동 완성 기능도 이와 유사한 원리였지만, 최신 인공지능은 그 예측 능력이 아득히 정교해져서 인간과 구분이 어려울 정도로 자연스럽고 탁월한 문장 구사력을 보여줍니다. 챗GPT와 같은 현대의 인공지능은 문장을 직접 인식하기보다 '토큰'이라는 더 작은 단위로 쪼개어 처리합니다. 기계는 자연어 자체를 이해하지 못하므로, 각 토큰을 숫자로 이루어진 벡터값으로 변환하여 고차원적인 의미 공간상에 배치합니다. 이 공간에서 의미가 유사한 단어들은 서로 가깝게 위치하게 되며, 인공지능은 학습을 통해 이러한 의미 관계를 스스로 파악합니다. 즉, 우리가 입력하는 질문은 기계 내부에서 복잡한 숫자들의 연산으로 치환되며, 이를 바탕으로 가장 적절한 답변 토큰을 하나씩 생성해 내는 것입니다. 인공지능의 구조는 인간 뇌의 뉴런과 시냅스 연결망에서 영감을 얻은 '인공신경망'을 기반으로 합니다. 뇌 속의 학습이 시냅스 연결 강도의 변화로 나타나듯, 인공지능 역시 '매개변수'라고 불리는 숫자 값들을 조정하며 학습합니다. GPT-2가 15억 개의 매개변수를 가졌던 것에 비해, 최신 모델인 GPT-4는 무려 1조 7,600억 개의 매개변수를 보유하고 있습니다. 이처럼 방대한 규모의 연산 능력을 갖추었기에 이를 '거대 언어 모델(LLM)'이라 부르며, 챗GPT나 제미나이 같은 고성능 AI들이 탄생할 수 있었습니다. GPT는 생성형(Generative), 사전 학습된(Pre-trained), 트랜스포머(Transformer)의 약자로, 여기서 핵심은 트랜스포머라는 신경망 구조입니다. 2017년에 발표된 이 기술은 문장 내의 모든 토큰 사이의 연관성을 계산하는 '어텐션(Attention)' 메커니즘을 사용합니다. 이전의 기술들을 압도하는 성능을 지닌 이 방식은 문맥의 흐름을 정확히 파악하여 긴 문장도 막힘없이 생성할 수 있게 해주었습니다. 이러한 기술적 진보 덕분에 인공지능은 단순한 도구를 넘어 인간의 언어적 파트너로서 우리 일상 속에 깊숙이 자리 잡게 되었습니다.

AI의 기억과 생각은 어디까지?🧐  l 2026 미래 과학 트렌드 북콘서트
국립과천과학관과학강연👨‍🏫
  • 뇌인지과학
  • 수학
  • 융합

환영사: 방승찬 원장

오픈소스 테크데이 2025는 한국전자통신연구원(ETRI)을 비롯한 7개 출연연 오픈소스 협의체가 공동으로 주관하여 개최되었습니다. 이번 행사에는 국가과학기술연구회와 과학기술정보통신부 등 주요 기관 관계자들이 대거 참석하여 자리를 빛내주셨습니다. 특히 이번 행사는 AI 혁신의 거대한 물결 속에서 오픈소스가 지닌 새로운 가치와 역할을 심도 있게 논의하기 위한 장으로 마련되었습니다. 다양한 공공기관과 민간 연구소가 힘을 합쳐 성공적인 개최를 도모한 만큼, 공동의 노력으로 이룩한 성과를 공유하며 더 나은 내일을 설계하는 소중한 기회가 되었습니다. 최근 대규모 언어 모델을 비롯한 첨단 기술의 비약적인 발전은 열린 협력과 신뢰의 정신이 뒷받침되었기에 실현될 수 있었습니다. 누구나 참여하고 검증할 수 있는 개발 방식은 기술의 완성도를 높이는 동시에 예기치 못한 문제들을 빠르게 해결하는 토대가 됩니다. 이러한 상호 신뢰 기반의 협력 체계는 특정 기업이나 국가에 국한되지 않고 전 세계적인 기술 상향 평준화를 이끄는 동력이 됩니다. 궁극적으로 건강한 소통과 협력의 장이 마련될 때, 우리 사회 전체가 누릴 수 있는 진정한 기술적 진보가 이루어질 수 있을 것입니다. ETRI는 개방형 소프트웨어 플랫폼을 구축하고 국내 커뮤니티와의 연대를 강화하며 오픈소스 생태계의 확장을 선도하고 있습니다. 앞으로도 개방과 신뢰에 기반한 기술 협력 체계를 더욱 공고히 하여, 디지털 혁신의 성과가 산업 전반과 국민들에게 온전히 전달될 수 있도록 노력할 계획입니다. 이번 행사의 주제가 시사하는 바와 같이, 전문가들이 한데 모여 AI 기반의 새로운 협력 모델을 심도 있게 고민하고 구체적인 상생 방안을 도모하기를 바랍니다. 개방형 혁신 모델을 통해 우리 사회의 기술적 도약을 이끌어내고 미래 경쟁력을 확보하는 여정에 많은 관심이 필요합니다.

환영사: 방승찬 원장
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

원자력연구원의 오픈소스 거대언어모델 활용 방향

한국원자력연구원은 2020년 인공지능응용연구실 신설에 이어, 최근 가상 원자로 연구실과 통합한 '디지털 원자로 AI 연구 센터(DNA 연구 센터)'를 설립하며 원자력과 인공지능의 융합을 본격화하고 있습니다. 이곳에서는 원자력 전 분야에 인공지능 기술을 적용하여 핵심 기술을 연구하고 다른 부서를 지원하는 역할을 수행합니다. 단순히 기술을 도입하는 데 그치지 않고, 인공지능 그랜드 챌린지 우승 등의 성과를 거두며 원자력 특화 지능형 시스템 구축에 앞장서고 있습니다. 특히 원장 직속 조직으로서 연구원 내 인공지능 생태계 조성을 위한 중추적인 기능을 담당하고 있습니다. 생성형 인공지능의 급격한 발전은 연구 현장에 커다란 충격을 주었습니다. 과거 초등학교 수준의 수학 문제를 푸는 데 집중했던 인공지능이 이제는 수능 문제를 해결하고 인간의 평균 지능을 넘어서는 수준에 도달했기 때문입니다. 이에 따라 DNA 연구 센터의 역할도 단순한 데이터 모델링을 넘어 세 가지 방향으로 확장되었습니다. 첫째는 수학적 방법론으로서의 인공지능 활용이며, 둘째는 원자로 운전을 돕는 AI 에이전트 개발, 마지막은 연구 과정 자체를 효율화하는 시스템 구축입니다. 이러한 변화는 인공지능을 단순한 도구가 아닌 연구의 동반자로 인식하게 된 결과라 할 수 있습니다. 수학적 도구로서의 인공지능은 원자로 시뮬레이션과 진단 분야에서 혁신을 일으키고 있습니다. 기존의 수치 해석이나 미분 방정식 기반의 시뮬레이션은 계산 시간과 학문적 진보 면에서 한계에 부딪혔으나, 데이터를 활용한 딥러닝 모델은 이를 효과적으로 보완합니다. 원자로의 온도, 압력, 유량과 같은 방대한 시계열 데이터를 실시간으로 분석하여 평소와 다른 이상 징후를 사전에 감지하는 것이 대표적입니다. 또한 오픈소스 코드를 적극 활용하여 노심 해석과 열유체 해석을 가속화함으로써, 물리적 한계를 데이터로 극복하는 미래형 원자로 해석 체계를 구축해 나가고 있습니다. 연구 효율성을 높이기 위해 원자력연구원은 보안 환경에 맞춘 자체 LLM 서비스를 운영 중입니다. 망 분리 환경에 따라 외부망에서는 상용 AI 서비스를, 내부 업무망에서는 직접 개발한 ‘아톰 GPT’와 ‘KAERI GPT’를 제공하여 보안성과 편의성을 동시에 확보했습니다. 특히 연구 행정 분야에서의 활용이 돋보이는데, 채용 과정에서 방대한 논문 실적을 자동으로 검증하는 시스템을 구축하여 사람이 직접 수행하던 수개월 분량의 업무를 획기적으로 단축했습니다. 이는 단순한 챗봇을 넘어 복잡한 규칙과 모호한 데이터를 처리하는 RPA 기술과 인공지능 API가 결합되어 실제 행정 현장에서 신뢰할 수 있는 성과를 내고 있습니다. 향후 궁극적인 목표는 원자로 운전을 실시간으로 보조하는 ‘자비스’와 같은 AI 에이전트 시스템을 구현하는 것입니다. 복잡한 매뉴얼을 즉각 분석하고 현재 상태에 최적화된 대응책을 제안하는 ‘라지 액션 모델(LAM)’을 통해 원전 운영의 안전성을 극대화하고자 합니다. 또한 모든 연구원이 각자의 AI 에이전트 팀을 거느리고 코딩, 검수, 문서화 작업을 자동화하는 미래 연구 환경을 실현해 나갈 예정입니다. 데이터 분석 도구를 넘어 스스로 사고하고 행동하는 시스템으로서의 인공지능은 원자력 기술의 새로운 시대를 열어갈 핵심 동력이 될 것입니다.

원자력연구원의 오픈소스 거대언어모델 활용 방향
한국전자통신연구원오픈소스 테크데이
  • 물리학
  • 수학
  • 융합
  • 공학·기술

과학기술 전문인데 한국어도 잘하는 AI🦢

한국과학기술정보연구원(KISTI)에서 개발한 ‘코니(KONY)’는 과학기술정보에 특화된 거대언어모델입니다. 백조의 순우리말인 고니에서 이름을 따온 이 모델은 KISTI가 보유한 방대한 논문과 연구 보고서 등 전문적인 학술데이터를 체계적으로 분석하고 생성하는 데 최적화되어 있습니다. 기존의 범용 모델들과 달리 과학기술분야의 깊이 있는 전문 지식을 다루며, 연구자들이 실제 현장에서 필요로 하는 고도의 분석 서비스를 지원하기 위해 탄생한 독보적인 모델이라 할 수 있습니다. 생성형 AI의 등장은 사회 전반에 큰 변화를 불러왔지만, 과학기술분야에서는 여전히 한국어 지원이 부족하고 전문적인 정보를 정확하게 제공하는 모델이 절실했습니다. KISTI는 이러한 공백을 메우기 위해 과학기술정보의 유통과 분석을 통합적으로 지원할 수 있는 자체 모델 개발에 착수했습니다. 이는 단순히 문장을 생성하는 것을 넘어, 국내 연구 환경에 최적화된 신뢰할 수 있는 데이터를 기반으로 학술정보의 가치를 극대화하고 국가 경쟁력을 강화하는 중요한 발판이 될 것입니다. 코니(KONY)는 대국민 서비스인 ScienceON과 NTIS에 적용되어 지능형 과학기술정보 서비스를 제공할 예정입니다. 또한 예산이나 전문 인력이 부족한 중소기업과 공공기관이 거대언어모델을 원활하게 활용할 수 있도록 기술적인 지원을 아끼지 않을 계획입니다. 이미 국회와 군 등 다양한 기관에서 높은 관심을 보이고 있으며, 이는 특화된 거대언어모델에 대한 사회적 수요가 얼마나 큰지를 잘 보여줍니다. 코니(KONY)는 공공의 이익을 위해 폭넓게 활용될 준비를 마치고 점차 그 영역을 넓혀가고 있습니다. 향후 코니(KONY)는 성능 개량을 거쳐 정기적인 업데이트를 진행할 예정이며, 올해 7월에는 오픈소스 커뮤니티를 통해 대중에게 전격 공개될 계획입니다. 기존의 레거시 시스템과 유연하게 결합할 수 있는 모듈을 추가하고, 사용자 피드백을 바탕으로 한층 세밀한 튜닝 과정을 거치게 됩니다. 이는 단순히 기술적 진보를 넘어, 다양한 산업 현장과 공공 영역에서 실질적인 도구로 활용될 수 있는 범용성을 확보하기 위한 중요한 단계가 될 것이며 더 고도화된 성능을 기대하게 합니다. 궁극적으로 코니(KONY)는 단순한 거대언어모델을 넘어 ‘공학박사 수준’의 지능을 갖춘 AI를 지향합니다. 사용자 피드백을 반영한 정교한 인스트럭션 튜닝과 방대한 데이터셋 관리를 통해 모델의 완성도를 높여갈 것입니다. ‘데이터로 세계로 미래로’라는 슬로건 아래, 코니(KONY)는 대한민국 과학기술의 미래를 밝히는 힘찬 날갯짓을 시작했습니다. 연구자들의 든든한 조력자로서 과학기술 생태계에 새로운 활력을 불어넣고, 지식 정보의 새로운 기준을 제시할 코니(KONY)의 성장이 더욱 기대되는 시점입니다.

과학기술 전문인데 한국어도 잘하는 AI🦢
한국과학기술정보연구원연구원 소식💌
  • 융합
  • 공학·기술

[EOST2023] 원자력 분야의 거대언어모델 활용

인공지능 연구 분야는 개방과 공유, 협업의 문화를 바탕으로 다른 학문보다 훨씬 빠르게 발전하고 있습니다. 소스 코드를 공개하고 연구자들이 자발적으로 커뮤니티를 형성해 지식을 나누는 문화는 기술 혁신의 핵심 동력이 되었습니다. 최근 등장한 거대 언어 모델(LLM)인 파운데이션 모델은 기존의 패러다임을 완전히 바꾸어 놓았습니다. 특정 작업을 위해 방대한 데이터를 모으고 개별 모델을 학습시키던 방식에서 벗어나, 이제는 잘 구축된 하나의 모델을 다각도로 활용하여 인간 이상의 성능을 끌어내는 시대로 접어들었습니다. 거대 언어 모델(LLM)의 등장은 데이터 구축 사업의 효율성 측면에서도 큰 충격을 주었습니다. 과거 수십억 원의 예산을 투입해 수동으로 구축했던 데이터셋보다 거대 언어 모델(LLM)을 활용해 생성한 데이터가 품질 면에서 더 우수한 경우도 빈번해졌습니다. 이는 복잡한 수학 문제를 풀거나 시각 정보를 기반으로 질의응답을 수행하는 고난도 과제에서도 마찬가지입니다. 특정 목적만을 위해 개발된 인공지능 모델보다 범용적인 파운데이션 모델이 더 정교한 결과물을 내놓으면서, 인공지능 연구의 흐름은 이제 프롬프트 엔지니어링과 소량의 양질 데이터를 활용하는 방향으로 진화하고 있습니다. 원자력 분야에서도 이러한 기술을 실무에 도입하려는 시도가 활발합니다. 대표적으로는 검색 증강 생성(RAG) 기술을 활용한 지능형 챗봇 구축을 꼽을 수 있습니다. 거대 언어 모델(LLM)의 입력 제한을 극복하기 위해 방대한 규정집을 벡터화하여 저장한 뒤, 질문과 가장 관련 있는 정보를 추출하여 답변을 생성하는 방식입니다. 이를 통해 연구원 내부의 규정 질의응답은 물론, 대민 홍보용 캐릭터를 활용한 친근한 서비스까지 가능해졌습니다. 과거에는 막대한 비용이 소요되던 고성능 챗봇 개발이 효율적인 아키텍처 덕분에 누구나 접근 가능한 영역으로 들어왔습니다. 하지만 실전 배치 과정에서는 프롬프트 보안과 정보의 정확성이라는 과제가 남습니다. 프롬프트 엔지니어링을 통해 모델의 역할을 설정하더라도, 사용자의 유도 질문에 의해 내부 설정이 노출되거나 잘못된 정보를 전달할 위험이 존재하기 때문입니다. 이를 해결하기 위해 답변 생성 시 외부 검색 기능을 연동하여 실시간 정보를 반영하거나, 질문의 성격에 따라 모델의 동작 모드를 스스로 결정하게 하는 고도화 작업이 진행되고 있습니다. 전문 지식이 필요한 경우 영문 데이터를 우선 참조한 뒤 다시 번역하여 제공함으로써 답변의 신뢰도를 높이는 전략도 유효하게 작용합니다. 향후 원자력 분야의 인공지능은 단순한 문서 작업을 넘어 물리적 환경과 결합한 'AI 운전원'의 형태로 진화할 전망입니다. 원자력 발전소는 안전이 최우선인 규제 산업으로, 방대한 운영 절차서와 설계 문서를 정교하게 이해하는 인공지능이 필수적입니다. 현재 정보를 기반으로 미래를 예측하는 디지털 트윈 기술과 거대 언어 모델(LLM)을 결합하면, 사고 상황에서 최적의 의사결정을 지원하는 지능형 에이전트 구현이 가능해집니다. 컴퓨터 비전과 물리 모델, 그리고 언어 모델이 융합된 이 시스템은 인간 운전원의 판단을 도와 원자력 시설의 안전성을 한 차원 높여줄 것입니다.

[EOST2023] 원자력 분야의 거대언어모델 활용
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] LLM 3요소와 오픈소스의 발전

인공지능 기술의 발전은 지난 수십 년간 눈부신 변화를 거듭해 왔습니다. 과거에는 사람이 직접 특징을 정의하던 방식에서 딥러닝의 자동화로, 그리고 이제는 LLM의 시대로 접어들었습니다. LLM은 단순히 언어를 처리하는 도구를 넘어 산업의 근본적인 판을 흔드는 파급력을 지니고 있습니다. 특히 최근의 연구 흐름은 논문 발표와 동시에 오픈 소스를 공개하여 성능을 입증하는 방식으로 변화하며 기술의 대중화를 이끌고 있습니다. 언어 모델의 핵심은 문장에 확률을 매기는 작업에 있습니다. '백설 공주가 독사과를 먹었다'처럼 자연스러운 문장에는 높은 확률을, 어색한 문장에는 낮은 확률을 부여하며 학습합니다. 최근의 GPT와 같은 모델은 다음에 올 단어를 맞히는 과정을 통해 방대한 지식을 암기합니다. 초기에는 이 모델들이 단순히 암기한 내용을 꺼내 주는 지식 저장소 역할을 한다고 여겨졌으나, 모델의 크기가 커짐에 따라 인간의 일반 상식을 뛰어넘는 수준의 이해력을 보여주기 시작했습니다. 이제 LLM은 명시적인 알고리즘 없이도 숫자 정렬과 같은 복잡한 문제를 해결합니다. 과거에는 정렬을 위해 특정 프로그래밍 규칙이 필요했지만, 현재의 모델은 맥락을 이해하여 결과를 도출합니다. 이러한 능력은 프롬프트 엔지니어링을 통해 극대화됩니다. 예를 들어, 피자 주문을 받는 챗봇의 역할을 부여하면 모델은 사용자의 의도를 실시간으로 추론하며 적절한 답변을 생성하고 결과물을 구조화된 데이터로 요약해 줍니다. 이는 모델이 하나의 유연한 컴퓨팅 인프라로 작동함을 의미합니다. 모델의 성능을 결정짓는 세 가지 핵심 요소는 데이터, 컴퓨팅 자원, 그리고 파라미터입니다. 이들의 규모를 조절하며 확장할 때 성능이 지속적으로 향상된다는 '스케일링 법칙'은 LLM 발전의 기틀이 되었습니다. 최근에는 메타의 LLaMA나 Mistral과 같은 고성능 모델들이 오픈 소스로 공개되며 누구나 대규모 모델을 연구할 수 있는 춘추전국시대가 열렸습니다. 이는 빅테크 기업의 전유물이었던 LLM 기술이 연구 현장 곳곳으로 확산되는 계기가 되었습니다. 거대해진 모델을 효율적으로 다루기 위한 기술적 노력도 활발합니다. 모델의 연산 부담을 줄이기 위한 어텐션 메커니즘의 최적화나, 적은 비용으로도 특정 목적에 맞게 모델을 미세 조정할 수 있는 LoRA 같은 알고리즘이 대표적입니다. 특히 양자화 기술의 발전은 방대한 파라미터를 가진 모델을 일반적인 하드웨어에서도 구동할 수 있게 함으로써 기술 접근성을 획기적으로 높였습니다. 이러한 효율성 중심의 연구는 LLM이 실질적인 서비스로 구현되는 데 결정적인 역할을 합니다. 데이터의 측면에서는 단순한 양보다 질과 다양성이 더욱 중요해지고 있습니다. 최근 연구에 따르면 모델이 왜 그렇게 생각했는지 그 이유까지 함께 학습시키는 방식이 추론 능력을 비약적으로 향상시킨다는 점이 밝혀졌습니다. 또한 정형화된 템플릿보다는 실제 인간의 대화처럼 복잡하고 다양한 명령어를 포함한 고품질 데이터를 사용할 때 모델의 성능이 더 크게 개선됩니다. 이는 데이터 분석 AI를 통해 학습 데이터의 품질을 관리하는 새로운 연구 분야의 탄생으로 이어지고 있습니다. 앞으로 LLM은 여러 모델이 협력하는 멀티 에이전트 시스템이나 개인화된 인공지능, 그리고 물리적 로봇을 제어하는 뇌의 역할로 확장될 전망입니다. 하지만 한국어 전용 오픈 소스 모델의 부족이나 공정한 평가 지표 확립, 그리고 학습 데이터의 저작권 이슈 등 해결해야 할 과제도 여전히 남아 있습니다. 기술의 발전 속도에 맞춰 이러한 사회적, 기술적 문제들을 지혜롭게 풀어나가는 것이 LLM의 지속 가능한 발전을 위한 핵심이 될 것입니다.

[EOST2023] LLM 3요소와 오픈소스의 발전
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] 오픈소스 LLM : 개인이 LLM을 소유하는 시대

오픈소스 LLM 시장은 지난 1년 사이 폭발적인 성장을 거듭해 왔습니다. 수많은 연구자와 개발자들이 각자의 모델을 공개하며 성능을 뽐내고 있지만, 정작 실제 비즈니스 시스템에 성공적으로 적용된 사례는 그리 많지 않은 실정입니다. 겉으로 보기에는 수천 개의 모델이 경쟁하며 생태계가 활성화된 것처럼 보임에도 불구하고, 대다수의 사용자는 여전히 ChatGPT나 바드와 같은 폐쇄형 모델에 의존하고 있습니다. 이는 오픈소스 LLM이 가진 기술적 잠재력과 실제 현업에서의 실용성 사이에 큰 괴리가 존재함을 시사합니다. 이러한 격차를 줄이고 오픈소스 LLM을 실질적으로 활성화하기 위해서는 단순한 성능 경쟁을 넘어 시스템 도입을 용이하게 하는 구체적인 전략이 필요합니다. 현재 오픈소스 LLM의 성능을 가늠하는 주된 지표는 허깅페이스의 'Open LLM 리더보드'와 같은 벤치마크 점수입니다. 하지만 이러한 학술적인 지표들이 실제 사용자가 느끼는 만족도와 항상 일치하지는 않습니다. 텍스트 생성은 정답이 하나로 정해진 것이 아님에도 불구하고, 현재의 평가 방식은 정해진 답안과의 유사성만을 따지는 경우가 많아 전반적인 답변의 질을 측정하기엔 한계가 있습니다. 특히 최근에는 모델의 성능을 높이기 위해 GPT-4가 생성한 데이터를 학습에 활용하는 사례가 늘어나면서 데이터 오염 문제가 심각해지고 있습니다. 이는 특정 벤치마크 점수만 기형적으로 높을 뿐, 실제 대화 상황에서는 기대 이하의 성능을 보이는 모델들이 양산되는 원인이 되기도 합니다. 모델을 실제로 사용해보려 할 때 마주하는 가장 큰 장벽 중 하나는 하드웨어 장벽입니다. 7B급의 작은 모델은 일반적인 환경에서도 구동이 가능하지만, 높은 지능을 기대할 수 있는 70B급 모델은 일반 개인이 감당하기 힘든 고가의 하드웨어 장비를 요구합니다. 또한 모델을 성공적으로 로드하더라도 온도 설정이나 스톱 토큰과 같은 생성 파라미터를 최적화하는 과정은 비전문가에게 매우 까다로운 작업입니다. 모델 제작자가 명확한 가이드라인을 제공하지 않는 경우가 많아, 사용자는 시행착오를 반복하며 최적의 값을 직접 찾아내야만 합니다. 이러한 기술적 복잡성과 하드웨어 인프라의 부재는 오픈소스 LLM이 대중적으로 확산되는 데 결정적인 걸림돌로 작용하고 있습니다. 이러한 문제를 해결하기 위해 등장한 'LMS-Bot' 프로젝트는 누구나 쉽게 LLM을 배포하고 체험할 수 있는 환경을 제공하는 데 주력하고 있습니다. 이 프로젝트는 단순한 코드 공유를 넘어, 개발자들이 자주 사용하는 디스코드와 같은 플랫폼을 통해 모델과 직접 대화할 수 있는 인터페이스를 구축했습니다. 특히 시스템의 가용 자원을 자동으로 파악하여 8비트나 4비트 양자화 모델 중 구동 가능한 최적의 설정을 제안해 줌으로써 기술적 진입 장벽을 대폭 낮췄습니다. 모델별로 최적화된 설정을 YAML 형식으로 미리 정의해 두었기 때문에, 사용자는 복잡한 파라미터 조정 없이도 모델의 실제 성능을 즉각적으로 확인할 수 있습니다. 이는 환경 설정의 어려움을 해결하는 핵심 열쇠가 됩니다. 앞으로의 오픈소스 LLM 생태계는 클라우드 기반의 유연한 자원 활용과 서빙 프레임워크의 최적화 방향으로 발전해 나갈 것입니다. TGI나 vLLM과 같은 고성능 서빙 도구를 활용하여 개별 사용자가 필요한 순간에만 GPU 자원을 할당받아 모델을 구동하는 방식은 하드웨어 비용 부담을 획기적으로 줄여줄 수 있습니다. 더 나아가 단순한 텍스트 대화를 넘어 웹 검색 결과나 외부 도구를 결합하여 답변의 신뢰도를 높이는 시도들도 계속되고 있습니다. 최근에는 LLM을 활용해 캐릭터를 설정하고 배경음악과 이미지가 포함된 완성도 높은 이야기를 창작하는 등 창의적인 영역으로의 확장성도 확인되고 있습니다. 오픈소스 LLM이 가진 자유로움이 기술적 편리함과 결합될 때 비로소 진정한 AI 민주화가 실현될 것입니다.

[EOST2023] 오픈소스 LLM : 개인이 LLM을 소유하는 시대
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] 오픈소스, 자연스럽게

현대 소프트웨어 개발 환경에서 오픈소스는 선택이 아닌 필수적인 요소로 완전히 자리 잡았습니다. 오늘날 기업이나 개발자가 오픈소스를 전혀 활용하지 않고 제품이나 서비스를 개발하는 것은 사실상 불가능에 가까우며, 실제 오픈소스 사용률은 100%라고 단언할 수 있습니다. 과거에는 특정 영역에서만 제한적으로 사용되었으나, 현재는 프레임워크부터 개발 도구, 거대 플랫폼에 이르기까지 모든 기술 계층에 오픈소스가 깊숙이 침투해 있습니다. 이러한 변화는 비즈니스와 R&D 분야를 넘어 개인의 취미 활동까지 광범위하게 영향을 미치며 소프트웨어 산업의 근간을 이루고 있습니다. 전 세계 개발자들의 협업 공간인 깃허브(GitHub)의 가입자가 1억 명을 넘어섰다는 사실은 오픈소스 생태계의 거대한 규모를 증명합니다. 이는 단순히 수치상의 증가를 넘어, 소프트웨어를 개발하거나 관심을 가진 거의 모든 사람이 하나의 거대한 플랫폼으로 연결되어 있음을 의미합니다. 국내 상황도 이와 비슷하여 개발자 교육 플랫폼이나 관련 커뮤니티의 가입자 수가 급격히 늘어나는 추세입니다. 인구 대비 전문 개발자 비중이 높아짐에 따라, 우리나라도 오픈소스를 기반으로 한 기술 생태계가 양적, 질적으로 크게 팽창하며 새로운 기술적 전환점을 맞이하고 있습니다. 최근 인공지능 분야의 비약적인 발전, 특히 대규모 언어 모델(LLM)의 확산 과정에서도 오픈소스는 핵심적인 엔진 역할을 수행하고 있습니다. 수많은 오픈소스 대규모 언어 모델(LLM)과 데이터셋이 전격 공개되면서 특정 거대 기업이 기술을 독점하던 폐쇄적인 구조에 변화가 생기기 시작했습니다. 성능 면에서도 오픈소스 모델들이 상용 모델에 버금가는 결과물을 보여주면서, 시장의 초점은 모델 자체의 기초 개발보다는 이미 공개된 우수한 모델을 어떻게 창의적으로 활용하느냐로 이동하고 있습니다. 이는 기술의 민주화를 가속화하는 동시에 다양한 산업군에서 새로운 상업적 기회를 창출하고 있습니다. 오픈소스 생태계의 참여 주체와 보상 체계도 과거의 순수한 기여 중심에서 기업 주도의 비즈니스 모델로 변모하고 있습니다. 현재 전업으로 오픈소스에 기여하며 기업으로부터 급여를 받는 개발자들이 늘어나고 있으며, 기업들은 오픈소스를 관리형 서비스(Managed Service)로 전환하여 클라우드 환경에서 수익을 창출합니다. 이 과정에서 오픈소스 창시자와 대형 클라우드 사업자 간의 수익 배분 갈등이 발생하기도 하며, 이를 조율하기 위해 상업적 이용 범위를 제한하거나 새로운 형태의 라이선스를 도입하는 등 더욱 정교하고 현실적인 법적 대응이 이어지는 상황입니다. 국가 및 기업별 오픈소스 기여도를 살펴보면 구글이나 마이크로소프트 같은 글로벌 IT 거물들이 상위권을 차지하고 있으며, 최근에는 화웨이 등 중국 기업들의 공격적인 투자가 두드러집니다. 한국 기업들도 과거의 단순 활용 단계에서 벗어나 기여도를 점진적으로 높여가고 있으며, 정부 차원에서도 오픈소스 소프트웨어의 혁신 성장을 위한 정책적 지원을 강화하고 있습니다. 단순히 결과물을 가져다 쓰는 데 그치지 않고, 프로젝트의 핵심 개발 그룹에 참여하여 리뷰와 수정에 주도적으로 기여함으로써 국제적인 기술 영향력을 확보하려는 노력이 전방위적으로 이루어지고 있습니다. 오픈소스는 이제 단순한 무료 코드를 넘어 소프트웨어 산업의 혁신적인 개발 방법론으로 이해되어야 합니다. 비용을 절감하고 고품질의 기능을 빠르게 확보할 수 있는 검증된 체계로서의 가치가 더욱 커진 것입니다. 또한 저작권 중심이었던 과거의 논의에서 진화하여, 이제는 소프트웨어 공급망 보안(SBOM)과 같은 보안 관리 이슈가 조직의 핵심 과제로 다뤄지고 있습니다. 클라우드 시대에 접어들며 소유권과 공개의 철학이 비즈니스 논리와 충돌하는 면도 있지만, 이는 오픈소스가 산업 전반의 핵심 인프라로 성숙해가는 과정에서 겪는 필연적인 변화라 할 수 있습니다. 앞으로의 오픈소스 생태계는 AI 기술의 고도화로 인해 모델과 파라미터, 데이터셋의 공개 범위에 대한 법적·철학적 정의를 새롭게 요구받게 될 것입니다. 기술적 환경이 급변하고 자본의 논리가 생태계를 움직이는 강력한 힘이 되고 있지만, 그 중심에는 여전히 창의적인 의사결정을 내리는 개발자가 존재합니다. 기업과 개발자는 오픈소스 프로젝트가 개인의 성장과 산업적 가치를 동시에 실현할 수 있도록 투명한 소통 체계와 도전적인 개발 프로세스를 구축해야 합니다. 사용자의 요구를 정확히 포착하고 이를 빠르게 기술로 구현할 때, 오픈소스는 지속 가능한 기술 혁신의 원동력이 될 것입니다.

[EOST2023] 오픈소스, 자연스럽게
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] 패널토의: 오픈소스가 만드는 LLM의 미래는?

인공지능 기술의 비약적인 발전 배경에는 오픈소스 커뮤니티의 헌신적인 노력이 자리 잡고 있습니다. 특히 LLM(거대언어모델) 분야에서 오픈소스는 기술의 민주화를 이끌며 전 세계 연구자들이 지식을 공유하고 협력하는 장을 마련했습니다. 이러한 협력은 단순히 업무를 분담하는 차원을 넘어, 서로의 코드를 리뷰하고 아이디어를 융합하며 개인과 기술이 동시에 성장하는 선순환 구조를 만들어냅니다. 커뮤니티를 통한 지식의 팽창은 곧 인공지능 생태계의 근간이 됩니다. LLM의 고질적인 한계로 지적되는 할루시네이션은 RAG(검색 증강 생성) 기술을 통해 보완되고 있습니다. 신뢰성이 중요한 전문 분야에서는 모델이 단순히 답변을 생성하는 것에 그치지 않고, 답변의 근거가 되는 원문 규정이나 문서를 함께 제시하는 시스템적 접근이 필수적입니다. 비록 인공지능이 100% 오류를 차단하기는 어렵지만, 사용자가 직접 답변의 근거를 확인하고 검증할 수 있는 환경을 제공함으로써 기술의 실무 적용 가능성과 신뢰도를 점진적으로 높여가고 있습니다. 과거의 연구 방식이 타인의 논문을 처음부터 끝까지 재현하는 장인 정신에 기반했다면, 현대의 인공지능 연구는 공개된 소스코드를 바탕으로 새로운 아이디어를 빠르게 실험하고 적용하는 효율성을 지향합니다. 이는 연구 속도를 획기적으로 높여 기술의 상용화 주기를 단축하는 계기가 되었습니다. 또한 ChatGPT와 같은 도구는 사용자마다 각기 다른 답변과 해결책을 제공함으로써, 우리 사회가 우려하는 획일화가 아닌 오히려 지식의 다양성을 증진하는 예기치 못한 긍정적 효과를 보여주고 있습니다. 많은 전문가가 오픈소스 LLM이 언제쯤 클로즈드 모델인 GPT-4의 성능을 추월할 것인지 주목하고 있습니다. 과거 스테이블 디퓨전이 이미지 생성 분야에서 보여준 폭발적 성장 사례처럼, 오픈소스 커뮤니티의 집단지성은 기술적 도약을 가능케 하는 막강한 저력을 지니고 있습니다. 특히 컨트롤넷과 같은 혁신적인 제어 기술이나 모델 내부의 창발적 현상을 규명하는 연구가 결합한다면, 오픈소스 모델은 단순한 추종을 넘어 특정 전문가 영역에서 독보적인 활용 가치를 증명할 것입니다. 모든 산업 영역에서 범용적인 거대 모델이 반드시 필요한 것은 아닙니다. 네트워크 장비 제어나 보안이 중시되는 산업 현장과 같이 자원 효율성이 중요한 환경에서는 파라미터 수를 최적화한 sLLM(소형 거대언어모델)이 더 현실적인 대안이 됩니다. 도메인 특화 데이터를 학습하고 특정 작업에 최적화된 소형 모델은 온사이트 배포에 유리하며, 이는 복잡한 비즈니스 로직에 실질적으로 투입되어 유의미한 운영 성과를 내는 핵심적인 역할을 수행할 것으로 기대됩니다. 인공지능 기술의 등장은 언어의 장벽을 허물고 정보 습득의 속도를 비약적으로 가속화하고 있습니다. 실시간 통역과 고도화된 번역 기술은 연구자들이 글로벌 지식에 접근하는 비용을 획기적으로 낮춰주었으며, 이는 비영어권 국가의 연구 역량을 강화하는 데 크게 기여하고 있습니다. 이제 연구자에게 중요한 역량은 방대한 데이터를 어떻게 효율적으로 정리하고 자신의 연구에 창의적으로 녹여낼 것인가 하는 지식 관리 능력이며, 인공지능은 이를 뒷받침하는 강력한 조력자가 되었습니다. 정부출연연구기관과 같은 공공 영역에서는 기업이 간과하기 쉬운 사회적 약자 보호나 공익적 목적의 인공지능 활용 전략을 수립해야 합니다. 개별 연구원이 AI 에이전트의 도움을 받아 연구 보고서 작성이나 기술 동향 분석을 효율적으로 수행할 수 있는 인프라 구축이 시급합니다. 각 기관이 프롬프트 엔지니어링이나 데이터 사이언스 전문 인력을 확보하여 연구 현장의 생산성을 극대화하고, 안전한 인공지능 활용을 위한 규제 검증 절차를 마련하는 것이 미래의 핵심 과제입니다.

[EOST2023] 패널토의: 오픈소스가 만드는 LLM의 미래는?
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술