인공지능의 설명성이 중요해지면서, 인공지능 모델의 신뢰성을 확보할 수 있는 규정과 함께, 복잡한 인공지능 모델을 설명하는 알고리즘들이 제안되고 있습니다. 이번 강연에서는 대형언어 모델등 복잡한 인공지능 모델의 원리를 이해하고 오류를 수정하는 방법들을 소개하고, 이런 인공지능 설명성을 평가하는 평가지표들도 함께 소개 드리려고 합니다.

With the emergence of ChatGPT, there is a growing interest in large-scale generative AI models. Deep learning models have been steadily growing since 2012, and now models with over 1 billion parameters are commonly found. The increase in the size of AI models implies the need for more hardware resources to run these models, leading to issues such as the cost of AI-based services and limitations in usage environments. AI model compression is a technique to address these problems by compressing the size of models or making them run faster while maintaining their performance. This enables running AI services at a lower cost or achieving faster inference speeds. However, one should carefully select and apply the appropriate technique for different use cases. In this talk, several practical approaches to build efficient LLM serving systems for different scenarios will be discussed.

최근 딥러닝 기술의 발전과 함께 AI 성능이 크게 향상됨으로써, AI가 활용될 수 있는 범위도 매우 넓어졌고 더 큰 가치를 만들어낼 수 있게 되었습니다. 본 세미나에서는 AI의 발전 방향과 LG AI연구원에서 AI를 활용하여 세상을 바꾸는 시도를 하고 있는 여러가지 사례들에 대해 소개하고자 합니다. 대표적인 사례는 이상감지, 비전검사, 수요예측, PCB 자동설계, 납사스케줄링 최적화, 신약 개발, AI Contact Center 등이 있으며, 그 이외에도 다양한 분야에 AI가 의미있게 활용되고 있습니다. 또한 AI연구원이 진행하고 있는 EXAONE, 초거대 AI에 대해 소개하고자 합니다. EXAONE은 기존의 AI를 뛰어넘어 지금까지 해내지 못했던 많은 일들을 이루어 낼 수 있는 가능성을 가지고 있다고 보여집니다. 본 세미나를 통해 앞으로 딥러닝을 비롯한 AI 기술이 가지고 있는 가능성과 나아가야 할 방향에 대해 함께 고민해볼 수 있는 시간을 만들어보고자 합니다.