제너레이티브 AI – 기존 콘텐츠를 다른 방식으로 갱신하는 인공 지능

게시 됨: 2022-04-20

다가오는 새로운 기술 시대는 기존 콘텐츠의 기본 패턴을 관찰할 수 있을 뿐만 아니라 기반은 유사하지만 전면에서 다른 새로운 콘텐츠를 생산할 수 있는 기술을 제공할 준비가 되어 있습니다.
"제너레이티브 AI"는 컴퓨터가 입력과 관련된 기본 패턴을 이해한 다음 해당 패턴을 기반으로 유사한 자료를 생성할 수 있도록 하는 기술입니다.

제너레이티브 AI란?

제너레이티브 AI는 텍스트, 오디오 녹음 또는 사진과 같은 기존 콘텐츠에서 사실감 있는 새로운 자료를 생성할 수 있는 인공 지능 알고리즘입니다. 다시 말해, 컴퓨터가 입력과 관련된 기본 패턴을 추상화한 다음 이를 사용하여 유사한 자료를 생성할 수 있도록 합니다.

기존 텍스트, 오디오 파일 또는 이미지를 활용하여 새로운 콘텐츠를 만들려면 다음과 같은 다양한 기술이 사용됩니다.

생성적 적대 네트워크(GAN) :

GAN은 두 개의 신경망인 생성기와 판별기가 서로 맞물리는 생성 모델입니다. 생성 네트워크라고도 하는 생성기는 소스 데이터와 유사한 새로운 데이터 또는 콘텐츠를 생성하는 신경망입니다. 판별 네트워크라고도 하는 판별자는 소스와 생성된 데이터를 구별하는 신경망입니다.

이 두 신경망은 모두 더 현실적인 데이터를 생성하는 생성기를 학습하고 가짜 데이터와 실제 데이터를 구별하는 학습을 통해 학습하는 교대 사이클로 훈련됩니다.

도둑과 경찰관의 관계처럼 각자의 목적에서 자신의 의무를 수행하는 새로운 방법을 배우는 것입니다. 도둑은 절도 행위를 줄이기 위해 물건과 경찰관을 동시에 강탈하는 새로운 방법을 찾으려고합니다. 그들 각각은 노력의 결과로 상대방을 점차적으로 향상시킵니다.

변압기 :

트랜스포머는 특정 유형의 신경망 아키텍처입니다. 요약하자면, 신경망은 사진, 비디오, 오디오 및 텍스트와 같은 복잡한 데이터 유형을 평가하기 위한 강력한 도구입니다.

간단히 말해서 사람이 손으로 쓴 패턴을 복제하거나 다시 쓸 수도 있습니다.

GPT-3, LaMDA 및 Wu-Dao와 같은 변환기는 다양한 방식으로 입력 데이터 조각의 관련성을 측정하여 인지 주의를 복제합니다. 언어 또는 이미지를 인식하고, 분류 작업을 수행하고, 대규모 데이터 세트에서 텍스트 또는 이미지를 생성하는 방법을 배웁니다.

변형 자동 인코더 :

인코더는 데이터를 압축 코드로 변환하고 디코더는 원본 데이터를 디코딩하고 재생합니다.
이 압축 표현은 올바르게 선택되고 훈련된 경우 입력 데이터 분포를 상당히 축소된 차원 표현으로 저장합니다.

제너레이티브 AI 구현 및 적용

실제 사진 재현:

제너레이티브 AI는 사진에 약간의 변형이 있는 실제 복제본을 재현할 수 있습니다. 이미지인 모든 것은 유사한 기반에 복제될 수 있지만 우리가 제공하는 입력에 따라 원본과 다르게 보입니다.

새로운 데이터 샘플을 생성하기 위한 GAN 구현 — MNIST 손으로 쓴 숫자 데이터 세트, CIFAR-10 작은 물체 이미지 데이터 세트 및 토론토 얼굴 데이터베이스에 대한 새로운 데이터 샘플을 생성하기 위한 GAN의 구현은 2014년에 발행된 Ian Goodfellow의 논문 "Generative Adversarial Networks"에서 논의되었습니다.

손으로 쓴 것처럼 보이는 숫자와 실제 사람을 닮은 얼굴을 만들 수 있습니다.

향상된 품질, 안정성 및 변형을 위한 GAN의 점진적인 성장 — *이미지: 품질, 안정성 및 변형 개선을 위한 GAN의 점진적 성장, 2017*

Tero Karras는 2017년에 출판된 그의 저서 "Progressive Growing of GANs for Improved Quality, Stability, and Variation"에서 사람 얼굴의 사실적인 이미지 생성을 시연했습니다. 얼굴 세대는 유명한 예에서 교육을 받았으며, 이는 일부 얼굴에는 특정 유명인의 특징이 있음을 의미합니다. 따라서 친숙하게 나타납니다.

이미지의 재변환

Stacked Generative Adversarial Networks를 사용하여 텍스트에서 사실적인 이미지 합성 — *StackGAN(StackGAN)을 사용하여 텍스트에서 사실적인 이미지 합성*

얼굴 보기 생성 — **Face View Generation** : *왼쪽 프로필, 가운데 합성, 오른쪽 실측 정면 얼굴*

엔터테인먼트 세계에서 : 3D 프린팅, CRISPR 및 기타 기술에 의해 트리거되면 생성 AI를 사용하여 처음부터 제품을 만들 수도 있습니다.

Deep Fake 기술은 자료를 전 세계에 배포하면서 현지화(더빙 및 필터링)하는 데 사용됩니다. 아티스트/원작 배우의 목소리는 얼굴 합성 및 음성 복제를 사용하여 립싱크와 일치시킬 수 있습니다.https://www.youtube.com/embed/QiiSAvKJIHo?feature=oembed

장점 및 이점

제너레이티브 AI는 각 데이터 세트에서 자체 학습하여 고품질 출력의 개발을 보장하는 기능을 포함하여 수많은 이점을 가지고 있습니다.
- 프로젝트의 위험 요소를 더 낮은 수준으로 이동
- 기계 학습 모델을 강화하여 편향을 줄입니다.
- 센서가 필요 없는 심층 예측
-딥페이크를 사용하여 콘텐츠 현지화 및 지역화 가능
- 로봇이 시뮬레이션과 실생활에서 보다 추상적인 개념을 이해할 수 있도록 합니다.

에 유익한 것

신원 보호: 인터뷰 또는 작업 시 신원을 밝히고 싶지 않은 사람들은 제너레이티브 AI 아바타를 사용하여 신원을 숨길 수 있습니다.
로봇 제어: 생성 모델링은 시뮬레이션 및 실제 세계에서 보다 추상적인 개념을 이해하는 강화 기계 학습 모델을 돕습니다.
의료: Generative AI를 사용하면 잠재적인 악의를 조기에 감지하고 효과적인 치료법을 개발할 수 있습니다. 예를 들어, GAN은 X선 이미지의 여러 각도를 계산하여 종양의 잠재적 확장을 시각화합니다.

몇 가지 도전

보안: 일부 사람들은 다른 사람을 속이는 것과 같은 사악한 동기를 위해 제너레이티브 AI를 사용할 수 있습니다.
능력의 과대평가: 작업을 수행하기 위해 제너레이티브 AI 알고리즘은 방대한 양의 훈련 데이터를 필요로 합니다. 반면에 GAN은 완전히 새로운 이미지나 문구를 생성할 수 없습니다. 그들은 단순히 그들이 알고 있는 것을 서로 다른 방식으로 조합합니다.
예상치 못한 결과: GAN과 같은 일부 Generative AI 모델의 동작을 제어하기 어렵습니다. 그들은 비정상적으로 행동하고 예기치 않은 결과를 제공합니다.
데이터 프라이버시: 개인 수준의 데이터 프라이버시는 건강 관련 애플리케이션의 문제입니다.