새로운 최고 AI 책임자를 고용해야 할 정도로 생성형 AI가 중요할까? 코파일럿 키를 내장한 키보드를 구입해야 할까? 부풀려진 기대와 투자로 속에서 기업들은 생성형 AI에 대해 어느 정도의 성과를 거두고 있을까?

생성형 AI는 종전 일회성 머신러닝(ML) 모델에서 벗어날 가능성을 제시한다. 다양한 분야에서 활용될 수 AI 도구의 가능성이다. 그러나 모든 낙관적인 전망에는 함정이 있기 마련이다. 

여러 연구에 따르면 많은 사람들이 이미 정기적으로 생성형 AI 도구를 사용하고 있다. 최근 페이지듀티의 연구에 따르면 포춘 1000대 기업 중 98%가 생성형 AI를 실험하고 있다. 하지만 동시에 많은 조직이 생성형 AI에 대해 신중한 접근 방식을 취하고 있는 것으로 보인다. 예를 들어, 파운드리의 2023 AI 우선순위 연구에 참여한 IT 의사결정권자 중 4분의 1이 생성형 AI 기술을 시험적으로 사용하고 있다고 응답했지만, 이중 배포 단계로 나아간 비율은 20%에 불과했다. 

CCS 인사이트의 직원 기술 및 업무 환경 혁신 설문조사에 참여한 고위급 리더들의 응답도 비슷했다. 2023년 말을 기준으로 18%는 이미 전체 직원에게 생성형 AI를 배포했고 22%는 배포할 준비가 되었다고 답했다. CCS 인사이트의 엔터프라이즈 리서치 디렉터 볼라 로티비는 "단 올해 중 생성형 AI의 현실 활용을 기대하는 조직이 많다”라고 말했다. 

또 인텔의 2023년 ML 인사이더 설문조사에 참여한 AI 전문가와 같은 IT 팀들의 응답에 따르면, 2023년에 차세대 AI 솔루션을 비즈니스 현장에 도입한 조직은 10%에 불과했다.

현장 배포에 대한 준비
생성형 AI 투자, 파일럿 및 계획을 가진 기업은 많지만, 생산성 향상이나 ROI의 구체적인 내용에 대해 이야기하는 조직은 상대적으로 적다. 예를 들어 골드만삭스, IHG, 메르세데스 벤츠와 같은 많은 구글 고객사들은 최근 구글 클라우드 넥스트 컨퍼런스에서 제미니 생성형 AI 도구를 사용한 사례에 대해 발표했지만, 대개 배포가 아닌 파일럿 단계의 것들이었다.

물론 단순한 실험 수준을 넘어선 파일럿일 수 있다. 맥킨지에 따르면 산업 디자인 팀이 LLM 기반의 연구 요약 기능과 AI 이미지 생성 기능을 사용하는 경우 제품 개발 주기를 70% 이상 단축할 수 있다. 그러나 이러한 디자인 팀이 현실적으로 제조할 수 있는 제품을 만들기 위해서는 평가 및 수정 작업을 추가적으로 해야 한다. 또 정책을 설정하고 직원을 교육해야 한다. 

화장품 기업 에스티 로더는 고객 인사이트, 행동 연구 및 시장 동향에 대해 내부 챗봇 훈련과 같은 파일럿 프로젝트를 적용했다. 그러나 이러한 가치를 현실화하는 방법은 여전히 연구 단계에 있다. 

현실적인 가치를 이미 얻고 있다는 기업도 있다. 마이크로소프트는 자사 직원들이 마이크로소프트 365용 코파일럿을 비롯한 생성형 AI 도구를 통해 상당한 가치를 얻고 있다고 주장한다. 회사의 최신 업무 및 비즈니스 애플리케이션 부문 CVP인 제라드 스파타로는 "수준급 사용자들은 한 달에 10시간 이상을 절약하고 있다"라며, 사용자의 70%는 생산성이 향상되어 최대 1/3까지 더 빠르게 작업할 수 있다고 전했다.

그러나 포레스터의 수석 분석가인 JP 가운더는 한 달에 5시간 정도의 절약이 일반적이라며, 또 다른 문제는 조직 전체에의 확장 문제라고 말했다. 그는 이어 지금까지 코파일럿 도입이 ‘포켓’에서 이루어지는 경향이 있다고 지적했다. 이는 마케팅 및 영업, 서비스 및 지원, 제품 개발 등의 일부 부서에서 대부분의 생성형 AI 배포가 이루어지고 있다는 맥킨지의 보고서와 일치한다.

해당 보고서에 따르면 설문조사에 참여한 통신사들은 낙관적인 가운데에서도 효과 범위를 제한하고 있었다. 대다수는 생성형 AI를 통해 비용을 절감하고 콜센터 상담원의 생산성이 향상되고 개인화된 콘텐츠를 통해 마케팅 전환율이 개선되었다고 답했으며, 두 모델 모두 몇 달이 아닌 몇 주 만에 배포되었다고 답했다. 그러나 고객 서비스나 매핑 네트워크 인프라 외에는 그 영향이 미미했다.

조직 전체로 확장
마이크로소프트의 초기 테스트 고객 중 일부는 이미 광범위한 배포 단계에 진입했다. 빠르게 마이크로소프트 365 코파일을 테스트한 글로벌 로펌 기업 클리포드 챈스는 현재 애저 오픈AI를 기반으로 구축한 맞춤형 AI 도구인 ‘클리포드 챈드 어시스트’를 전체 직원에게 배포하고 있다. 이 회사는 생성형 AI의 모든 법적 결과물을 자격을 갖춘 변호사가 명확하게 확인하고 분류한다며, 주요 이점은 실시간 기록, 회의 요약, 회의에서 암묵적으로 약속하고 합의한 작업 등 지식 근로자의 생산성 향상이라고 전했다.

가운더는 “생산성을 높이고 시간을 절약하며 훌륭한 인간 비서가 될 수 있는 놀라운 기술이다. 그러나 지난 40년 동안 컴퓨팅 분야에서 출시되어 온 도구와는 다른 성격을 지닌다. 성공을 위해 알아야 할 특징들이 있다”라고 말했다. 그는 조직의 AI 지수를 평가하기 위한 몇 가지 질문을 다음과 같이 제시했다.

- AI와 프롬프트 엔지니어링의 작동 방식에 대한 기본적인 이해가 있는가?
- 교육을 받은 적이 있는가?
- 이러한 것들을 배울 수 있다는 자신감이 있는가?
- 참여하고 싶은 동기가 있는가?
- 무엇이 잘못될 수 있고 어떻게 윤리적 사용자가 될 수 있는지 알고 있는?

또 다른 문제는 직원들이 생성형 AI 도구를 워크플로우의 일부로 활용하도록 하는 것이다. "코파일럿에 대해 매우 낙관적이며 호의적인 이들이 있다. 하지만 사용자의 절반은 도구를 사용하지 않는다. 이는 교육에 대한 투자가 부족하기 때문일 수 있다”라고 그는 말했다.

그에 따르면 마이크로소프트 365용 코파일럿을 검토하는 거의 모든 주요 기업은 1시간 정도의 직원 교육만 계획한다면서, 10시간 정도가 적정 수치라고 제안했다. 가운더는 "이것은 핵심 기술이며, 교육에 투자하지 않으면 손해를 볼 수 있기 때문에 교육에 투자해야 한다"라고 말했다. 

현실 성공 사례
문서 엔지니어링과 같은 일부 분야에서는 이미 구체적인 생성형 AI 성공 사례가 나타나고 있다. 일례로 도큐가미(Docugami)는 문서 생성 및 데이터 추출에 사용할 수 있는 맞춤형 소형 언어 모델을 통해 고객의 복잡한 문서로부터 지식 그래프를 구축해 성과를 거두고 있다. 

회사의 진 파올리 CEO는 특히 보험 분야의 기업들이 가치 평가서, 보험 증서, 갱신 날짜, 위약금 및 책임이 포함된 보험 문서를 위해 도큐가미의 솔루션을 채택해왔다고 전했다. 과거에는 개별 고객과 전체 포트폴리오의 위험을 설명하는 중요한 정보를 반영해 새로운 견적을 생성하거나 재보험사에게 포트폴리오를 설명하는 작업이 수동으로 이뤄졌다는 설명이다. "이러한 시나리오는 몇 백 달러가 아니라 수백만 달러를 절약할 수 있는 실제 시나리오다"라고 파올리는 말했다.

회사의 앨런 예이츠 최고 비즈니스책임자는 또 생명과학 분야의 한 고객 기업의 경우 임상시험 문서화, 규정 준수 및 데이터 탐색을 위해 도큐가미의 플랫폼을 사용하고 있다면서, "이전에는 이 작업을 수행하는 데 6개월이 걸렸지만 지금은 1주일이면 충분하다”라고 말했다. 

생성형 AI를 본격적으로 활용하는 또 다른 분야로는 소프트웨어 개발이 있다. 하지만 초기에는 생산성 향상 효과가 낮을 수 있다. 시스코가 6,000명의 자사 개발자에게 깃허브 코파일럿을 배포했을 때, 생성된 코드를 수락한 비율은 19%에 불과했다. 지금은 코드 제안의 거의 절반이 받아들여지고 있다. 

한편 전문 지식이 부족한 시민 개발자가 로우 코드 플랫폼을 사용하는 경우 AI로 인한 이득이 훨씬 더 클 수 있다. 디지털 보험 에이전시인 N슈어닷컴은 자동화 흐름을 자연어로 설명할 수 있도록 함으로써 큰 성과를 거뒀다. 생성 및 구성하는 데 4시간이 걸리던 워크플로우가 파워 오토메이트용 코파일럿을 사용해 40분 만에 처리할 수 있게 됐다. 

또한 PG&E는 파워 플랫폼의 로우코드 코파일러스 스튜디오 생성형 AI 도구로 페기(Peggy)라는 IT 헬프데스크 챗봇을 구축해 직원 요청의 25~40%를 처리함으로써 연간 110만 달러 이상을 절감했다고 마이크로소프트 코파일럿 책임자 노아 게신은 전했다. 그에 따르면 페기가 직원들에게 SAP에 대한 액세스 권한을 잠금 해제하는 과정을 안내함으로써 헬프데스크 팀에서만 연간 840시간을 절약할 수 있었다. 

총 비용에 유의
주문형 생성형 AI 도구의 관련 비용을 정확하게 예측하기는 어렵기 때문에 배포를 주저할 수 있다. 개별 생성형 AI 서비스 비용을 저렴할지라도 전사적 배포에서는 큰 비용이 될 수 있기 때문이다.

링크드인의 수석 소프트웨어 엔지니어인 후안 보타로는 "외부 공급업체를 이용하든 내부에서 개발하든, 생성형 AI에서 가장 먼저 고려해야 할 사항은 비용”이라고 강조했다. 그의 팀은 최근 프리미엄 사용자를 대상으로 채용 공고에 적합한지, 어떤 기술이나 자격을 갖추면 채용 가능성을 높일 수 있는지 제안하는 새로운 생성형 AI 기능을 출시했다.

그는 "더 빠르게 움직이고 싶었지만, 사용 가능한 용량과 GPU가 충분하지 않아서 기다리기로 결정했다"라고 말했다. 새 워크플로우의 비용을 예측하기는 어렵고, 사람들의 상호 작용 방식이 매우 다르기에 사용량에 대한 가정을 확신할 수 없었기 때문이다. 대신 소수의 사용자에게 배포하고 그들의 행동을 통해 추론하기로 했다고 그는 덧붙였다.

보타로는 이어 "우리는 한두 달 만에 현재 프리미엄 경험에서 볼 수 있는 것과 매우 유사한 것을 만들 수 있었다"라고 전했다. 

CCS 인사이트의 로티비는 생성형 AI 파일럿의 경우 다른 클라우드 서비스와 마찬가지로 API 관리 게이트웨이를 통해 클라우드 AI 서비스에 대한 쿼터 및 아웃바운드 요청 속도 제한을 고려할 수 있다고 설명했다. 그에 따르면 대다수 기업은 생성형 AI의 사용을 특정 역할, 개인 또는 팀으로 제한할 계획이며, 이는 비용 문제 때문인 경우가 많다. "조직 전체에 적용하기에는 너무 비쌀 수 있다"라고 그는 말했다.

무엇을 ‘측정’할 것인가
가우더는 자체 보고된 생산성이 생성형 AI 성공을 측정하는 최선의 방법은 아니며, 배포에 따라 중요한 지표가 달라질 수도 있다고 지적했다. 그는 "티어 1 지원 전체를 생성형 AI에 맡기고 정말 좋은 자연어를 보유하고 있다면 성공률이 높아질 것이다. 하지만 인간의 경험은 다른 문제다. 통화 시간보다는 고객 만족도에 대한 측정 지표가 더 중요할 수 있다"라고 말했다.

또 인공지능 결과의 품질과 정확도를 측정하기란 까다로울 수 있다. 동일한 입력을 해도 매번 다른 결과가 나올 가능성이 높기 때문에 더 어려워진다. 때로는 평가를 위한 벤치마크를 만들어야 한다. 보타로는 “어떤 것이 옳은지 그른지를 정의하는 것은 매우 주관적이고 측정하기 어렵다"라고 말했다.

그의 팀은 도구를 평가하기 위해 좋은 응답이 어떤 모습인지에 대한 공유 지침을 만들었다. 마이크로소프트도 코파일럿 포 애저를 지원하는 애스크 런 API에 대해 답변 품질을 테스트할 근거 데이터와 메트릭을 나타내는 참조 데이터로 구성된 '황금 데이터 세트'를 구축한 바 있다.

가우더는 ROI 입증해야 한다는 압박감이 있지만 대다수 기업이 아직은 그 단계에 이르지 못했다고 경고했다. 영업용 코파일럿의 경우 전환율, 거래 흐름 또는 통화 해결까지의 평균 시간 개선을 참고할 수 있기는 하지만, 변수가 너무 많은 상황에서 직접적인 인과 관계를 가정하는 것은 주의해야 한다고 그는 덧붙였다.

아울러 정량화할 수 없는 이점도 TCO 측면에서 가치가 있을 수 있음을 감안해야 한다. 가우더는 "코파일럿을 제공함으로써 시간을 절약할 수 있을 뿐만 아니라 지루한 업무를 덜어준다고 가정해 보라. 이는 직원 경험 개선으로 이어질 수 있다. 직원 경험 혜택은 이직률을 낮추고 직원들의 동기 부여와 참여도를 높이는 경향이 있다"라고 말했다.

한편 보타로는 생성형 AI와 LLM에 대한 열망이 상황을 복잡하게 만든다고 말했다. "구축이 결정된 상황에서 가치를 측정하는 방법을 찾으려는 접근법이 흔하다. 이는 잘못된 접근 방식이다”라며, 일부 사용 사례에서는 기존 AI로도 충분할 수 있다는 가능성을 열어두라고 제안했다.

생성형 AI 실패 막으려면…
생성형 AI를 도입하는 것이 적절한지, 사용자가 부정확한 답변을 반박할 수 없는 진실로 받아들이는 것을 막는 방법은 무엇인지, 학습 세트에 저작권과 부적절한 자료가 포함되지는 않는 지와 같은 질문을 진지하게 검토해야 한다.

보고된 생성형 AI 실패 사례 다수는 모델 자체의 내재적 문제보다는 경계를 넘나드는 사용자의 무책임한 행동이나 조직이 충분한 AI 기반 보호 도구를 마련하지 않은 것에서 비롯된 경우가 많다. 딥페이크나 단순한 디지털 위조, 학습에 사용된 데이터의 저작권과 관련된 잠재적인 법적 위험, 민감한 데이터나 기밀 데이터에 생성형 AI를 사용할 때 규정 준수에 대한 문제 등이 생성형 AI와 관련된 주요 우려 요소로 손꼽힌다. 

아울러 클라우드 생성형 AI 서비스의 경우, 모든 클라우드 모델과 마찬가지로 공동 책임이라는 개념을 수용해야 한다. AI 제공업체는 안전하게 사용할 수 있는 모델과 서비스를 제공해야 하지만, AI 서비스를 채택하는 조직은 모델 카드와 투명성 노트를 읽고 사용 방식을 적절히 제한하고 있는지 테스트해야 한다.

가운더는 "일부 조직은 챗봇을 지나치게 확장하고 일관성 없는 답변을 제공하고 있음을 뒤늦게 깨닫는다”라며, "그렇다고 포기해야 한다는 말은 아니다. 고객에게 출시하기 전에 프로젝트를 철회하고 오프라인에서 반복 작업을 시도할 수 있다"라고 말했다.

한편 생성형 AI에 대한 조직의 성숙도는 일반적으로 기존 AI의 성숙도를 뒤따르는 경향이 있다. 가운더는 "예측 AI, 컴퓨터 비전, 머신러닝에 더 많은 투자를 해온 기업들에서 성공 비율이 높다. 자체 AI 도구를 구축하는 기업들은 여러 기술을 사용하고 있으며, 생성형 AI를 하나의 요소로 취급한다”라고 말했다. 

보타로 또한 생성형 AI에 대한 과대광고를 극복하는 방법으로 이를 또 하나의 도구로 보는 것이라고 말했다.

https://www.ciokorea.com/news/335605

구글이 플러터 팀의 인력을 감축한 데 이어 다트, 파이썬 팀을 인력도 줄이고 있다는 소식이다. 구글은 그러나 해고 사실을 묻는 인포월드의 문의에 응답하지 않았다. 

일부 직원들의 소셜 미디어 포스트에 따르면 구글은 5월 중 개최하는 연례 I/O 개발자 컨퍼런스를 앞둔 현재, 이들 팀의 인력 일부를 해고하고 있다. 그러나 구체적인 팀, 역할, 대상자 수 등은 알려지지 않고 있다. 

플러터와 다트의 한 PM은 X에 게재한 글에서 이번 정리해고가 "많은 팀"에 영향을 미쳤으며 "많은 훌륭한 프로젝트에서 인력을 잃었다"라고 말했다. 
 
레딧에 게재된 다른 게시물에서 또 다른 네티즌은 이번 해고로 영향을 받은 파이썬 팀이 내부 파이썬 런타임과 툴체인을 관리하고 OSS 파이썬을 다루는 직원들이라고 언급했다. 

현재까지의 정보를 살펴보면 구글은 4월 24일에 제출된 WARN 공지를 통해 일부 해고 인원을 발표한 것으로 관측된다.  캘리포니아 근로자 조정 및 재교육 통지법(WARN)에 따르면 100명 이상의 직원을 둔 고용주는 정리해고 60일 전에 통지해야 한다. 구글은 해당 서류에서 서니베일의 세 곳에서 총 50명의 직원을 해고한다고 밝혔다. 

한편 구글은 2주 후 구글 I/O 컨퍼런스에서 플러터 업데이트를 공개하겠다고 약속한 바 있다. 이번 인력 감축으로 인해 이들 두 기술의 미래에 대한 의문이 제기되고 있다.  https://www.ciokorea.com/news/335542

[python] 생성된 엑셀을  Frequency 순으로,  동일 Frequency 이면 단어순으로 정렬

import pandas as pd
from collections import Counter
import re

def read_text_file(file_path):
    """텍스트 파일을 읽고 내용을 반환"""
    with open(file_path, 'r', encoding='utf-8') as file:
        return file.read()

def count_word_frequencies(text):
    """주어진 텍스트에서 단어 빈도수 계산"""
    words = re.findall(r'\b\w+\b', text.lower())
    return Counter(words)

def save_frequencies_to_excel(frequencies, output_file):
    """단어 빈도수를 엑셀 파일로 저장"""
    # 판다스 DataFrame으로 변환
    df = pd.DataFrame(list(frequencies.items()), columns=['Word', 'Frequency'])
    # 빈도수 내림차순, 단어 알파벳순 오름차순으로 정렬
    df = df.sort_values(by=['Frequency', 'Word'], ascending=[False, True])
    # 데이터를 엑셀 파일로 저장
    df.to_excel(output_file, index=False)

# 파일 경로
file_path = 'example.txt'
output_excel = 'word_frequencies.xlsx'

# 파일 읽기
text = read_text_file(file_path)

# 빈도수 분석
frequencies = count_word_frequencies(text)

# 엑셀로 저장
save_frequencies_to_excel(frequencies, output_excel)

print("단어 빈도수가 정렬되어 엑셀 파일로 저장되었습니다.")

1. DataFrame 변환 및 정렬: pandas.DataFrame을 사용하여 빈도수 데이터를 DataFrame으로 변환한 후, sort_values 메소드를 사용하여 먼저 Frequency 열에 대해 내림차순으로, 동일한 빈도를 가진 항목에 대해서는 Word 열을 기준으로 오름차순 정렬합니다. ascending=[False, True] 파라미터는 각각 Frequency와 Word 열에 적용됩니다.
2. 엑셀 파일 저장: 정렬된 데이터를 .xlsx 형식의 파일로 저장합니다.

https://www.itworld.co.kr/news/334072

2024년에 피할 수 없는 유행어가 있다면 아마도 "이스라엘", "선거", "머스크"일 것이다. 하지만 IT 산업으로 범위를 좁혀 하나만 꼽으라면 바로 AI이다. 암호화폐 열풍과 그 후의 폭락이 연상될 정도로, AI에 대한 높은 관심을 이용해 많은 사업이 진행되고 있다. 물론, 모두가 열풍에 올라타고 폭락은 피하고 싶을 것이다.

여기서 ‘모두’는 거의 모든 IT 업체를 말한다. 오픈AI가 이 골드러시의 중심에 있고 엔비디아가 금광을 필요한 디지털 삽을 팔고 있지만, 더 전통적인 IT 업체 역시 손 놓고 보고만 있는 것은 아니다. 유행어가 늘 그렇듯, 모든 새 PC가 'AI PC'라는 말로 빠르게 희석되고 있으며, 실제 사용자에게는 아무 의미가 없는 용어가 됐다.
 

ⓒ Microsoft
그러나 "AI"가 의미하는 생성형 AI 툴에 대해서는 일반적으로 두 가지 접근 방식이 있는 것 같다. 하나는 마이크로소프트 코파일럿처럼 챗GPT의 인기에 올라타는 것이고, 다른 하나는 구글 제미나이 시스템이나 애플의 곧 출시될 생성형 AI처럼 차세대 스타를 기대하며 새로운 AI를 내놓는 것이다.
 

어디에나 있는 AI 버튼

암호 화폐 열풍과 달리 생성형 AI는 기술을 이해하지 못해도 누구나 사용할 수 있다. 예를 들어, 몇 번의 키 입력만으로 새로운 폴아웃 TV 쇼를 풍자하는 시를 지을 수도 있다. 아주 뛰어난 시가 나오지는 않겠지만, 느린 인간의 두뇌로 몇십 분이 걸려 대사를 만드는 대신 컴퓨터가 몇 초 만에 대신 생각해 주는 것을 선호하는 이유는 누구나 알 수 있다. 그 매력은 부인할 수 없는 것이다. 
 

삼성 갤럭시 북4 울트라 코파일럿 키. 올해 모든 신형 노트북에는 마이크로소프트의 챗GPT 인터페이스로 바로 이동할 수 있는 코파일럿 버튼이 제공될 예정이다. ⓒ Mark Hachman / IDG
그래서인지 이들 업체는 물리 인터페이스와 디지털 인터페이스 모두에서 AI를 전면에 내세우려고 안간힘을 쓰고 있다. 마이크로소프트는 모든 새로운 윈도우 노트북에 전용 코파일럿 키를 제공해 사용자가 작업 표시줄의 아이콘을 클릭하는 것보다 훨씬 더 즉각적인 방식으로 챗GPT 인터페이스와 상호 작용할 수 있도록 하고 있다. 구글은 안드로이드의 독보적인 기능 중 하나인 어시스턴트를 제미나이로 대체하고 있다.

틈새 제품도 늘어나고 있다. 초기 리뷰에서 호평을 받고 있는 휴매닉 Ai 핀이 대표적이다. AI 기반 삼성 냉장고는 말할 것도 없고, AI 기반 아기 울음소리 번역기가 얼마나 뛰어난 성능을 보여줄지도 지켜볼 일이다.
 

휴메인 AI 핀 ⓒ Humane
AI 열풍에서 얻을 것이 별로 없어 보이는 로지텍도 이 흐름에 뛰어들었다. 로지텍 M750 마우스의 시그니처 AI 에디션에는 짧은 생성형 AI 작업에 초점을 맞춘 또 다른 버전의 챗GPT를 소환하는 전용 버튼이 있다. 이 기능은 이제 로지 옵션+(Logi Options+)에 내장되는데, 이는 로지텍의 마우스와 키보드 대부분에서 동일한 기능이 제공된다는 뜻이다. 다른 로지텍 제품의 다음 버전에도 전용 AI 버튼이 등장할 것으로 예상되는데, 어쩌면 로지텍이 새로운 MX 마스터 마우스를 출시하는 이유가 될지도 모른다.
 

로지텍 시그니처 AI 에디션 마우스. 로지텍의 최신 마우스에는 챗GPT를 사용하기 위한 또 다른 인터페이스를 띄우는 전용 AI 버튼이 있다. ⓒ Logitech
처음 보는 광경처럼 느껴질지 모르지만, 이전에도 비슷한 경험이 많았다. 슈퍼볼 광고에서 맷 데이먼이 비트코인을 사지 않으면 겁쟁이라고 했던 기억을 말하는 것이 아니다. 마이크로소프트가 마우스에 윈도우 버튼이 있으면 좋겠다고 하던 시절을 말하는 것도 아니다. 새로운 아이디어가 하룻밤 사이에 디지털 생활의 모든 측면으로 확산되는 경우는 많았다. 방금 오싹함을 느꼈다면 코타나의 유령이 어깨에 올라타고 있는 것일 수도 있다. 
 

이미 들어 본 노래

구글이 어시스턴트로 성공을 거두고 애플이 시리로 기반을 확보하자 모든 업체가 자체 음성 챗봇을 원했다. 아마존에는 알렉사, 마이크로소프트에는 코타나, 심지어 삼성에도 당황스러운 이름의 "빅스비"가 있다. 그리고 이들 챗봇은 디지털 인터페이스와 물리 인터페이스 모두에서 동일한 방식으로 추진됐다. 

삼성은 수억 대의 안드로이드 휴대폰에 빅스비 전용 버튼을 제공했다. 당시 안드로이드 정보 사이트에서 일했던 사람으로서 '빅스비 버튼 변경 방법' 검색으로 벌어들인 모든 수익에 대해 감사의 말을 전하고 싶다. 애플은 아이폰의 홈 버튼에 시리를 배치했고, 마이크로소프트는 악명 높은 윈도우 10 작업 표시줄에 코타나를 붙였다. 

친숙한 이야기일지도 모른다. 코타나는 윈도우의 첫 부팅 인터페이스에서도 목소리로 사용자에게 바로 말을 걸어 클리피의 그림자를 보여줬다. 일부 제조업체는 노트북 키보드에 코타나 전용 버튼을 넣거나 특정 트랙패드 제스처로 코타나를 활성화하는 등 마이크로소프트에 빠져들기도 했다. 

시리는 존재감은 달라졌지만 여전히 건재하다. 어시스턴트는 불만이 없는 것은 아니지만, 제미나이로 변신하고 있다. 알렉사 역시 여전히 살아 있지만, 아마존은 알렉사로 수익을 창출하는 방법을 아직 모른다. 그리고 빅스비는 삼성 소프트웨어 개발팀의 깊은 곳에서 AI 기반 비서가 되기 위해 부활한 것으로 보인다.

잘 알려진 것처럼, 코타나는 이미 마지막이 예정되어 있다. 마이크로소프트의 막대한 시간과 비용, 그리고 적지 않은 사용자 불만이 실제 제품보다 농담으로 더 많이 기억되는 무언가에 허비됐다. 그리고 코타나에서 가장 기억에 남는 것은 마이크로소프트가 오랫동안 코타나를 사용자에게 밀어붙였던 방식이다.
 

ⓒ Logitech
필자는 코파일럿이나 챗GPT와 같은 생성형 텍스트 도구를 부정적으로 생각하는 경향이 있다. 매우 현실적이고 본능적인 방식으로 배열을 취하고 있으며, 생성형 텍스트를 읽는 것은 마치 누군가가 크레용으로 TPS 보고서를 작성하는 것처럼 느껴지기 때문이다. 하지만 비교적 간단한 작업에서 엄청난 시간을 절약할 수 있다는 사실만으로도 많은 사용자가 왜 이 툴을 유용하게 생각하는지 알 수 있다. 필자가 판단할 일은 아니지만, 숙제를 커닝하는 것도 여기에 속할 것이다.

하지만 화면과 전용 버튼 등 인터페이스에 AI 툴을 마구 배치하는 것은 사용자의 불만을 야기하는 가장 빠른 방법이다. 아무도 마우스에 윈도우 버튼을 원하지 않았고, 아무도 와이파이 네트워크에 로그인하기 위해 코타나에게 말을 걸고 싶지 않았으며, 아무도 스마트 글래스로 사진을 찍으라고 챗GPT에게 요청하고 싶어 하지 않았다. 

생성형 AI는 기업과 일반 소비자 모두에게 흥미로운 툴이 될 수 있다. 아니면 구글 검색엔진이 걸러낼 방법을 찾아야 하는 쓰레기 텍스트로 웹을 가득 채울 반짝 유행일 수도 있다. 하지만 미래가 어떻게 되든 사용자에게 억지로 강요하는 것보다 더 빨리 싫증을 느끼게 하는 방법은 없다. 과거의 실수를 되풀이하지 말라는 코타나의 경고에 귀를 기울이기 바란다.

https://www.itworld.co.kr/news/334128

자율주행 로봇 서비스 기업 뉴빌리티가 미국 통합 보안 서비스 기업 사우스 플로리다 시큐리티 그룹(South Florida Security Group; 이하 SFS그룹)과 손잡고 순찰로봇 서비스의 현지화를 위해 협력한다고 19일 밝혔다. 

양사는 SFS Group이 보안 서비스를 제공하는 미국 플로리다 내 커뮤니티를 중심으로 로봇을 활용한 혁신적인 보안 서비스를 검토하기 위해 최근 PoC(사업 검증) 공동 수행을 위한 계약을 체결했다. 특히, 뉴빌리티는 이번 협력을 시작으로 북미 시장 공략을 본격화해 나갈 계획이다. 
 

마이애미 주택단지를 순찰하는 뉴빌리티 순찰로봇 ⓒ neubility 
4월 8일부터 세 달간 진행되는 이번 서비스는 플로리다주 마이애미에 위치한 1,700세대가 거주하는 고급 주택단지 도랄 아일스 클럽하우스(Doral Isles Club House)에 뉴빌리티의 순찰로봇을 배치, 커뮤니티 내 보안과 안전 강화를 목표로 한다. 

서비스 기간에 뉴빌리티의 순찰로봇은 이동형 CCTV로서, 주야간 24시간 자율 순찰과 안전 점검을 수행한다. 광범위한 지역을 정밀하게 탐색할 수 있는 뉴빌리티 순찰로봇은 보안 감독의 사각지대 문제를 효과적으로 해소하고, 보안 담당자의 업무 부담을 낮출 수 있다. 뿐만 아니라, 관제 화면을 통해 여러 지역의 다중 모니터링과 이상 상황 발생 시 즉각적인 경고를 발신하는 음성 송출 기능을 지원함으로써 사고 탐지 및 대응 시간을 획기적으로 개선한다.
 

마이애미 주택단지를 순찰하는 뉴빌리티 순찰로봇 ⓒ neubility 
뉴빌리티의 이상민 대표는 "이번 기술 검증은 뉴빌리티가 북미 시장에 성공적으로 진입하는 데 있어 중대한 이정표가 될 것"이라며, "다양한 환경에서의 폭넓은 적용 가능성을 고려해 설계된 뉴빌리티 로봇이 이번 검증을 통해 가치를 입증할 것으로 확신한다"고 포부를 밝혔다. 

SFS 그룹 리고 페레즈회장은 "SFS그룹은 뉴빌리티와의 파트너십을 통해 혁신을 꾀하고 보안 업계를 선도할 계획”이라며, “보안 솔루션에 순찰로봇을 도입한 것은 고객에게 가장 혁신적이고도 효과적인 보안 조치를 제공하려는 SFS그룹의 미래 지향적인 접근 방식을 반영한 것"이라고 설명했다.

한편, 뉴빌리티는 국내에서 덕성여대, 강원대, 부경대 등 캠퍼스와 송도 센트럴파크에서 순찰로봇을 운영해 오며 다양한 위험 시나리오에 대응하는 순찰 기능 개발 및 고도화를 거쳐왔다. 지난 1월에는 CES 2024에서 전 세계에서 모인 업계 전문가, 투자자, 시장 관계자를 대상으로 자율주행 순찰로봇을 선보인 바 있다. 

[python] 웹 기반 파이썬 데이터 앱 쉽게 다루는 스트림릿 간단 예제

https://www.itworld.co.kr/news/334135

파이썬 애플리케이션의 공통적인 문제는 다른 사람들과 앱을 공유할 방법이다. 개발자들은 이 문제를 해결하기 위해 웹 인터페이스를 사용해서 UI를 통해 앱 기능을 제공하는 경우가 많다. 그러나 이 방법은 애플리케이션 UI가 웹 구성요소와 자연스럽게 맞을 때 가장 효과적이다. 예를 들어 데이터 탐색 앱은 이와 같은 방식으로 작동할 수 있지만, 이상적인 상호작용을 위해서는 프론트엔드 구성요소가 자바스크립트로 작성돼 있어야 한다.
 
스트림릿(Streamlit)은 이와 같은 많은 문제를 동시에 해결하는 것을 목표로 하는 파이썬 라이브러리다. 개발자는 스트림릿을 사용해서 풍부한 인터랙티브 구성요소 라이브러리를 기반으로 구축된 웹 기반 프론트엔드를 갖춘 파이썬 앱을 만들 수 있다.
 
그렇게 만들어진 애플리케이션은 파이썬 웹 앱이 있는 어디에나 호스팅할 수 있다. 무엇보다 좋은 점은 좋은 결과를 얻기 위해 반드시 HTML, 자바스크립트 또는 CSS에 대해 알 필요는 없다는 것이다. 스트림릿의 메서드와 클래스를 사용하는 파이썬 코드를 작성하기만 하면 된다.
 

간단한 스트림릿 예제

스트림릿 프로그램은 선언적 스타일로 작성된다. 객체는 코드에서 선언된 순서대로 웹 페이지에 나타난다. 구성요소와의 상호작용이 발생할 때마다 프로그램이 위에서부터 아래로 다시 실행되면서 웹 페이지를 다시 로드해 변경 사항을 반영한다.
 
다음과 같은 간단한 스트림릿 앱 예제를 살펴보자.
 

 
스트림릿으로 이 코드를 실행할 경우(streamlit run 명령 사용) 결과는 다음과 같다.

1. 'Take input from the user'라는 제목의 웹페이지가 나타난다.
2. 그 아래에 'Say something:'이라는 레이블이 붙은 텍스트 상자가 나타난다.
3. 사용자가 이 텍스트 상자에 뭔가를 입력하고 Enter를 누르면 'You said:'라는 레이블의 텍스트 상자 아래에 사용자가 입력한 내용이 표시된다.

 
이러한 HTML 위젯과 모든 위젯 동작은 스트림릿에 의해 자동으로 생성되고 관리된다. 여기에는 앱 상태가 포함된다(예를 들어 user_input 상자에서 if 문은 사용자가 뭔가를 입력할 때만 실행됨).
 
스트림릿에서는 아래 예제보다 훨씬 더 많은 HTML 구성요소를 사용할 수 있다. 라텍스(LaTex) 형식 텍스트, 보케(Bokeh) 차트, 카메라 입력, 그 외에도 많은 구성요소가 네이티브로 제공된다.
 

더 복잡한 스트림릿 예제

더 복잡한 스트림릿 애플리케이션으로는 스트림릿 문서의 예제가 있다. 이 앱은 시간별로 그룹화된 맨해튼의 우버 승차 및 하차 지점 일반 데이터 집합을 로드한 다음 막대형 차트에 시간을 표시하고 인터랙티브 지도에 위치를 표시한다.
 
전체 프로그램 길이는 약 30줄에 불과하다. 워낙 짧아서 복사한 다음 파일에 붙여넣고 직접 실행할 수 있다. 스트림릿이 다양한 작업을 수행하는 방식을 보여주는 용도로도 좋은 앱이다.
 

스트림릿 앱의 데이터

스트림릿은 데이터 소스를 쉽게 다루기 위한 많은 네이티브 동작을 제공하며 데이터 로드 및 작업을 위한 주 형식으로 데이터프레임을 사용한다.
 
다른 파이썬 프로젝트에서 사용할 수 있는 모든 소스에서 데이터를 로드할 수 있으며, 이 과정을 돕기 위한 편의 기능도 제공된다. 예를 들어 이전 섹션에서 다룬 데이터 시각화 앱은 판다스(Pandas)를 사용해 원격 URL에서 CSV 파일을 로드하고 데이터프레임으로 변환한다. 데이터 로드와 형식 설정은 편리하지만 특히 네트워크 연결을 통해 로드하는 경우 속도가 느리고 많은 시간이 걸릴 수 있다. 또한 이 프로그램은 사용자가 동작을 수행한 후 매번 다시 로드된다.
 
스트림릿은 이 문제를 해소하기 위해 load_data() 함수를 래핑하는 데 사용되는 @st.cache_data 데코레이터를 제공한다. 또한 @st.cache_data는 애플리케이션이 여러 번 다시 로드되는 사이 데이터를 캐시하므로 처음 실행할 때만 로드된다.
 

스트림릿 앱의 상태 관리

스트림릿은 설계상 각 사용자 상호작용마다 애플리케이션이 강제로 다시 로드되므로 스트림릿 앱에서 지속적인 상태를 유지하기가 간단치 않을 수 있다. 텍스트 박스의 데이터가 실행 간 상태를 어떻게 처리하는지는 앞에서 살펴봤다. 개별 컨트롤의 상태와는 별개로 상태를 만들고 관리하려면 스트림릿의 내장된 session_state 객체를 사용해야 한다.
 
streamlit.session_state는 여러 실행 간에 지속되는 키-값 저장소다(실질적으로 사전). 스트림릿 프로그램이 처음 시작될 때 이 저장소는 빈 상태이므로 액세스하기 전에 키가 있는지 여부를 테스트해야 한다.
 

참고로 session_state에 저장되는 모든 데이터는 해당 애플리케이션을 실행하는 스트림릿 서버의 수명 동안만 지속된다. 서버가 멈추면 데이터는 손실된다. 더 적극적으로 지속되는 데이터를 원한다면 데이터베이스 또는 레디스와 같은 인메모리 캐시 등의 솔루션이 필요하다.
 

스트림릿 앱을 위한 데이터 위젯

지금까지 스트림릿 페이지에서 구현 가능한 다양한 요소로 간단한 텍스트 레이블 또는 HTML 컨트롤부터 지도, 차트, 오디오/비디오 재생과 같은 더 정교한 요소, 그리고 채팅 상자와 같은 고급 상호작용(예를 들어 LLM과의 상호작용 용도)까지 살펴봤다.
 
데이터 표시 또는 상호작용을 위한 스트림릿 컨트롤은 가장 일반적인 사용 사례를 위한 데이터 렌더링을 처리하도록 이미 사전 설정돼 있다. 예를 들어 스트림릿 웹 위젯은 데이터프레임을 소스로 사용할 수 있고 데이터프레임을 적절한 열 레이블과 함께 자동으로 표시하므로 수동으로 이를 추가할 필요가 없다.
 
스트림릿에는 폭넓은 일반적인 데이터 위젯 라이브러리가 기본적으로 포함된다. 사용자 커뮤니티에는 더 많은 구성요소가 만들어져 공유되며, 간단한 pip install을 통해 사용할 수 있다.
 

스트림릿 앱 배포

스트림릿 애플리케이션은 본질적으로 파이썬 웹 애플리케이션이므로 네트워크로 연결된 파이썬 앱과 거의 같은 방식으로 배포할 수 있다. 빠르고 간편한 방법은 컴퓨터에서 앱을 실행하고 할당된 포트를 통해 앱에 대한 액세스 권한을 제공하는 것이다.
 
고급 배포 역시 다른 파이썬 웹 앱과 동일한 패턴을 따른다. 즉, 도커, 쿠버네티스 또는 다양한 일반적인 클라우드 서비스를 사용하는 것이다. AWS와 마이크로소프트 애저의 스노우플레이크 사용자는 스노우플레이크 데이터 저장소를 기반으로 하는 스트림릿 앱을 배포할 수도 있다. 마지막으로, 스트림릿은 자체적인 커뮤니티 클라우드(Community Cloud) 호스팅 서비스를 제공한다. 다만 이는 스트림릿 앱을 위한 편의 기능일 뿐 필수 항목은 아니다.

https://streamlit.io/

https://pypi.org/project/streamlit/

https://pyscript.com/

What is Streamlit?

Streamlit lets you transform Python scripts into interactive web apps in minutes, instead of weeks. Build dashboards, generate reports, or create chat apps. Once you’ve created an app, you can use our Community Cloud platform to deploy, manage, and share your app.

Why choose Streamlit?

• Simple and Pythonic: Write beautiful, easy-to-read code.
• Fast, interactive prototyping: Let others interact with your data and provide feedback quickly.
• Live editing: See your app update instantly as you edit your script.
• Open-source and free: Join a vibrant community and contribute to Streamlit's future.

Installation

Open a terminal and run:

$ pip install streamlit
$ streamlit hello

ctrl + C : 웹서버 shutdown 

.