생성형 AI란?

인공 지능(AI)의 개념은 수천 년 동안 존재해 왔습니다. 기계적 존재, 살아 있는 조각상, 기타 인공 생명체는 고대의 신화에서도 확인할 수 있습니다. 그리고 철학자가 존재한 이래 기계적(또는 디지털) 수단을 통해 인간의 인지 과정을 모방하는 것이 가능할지에 대한 철학적 사색이 지속되어 왔습니다.

오늘날 이러한 철학적 사색은 더 큰 의미를 갖게 되었습니다. 최신 AI는 더 이상 추측의 영역에 국한되지 않습니다. 널리 사용되고 있고 점점 더 강력해지는 자동화와 AI는 각계각층 사람들의 업무 방식은 물론 정보를 얻고 아이디어를 공유하는 방식을 변화시키고 있습니다. 이 혁명의 최전선에 생성형 AI가 있습니다.

생성형 AI는 인공 지능 컴퓨터 시스템 또는 알고리즘의 한 형태로, 독창적인 콘텐츠를 신속하게 효과적이고 사실적으로 생성할 수 있습니다. 이때 오류를 파악하고 제거하기 위한 이유로 인간의 개입이 약간 필요합니다. 여기에는 심층적이고 매우 정확한 기사부터 창의적인 음악, 원본 이미지에 이르기까지 모든 것이 포함될 수 있으며, 디지털 비디오 클립의 콘텐츠를 광범위하게 변경할 수 있는 능력도 포함됩니다.

놀라운 점은 생성형 AI가 완전히 새로운 개념은 아니라는 것입니다. 생성형 AI는 20세기와 21세기 초에 개척된 자동화 기술의 많은 기초적인 발전에 기반을 둔 상당히 긴 역사를 갖고 있습니다.

생성형 AI의 부상이 지난 한 세기 반 동안 천천히 진행된 디지털 발전과 얼마나 밀접하게 연관되어 있는지를 고려하면 진정한 생성형 AI의 모습을 세상에 드러낸 단 한 명의 '개발자'를 꼽기는 어렵습니다. 하지만 그중 몇몇은 생성형 AI를 개발하는 데 두드러진 기여를 했습니다.

러시아의 수학자 Andrey Andreyevich Markov(앞에서 언급한 Markov Chain의 개발자) 외에도 오늘날의 생성형 AI의 초기 주요 기여자 중 한 명은 ELIZA를 개발한 컴퓨터 과학자 Joseph Weizenbaum입니다. 초기의 자연어 처리 컴퓨터 시스템 중 하나인 ELIZA는 1960년대에 개발되었습니다. ELIZA와 그 뒤를 이은 챗봇 세대에는 뚜렷한 한계가 있었지만 생성형 AI의 미래가 거기에 있었습니다. 이들은 기술이 더 발전되기를 기다리고 있었습니다.

생성형 AI의 진정한 탄생은 여러 측면에서 Ian Goodfellow와 2014년에 GAN(Generative Adversarial Networks) 개념을 도입한 다른 개발자들 덕분이라고 할 수 있습니다. GAN은 생성자 네트워크와 감별자 네트워크가 상호작용하고 서로 경쟁하는 프레임워크를 도입하여 이 분야에 혁명을 일으켰습니다. 생성자 네트워크는 감별자 네트워크가 진짜로 분류하는 콘텐츠를 생성하려고 하는 반면 감별자 네트워크는 생성된 콘텐츠를 가짜로 올바르게 식별하는 것을 목표로 합니다. 두 네트워크 사이의 이러한 대립적 관계는 그들이 학습하고, 적응하고, 개선하도록 유도합니다.

현재 OpenAI와 같은 조직이 생성형 AI를 발전시키는 데 중추적인 역할을 하고 있는 한편, 일관성 있고 상황에 맞는 응답을 생성하는 데 있어 훨씬 더 중대한 혁신이 일어나고 있습니다. 이러한 발전은 점점 더 많은 사용자가 개인적으로나 직업적으로 AI가 생성한 콘텐츠의 가능성을 수용함에 따라 가속화되고 있습니다.

다시 말하자면, 생성형 AI는 신경망을 적용하여 머신 러닝의 원리에 따라 작동하고 AI가 제공된 프롬프트에서 새로운 콘텐츠를 생성할 수 있도록 합니다. 그러나 프롬프트를 도입하기 전 상세하고 광범위한 데이터 세트로 AI를 적절하게 훈련시켜야 합니다.

방대한 양의 관련 데이터가 AI 알고리즘에 공급되고, 다양한 AI 엔지니어와 머신 러닝 전문가는 AI가 데이터를 올바르게 이해하고 분류하도록 돕습니다. 이 데이터는 텍스트, 그래픽, 이미지, 코드 또는 기타 관련 콘텐츠로 구성될 수 있으며, AI가 패턴을 찾고 독창적인 저작물을 생성하는 능력의 토대가 됩니다. 생성형 AI는 이 정보를 분석하고, 콘텐츠를 지배하는 기본 규칙을 추정하며, 새 데이터가 추가될 때 관련 매개변수를 계속 미세 조정합니다.

생성형 AI의 초기 버전은 특수 도구, API(애플리케이션 프로그래밍 인터페이스), 코딩 언어 및 광범위한 컴퓨터 과학 교육과 관련된 복잡한 데이터 제출 프로세스를 사용했습니다. 하지만 이 모든 것이 지금 변하고 있으며, 최근의 발전은 사용자 경험을 개선하는 데 초점을 맞추고 있습니다. 오늘날의 생성형 AI 경험과 상호작용하는 사람들은 특정 시스템의 제약 조건 내에서 작업하는 대신 일반 언어를 사용하여 요청을 간단하게 설명할 수 있습니다. 이러한 접근 방식을 통해 AI와의 우수한 대화형 상호작용이 가능해지며, 사용자는 스타일, 어조, 그리고 후속 콘텐츠 반복에 적용할 수 있는 기타 요소와 같은 문제에 대해 AI에 피드백을 제공할 수도 있습니다.

모든 형태의 AI와 마찬가지로 생성형 AI는 머신 러닝과 밀접하게 연결되어 있습니다. 머신 러닝 알고리즘은 생성형 AI에서 생성형 모델을 훈련시키기 위한 기반으로서 역할을 수행합니다.

이러한 모델은 대규모 데이터 세트에서 패턴과 기능을 학습하여 훈련에 사용된 데이터와 유사하지만 별개인 새로운 콘텐츠를 생성할 수 있습니다. 머신 러닝 알고리즘을 사용하면 생성형 시스템은 훈련 데이터 내의 기본 패턴, 스타일, 분포를 학습할 수 있습니다. 그런 다음 이 학습된 지식은 원래 제공된 매개변수와 유사한 특성을 나타내는 새로운 콘텐츠를 생성하는 데 활용됩니다. 즉, 완전히 인공적이지만 인간이 만든 것처럼 보이고 들리고 느껴지는 무언가를 생성할 수 있습니다.

생성형 AI 모델은 방대한 양의 데이터로 훈련되고 새로운 콘텐츠를 생성하기 위해 데이터 내의 패턴을 학습하도록 설계된 정교한 알고리즘입니다. 독보적인 기능을 제공하여 최근 대중의 주목을 받고 있는 3가지 주목할만한 생성형 AI 모델은 다음과 같습니다.

지나치게 단순화할 위험이 있지만, 생성형 AI가 비즈니스 내 역할과 책임의 수에 큰 변화를 가져오고 이러한 역할과 책임을 쓸모없게 만들고, 심지어 전체 산업에 큰 영향을 미쳐, 혁신을 촉진하고 프로세스를 간소화하며 비즈니스 운영을 혁신할 수 있을 뿐 아니라 특정 조직이 변화하는 기대치에 부응하도록 강요할 수도 있다는 말은 완전히 틀린 말은 아닙니다.

그러나 대부분의 전문가들은 생성형 AI의 긍정적인 결과가 위험보다 더 크다고 믿습니다. 그리고 어떤 비즈니스가 가장 큰 변화를 경험하게 될지 정확하게 예측하기에 충분한 데이터가 아직 없지만, 생성형 AI로 성과를 높일 가능성이 가장 높은 산업은 다음과 같습니다.

• 항공우주
  생성형 AI는 비행 시뮬레이션의 효과를 높이고 공기역학의 성능과 연료 효율성을 최적화하고 항공기 설계를 개선할 수 있습니다.

• 건축
  건축가가 상세한 구조 분석을 수행하는 동시에 특정 기준을 충족하도록 혁신적인 설계 옵션을 생성하도록 역량을 강화하는 생성형 AI는 건축 부문에서 기술을 활용하는 방식을 바꿀 수 있는 잠재력을 갖고 있습니다.

• 자동차
  (연비 개선을 위해) 자동차 부품의 성능을 높이면서 무게를 줄이려면 광범위한 설계와 테스트가 수반되어야 합니다. 생성형 AI는 두 프로세스를 모두 지원하여 안전성을 높이고 비용을 절감합니다.

• 소비자 마케팅
  생성형 AI는 고객 행동을 분석하고 과거 행동, 선호도, 기타 관련 데이터를 기반으로 개인화된 마케팅 활동과 권장 사항을 생성할 수 있습니다. 이렇게 하면 표적 광고를 수행하고 고객 참여도를 높일 수 있습니다.

• 방위
  항공우주 및 자동차 산업과 마찬가지로 생성형 AI는 새로운 방위 기술의 구성요소를 설계하고 테스트하는 데 핵심적인 역할을 할 수 있습니다.

• 교육
  모든 학생은 각기 다릅니다. 생성형 AI는 교육자가 이러한 차이를 고려한 개인적 학습 경험을 제공하여 학생들의 참여도를 높이고, 모두가 자신의 필요에 맞게 교육 커리큘럼을 이용할 수 있도록 도와줍니다.

• 전자
  생성형 AI는 전자 산업의 회로 설계에 적용될 수 있습니다. 이전 설계에서 학습한 내용을 통합함으로써 생성형 AI는 효율성을 강화하면서 새로운 첨단 시스템을 개발할 수 있습니다.

• 에너지
  전 세계적으로 에너지 수요가 증가함에 따라 에너지 업계는 그리드 관리 및 에너지 사용량 예측을 개선하는 데 도움이 되는 생성형 AI에 큰 관심을 보이고 있습니다.

• 엔지니어링
  자재 낭비 최소화, 에너지 효율성 향상, 물리적 및 디지털 제품의 품질 향상 이외에도 설계를 만들고 테스트하는 기능은 엔지니어링 일정을 크게 단축하고 엔지니어가 더 나은 설계를 생성하도록 지원할 수 있습니다.

• 엔터테인먼트
  영화와 TV의 시각적 효과를 개선하고 비디오 게임의 대화형 스토리텔링을 제작하는 등 생성형 AI는 엔터테인먼트 산업을 완전히 뒤바꿀 수 있습니다.

• 재무
  생성형 AI는 위험 평가에 관한 정보를 제공하고, 사기 행위 탐지를 개선하며, 개인화된 투자 권장 사항을 제시함으로써 여러 측면에서 금융 산업을 향상시킬 수 있는 잠재력을 갖고 있습니다. 이를 통해 재무 모델링을 최적화하면서 고객 경험 개선에 다시 초점을 맞출 수 있습니다.

• 헬스케어
  전담 헬스케어 서비스에 대한 요구가 숙련된 의료진의 수보다 더 많이 증가하고 있습니다. 생성형 AI를 통해 의사들은 개인화된 치료 계획을 제공하고 더 정확한 진단을 내려 더 많은 사람을 지원할 수 있습니다. 또한 생성형 AI는 의료 이미지 분석과 같은 다른 영역을 개선할 수 있습니다.

• 제조
  제조 산업은 항상 제품 품질이나 생산량을 저해하지 않으면서 비용과 에너지 수요를 줄일 수 있는 기회를 찾습니다. 생성형 AI는 품질 관리에 집중하면서 단위당 제조 비용을 최적화하기 위해 프로세스를 재설계하고 최적화하는 데 도움을 줄 수 있습니다. 첨단 제조 기술 개발을 지원하는 것 외에도, 생성형 AI를 적용하면 보다 효과적인 안전 교육 프로그램을 만들 수 있습니다.

• 제약
  생성형 AI는 신약 개발 및 가상 화합물 스크리닝에 효과적입니다. 이를 통해 제약 솔루션의 연구, 개발, 테스트 및 배포를 가속화할 수 있습니다.

운영 인력의 개입 없이 지능적이고 정확하며 독창적인 콘텐츠를 생성할 수 있는 생성형 AI는 다양한 부문의 비즈니스에 많은 이점을 제공합니다. AI의 창의력을 활용하는 생성형 모델은 혁신을 촉진하고 프로세스를 간소화하며 새로운 기회를 창출할 수 있는 잠재력이 있습니다. 생성형 AI가 제공하는 주요 비즈니스 이점은 다음과 같습니다.

생성형 AI는 프로세스를 최적화하고 작업을 자동화하며 운영 비용을 줄여 콘텐츠 생성, 설계 최적화 또는 예측 유지관리와 같은 영역에서 효율성을 높일 수 있습니다. 기존에는 창의적 입력을 요구했던 반복적이거나 시간 소모적인 작업을 자동화함으로써 기업은 자원을 절약하고, 생산성을 높이며, 가치 있는 전문가를 보다 전략적인 노력에 할당할 수 있습니다.

지금까지 고객 서비스 및 지원은 직접적인 1:1 상호작용에 의존했었기 때문에 에이전트가 개별 고객 문제를 해결하는 데 전념해야 했습니다. 생성형 AI를 사용하면 AI 기반 챗봇과 가상 어시스턴트를 배포하여 인간 수준의 지원을 대규모로 제공할 수 있습니다. 이러한 AI 기반 에이전트는 문의를 해결하고 솔루션을 제공하며 구매 옵션에 대해 논의하여 고객 만족도와 충성도를 높일 수 있습니다. 기업은 고객 서비스를 자동화함으로써 비용을 절감하고 전반적인 고객 경험을 개선하며 숙련된 인간 에이전트가 더 짧은 시간 안에 더 많은 성과를 달성하도록 할 수 있습니다.

개인화된 콘텐츠 생성, 표적 광고 캠페인 생성, 고객 선호도 및 행동에 최적화된 추천 제품 공유 등 생성형 AI는 마케팅에 상당한 이점을 제공합니다. 개별 구매자에게 맞춤화된 마케팅 전략을 제공함으로써 조직은 고객 참여도를 높이고, 전환율을 개선하며, 브랜드 충성도를 강화할 수 있습니다.

위에서 설명한 각 이점은 모두 회사 수익 증대라는 한 가지 이점으로 귀결됩니다. 새로운 기회를 열어주는 생성형 AI 덕분에 기업은 더 낮은 비용으로 고급 제품과 서비스를 만들고, 고객 지원과 서비스 기능을 확장하며, 조직에 비즈니스를 위협하는 위험에 대한 더 나은 통찰력을 제공하여 회사의 재무적 성과 향상에 기여할 수 있습니다.

물론 생성형 AI는 비즈니스 프로세스를 최적화 및 간소화하고, 고객 상호작용을 맞춤화할 수 있는 막대한 잠재력을 갖고 있습니다. 그러나 생성형 AI의 한계와 위험 요소에 주목할 필요가 있습니다. 조직이 알아두어야 할 생성형 AI와 관련된 몇 가지 잠재적인 문제는 다음과 같습니다.

• 새로운 환경에 대응하기 어려움
  생성형 AI 모델은 관련성과 정확성을 보장하기 위해 끊임없이 미세 조정 및 조율을 필요로 하는 새로운 환경에 맞게 출력을 조정하기가 어려울 수 있습니다.

• 유해한 편향
  생성형 AI 모델은 데이터를 기반으로 구축되기 때문에 훈련 데이터에 포함된 편향성이 출력에 반영될 수 있습니다. 조직은 유해한 선입견이 부주의로 인해 확산되지 않도록 하기 위해 편향된 콘텐츠를 감지하고 해결하는 정책 또는 통제 수단을 마련해야 합니다.

• 지적 재산권
  오늘날 생성형 AI가 발전되기는 했지만, 콘텐츠를 생성하려면 여전히 사용 가능한 데이터 기반의 훈련이 필요합니다. 이러한 필요성은 저작권과 관련하여 물을 흐릴 수 있습니다. AI가 상위 조직에 속하지 않는 지적 재산을 사용하게 될 수 있습니다. 이와 동시에 기밀 정보를 AI와 공유하는 사용자는 해당 정보가 더 이상 기밀이 아니며 AI 데이터 세트의 일부가 된 것을 확인하게 될 수 있습니다.

• 투명성 부족
  최근 사용 편의성과 대화식 입력/출력에 중점을 두게 되면서 생성형 AI의 작동 방식과 원본 데이터의 출처를 실제로 파악하기 어려운 환경이 조성되었습니다. 많은 조직은 내부 작동 원리를 명확하게 파악하지 않은 상태에서 생성형 AI를 활용하기를 원하지 않을 수 있습니다.

• 새로운 사이버 보안 위험
  전 세계의 사이버 범죄자들은 이미 생성형 AI 프로그램을 사용하여 공격 대상자를 겨냥하고 보안 계층을 보다 효과적으로 우회하고 있습니다. 공격자는 회사 기반 AI를 시스템 진입점으로 사용하고 프로그램의 취약성을 이용해 중요한 데이터에 액세스할 수도 있습니다. 항상 최신 사이버 보안 개선 사항과 취약성 패치를 적용하는 것이 이렇게 증가하는 위협에 대응하는 유일한 방법일 수 있습니다.
  

• 정확성 및 적절성과 관련된 잠재적 문제
  생성형 AI 시스템은 부정확하거나 입증되지 않은 답변을 생성할 수 있습니다. AI가 단순히 답변을 구성할 경우 나타날 수 있는 생성형 AI의 '환각 효과'는 특히 정확성과 유효성이 요구되는 경우 중요한 문제를 발생시킵니다. 생성형 AI가 생성한 정보에 의존하거나 이를 공개적으로 배포하기 전에 출력의 정확성, 적절성 및 실제 유용성을 신중하게 평가하는 것이 중요합니다.

생성형 AI를 비즈니스 운영에 통합할 때는 효과적이고 책임성 있는 활용을 위한 베스트 프랙티스를 채택하는 것이 필수적입니다. 조직은 다음 가이드라인을 따름으로써 위험과 당면 과제를 완화하고 생성형 AI의 이점을 극대화할 수 있습니다.

• 일반적인 장애 모드 및 해결 방법 익히기
  생성형 AI 모델은 출력에서 오류가 발생하거나 기대치를 충족하지 못하는 장애 모드를 표시할 수 있습니다. 선택한 생성형 AI 도구와 관련된 일반적인 장애 모드를 살펴보고 이러한 문제를 해결하기 위하나 전략을 수립하세요. 여기에는 입력 프롬프트 개선, 매개변수 조정 또는 생성된 콘텐츠의 품질을 개선하기 위한 사후 처리 기술 사용 등이 포함됩니다.

• 윤리 및 법적 요구 사항 준수
  윤리 및 법적 측면에서 확신이 들지 않는 경우 매우 조심해야 합니다. 현재 상황과 관련된 규정, 개인정보 보호법 또는 지적 재산권을 준수하세요. 중요한 데이터 및 사용자 개인정보를 보호하기 위한 조치를 마련하고 생성된 콘텐츠의 윤리적 영향을 주기적으로 평가해야 합니다.

• AI에서 생성한 콘텐츠에 대한 투명성 제고
  투명성을 유지하고 사용자가 AI 생성 콘텐츠와 상호작용하고 있음을 인식하도록 하려면 생성형 AI 시스템에서 생성된 모든 결과물을 명확히 표시해야 합니다. 이렇게 하면 기대치를 관리하고 사용자 및 소비자의 신뢰를 강화할 수 있습니다.

• 정확성을 위해 두 번 확인
  정보의 정확성이 중요한 경우 생성형 AI 모델의 결과물을 원래 출처를 기준으로 검증하고 상호참조해야 합니다. 이는 특히 정확성이 핵심인 산업(예: 법률 또는 헬스케어)에서 생성된 콘텐츠의 신뢰성과 완전성을 보장하는 데 도움이 됩니다.

• 최신 정보 확인
  생성형 AI 기술은 끊임없이 진화하고 있습니다. 이 분야의 발전, 연구, 베스트 프랙티스와 보조를 맞추고 생성형 AI 모델의 성능과 출력을 지속적으로 모니터링합니다. 유효성을 높이고 새로운 문제를 해결하기 위해 필요에 따라 이러한 모델과 프로세스를 반복합니다.

• 편향성에 주의
  앞에서 언급했듯이 생성형 AI 모델은 훈련 데이터에 존재하는 편향성을 의도치 않게 영속화할 수 있습니다. 생성된 콘텐츠에서 나타날 수 있는 선입견이나 편견을 식별하고 해결하는 데 주의를 기울이세요. 결과물에 잠재적 편향이 있는지 주기적으로 평가하고 그 영향을 완화하기 위한 조치를 마련합니다.

생성형 AI는 수십 년 동안 존재해 왔지만 최근 들어 기능과 가용성 측면이 크게 발전했습니다. 이 기술이 계속 진화함에 따라 기본적으로 모든 산업에서 창의성과 혁신성이 강화되어 콘텐츠 생성, 디자인, 작곡, 시각 예술 등에서 보다 정교하고 사실적인 결과물 제공이 가능할 것으로 예상됩니다. 생성형 AI는 또한 지속적으로 개인화 및 커스터마이제이션을 강화하여 정확하게 요구 사항에 맞는 제품을 추천하고, 개인화된 경험을 제공하고, 개별 고객의 요구 사항을 해결하도록 설계된 고유한 제품을 제시할 것입니다.

앞으로 10년 이내에 멀티모달 기능이 등장할 것으로 예상됩니다. 다양한 영역의 모델을 통합하면 가상 현실, 증강 현실, 혼합 현실 경험과 같은 영역을 혁신하는 보다 몰입도가 높은 대화형 결과물을 생성할 수 있을 것입니다. 하지만 이와 같이 기술을 확장할 때는 주의해야 합니다. 윤리적 고려 사항을 중심으로 생성형 AI의 편향성을 해결하고 투명성을 개선하고 책임성 있는 사용을 보장해야 합니다.

또한 생성형 AI 자체를 지원하는 프로세스가 더욱 간소화되어, 궁극적으로 이러한 AI는 끊임없이 학습하고 실시간으로 적응하면서 진정한 '지능형’ 기술이 될 것입니다. 이러한 적응성은 역동적인 환경에서 생성형 AI의 가치를 높이고 인간과 기계의 협업을 촉진할 것입니다. 아직 편향성 탐지, 윤리적 고려 사항 등과 같은 문제를 해결해야 하지만 생성형 AI의 미래는 밝습니다.

생성형 AI는 조직이 생산성을 높이고 워크플로우를 간소화하며 탁월한 고객 경험을 제공할 수 있도록 하는 막대한 장점과 잠재력을 가지고 있습니다. 그러나 관련된 위험과 당면 과제를 고려하여 AI 생성 콘텐츠 사용 시 책임 있게 접근해야 합니다. 조직이 생성형 AI의 이점을 효과적으로 활용하도록 지원하기 위해 ServiceNow는 생성 AI 컨트롤러와 Now Assist for Search를 도입했습니다. 이러한 도구는 생성형 AI 기능을 Now Platform^®에 원활하게 통합하여 사용자가 플랫폼 변경이나 복잡한 통합 없이도 AI의 기능을 활용할 수 있도록 합니다.

조직은 생성 AI 컨트롤러를 통해 Now Platform을 OpenAI, Azure 등의 선도적인 기대 언어 모델(large language model, LLM) 그리고 ServiceNow 독점 LLM에 연결할 수 있습니다. 이러한 통합을 통해 기존 워크플로우 내에서 생성형 AI의 기능을 원활하게 활용하여 검색 기능 향상, 대화 개인화 및 사용자 경험 향상을 실현할 수 있습니다. 그리고 생성형 AI를 기반으로 하는 Now Assist for Search는 질문에 대한 보다 구체적이고 직접적인 답변을 제공하고, 사용자가 원하는 정보를 정확하고 빠르게 제공하며, 고객 경험의 격차를 해소하고, 보다 원활한 상호작용을 제공함으로써 검색 기능을 강화합니다.

또한 ServiceNow는 최근 Nvidia와 파트너십을 맺고 엔터프라이즈 비즈니스를 위한 광범위한 생성형 AI 기능을 개발하여 ServiceNow의 AI 기능을 확장하고 IT 부서, 고객 서비스 팀, 직원, 개발자 등을 위한 생성형 AI용 새로운 애플리케이션을 제공합니다.

엔터프라이즈 비즈니스에게 생성형 AI는 중요한 기회를 제시하지만 위험 요소도 존재합니다. ServiceNow의 생성형 AI 기능이 어떻게 조직을 혁신하는 동시에 잠재적인 위험에 빠지지 않도록 지원하는지 자세히 알아보려면 여기를 클릭하세요. 생성형 AI를 원하는 방식으로 비즈니스에 활용하고 조직을 한 단계 더 발전시켜 보세요.