Goooooood

Ⅰ. 머신러닝 모델 개발 자동화, AutoML의 개요가. AutoML 개념- 머신러닝 모델을 학습하고 배포하는 과정을 자동화하여 필요한 인력, 비용, 시간을 줄이고 최적의 성능을 찾아내는 프로세스 나. AutoML 등장배경1. 머신러닝 생선성 강화 필요: AI 플랫폼 기반 머신러닝 파이프라인 서비스 생산성 강화2. 도메인 전문가 부족: 알고리즘 개선에 필요한 도메인 전문가 부족3. 전이학습 기반 한계: 학습 모델 재사용에 따른 오류 방지 Ⅱ. AutoML 구성 및 구성요소가. AutoML 구성도- 데이터 특징 추출, 하이퍼파라미터 최적화, 신경망 아키텍처 탐색 프로세스 자동화 나. AutoML 구성요소별 주요기법구성요소주요 기법설명하이퍼파라미터최적화- 그리드 탐색- 랜덤 탐색- 베이지안 탐색- 학습률, ..

Ⅰ. 지식 이전을 통한 학습, 전이학습의 개념- 기존의 학습된 모델과 비슷한 유형의 다른 모델로 학습된 결과를 옮겨서 부족한 데이터나 학습 시간을 보완하는 머신러닝 기법 Ⅱ. 전이학습의 유형구분유형설명적용 범위과업 전이- 영상인식에서 음성인식으로 Task 변경- Feature extraction:  기존 학습모델의 일부 계층 재사용- Fine Tuning: 기존 학습모델 전체 또는 일부 재학습도메인 전이- 영불번역기를 영한번역기로 전이하는 것 처럼 데이터 확률분포가 다른 경우데이터셋 레이블 여부귀납- Multi-task: 하나의 학습데이터로 여러가지 분류 문제 처리- Self-taught: 원본 데이터 Labeled 변환변형- source data의 label 이용하여 target data에 맞도록 학습..

Ⅰ. 설명 가능한 인공지능, XAI의 개요가. XAI의 개념- 인공지능 모델의 최종 결과물에 대해서 추론 과정과 원인에 대한 설명이 가능하도록 하여 사용자가 쉽게 이해할 수 있도록 하는 인공지능 기술 나. XAI의 등장 배경인공지능 영향력 확산- 국가의 경제성장 기여- 금융, 교통, 교육 등 전 분야 의사결정 지원인공지능 역기능 사례 증가- 블랙박스 모델에 의한 결과 해석 불가XAI로 문제 해결- 의사결정 투명성 확보- 공정성, 신뢰성 보장 Ⅱ. XAI 구현 기술구분세부 기술설명기존 학습모델변경 기술역 합성곱 신경망- 기존 학습 모델에 역산 과정 추가 및 수정추론 및 시각화- 합성곱 신경망의 학습 과정 역산으로 결과 영향 요소 추론 및 시각화새로운 학습모델기술확률적 AND-OR 그래프- 원인, 결과 도출..

Ⅰ. 기존에 없던 답도 추론하는 초거대 AI의 개념- 사람의 뇌 구조를 모방해 방대한 자료를 스스로 학습하고 문제에 대한 답을 추론하는 수천억개 이상의 매개변수를 학습시킨 AI 모델  Ⅱ. 초거대 AI의 주요 구성요소구분구성 요소설명기술 측면알고리즘- 문제 해결을 위한 추론과 학습 능력컴퓨팅 파워- 방대한 양의 데이터 연산을 위한 컴퓨팅 파워데이터- 성능 향상을 위한 다양한 형태의 대규모 학습 데이터활용 측명보편적 지능- 인간 수준의 인지, 사고 능력 학습안정성- 사람이 제어할 수 있는 환경에서 신뢰성 있는 답 도출윤리기준- 인간 사회 가치, 윤리와의 부합성 등 Ⅲ. 주요 초거대 AI 기술기업모델설명OpenAIGPT - 3.5- 약 1750억개 파라미터- 텍스트 입력에 추론 언어 모델GPT - 4- 텍스..

Ⅰ. Hallucination 통제, RAG의 정의- 대큐모 언어 모델의 출력을 최적화하여 응답을 생성하기 전 외부 지식 베이스를 참조하여 LLM 모델의 정확성과 신뢰성 향상시키는 프로세스 Ⅱ. RAG의 개념도 및 절차가. RAG의 개념도 나. RAG의 절차구분절차설명검색 단계질문 임베딩- 사용자 입력 값 벡터 임베딩- 데이터 검색을 위해 자연어를 벡터로 표현유사성 검색- 지식 베이스에서 유사한 데이터 검색- 유사성이 높은 문서 목록 생성관련도 순위 결정- 가장 관련 높은 문서 순위 조정- 메타데이터 필터링으로 관련 없는 정보 제외생성 단계추론- 검색된 내용과 사용자 질문 바탕으로 프롬프트 구성프롬프트엔지니어링- 언어 모델이 검색된 정보 기반으로 질문에 답변할 수 있게 함응답 생성- 생성된 텍스트 문법 ..

Ⅰ. sLLM 모델의 개요가. sLLM 모델의 개념 및 특징개념- LLM 모델의 컴퓨팅 파워 문제, 특정 산업 특화 한계 보완위해 파라미터 수를 대폭 줄인 비교적 크기가 작은 언어 모델특징- 100억개 이하 파라미터- 기존 LLM 모델 대비 작은 규모의 파라미터 학습- Fine Tuning- Fine Tuning을 통한 정확도 향상- 비용 절감- 모델 학습에 요구되는 데이터, 시간, 비용 절감- 신속한 구축- Fine Tuning을 통해 신속한 구축 가능 나. sLLM 모델의 등장배경구분등장배경설명기술적측면- 클라우드 플랫폼- 클라우드의 향상된 컴퓨팅 성능 활용- 모델 경량화- 모바일, IoT 등 저전력 장비에서 AI 학습- 트랜스포머 구조- 시계열 데이터에 대한 병렬처리로 빠른 학습 가능비즈니스측면- ..

Ⅰ. 딥페이크의 정의- 딥러닝을 이용하여 기존 영상에 다른 영상이나 이미지 정보를 합성하여 가짜 콘텐츠를 생성하는 기법(특징) GAN 기술을 활용하여 영상 합성하여 진위 식별이 어렵고 제작이 쉬움 Ⅱ. 딥페이크 생성절차 및 기술 요소가. 딥페이크 생성절차- 오토인코더로 특정 인물의 얼굴 생성 학습 후 GAN 이용하여 생성한 가짜 얼굴 합성 나. 딥페이크 기술 요소구분기술상세 설명학습 알고리즘GAN- 생성자와 판별자가 경쟁하며 학습- 생성자는 가짜 이미지 생성- 판별자는 가짜 이미지 판별생성 알고리즘Autoencoder- 입력 데이터 압축하고 이를 바탕으로 원본과 유사한 형태로 복원- 특정 인물 얼굴 학습 후 다른 인물 얼굴에 적용하여 합성이미지 보정가우시안 필터- 가우시안 필터 활용하여 더욱 정교한 이미..

Ⅰ. 단어간 상관관계 집중, 어텐션 매커니즘의 개요가. 어텐션 매커니즘의 정의- 언어모델에서 디코더의 출력 단어를 예측하는 매시점에 예측해야 할 단어와 연관이 있는 입력 단어에 좀 더 집중하도록 구조화하는 방법 나 .어텐션 매커니즘 등장 배경RNN 기반 Seq2seq 모델 문제점- 하나의 고정된 크기의 벡터에 모든 정보를 압축하여 정보손실 발생- RNN의 고질적인 문제인 Vanishing Gradient Problem 존재- 입력 데이터가 길어질때 성능 저하를 보정하기 위한 방법이 어텐션 기법 Ⅱ. 어텐션 매커니즘의 원리와 계산 과정가. 어텐션 매커니즘의 원리- Attention Value는 쿼리와 키의 유사도를 구하고 이 유사도를 반영하여 Value(값)에 적용한 값- Attention Function..

Ⅰ. 국가 디지털 경쟁력, 디지털 트랜스포메이션가. 디지털 트랜스포메이션의 정의- 기업의 전략, 조직, 프로세스, 비즈니스 모델, 문화, 커뮤티케이션, 시스템 등을 디지털적인 요소로 변화시키는 경영 전략대상적용 기술기대효과- 전략, 목표, 시트템- 조직, 문화, 프로세스- 커뮤니케이션 등- AI- 블록체인, Mesh- CPS, Digital Twins- 생산성 향상 및 이익 증가- 고객 충성도 향상- 신규 사업 진출 나. 디지털 트랜스포메이션 등장 배경디지털 기술혁신 기반의 지능화모바일, 클라우드, IoT, 인공지능 등 디지털 기술의 지능화 가속으로 새로운 접근방식 요구산업 간 경계 붕괴 확산모호해진 산업간 경계 붕괴, 융합 가속으로 혁신 기업들의 등장급속한 산업 내 디지털화 진행산업 내 디지털화가 급격..

Ⅰ. ITSM 구축 모델 및 특징가. ITSM 구축 모델나. ITSM 구축 모델별 특징모델주안점 측면 특징접근방법 측면 특징ITIL- IT 서비스 관리 분야 Best Practice 제공- IT 서비스 운영 및 지원- 운영 및 지원 관리 프로세스- 베스트 프랙티스 가이드라인 활용ISO20000- IT 서비스 관리 분야 실질적 국제표준- ISO9001 기반 ITIL의 IT 프로세스eSCM- 시스템 설계/구축 Best Practice- 개발과 유지보수 조직- 분석, 설계, 구현, 테스트 프로세스- 개발 및 PJT 관리CMMI- ITO 역량평가 모델- 조직 전반 종합적 프로세스 성숙도 인증- ITO 라이프사이클- 공인기관 통한 조직 차원 성숙도 측정COBIT5- IT 통제목적 달성 목표- Governance ..