[카테고리:] 알고리즘/AI

어텐션 메커니즘 (Attention Mechanism)

1. 어텐션 메커니즘의 개념 및 필요성 개념 seq2seq의 경사감소 소멸(Gradient Descent Vanishing) 등 RNN 모델의 문제 해결을 위해 출력 단어 예측 시점 마다 입력 시퀀스의 단어 가중치를 계산하여 정확도 감소를 보정하는 메커니즘 필요성 어텐션 메커니즘에서 어텐션 함수는 Softmax, Sigmoid, ReLu 함수 등 활성화 함수와 함께 사용하여 입력 시퀀스의 각 단어 가중치 계산 및 예측 벡터

GNN (Graph Neural Network)

1. GNN (Graph Neural Network)의 개요 등장 배경 딥러닝 모델은 CNN, RNN, Transformer 등 다양한 신경망 모델 종류로 발전했지만, 복잡한 구조나 관계 임베딩의 한계로 인해 그래프(Graph) 기반 신경망 모델 등장 개념 데이터의 특징 추출을 위해 이웃 노드 간 정보를 이용하여 특징 벡터를 찾아내는 그래프(Graph) 기반 신경망 모델 특징 추상적 개념 접근에 용이 연결된 데이터 표현

생성형 AI 윤리 가이드

1. 생성형 AI의 개념 및 윤리적 활용의 필요성 (1) 생성형 AI의 개념 및 파급효과 개념 파급 효과 대규모 데이터, 패턴 학습 기반 이용자 요구에 따라 텍스트, 이미지, 비디오, 음악, S/W 코드 등 새로운 결과물을 생성하는 인공지능 기술 – 외국어 문서 번역, 방대한 문서 요약 – 음성 회의 텍스트 기록, 회화 공부 – 소프트웨어 코딩, 작곡,

대규모 언어 모델 (LLM, Large Language Model)

1. 대규모 언어 모델 (LLM, Large Language Model) 개요 (1) 대규모 언어 모델의 등장 배경 (2) 대규모 언어 모델의 개념 및 특징 개념 특징 인간의 언어 이해와 생성 위해 대량의 언어 데이터 학습 및 파인튜닝하여 생성된 인공신경망 기반 생성형AI 언어 모델 – LLM은 대량의 언어 데이터로 훈련하여 맥락 파악 후 적절한 응답을 생성 – 한

유사도 측정법 (Similarity Measure)

1. 유사도(Similarity)의 개념 및 유사도 측정의 필요성 유사도 (Similarity) 유사도 측정의 필요성 벡터 공간 내 노드(데이터 포인트) 사이의 관계를 거리, 각도 등을 통해 수치화하여 정량적으로 표현한 유사성 척도 – 데이터 간 유사도 측정 기준 제공 – AI 데이터 라벨링, 모델 학습 및 진단 – AI 데이터세트의 오류, 편향 탐지 벡터 공간 내 노드의 크기(강도, 길이)

벡터 데이터베이스 (Vector Database)

1. 벡터 데이터베이스 (Vector Database)의 개념, 필요성 개념 필요성 대량의 고차원 데이터 저장 및 조회 위해 컨텐츠 벡터 임베딩 및 쿼리 벡터 유사도 비교 기반 신속하게 인덱싱하는 데이터베이스 – 고차원 데이터 저장 및 조회 수요 증가 – 데이터 내용 유사성에 따른 맥락 이해 – AI 서비스의 신속한 연산 처리 요구 – 대규모 언어 모델에 장기

랭체인 (LangChain)

1. LLM 서비스 개발 프레임워크, 랭체인 (LangChain)의 개념 및 필요성 개념 필요성 효율적인 LLM 기반 서비스 개발을 위해 다양한 언어 모델과 에이전트, 콜백 등 기능 연결 및 통합을 간소화하도록 설계된 언어 모델 기반 애플리케이션 개발 프레임워크 – 모듈식 구성으로 Application 구현 간소화 – 모듈을 체인으로 연결하여 기능 확장성 확보 – API 기반 LLM 교체/업데이트 반영

검색 증강 생성 (RAG, Retrieval Augmented Generation)

1. AI 환각 해소, 검색 증강 생성 (RAG, Retrieval Augmented Generation)의 개념 및 필요성 개념 생성형 AI 모델의 정확성과 신뢰성 향상을 위해 응답 생성 전 외부의 신뢰할 수 있는 지식 베이스를 참조하는 대규모 언어 모델(LLM) 최적화 기술 필요성 검색 증강 생성은 사실에 근거한 최신 정보를 통해 AI 환각 현상 등 거대 언어 모델의 문제점을 해소하고

트리 순회 (Tree Traversal)

1. 트리 순회(Tree Traversal)의 개요 (1) 트리 순회의 개념 트리 구조에서 트리의 모든 노드를 정확히 한 번씩 체계적으로 방문하는 과정 (2) 트리 순회의 특징 그래프 탐색 노드 간 연결된 그래프를 탐색하는 과정 재귀 순환 각 서브 트리를 재귀적인 방법으로 순회 시간 복잡도 이진 트리 평균 시간 복잡도: O(log n) 트리 순회는 트리 구조를 통해 효율적으로

합성 데이터 (Synthetic Data)

1. AI 학습 데이터 부족 문제 해결, 합성 데이터의 개요 (1) 합성 데이터의 개념 개념도 개념 개인정보 보호 및 고품질의 충분한 학습 데이터 확보를 위해 실제 데이터의 생성 모형 및 패턴을 모방하여 실제 데이터와 유사한 통계 속성을 가지고 생성된 모의 데이터 (2) 합성 데이터의 필요성 실제 데이터 사용 시 제약사항 합성 데이터의 필요 – 개인정보