맞춤형 LLMs를 모든 비즈니스에 적용할 수 있는가? DeepSeek이 보여주는 길

과거에는 기술의 号令이 “모두에게 휴대폰”이었다. 실제로 모바일 통신은 비즈니스와 세계를 혁신적으로 변화시켰다. 오늘날, 그와 같은 号令은 모두에게 AI 애플리케이션에 접근할 수 있도록 하는 것이다. 그러나 AI의真正한 힘은 비즈니스와 조직의 특정需求을 충족시키는 데 있다. 중국의 스타트업 DeepSeek이 보여주는 길은 AI를 모두가 사용할 수 있도록 하여, 특히 예산이 제한된 비즈니스와 조직이 자신의 특정需求을 충족시킬 수 있도록 하는 것이다. 실제로 저렴한 AI의 등장은 많은 소규모 비즈니스와 조직이 비용적인 이유로 AI 솔루션을 사용하지 못하는 深く根付いた 패턴을 변화시키게 할 것이다.

LLMs는 – 또는曾經는 – 비용이 많이 드는 事業이었다.大量의 데이터에 접근할 수 있어야 하고, 데이터를 처리하기 위한 강력한 컴퓨터가 필요했으며, 모델을 훈련시키기 위한 시간과 자원이 필요했다. 그러나 이러한 규칙이 바뀌고 있다. DeepSeek은 저렴한 예산으로 자신의 LLM을 개발하였으며, ChatGPT와 같은 애플리케이션을 개발하였다. 이러한 접근법은 소규모 조직이 자신의 특정需求을 충족시키기 위한 LLM을 개발할 수 있는 길을 열어주었다. 실제로, 대부분의 소규모 조직이 자신의 특정 목적을 위한 LLM을 개발할 수 있는 날은 멀지 않았다.

현재, DeepSeek의 真正한 비용에 대한 논쟁이 진행 중이다. 그러나 이는 단순히 비용의 문제가 아니다. DeepSeek은 менее 발전된 칩을 사용하였으며, 더 집중적인 훈련 접근법을 사용하였다. 미국의 수출 제한으로 인하여, DeepSeek은 일반적으로 LLM 개발에 사용되는 고급 Nvidia 칩에 접근할 수 없었다. 따라서, менее 강력한 Nvidia (NVDA ) H-800 칩을 사용해야 했다. 이러한 칩은 데이터를 처리하는 속도와 효율성이 낮다.

DeepSeek은 이러한 칩의 한계를 보완하기 위해 다른 접근법을 사용하였다. 대량의 데이터를 모델에 제공하고, 컴퓨팅 강力を頼りに 데이터를 라벨링하고 적용하는 대신, DeepSeek은 더 집중적인 훈련 접근법을 사용하였다. 이는 높은 품질의 “cold-start” 데이터를 사용하고, IRL(Iterative Reinforcement Learning)을 적용하였다. 이는 알고리즘이 다양한 시나리오에 데이터를 적용하고, 그로부터 학습하는 것을 가능하게 한다. 이러한 접근법은 모델이 더 빠르게 학습할 수 있도록 하며, 오류와 낭비된 컴퓨팅 강력을 줄인다.

이와 유사하게, 부모가 아기의 특정 동작을 가르칠 때, 아기가 처음으로 뒤집기를 성공적으로 할 수 있도록 도와주는 것과 같이, 데이터 과학자들은 이러한 더 집중적인 AI 모델을 훈련시킨다. 이러한 모델은 더 넓은 범위의 응용 프로그램을 갖지 않을 수 있지만, 특정 응용 프로그램에 대해 정확하고 효율적으로 작동한다. 심지어 DeepSeek의 비판자들도, 이러한 접근법이 개발 효율성을 크게 향상시켰으며, 더 적은 자원으로 더 많은 것을 할 수 있게 되었다는 것을 인정한다.

이 접근법은 AI가 가장 효율적인 방법으로 자신의 목표를 달성할 수 있도록 하는 것이다. 이는 모든 조직이 자신의 특정需求과 작업을 위한 LLM을 개발하고자 할 때 유용하다. 첫째, 올바른 데이터를 시작해야 한다. 예를 들어, 판매와 마케팅 팀을 지원하기 위한 AI를 사용하려는 회사는, 판매 대화, 전략, 지표에 초점을 맞춘 데이터셋을 사용하여 모델을 훈련시켜야 한다. 이는 모델이 불필요한 정보에 시간과 컴퓨팅 강력을 낭비하지 않도록 한다. 또한, 훈련은 단계적으로 진행되어야 하며, 모델이 각 작업이나 개념을 마스터하기 전에 다음 단계로 진행되어야 한다.

이것은 아기들을 기르는 것과도 유사하다. 가이드된, 단계적인 접근법은 자원을 낭비하지 않으며, 마찰을 줄인다. 또한, 이러한 접근법은 아기와 AI 모델 모두에서 반복적인 개선을 가져온다. 아기가 성장하거나 모델이 더 많이 학습할수록, 그들의 능력은 향상된다. 이는 모델을 실제 상황에 더 잘 대처하도록 개선하고, 새로운 정보와 비즈니스需求에 적응하도록 할 수 있다.

이 접근법은 비용을 절감하며, AI 프로젝트가 자원 낭비가 되지 않도록 한다. 이는 더 작은 팀과 조직이 접근할 수 있도록 한다. 또한, 이는 AI 모델의 성능을 더 빠르게 개선하며, 모델이 불필요한 데이터로 과부화되지 않도록 하여, 새로운 정보와 비즈니스需求에 더 잘 적응하도록 할 수 있다.

DeepSeek과 저렴한 AI 세계의 도래는 초기에 AI 세계와 주식 시장에 공황을 일으켰지만, 이는 궁극적으로 AI 부문에 긍정적인 발전이다. AI의 더 높은 효율성과 더 낮은 비용은, 최소한 특정 응용 프로그램에서는, AI의 더 많은 사용으로 이어질 것이다. 이는 개발자, 칩 제조사, 최종 사용자 모두에게 성장을 가져올 것이다. 실제로, DeepSeek은 제번스 역설을 보여준다. 이는 더 높은 효율성이 자원 사용의 감소로 이어지지 않고, 더 많은 사용으로 이어질 수 있다. 이러한 추세가 계속되면, 자신의 특정需求을 충족시키기 위한 AI를 사용하는 소규모 비즈니스들은 성장과 성공에 더 잘 준비될 것이다.