[ Essay - Technology ] 바이브 코딩의 허와 실

이미지
지금 우리는 가히 AI 시대라는 패러다임의 전환에 시대에 살고 있다고 해도 과언이 아니다. 특히, IT 업계에서 대다수의 작업량을 차지하는 프로그래밍의 영역에서 생성 AI를 이용한 생산성 향상의 가능성이 보이면서 어느 분야보다 가장 빠르게 괄목적인 성과를 이루고 있는듯 하다. 고작 몇 년전에는 커서에 의해 프로그래밍을 AI에게 프로그래밍을 위임하는 것이 더 나을 수 있다는 것이 어느정도 증명되면서, 작년에는 Claude Code의 영향으로 인해 이러한 이슈가 좀 더 가속화되지 않았나 싶다. 이러한 굉장히 빠르게 이루어지고 있는 생성형 AI 솔루션의 발달은 개발자의 종말론을 더더욱 부각시키면서 업계 전반이 큰 변화를 겪고 있는 것으로 보인다. 특히 이러한 변화 속에서 “프로그래밍을 몰라도 생성형 AI만 있으면 제품을 만들 수 있다”는  주장도 자연스럽게 힘을 얻고 있다. 최근에는 Saas 솔루션은 종말할 것이라는 다소 파격적인 이야기도 들리는 것으로 보면 소프트웨어 업계가 큰 격변의 시기가 온것임에는 틀림 없어 보인다. 허(虛): 빠르게 만들 수 있다는 환상 이런 상황에서 가장 주목받는 주장들은 서론에서 언급했다시피 ‘프로그래밍을 알지 못한다고 하더라도  생성형AI를 이용하면 빠르게 제품을 개발이 가능하다’라는 주장이고, 실제로 이는 어느 정도 타당성이 있어 보인다. 정말로 움직이는 결과물을 단 몇초 만에 보여주기 때문이다. 하지만, 이러한 ‘빠르게 제품 개발 가능하다’는 주장의 가장 큰 맹점이 있는데 개발자의 존재 이유가 단순한 제품이나 기능개발에 있지 않다는 점이다. 만약, AI를 통해 그럴듯 한 솔루션을 만들었다고 치자. 이것에 얼마만큼의 비지니스성과 지속가능성이 있을까? 예컨대 AI에게 넷플릭스나 트위터, 인스타그램과 같은 페이지를 만들어달라고 요청한다면, 아마 실제로 그럴듯 하게 만들어 줄 것 이다. 이러한 인기 서비스들은 토이 프로젝트로 다루기 쉽고, 하나의 트렌드로 자리 잡아 관련 자료를 찾기도 어렵지 않다. 코드 또한 깃허브에 충분...

[ Math, Computer Science, Machine Learning, NN ]교차 엔트로피(Cross Entropy)에 대해 : 뉴런 네트워크와 교차 엔트로피


이전 포스팅에서 엔트로피와 교차 엔트로피에 대한 이야기를 마무리지었고,

예측된 확률 분포와 실제 확률 분포가 같을 때
교차 엔트로피와 엔트로피의 값이 같아진다는 결론을 내렸다.

그렇다면, 실제로 뉴런 네트워크에서 사용하는 교차 엔트로피와
이전 포스팅에서 이야기했던 엔트로피에 대한 이야기를 해보자.

뉴런 네트워크의 교차 엔트로피


그렇다면 뉴런 네트워크의 교차 엔트로피는 무엇일까?

왜냐하면 이전 포스팅에서 다룬 교차 엔트로피는
엄밀히 말하면 정보통신쪽의 교차 엔트로피이기 때문이다.

물론 결론적으로 교차 엔트로피는 
손실 함수에서 사용되고 있기 때문에 
따로 논하지 않아도 비슷하다는 것은 추측이 가능하다.

재미있게도 정보 통신의 교차 엔트로피와 
뉴런 네트워크의 교차 엔트로피가 차이 점은 
일반적으로 로그 밑의 상수가 다르다.

통신은 비트로 이루어지기 때문에 0과1이며 이에 따라 
밑 상수가 2가 되지만, 뉴런 네트워크는 일반적으로 그렇지 않다.

뉴런 네트워크에서는 비트를 나타내는 2가 아닌 
밑 상수가 오일러 상수인 자연 로그를 사용 한다.

따라서 일반적인 뉴런 네트워크에서의 교차 엔트로피 방정식은 
아래와 같은 수식으로 나타낼 수 있을 것이다.

뉴런 네트워크의 교차 엔트로피 방정식

그렇다면, 여기서 더 나아간다면 
한 가지 의문점이 들 수 있을 것 이다.

왜 굳이 자연 로그를 사용하는 의문이다.

왜냐하면, 자연 로그를 사용하던, 밑이 2인 로그를 사용하던 
계산은 문제 없이 산출 가능하고, 산출된 값이 틀린 것도 아니기 때문이다.

이에 대해 정확한 정보를 찾을 수는 없었기 때문에
확실하지는 않지만 아래와 같은 정보는 찾을 수 있었다.[1] 

① 단위의 차이일 뿐이며, 
경우에 따라서 밑 상수가 2인 로그가 빠를 수 있다.
(km/h와m/s의 차이 정도)

② 비용이 많이 부분은 교차 엔트로피의 계산이
아니기 때문에 크게 신경 쓸 부분은 아니다.

물론 일반적인 경우에는 
오일러 상수 쪽이 미세하게 빠를 수 있다고 한다.

또한 밑 수를 2나 오일러 상수 가 아니더라도 
어떻게 하던 크게 상관 없다고 한다.

내가 생각하기에는 아마 해당 학계의 관습인 것 같으므로
이에 대해서는 이 이상 파고들 필요가 없을 것이라 생각된다.

특별히 이유 없이 사용되는 것이 있다면,
대부분 학계 관습이 였기 때문이다.

뉴런 네트워크의 교차 엔트로피에 대한 이해


그렇다면, 어째서 뉴런 네트워크에서
이 교차 엔트로피를 그대로 사용할 수 있게 되었을까?

왜냐하면 해당 패턴의 데이터가 무엇을 가르키는지는 
가지고 있는 데이터에서 이미 알고 있기 때문이다.

이전 포스팅의 수식을 본다면 조금 이해가 빠를 것이라 생각 된다.

뉴런 네트워크의 교차 엔트로피 방정식


즉, 위의 방정식으로 설명하자면 
순 방향 전파를 통해 각 노드에 대한 예측 값을 산출하는 것이 q이며,
가지고 있는 확실한 데이터는 p의 값이 되기 때문이다.

따라서 주어진 조건이 같기 때문에 
뉴런 네트워크에서 사용 할 수 있게 되었다고 생각 한다.

우연은 아니리라 생각 된다.

교차 엔트로피에서 필요한 입력 값은 확률 분포로 된 예측 값과 실제 값이다.

예측된 값은 순방향 전파에서 산출되며,
실제 값은 현실의 수 많은 데이터가 제공해주기 때문에
교차 엔트로피를 뉴런 네트워크에서 사용할 수 있다고 생각하고 있다.

뉴런 네트워크 아키텍처의 예


위의 화면과 같이 고양이 사진을 
뉴런 네트워크에 입력 층으로서 넣었다고 가정해보자.

또한 이 뉴런 네트워크는 활성화 함수로 
정규화를 통해 각 확률 분포의 합이 1이 되게 하는 소프트 맥스를 사용하고 있다고 해보자.

그렇다고 했을 때, 
출력 층에 합이 0.5 0.2 0.2 0.1 값이 산출될 수 있을 것이며
아니더라도 합이 1인 값들이 확률 분포로 나타날 것이다.

그 경우 아래와 같이 표현할 수 있을 것이다.


입력 레이어와 히든 레이어로부터 나온 출력 층의 분포는 
방정식의 예측된 분포 p가 되고

훈련 데이터로부터 얻은 실제 분포는
방정식의 실제 분포 q가 된다.

결국 뉴런 네트워크는 예측된 분포와 실제 분포를 가지고 있기 때문에
정보통신의 엔트로피에 대한 개념을 가져다 쓸 수 있는 것이다.

마치며

몇 개의 포스팅에 거쳐 
엔트로피와 교차 엔트로피에 대해 살펴봤다.

조금은 직감을 얻었길 바란다.

생각하면 생각할 수록 교차 엔트로피는 
뉴런 네트워크를 위한 개념인 것 처럼 보인다.

물론 정보통신의 개념이지만, 
뉴런 네트워크에 활용할 수 있다는 사실이 흥미 롭다.

이제 정말로 2가지의 손실 함수를 구현해 보자.











이 블로그의 인기 게시물

[ Web ] 서버 사이드(Sever Side) ? 클라이언트 사이드(Client Side)? 1 [서론, 클라이언트 사이드(Client Side)]

[ Web ] 웹 애플리케이션 아키텍처 (Web Application Architecture)

[ Web ] 웹 애플리케이션 서버 아키텍처의 정의 및 유형 ( Define and Types of Web Application Server Architecture )