14주차 _ 화장품과 AI

[14주차 수업 _ 화장품과 AI]
1. AI란 무엇인가?
2. AI와 화장품 산업의 융합

 

 

1. AI란 무엇인가?

 

   1. AI 주요 특징 - 초연결, 초지능

• AI 정의
  • 인공지능을 뜻하며 인간의 지능을 모방하거나 강화하기 위한 컴퓨터 시스템 또는 프로그램.
  • 1956년 다트머스 회의에서 처음 사용됨.
  • 약 3,000년 전부터 인류의 상상력 속에 존재해옴.
    • 고대 그리스 신화의 크레타 섬을 지키는 헤파이 스토스 작품 "탈로스" 등장

   2. AI 발전 과정

• ① AI의 태동 (1차 붐)
  • 1950년, 영국의 수학자 앨런 튜링은 기계가 생각할 수 있다고 주장하며 '튜링 테스트'를 고안함.
    • 튜링테스트는 AI 개념을 최초로 제시한 연구로 꼽힘.
  •  1956년, AI 개념을 세상에 알린 '다트머스 회의'가 열림.
    • 기계가 인간처럼 학습하고 발전할 수 있는지에 대한 토론이 이루어짐
    • 인공지능이라는 용어가 처음 사용됨.
    • 인공신경망 모델에 관한 연구도 활발히 진행됨.
  • 1957년, 프랑크 로젠블랏은 '퍼셉트론' 모델을 통해 컴퓨터가 패턴을 인식하고 학습할 수 있다는 개념을 보여줌.
    • 1943년에 신경 생리학자 워렌 맥컬럭과 월터 피트가 신경세포의 상호작용을 간단한 계산 모델로 정리한 '신경망' 이론을 실제 테스트에 활용한 것.
  • 1969년, '퍼셉트론' 모델이 비선형 문제를 해결할 수 없다는 것이 밝혀짐.
  • AI 초기 연구 성과는 세간의 기대를 높였으나 컴퓨팅 성능, 논리 체계, 데이터 부족 등의 한계로 침체기에 들어섬.
• ② 전문가 시스템 발전 (2차 붐)
  • 1980년, 사람이 입력한 규칙을 기반으로 자동 판정을 내리는 '전문가 시스템 등장'
    • 의학, 법률, 유통 등 실용적인 분야에서 진단, 분류, 분석 등의 기능을 수행함.
    • 사람이 설정한 규칙에만 의존하여 동작하며 복잡한 협실 세계를 이해하는 능력을 갖추지는 못함.
    • 일시적으로 AI에 대한 관심을 다시 불러일으킴.
• ③ 머신러닝의 등장, 딥러닝의 성장 (3차 붐)
  • 1986년, 인공신경망을 여러 겹 쌓은 다층 퍼셉트론 이론
    • 제프리 힌튼은 '다층 퍼셉트론' 이론에 역전파 + 알고리즘을 적용하여 퍼셉트론의 기존 문제를 해결할 수 있음을 증명.
    • 그러나 신경망의 깊이(레이어가 많아지는 것)가 깊어질수록 학습 과정과 결과에 이상이 나타나는 문제가 발생.
  • 1990년, AI는 스스로 규칙을 찾아 학습하게 됨. '머신 러닝'
    • '머신 러닝(기계학습)' 알고리즘을 활용하면서 부터임. → 가능했던 이유: '디지털과 인터넷'이 등장했기 때문.
    • 웹에서 수집한 대량의 데이터를 활용할 수 있게 되면서 AI는 스스로 규칙을 학습하고 나아가 사람이 찾지 못하는 규칙까지 찾아낼 수 있게됨.
    • AI 연구는 머신러닝을 기반으로 다시 성과를 내기 시작함.
  • 2006년, 비지도 학습을 통해 각 층을 사전 훈련한 후 전체 네트워크를 미세 조정하는 방식의 심층 신뢰 신경망
    • 제프리 힌튼은 ‘A fast learning algorithm for deep belief nets’라는 논문을 통해 다층 퍼셉트론의 성능을 높인 '심층 신뢰 신경망'을 제시함.
    • 신경망의 학습 속도와 효율성을 크게 높임.
    • AI 기술을 대표하는 알고리즘인 '딥러닝'의 기초 개념을 정립
  • 2012년, 제프리 힌튼 팀의 '딥러닝' 기반의 모델인 알렉스넷의 이미지 인식 경진대회 ILSVRC 우승
    • 이미지 인식률 84.7% 기록 (전년도 우승팀의 오류율 25.8% → 16.4%까지 낮춤)
•   ④ AI 연구의 대세가 된 '딥러닝'이 2010년대부터 급속도로 성장하게 된 배경
  • GPU 그래픽처리장치를 비롯한 컴퓨터 시스템의 발전
    • CPU 중앙처리장치 < GPU (컴퓨터의 그래픽을 처리하기 위해 만들어진 것으로 유사하고 반복적인 연산을 병렬로 처리하여 훨씬 속도가 빠름)
    • GPGPU 기술이 등장: CPU 역할을 대산할 수 있게 보완, 인공신경망의 학습에도 적용되며 딥러닝 발전이 가속화.
    • 방대한 학습 데이터를 분석해 특성을 추출하는 딥러닝은 반복적인 계산이 필수이므로 GPU가 아주 적합.
  • 데이터의 증거
    
    • 과거의 데이터는 컴퓨터에 입력된 정보 수준에 그침. → 1990년대 이후 인터넷이 보급되고 검색 엔진이 발전하며 가공할 수 있는 데이터의 범위가 늘어남. → 2000년대 이후에는 스마트폰과 사물인터넷이 발전 "빅테이터 개념 등장"
    • 인공신경망 학습에는 대량에 데이터가 필요함. 많은 데이터를 학습한 딥러닝 알고리즘은 정교하게 구축됨. 데이터 패러다임의 변화는 딥러닝 기술 발전의 큰 기반.
  •  2016년, 전 세계에 AI 존재가 각인된 계기
    • 구글 딥마인드가 개발한 AI 알파고가 4승 1패로 바둑기사 이세돌 9단을 꺾으며 승리한 일화가 있음.
    • 알파고는 딥러닝 알고리즘과 강화학습 + 몬테카를로 트리 탐색 알고리즘을 결합해 탄생
    • 수만 번의 자가 대국을 진행하여 스스로 학습하고 인간의 직관을 모방하여 수를예측하고 전략까지 세운 것.
• ⑤ 생선형 AI의 혁명 (3차 붐)
  • 2017년 자연어 처리 모델 '트랜스포머'가 발표됨.
    • 데이터 간의 관계를 중요 변수로 고려
    • 특정 정보에 더 많은 '주의'를 기울여 데이터 사이의 복잡한 관계와 패턴까지 학습할 수 있음.
    • 중요한 정보를 포착해 이를 기반으로 더 나은 품질의 결과물을 생성
    • 언어 이해, 기계 번역, 대화형 시스템 등의 자연어 처리 작업에 혁신을 가져옴.
    • GPT, LLM 출현에 크게 영향을 미침.
  • 2018년 처음 출시된 GPT
    • 매년 매개변수와 학습 데이터를 사용해, 바른 속도로 성능을 개선해옴.
    • 2022년 GPT-3.5를 탑재한 대화형 인공지능 시스템 챗 GPT가 출시, AI 패러다임을 바꿔놓음.
    • 챗 GPT는 사용자와의 대화에서 맥락을 잘 이해하고 적절한 반응을 제시.
    • 답변할 수 있는 영역이 광범위, 출시 일주일 만에 사용자 수 100만 명 돌파. 두 달 만에 활성 이용자 수 1억명 넘김.
  • 2022년 말 생성형 오픈 AI 시대, LLM(거대 언어 모델) GPT 3.5 탑재한 챗 GPT 출시 
    • 인간의 고유 영역으로만 여겨지던 창작의 영역에 침투하여 다양한 포맷의 수준 높은 콘텐츠를 생성.
    • 사용자에 요구에 따라 LLM이나 다양한 이미지 생성 모형을 활용해 스스로 결과물을 생성하는 것이 특징. 
      • * LLM: 거대언어모델, 방대한 양의 데이터를 통해 얻은 지식을 기반으로 다양한 자연어 처리 작업을 수행하는 딥러닝 알고리즘.
    • 생성형 AI의 시작은 2014년 이안 굿펠로우가 발표한 'GANs 모델(생성적 적대 신경망)이다.
      • GANs는 두 신경망이 서로 경쟁하면서 학습하는 구조
      • 한 신경망은 실제 데이터와 구분하기 어려운 새로운 데이터를 생성하고 다른 신경망은 이를 실제 데이터와 비교하여 판별함. 이 과정을 반복 → 정교한 데이터 완성
      • 번형과 개선을 통해 현재까지 이미지 생성 및 변환 등 다양한 응용 분야에서 활발하게 사용됨.
  • 2023년 오픈 AI는 GPT-4 출시
    • GPT-3.5 보다 500배 더 큰 데이터 셋을 활용한 모델.
    • 텍스트를 넘어 이미지, 오디오, 비디오 등 다양한 입력 데이터를 동시에 처리
    • 데이터 포맷 역시 다양하게 사용하는 LMM(멀티 모달 모델)으로 진화
      • * LMM: 텍스트 뿐만 아니라 이미지, 오디오 등의 다양한 유형의 데이터를 처리할 수 있는 딥러닝 알고리즘 
  • 생성형 AI출시 이후 기업들은 다양한 생성형 AI 서비스를 출시하고 있음.
    
    • 구글의 제미나이(Gemini)와 이미지 내 특정 객체를 정확하게 인식하고 분리할 수있는 메타의 샘(SAM), 텍스트 프롬프트 기반으로 영상을 제작하는 오픈 AI으 소라(Sora) 등이 대표적.
    • 글로벌 시장 조사업체인 IDC 보고서: 2024년 생성형 AI 시장은 전년 대비 2.7배나 높은 401억 달러 규모로 성장할 전망. (AI 타임즈, 2023), 2027년에는 1,511억 달러 수준으로 성장할 것이라 예측
    • 앞으로 AI는 소프트웨어, 하드웨어, 인터넷 서비스 등 다양한 포맷에 도입될 것. 편의성 확장 ↑

 

 

2. AI와 화장품 산업의 융합

 

   1. AI가 화장품 산업에 미치는 영향

• 맞춤형 뷰티의 시대 (소비자 측면)
  • AI는 사용자의 피부타입, 수분량, 주름, 잡티 등을 정밀하게 분석하여 개인 맞춤형 솔루션을 제공함.
• AI와 화장품 연구개발 (R&D 측면)
  • 새로운 원료와 포뮬러를 AI가 스스로 학습해 개발.
  • AI가 피부 반응을 예측하여 실험을 줄이고 연구 비용 절감 효과를 가져옴.
  • 관능 평가를 AI기반으로 데이터화.
• AI와 소비자 마케팅 (소비자 경험 측면)
  • AI 챗봇이 24시간 고객의 피부 고민을 상담하고 최적의 제품을 추천
  • 증강 현실(AR) 및 가상 메이크업 시뮬레이션을 통해 온라인에서도 제품을 테스트하는 경험 기능
• AI와 화장품 기업 업무
  • 초상권이 없는 AI 모델을 통해 상세 페이지 및 광고 제작 가능.
  • Chat GPT를 통해 화장품 패키지 디자인도 가능.
  • AI가 회사 계정 인스타그램 및 썸네일 관리.

   2. 화장품 회사 AI 활용 전략 - 시간, 노동, 자본 절약

• 마케팅 전략 및 고객 분석
  • 고객 세분화: AI가 고객 데이터를 분석해 타깃 그룹을 세분화
  • 개인화 마케팅: 개개인의 관심사와 구매 패턴을 분석하여 맞춤형 콘텐츠 제공
  • VOC 분석: 리뷰, SNS 댓글 등을 분석하여 니즈 도출
• 광고 최적화
  • A/B 테스트 자동화 및 광고 문안 추천
    • * A/B 테스트:  웹 사이트, 앱, 마케팅 캠페인 등 다양한 디지털 환경에서 두 가지 이상의 버전을 비교하여 사용자의 반응을 측정하고, 어떤 버전이 더 효과적인지 결정하는 방법
  • 광고 성과 예측 및 예산 최적화
  • 타겟 소비자층 정밀 분석 추천 - 툴 Google Performance Max: AI가 광고 문안, 이미지, 타겟을 실시간 조합해 최적화
• AI 기반 상품 기획 및 트렌드 분석
  • 트렌드 분석을 통한 상품 기획 보조
  • 고객 피드백/리뷰 분석을 통한 제품 개선
  • 피부 진단 AI와 연계한 신제품 개발 제안
• AI 모델 활용을 통한 비용 절감