$$config title: 세미나 keywords: - AI의 발전 $$ https://photoshop.adobe.com/ # 인공지능 인공지능(Artificial Intelligence, AI) 인공지능(AI)은 학습, 문제 해결, 패턴 인식 등과 같이 주로 인간 지능과 연결된 인지 문제를 해결하는 데 주력하는 컴퓨터 공학 분야입니다. 보통 AI로 줄여서 부르는 인공 지능은 로봇 공학이나 미래의 모습을 내포하고 있을 수도 있지만, AI는 공상 과학 소설에 나오는 작은 로봇을 넘어 첨단 컴퓨터 공학의 현실이 되고 있습니다. 1956년 미국 다트머스 대학에서 열린 회의에서 존 매카시는 처음으로 인공지능(AI)이란 용어를 언급하며 "기계를 인간 행동의 지식에서와 같이 행동하게 만드는 것”이라고 정의 내렸습니다. 영국의 수학자인 앨런 튜링은 컴퓨터가 사람처럼 생각할 수 있다는 견해를 제시하며, 대화를 나누어 상대방이 컴퓨터인지 사람인지를 구별할 수 없다면 그 컴퓨터는 사고할 수 있는 것으로 간주해야 한다고 주장했습니다.

# 한스모라벡의 모라벡의 역설 이 역설의 창시자인 한스 모라벡은 자신의 역설이 진화에 기반한다고 설명한다. 짧은 시간 동안 개발된 로봇의 능력과 달리 인간의 진화는 수 억 년에 걸쳐 일어난 일이며 인간의 추상적 사고는 고작 비교적 최근에 얻어진 능력이라고 말한다. 그래서 인간은 걷거나 보는 감각적인 일은 아주 잘 해내는 반면, 계산과 같은 추상적 사고는 힘들다는 것이다. 기계는 언어의 조합을 통해 영상에 담긴 정보, 사물의 모양과 색 움직임등을 이해하기가 어렵다는 말

# 데이터 마이닝 ## 데이터 마이닝 개념 기업이나 정부는 일반적인 업무 활동을 통해 대용량의 데이터를 축적해 왔다. 그러나 빈번하게 발생되는 많은 양의 데이터들은 수치화가 되지 않았을 뿐만 아니라, 수리적 형태보다는 질적인 형태로 저장이 되어 일반적인 통계 방법에 의해 잘 분석과 활용이 될 수 없었다. 이로 인해 그동안 데이터베이스에 포함되어 있는 많은 정보들이 제대로 활용되지 못했다. 하지만 이러한 데이터에는 미처 발견하지 못한 패턴과 전략에 도움이 될 만한 정보들이 들어있을 수 있기 때문에 데이터를 정제하고 가공할 필요성이 생겨나게 된 것이다. 이러한 데이터를 분석하여 기업에 필요한 자산으로 만드는 정보기술이 바로 데이터마이닝이다.
## 데이터 마이닝 특징
### 데이터 필요성 증대 인터넷과 같은 정보기술의 성장 및 기술 발전에 따라 기업들의 데이터베이스의 필요성이 증가하게 되었다 기업은 업무의 효율적 수행을 위해 데이터베이스를 이용하고, 데이터베이스의 내용 및 결과를 단순히 활용하는 단계를 벗어나, 데이터 자체의 분석을 통해 패턴을 추출해내고 이 결과를 업무와 생산의 효율성 증대를 위해 이용하는 단계로 넘어서고 있다. 그러나 데이터가 방대해지고 기업의 업무가 복잡해지면서 데이터베이스를 관리하고 자료를 분석하는 전문가의 능력에 한계가 있고, 데이터에 내재된 유용한 지식추출작업을 사람이 손으로 직접 하는 것이 불가능하게 되었다. 이와 같은 문제를 해결하고 대량의 데이터에서 유용한 패턴과 지식을 추출하기 위해 데이터마이닝이 필요하다.
### 데이터 마이닝의 활용 데이터마이닝은 사용자의 경험이나 편결을 배제하고 전적으로 데이터에 기반하여 지식과 패턴을 추출하기 때문에 영역 전문가가 간과해 버릴 수도 있는 지식과 패턴을 찾아낼 수 있다. 데이터마이닝의 활용분야는 카드사의 사기 발견이나, 금융권의 대출 승인, 투자분석, 기업의 마케팅 및 판매데이터 분석, 생산 프로세스 분석, 기타 순수 과학 분야의 자료분석 등 매우 다양하다.
### 데이터 마이닝의 중요성 기업은 업무의 효율적인 수행을 위해 데이터베이스를 단순히 활용하는 단계를 벗어나, 데이터 자체의 분석을 통해 고객행동 패턴을 추출해내고 그 결과를 업무와 생산의 효율성 증대를 위해 이용하고 있다. 그러나 데이터가 방대해지고 복잡해지면서, 데이터에 내재된 지식의 추출을 해당 분야의 전문가라 하더라도 직접 실행하기에는 불가능하게 되었다. 이러한 문제를 해결하기 위하여 데이터마이닝의 필요성이 대두되고 있다. 최근 디지털 정보기술의 급속한 발전은 다양한 시장공간을 창출시키고 있으며, 특히 인터넷 매체의 빠른 확산은 새로운 경제현상을 만들어 낼 뿐만 아니라 기업의 경쟁전략을 변화시키고 있다. 이러한 시장 환경의 변화 속에서 과거와 달리 제품이나 서비스에 대한 고객들의 욕구 또한 더욱 다양화되어 점차적으로 기업에 대한 자신들의 영향력을 증대시키고 있다. 기업 경쟁력 강화의 중요한 이슈가 되어버린 개인화/개별화의 실행을 위하여 정보기술을 기반으로 고객의 다양한 정보를 획득함과 동시에 고객과의 밀접한 관계를 유지함으로써 기업의 수익성을 증대시키는 고객관계관리에 대한 관심과 활용에 대한 필요성은 점점더 높아지고 있다. 고객관계관리의 여러 분야 가운데에서도 제품을 구매한 기존 고객의 정보를 기반으로 고객에게 맞는 새로운 제품이나 서비스를 제안하기 위하여 데이터마이닝을 이용하여 고객의 구매 패턴을 파악하고 의도를 예측하는 것은 오늘날 실질적인 판매 전략을 수립하는 마케팅 분야에서 상당히 큰 비중을 차지하고 있다 이와 같이 고객관계관리에서는 효과적인 고객관리 전략을 개발하고 지속적으로 수행하는 능력이 중요하며, 이를 위해서는 고객정보를 분석하는 도구로서 데이터마이닝의 사용이 요구되고 있다.

# 슈퍼컴퓨터 첨단과학기술 연구를 하기 위해서는 수십만, 수백만 가지 상황에 대하여 어마어마한 양의 연산 이 필요합니다. 이처럼 일반 컴퓨터로는 도저히 엄두도 낼 수 없을 정도로 방대한 양의 데이터를 아주 빠른 속도로 연산처리하고 시뮬레이션(모의시험) 할 수 있는 첨단장비가 슈퍼컴퓨터입니다. ## 슈퍼컴퓨터의 활용 슈퍼컴퓨터가 활용되는 대표적인 분야는 기상 예측, 지진 예측, 우주 시뮬레이션 등으로 자연과학적 현상을 예측

## 딥러닝과 머신러닝의 차이 딥 러닝은 머신 러닝이 진화한 것으로 여겨집니다. 딥 러닝은 기계가 사람의 도움 없이도 정확한 결정을 내릴 수 있도록 해주는 프로그래밍 가능한 신경망을 사용합니다. 기본적인 머신 러닝 모델은 새로운 데이터가 유입됨에 따라 특정 기능을 수행하는 데 점점 더 능숙해지지만, 여전히 인간의 개입이 필요합니다. AI 알고리즘이 부정확한 예측을 반환하면 엔지니어가 개입하여 조정해야 합니다. 딥 러닝 모델을 사용하면 알고리즘이 자체 신경망을 통해 예측의 정확성 여부를 스스로 판단할 수 있어 인간의 도움이 필요하지 않습니다.
머신 러닝은 알고리즘을 사용하여 데이터를 구문 분석하고 해당 데이터에서 학습하며, 학습한 내용에 따라 정보에 근거한 결정을 내립니다. 딥 러닝은 알고리즘을 계층으로 구성하여 자체적으로 배우고 지능적인 결정을 내릴 수 있는 '인공 신경망'을 만듭니다. 딥 러닝은 머신 러닝의 하위 개념입니다. 둘 다 광범위한 인공 지능의 폭넓은 카테고리에 속하지만 인간과 가장 유사한 AI를 구동하는 것은 바로 딥 러닝입니다.

# 머신러닝 “머신러닝”이란 무엇일까요? 어떤 의미와 개념을 담고 있기에 머신러닝이라 표현했을까요? 궁금증이 생깁니다. 직역을 해보면 “기계가 배운다”라는 의미로 해석되는데요. 기계가 무엇을? 어떻게? 배울 수 있을까요? 또한 배운 것을 어디에? 어떻게? 사용할 수 있을지? 등등 차근차근 알아보겠습니다.
## 머신러닝의 정의 머신러닝은 컴퓨터를 인간처럼 학습시킴으로써 컴퓨터가 새로운 규칙을 생성할 수 있지 않을까 하는 시도에서 시작되어 컴퓨터가 스스로 학습할 수 있도록 도와주는 알고리즘이나 기술을 개발하는 분야를 말합니다. 일반적으로 머신러닝이란 알고리즘을 이용하여 데이터를 분석하고, 분석 결과를 스스로 학습한 후, 이를 기반으로 어떠한 판단이나 예측을 하는 것을 의미합니다. 라서 머신러닝에서는 양질의 데이터가 매우 중요한 역할을 하며, 양질의 데이터를 많이 보유할수록 보다 높은 성능을 이끌어낼 수 있게 됩니다. 이러한 양질의 데이터를 얻기 위해 데이터 분석 과정 중에 데이터 정제 과정을 거칩니다.
## 머신러닝과 빅데이터 머신러닝(Machine Learning)은 2000년대에 들어서 시작된 인공지능을 구현하는 방법의 하나로 빅데이터를 스스로 분석하고, 그 내용을 바탕으로 결론을 도출하는 기술입니다. 빅데이터란, 기존 데이터베이스 관리도구의 능력을 넘어서는 대량(수십 테라 ~ 페타바이트)의 정형 또는 비정형의 데이터를 뜻합니다.
기술 향상으로 컴퓨터 시스템이 꾸준히 발전하면서 시스템을 개발, 운영하는 과정에서 수많은 데이터들이 쌓이기 시작했습니다. 인공지능 개발자들은 이 속에서 전문가와 같은 고급 지식이 아니더라도, 데이터로부터 사람 수준의 간단한 지능을 구현할 방법을 고민하게 되었고, 데이터에 사람이 생각하는 정답(label)을 매겨서 계산하고, 사람의 생각과 차이가 나는 오류를 줄여가는 방법으로 수정하고, 이러한 과정을 반복함으로써 사람의 생각과 유사하게 만들 수 있을 것이라는 방법을 생각했습니다. 이러한 과정을 학습(training)이라고 부르고, 학습 결과로 얻어진 지능을 실제 응용에 적용하는 이 기술을 바로 “머신러닝(Machine Learning)”이라고 부릅니다.
## 머신러닝의 학습방법 ### 지도학습 입력 값과 함께 결과 값(정답 레이블)을 같이 주고 학습을 시키는 방법 정답을 알고 있는 엄마가 아이에게 말을 가르치는 것처럼 정답을 기반으로 오류를 줄여서 학습하는 방법 즉, 반복 학습을 통해 오류를 줄여가면서 점차 정답에 가까워지는 방법 분류(Classification), 회귀(Regression) 분류 어떤 문제를 만났을때 그 문제에서 예측하고 싶은 결과가 문자라면 사용함 스팸 필터 – 여러가지 메일과 발송 기관 등을 샘플로 훈련하여 스팸메일인지 아닌지를 분류 회귀 어떤 문제를 만났을 때 그 문제에서 예측하고 싶은 결과가 숫자라면 사용함 붕어빵이 추울때 더팔리는 예측을 할수 있다. 온실 기체량(독립변수)에 따라 기온변화량(종속변수)이 어떻게 변화되어 왔는지. 중고차 가격 예측 – 대량의 중고차 판매 데이터에서 주행거리, 연식, 브랜드 등을 사용하여 중고차 가격 예측
### 비지도 학습 지도 학습과 달리 정답을 알려주지 않고 예측하는 방법 정답을 모르더라도 유사한 것들과 서로 다른 것들을 구분해서 군집을 만들 수 있는 학습 방법 인공지능(AI)이 입력 세트에서 패턴과 상관관계를 찾아내야 하는 머신러닝 알고리즘이다. 예로 새로 출시할 상품 유형에 맞는 타겟 시장을 정의하려고 할 때 필요한 기술이다. 비지도 학습은 데이터 자체가 부족하거나 훈련 데이터를 수집하기에는 비용이 너무 높은 등의 이유로 출력에 대해 알 수 없거나 활용할 수 없을 때 주로 사용된다. 비지도 학습은 아이가 스스로 문제를 풀고 추론할 수 있도록 내버려두는 방식이라고 할 수 있다.
비지도 학습의 특징 데이터의 근본 구조를 발견하는 데 사용할 수 있다 사용자가 보다 복잡한 처리 작업을 수행할 수 있도록 한다 더 예측이 어렵다
클러스터링 알고리즘(Clustering algorithms) 분류되지 않은 데이터에서 구조나 패턴을 찾는 데 도움을 준다. [군집화 예시](https://wkddmswh99.tistory.com/6) 변칙 또는 이상 감지 모델(Anomaly detection) 데이터 세트에서 변칙적인 것이나 이례적인 것을 자동으로 감지하고 알려준다. 사기성 거래, 하드웨어 결함 또는 사람의 실수로 인한 잘못된 데이터 포인트를 발견하는 데 유용하다.
#### 비지도 학습 활용 1.고객 행동 예측 사람의 행동은 대체로 예측이 어렵다. 불완전한 데이터를 가지고 효과적인 마케팅 전략을 수립해야 하는 어려운 게임이다. 이처럼 불완전한 데이터 세트만 있을 때 비지도 학습은 공백을 채워 줌으로써 큰 도움이 될 수 있다. 어떤 웹사이트 페이지의 이탈률과 전환율이 모두 높게 나타난다고 하자. 비지도 학습은 알고리즘이 찾아내도록 훈련시킨 하나의 정답에 의존하지 않고, 데이터를 분석하고 그 안에 숨겨진 통계와 정보를 발견함으로써 이 페이지가 고객들로부터 그렇게 극단적인 반응을 이끌어내는 이유를 파악하는 데 도움을 준다. 비지도 학습은 데이터 내에서 무엇이 고객들의 특이한 행동을 유발하는지 밝혀줄 특정 추세를 파악할 수 있다. 2.고객 세분화 비지도 학습은 타겟 고객 세분화에도 유용하다. 잠재고객을 여러 세그먼트로 나누어 더 가치 있는 그룹에 우선순위를 둘 수 있도록 한다. 크게 네 가지 유형의 요소를 기반으로 고객을 분류할 수 있다: 인구통계 특성(나이, 성별) 지리적 특성(위치) 심리적 특성(태도, 열망) 행동 특성(사이트 내에서 수행하는 작업 및 외부 관심사)

### 강화학습 (Reinforcement learning) 인간은 주변의 환경과 상호작용을 통해 학습하고 익힐 수 있습니다 명시적인 가르침 없이도 주변의 환경을 인식하고 몸을 제어할 수 있다는 것에서 알 수 있죠. 모든 Learning, Intelligence 등 이론의 근본적인 아이디어는 상호작용을 통한 학습에서 유래되었습니다. 강화학습은 이 중에서도 목표 지향(Goal-directed learning)에 초점을 둔 학습 방법을 의미합니다. 강화학습은 수많은 시행착오를 통해 최적의 행동을 찾아냅니다. 에이전트는 환경과 상호작용하면서 보상과 패널티를 경험하고, 이러한 결과를 바탕으로 행동을 개선할 수 있습니다. 이런 반복적인 과정을 통해 에이전트는 보상을 최대화하는 최적의 전략을 학습합니다. 또한 행동의 결과가 시간적으로 지연된 보상으로 표현됩니다. 이는 에이전트가 현재의 행동이 미래에 어떤 결과를 가져올지 예측하고 고려하도록 유도합니다. 즉, 에이전트는 장기적인 목표를 위해 단기적인 보상을 고려해야 합니다. 이미 알고 있는 최적의 행동을 지속적으로 선택함으로써 보상을 최대화할 수 있게 해주는 것이죠.
#### 강화학습의 중요성 나머지 학습법의 한계 극복 나머지 학습법은 목표에 대한 엄격한 지침이 없어 제한적인 결과를 가져올 수 있습니다. 강화학습은 시행착오를 통해 에이전트가 최적의 행동을 스스로 학습하므로, 더 확장된 학습 방법을 제공할 수 있습니다.
강화학습은 복잡하고 도전적인 문제를 해결하는 데에 유용합니다. 예를 들어, 자율 주행 차량이나 로봇과 같은 실제 시스템에서 강화학습을 적용하여 에이전트가 환경과 상호작용하면서 최적의 행동을 학습할 수 있습니다. 이를 통해 시스템은 변화하는 환경에 적응하고 최상의 성능을 발휘할 수 있게 됩니다. 실시간으로 학습하고 적응하는 능력을 가지고 있습니다. 에이전트는 환경과의 상호작용을 통해 행동의 결과를 경험하고 보상을 얻습니다. 이러한 실시간 학습과 적응 능력은 변화하는 환경에 유연하게 대처할 수 있도록 도와줍니다.
강화학습은 다양한 응용 분야에서 활용할 수 있습니다. 예를 들어, 게임 이론, 신경과학, 경제학, 로봇 공학 등 다양한 분야에서 강화학습을 적용하여 문제를 해결하고 최적의 전략을 구축할 수 있습니다. 이러한 다양성은 강화학습의 유용성과 활용 가능성을 더욱 높여줍니다. 강화학습은 복잡한 문제를 해결하고 실시간으로 학습하며 적응할 수 있는 강력한 학습 방법으로 폭넓은 응용 가능성을 가지고 있습니다.
#### 활용사례 로보틱스 로봇은 역동적이고 끊임없이 변화하는 환경에서 작동하기 때문에, 다음에 무슨 일이 일어날 지 예측하는 것이 불가능했습니다. 강화학습은 복잡한 행동을 적응적으로 습득하는 데 도움이 되었습니다. 제조업체는 강화학습을 통해 제품 조립 프로세스를 개선하고, 이를 완전히 자동화하여 전체 흐름에서 관리자의 수동적인 개입을 제거하는 데에 성공했습니다.
재고 관리 실시간으로 재고를 추적하기 위한 컴퓨터 비전 분야의 발명으로, 넓은 면적을 자랑하는 창고에서 재고 관리를 자동화할 수 있었습니다. 심층 강화학습 에이전트는 빈 용기를 찾아 재입고가 완전히 최적화될 수 있도록 돕습니다.
자율주행 차량 주행은 실제 세계에서 일어날 수 있는 모든 장면과 시나리오로 훈련된 머신러닝 모델이 필요합니다. 하지만 주행 시나리오에 따른 모든 데이터를 구하기란 불가능에 가깝기 때문에 강화학습을 이용하여 모델을 훈련시킬 수 있습니다. 강화학습 모델은 트래픽 중단을 최소화하는 탐색 및 이용 원칙에 따라, 자체 경험에서 정책을 학습하여 동적 환경에서 훈련됩니다. 자율주행 자동차는 이를 기반으로 운전 구역을 식별하고, 교통 처리 및 제한 속도 유지, 충돌 방지 등의 결정을 내릴 수 있습니다.

# 딥러닝 ## 심층 신경망 심층 신경망과 일반적인 (단일층) 신경망의 핵심적인 차이점는 층의 개수(깊이)입니다. 전통적인 기계학습 알고리즘은 하나의 입력과 하나의 출력 층으로 이루어져 있으며 많아야 중간에 하나의 은닉층을 가지고 있습니다. 심층 신경망에서는 층마다 다른 층위의 특징이 학습이 됩니다. 낮은 층위의 특징은 단순하고 구체적이며 높은 층위의 특징은 더욱 복잡하고 추상적임 이런 추상화 과정을 통해 심층 신경망이 아주 큰, 고차원의 데이터를 이해하며 이 과정은 수 억, 수 십억 개의 계수가 관여합니다. 심층 신경망은 데이터를 이용해 데이터의 잠재적인 구조를 파악할 수 있습니다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조 (어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있습니다. 이를 통해 데이터가 라벨링되어있지 않아도 데이터간의 유사성을 효과적으로 파악할 수 있으며, 결과적으로 심층 신경망은 데이터 군집화에 아주 좋은 성능을 발휘합니다.
## 강인공지능과 약인공지능 강인공지능이라고 불릴 만한 수준의 인공지능은 지금도 개발되지 않았으며 개념조차도 모호한 상태입니다. 애초에 인간의 지성 전체를 구현한다고 하는데 그것이 무엇인지, 어떻게 정의해야 하는 지도 명확히 정해진 게 없습니다. 단순히 인간과 비슷한 수준의 일을 할 수 있게 되었다고 해도 강인공지능이 탄생하기 위한 장벽은 많습니다 예컨대 의식이나 마음, 생각이 어떻게 발생하는지는 여전히 미지의 영역이며, 당사자인 인간도 철학적인 문제라 그게 물리적으로 존재하는 것인지, 뇌 이외의 인공물에 의식을 부여할 수 있는지 없는지도 모릅니다. 인공지능이라고 주장하는 물건이 겉보기에는 인간처럼 말과 행동을 할 수 있더라도 결국 그것은 철저한 계산과 정보처리를 통한 결과일 뿐이므로 그것이지능을 가졌다고 볼 수는 없다. '인간처럼 진짜 의식이 있는 것'과 '프로그램처럼 외부에서 볼 때 의식이 있는 것처럼 보일 뿐인 것'을 구분하려 한다면, 먼저 '인간처럼 진짜 의식이 있는 것'이 무엇인지부터 정의해야 하는데, 아직 대다수 학자들이 합의하는 결론이 없다는 것입니다. 다만 현재로써 대다수 엔지니어들은 이런 철학적인 문제보다는 눈앞의 현실적인 문제를 해결하는 것에 집중하므로 당장은 그리 중요한 사안은 아니라 할 수 있겠습니다.

# AI기술과 디자인 ## 디자인 산업에 미칠 위험 디자인에서 AI의 광범위한 사용은 생산성 향상, 비용 효율성 및 다양한 디자인을 신속하게 생성하는 기능과 같은 다양한 이점을 줄 것이다. 일자리 증발 AI가 설계 작업을 처리하는 데 더 능숙해짐에 따라 직무가 대체될 위험이 있다. 수동 디자인 작업과 관련된 기존의 역할은 구식이 될 수 있으며 기업은 비용 및 효율성을 이유로 인간 디자이너 대신 AI 기술에 투자할 수 있다. 디자인의 비인간화 AI는 특정 매개변수를 기반으로 디자인을 생성할 수 있지만 인간의 손길이 부족하다. 종종 디자인 프로세스에 영향을 미치는 문화적 뉘앙스, 감정 또는 경험을 이해하지 못한다. 이로 인해 기술적으로는 능숙하지만, 비인간적으로 느껴지거나 감정적 수준에서 대상 고객과 연결되지 않는 디자인으로 이어질 수 있다. 창의성의 정체 AI 시스템은 근본적으로 패턴과 기존 데이터를 기반으로 한다. 따라서 그들은 인간 디자이너가 하는 것처럼 진정으로 혁신하거나 틀 밖에서 생각하는 데 어려움을 겪을 수 있다. 이로 인해 시간이 지남에 따라 디자인 창의성과 독창성이 정체될 수 있다. 데이터 프라이버시에 대한 위협 디자인에 AI를 사용하면 종종 많은 양의 데이터를 처리해야 하므로 프라이버시 문제가 발생할 수 있다. 개인 정보 보호 규정을 준수하고 책임감 있게 데이터를 사용하는 것은 중요한 과제이다. 윤리적 취약성 AI 시스템은 훈련된 데이터만큼만 우수하며 편향된 데이터는 편향된 결과물로 이어질 수 있다. 바른 방향을 선택하지 않는다면 디자인 결과에 유해한 고정관념이나 배타적인 관행이 지속될 수 있다.

## 디자이너가 갖춰야할 역량 새로운 디자이너는 전통적 디자인의 한계를 넘어 새로운 지평을 제시하고, AI의 기능 고도화에 영향을 미치고, 엔지니어링과 같은 연관 영역과의 효과적 상호 작용할 수 있는 역량까지 갖춰야 한다. 디자이너는 미래를 구상하고, 올바른 질문을 던지고, 높은 수준의 디자인 결정을 내리고, AI가 생성한 결과물을 평가하고 개선하는 데 역할을 하게 될 것으로 보인다. 디자이너는 AI와 상호 작용하면서 복잡한 문제를 해결하고 기술이 창의성을 억제하거나 삶의 품질을 저하시키지 않도록 통제해야 할 책임이 있다. 이것은 디자이너에게 심각한 도전 과제다. 기존의 디자인과 비교할 때 월등히 큰 비중으로 디자인 이론, 인간의 행동, 사회, 문화, 비즈니스 등에 대한 깊은 이해가 요구된다.

AI를 이해하고 그 기능을 활용할 수 있는 기술적 능력 디자이너는 AI를 어떻게 사용할 수 있는지 이해하고 AI 도구와 기술을 효과적으로 사용할 수 있는 기술적 능력이 필요하다. AI와 상호 작용하고 AI로부터의 피드백을 이해하고 적용하는 능력은 물론, AI가 제공하는 다양한 데이터와 분석을 해석하고 활용하는 능력도 필요하다. 의사결정과 평가 능력 AI가 생성한 다양한 디자인 결과물 중에서 최적의 선택을 할 수 있는 디자이너의 취사선택 능력이 중요해진다. 이는 AI가 제공하는 정보를 바탕으로 합리적 결정을 내릴 수 있는 능력뿐 아니라, 디자인의 품질과 효과를 정확하게 평가할 수 있는 능력도 포함한다. 윤리적인 판단력 디자이너는 AI를 활용하는 과정에서 발생할 수 있는 윤리적인 문제를 인식하고, 이를 고려하여 결정을 내리는 능력이 필요하다. 이는 편향된 데이터로 인한 디자인의 공정성 문제, 개인 정보 보호와 관련된 문제, 더 보편적 사용자를 고려해 포용적 디자인 결정을 할 수 있는 능력, AI의 결정에 대한 책임 문제 등 다양한 윤리적 고려사항을 이해하고 이에 대응할 수 있는 능력이 요구된다.
강화학습 https://www.thedatahunt.com/trend-insight/reinforcement-learning 머신러닝 https://modulabs.co.kr/blog/machine-learning/ 인공지능 https://www.samsungsds.com/kr/insights/091517_cx_cvp3.html

게시글 상세