언어 및 문화적 편향을 극복하는 방법 – GenAI 채택

2025년, ChatGPT와 AI 기반의 구글 검색이 주도하지만, 다양한 의사소통 방식을 염두에 두는 것이 중요하다. 생성적 인공지능(GenAI)은 주로 텍스트 기반으로 작동하며 영어로 작동하므로, 비영어권 사용자에게는 사용 사례가 제한될 수 있다.

영어는 세계 인구의 20% 미만이 모국어로 사용하지만, 웹사이트의 67.3%를 차지한다. 많은 GenAI 플랫폼은 영어로 훈련되므로, 다중 언어 또는 문화가涉及되는 작업 환경에서 의사소통이 왜곡될 수 있다.

의사소통은 화면上的 글자만이 아니다. 음调, 몸짓, 표정, 리듬, 문화적 뉴앙스를 포함한다. GenAI를 배치하는 조직은 언어 및 문화적 편향을 완화하는 데에도 관심을 가져야 한다.

목소리가 여전히 중요한 이유

다중 모달 의사소통의 중요성을 설명하는 여러 이론이 있다.

가장 유명한 이론 중 하나는 에드워드 T. 홀의 높은 문맥과 낮은 문맥 문화에 관한 이론이다. 홀은 다양한 문화가 어떻게 의사소통하는지에 대한 내재된 차이를 설명한다. 높은 문맥 문화는 많은 아시아 국가에서 발견되며, 간접적이고 비언어적 인 시그널을 의사소통에 사용한다. 일본어는 높은 문맥 언어로, 음성과 미묘한 표정의 변화가 의도와 추론에 큰 영향을 미친다.

반면, 낮은 문맥 문화는 서구 문화(미국, 유럽 등)에서 발견되며, 직접적이고 언어적 의사소통을 사용한다. 낮은 문맥 문화는 더 명시적이므로, 디지털 텍스트 기반 메시징이 그들의 의사소통 패턴에 자연스럽게融入된다. GenAI의 텍스트 기반 특성을 이 이론에 대입하면, 높은 문맥 문화 출신의 비영어권 사용자가 이러한 도구와 효과적으로 의사소통하기 어려운 이유가 명확하다.

국제적인 비즈니스 환경에서, 다양한 배경의 사람들이 모여서 의사소통할 때, 몸짓, 음调 등 미묘한 시그널의 부족으로 인해 AI와의 의사소통이 훨씬 덜 신뢰할 수 있다. 디지털 또는 기술 기반 의사소통, 특히 GenAI 도구를 통해 경험하는 의사소통은 텍스트 기반 메시징을 넘어서 다른 모드를 포함해야 한다.

GenAI의 영어 편향 문제

비영어권 작가에 대한 AI 탐지기의 편향에 대한 심각한 우려가 제기되었다. 또한, 과학 분야에서 최근 연구에 따르면, 비영어권 사용자의 38%가 언어 장벽으로 인해 저널에 기고를 거부당한다. 이 연구의 저자는 언어 장벽을 극복하는 것이 지식 공유의 핵심이라고 주장한다.

연구자들은 LLMs에서 언어 다양성의 부족과 비영어권 사용자를 배제하는 위험에 대해 경고하고 있다. 이는 깊이 뿌리박힌 문제로, 사람들이 AI 도구와 상호작용하고 사용하는 방식을 제한한다.

이 문제는 95%의 미국 기업이 GenAI를 채택하고 있는 것을 고려할 때, càng早く 해결해야 한다. 이 기술은 제조 공장과 같은 분주한 작업 환경에 점점 더 많이 적용되고 있다. 그러나 비영어권 사용자는 종종 AI 배치 전략을 논의할 때 배제된다.

성공적인 AI 채택의 장벽을 실생활에서 살펴보면, 비영어권 사용자는 프롬프트에 어려움을 겪고, 이는 왜곡된 출력과 잘못된 정보 또는 지침의 위험을 초래한다. 예를 들어, 영어를 제한적으로 사용하는 베트남 제조업체는 GenAI를 통해 영어 번역된 지침을 사용한다. 이는 맥락과 미묘한 시그널이 제거된 상태에서巨大한 오류 가능성을 의미한다.

또한, 신뢰와 확신이 약화된다. 이는 기술을 작업 흐름에 사용하는 데抵抗을 높이고, 직원의 사기를 저하한다.

격차를 메우기

이러한 장벽과 도전은 早く 해결해야 한다. GenAI 채택을 위한 평등한 환경을 조성하기 위해, 문화적 및 언어적 뉴앙스를 고려해야 한다. 이러한 격차를 메우고 다중 언어 미래를 위한 GenAI 채택을 구축하기 위한 여러 전략이 있다.

인지 및 분석 프레임워크 통합

특히 유용한 인지 프레임워크는 존 보이드가 개발한 OODA 루프이다. OODA 루프의 4단계 중 하나인 “orient”의 5가지 구성 요소는 언어를 ‘문화 전통’의 일부로 간주하면서, ‘유전적 유산’과 ‘분석/합성’에 특히 관심을 가져야 한다.

여기에서는 각 구성 요소가 언어적으로广泛한 AI 모델을 훈련하는 데 어떻게 역할을 하는지에 대한 설명이다.

• 유전적 유산 (인간의 내재된 특성): 언어와 문화를 초월하는 보편적인 시그널인 음调와 리듬을 감지하는 AI 시스템을 훈련한다. 텍스트 기반 메시징만이 아니라, 음성, 텍스트, 비디오 시그널을 포함하는 다중 모달 접근 방식이다.

• 문화 전통: 특정 언어 특성, 즉 음성학 및 맥락이 풍부한 의사소통 형식을 캡처하기 위한 데이터셋을 생성한다. 지역에 따라 모델을 구축하고, 문화적 및 언어적으로 유연하지 않은 보편적인 모델을 사용하지 않는다.

• 이전 경험: 사람들이 자신의生活 경험을 반영하는 시스템을 더 신뢰한다. 예를 들어, 베트남 또는 일본의 직원은 미국 기반 팀과 다르게 AI를 사용하며, 이러한 도구에 대한 노출과 확신 수준에 따라 다르다. 현지 팀이 GenAI를 테스트하고練習할 수 있는 워크샵을 제공한다. 그러면 그들은 언어 및 문화적 맥락에서 얼마나 잘 반영되는지에 대한 피드백을 제공할 수 있다. 조직은 그러면 프롬프트 라이브러리를 해당 사용 사례를 고려하여 조정할 수 있다.

• 새로운 정보: GenAI 도구는 실제 데이터로 지속적으로 업데이트되어야 한다. 다중 언어 데이터 입력을 통해 통합 시스템이 다양한 언어와 의사소통 형식의 뉴앙스를 학습할 수 있다.

• 분석/합성: 여기서 사람들이 AI와 일치하는 곳이다. 언어적 데이터와 시그널은 종종 단편적이며, GenAI 모델과 호환되지 않는다. 이러한 데이터를 AI가 처리하고 분석하여 문화적 및 언어적으로 유연한 출력을 생성할 수 있도록 AI가 이해할 수 있는 데이터로 변환해야 한다.

실제적인 훈련을 위한 모범 사례

직원들은 또한 GenAI 플랫폼의 프롬프트에 대한 모범 사례를 훈련해야 하며, 명확성을 중점으로 한다. 프롬프트 라이브러리는 팀이 모범 사례를熟悉하게 하는 데 매우 유용할 수 있다.

또한, 공정성과 투명성의 원칙을 강조하는 것이 중요하다. 이러한 원칙은 편향되지 않은 AI 배치의 기본적인 측면이며, 팀은 편향과 환각의 징후를 식별하는 데에도 능숙해야 한다. 이러한 징후는 언어 장벽을 악화시키고, 출력을歪曲한다.

또한, 새로운 정보가 개인의 정보만이 아니라, 다양한 출처에서 제공되는지 확인해야 한다. 에코 챔버는 기술, 특히 AI에서重大한 문제로,既存의 편향을 강화하고 출력을歪曲한다. 직원들은 편향된 트랩에 빠지고, 잘못된 지침이나 정보를 따르는 위험에 노출된다.

마지막으로, 모든 AI 도구, 특히 GenAI를 ‘컨설턴트’로 간주해야 한다. 직원들은 언제든지 혼동을 명확히 하기 위해 인간을 끌어들이도록 격려해야 한다. 이는 잘못된 정보 또는 잘못된 지침의 위험을 완화하는 데 도움이 된다.

AI는 비즈니스 프로세스를 변환시키고 있지만, 누구도 방향을 잃지 않도록 하는 것이 중요하다. 이러한 전략을 AI 배치에 통합하면, 비즈니스들이 언어 장벽을 극복하고, 편향과 관련된 문제를 해결할 수 있다.