아미트 싱히: 인도는 AI 분야에서 추격할 수 있는가? IBM 아미트 싱히가 말하는 필요 요건

섹션별 상세

19:25

인도의 AI 경쟁력과 지연 원인 분석

인도가 AI 경쟁에서 뒤처진 이유는 인재 부족이 아니라 컴퓨팅 인프라와 제도적 의지, 집중된 투자의 부재 때문이었다고 진단했다. 최근 인도 정부와 민간 부문에서 대규모 컴퓨팅 자원 확보와 파운데이션 모델 개발을 위한 협력적 투자가 시작되면서 이 격차가 좁혀지고 있다. 특히 인도 특유의 언어적 다양성과 데이터 부족 환경은 오히려 모델의 일반화 성능을 높이는 공학적 훈련장이 되고 있다. 이러한 제약 조건 하에서 효율적인 모델을 설계하는 능력이 인도의 새로운 경쟁 우위가 될 것임을 확인했다.

35:03

지속적 학습과 파괴적 망각 문제 해결

모델이 새로운 지식을 학습할 때 기존 지식을 잃어버리는 파괴적 망각(Catastrophic Forgetting) 현상을 해결하기 위한 Continual Learning 기법을 논의했다. IBM은 모델의 전체 가중치를 재학습하는 대신 특정 파라미터만 업데이트하거나 지식 보존을 위한 정규화 기법을 적용하여 효율성을 높였다. 실제 COBOL 현대화 도구에 이 기술을 적용하여 수십 년 된 레거시 코드의 맥락을 유지하면서도 최신 프로그래밍 언어로 변환하는 성과를 거두었다. 이는 기업 환경에서 모델이 실시간으로 변화하는 데이터에 적응해야 하는 필수적인 기술임을 입증했다.

파괴적 망각은 신경망이 새 정보를 학습할 때 이전 정보를 완전히 덮어씌워 성능이 급격히 저하되는 현상을 의미합니다.

42:11

에이전트 AI의 환상과 기업용 실무의 현실

에이전트 AI가 자율적으로 모든 업무를 수행할 것이라는 기대와 달리, 실제 기업 환경에서는 신뢰성과 통제 가능성이 가장 큰 장벽임을 지적했다. 에이전트가 도구를 호출하고 의사결정을 내리는 과정에서 발생하는 오류를 줄이기 위해 엄격한 가드레일과 검증 루프를 설계하는 엔지니어링 과정이 필수적이다. IBM은 에이전트 시스템의 성능을 높이기 위해 단순한 프롬프팅을 넘어 워크플로 오케스트레이션과 하이브리드 클라우드 인프라를 결합하는 방식을 채택했다. 결과적으로 에이전트의 성공은 화려한 모델 성능보다 지루하고 정교한 엔터프라이즈 엔지니어링에 달려 있다는 결론을 도출했다.

주목할 인용

“Working with less data, less compute, and more linguistic diversity forces better engineering and makes our models more generalizable.”
적은 데이터와 컴퓨팅 자원, 그리고 더 높은 언어적 다양성 속에서 작업하는 것은 더 나은 공학적 설계를 강제하며, 결과적으로 모델을 더 일반화 가능하게 만듭니다.
Amith Singhee·27:34
인도의 열악한 환경이 오히려 AI 모델의 효율성을 높이는 계기가 된다는 점을 설명하며