AI 리터러시는 이제 법률입니다. 스스로 위험을 감수하고 무시하세요

AI 리터러시를 위한 시계가 똑딱거리고 있습니다. 지금 왜 행동해야 할까요? AI 리터러시의 6가지 기둥은 무엇이고, 어떻게 그것을 기반으로 구축할 수 있을까요?

소개

2023년은 세계가 AI로 전환한 해였습니다. 또한 제가 Pragmatic AI 과정을 개발하기 시작한 해이기도 했습니다. 그 과정에서 저는 다른 사람을 가르치면서 우리 스스로도 배울 수 있다는 것을 다시 한 번 확인했습니다. 이 여정을 통해 AI, AI 리터러시, AI 과정, 실행 가능한 지식에 대해 배운 내용은 다음과 같습니다. 2025년 2월부터 AI 리터러시가 규제 요건이 되었기 때문에 지금이 행동할 때입니다.

처음으로 조직에 "AI를 가르쳐 달라"는 요청을 받았을 때, 요구 사항은 기대치만큼 모호했습니다. AI에 대한 열풍이 일었고, 혁신에 다소 주저하는 접근 방식을 가진 조직조차도 모든 사람이 이야기하는 내용에 발맞추지 않으면 뒤처질 위험이 있다고 느꼈습니다. 결론은 다음 과 같습니다.

AI에 대한 기술적 배경 지식이 전혀 없고 기술 자체를 사용한 경험도 매우 제한적인 사람들에게 이 복잡한 주제를 접근하기 쉽게 만들려면 어떻게 해야 할까요? 또한, AI에 대한 과장된 광고, 잘못된 정보, 허위 정보를 잔뜩 접한 사람들에게도 이 복잡한 주제를 어떻게 접근하기 쉽게 만들어야 할까요?

어떻게 하면 반나절 워크숍에서 오해를 해소하고, 핵심 개념을 설명하고, 사용 사례를 공유하고, 생각할 거리를 제공하고, 실습 기술을 가르쳐 모든 것을 접근하기 쉽고 소화하기 쉽고 균형 잡히고 재미있게 만들 수 있을까요?

그것은 저를 오래고 열심히 생각하게 만들었을 뿐만 아니라 올바른 자료를 찾고 준비하는 데 투자하게 만들었습니다. 많은 작업이었지만, 상호작용과 피드백이 그만한 가치가 있었습니다. 게다가, 이 연습은 제 지식을 발전시켰습니다. 저는 AI에 대한 제 접근 방식을 체계화하고, 청중이 공감할 수 있는 방식으로 표현하고, 실행 가능하게 만들어야 했습니다.

그 경우 실행 가능한 부분은 실제로 크게 진행되지 않았습니다. 우리는 GenAI 도구를 선택하고 사용하기 위한 기준과 기술로 제한했는데, 이는 대부분 사람들이 여전히 AI를 동일시하는 것입니다. 이 과정의 주요 목표는 추가 투자가 필요한지 평가하기에 충분한 배경 지식과 AI 노출을 얻는 것이었습니다. 임무 완수.

AI 리터러시를 위한 비즈니스 사례

저는 초기 Pragmatic AI 과정을 준비하고 전달하는 동안 AI Literacy에 대해 구체적으로 생각하지 않았고, 아마도 조직도 그렇지 않았을 것입니다. 우리는 일을 완수하는 데 집중했고, 이는 학습자에게 필요한 지식과 기술을 제공하는 것을 의미했습니다. 대부분의 사람들에게 AI Literacy라는 용어는 EU AI Act의 결과로 주목을 받기 시작했습니다 .

조직은 먼지가 가라앉고 요구 사항이 명확하게 정의되면 규정 준수에 대해 생각하기 시작하는 경향이 있습니다. EU AI법은 2023년에 그 지점에 도달하지 못했습니다 . EU AI법의 첫 번째 조항은 2025년 2월 2일에 발효되었으며, 그 중 하나는 AI 리터러시에 대한 법적 요구 사항입니다.

AI 법 제4조에서는 'AI 시스템 제공자와 배포자는 자사를 대신하여 AI 시스템을 운영하고 이용하는 직원 및 기타 인력의 AI 리터러시 수준을 최대한 확보하기 위한 조치를 취해야 한다. 이때 이들의 기술적 지식, 경험, 교육 및 훈련과 AI 시스템이 사용될 맥락, 그리고 AI 시스템이 사용될 개인 또는 집단을 고려해야 한다'고 명시하고 있다.

이 요구 사항을 충족하기 위해 'AI 리터러시'란 공급자, 배포자 및 영향을 받는 사람들이 AI법의 맥락에서 각자의 권리와 의무를 고려하여 AI 시스템을 정보에 입각하여 배포하고 AI의 기회와 위험, 그리고 AI가 일으킬 수 있는 가능한 피해에 대한 인식을 얻는 데 필요한 기술, 지식 및 이해를 의미합니다(제3조 56항).

어떻게 보느냐에 따라 유연하거나 모호하게 들릴 수 있습니다. 요점은 첫째, AI 시스템을 구축하거나 배포하는 모든 조직은 직원을 위한 AI 리터러시를 보장해야 하며 둘째, AI 리터러시가 정확히 무엇인지는 맥락에 따라 달라집니다. EU AI법의 위임은 아직 직접 시행할 수 없을 수 있지만, 시간이 흐르고 있으며 구현 일정보다 앞서 나가는 것이 가장 좋습니다.

82%의 리더는 직원들이 AI 발전에 대비하기 위해 새로운 역량이 필요하다는 것을 인정하는 반면, 60%의 근로자는 업무를 효과적으로 수행할 기술이 부족하다고 인정합니다. Gartner 에 따르면, "2027년까지 최고 데이터 및 분석 책임자(CDAO)의 절반 이상이 데이터 리터러시 및 AI 리터러시 프로그램에 대한 자금을 확보할 것입니다."

AI 리터러시의 6가지 기둥

AI 리터러시에 대한 확실한 틀을 찾고 있다면 문헌을 검토하는 것이 합리적입니다. Almatrafi et.al은 2019년과 2023년 사이에 발표된 AI 리터러시 개념화, 구성, 구현 및 평가 노력을 연구했습니다. 그들이 언급했듯이 도메인이나 구현 수준에 따라 AI 리터러시에 대한 다양한 정의가 있습니다.

정의는 다양하지만 AI 문해력 검토에서는 총 47개 기사를 통해 AI 문해력의 6가지 핵심 구성요소를 확인했습니다. 즉, 인식, 지식 및 이해, 사용 및 적용, 평가, 창조, 윤리적 탐색입니다.

인식 및 이해

인식은 AI를 활용하는 기술 도구와 그렇지 않은 기술 도구를 구별하는 능력을 말합니다. 이는 "AI란 무엇인가?"라는 질문으로 귀결됩니다.

알고 이해한다는 것은 AI의 기본 개념과 기술을 이해하는 능력을 말합니다. 여기에는 사전 지식이 필요하지 않은 기본 기술, 지식 및 개념을 습득하는 것이 포함됩니다. 예를 들어, AI가 기계 학습 기술을 통해 입력 데이터를 처리하여 출력에 도달하는 방법을 이해하는 것입니다.

응용 프로그램 및 구현

사용 및 적용 . 이 구성은 운영 측면, 특히 AI 애플리케이션 및 도구를 사용하는 능력과 AI 개념을 적용하고 통합하여 작업을 수행하는 능력에 초점을 맞춥니다. 이는 또한 인간-AI 협업 및 상호 작용에서 인간의 역할, 업무 관련 역량, 목표를 달성하기 위해 AI 도구를 적용하는 능력과 관련이 있습니다.

평가 및 윤리

평가 . 여기에는 AI 애플리케이션의 결과를 비판적으로 분석하고 해석하는 능력이 포함됩니다. AI의 기술적 측면에 대한 포괄적인 이해를 통해 개인은 AI 기술과의 상호 작용에 대한 정보에 입각한 의견을 조사하고 형성할 수 있습니다.

윤리적으로 항해하세요 . AI에 정통한 사람은 공정성, 책임성, 투명성, 윤리, 안전, 프라이버시, 고용, 잘못된 정보, 윤리적 의사 결정, 다양성, 편견과 같은 윤리적 문제를 이해하고 판단할 수 있어야 합니다.

개발 및 창조

Create . 이 구성 요소는 개인의 AI 애플리케이션을 설계하고 코딩하는 능력을 강조합니다. 일부 연구자들은 "create"가 AI Literacy와 상관관계가 없으므로 AI Literacy와 관련된 별도의 구성 요소로 간주되어야 한다고 주장합니다. 하지만 이 지점은 연구 결과와 현장 경험이 증명하듯이 실제로 가장 중요한 지점입니다.

실습 학습이 AI 이해를 어떻게 변화시키는가

다양한 교육 이니셔티브를 검토한 결과, AI Literacy 검토에서 AI에 대한 몇 가지 주요 결과가 나타났습니다. 두드러지는 것은 프로젝트 기반 학습과 응용 프로그램 개발의 효과입니다. 이 접근 방식은 AI Literacy의 다른 차원, 즉 AI 응용 프로그램 이해, 평가 및 윤리에 상당한 긍정적인 영향을 미쳤습니다. 이는 가장 중요합니다.

Pragmatic AI 과정 의 초기 성공을 바탕으로, 저는 더 많은 조직에 전달해 달라는 요청을 받았습니다. 이 과정은 다양한 배경, 목표, 타임라인을 가진 학습자들이 전달하고 평가했습니다. 기업에서 NGO까지, 4시간에서 4일까지, 관리자에서 변호사, 크리에이티브, 기업가, 지원 인력, 컨설턴트, 임원까지 다양했습니다.

맥락과 설정에 관계없이, 두 가지 요점은 내 경험에서 일관되게 나타났고 모든 평가에 나타났습니다. 첫째, 학습자들이 과정의 실습 부분에 대해 보인 감사. 둘째, 실습 부분을 더 많이 포함하라는 요청. 실습 노출이 AI 리터러시를 발전시키는 방식에 대해 공유할 수 있는 일화가 많이 있습니다.

학습자들에게 코드 없는 도구를 사용하여 이미지 분류를 위한 자체 AI 모델을 만들라는 요청을 받았던 때를 생각해 보겠습니다. 많은 사람이 데이터 세트에 액세스하고 평가하는 데 어려움을 겪고 있었지만, 기술적으로 가장 진보된 학습자 중 한 명은 데이터 세트의 하위 집합에서 도구를 사용할 수 있었습니다.

학습자는 자신의 머신에서 학습 과정이 얼마나 느린지, 그리고 데이터 세트가 얼마나 큰지 보고 제안을 내놓았습니다. 데이터 세트를 학생들 사이에 나눌 수 있다면 어떨까요? 한 학생은 A 클래스 이미지를 처리하여 모델을 학습시키고, 다른 학생은 B 클래스 이미지를 학습시키는 식으로 말입니다. 그러면 어떻게 하면 여러 모델이 나올지 논의하고 연습을 완료하는 방법을 알아내는 것은 매우 귀중한 교훈이었습니다.

AI 이해에서 AI 구축까지

프로젝트 기반 학습 접근 방식의 중요성을 분명히 강조하는 연구 결과가 있으므로 이것이 AI 리터러시 프로그램의 핵심이 될 것으로 기대할 수 있습니다. 그러나 이는 사실과 거리가 멉니다. AI 리터러시 검토에서 연구된 대부분의 노력은 "알고 이해하기"에 집중했습니다. 그 다음으로 "사용하고 적용하기", "평가하기", "윤리적으로 탐색하기"가 있었고 그 다음으로 "인식하기", 마지막으로 "창조하기"가 있었습니다.

경험은 이러한 연구 결과를 확인합니다. 지난 몇 달 동안 저는 최고의 온라인 교육 플랫폼에 대한 접근을 무장하고 탐험의 여정을 시작했습니다. 목표는 AI 교육 프로그램 측면에서 무엇이 있는지 조사하고 평가하는 것이었습니다. AI Literacy 리뷰와는 범위와 맥락이 다르지만 일부 겹치는 결론이 있습니다.

AI Literacy 리뷰에는 다양한 대상을 겨냥한 교육이 포함되어 있지만, 제가 살펴본 것은 전문가만을 겨냥한 수많은 온라인 교육 과정이었습니다. 과정은 초급에서 고급까지 다양했습니다. 여기서 제가 발견한 것은 극명한 양극화였습니다.

기술적 배경이 없는 사용자를 대상으로 하는 과정은 대부분 "X에 ChatGPT 사용"의 변형이었습니다. 기술적 사용자를 대상으로 하는 과정은 대부분 "Python에서 Y 소개"의 변형이었습니다. 일부 기술적 과정은 꽤 좋았습니다. 대부분의 비기술적 과정은 별로 좋지 않은 것부터 완전히 오해의 소지가 있는 것까지 다양했습니다.

제 연구에서 가장 눈에 띄는 발견은 비기술 사용자는 대규모 언어 모델을 촉구하는 것 외에는 아무것도 직접 할 수 없다고 여겨진다는 사실이었습니다. 그러나 제 경험은 그렇지 않다는 것을 보여줍니다. 비즈니스 사용자에게 Python으로 코딩하는 법을 가르치려는 것은 말이 되지 않을 수 있지만, 직관적이고 유용한 기본 사항을 연습하도록 하는 방법은 있습니다.

이는 또한 AI Literacy 검토의 주요 발견 사항이었습니다. 프로그래밍 지식은 AI 개념을 배우는 데 필수 조건은 아닌 것으로 보입니다. 3살짜리 어린이도 AI 개념을 이해할 수 있습니다. 누군가가 코딩을 할 수 없다고 해서 생각할 수 없다는 것은 아닙니다.

현재 AI 훈련이 기업 리더에게 실패하는 이유

AI 프로젝트 구현이 증가함에 따라 노련한 전문가조차도 AI를 관리하고 적용하기 위해 AI 개발의 뉘앙스에 다시 적응해야 합니다. 임원, 관리자 및 컨설턴트는 특별한 관심 대상 인구통계로, AI 기본 사항을 이해하는 것 이상을 요구하는 수요가 증가하고 있음을 보여줍니다. 기업가와 크리에이티브는 생산성을 높이기 위해 AI를 채택하고 있습니다.

배우는 가장 좋은 방법은 실천하는 것이고, 이는 모든 인구통계에 대한 지침 원칙이어야 합니다. AI에 대한 심층적인 이해를 개발하려면 다양한 유형의 데이터, 분석, 데이터 과학, 데이터 관리 및 거버넌스 관행과 도구를 이해하고 탐구해야 합니다. 이러한 내용은 전문가를 위한 AI 교육 과정에서 완전히 누락되었거나 별도의 과정에서 부분적으로 다루어집니다.

교육 과정에서 Generative AI가 거의 절대적으로 우세하다는 것도 인상적입니다. 제가 검토한 과정 중 10%도 안 되는 과정에 GenAI가 아닌 접근 방식에 초점을 맞춘 모듈이 포함되었습니다. 머신 러닝이 아닌 접근 방식은 문자 그대로 존재하지 않았습니다. AI에는 이보다 더 많은 것이 있습니다.

코더와 비코더 모두에게 대부분의 과정은 한 가지 공통점을 가지고 있었습니다. 특정 솔루션, 특히 ChatGPT와 OpenAI API에 대한 과도한 의존이었습니다. 이는 어느 정도 이해할 만하지만 반드시 현명한 것은 아닙니다.

구현과 실습에는 특정 솔루션을 사용해야 하며, ChatGPT와 OpenAI API는 아마도 대부분의 사람들이 알아볼 만한 것입니다. 하지만 여러 가지 이유로 교육 과정에 가장 적합한 선택은 아닙니다. 적어도 코더에게는 일부 과정에서 사용되는 대안과 추상화 계층이 있는데, 예를 들어 제네릭 Python, PyTorch, Keras가 있습니다.

이 광범위한 과정을 검토한 결과 귀중한 통찰력을 얻을 수 있었습니다. 일부 과정은 주제를 설명하는 설명 비디오와 함께 신중하게 설계되었습니다. 다른 과정은 단순히 일반 텍스트 문서에 대한 액세스를 제공했습니다. 일부 과정은 교과 과정에 연습 문제(일반적으로 객관식 시험)가 내장되어 있습니다. 많은 코더 지향 과정에는 학습자가 특정 작업을 완료하도록 요청하는 랩 모듈도 포함됩니다.

그러나 어떤 과정도 가장 역동적이고 창의적인 전문 인구 통계의 요구에 맞춰진 전체적인 접근 방식은 제공하지 않습니다. 입문 수준의 레시피, 단편적인 조각, 기술 전문 용어를 넘어서는 접근 방식입니다.

모두 하나로 모으기

AI 리터러시 리뷰의 결과와 AI 프로젝트 개발 및 관리, AI 과정 리뷰 및 수강을 통해 얻은 아이디어와 경험, Pragmatic AI 워크숍에서 얻은 피드백을 결합하면 학습자의 요구를 충족하는 전체적인 과정을 위한 튼튼한 기반이 마련됩니다.

이 기사의 후속 기사에서는 AI 리터러시에 대해 더 자세히 설명하고 이를 개발하기 위한 실행 가능한 계획을 다음과 같이 공유합니다.

• 기술 평가 프레임워크 제공
• 팀 개발 전략 개요
• 전체적인 AI 리터러시 프로그램 세부화
• 성공 사례 공유

Orchestrate all the Things 뉴스레터를 구독하고 놓치지 마세요!

곧, 사상 처음으로 오픈된 현장 Pragmatic AI 코스의 전체 프로그램이 공개됩니다. 2025년 AI Literacy 교육을 확보하세요. 지금 사전 등록하여 이 동급 최고의 AI Literacy 프로그램에 우선적으로 액세스하세요. 좌석이 제한되어 있습니다.