Goooooood

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 ..

Ⅰ. 인간처럼 사고하는 인공지능, 멀티모달 AI의 개요개념이미지, 텍스트, 음성, 영상 등 다양한 모달리티를 동시에 처리하여 사고하는 AI 모델특징인간 융화- 인간과 AI의 자연스러운 의사소통 수행 가능정보 산출- 다양한 서비스 분야에서의 상황 인식 모델 구성상호작용- 시각, 청각 등 다양한 상호작용으로 사람처럼 사고 Ⅱ. 멀티모달 AI의 종류종류설명Early Fusion- 종류가 다른 두 가지 데이터를 하나의 데이터로 먼저 합친 후 모델 학습- 다양한 데이터 변환 기술 요구, 데이터 전처리 후 융합Late Fusion- 종류가 데이터를 각각 다른 모델에 학습 후 도출된 결과를 융합- 기존의 앙상블 모델의 작동 방식과 유사Joint Fusion- 데이터를 동시에 학습시키지 않고 원하는 모델 깊이에서 병합..

Ⅰ. 디바이스 자체 AI 탑체, 온디바이스 AI의 개념정의- 서버나 클라우드에 연결할 필요 없이 스마트기기 자체적으로 정보 수집 및 연산 처리를 할 수 있는 AI 기술특징- 저지연- 서버 및 클라우드와의 데이터 이동 없이 자체 처리- 향상된 보안- 데이터의 단말 중심 운영으로 이동 중 발생하는 공격 차단- 유연- 서버 및 클라우드 연결이 필요하지 않아 환경에 유연 Ⅱ. 온디바이스 AI의 기술구분기술설명하드웨어HBM(High Bandwidth Memory)- 고성능 컴퓨팅에 필요한 메모리- GPU와 같은 고성능 프로세서에 사용PIM(Processor in Memory)- 데이터 저장하는 메모리 자체 연산 수행- 데이터 전송 속도 향상 및 병목 현상 감소SoC(System on Chip)- 여러가지 기능을 ..

Ⅰ. 인공지능 윤리 기준의 정의- 인간 기준의 인공지능 개발을 목표로 과학기술정보통신부에서 제안한 개발과 활용 과정에서 지켜야할 3대 기본 원칙과 10대 핵심 요건의 윤리 기준 Ⅱ. 인공지능 윤리 기준 3대 기본원칙과 10대 핵심요건가. 3대 기본 원칙기원 원칙설명인간 존엄성 원칙- 인간은 인간을 위해 개발된 기계제품과 교환 불가한 가치- 인간의 생명, 정신적 및 신체적 건강에 해가 되지 않는 개발 및 활용- 인공지능 개발과 활용은 안전성과 견고성을 갖추어 해가 되지 않아야 함사회 공공선 원칙- 공동체로서 사회는 가능한 많은 사람의 행복 가치 추구- 인공지능은 사회 약자와 취약 계층의 접근성 보장- 공익 증진을 위한 인공지능은 사회, 국가 관점에서 보편적 복지 향상기술 합목적성 원칙- 인공지능 기술은 인..

Ⅰ. 인공지능 모델의 성능평가, 머신러닝 성능 지표의 정의- 인공지능 모델의 실제 유용성 평가를 위해 데이터 예측 정확도, 분석 시간, 결과 해석 용이성 등의 성능 평가 목적 지표 Ⅱ. 머신러닝 성능지표 상세모델 유형성능 평가 방법설명예측 / 회귀MSEMean Squared Error, 실제값과 예측값의 차이를 제곱 평균한 값RMSERoot Mean Squared Error, MSE에 루트를 씌운 값MAEMean Absolute Error, 실제값과 예측값의 차이를 절댓값으로 평균한 값MAPEMean Absolute Percentage Error, MSE, RMSE의 단점을 보완한 방법분류정확도전체 데이터 중에 정확하게 예측한 데이터의 수정밀도Precision, 양성으로 판단한 것 중, 진짜 양성의 비율..

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..