Goooooood

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..

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 ..