비전언어모델 AI 융합의 진화

비전언어모델의 통합 기술

비전언어모델(VLMs)은 인공지능의 발전된 분야로, 컴퓨터 비전과 자연어 처리를 통합하여 다중 모달 데이터를 처리하는 기술을 제공합니다. 이 기술은 의료 영상, 자동화 시스템, 디지털 콘텐츠 분석 등 다양한 분야에서 활용되며, 시각적 및 텍스트 데이터 간의 격차를 해소하는 역할을 하고 있습니다.

이러한 통합은 인간의 인식과 유사한 방식으로 데이터를 처리하게 해줍니다.
VLMs는 컴퓨터가 이미지에서 텍스트를 이해하고 생성할 수 있게 함으로써 상호작용을 혁신하고 있습니다.

VLMs의 안전성 문제

VLMs 개발의 주요 과제 중 하나는 출력의 안전성을 보장하는 것입니다. 시각적 입력은 종종 악의적이거나 안전하지 않은 정보를 포함할 수 있으며, 이는 모델의 방어 메커니즘을 회피할 수 있습니다. 텍스트적 대응책은 보호 기능을 제공하지만, 시각적 모달리티는 연속적 특성 때문에 여전히 취약합니다.

악의적인 시각적 입력은 모델이 인식 오류를 일으키게 할 수 있습니다.
이러한 위험은 AI가 의도치 않게 잘못된 정보를 보강할 수 있는 가능성을 만듭니다.

현재의 VLM 안전 접근법

현재 VLM 안전을 위한 접근 방식으로는 주로 세밀 조정과 추론 기반 방어가 사용됩니다. 세밀 조정은 감독 학습 및 인간 피드백을 통한 강화 학습을 포함하지만, 많은 자원과 계산력을 필요로 합니다. 반면, 추론 기반 방식은 주로 텍스트 입력에 집중되어 있어 시각적 콘텐츠의 안전 문제를 간과하고 있습니다.

이러한 방법은 주로 인공지능 모델의 신뢰성을 높이기 위한 방안으로 개발되었습니다.
실제 구현에서는 과도한 자원 소모와 안전성 간의 균형을 맞추는 것이 관건입니다.

Purdue 대학의 새로운 프레임워크: ETA

Purdue 대학의 연구진은 이러한 문제를 해결하기 위해 ‘평가 후 정렬'(ETA) 프레임워크를 제안했습니다. ETA는 추가 데이터나 세밀 조정 없이 VLM의 안전성을 보장하는 새로운 추론 방법입니다. 이 프레임워크는 다중 모달 평가와 이중 정렬을 통해 두 단계로 안전 메커니즘을 분리합니다.

ETA는 기존의 복잡한 학습 과정을 대체할 수 있어 자원 절약적입니다.
연구진은 이 프레임워크가 VLMs의 신뢰도를 현저히 개선할 것으로 기대합니다.

ETA 프레임워크의 작동 방식

ETA 프레임워크는 사전 생성 평가와 사후 생성 평가의 두 단계로 작동합니다. 사전 생성 평가에서는 CLIP 점수를 사용하여 시각적 입력의 안전성을 점검하고, 유해한 콘텐츠를 걸러냅니다. 사후 생성 평가에서는 보상 모델을 사용해 텍스트 출력의 안전성을 평가하고, 안전하지 않은 경우 두 가지 정렬 전략을 적용합니다.

CLIP 모델은 시각적 입력과 텍스트 레이블 간의 일치성을 평가하는데 사용됩니다.
보상 모델은 텍스트 출력이 예상된 안전 기준을 충족하는지 확인합니다.

ETA 프레임워크의 성능 평가

연구진은 다양한 벤치마크를 통해 ETA의 성능을 광범위하게 테스트했습니다. 이 프레임워크는 교차 모달 공격에서 비안전 응답률을 87.5% 감소시켰으며, 기존 방법보다 현저히 향상된 결과를 보였습니다. 또한 ETA는 GPT-4 평가에서 유용성을 유지하면서 안전성을 향상시켰습니다.