엔비디아 AI 전문가들 산업 전반의 빠른 변화 예측, 엔비디아 2024년 AI 산업 전망 발표

엔비디아(www.nvidia.co.kr)가 AI에 대한 엔비디아 전문가들의 내년도 전망을 발표했다. 산업계 전반에서 혁신적인 신기술에 주목하면서 '생성형 AI', '사전 훈련된 생성 변환기(GPT)'와 같은 새로운 용어와 함께 '대규모 언어 모델(LLM)', '검색 증강 생성(RAG)'도 등장했다.

올 한 해는 생성형 AI가 놀라운 주목을 받았으며, 큰 화제를 불러일으켰다. 많은 기업이 텍스트, 음성과 비디오를 수집해 생산성, 혁신과 창의성에 혁명을 일으킬 수 있도록 새로운 콘텐츠를 만들어내는 능력을 활용하기 위해 노력하고 있다. 기업들은 이러한 추세에 부응하고 있다. 맥킨지 & 컴퍼니(McKinsey & Company)에 따르면, 기업 데이터로 훈련된 오픈AI(OpenAI)의 챗GPT(ChatGPT)와 같은 딥러닝 알고리즘은 63개의 비즈니스 사용 사례에서 연간 2조 6천억 달러에서 4조 4천억 달러에 해당하는 가치를 창출할 수 있다. 

하지만 방대한 양의 내부 데이터 관리는 AI 확장의 가장 큰 걸림돌로 여겨진다. 일부 엔비디아 AI 전문가들은 2024년에는 클라우드 서비스 제공업체, 데이터 스토리지와 분석 기업, 또는 빅데이터를 효율적으로 처리, 미세 조정, 배포의 노하우를 가진 다른 기업과의 파트너십, 협업을 구축하는 것이 중요해질 것이라고 예측한다. 이 모든 것의 중심에는 LLM이 있다. 엔비디아 전문가들은 LLM 연구의 발전이 비즈니스와 엔터프라이즈 애플리케이션에 점점 더 많이 적용될 것이라고 예상한다. RAG, 자율 지능형 에이전트, 멀티모달 인터랙션과 같은 AI 기능은 거의 모든 플랫폼을 통해 더욱 쉽게 액세스하고 배포할 수 있다. 

엔비디아 전문가들이 전하는 2024년도 전망은 다음과 같다.

<마누비르 다스(MANUVIR DAS) 엔터프라이즈 컴퓨팅 부문 부사장>

맞춤형 솔루션이 필요하다: 기업에도 커스터마이징이 도입되고 있다. 기업들은 한두 개의 생성형 AI 애플리케이션을 보유하는 것이 아니라, 비즈니스의 다양한 부분에 적합한 독점 데이터를 사용해 수백 개의 맞춤형 애플리케이션을 보유하게 된다. 프로덕션 단계에서 이러한 맞춤형 LLM이 실행되면 데이터 소스를 생성형 AI 모델에 연결해 보다 정확하고 정보에 입각한 응답을 제공하는 RAG 기능을 갖추게 된다. 암독스(Amdocs), 드롭박스(Dropbox), 제넨테크(Genentech), SAP, 서비스나우(ServiceNow), 스노우플레이크(Snowflake)와 같은 선도적인 기업들은 이미 RAG와 LLM을 통해 새로운 생성형 AI 서비스를 구축하고 있다. 

오픈소스 소프트웨어가 주도하고 있다: 사전 훈련된 오픈소스 모델 덕분에 특정 분야의 문제를 해결하는 생성형 AI 애플리케이션이 기업 운영 전략의 일부가 될 것이다. 기업이 이러한 선행 모델을 비공개 또는 실시간 데이터와 결합하면 조직 전반에서 생산성과 비용의 이점을 가속화할 수 있다. 클라우드 기반 컴퓨팅과 AI 모델 파운드리 서비스부터 데이터센터, 엣지, 데스크톱에 이르기까지 거의 모든 플랫폼에서 AI 컴퓨팅과 소프트웨어에 더욱 쉽게 액세스할 수 있다. 상용 AI와 마이크로서비스: 생성형 AI는 개발자가 복잡한 애플리케이션을 더 쉽게 구축할 수 있도록 애플리케이션 프로그래밍 인터페이스(API) 엔드포인트의 채택에 박차를 가했다. 2024년에는 개발자가 서비스형 RAG와 같은 AI 마이크로서비스를 통해 상용 AI 모델을 커스터마이징함에 따라 소프트웨어 개발 키트와 API의 수준이 높아질 예정이다. 따라서 기업은 최신 비즈니스 정보에 액세스할 수 있는 지능형 어시스턴트와 요약 툴을 통해 AI 기반 생산성의 잠재력을 최대한 활용할 수 있다. 개발자는 모델과 프레임워크를 지원하는 데 필요한 인프라를 유지 관리할 걱정 없이 이러한 API 엔드포인트를 애플리케이션에 직접 임베드할 수 있다. 최종 사용자는 자신의 필요에 맞게 조정되는 보다 직관적이고 반응이 빠른 맞춤형 애플리케이션을 경험할 수 있다.

<이안 벅(IAN BUCK) 하이퍼스케일과 HPC 부문 부사장>

우주를 향한 도약: AI는 새로운 우주 경쟁이 될 것이며, 모든 국가는 연구와 과학의 획기적인 발전을 주도하고 GDP를 개선하기 위해 자체적으로 우수 센터를 구축하고자 한다. 수백 개의 가속 컴퓨팅 노드만 있으면 각국은 고효율, 대규모 성능의 엑사스케일 AI 슈퍼컴퓨터를 빠르게 구축할 수 있다. 정부가 자금을 지원하는 생성형 AI 우수 센터는 새로운 일자리를 창출하고 차세대 과학자, 연구자, 엔지니어를 양성하는 대학 프로그램을 강화하여 국가의 경제 성장을 촉진한다. 양자 도약과 한계: 기업 선두주자들은 두 가지 주요 동인을 기반으로 양자 컴퓨팅 연구 이니셔티브를 시작할 것이다. 이는 기존 AI 슈퍼컴퓨터를 사용해 양자 프로세서를 시뮬레이션하는 능력과 하이브리드 클래식 양자 컴퓨팅을 위한 개방적이고 통합된 개발 플랫폼의 가용성이다. 개발자는 양자 알고리즘을 구축하기 위한 맞춤형 전문 지식이 필요 없이 표준 프로그래밍 언어를 사용할 수 있다. 한때 컴퓨터 과학의 틈새 분야로 여겨졌던 양자 컴퓨팅에 대한 탐구가 주류가 될 것이다. 기업이 학계, 국립 연구소와 함께 재료 과학, 제약 연구, 아원자 물리학, 물류 분야의 급속한 발전을 추구함에 따라 양자 컴퓨팅은 더욱 보편화될 것이기 떄문이다.

<카리 브리스키(KARI BRISKI) AI 소프트웨어 부문 부사장>

RAG에서 부에 이르기까지: 2024년에 기업들이 AI 프레임워크를 도입함에 따라 RAG에 대해 더 많은 이야기를 들을 수 있을 것으로 예상한다. 기업이 생성형 AI 애플리케이션과 서비스를 구축하기 위해 LLM을 훈련할 때, 부정확하거나 무의미한 답변에 RAG를 해결책으로 사용하고 있다. 이러한 문제는 모델이 특정 사용 사례에 대한 정확하고 관련성 있는 정보에 충분히 액세스하지 못할 때 종종 발생한다. 기업은 의미적 인출(semantic retrieval)을 통해 오픈 소스 기초 모델을 가져와 자체 데이터를 수집한다. 따라서 사용자 쿼리가 인덱스에서 관련 데이터를 검색할 수 있도록 한 다음 런타임에 모델에 전달할 수 있다. 결론적으로 기업은 의료, 금융, 소매, 제조 등의 분야에서 더 적은 리소스로 더욱 정확한 생성형 AI 애플리케이션을 구현할 수 있다. 최종 사용자는 데이터와 자연스럽고 직관적으로 대화할 수 있는 보다 정교하고 상황에 맞는 멀티모달 챗봇과 맞춤형 콘텐츠 추천 시스템을 기대할 수 있다. 멀티모달리티가 진가를 발휘한다: 텍스트 기반 생성형 AI는 이제 과거의 일이다. 생성형 AI가 아직 초기 단계에 있지만, 많은 업계에서 멀티모달 LLM을 도입할 예정이다. 이를 통해 소비자는 텍스트, 음성, 이미지를 조합해 표, 차트 또는 도식에 대한 쿼리에 대해 보다 맥락에 맞는 답변을 제공할 수 있다. 메타(Meta), 오픈AI와 같은 기업은 감각에 대한 지원을 강화해 멀티모달 생성형 AI의 경계를 넓히고자 한다. 이는 물리 과학, 생물 과학, 사회 전반의 발전으로 이어질 것이다. 기업은 데이터를 텍스트 형식뿐만 아니라 PDF, 그래프, 차트, 슬라이드 등으로도 이해할 수 있다.

<니키 포프(NIKKI POPE) AI와 법률 윤리 부문 책임>

AI 안전에 대한 목표 설정: 선도적인 AI 조직 간의 협력은 강력하고 안전한 AI 시스템의 연구 개발을 가속화한다. 업계 전반에서 채택될 새로운 표준화된 안전 프로토콜과 모범 사례를 통해 생성형 AI 모델 전반에 걸쳐 일관되고 높은 수준의 안전을 보장할 수 있을 것으로 기대한다. 기업들은 AI 시스템의 투명성과 해석 가능성에 더욱 집중하고, 새로운 도구와 방법론을 사용해 복잡한 AI 모델의 의사결정 과정을 밝힐 것이다. 생성형 AI 생태계가 안전을 중심으로 재편됨에 따라 AI 기술이 더욱 안정적이고 신뢰할 수 있으며 인간의 가치에 부합하는 방향으로 발전할 것으로 예상된다.

<리차드 캐리스(RICHARD KERRIS) 개발자 릴레이션 부문 부사장 겸 미디어 및 엔터테이먼트 책임>

개발의 대중화: 사실상 모든 사람이 어디에서나 개발자가 될 수는 시대가 도래할 것이다. 기존에는 애플리케이션이나 서비스를 개발하려면 특정 개발 언어를 알고 능숙하게 사용할 수 있어야 했다. 컴퓨팅 인프라가 점점 더 소프트웨어 개발 언어에 대한 훈련을 받게 되면서 누구나 애플리케이션, 서비스, 디바이스 지원 등을 기계가 만들도록 명령할 수 있게 될 것이다. 기업은 AI 모델, 기타 전문 애플리케이션을 구축하고 훈련하기 위해 계속해서 개발자를 고용하겠지만, 맞춤형 제품과 서비스를 구축할 수 있는 적절한 기술을 갖춘 사람이라면 누구나 훨씬 더 광범위한 기회를 만날 수 있을 것으로 기대한다. 텍스트 입력이나 음성 안내를 통해 도움을 받을 수 있어 구두로 지시하는 것만큼 간단하게 컴퓨터와 상호 작용할 수 있다. 

영화와 노래 속 “나우 앤 덴(Now and Then)”: 더 팹 포(The Fab Four)의 ‘새로운’ AI 증강 노래가 비틀마니아의 새로운 흐름을 촉진시킨 것처럼, 최초의 생성형 AI 장편영화의 등장은 영화 산업에 충격파를 불러일으킬 것이다. 35mm 필름 카메라로 촬영하는 영화 제작자는 동일한 콘텐츠를 생성형 AI를 통해 70mm 영화로 제작할 수 있다. 이를 통해 IMAX 포맷의 영화 제작에 드는 막대한 비용을 절감하고, 더욱 많은 감독들이 참여할 수 있다. 

크리에이터는 컴퓨터에 텍스트, 이미지 또는 동영상을 입력하여 아름다운 이미지와 동영상을 새로운 유형과 형식의 엔터테인먼트로 변환할 수 있다. 일부 전문가들은 자신들의 기술이 대체될 것을 우려하지만, 생성형 AI가 특정 작업에 대한 훈련 능력이 향상되는 것이기 때문에 이러한 문제는 사라진다. 따라서 다른 작업에 집중할 수 있는 여유가 생기고 아티스트 친화적인 인터페이스를 갖춘 새로운 툴이 등장할 수 있다.

<킴벌리 파월(KIMBERLY POWELL) 헬스케어 부문 부사장>

AI 수술 어시스턴트: 이제는 외과의가 음성으로 수술실 안팎에서 보고 파악한 것을 증강할 수 있다. 기기, 이미징, 로보틱스, 실시간 환자 데이터를 AI와 결합하면 외과의의 훈련이 개선되고, 보다 맞춤형 수술이 가능해지며, 원격 수술 중에도 실시간 피드백과 안내를 통해 안전성이 향상될 것이다. 이는 특히 저소득과 중저소득 국가에서 수술이 필요하지만 시행되지 못하는 약 1억 5천만 건의 수술 격차를 줄이는 데 도움이 될 것이다. 

생성형 AI 신약 개발 공장: 생성형 AI 분자 생성, 특성 예측과 복잡한 모델링이 지능형 랩 인 더 루프(lab-in-the-loop) 플라이휠을 구동하고 있다. 이에 따라 임상적으로 실행 가능한 약물 후보 발견 시간을 단축하고 품질을 개선하는 새로운 신약 개발 프로세스가 등장하고 있다. 이러한 AI 신약 개발 공장은 전체 게놈, 원자 분해 기기, 연중무휴 24시간 가동되는 로봇 실험실 자동화를 바탕으로 방대한 의료 데이터 세트를 활용한다. 이제 컴퓨터는 방대하고 복잡한 데이터 세트 내에서 패턴과 관계를 학습하고, 이전에는 시간이 많이 걸리는 실험 관찰과 인간이 종합적 판단을 통해서만 발견할 수 있었던 복잡한 생물학적 관계를 생성, 예측, 모델링할 수 있다.

<찰리 보일(CHARLIE BOYLE) DGX 플랫폼 부문 부사장>

기업 맞춤형 LLM 클라우드 전환: 2023년에 기업들은 LLM을 처음부터 구축하는 것이 쉽지 않다는 것울 깨달았다. 신규 인프라와 기술에 투자해야 한다는 사실에 부담을 느끼는 기업이 많았으며, 다른 기업 이니셔티브의 우선순위를 언제 어떻게 정해야 하는지 파악하는 데에도 어려움을 겪었다. 클라우드 서비스 제공업체, 코로케이션 제공업체, 다른 기업을 위해 데이터를 처리하고 프로세싱하는 업체들은 풀스택 AI 슈퍼컴퓨팅과 소프트웨어로 기업을 지원할 것이다. 이를 통해 사전 훈련된 모델을 맞춤 설정하고 산업 전반에 걸쳐 더 쉽게 배포할 수 있다. 

엔터프라이즈 데이터 레이크에서 LLM 추출: 여러 통계에 따르면 일반적인 기업도 대량의 정보를 저장하고 있다. 대기업의 경우 그 정보는 수백 페타바이트에 달할 수 있다. 하지만 많은 기업이 실행 가능한 인사이트를 얻을 수 있는 데이터의 절반에도 미치지 못하는 정보를 얻어내고 있다고 보고한다. 2024년부터는 생성형 AI를 사용해 비식별 데이터를 활용, LLM을 구축하고 맞춤화하기 시작할 것이다. 기업은 AI 기반 슈퍼컴퓨팅을 통해 채팅, 동영상, 코드 등 비정형 데이터를 획득해 생성형 AI 개발을 멀티모달 모델 훈련으로 확장할 것이다. 이러한 도약으로 표와 기타 정형 데이터를 수집하는 기능을 뛰어넘어 질문에 대한 보다 구체적인 답변을 제공하고 새로운 기회를 찾을 수 있다. 여기에는 건강 검진 시 이상 징후 감지, 소매업의 새로운 트렌드 발견, 기업 운영 안전성 향상이 포함된다.

<아지타 마틴(AZITA MARTIN) 소매와 소비자 패키지 그룹, 퀵 서비스 레스토랑 부문 부사장>

생성형 AI 쇼핑 어드바이저: 소매업체는 고객이 원하는 상품과의 연결뿐만 아니라 개개인의 니즈와 선호도에 맞는 수준 높은 인간적인 옴니채널 쇼핑 경험 제공이라는 두 가지 과제를 안고 있다. 이러한 목표를 달성하기 위해 소매업체들은 최첨단 생성형 AI 기반 쇼핑 어드바이저 도입을 준비하고 있다. 이는 소매업체들의 고유한 브랜드, 제품, 고객 데이터에 대한 세심한 훈련을 거쳐 인간 비서의 전문성을 재현해 브랜드에 적합한 맞춤형 쇼핑 여정을 안내한다. 이러한 혁신적인 접근 방식은 개인 맞춤형 지원을 제공함으로써 브랜드를 차별화하고 고객 충성도를 높이는 데 도움이 된다. 

안전한 환경 구축: 전 세계적으로 조직화된 소매업 범죄가 점점 더 정교해지고 조직화됨에 따라 소매업체는 더욱 큰 어려움에 직면하고 있다. 전미(全美)소매업연합회(The National Retail Federation)는 팬데믹 이후 소매점 절도가 급증하면서부터 소매업 범죄 경험 사례가 26.5% 늘어났다고 보고했다. 고객과 직원 모두를 위한 매장 내 경험의 안전과 보안을 강화하기 위해 컴퓨터 비전과 물리적 보안 정보 관리 소프트웨어를 사용해 서로 다른 보안 시스템에서 이벤트를 수집하고 상호 연관성을 파악하기 시작할 것이다. 이를 통해 AI는 무기 소지나 선반에서 물건을 대량으로 가져가는 것과 같은 비정상적인 행동을 감지할 수 있다. 이로써 범죄 활동을 사전에 차단하고 보다 안전한 쇼핑 환경을 유지할 수 있도록 지원할 것이다.

<레브 레바레디안(REV LEBAREDIAN) 옴니버스(Omniverse) 및 시뮬레이션 기술 부문 부사장>

산업 디지털화와 생성형 AI의 만남: 산업 디지털화와 생성형 AI의 융합으로 산업 혁신이 촉진될 전망이다. 생성형 AI는 기하학, 빛, 물리학, 물질, 행동과 같은 물리적 세계의 측면을 디지털 데이터로 더 쉽게 전환할 수 있도록 지원한다. 물리적 세계의 디지털화는 산업 기업의 혁신을 가속화해 제품을 보다 효율적으로 설계, 최적화, 제조, 판매할 수 있도록 한다. 또한 가상 훈련장과 합성 데이터를 보다 쉽게 생성해 자율 로봇, 자율주행차 등 물리적 세계 내에서 상호 작용하고 작동하는 차세대 AI를 훈련할 수 있다. 

3D 상호 운용성 실현: 드로잉 보드에서 공장 현장까지 최초로 데이터 상호 운용이 가능해질 것이다. 제조, 제품 디자인, 소매, 전자상거래, 로보틱스 산업에서 세계에서 가장 영향력 있는 소프트웨어와 실무 기업들이 새로 설립된 오픈USD(OpenUSD) 얼라이언스에 참여하고 있다. 3D 툴과 데이터 간의 범용 언어인 오픈USD는 데이터 사일로를 허물어 데이터 레이크, 툴 시스템, 전문 팀 간 그 어느 때보다 쉽고 빠른 협업을 지원할 것이다. 이로써 기존의 번거롭고 수동적이었던 산업 프로세스 디지털화를 가속할 수 있게 된 것이다.

<신저우 우(XINZHOU WU) 오토모티브 부문 부사장 겸 총괄>

차량 생산 수명 주기 현대화: 자동차 업계는 생성형 AI를 도입해 차량의 내부와 외부 모습을 정확히 보여주는 물리적으로 정확하고 사실적인 렌더링을 제공할 것이다. 동시에 설계 검토 시간을 단축하고 비용을 절감하며 효율성을 개선한다. 더 많은 자동차 제조업체가 스마트 팩토리에 해당 기술을 도입해 설계와 엔지니어링 툴을 연결해 생산 시설의 디지털 트윈을 구축할 것이다. 이를 통해 공장 라인을 중단할 필요 없이 비용을 절감하고 운영을 간소화할 수 있다. 생성형 AI는 소비자 조사와 구매를 더욱 상호 작용적인 방식으로 변화시킬 것이다. 자동차 컨피규레이터와 3D 시각화부터 증강 현실 데모와 가상 시승까지 소비자는 더욱 매력적이고 즐거운 쇼핑 경험을 할 수 있다. 

안전성 확보: 생성형 AI는 자동차 제품 수명 주기 외에도 자율주행차(AV) 개발에서도 획기적인 발전을 이룰 수 있다. 여기에는 기록된 센서 데이터를 완전한 상호작용형 3D 시뮬레이션으로 전환하는 것을 포함한다. 이러한 디지털 트윈 환경과 합성 데이터 생성은 자율주행차를 실제 환경에 구현하기 전 가상에서 대규모로 안전하게 개발, 테스트, 검증하는 데 사용된다. 또한 생성형 AI 기반 모델은 차량의 AI 시스템을 지원해 차량 내외부에서 새로운 맞춤형 사용자 경험, 기능, 안전 기능을 구현할 수 있도록 한다. 운전자 경험은 더욱 안전하고 스마트하며 즐거워질 것이다.

<밥 피트(BOB PETTE) 엔터프라이즈 플랫폼 부문 부사장>

생성형 AI를 통한 재창조: 생성형 AI를 통해 LLM에 음성 명령을 내려 자동차를 설계하거나, 새로운 기술과 설계 원칙을 사용해 도시를 처음부터 새로 설계할 수 있다. 건축, 엔지니어링, 건설, 운영(AECO) 업계는 생성형 AI를 이정표로 삼아 미래를 건설하고 있다. 수백 개의 생성형 AI 스타트업과 AECO, 제조 분야의 고객사는 설계 최적화, 시장 인텔리전스, 건설 관리, 물리 예측 등 거의 모든 사용 사례를 위한 솔루션을 개발하는 데 주력할 것이다. AI는 효율성 향상, 낭비 감소, 생산과 지속 가능성에 대한 완전히 새로운 접근 방식을 제시해 제조업의 진화를 가속화할 것이다. 개발자와 기업은 특히 라이더를 사용해 건축과 자연 환경을 정밀한 디테일로 표현하는 포인트 클라우드 데이터 분석에 집중하고 있다. 이는 생성형 AI 가속 워크플로우를 통해 충실도 높은 인사이트와 분석으로 연계된다.

<길라드 샤이너(Gilad Shainer) 네트워킹 부문 부사장>

AI 유입으로 커넥티비티 수요 가속: 기업들이 GPU와 GPU 기반 시스템을 사용해 컴퓨팅을 가속화하는 데 필요한 네트워크 대역폭을 모색하며 네트워킹 효율성과 성능에 대한 관심이 다시 높아질 것이다. 수조 개의 파라미터를 가진 LLM으로 더 빠른 전송 속도와 더 넓은 서비스 범위에 대한 필요성이 조명될 것이다. 생성형 AI 애플리케이션을 신속하게 배포하려는 기업은 가속화된 네트워킹 기술에 투자하거나 이를 제공하는 클라우드 서비스 제공업체를 선택해야 한다. 최적의 연결을 위한 핵심은 차세대 하드웨어, 소프트웨어와 결합된 풀스택 시스템 구축이다. 데이터센터 설계 필수 요소: 기업은 모든 데이터센터가 똑같을 필요는 없다는 것을 알게 될 것이다. 데이터센터의 목적을 결정하는 것이 데이터센터 내에서 사용할 적절한 네트워킹을 선택하는 첫 번째 단계다. 기존의 데이터센터는 대역폭이 제한되어 있으며, 대규모 AI 워크로드를 매우 결정적이고 낮은 레이턴시로 구동하기 위해 수천 개의 GPU를 필요로 한다. 대규모 부하 시 네트워크 역량은 성능을 판가름하는 가장 중요한 요소다. 미래의 엔터프라이즈 데이터센터 연결은 관리(노스-사우스) 네트워크와 AI(이스트-웨스트) 네트워크를 분리해야 하며, AI 네트워크에는 고성능 컴퓨팅과 AI, 하이퍼스케일 클라우드 인프라를 위해 특별히 설계된 네트워크 내 컴퓨팅이 포함된다.

<데이비드 레버 주니어(DAVID REBER JR.), 정보 보안 최고 책임자>

AI에 보안 모델 적용의 명확성: 앱 중심 보안에서 데이터 중심 보안으로의 전환이 본격화되고 있다. 데이터는 LLM의 기본 공급망이자 생성형 AI의 미래다. 기업들은 이제 이러한 문제가 대규모로 확산되는 것을 목격하고 있다. 기업은 인력, 프로세스, 기술을 재평가하여 보안 개발 수명 주기(SDLC)를 재정의해야 한다. 업계 전반에서는 신뢰에 대한 접근 방식을 재정의하고 투명성의 의미를 명확히 해야 한다. 새로운 세대의 사이버 툴이 탄생할 것이다. AI SDLC는 명령줄 인터페이스에서 인간 언어 인터페이스로의 전환을 위한 기대와 함께 새로운 툴 시장 리더가 될것이다. 더 많은 기업이 메타의 라마 2(Llama 2)와 같은 오픈 소스 LLM을 사용하여 생성형 AI 결과물을 가속화하는 방향으로 전환함에 따라 그 필요성이 특히 중요해진다. AI를 통한 보안 확장: 사이버 보안 결함에 AI를 적용하면 이전에는 볼 수 없었던 위협을 감지할 수 있다. 현재 전 세계 데이터의 일부만이 사이버 방어에 사용되고 있다. 그 사이에 공격자들은 잘못된 모든 구성을 계속해서 이용한다. 기업들은 실험을 통해 새로운 위협과 위험을 식별하는 데 있어 AI의 잠재력을 깨닫게 될 것이다. 사이버 코파일럿은 기업 사용자가 피싱과 구성을 탐색하는 데 도움을 준다. 해당 기술이 효과를 발휘하려면 기업은 업무와 개인 생활의 교차점에 내재된 개인 정보 보호 문제를 해결하여 데이터 중심 환경에서 집단적 방어를 가능하게 해야 한다. 위협이 계속 증가함에 따라 AI는 기술에 대한 접근을 대중화하는 동시에 차세대 사이버 방어자를 지원할 것이다. 기업이 각 위협을 명확히 파악하는 즉시, AI는 이러한 위협을 방어하고 탐지할 수 있도록 다운스트림 탐지기를 훈련시키는 방대한 양의 데이터를 생성하는 데 사용된다.

<로니 바시타(RONNIE VASISHTA) 통신 부문 수석 부사장>

RAN을 오가는 실행: 5G에 대한 투자 사례에 대대적인 재평가가 예상된다. 5G 출시 이후 5년이 지난 현재, 네트워크 커버리지와 용량은 급성장했지만 매출 성장은 부진하고 대부분 독점적이며, 유연성이 떨어지는 인프라에 대한 비용은 증가했다. 5G RAN의 활용률은 40% 이하이다. 새해에는 새로운 수익 창출 애플리케이션을 발굴하기 위해 기존 스펙트럼에서 새로운 수익원을 공격적으로 추구하는 해가 될 것이다. 또한 통신사들은 범용 구성 요소를 기반으로 구축된 유연하고 활용도가 높은 인프라에 더 중점을 두고 설비 투자 구조를 재고할 것이다. 또한 기업이 AI 툴을 활용하여 성능을 높이고 효율성을 개선하며 비용을 절감함에 따라 운영 비용이 전반적으로 감소할 것으로 예상된다. 이러한 이니셔티브의 결과에 따라 통신사들이 6G 기술에 투자할 금액이 결정된다. 챗봇에서 네트워크 관리까지: 통신사들은 이미 고객 서비스와 지원을 개선하기 위해 챗봇과 가상 비서용 생성형 AI를 사용한다. 새해에는 네트워크 계획과 최적화, 결함과 사기 감지, 예측 분석과 유지 관리, 사이버 보안 운영, 에너지 최적화와 같은 영역의 운영 개선을 위해 생성 AI 사용을 두 배로 늘릴 예정이다. 생성형 AI가 얼마나 광범위하고 전략적으로 활용되고 있는지를 고려할 때, 성장을 지원하기 위한 새로운 유형의 AI 팩토리 인프라를 구축하는 것도 핵심 과제이다. 점점 더 많은 통신사가 내부용 AI 팩토리를 구축할 뿐만 아니라 개발자를 위한 서비스형 플랫폼으로 배포할 것이다. 동일한 인프라는 RAN을 추가 테넌트로 지원할 수 있게 될 것이다.

<말콤 드마요(MALCOLM DEMAYO) 금융 서비스 부문 부사장>

AI 우선 금융 서비스: AI 발전이 기하급수적으로 증가함에 따라 금융 서비스 기업은 데이터에 컴퓨팅 파워를 제공할 것이다. 기업은 빠른 기술 발전 속에서 집중 리스크를 완화하고 민첩성을 유지해야 하는 필요성에 따라 온프레미스 인프라와 클라우드 기반 컴퓨팅의 확장성이 뛰어난 하이브리드 조합으로 전략적 전환을 시도할 것이다. AI 기반 고객 서비스 지원, 사기 탐지, 리스크 관리 등 가장 핵심적인 워크로드를 처리하는 기업이 이러한 변화를 주도할 것이다.

<마크 스필러(MARC SPIELER) 에너지 부문 수석 디렉터>

더 빠른 시뮬레이션을 위한 물리-ML(physics-ML): 에너지 기업들은 시뮬레이션을 가속화하고 산업 프로세스를 최적화하며 의사 결정을 향상시키기 위해 점점 물리학 기반 머신 러닝(물리-ML)으로 전환할 것이다. 물리-ML은 기존의 물리 기반 모델과 고급 머신 러닝 알고리즘을 통합하여 복잡한 물리 현상을 빠르고 정확하게 시뮬레이션할 수 있는 강력한 툴을 제공한다. 예를 들어, 에너지 탐사와 생산 분야에서 물리-ML은 지하 지질학을 신속하게 모델링하여 잠재적인 탐사 장소를 식별하고 운영과 환경 위험을 평가하는 데 도움을 준다. 풍력, 태양광과 같은 재생 에너지 분야에서 물리-ML은 예측 유지 관리에 중요한 역할을 하여, 에너지 회사가 장비 고장을 예측하고 사전에 유지 관리 일정을 계획하여 다운타임과 비용을 줄일 수 있도록 지원한다. 컴퓨팅 성능과 데이터 가용성이 지속적으로 증가함에 따라 물리학-ML은 에너지 회사가 시뮬레이션, 모델링 작업에 접근하는 방식을 변화시켜 보다 효율적이고 지속 가능한 에너지 생산으로 이어진다. LLM - 더 나은 운영 결과를 위한 해결책: LLM은 물리-ML과 결합하여 에너지 장비의 광범위한 기록 데이터와 실시간 센서 입력을 분석하여 잠재적인 장애와 유지 관리 필요성을 사전에 예측한다. 이러한 사전 예방적 접근 방식은 예기치 않은 다운타임을 줄이고 터빈, 발전기, 태양광 패널과 기타 중요 인프라의 수명을 연장한다. 또한 LLM은 유지 관리 일정과 리소스 할당을 최적화하여 수리, 점검을 효율적으로 수행할 수 있도록 한다. 궁극적으로 예측 관리 보수에 LLM을 사용하면 에너지 기업의 비용을 절감하고 소비자에게 보다 안정적인 에너지 공급에 기여할 수 있다.

<디푸 탈라(DEEPU TALLA) 임베디드 및 엣지 컴퓨팅 부문 부사장>

로보틱스 프로그래머의 부상: LLM은 로보틱스 엔지니어의 빠른 발전을 이끌 것이다. 생성형 AI는 로봇용 코드를 개발하고 새로운 시뮬레이션을 생성하여 로봇을 테스트하고 훈련한다. LLM은 3D 장면을 자동으로 구축하고, 환경을 구성하며 입력에서 에셋을 생성하여 시뮬레이션 개발을 가속화한다. 이렇게 생성된 시뮬레이션 에셋은 합성 데이터 생성, 로봇 기술 훈련, 로봇 애플리케이션 테스트와 같은 워크플로우에 매우 중요하다. LLM의 엔진인 트랜스포머 AI 모델은 로보틱스 엔지니어를 도울 뿐만 아니라 로봇 자체를 더욱 똑똑하게 만들어 복잡한 환경을 더 잘 이해하고 그 안에서 다양한 기술을 더 효과적으로 실행할 수 있다. 로봇 산업이 확장하려면 로봇이 더욱 빨리 기술을 습득하거나 새로운 환경에 적용할 수 있도록 일반화돼야 한다. 시뮬레이션을 통해 훈련되고 테스트된 생성형 AI 모델은 더욱 강력하고 유연하며 사용하기 쉬운 로봇을 구축하는 데 핵심적인 역할을 할 것이다.