1. 생성형 AI란 무엇인가?
생성형 AI란? 인공지능 시스템의 한 유형으로, 주어진 입력에 대해 새로운 콘텐츠를 생성하고 출력하는 능력을 갖춘 시스템을 말한다. 이러한 AI 시스템은 대량의 데이터를 학습하고, 그 데이터를 기반으로 새로운 텍스트, 이미지, 음성 등을 생성할 수 있는 능력을 가지고 있다.
생성형 AI는 다양한 종류가 있으며, 다양한 분야에서 활용되고 있는데. 몇 가지 대표적인 생성형 AI 종류와 활용 사례를 살펴보자.
• 언어 생성 AI: GPT-3 (Generative Pre-trained Transformer 3)는 대표적인 언어 생성 AI인데, GPT-3는 입력된 텍스트에 대한 이해와 문맥 파악을 통해 새로운 텍스트를 생성할 수 있는데 대표적인 GPT Chatbot이 있다. 이를 활용하여 자동 요약, 문장 생성, 번역, 대화형 챗봇 등 다양한 언어 관련 작업에 사용될 수 있다.
• 이미지 생성 AI: DALL-E는 이미지 생성 AI로, 입력된 텍스트 설명에 기반하여 새로운 이미지를 생성하는데 MS Bing 이미지 생성이 대표적이다. 예를 들어, "파스타를 만드는 로봇"이라는 텍스트를 입력하면 해당 설명에 맞는 파스타를 만드는 로봇 이미지를 생성할 수 있다. 이러한 이미지 생성 AI는 예술, 디자인, 게임 개발 등 다양한 분야에서 활용되고 있다.
• 음성 생성 AI: Tacotron 2는 음성 생성 AI로, 텍스트를 입력 받아 자연스러운 음성으로 변환할 수 있는데, 이를 활용하여 음성 합성, 음성 인터페이스, 음성 도움말 등 다양한 음성 관련 작업에 사용될 수 있다.
• 음악 생성 AI: MuseNet은 음악 생성 AI로, 다양한 장르와 스타일의 음악을 생성할 수 있는데, 예를 들어, 클래식, 재즈, 팝 등 다양한 음악 스타일을 생성할 수 있다. 요즘 광고에서 AI가 만든 음악을 이용하여 CF를 제작하였다는 기사를 보거나, 직접 보고 있는 독자도 있을 것이다.
이런 생성형 AI는 대부분의 고객 경험과 애플리케이션을 재창조하고, 이전에는 볼 수 없었던 새로운 애플리케이션을 만들기 때문에, 새로운 수준의 생산성을 달성하거나 새로운 솔루션 Insight를 찾을 수 있는 장점을 가지고 있다.
골드만삭스(Goldman Sachs)에 따르면 생성형 AI는 전 세계 GDP를 7%(또는 약 7조 USD) 증가시키고 10년 동안 생산성을 1.5% 포인트 높일 수 있다고 한다. 그럼 생성형 AI가 CAE분야에 어떻게 영향을 줄 수 있는지, 실제 한 업체의 사례를 들어서 설명을 하고자 한다.
2. CAE분야에서 생성형 AI 역할은?
생성형 AI가 과거 몇 년동안 어느 정도 발전하였는지를 보여주는 그림이 있다. 그림 1을 보면 어떤 차이가 있는지 알 수 있는가? 그림 1 왼쪽에 있는 그림은 2018년 10월에 인공지능에 의해 생성된 그림이고, 오른쪽에 있는 그림은 2022년 8월에 콜로라도 주립 박람회 미술대회에서 우승까지 거머쥔 인공지능이 그린 그림이다. 불과 5년정도 차이의 그림이지만 유치원생이 그린 그림이 전문화가가 그린 그림과 같은 변화가 있다.
그림 1. 인공지능을 이용한 그림
최근 이러한 생성형 AI의 발전은 몇 가지 주요한 이유로 설명할 수 있다.
• 데이터의 증가: 생성형 AI는 대량의 데이터를 기반으로 작동하는데 최근 몇 년간 인터넷과 디지털 기술의 발전으로 인해 많은 양의 데이터 생성으로 AI에 필요한 학습 데이터를 확보하는게 가능하게 되었다.
• 딥러닝 알고리즘의 발전: 생성형 AI는 주로 딥러닝 알고리즘을 사용하는데 최근 몇 년간 딥러닝 알고리즘과 기술의 발전으로 인해 모델의 복잡성과 성능이 크게 향상되어 특히, 생성형 AI에 사용되는 신경망 구조와 학습 방법의 발전은 생성된 콘텐츠의 품질과 다양성을 크게 향상되었다. 추후 설명을 하겠지만 알고리즘의 발전은 CAE분야에서도 생각의 발산을 하는데 많은 도움을 주고 있다.
• 컴퓨팅 파워의 증가: 최근 몇 년간 하드웨어 기술의 발전으로 인해 컴퓨팅 파워가 크게 증가되어 생성형 AI 모델의 학습과 추론 속도를 향상시키고, 더 복잡하고 정교한 모델을 구축할 수 있게 되었다.
• 연구와 개발의 집중: 대다수 대기업들은 AI 분야에 대한 연구와 개발에 많은 관심과 투자를 하고 미래에 대한 준비를 하고 있다. 기업들과 연구기관들은 생성형 AI 기술의 발전을 제 4차 산업을 준비하는 Digital Transformation 일환으로 많은 노력을 기울이고 있으며, 이를 통해 새로운 알고리즘과 모델이 개발되고 있다. 내가 근무하는 LG전자에서도 텍스트/이미지 등으로 정보를 주고받는 대규모 언어 모델(LLM) 엑사원을 개발하여 시범 운용중에 있다.
이러한 생성형 AI와 CAE를 어떻게 접목시킬 수 있을까? 그림 2를 보기 바란다.과거 컴퓨팅 연산관련 설비 및 S/W 부족으로 인해서 설계가 완료되면 실물을 이용하여 제품 성능을 확인하였다. 이 과정은 초기 설계단계에서 시간과 비용은 적게 들지만 제품이 완성되는 단계부터 시장에서 발생하는 품질 문제에서 엄청난 비용을 지불하는 방식이다.
이를 개선하기 위해 Front-loading 관점에서 CAE를 제품 초기 설계 단부터 적용하여 예상되는 문제점을 사전에 제거하고자 하였다. 현재까지도 이 단계에서 대부분 업체에서 적용 및 활용하고 있는 프로세스이다.최근 자동차 업계에서 불어닥친 상황을 그려보자.
과거 내연기관을 이용한 자동차 개발은 2년주기로 이루어졌지만, 최근 전기 모터를 장착한 전기 자동차의 경우 단순한 구조로 인해서 비교적 짧은 개발기간을 필요로 한다. 이러한 트렌드를 반영하기 위해서는 현재와 같이 Front-loading 관점에서 충분하게 검토할 시간이 부족해진다는 소리다. 자칫 검토가 부족하면 제품 출시후 시장에서 불량 문제로 많은 비용을 대가로 지불해야 할 것이다.
그림 2. CAE를 이용한 설계 패러다임의 변화
이러한 Front-loading 개발 프로세스에서는 가능한 모든 경우의 수를 바탕으로 미래에 발생할 수 있는 문제점을 제거하는 방식이라고 하였다. 하지만 이런 작업에는 많은 경험을 바탕으로 많은 시간과 노력이 들어간다. 앞으로 개발은 개발 시간 단축이 중요한 기업 경쟁력이므로, 이러한 개발 방식은 이제 한계에 도달했다고 할 수 있다.
그래서 생성형 AI 기술을 이용하여 상상할 수 없을 만큼 수많은 설계를 한다고 하면, 우리가 미처 생각지도 못한 내용을 CAD 파일을 생성, 자동으로 해석, 필요하다면 설계에 대한 결과를 DB로 쌓는 과정 및 프로세스가 필요할 것이다. 그럼 인공지능(AI)의 도움을 받아서 효과적으로 개선할 수 있는 방법을 그림 3에 설명하였다.
파란색 음영 구간에 설명하는 내용은 생성형 AI 도움을 받아서 설계를 발산하는 것이다. 즉 기본적인 설계도면 1~2개 Case를 생성형 AI와 위상최적화(Topology)를 이용하여 설계를 수십~수천개의 Case로 발산을 시키는 것이다. 그리고 이러한 수많은 Case 해석을 자동화하여 해석을 모두 실시한다.
그림 3. AI를 이용한 CAE 응용
이렇게 해석된 데이터는 Deep Learning 기법을 통해서 학습을 하게 되고, 핑크색 음영 구간에 그려진 이미지처럼 경계조건에 맞는 CAD 형상을 분류하고 DB화 작업을 실시한다. 이렇게 쌓인 DB는 설계자가 원하는 Spec만 입력만 하면 설계안을 탐색/생성 하고 최적안을 제안하게 된다. 즉 필요한 부품에 대해서 사전에 AI를 이용한 학습된 데이터를 가지고 있다면, 굳이 해석을 하지 않아도 설계자는 항상 원하는 값을 얻을 수 있는 것이다. 그럼 다음 장에서 좀 더 자세하게 프로세스를 짚어보면서 설명하도록 하겠다.
😥 미리 보기는 여기까지!
내용을 이어서 보고 싶다면,
아래 정보를 입력해 주세요.