웨비나 요약: 생성형 AI, 어디까지 왔나?

라이온브리지(Lionbridge)의 제품 및 개발 부문 부서장인 Vincent Henderson에 따르면 생성형 AI(생성형 AI)와 대규모 언어 모델(LLM)은 이제 되돌릴 수 없을 만큼 인기를 얻고 있습니다. 하지만 이 기술은 어디까지 왔을까요?

지금 우리는 이 기술을 충분히 활용하고 있나요? 결론부터 말하자면, 아직 아닙니다. 적어도 완전하다고는 볼 수 없습니다. 그러나 시대를 정의하는 이 패러다임에 거는 기대치와 습관을 바꾼다면 상당한 비용 절감 등의 비즈니스 가치를 창출하는 놀라운 결과를 거둘 수 있습니다.

Vincent는 생성형 AI와 대규모 언어 모델 시리즈에 관한 두 번째 웨비나에서 이 주제와 함께 다양한 내용을 다루었습니다.

이 웨비나를 놓치셨다면 온디맨드 웨비나를 시청해 보세요.

여기서는 웨비나의 내용을 간략히 소개해 드립니다.

생성형 AI: 어디까지 왔을까?

인공지능(AI)의 역사는 1800년대 초까지 거슬러 올라갑니다. 하지만 인공지능이 세간의 엄청난 관심을 끌게 된 것은 이 기술이 급속도로 발전하고 있는 현재에 이르러서입니다. 생각해 보면 AI 분야에서 2020년 상반기 동안 이룬 획기적인 발전이 지난 수십 년간보다 훨씬 많았습니다.

생성형 AI와 LLM이 판도를 뒤엎을 만한 위력을 발휘하는 지금, 인류는 전환점을 맞이하고 있습니다.

생성형 AI 시대와 과거의 변곡점 사이에는 어떤 차이가 있을까?

AI 패러다임의 진화를 이해하고 현재 이 기술이 어디까지 왔는지 파악하려면 과거의 변곡점을 되돌아볼 필요가 있습니다.

체스 경기에서 인간을 이기는 등 기계가 획기적 발전을 이룰 때마다 과학기술자들은 그럼에도 기계에 진짜로 사고능력이 있는 것은 아니라고 결론짓곤 했습니다. 게다가 기계의 지능을 입증하려 할 때마다 더욱 까다로운 테스트 방안을 제시하며 계속해서 판별 기준을 높였습니다.

현재의 변곡점이 이전과 다른 점은 기계가 기존에 학습한 특정 작업(예: 금속판의 결함 탐지)을 완수하는 것과 달리, 스스로 언어를 이해하고 문제를 풀고 코딩하며 의미 있는 콘텐츠를 생성하는 능력을 일반적인 기능처럼 갖추게 되었다는 것입니다.

그렇다면 생성형 AI와 LLM은 무엇이 특별한가?

기계가 처음으로 세상을 이해하고 이전에 따로 학습하지 않은 문제해결 방식과 추론을 통해 일을 처리할 수 있게 되면서 인간-컴퓨터 인터페이스의 본질이 변화하고 있습니다. 새로운 인터페이스에서는 버튼을 클릭하거나 사진을 업로드하는 대신 언어, 추론, 언어 기반 표현을 사용합니다.

생성형 AI는 어떤 방식으로 로컬라이제이션을 완전히 변화시킬까?

이전에는 불가능했던 로컬라이제이션팀의 가치 창출이 생성형 AI를 통해 가능해집니다.

수많은 언어적 고려사항을 해결하기 위해서는 로컬라이제이션 전문가가 필요합니다. 이렇게 투입된 전문가는 콘텐츠가 브랜드를 적절히 표현하는지, 콘텐츠의 언어 품질이 사전에 마련된 품질 기준을 충족하는지 확인합니다. 또한 이러한 문제를 해결하기 위해 상당한 노력을 들이지만 정작 비즈니스에는 별다른 영향을 미치지 못합니다.

LLM을 사용하면 가치 창출의 핵심에 도달할 수 있습니다. 이 기술이 어떤 차이를 만들어내는지 살펴보겠습니다. LLM의 성능이 강화되면 LLM이 다루게 될 기계적이고 핵심적인 언어 활동 영역도 점차 더 많아질 것입니다. 결과적으로 이와 같은 LLM의 활약 덕분에 인간이 고부가가치 활동에 참여할 수 있는 기회가 더 늘어나게 됩니다. 이것이 바로 글로벌 콘텐츠에서 AI가 지니는 핵심 가치입니다.

AI 기반 솔루션의 출현으로 인간은 더 큰 창의력을 발휘하고, 이 솔루션은 다음 세 가지 영역에 더 많이 관여할 수 있습니다.

• 콘텐츠 구상(원문의 주제 발상)
• 콘텐츠 분석(콘텐츠의 효과 파악)
• 콘텐츠 적합성(콘텐츠가 사람들에게 유익한지 여부 판단)

기업은 트랜스크리에이션과 같은 고부가가치 서비스를 더욱 경제적으로 이용할 수 있게 됩니다. 그 결과, 브랜드는 생성형 AI 기반 솔루션을 통해 궁극적으로 구매자에게 더 큰 반향을 이끌어내고, 다양한 국가의 구매자에게 설득력 있고 신뢰도 높은 콘텐츠를 제공할 수 있습니다.

생성형 AI/LLM은 로컬라이제이션 서비스 환경을 변화시킵니다.

생성형 AI/LLM의 등장으로 인해 LLM 개발 지원과 LLM 콘텐츠 제작이라는 두 가지 주요 분야의 서비스를 제공하기 위해 로컬라이제이션 서비스 제공업체(LSP)에게 지원을 요청하는 고객이 더욱 늘어날 전망입니다.

• LLM 개발 지원에는 LLM의 결과물 평가, 편향성 제어, 효과적이고 신속한 엔지니어링 전략 수립이 포함됩니다.
• LLM 콘텐츠 제작에는 회사가 게시할 콘텐츠를 제작할 때 LLM을 사용할 수 있도록 지원하는 작업이 포함됩니다. 제공 서비스에는 다국어 자산 최적화, 로컬라이제이션 워크플로 개선, 다국어 생성형 AI의 제작 및 사용 지원, 처음부터 시작하는 콘텐츠 제작 등이 포함될 수 있습니다.

콘텐츠 제작: LLM은 로컬라이제이션 워크플로에 어떤 영향을 미치게 될까?

로컬라이제이션 워크플로가 사라질 일은 없으므로 LLM을 사용해 워크플로를 자동화하고 개선하려는 서비스에 대한 수요는 계속 증가할 것으로 예상됩니다. 생성형 AI를 이용해 큰 효과를 거둘 수 있는 기회는 많습니다.

LLM이 발전하면서 원문 콘텐츠 준비부터 콘텐츠 검토까지 로컬라이제이션 워크플로의 모든 단계 또한 개선될 것으로 예상됩니다.

다음은 LLM 기술이 로컬라이제이션 워크플로에 미치게 될 몇 가지 영향입니다.

원문 분석 시 - LLM은 원문을 분석하여 원문 콘텐츠가 효과적으로 로컬라이즈하기 적합한지 판단할 수 있습니다. 영어가 모국어가 아닌 사람이 제품과 관련된 영어 콘텐츠를 제작하는 경우가 늘면서 이 단계를 자동화할 필요성이 점점 더 높아지고 있습니다. LLM은 이 원문 콘텐츠를 간결하게 만들고 업스트림을 깔끔하게 다듬어 로컬라이제이션에 훨씬 적합한 콘텐츠로 만들 수 있습니다.

번역 시 - 현재 LLM은 기계번역(MT) 엔진보다 비용이 많이 들고 번역 속도가 느리기 때문에 기존의 MT 엔진에는 비교가 되지 않습니다. 그러나 LLM은 대안 번역을 생성하거나 특별 지침에 따른 번역이 가능하므로 번역 단계에 새로운 가능성을 제공할 수 있습니다.

사후 편집 및 품질 보증 시 - LLM에 기존 MT 번역의 검토를 요청해 보면 LLM이 얼마나 눈부신 성능을 발휘하는지 알 수 있습니다. LLM은 사람이 담당해야 하는 사후 편집 작업량을 대폭 줄일 수 있습니다. 마찬가지로 LLM에게 품질 보증 보고서를 검토하고 기존 문제를 어떻게 처리할지 판단하는 일을 맡길 수도 있습니다. 그러면 LLM은 해당 항목이 실제로 문제가 있는지, 간단히 해결할 수 있는지, 아니면 언어전문가의 검토가 필요한 항목인지 판단할 수 있습니다.

생성형 AI/LLM: 현재 어디까지 왔을까?

현재 LLM이 가장 유용하게 쓰일 것으로 기대되는 작업은 사후 편집 영역입니다. 하지만 여기에도 문제는 있습니다. 특히 언어 품질에 대해서는 객관적인 기준이 없으므로 기업은 언어 품질에 대한 새로운 해석을 받아들여야 합니다. 당사에서 테스트해 본 결과, 평가에 주관이 개입되는 것으로 나타났습니다.

전문 검토자 세 명에게 LLM이 사후 편집한 결과물을 제시하고 품질을 평가해달라고 요청했을 때 검토자들은 동일한 세그먼트의 품질에 대해서도 합의에 도달하지 못했습니다. 한 검토자는 결과물의 품질이 허용 가능한 수준이라고 평가한 반면, 다른 검토자는 동일 세그먼트에 대해 상당히 낮은 평가를 내렸습니다. 각각의 테스트 사례에서 적어도 한 명의 검토자는 품질이 양호하다고 평가했습니다. 이를 통해 LLM의 결과물에는 중대한 문제가 없으며 LLM이 부분 사후 편집에 적합한 도구라는 결론을 내릴 수 있었습니다.

기업은 LLM을 사용하여 비용을 얼마나 절약할 수 있을까?

로컬라이제이션 워크플로 전반에서 LLM을 활용하면 로컬라이제이션 성과가 크게 개선될 뿐 아니라 작업에 드는 노력과 비용까지 대폭 절감할 수 있습니다.

MT로 번역한 콘텐츠를 LLM이 평가하고 이후 언어전문가가 사후 편집 프로세스를 완료하는 과정을 구상할 경우 LLM은 사후 편집 프로세스에 중대한 영향을 미칠 것으로 기대됩니다. 하지만 LLM이 처음부터 모든 언어쌍과 산업 및 주제를 제대로 처리할 수는 없을 것입니다. 당사는 현재 성과와 비용 효율성을 기준으로 가장 적절한 시나리오를 파악하고 있습니다.

당사의 연구에 따르면, 초기 MT 번역 후 생성형 AI/LLM을 활용해 사후 편집 과정을 거칠 경우 언어쌍에 따라 로컬라이제이션 비용을 최대 25%까지 절감할 수 있는 것으로 나타났습니다. 이 기술이 다양한 사용 사례와 분야에 미치는 정확한 경제적 효과는 아직 평가 중입니다. 그러나 당사의 초기 연구에 따르면 이 효과는 상당할 것으로 보입니다.

앞으로 무엇을 기대할 수 있을까?

LLM은 앞으로도 계속 발전할 것이며 이에 따라 로컬라이제이션도 완전히 달라질 것입니다. 라이온브리지는 LLM을 최대한 활용하여 로컬라이제이션 워크플로의 자동화를 더욱 강화하기 위해 애플리케이션을 개발하고 있습니다.

생성형 AI가 발전하고 빠르게 확산되는 데에 따른 규제 환경의 변화도 계속 주시해야 합니다.

생성형 AI/LLM 성능은 계속해서 비약적으로 발전할 전망이지만 규제기관이 사용자를 보호하기 위한 조치를 취하고 AI와 관련된 실제 위험과 윤리적 고려사항을 주시하게 된다면 이러한 발전이 다소 지체될 수 있습니다.

결론: 얼마나 더 가야 할까?

생성형 AI가 특히 사후 편집 작업에 활용되면서 비즈니스에 확실한 이득이 되고 있습니다. 하지만 생성형 AI의 잠재력을 최대한 활용하기 위해서는 앞으로도 긴 시간에 걸쳐 생성형 AI로 구현할 수 있는 모든 사용 사례를 탐색해야 합니다.

본질적인 문제 중 하나는 인간과 기계 사이에 가로놓인 신뢰의 격차 문제를 해소하는 것입니다. 우리는 기계가 허용 가능한 결과물을 만들어 낸다는 것을 얼마나 신뢰하는지, 기계에 대한 우리의 평가를 어느 정도 신뢰하는지 스스로에게 되물어야 합니다.

모든 사용 사례는 평가와 테스트를 거쳐야 합니다. 이러한 평가는 한 번에 솔루션 하나씩 몇 달, 혹은 몇 년에 걸쳐 이루어집니다.

지금 바로 온디맨드 웨비나에서 생성형 AI/LLM이 로컬라이제이션에 미치는 영향에 대한 보다 심도 깊은 분석을 확인해 보세요. 라이온브리지 웨비나 페이지에서 이 시리즈의 다른 웨비나도 시청할 수 있습니다.

문의하기

AI 도구를 사용하여 비용을 절감하고 관련 시장을 확장할 준비가 되셨나요? 지금 바로 문의하여 자세한 방법을 알아보세요.