[한국공공정책신문=김유리 기자] GAN(Generative Adversarial Network)은 두 개의 신경망이 서로 경쟁하면서 학습을 진행하는 구조이다. 이 기술은 리얼한 화상 생성이나 스타일 변환 등, 크리에이티브한 영역에서 혁신적인 성과를 가져오고 있다. GAN은 AI 중에서도 특히 주목받고 있는 기술로 이미지나 음성 등의 새로운 데이터를 생성하는 데 사용된다.
◇ GAN의 기본 개념
GAN(Generative Adversarial Network)은 생성모델과 식별모델의 2개의 네트워크가 대항하면서 학습하는 구조이다. 생성모델(Generator)은 새로운 데이터를 생성하고 식별모델(Discriminator)은 그것이 진짜인지 가짜인지 판별한다. 이 두 네트워크가 서로 경쟁함으로써 생성모델은 보다 사실적인 데이터를 작성하게 된다.
◇ GAN의 구조
① 생성모델(Generator)이다. 생성모델은 새로운 데이터를 생성하는 역할을 담당한다. 사진을 생성하는 경우 생성모델은 노이즈에서 사실적인 이미지를 만들어 내려고 한다. 생성모델은 ‘AI가 원래 화상을 학습해, 그 데이터의 특징을 가진 새로운 데이터를 생성하는 모델’을 말한다. 예컨대, AI에 있는 일러스트레이터(illustrator)의 이미지를 훈련 데이터로 주어 이미지 특징을 학습시키면 학습 후 AI는 그 일러스트레이터 특징을 가진 일러스트를 생성할 수 있게 된다.
② 식별모델(Discriminator)이다. 식별모델은 생성된 데이터가 진짜인지 가짜인지를 판단한다. 생성모델이 만든 이미지가 실제 사진과 얼마나 가까운지 평가한다. 식별모델은 분류나 회귀에 사용되는 기계학습 기법 중 하나이다. 주로 주어진 데이터를 선으로 분할하여 학습함으로써 데이터를 반으로 나누어 각 반에 포함될 확률을 모델로 한 것이 된다.
③ 적대적 학습(Adversarial Training)이다. 생성모델과 식별모델은 대항적으로 학습을 진행한다. 생성모델은 식별모델을 속이기 위해 데이터의 질을 향상시키고, 식별모델은 생성모델이 작성한 데이터를 간파하기 위해 정확도를 높인다. 이 대항하는 학습이 사실적인 데이터 생성을 가능하게 한다. 적대적 학습은 AI 학습 시 일반 학습데이터에 적대적 샘플을 추가하고 적대적 샘플의 특징을 학습함으로써 적대적 샘플에 의한 오분류를 억제한다. 적대적 학습은 적대적 샘플에 대한 방어의 한 방법이다.
◇ GAN의 응용사례
① 영상 생성이다. GAN은 사실적인 이미지를 생성하기 위해 널리 사용되고 있다. 가공인물의 얼굴을 생성하거나 오래된 사진을 복구할 수 있다.
② 음성 합성이다. GAN은 음성 생성에도 이용된다. 음성 합성 기술을 사용하여 특정 목소리 특징을 가진 새로운 음성을 만들 수 있다.
③ 예술의 창조다. GAN은 아트(art)의 세계에서도 활용되고 있다. AI가 생성한 아트 작품이 전시되기도 하고, 예술가의 스타일을 모방하는 작품이 만들어지기도 한다.
④ GAN의 미래다. GAN의 기술은 빠르게 진화하고 있으며, 앞으로 더 많은 분야에서 응용이 기대되고 있다. 보다 고품질의 이미지 생성, 창조적인 콘텐츠 생성, 나아가 의료 이미지 분석 등 다양한 가능성이 있다.
이규철 / 법학박사(상법)
∙ ‘100세대학TV’ 크리에이터 및 전문강사
∙ AI·GPT, SDGs&ESG코칭 및 전문강사
∙ 생성AI와 챗GPT, SDGs·ESG경영전략,
글로벌 MBAtoCEO, 리더의 필승전략,
100세대학 행복디자인 매뉴얼 등 27권
∙ 일본(와세다대),중국(복단대·화동정법대)
){kind=small}
){kind=small}
){kind=small}
){kind=small}
