소프트웨어야놀자

 생성형 인공지능 알아보기 - 이미지

GAN은 Generative Adversarial Networks의 약자로, 생성적 적대 신경망이라는 뜻을 가지고 있습니다. 생성자와 생성자의 적대적 관계에 있는 구분자가 서로 경쟁하듯이 결과물을 생성하는 인공지능을 말합니다. 생성자는 말 그대로 학습한 데이터를 바탕으로 정교한 결과물을 생성해 나갑니다. 구분자는 생성자가 생성한 결과물이 실제 데이터인지, 아닌지 구분하는 경찰과 같은 역할을 합니다.

예를 들어 화가 고흐의 작품을 그리는 인공지능이 있다고 생각해봅시다. 생성자는 최대한 고흐의 작품과 비슷한 이미지를 만들어 구분자를 속이려고 합니다. 구분자는 속지 않으려고 입력받은 결과물이 인공지능이 그린 그림인지, 실제 고흐의 작품인지 구별하겠죠. 이렇게 생성자와 구분자가 서로 속이려 하고, 속지 않으려 하는 과정을 반복하며 어떻게 하면 상대방을 더 헷갈리게, 정교하게 결과물을 생성할 수 있을지 학습하게 됩니다. 이와 같은 알고리즘을 GAN, 생성 모델이라고 합니다. 여러분도 많이 들어본 딥페이크 기술이 여기에 속해요. 

[수업활동 tip]

1) GAN의 원리를 자세하게 설명하기보다 생성형 인공지능의 알고리즘 중 하나를 간단하게 소개하는 데 의의를 둡니다. 

2) 생성형 인공지능에 대한 경험이나 배경 지식을 이야기하며 동기를 유발합니다.

이러한 GAN 알고리즘도 약점이 있어요. 구분자가 너무 강력해지면 생성자는 구분자를 속이기 위한 데이터만 계속 만들게 돼요. 예를 들어 강아지와 고양이를 구분하는 GAN 알고리즘이 있다고 하면, 생성자가 구분자를 속일 수 있는 고양이 이미지만 계속 생성하고, 강아지 이미지는 생성하지 않게 될 수 있는 것이죠. 이러한 약점을 보완하기 위해 나온 알고리즘이 있습니다.

바로 디퓨전모델이에요. 디퓨전모델은 확산 및 역확산과정을 통해 데이터를 생성합니다. 

확산 과정은 데이터에 점진적으로 노이즈를 추가하여 데이터를 무작위로 만듭니다. 역확산과정은 노이즈가 추가된 데이터에서 점진적으로 노이즈를 제거하여 원래 데이터를 복구합니다. 노이즈를 추가하고, 제거하는 과정에서 이미지를 생성하는 데 필요한 데이터의 특징들을 학습하게 돼요. 이러한 디퓨전 모델은 특히 고품질의 이미지를 생성하는 데 강점을 가지고 있습니다. 생성형 인공지능 기술은 이처럼 문제점을 개선하며 점점 더 정확하고 정교해지고 있답니다. 이러한 기술을 우리도 실제로 활용해 봅시다. 

[수업활동 tip]

1) 디퓨전의 원리를 자세하게 설명하기보다 인공지능 기술은 문제를 개선해 가며 점점 발전하고 있음을 강조합니다. 

2) 생성형 인공지능에 대한 경험이나 배경 지식을 이야기하며 동기를 유발합니다.

생성형 인공지능을 이용해 이미지를 생성해보고, 이를 활용해 포스터를 만들어봅시다. 인공지능을 안전하게 사용하기 또는 인공지능 똑똑하게 사용하기라는 주제로 포스터를 만듭니다. 활동은 위 사진에 제시된 것과 같이 6단계로 진행됩니다.

 [관련 자료]

- 스테이블 디퓨전, https://stablediffusionweb.com/ 

- 미리캔버스, https://www.miricanvas.com/ 

[수업활동 tip]

1) 스테이블 디퓨전은 영어로 된 사이트로, 필요하다면 번역기를 활용하도록 안내합니다. 

2) 미리캔버스는 로그인이 필요하므로 사전에 네이버 계정 등을 이용해 로그인할 수 있도록 안내합니다.

이렇게 생성형 인공지능을 사용해서 포스터를 만들어보니 어땠나요? 어떤 장점과 단점이 있었나요? 이야기를 나눠봅시다. 또는 협업 보드에 내용을 작성하고 의견을 공유해봅시다. 

 1. GAN 기술은 어떻게 실제와 비슷한 이미지를 생성하나요?

 2. 생성형 인공지능을 활용해 포스터를 만들어보니 어떤 장단점이 있었나요?

 3. 이러한 기술은 사회적으로 어떤 긍정적인 영향을 줄 수 있을까요?

 4. 이러한 기술은 사회적으로 어떤 부정적인 영향을 줄 수 있을까요?

[수업활동 tip]

1) 창의적인 결과물을 생성하는 인공지능의 편리성과 신뢰성 문제를 함께 제시하여 인공지능의 양면성을 인지할 수 있도록 합니다.