[📪정보] 언어는 AI의 다음 위대한 개척자입니다

[익명(1.239)]

Language Is The Next Great Frontier In AI (forbes.com)

언어는 AI의 다음 위대한 개척자입니다

롭 토우즈 2022년 2월 13일, 05:00pm 동부 표준시

언어는 인간 지능의 초석입니다.

언어의 출현은 우리 종의 역사에서 가장 중요한 지적 발달이었습니다. 언어를 통해 우리는 생각을 공식화하고 서로 의사 소통합니다. 언어를 통해 우리는 추상적으로 추론하고, 세계가 무엇인지, 그리고 어떻게 될 수 있는지에 대한 복잡한 아이디어를 개발하고, 세대와 지역에 걸쳐 이러한 아이디어를 구축할 수 있습니다. 현대 문명에 관한 거의 모든 것은 언어 없이는 불가능합니다.

따라서 언어를 이해할 수 있는 기계를 만드는 것은 초창기부터 인공 지능 분야의 중심 목표였습니다.

그것은 미친 듯이 찾기 힘든 것으로 입증되었습니다.

이는 언어를 마스터하는 것이 "AI-완전한" 문제 로 알려진 문제이기 때문 입니다. 즉, 인간이 암시적으로 말해서 할 수 있는 방식으로 언어를 진정으로 이해할 수 있는 AI가 다른 인간 수준의 지적 활동을 할 수 있기 때문입니다. 간단히 말해서 언어를 푸는 것은 AI를 푸는 것이다.

이 심오하고 미묘한 통찰력은 AI 개척자 Alan Turing 이 획기적인 1950년 논문 에서 소개한 "Turing test" 의 핵심입니다 . 종종 비판을 받거나 오해를 받기도 하지만 Turing 테스트는 언어와 지능에 대한 근본적인 현실 을 포착합니다. 75번째 생일에 가까워지면서 Turing이 처음 생각했을 때와 마찬가지로 여전히 관련성이 있습니다.

인류는 아직 인간 수준의 언어 숙달로 기계 지능을 구축하지 못했습니다. (즉, 아직 튜링 테스트를 통과한 기계 지능은 없습니다.) 그러나 지난 몇 년 동안 연구자들은 자연어 처리(NLP)라고도 하는 언어 AI에서 놀랍고 판도를 바꾸는 획기적인 발전을 이루었습니다.

이 기술은 이제 학문적 연구에서 광범위한 실제 적용으로 도약할 태세를 갖춘 중요한 변곡점에 있습니다. 그 과정에서 비즈니스 세계와 우리의 일상 생활의 넓은 범위가 바뀔 것입니다. 언어의 편재성을 감안할 때 기술의 일부 영역은 앞으로 사회에 더 광범위한 영향을 미칠 것입니다.

트랜스포머: 한 세대에 한 번뿐인 혁신

오늘날의 최첨단 언어 AI의 기능을 설명하는 가장 강력한 방법은 몇 가지 구체적인 예에서 시작하는 것입니다.

오늘날의 AI 는 복잡한 의학적 질문에 정확하게 답 하고 근본적인 생물학적 메커니즘을 설명할 수 있습니다. 효과적인 이사회 회의를 운영하는 방법에 대한 미묘한 메모를 작성할 수 있습니다 . 자신의 능력과 한계를 분석한 글을 쓰면서도 인간 관찰자를 설득력 있게 쓸 수 있다. 독창적이고 때로는 아름다운 시와 문학을 생산할 수 있습니다 .

(잠시 시간을 내어 이러한 예를 직접 조사해 볼 가치가 있습니다.)

불과 5년 전만 해도 상상도 할 수 없었던 이 놀라운 새로운 AI 능력의 이면에는 무엇이 있습니까?

간단히 말해서, 인공지능의 새로운 가능성을 열어준 새로운 신경망 아키텍처인 변압기의 발명입니다.

Google 연구원 그룹은 2017년 말 현재 고전이 된 연구 논문 에서 변압기를 소개했습니다 .

변압기 이전에 NLP의 최신 기술(예: LSTM 및 널리 사용되는 Seq2Seq 아키텍처 )은 순환 신경망을 기반으로 했습니다. 정의에 따르면 순환 신경망은 데이터를 순차적으로, 즉 단어가 나타나는 순서대로 한 번에 한 단어씩 처리합니다.

Transformers의 위대한 혁신은 언어 처리를 병렬화 하는 것입니다. 즉, 주어진 텍스트 본문의 모든 토큰이 순서대로가 아니라 동시에 분석됩니다. 이 병렬화를 지원하기 위해 변환기는 주의라고 하는 AI 메커니즘에 의존합니다. 주의는 모델이 텍스트에서 멀리 떨어져 있는 경우에도 단어 사이의 관계를 고려하고 구절에서 "주의를 기울이는" 가장 중요한 단어와 구를 결정할 수 있도록 합니다.

병렬화는 또한 변환기를 RNN보다 훨씬 더 계산적으로 효율적으로 만듭니다. 오늘날 변압기 모델의 특징 중 하나는 거대한 크기입니다.

최초의 트랜스포머 페이퍼에 이어 세계 최고의 AI 연구원들이 이 근본적인 돌파구를 기반으로 구축함에 따라 혁신의 물결이 뒤따랐습니다.

획기적인 트랜스포머 모델 BERT 의 출판은 2018년에 이루어졌습니다. Google에서 만든 BERT의 큰 개념적 발전은 양방향 구조입니다(BERT의 B는 "양방향"을 나타냄). 이 모델은 주어진 단어를 분석할 때 "양방향으로 봅니다". 왼쪽에서 오른쪽으로 단방향으로 작업하는 대신 앞에 오는 단어와 뒤에 오는 단어를 모두 고려합니다. 이 추가 컨텍스트를 통해 더 풍부하고 미묘한 언어 모델링이 가능합니다.

BERT는 사용 중인 가장 중요한 변압기 기반 모델 중 하나로 남아 있으며 최신 모델을 비교하는 기준으로 자주 취급됩니다. 예를 들어 Facebook의 영향력 있는 RoBERTa 모델 (2019) 과 같은 변압기에 대한 후속 연구는 BERT의 정제를 기반으로 합니다.

오늘날 Google의 전체 검색 엔진 은 변환기의 실제 영향에 대한 가장 광범위한 예 중 하나인 BERT에 의해 구동됩니다 .

변압기 세계의 또 다른 핵심 연구 분야는 OpenAI의 GPT 모델 제품군입니다. OpenAI는 2018년 6월 에 원본 GPT 를, 2019년 2월 에 GPT-2 를, 2020년 5월에 GPT-3 을 게시했습니다. GPT-J 및 GPT-Neo와 같은 이러한 모델의 인기 있는 오픈 소스 버전 이 뒤를 이었습니다.

이름의 "G"에서 알 수 있듯이 GPT 모델은 생성적입니다. 입력된 텍스트 입력에 대한 응답으로 원본 텍스트 출력을 생성합니다. 이것은 모델의 GPT 클래스와 모델의 BERT 클래스 간의 중요한 차이점입니다. BERT는 GPT와 달리 새 텍스트를 생성하지 않고 대신 기존 텍스트를 분석합니다(검색, 분류 또는 감정 분석과 같은 활동을 생각해 보세요).

GPT의 생성 기능으로 인해 이러한 모델은 특히 주의를 끌게 됩니다. 글쓰기가 창의적인 행위로 보이고 출력이 놀라울 정도로 인간과 유사할 수 있기 때문입니다. 텍스트 생성을 "NLP의 파티 트릭"이라고도 합니다. (위에 링크된 4가지 예는 모두 GPT-3의 텍스트 생성 예입니다.)

아마도 GPT 아키텍처의 가장 주목할만한 요소는 순전한 크기일 것입니다. OpenAI는 무엇보다도 더 많은 컴퓨팅, 더 큰 훈련 데이터 모음, 더 큰 모델과 같은 원시 규모를 통해 고급 언어 AI 기능을 추구하려는 전략에 대해 의도적이고 투명했습니다.

15억 개의 매개변수가 있는 GPT-2는 출시 당시 제작된 가장 큰 모델이었습니다. 1년도 채 되지 않아 공개된 GPT-3은 1,750억 개의 매개변수로 100배 더 커졌습니다. GPT-4가 대략 100조 개의 매개변수 를 포함할 것이라는 소문이 돌고 있습니다 (우연하게는 아니지만, 대략 인간 두뇌 의 시냅스 수 와 동일함). 비교 포인트로 가장 큰 BERT 모델에는 3억 4천만 개의 매개변수가 있었습니다.

오늘날의 모든 기계 학습 노력과 마찬가지로 이러한 모델의 성능은 무엇보다도 학습된 데이터에 따라 달라집니다.

오늘날의 변압기 기반 모델은 기본적으로 전체 인터넷을 수집하여 언어를 배웁니다. BERT는 Wikipedia 전체를 제공받았습니다(수천 권의 미공개 책의 디지털화된 텍스트와 함께). RoBERTa는 인터넷에서 훨씬 더 많은 양의 텍스트를 학습하여 BERT를 개선했습니다. GPT-3의 훈련 데이터 세트는 50억 개의 언어 토큰으로 구성된 훨씬 더 컸습니다. 따라서 이러한 모델의 언어적 출력과 행동은 궁극적으로 인간이 이전에 온라인에 게시한 모든 텍스트의 통계적 패턴을 추적할 수 있습니다.

이러한 대규모 훈련 데이터 세트가 가능한 이유는 변환기가 레이블이 지정되지 않은 데이터에서 학습하는 자체 지도 학습을 사용하기 때문입니다. 이것은 오늘날의 최첨단 언어 AI 모델과 레이블이 지정된 데이터로 훈련해야 했던 이전 세대의 NLP 모델 간의 결정적인 차이점입니다. 오늘날의 자체 지도 모델은 이전에 가능했던 것보다 훨씬 더 큰 데이터 세트에서 훈련할 수 있습니다. 결국 레이블이 지정되지 않은 텍스트 데이터가 레이블이 지정된 텍스트 데이터보다 수십 배 더 많습니다.

일부 관찰자들은 트랜스포머 아키텍처의 다른 어떤 기능보다 최근 몇 년 동안 NLP의 극적인 성능 향상의 가장 중요한 단일 동인으로 자기 지도 학습과 이 기술이 잠금 해제하는 훨씬 더 큰 훈련 데이터 세트를 지적합니다.

기초 모델

수백만 또는 수십억 개의 매개변수가 있는 대규모 데이터 세트에서 모델을 훈련하려면 방대한 계산 리소스와 엔지니어링 노하우가 필요합니다. 이것은 큰 언어 모델을 엄청나게 비싸고 구축하기 어렵게 만듭니다. 예를 들어 GPT-3은 훈련에 초당 수천 페타플롭이 필요했으며 이는 엄청난 양의 계산 리소스입니다.

전 세계에서 대규모 언어 모델을 처음부터 구축할 수 있는 자원과 재능이 있는 조직은 거의 없기 때문에 오늘날 거의 모든 최첨단 NLP 모델은 BERT, RoBERTa, GPT-2, BART와 같은 소수의 기본 모델에서 채택됩니다. 거의 예외 없이 이러한 모델은 Google, Facebook, OpenAI(Microsoft가 자금을 지원함), Nvidia와 같은 세계 최대 기술 회사에서 제공합니다.

아무도 계획하지 않고 NLP 기술 개발을 위한 완전히 새로운 패러다임을 가져왔습니다. 이는 초기 AI 경제에 중대한 영향을 미칠 것입니다.

이 패러다임은 사전 훈련과 미세 조정이라는 두 가지 기본 단계로 생각할 수 있습니다.

첫 번째 단계에서 기술 거물은 Google의 BERT 또는 Facebook의 RoBERTa와 같은 대규모 언어 모델을 만들고 공개합니다.

개별 언어 작업을 위해 모델을 구축해야 했던 이전 세대의 NLP와 달리 이러한 대규모 모델은 특정 활동에 특화되어 있지 않습니다. 기능 및 주제 영역 전반에 걸쳐 강력하고 일반화된 언어 기능이 있습니다. 기본적으로 언어 분류, 언어 번역, 검색, 질문 답변, 요약, 텍스트 생성, 대화와 같은 언어 능력을 구성하는 모든 활동 영역에서 잘 수행됩니다. 이러한 각 활동은 그 자체로 매력적인 기술 및 경제적 기회를 제공합니다.

특정 최종 용도에 맞게 조정할 수 있기 때문에 이러한 기본 모델을 "사전 학습"이라고 합니다.

두 번째 단계에서 다운스트림 사용자(젊은 신생 기업, 학술 연구원, NLP 모델을 구축하려는 모든 사람)는 이러한 사전 훈련된 모델을 선택하고 자신의 특정 모델에 맞게 최적화하기 위해 소량의 추가 훈련 데이터로 수정합니다. 사용 사례 또는 시장. 이 단계를 "미세 조정"이라고 합니다.

페이스북 RoBERTa 작업의 주저자이자 현재 의료 NLP 스타트업 BirchAI의 공동 설립자/CTO인 Yinhan Liu는 "오늘날의 사전 훈련된 모델은 매우 강력하며 더욱 중요하게는 공개적으로 사용할 수 있습니다."라고 말했습니다. "변압기를 운용할 수 있는 노하우가 있는 팀의 경우 질문은 다음과 같습니다. 이 기술을 적용할 수 있는 가장 중요하거나 영향력 있는 사용 사례는 무엇입니까?"

이 "사전 훈련 후 미세 조정" 패러다임에서는 사전 훈련된 모델 생성과 함께 무거운 작업을 미리 수행합니다. 미세 조정 후에도 최종 모델의 동작은 사전 훈련된 모델의 매개변수에 의해 크게 좌우됩니다.

이것은 이러한 사전 훈련된 모델을 엄청나게 영향력 있게 만듭니다. 실제로 영향력이 너무 커서 Stanford University는 최근에 "기초 모델"이라는 새로운 이름을 만들고 이를 더 잘 이해하기 위한 전체 학술 프로그램인 CRFM( Center for Research on Foundation Models )을 시작했습니다. 스탠포드 팀은 기초 모델과 이를 생산할 수 있는 자원을 보유한 소규모 기술 대기업이 전 세계 인공 지능의 미래 행동에 엄청난 영향을 미칠 것이라고 믿습니다.

연구자들은 다음 과 같이 말했습니다. 이러한 균질화는 매우 높은 레버리지를 생성하지만(기본 모델의 개선은 모든 NLP에서 즉각적인 이점으로 이어질 수 있음), 이는 또한 책임입니다. 모든 AI 시스템은 몇 가지 기본 모델의 문제가 있는 동일한 편향을 상속할 수 있습니다.”

이러한 스탠포드의 노력은 큰 언어 모델에 대한 거대한 어렴풋한 문제인 사회적 편견에 주목하고 있습니다.

AI 모델에서 사회적 편견의 원인은 요약하기는 간단하지만 근절하기는 교활하게 어렵습니다. 대형 언어 모델(또는 새로운 브랜드를 사용하기 위한 기초 모델)은 인간이 온라인에서 작성한 것을 섭취하여 언어를 배우기 때문에 불완전한 인간 조상의 편견, 잘못된 가정 및 유해한 믿음을 불가피하게 물려받습니다. GPT-3의 방대한 훈련 데이터 코퍼스에 포함되어야 하는 모든 부수적인 하위 레딧과 편협한 블로그를 상상해 보십시오.

문제는 광범위하게 문서화 되어 있습니다 . 오늘날 가장 저명한 재단 모델은 모두 인종차별, 성차별, 외국인 혐오 및 기타 반사회적 경향을 나타냅니다. 이 문제는 재단 모델이 사회에서 점점 더 영향력이 커지면서 더욱 심각해질 것입니다. 일부 관찰자들은 AI 편향이 데이터 프라이버시나 사이버 보안과 같은 디지털 위협과 마찬가지로 결국 소비자, 기업 및 정부의 문제로 두드러지게 될 것이라고 믿습니다. 변화는 사회가 적절하게 적응하는 능력을 능가합니다.

AI 편견과 독성 문제에 대한 silver bullet 솔루션은 없습니다. 그러나 문제가 더 널리 인식됨에 따라 여러 완화 전략이 추구되고 있습니다.

지난달 OpenAI 는 인간의 가치에 "더 안전하고, 더 유용하고, 더 일치하는" GPT-3의 새 버전을 개발 했다고 발표 했습니다. 이 회사 는 인간 피드백에서 강화 학습으로 알려진 기술을 사용 하여 원래 GPT-3보다 편향이 적고 진실하도록 모델을 미세 조정했습니다. InstructGPT라는 새 버전은 이제 OpenAI가 고객에게 제공하는 기본 언어 모델입니다.

역사적으로 Alphabet의 DeepMind는 언어 AI를 주요 초점 영역으로 만들지 않은 세계에서 가장 앞선 AI 연구 조직 중 하나였습니다. 이는 2021년 말에 변경되었으며 DeepMind 는 대규모 언어 모델에 대한 중요한 작업 모음을 발표 했습니다.

DeepMind가 발표한 3개의 NLP 논문 중 1개는 언어 AI의 윤리적, 사회적 위험에 전적으로 전념합니다. 이 논문 은 차별, 배제, 독성 및 잘못된 정보를 포함하여 언어 모델이 제기하는 6가지 주제 영역과 21가지 특정 위험에 대한 포괄적인 분류를 제안 합니다. DeepMind는 언어 AI의 혁신을 책임감 있게 추구할 수 있도록 이러한 위험을 NLP 연구의 중심 초점으로 삼겠다고 약속했습니다.

최근까지 대부분의 세계 NLP 연구원들이 나중에 고려하거나 무시해 왔던 언어 AI 연구의 이러한 차원이 최근 DeepMind의 언어 AI 진출에서 핵심적인 역할을 했다는 사실은 이 분야의 우선 순위가 앞으로 나아가고 있다는 신호일 수 있습니다.

AI 모델에서 편향과 독성의 피해에 대한 규제 초점 증가는 이러한 변화를 가속화할 뿐입니다. 그리고 실수하지 마십시오. 이 전선에서 규제 조치는 언제가 아니라 언제의 문제입니다.

자연어 너머

흥미롭게도 오늘날 NLP의 가장 창의적인 사용 사례에는 자연어가 전혀 포함되지 않습니다. 특히, 오늘날의 최첨단 언어 AI 기술은 코딩과 생물학이라는 두 가지 다른 영역에서 놀라운 돌파구를 제공하고 있습니다.

Python, Ruby 또는 Java와 상관없이 컴퓨터 프로그래밍은 언어를 통해 발생합니다. 영어나 스와힐리어와 같은 자연어와 마찬가지로 프로그래밍 언어는 상징적으로 표현되고 규칙적인 규칙을 따르며 강력한 내부 논리를 가지고 있습니다. 청중은 다른 사람이 아니라 소프트웨어 컴파일러일 뿐입니다.

따라서 AI에게 자연어에 대한 놀라운 유창함을 부여한 동일한 강력한 신기술을 프로그래밍 언어에도 마찬가지로 적용할 수 있으며 유사한 결과를 얻을 수 있습니다.

지난 여름 OpenAI 는 컴퓨터 코드를 놀라울 정도로 잘 작성할 수 있는 트랜스포머 기반 모델인 Codex를 발표했습니다 . 이와 동시에 GitHub(모회사인 Microsoft를 통해 OpenAI와 제휴)는 Copilot이라는 제품화된 Codex 버전을 출시했습니다 .

Codex를 개발하기 위해 OpenAI는 GPT-3을 가져와 GitHub에서 공개적으로 사용 가능한 방대한 양의 작성된 코드로 미세 조정했습니다.

Codex의 디자인은 간단합니다. 인간 사용자는 명령이나 기능에 대한 일반 영어 설명을 제공하고 Codex는 이 설명을 작동하는 컴퓨터 코드로 바꿉니다. 예를 들어 사용자는 Codex에 "이 이미지를 원형으로 자르기" 또는 "왼쪽 및 오른쪽 벽에서 튀어 나오도록 이 이미지를 수평으로 애니메이션"할 수 있으며 Codex는 이러한 작업을 구현하기 위한 코드 스니펫을 생성할 수 있습니다. (이 정확한 예는 OpenAI 웹사이트 에서 확인할 수 있습니다 .) Codex는 Python에서 가장 유능하지만 12개 이상의 프로그래밍 언어에 능숙합니다.

그리고 불과 2주 전 DeepMind 는 AlphaCode를 발표 하여 AI 코딩의 한계를 더욱 발전시켰습니다 .

AlphaCode는 프로그래밍 대회에서 인간 수준에서 경쟁할 수 있는 AI 시스템입니다. 매년 수십만 명의 참가자가 참가하는 이 대회에서 참가자는 영어로 된 긴 문제 설명을 받고 이를 해결하는 완전한 컴퓨터 프로그램을 구성해야 합니다. 예제 문제에는 맞춤형 보드 게임을 위한 전략 고안 또는 산술 기반 두뇌 자극 문제 해결이 포함됩니다.

OpenAI의 Codex는 구체적인 설명에 대한 응답으로 짧은 코드 스니펫을 생성할 수 있지만 DeepMind의 AlphaCode는 훨씬 더 나아갑니다. 실제 프로그래밍의 완전한 복잡성에 접근하기 시작합니다. 명확한 솔루션 없이 추상적인 문제를 평가하고, 이를 해결하기 위한 구조화된 접근 방식을 고안한 다음, 최대 수백 줄의 코드로 해당 접근 방식을 실행합니다. AlphaCode는 높은 수준의 추론인 AI에서 거의 찾아보기 힘든 속성을 표시하는 것 같습니다.

DeepMind의 AlphaCode 팀 은 다음과 같이 말했습니다. 인공 지능이 인류를 돕기 위해서는 우리 시스템이 문제 해결 능력을 개발할 수 있어야 합니다. AlphaCode는 비판적 사고, 논리, 알고리즘, 코딩 및 자연어 이해의 조합이 필요한 프로그래밍 대회의 새로운 문제를 해결합니다.”

오늘날의 최첨단 NLP가 놀라운 통찰력을 생성하기 시작한 또 다른 "언어"는 유전체학에서 단백질에 이르기까지 생물학입니다.

유전체학은 개인의 전체 유전적 특성이 A(아데닌의 경우), C(시토신의 경우), G(구아닌의 경우), T(구아닌의 경우)라는 간단한 4자 알파벳으로 인코딩되어 있기 때문에 대규모 언어 모델의 적용에 매우 적합합니다. 티민). 모든 인간의 DNA는 특정 순서로 수십억 개의 A, C, G 및 T(뉴클레오티드로 알려짐)의 문자열로 정의됩니다.

많은 면에서 DNA는 일종의 어휘, 문법, 의미론과 유사한 규칙적인 패턴을 나타내는 염기서열과 함께 언어와 같은 기능을 합니다. 이 언어는 무엇을 말합니까? 키에서 눈 색깔, 심장병이나 약물 남용 위험에 이르기까지 우리가 누구인지에 대해 많은 것을 정의합니다.

큰 언어 모델은 현재 DNA의 언어, 특히 "비코딩" 영역을 해독하는 데 급속한 발전을 이루고 있습니다. 이 비암호화 영역은 유전자를 포함하지 않고 오히려 제어 유전자: 주어진 유전자가 얼마나, 언제, 어디서 발현되는지를 조절하여 생명 유지에 중심 역할을 부여합니다. 비암호화 영역은 전체 DNA의 98%를 구성하지만 지금까지 제대로 이해되지 않았습니다.

몇 달 전 DeepMind 는 전례 없는 정확도로 DNA 서열을 기반으로 유전자 발현을 예측할 수 있는 새로운 변압기 기반 아키텍처를 도입 했습니다. 이전보다 훨씬 더 먼 거리에서 유전자와 비암호화 DNA 서열 간의 상호작용을 고려함으로써 그렇게 합니다. Harvard의 한 팀은 옥수수의 유전자 발현을 더 잘 이해하기 위해 유사한 방식으로 작업 을 완료했습니다(모델 이름을 "CornBERT"로 적절하게 지정).

언어 AI의 비옥한 기반을 나타내는 생물학의 또 다른 하위 분야 는 단백질 연구입니다 . 단백질은 특정 순서로 함께 연결된 아미노산으로 알려진 빌딩 블록의 문자열입니다. 총 20개의 아미노산이 있습니다. 따라서 모든 복잡성에도 불구하고 단백질은 토큰화된 문자열(자연어의 각 단어와 마찬가지로 각 아미노산이 토큰임)으로 처리되고 그에 따라 분석될 수 있습니다.

예를 들어 Salesforce의 AI 연구팀은 최근 "단백질 언어를 학습"하는 NLP 모델을 구축했으며 미리 지정된 특성으로 자연에 존재하지 않는 그럴듯한 단백질 서열을 생성할 수 있습니다. 이러한 유형의 제어 가능한 단백질 합성의 잠재적인 응용은 감질나게 합니다.

이러한 노력은 시작에 불과합니다. 앞으로 몇 개월과 몇 년 안에 언어 AI는 삶 자체가 어떻게 작동하는지 이해하는 데 지대한 공헌을 할 것입니다.

결론

언어는 인간 지능의 핵심입니다. 따라서 이것은 인공 지능을 구축하려는 우리 노력의 핵심이며 또 그래야 합니다. 정교한 AI는 언어를 숙달하지 않고 존재할 수 없습니다.

오늘날 언어 AI 분야는 산업을 변화시키고 수십억 달러 규모의 새로운 기업을 탄생시키는 신나는 변곡점에 있습니다. 동시에 이제야 비로소 마땅히 받아야 할 관심을 받기 시작한 편견과 독성과 같은 사회적 위험이 도사리고 있습니다.

이 기사는 오늘날 언어 AI의 세계를 형성하는 큰 그림의 발전과 추세를 탐구했습니다. 후속 기사에서는 오늘날 가장 흥미진진한 NLP 스타트업을 살펴봅니다. 증가하는 NLP 기업가 그룹은 분야와 사용 사례 전반에 걸쳐 창의적인 방식으로 최첨단 언어 AI를 적용하여 막대한 경제적 가치와 심각한 산업 파괴를 창출하고 있습니다. 앞으로 몇 년 동안 더 많은 가능성을 지닌 스타트업 카테고리는 거의 없습니다.

[익명(125.191)]

복잡한 소리처럼 들리지만 시퀀스 학습이 모든 것을 여는 열쇠다

[트라야누스(221.150)]

원글 링크좀줘

[익명(1.239)]

제일 위에 있음

[익명(1.239)]

https://www.forbes.com/sites/robtoews/2022/02/13/language-is-the-next-great-frontier-in-ai/?sh=58d5cd115c50

[ㅇㅇㅇ(14.38)]