디지털 전환 개념

• 변하는 비즈니스 환경과 시장 요구 충족을 위해 디지털과 관련한 모든 것(기술, 도구 등)을 통해 비즈니스모델, 전략, 시스템 등을 근본적으로 변화시키는 과정
• 디지털화 vs 디지털 전환
  
  - 디지털화: 아날로그 정보를 디지털 정보로 변환, 업무의 디지털화로 업무 효율화
  - 디지털 전환: 디지털 기술을 기반으로 조직과 비즈니스 모델, 문화 등 근본적인 변화를 추구하는 것

활용 예시

1. 넷플릭스: 과거 DVD 우편 대여 사업에서 현재 비디오 스트리밍 사업으로의 전환 / 고객의 시청 습관, 선호도 데이터 활용 가능해짐

2. 스타벅스: 모바일 주문, 결제 시스템. 차량 정보를 등록하면 진입 시 자동 결제되는 My DT Pass 서비스, e프리퀀시 보상 시스템 등

3. 스마트 팩토리

4. 교육 : 미네르바스쿨 > 온라인 학습 플랫폼 운영 (인공지능으로 학생 음성 , 발언 빈도 등 파악하여 참여도 측정, 학습 데이터 축적하여 코칭 피드백)

장점

1. 운영 효율화: 자동화를 통해 오류 줄이고, 운영비 절감

2. 고객 만족도 상승: 맞춤형 서비스, 간편한 이용 등으로 고객 경험 개선

3. 신속한 의사결정: 데이터 기반 분석을 통해 기업은 더 빠르고 정확한 의사결정 가능

4. 새로운 비즈니스 모델 창출: 다양하게 축적되는 데이터를 통해 새로운 비즈니스 모델 창출 인사이트 제공

단점, 문제점

1. 비용 부담: 디지털 전환을 위한 초기 투자 비용이 높음

2. 문화적 저항: 조직 문화 변화, 직원들의 저항 등의 관리에 어려움

3. 보안 문제: 데이터를 다루는 과정에서 데이터의 유출, 사이버 공격 등의 위험

4. 데이터 관리, 분석 어려움

해결방안

1. 단계적 구축: 낮은 단계부터 적용, 필요할 때마다 하나씩 추가 구축하며 비용 부담 경감, 직원들의 거부감도 줄일 수 있음

             ex) 직원 개개인의 PC에 저장되어 있는 자료들을 클라우드 서비스를 통해 관리하여 언제 어디서나 자료를 확인하고 활용할 수 있게 하는 것

2. 기술 교육: 변화하는 디지털 기술에 적응을 위한 직원 교육을 실시하여 저항을 줄인다.

3. 보안 강화: 직원 보안 교육으로 보안에 대한 인식 제고, 보안 인력 확보, 최신 보안 기술 적용

4.효과적인 데이터 관리 시스템 구축, 데이터 분석 전문 인력 확보

5. 정부 지원 강화: 디지털 전환을 위한 정부 지원을 강화하고 이를 활용할 수 있도록 운영

https://biz.chosun.com/science-chosun/medicine-health/2024/05/31/3PEZKGJ7CZHETNHXOECA2IDAPM/

고위험 환자 정보를 건강보험기관에서 병원으로 빠르게 공유하여 효율성 증대

but 환자들의 디지털 활용력 격차 큼. 환자 교육 필요

https://www.koit.co.kr/news/articleView.html?idxno=116867

개념

• 현실에 존재하는 사물, 공간, 환경, 공정 등을 가상 디지털 공간에 그대로 구현하는 기술
• 실물 대신 가상화된 디지털 트윈을 만들어 시뮬레이션함으로써 실물의 특성에 대한 정보를 얻을 수 있음
• 사물인터넷(IoT), 센서, 초고속 통신 등 기술을 결합해 실시간으로 사물의 상태 반영 가능

활용 종류

1. 제조업: 공장 내 시스템, 재고 등을 가상 디지털 공간에 구현하여 효율성 추구

2. 물류업 : 물건의 무게, 크기 등을 데이터화. 미리 저장 공간을 설계하여 효율적 사용 가능

    - 아마존: 각 상품의 위치, 수량 실시간 모니터링하여 필요한 아이템 신속하게 찾고 재고 수준 예측하여 효율적 관

3. 도시 기획,관리: 도시와 그 안의 사회를 복제하여 각종 데이터 실시간 분석 및 예측하여 효율적 도시 설계 가능

    - 핀란드 헬싱키: 스쿠터 사용자가 도시 내 도로 상황 데이터 수집하여 대기오염 정보와 안전 경로 찾아줌

    - 버추얼 싱가포르: 국가 전체를 디지털 트윈으로 구축하여 신도시 기획, 교통인프라 개선 등 다양한 도시 문제 해

4. 에너지: 엔진을 특정 위치에 맞게 구성, 부품 마모 정도를 실시간 점검, 설비 고장 여부 예방 점검 

장점

1. 시뮬레이션 가능: 실제 장비나 공정을 변경하면 발생할 문제들을 미리 테스트, 검토하여 시간적, 경제적 손실 최소화 

2. 돌발 사고 최소화: 위험성이 있는 작업 현장에서 사람이 직접 작업하는 것을 대체

3. 생산성 증가: 효율적 자원 관리 최적화로 운영비 절감, 생산효율 증가

4. 불량률 감소: 최적화된 공정을 적용하도록 유도하여 불량률 감소

단점, 문제점

1. 데이터 보안: 회사 운영 상 중요한 정보의 노출 가능성이 있음

2. 개인정보 문제: 데이터 수집 과정에서 개인정보가 불가피하게 포함될 수 있음

3. 높은 초기 비용: 고해상도 센처, 데이터 수집 관리 시스템 등 인프라 비용이 높

4. 데이터 정확성: 데이터 품질에 의존하다 보니 데이터 품질에 따라 데이터 정확성이 달라지고, 운영에 심각한 문제 야기할 수 있다. 

해결방안

1. 데이터 공유 및 활용 확대: 데이터  공율 플랫폼 구축, 데이터 표준 개발 등을 통해 데이터 공유 및 활용하여 구축 효율성 제고

2. 개인정보 포함 데이터는 익명화

3. 정부 및 기업 지원: 정부의 연구 지원 사업, 기업 투자 유치 등을 통해 초기 투자 비용 확보

4. 단계적 구축: 초기 단계에는 핵심 기능만 구현하고, 필요에 따라 점진적 추가하여 초기 투자 비용 절약

5. 다양한 데이터 소스 활용, 데이터 수집 방법의 정의 및 문서화

https://www.newsis.com/view/NISX20240313_0002659172

https://m.ddaily.co.kr/page/view/2024052918520343516

https://www.news2day.co.kr/article/20240110500164

개념

• 디지털 영역에서 원본 저작물에 부여된 법적 권리를 보호
• 음악, 영화, 소프트웨어, 문서, 이미지 등 다양한 디지털 형태의 저작물을 포함하며, 복제, 배포, 공연, 전송 등을 통제할 권리를 창작자에 부여

사례

1. 음악 스트리밍 서비스: Spotify, Youtube Music 등의 플랫폼은 저작권을 보호하면서 음악을 스트리밍하도록 함.

2. 동영상 플랫폼: Youtube

3. 전자책 플랫폼: Amazon Kindle 등. 저작권 보호를 통해 불법 복제 예방하며 창작물 판매

4. 오픈소스 소프트웨어:  개발자들이 소스 코드를 공개하여 누구나 수정하고 개선할수 있도록 하여 협업과 혁신을 촉진

문제점

1. 불법 복제: 쉽게 복제, 배포가 가능한 디지털 저작물 특성상, 저작권 보호가 쉽지 않음.

2. 국제적 규제 복잡성: 국가별 법률과 규정이 달라 국제적인 저작권 보호가 어려움

3. 저작권 침해 판별의 어려움: AI가 제작한 제작물을 저작권으로 인정 가능한지, 저작물의 불법적 배포의 근원이 어디인지
                                                등 명확한 침해 판별이 어려움

4. 생성형 AI 저작권 침해 문제: 인터넷 상 데이터를 수집하여 활용하는 AI가 창작한 저작물은 저작권 침해의 위험이 있음.

해결방안

1. 법적 규제 강화: AI기술로 창작된 컨텐츠에 워터마크 의무화 등의 규제 필요

2. 올바른 데이터 활용: 생성형AI 학습 시 저작권 문제가 해결된 데이터만을 활용하여 저작권 문제 해결

3. 플랫폼 책임 강화: 유튜브, 페이스북 등 주요 플랫폼 차원에서 딥페이크 콘텐츠 감지 및 차단하는 시스템을 강화

4. AI복제 방지 기술: AI 데이터 학습에 사용될 때 원본과 다른 형태로 보이게 하는 기술 개발 (시카고 대학교 글레이즈팀)

5. NFT 기술: 블록체인 기술을 활용한 NFT를 통해 창작물의 소유권 주장 가능. 복제 시 저작권 침해 여부 파악이 용이

관련 뉴스

https://ditoday.com/ai-%EC%8B%9C%EB%8C%80-%EB%94%94%EC%9E%90%EC%9D%B8-%EC%A0%80%EC%9E%91%EA%B6%8C-%EC%96%B4%EB%94%94%EA%B9%8C%EC%A7%80-%EC%99%94%EB%82%98/

https://www.newsis.com/view/?id=NISX20240516_0002737197&cID=10701&pID=10700

정의

• 인공지능 딥러닝 기술을 활용하여 영상, 이미지, 음성 등을 조작하여 진짜처럼 보이게 만드는 기술.
• 딥러닝(Deep learning)의 '딥'과 가짜를 뜻하는 페이크(fake)의 합성어
• 딥페이크의 기반은 2014년 등장한 머신러닝 기술인 '적대관계생성신경망(Generative Adversarial Networks, GAN)'
  ※GAN기술?
  생성자와 판별자를 대립 관계로 생성한 뒤, 생성자가 만들어낸 정보를 판별자가 진위 판별. 이 과정을 반복하며 상호 발전하며 실제와 유사하게 만들어짐.
  

  

장점 (활용 사례)

1. 다양하고 간편해진 창작 활동: 고인이 된 배우를 영화에 재현하거나, 가수의 콘서트 장면 재현 등

2. 교육 및 훈련: 실제 상황과 유사하게 재현하여 현실감을 높여 교육 및 훈련 효과 상승

3. 질병 예방: 암 탐지 모델을 학습시키는데 활용하여 정확도 높임

4. 감정적 치유: 사망한 가족의 과거 데이터를 통해 VR을 통해 구현

단점, 문제점

1. 사생활 침해, 초상권 문: 딥페이크 음란물 등에 악용하여 사생활 침해와 정신적 피해를 유발

2. 허위 정보 확산: 실제 일어나지 않은 가짜 뉴스를 확산시켜 사회적 혼란 야기

3. 범죄 악용: 금융 사기, 정치적 목적으로 악용할 가능성이 있음

해결방안

1. 법적 규제 강화: 딥페이크 창작물에 대한 워터마크 표시 의무화. 허가 없는 유포 규제 등 법적 규제 강화

2. 기술적 방어: 딥페이크 여부를 탐지하는 인공지능 모델 개발하여, 딥페이크 창작물 식별 및 차단 시스템 구축

3. 플랫폼 책임 강화: 유튜브, 페이스북 등 주요 플랫폼 차원에서 딥페이크 콘텐츠 감지 및 차단하는 시스템을 강화

4. 사회적 교육: AI교육, 딥페이크 악용 사례 전파, 공개적인 토론, 인식 제고 캠페인  등을 통해 스스로 정보를 판단하고 검증할 능력을 키움.

관련 뉴스

https://www.edaily.co.kr/news/read?newsId=03253766638894168&mediaCodeNo=257&OutLnkChk=Y

https://www.greened.kr/news/articleView.html?idxno=314658

딥페이크는 가짜를 진짜랑 구별하지 못할 정도로 정교하게 만들어 낼 수 있을 정도로 그 기술이 발전했다.

그러나 이를 악용하는 사례까 너무나 많고, 그 피해 정도가 큰 만큼 좋지 않은 인식이 매우 많은 상황이다.

악용 범죄를 법적, 기술적, 사회적 측면에서 방지할 대책을 강구하여 딥페이크 기술의 안전한 사용 체계를 구축해야 한다.

정의

인공지능(Artificial Intelligence)

인간의 지능으로 할 수 있는 사고, 학습, 추리, 논증 등을 컴퓨터 프로그램으로 실현한 기술

생성형 인공지능(Generative AI)

프롬프트에 대응하여 텍스트, 음악, 이미지, 기타 미디어를 생성할 수 있는 인공지능으로, 주어진 데이터로부터 새로운 컨텐츠를 만들어내는 데 초점을 맞춘 인공지능

활용 종류

1. 텍스트 인공지능

• 대화형 인공지능
  - 챗봇 : 채팅에서 유저의 메세지에 응답하는 봇
    ex) 심심이, 은행 상담챗봇 등
  - 음성인식 비서 : 사람이 컴퓨터에 음성 명령을 주고, 그 일을 대신 수행
     ex) 빅스비, Siri, 구글 어시스턴트
  - LLMs A.I.(Large Launguage Models conversational A.I.) : 대규모 언어 모델 기반 대화형 인공지능 서비스
    ex) 대화 특화: openAI - chatGPT, 구글 - 제미나이, MS - 코파일럿, 네이버 - 클로바X

2. 그림 : 인공지능을 이용해 이미지를 생성
    ex) 삼성 갤럭시AI, DALL·E3, DeepAI

3. 작곡
    ex) Suno AI, AIVA, Udio

4. 동영상 제작

    ex) Sora(OpenAI), AI 스튜디오 페르소, LUMIERE(구글)

5. 음성: 클로바더빙, AI보이스 스튜디오, Typecast 등

6. 코딩: GitHub Copilot, Tabnine

장점

1. 효율성 향상: 복잡하고 반복적인 작업을 자동화하여 인간의 개입 감소

2. 개인화: 개인의 선호도와 행동에 대한 데이터로 맞춤형 추천 등 개인 맞춤형 컨텐츠 경험 가능

3. 향상된 의사결정: 대량의 데이터를 분석하고 패턴을 식별함으로써 더 많은 정보에 근거한 결정을 지원

4. 활용성: 다양한 산업 분야에 적용할 수 있어 활용 범위가 넓음

단점, 문제점

1. 개인정보 침해: 개인정보를 포함한 데이터 수집 및 활용에 따른 프라이버시 침해 우려

2. 저작권 침해: 인터넷 상의 정보를 수집, 학습하는 특성 상, 만들어내는 창작물이 어딘가에 이미 존재하는 창작물일 위험

3. 자동화로 인한 일자리 감소: 자동화로 인해 기존의 일자리가 사라질 수 있다는 우려

4. 신뢰성 문제(환각, Hallucination문제): 실제 존재하지 않는 정보나 사실을 만들어내 혼란을 야기

    ex) 피자에 치즈를 붙이기 위한 방법에 대한 질문에 접착제를 사용해야 한다고 답변

5. 과도한 전력, 에너지 소비: 초거대 AI의 경우 높은 운영비용과 오랜 훈련시간, 전력소모가 매우 큼

6. 과도한 의존성: 과도한 의존으로 개인의 사고력 저하될 가능성 있음

7. 기술 악용(딥페이크)

해결방안

1. 사용 데이터 투명화: 각 인공지능 학습 시 활용하는 데이터를 공개하여 저작권, 프라이버시 문제 예방

2. 개인정보 식별, 익명화: 개인정보로 확인되는 데이터는 제거하거나 변경하여 익명화하는 AI 학습 및 도입

3. 데이터품질 향상을 위해 데이터 전처리 과정에서 품질 개선, 데이터 수집 단계에서부터 정확한 데이터를 수집하도록 노력

4. 편향성 제거: 공정한 데이터를 사용하고, 모델 학습 과정에서 편향성을 제거하도록 보정
    ex) 인종, 성별 등 각 인구 분포에 맞게 보정, 특정 관점을 반영하도록 의도적 조종

5. 새로운 일자리 창출 및 재교육 : 실업자에 대한 신규 일자리 창출, 적응을 위한 교육

6. 책임 소재 명확화: AI시스템 결정에 대한 근거, 출처 등을 남기도록 하여 책임소재 확인하도록 유도

7. 경량화모델 개발: 각 모델의 목적에 맞는 데이터만을 학습하여 연산 수와 매개 변수를 줄여 비용 감소

머신러닝:

컴퓨터가 프로그래밍 없이 스스로 규칙을 찾아 학습하고 예측하거나 결정을 내리는 기술

딥러닝:

머신러닝의 한 분야, 인공신경망(Artificial Neural Networks)사용한 학습 방법.

다층신경망을 통해 복잡한 패턴을 학습

기술 활용 상황

1. 이미지 및 음성인식: 이미지 분류, 얼굴 인식, 음석 인식 등에 딥러닝을 활용함

ex) 구글 포토 이미지 검색, 애플 시리, 아마존 알렉사

2. 자연어 처리: 텍스트 분석, 번역, 챗봇 등

ex) GPT, 챗봇서비스 등

3.추천 시스템: 사용차 행동 패턴을 분석해 취향 맞춤 추천, 광고를 해줌

ex) 넷플릭스 유튜브에서 영상 추천

4. 의료 진단: 의료 이미지를 분석해 질병을 진단

ex) 암 진단, 심장 질환 예측

5. 자율 주행: 딥러닝을 통해 주변 환경을 인식하고, 경로 계획

ex) 테슬라 자율 주행 기술

6. 금융 분야: 신용점수 예측, 주식 거래 등

ex) 은행 부적 거래 탐지 시스템, 주식 거래 자동화

장점

1. 자동화: 복잡하고 반복적인 작업을 자동화하여 인간의 개입 감소

2. 정확성: 대량의 데이터를 분석하여 높은 정확도로 예측하고 의사결정

3. 적응성: 새로운 데이터에 따라 모델을 계속 학습하고 적응

4. 대규모 데이터 처리: 대량의 데이터를 효율적으로 처리하고 분석

5. 다양한 응용 분야: 다양한 산업 분야에 적용할 수 있어 활용 범위가 넓음

단점, 문제점

1. 개인정보 침해: 개인정보를 포함한 데이터 수집 및 활용에 따른 프라이버시 침해 우려

2. 알고리즘 편향: 학습 데이터의 편향성이 모델에 반영되어 윤리적 문제 발생 가능 (성차별, 인종차별적 발언 등)

3. 자동화로 인한 일자리 감소: 자동화로 인해 기존의 일자리가 사라질 수 있다는 우려

4. 투명성: AI 시스템의 결정에 대한 근거를 찾기가 어려움.

5. 보안 위협: 악의적인 사용자가 AI 기술을 이용해 보안 시스템을 무력화하거나 해킹할 가능성

6. 높은 비용: 데이터 처리 및 학습에 필요한 에너지와 비용이 높음

해결방안

1. 투명성 강화: 알고리즘의 작동 원리를 이해하고 설명할 수 있도록 연구를 진행하여 투명성 제고

2. 데이터 프라이버시 보호: 데이터 수집 활용 과정에서 개인정보에 대한 규정 준수 필요. AI와 접목하여 개인정보로 확인되는 데이터는 제거하거나 변경하여 익명화하도록 도입

3. 데이터품질 향상을 위해 데이터 전처리 과정에서 품질 개선, 데이터 수집 단계에서부터 정확한 데이터를 수집하도록 노력

3. 편향성 제거: 공정한 데이터를 사용하고, 모델 학습 과정에서 편향성을 제거하는 기술 개발

4. 윤리적 AI 개발: 윤리적 기준을 마련하고, 이를 준수하는 AI 시스템을 개발

5. 새로운 일자리 창출: 신기술 관련 교육을 확대하고, 새로운 일자리 확보

6. 책임 소재 명확화: AI시스템 결정에 대한 근거, 출처 등을 남기도록 하여 책임소재 확인하도록 유도

7. 보안 위협 대응: AI시스템의 동작을 실시간 모니터링하여 즉각 탐지 대응, 보안 훈련 및 교육 강