Goooooood

Ⅰ. 인공지능 편향성 유형가. 인공지능 편향성의 정의- 학습 데이터 또는 AI 알고리즘이 왜곡되어 왜곡된 결과 예측과 잠재적으로 유해한 결과를 초래하는 편향된 결과 나. 인공지능 편향성의 유형구분유형설명데이터 원인편향된 표본- 편향된 초기 데이터 학습- 편향된 결과 재학습제한된 특징- 데이터의 주요 특징 미포함- 관련성이 낮은 특징 학습표본 크기 불균형- 데이터 표본 집단의 크기 불균형모델 원인알고리즘 모델 문제- 데이터 상관없이 알고리즘 모델이 편향 발생 Ⅱ. XAI(eXplainable Artificial Intelligence)가. XAI의 등장 배경 및 개념인공지능 사회/경제적 영향 증가인공지능 역기능 발생XAI 등장- 인공 지능 영향력 확산- 역기능 / 사고사례 증가- XAI의 필요성- 사용자가..

Ⅰ. 자율적인 의사결정을 추구하는 AI, 에이전틱 AI의 개요가. 에이전틱 AI의 정의- 자율적으로 복잡한 목표를 설정하고 환경과 상호작용하여 최소한의 인간 감독으로 작업을 수행하는 인공지능 시스템 나. 에이전틱 AI의 특징자율성- 인간 개입 없이 독립적으로 작동하고 목표 달성적응성- 변화하는 환경에 맞춰 계획 조정, 새로운 상황에 적응언어 이해- 자연어 이해, 해석, 사용자와의 상호작용워크플로우 최적화- 복잡한 비즈니스 워크플로우 효율적으로 조직 및 관리 Ⅱ. 에디전틱 AI의 프로세스프로세스설명계획 수립에이전트는 하위 목표를 설정하고 워크플로우 설계추론대안을 분석, 의사결정 내리기 전에 논리적 추론 실행플러그인 통합모듈형 컴포넌트를 통합하여 전문화된 작업 수행행동 수행독립적으로 운영 작업을 수행다중 모..

Ⅰ. MLOps의 개요가. MLOps의 개념- ML 모델 개발을 위한 데이터 수집, 분석 그리고 모델 학습, 배포 단계의 전체 AI Lifecycle을 최적화하기 위한 시스템 나. MLOps의 필요성효율성- 모델을 더욱 빨리 배포하고 양질의 ML 모델을 지속 제공 가능확장성- 많은 수의 모델을 감독, 제어, 관리, 모니터링하고 통합 제공리스크 완화- ML 모델 개발 관련 규제 검토와 빠른 대응으로 리스크 완화 Ⅱ. MLOps의 주요 구성 요소구분구성 요소설명데이터 수집 분석탐색적 데이터 분석- 데이터 전처리, 데이터 시각화를 통한 탐색 및 분석피처 엔지니어링- 데이터 클리닝, 모델 학습에 필요한 피처 추출모델 학습모델 훈련 및 튜닝- 다양한 ML 모델 학습 및 성능 개선모델 검토- 모델 버전 추적, 모델..

Ⅰ. K-Means Clustering과 DBSCAN 개념 비교K-MeansDBSCAN- 중심기반 클러스터링 방법으로 n개의 데이터와 k개의 중심점에 대해 데이터와 중심점 간의 거리 최소화하여 그룹화- 밀도기반 클러스터링 방법으로 그룹 수 k를 설정하지 않고 자동적으로 최적의 그룹수를 찾아 그룹화하는 방법 Ⅱ. K-Means Clustering과 DBSCAN 구성 요소와 장단점가. K-Means 와 DBSCAN 구성요소구분 구성 요소설명K-Means그룹 수 K- 초기 설정 값으로 최종 그룹화할 그룹의 수그룹 Cluster- 데이터들을 K개로 그룹화한 그룹중심점 Centroid- 각 그룹의 중심점으로 데이터 나누는 기준DBSCANminPts- 반경 내 최소 개체 수eps(epsilon)- 데이터를 군집화 ..