11월 안에 다 쓰고 싶었지만, 면접이랑 시험들이
계속 겹치다 보니 결국 미뤄졌다 ㅎ..
26년이 오기 전에 남은 모듈을 다 쓰는 걸 목표로 하겠음..
꾸준히 기술 블로그를 쓰는 사람들이 너무 존경스럽다.
이번 글에서는 생성형 AI로 일 생산성을 최대화하는
방법에 대해 관련된 모듈 글을 풀어보려고 한다.
(AI에 대한 기본적인 것을 알고 싶다면 이전 글 참고..)
[Google AI Essentials] 생성형 AI와 ML의 핵심 이해 (Module 1)
Module 1 - Introduce to AI (AI 소개) 부분에서는 AI의 기본적인 개념과AI 관련 성공 사례들을 토대로 AI를 활용해서 어떤 식으로 업무를 하는지, 생성형 AI란 무엇이며 AI의 기능과 한계점 등 다음 강의에
iamyuunzo.tistory.com
AI 도구를 활용하면 다양한 작업을 효과적으로 처리할 수 있다.
그렇다면 이 생성형 AI가 자세히 무엇인지 알아봐야겠죠?
생성형 AI 애플리케이션이란?
생성형 AI는 워크플로를 가속화하는 데 도움을 준다.
워크플로란, 쉽게 말하면 일이 흘러가는 과정이다.
AI 도구는 독립형 앱, 앱 내부에 통합된 기능, 특정 목적의 맞춤형 솔루션 등
다양한 형태로 존재하지만, 실제 업무에서는 보통 워크플로에 통합된다.
강의 내에서 소개하는 AI 도구를 워크플로에 통합하는
일반적인 방법은 크게 4가지가 있다.
1. 앱 안에 내장되어 있는 AI
- 앱 안에 이미 AI가 붙어있어서 그냥 기능을 켜서 바로 쓰는 방식
- Google Docs, Slides, Gmail에는 저런 방식이 내장되어있다고 한다.
2. 브라우저 확장 프로그램 사용
- Chrome 같은 브라우저에 AI 확장 프로그램을 깔아서 웹사이트 어디서든 부르는 방식
- Gmail, Blog, SNS 글쓰기 등 웹에서 하는 모든 작업에 AI 도움을 받을 수 있다.
3. 독립형 앱 (전용 앱)으로 사용
- 따로 실행해서 사용하는 AI 애플리케이션을 사용하는 방식
- ChatGPT, Claude, Notion AI 등은 우리가 자주 사용하는 방식이다.
4. 자동화 플랫폼 연결해서 사용
- AI가 자동으로 일을 처리하도록 만드는 방식
- Zapier, Make 같은 도구로 여러 앱을 연결해서 사용할 수 있다.
- ex. Email 도착 -> AI 자동 요약 -> Notion에 자동 정리 -> 할 일로 넣어줌.
아래는 더 쉬운 예시를 한 번 넣어보았다.
예를 들어, 평소에 사람이 직접 조사를 하고, 정리하고 글을 작성을 했다면
이 기존 단계 중에 일부를 AI가 대신하거나 자동화시킬 수 있다.
AI에게 조사를 시키고, 요약을 받아 수정 과정을 거친 다음 정리를 할 수 있다.
뿐만 아니라 콘텐츠를 제작하기 위한 이미지를 만들거나,
데이터 분석, 트렌드 예측 후 인사이트 제공, 브레인스토밍,
이메일 작성, 스프레드시트 작업, 슬라이드 작업 등..
생성형 AI는 빠르고 효율적이며, 무한한 가능성 덕에 거의 모든
사람들의 일상 업무에서 협업 도구로 활용할 수 있다는 큰 장점이 있다.
이런 AI를 실용적으로 접근하려면 반복적인 작업,
즉 병목 현상을 파악해야 한다. 그리고 그 병목 현상을 해결할 수 있는
하나의 AI를 찾아 이를 해결하며, 그 작업을 수행할 때마다
자신이 선택한 AI를 사용하는 습관을 길러야 한다.
마지막으로, 그 습관을 1주에서 2주 정도 후에
어떤 효과가 났는지 자가 평가를 진행하면
실용적인 접근이 가능해진다고 한다.
생성형 AI 도구의 타입
요새는 생성형 AI 종류가 엄청 많아져서 사람들이 다양하게 활용한다.
인스타나 Thread 같은 곳에서만 봐도.. 강의를 하시는 분들? 이
어떤 작업에는 어떤 AI 이런 식으로 엮어서 설명해 주시는 분들이 많다.
강의의 Module 안에서는 여러 가지의 생성기를 설명한다.
대표적으로 크게 아래의 4가지의 생성기들을 사용할 수 있다.
텍스트 생성기, 이미지 생성기, 동영상 생성기, 코드 생성기.
다 사용해 봤지만 역시나 개발자를 희망하는 나는
코드 생성기 기능을 많이 활용하고 있다.
강의 내에서는 정말 많은 Generative AI Tool들을 소개해주었다.
이런 Tool들은 창의적이며, 협업 파트너가 되도록 설계되어 있다.
가장 큰 장점인, 자연어를 통해 상호작용 할 수 있어 매우 유용하다.
강의 내에서 소개된 AI들을 위의 4가지 기준으로 표로 정리해보았다.
| Type | Features | More Tools |
| 텍스트 및 콘텐츠 생성 AI 도구 | 1. 대규모 언어 모델(LLM) 기반 구축 -> 사람과 유사한 텍스트 이해, 요약, 번역, 예측, 생성 O |
Gemini / NotebookLM / Anthropic Claude / ChatGPT / Clockwise / Grammarly / Jasper / Mircrosoft Copilot / Notion AI / Zapier |
| 이미지 생성 AI 도구 미디어 생성 AI 도구 |
1. 멀티미디어 콘텐츠 제작 및 편집 -> 이미지, 비디오, 오디오 포함 2. 확산 모델 기술 사용 -> 프롬프팅을 통해 새로운 콘텐츠 생성하는 방법 학습 3. 크리에이티브 워크플로 혁신 -> 아이디어 시각화, 고품질 미디어 제작 제작 시간 단 |
Gemini & Nano banana / Esset Studio / Adobe Firefly / Canva magic design / DALL-E / ElevenLabs / Midjourney / Runway |
| 코드 생성 AI 도구 | 1. AI 페어 프로그래머 -> 소프트웨어 개발에 특화된 전문적인 AI들. 2. 공개 레포에 있는 수식억 줄의 코드를 학습 -> 프레임워크, 프로그래밍 언어, 코딩 패턴 이해. 3. IDE에 직접 통합되어 실시간 지원을 제공 -> 코드 완성 제안, 함수 생성, 버그 식별, 단위 테스트 작성, 오류 수정, 복잡한 코드 블록 설명 등 |
Gemini Code Asist / Github Copilot / Jupitor AI / Tabnine |
개인적으로 생성형 AI를 써보고 가장 놀랬던 부분이
이미지와 동영상을 생성할 수 있는 툴이었다.
생성형 AI 교육을 받은 적이 있는데 그때 사용해 본 것 중
기억에 남는 건 recraft.ai (이미지), flow.ai (동영상)였다.
많은 툴들이 있지만 저 2개가 압승이었는데.. 써보시길..
AI 도구 vs AI 모델
그럼 이런 AI Tool들은 다 다양한 기능들을 가지고 있는데,
어떤 식으로 학습이 되는 건지 알아볼 필요가 있다.
나도 Google AI Essential을 들으면서 알게 된 개념이긴 한데,
모든 AI도구는 AI 모델 위에 구축되므로 서로 다른 개념이라고 한다.
AI 모델을 학습시킨다라는 말이 AI 도구 학습이랑 같은 말인 줄 알았다.
AI 도구란, 다양한 작업들을 자동화하거나 사용자들의 작업을 보조할 수 있는 AI 기반의 소프트웨어이다.
AI 모델이란, 패턴을 인식하여 특정 작업을 수행할 수 있도록 훈련 세트에 대해 학습된 컴퓨터 프로그램이다.
정석적인 답변은 위의 말이지만,
쉽게 말해서 AI 모델은 엔진이라고 보면 된다.
AI 도구는 그 엔진을 가지고 다양한 방식으로 활용된 자동차라고 보면 된다.
조금 더 나아가, 사용자가 페달을 누르는 것을 사용자가 한 프롬프팅,
페달을 눌렸기에 나아가는 자동차는 AI 도구의 결과물인 것이다.
AI 모델 학습의 6가지 과정
AI 디자이너는 트레이닝이라는 프로세스를 통해
AI를 학습시키면서 AI 모델을 개발한다.
6가지 과정의 정석적인 정의는 아래와 같다.
| 1. Problem Definition (문제 정의) | - AI에게 어떤 문제를 해결하게 할지 목표를 정하는 과정 - AI 솔루션을 찾기 전에 AI 도구의 기능과 한계를 고려 |
| 2. Data Collection (데이터 수집) | - 문제 해결에 필요한 과거 데이터를 모으는 과정 - 이 과정에서는 AI가 학습하는 데 사용할 현실 기반 자료를 모음. |
| 3. Data Preparation (데이터 준비) | - AI 모델이 학습하도록 데이터를 정리하고 가공하는 단계 - 이때 Train Set, Validation Set을 나누면서 데이터를 정리 |
| 4. Model Training (모델 훈련) | - AI가 데이터를 보면서 패턴을 학습하는 단계 - 데이터를 각 조건마다 반복해서 보면서 규칙을 학습 - 모델 훈련은 AI 디자이너와 엔지니어의 반복적인 프로세스 (각 단계를 필요한 만큼 반복하여 최상의 모델이 나올 때까지 조정한다.) |
| 5. Model Evaluation (모델 평가) | - 학습된 AI 모델이 실제로 잘 예측하는지 점검하는 단계 - 품질 검사(QA) 같은 작업으로 필요하면 다시 수정 후 재학습 가능 |
| 6. Model Deployment (모델 배포) | - 모델을 실제 시스템에 넣어 사람들이 사용할 수 있게 만드는 단계 - 품질 검사를 통해 나온 최적의 AI 모델이 실전에서 쓰이기 시작하는 순간 |
강의 내에서는 강우량 예측 모델을 예시로 들었지만,
나는 조금 더 쉬운 버전인 '카페 매출 예측 모델'을 소개해보겠다.
아래의 과정들을 통해 카페 사장님은 예측 결과를 토대로 실제 업무에서
매출을 올릴 수 있는 방안을 고민하고 활용할 수 있는 것이다.
1. Problem Definition (문제 정의)
첫 번째 이미지에 'Help Predict Revenue?'라는 문구가 있다.
문법이 엉망이긴 하지만, 매출을 예측할 수 있을까라는 질문이다.
카페 사장님은 다음 주 카페 매출을 예측할 수 있는 모델을 만드려고 한다.
2. Data Collection (데이터 수집)
두 번째 이미지를 보면, '5 years of sales data'라는 문구가 있다.
AI가 지난 5년간의 요일, 날씨, 이벤트 등에 따라 달라진 매출 기록을 자료로 사용한다.
3. Data Preparation (데이터 준비)
세 번째 이미지에서도 보면, 훈련 세트와 테스트 세트를 나눈다.
데이터를 수치화하거나, 불필요한 정보를 제거하는 등의 과정이라 할 수 있다.
4. Model Training (모델 훈련)
네 번째 사진에서 보면, 'FRI + SUNNY = HIGH SALES'라는 문구가 있다.
맑은 날 금요일에 가장 매출이 많다. 이런 식으로 조건을 찾아가며 학습을 진행한다.
5. Model Evaluation (모델 평가)
이런 수정 과정에서 반복적인 개선을 통해 AI 모델이 더 정확해지고,
효과적인 신뢰할 수 있는 도구로 거듭나게 되는 것이다.
6. Model Deployment (모델 배포)
프로세스는 배포에서 완전히 끝나는 것은 아니다.
사용자가 생기고, 실제 사용자와 상호작용하게 되면,
모델은 새로운 또 다른 문제에 노출될 수 있다.
그래서 AI 디자이너는 지속적으로 모델을 모니터링하고
피드백을 수집하는 과정을 거쳐 안정적으로 작동하는지 확인한다.
위의 AI 모델 학습 과정으로 만들어진 모델들은 다양한 방식으로 활용된다.
그중 하나가 바로 AI 에이전트이고, 실제 현장에서 사용되기도 한다.
AI Agent란, 사람의 개입 없이도 스스로 작업 수행이 가능한 AI 기반 도구이다.
이런 AI Agent는 규칙 설정 -> AI가 그 규칙에 따라 자동 업무 수행을 하며 작동한다.
그럼 그 시간에 사람은 다른 업무에 집중을 할 수 있어 일 생산성이 높아지는 것이다.
인간 참여형 접근 방식이란?
AI는 업무를 지원하는 데 아주 유용한 도구이지만, 인간 개입이 필수적이다.
잘 학습된 AI 도구라도, 사람마다 가진 깊이 있는 경험과 실무 지식이 다르다.
심지어 상호작용 능력 또한 AI는 갖추지 않기 때문에 인적 감독 유지는 중요하다.
인간 참여형 접근 방식(Human in the loop)란,
기계와 인간의 지능을 결합해 AI 모델을 훈련시키고 사용 및 검증으로 개선하는 방법이다.
AI와 인간의 상호작용으로 AI 도구의 효율성과 인간의 통찰력을 결합하기 때문에,
AI를 윤리적으로 개발하고 사용한다는 책임 있는 AI 원칙에 필수 역할이 된다.
책임 있는 AI의 주요한 관리 측면이 있다면,
그것은 지식 단절 모델의 한계를 관리해야 한다는 것이다.
지식 단절(Knowledge Cutoff)란, AI 모델 학습이 특정 시점 이후의
정보에 대한 지식 누락이 생기는 현상으로, 한계가 생긴다.
이때 AI는 자신의 한계를 인식하여 그에 맞게 반응을 해야 하는데
흔히 우리가 경험하는 거짓말 출력, 할루시네이션이 발생할 수 있다.
이런 할루시네이션(Hallucination) 현상은 지식 단절을 넘어서서
AI가 무리하게 응답을 시도할 때 나타나는 현상으로,
잘못된 정보 제공이나 오해를 불러 부적절한 응답을 낸다.
할루시네이션이 과도한 AI를 잘못 실무에 적용하게 되면,
회사의 평판을 손상하거나 고객 불만을 초래하게 될 수도 있다.
(하지만 창작 과정에서는 할루시네이션이 유익할 수 있다고 한다.)
결론적으로,
인간 참여형 방식을 통해 이런 할루시네이션을 완화할 수 있기 때문에
뛰어난 AI 일지라도 사람의 감독은 빼놓을 수 없는 중요한 사항이다.
생성형 AI 업무 적합도 판단하기
이렇게 생성형 AI가 편리하지만, 실상 AI를 활용한다고 해서
다 좋은 결과를 얻을 수 있는 것은 아니다.
위에서 말했듯이 사람 개개인이 가진 딥한 영역의 지식이 있고,
그 부분까지 경험하지 못한 AI보다 차라리 사람이 나을 수 있다는 것이다.
강의 내에서는 생성형 AI를 업무에 적용할지 여부를 평가하는
3가지 정도의 질문으로 진단을 해보라고 소개한다.
1. 업무가 생성형 작업인가? (Is the task generative?)
2. 반복 작업을 통해 최상의 결과를 얻을 수 있는가? (Can the task be iterated on to achieve the best outcome?)
3. 인적 감독을 제공하는 데 적절한 리소스가 있는가? (Are there resources to provide adequate human oversight?)
위의 질문에서 모두 YES가 나오는 작업이라면 적극 AI를 활용해도 된다.
하지만 단 하나라도 NO가 나온다면, 활용 여부에 대해 다시 검토를 해보는 것이 좋다.
아래는 YES, NO 2가지로 판단한 내가 가져온 예시 2가지이다.
YES (적합 사례) : 신규 온라인 쇼핑몰 프로모션 콘텐츠 제작
1. 생성형 작업인가? → YES
상품 소개 글, 프로모션 배너, SNS 이미지 등 새로운 콘텐츠 생성이 필요 텍스트/이미지 생성 AI가 잘하는 영역
2. 반복 작업이 가능한가? → YES
“컬러를 더 밝게”, “문구 강조해 줘”처럼 반복 수정 가능 최종 결과가 마음에 들 때까지 프롬프트 조정 가능
3. 인적 감독이 가능한가? → YES
마케팅 팀이 최종 검토 후 업로드 AI가 만든 콘텐츠를 바로 공개하지 않음
새로운 콘텐츠(배너, 상품 설명, 이미지)를 만들어야 하는 작업은 생성형 AI가 가장 잘하는 분야다.
AI가 초안을 빠르게 만들어주고, 프롬프트를 반복 수정하면서
원하는 스타일로 다듬을 수 있으며, 최종 검토는 사람이 하면 되기 때문에
생산성과 품질을 동시에 높일 수 있는 적합한 작업이다.
NO (부적합 사례) : 공급업체와의 가격 협상 (Negotiation with vendors)
1. 생성형 작업인가? → NO
협상은 감정, 상황 판단, 인간관계가 중요한 비생성형 업무
2. 반복 작업이 가능한가? → NO
협상은 프롬프트로 반복 조정할 수 있는 작업이 아님 상황이 매번 다르고 예측 불가능함
3. 인적 감독이 필요한가? → YES지만 충분하지 않음
결과가 단순 콘텐츠가 아니라 현실적 의사결정 사람의 직접 개입이 필수
협상은 감정, 관계, 맥락을 고려한 인간의 판단이 필요한 작업이라 생성형 AI가 대신하기 어렵다.
이런 업무는 새로운 콘텐츠를 만들어내는 “생성형 작업”이 아니며,
프롬프트 반복으로 개선할 수도 없기 때문에 AI에 맡기기 부적합한 대표적인 사례다.
결론적으로 이렇게 생성형 AI를 활용할지 말지는
반복 작업이나 사람이 검토하면 되는 작업은 YES,
인간의 판단, 감정, 상황 해석이 필요한 비생성형 작업은 NO이다.
또 너무 많은 내용을 적었지만,, 이것도 최대한 요약한 것이라는 것..
이다음은 더 줄일 수 있도록 노력해 봐야겠다. 면접 끝나면 적어야지~
'Study > Google AI Essentials' 카테고리의 다른 글
| [Google AI Essentials] 생성형 AI와 ML의 핵심 이해 (Course 1) (0) | 2025.11.18 |
|---|---|
| [Google AI Essentials] 수료 후기 (with Coursera) (0) | 2025.11.16 |