Goooooood

Ⅰ. 컴퓨터 비전 분야에 Transformer 적용, ViT의 개념- Transformer 구조를 Vision 분야에 적용해 대량의 이미지 데이터 학습 및 이미지 분류하는 모델 Ⅱ. ViT의 개념도 및 매커니즘가. ViT의 개념도- 이미지를 패치(16*16) 분할하고 각 패치의 선형 임베딩을 Transformer의 입력으로 사용 나. ViT의 매커니즘단계설명이미지 패치분할- 입력 이미지를 고정된 크기의 패치로 분할선형 임베딩- 각 패치는 선형 투영을 통해 벡터 형태로 변환위치 임베딩 추가- 패치의 위치 정보를 유지하기 위해 위치 임베딩 추가- 순서 정보를 알 수 없기 때문에 위치 정보 필요Transformer 인코더- 패치의 선형 임베딩과 위치 임베딩 결합- 결합된 벡터를 Transformer 인코더에 ..

Ⅰ. 파인 튜닝과 프롬프트 엔지니어링 정의 비교파인 튜닝프롬프트 엔지니어링- 사전 학습된 모델을 특정 작업이나 데이터셋에 맞게 재학습- 모델 입력 프롬프트 최적화하여 원하는 출력 결과 얻는 방법  Ⅱ. 파인튜닝과 프롬프트 엔지니어링 상세 비교특징파인튜닝프롬프트 엔지니어링데이터요구량- 많은 양의도메인 특화 데이터 필요- 상대적으로 적은 양의 데이터로도 가능시간 및 비용- 모델 재학습에 상당한 시간과 자원 소요- 프롬프트 최적화는 비교적 짧은 시간내에 가능유연성- 특정 작업에 최적화된 모델 생성 가능- 다양한 작업에 동일 모델 활용 가능기술적요구사항- 딥러닝 및 모델 훈련에 대한 깊은 이해 필요- 프롬프트 설계와 실험에 대한 이해 필요출력 일관성- 높은 일관성 보장- 프롬프트에 따라 출력 결과 변동확장성- ..

Ⅰ. 실시간 피드백 학습, Adaptive AI의 개요- 새로운 데이터 기반 모델 지속 재학습하여 예측 불가능한 실제 상황의 변화에 신속하게 적응하는 것을 목표로하는 인공지능 기술 Ⅱ. Adaptive AI 개념도와 기술 요소가. Adaptive AI 개념도- 목표 지향, 실시간 피드백, 적응형 학습 기반 프로세스 수준의 운영 및 변화 관리 수행 나. Adaptive AI 기술 요소구분기술 요소설명목표 지향딥 러닝- CNN, RNN 등 활용 스스로 학습하는 머신 러닝 기법강화학습- 환경 변화에 따라 계속해서 에이전트 학습하는 기법제로샷 러닝- 한번도 관측되지 않은 클래스에 대한 분류 학습실시간 피드백환경 인지 지능- 다양한 센싱 정보 측정 및 분석 고도화로 주변 환경 인지SLAM- Simultaneous..

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 ..

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..