[태그:] 인공지능

서비타이제이션 (Servitization)과 AI역할

1. 제조업의 위기와 서비타이제이션 (1) 제조업의 위기 글로벌 경기 둔화에 따른 가치 창출 Value Chain 부재 산업 구조조정의 미흡과 보호무역주의 확대 (2) 서비타이제이션(Servitization)의 개념 및 필요성 개념 필요성 제품의 판매 증대 또는 새로운 비즈니스 역량 발굴을 위해 서비스 요소를 제품 수준뿐 아니라 기업 수준으로 도입하는 제품-서비스 통합 전략 – 제품 생산 중심에서 탈피 – 가치사슬

텐서플로 (TensorFlow)

1. 텐서플로 (TensorFlow)의 개요 개념 머신러닝 모델의 제작, 빌드 및 배포를 위해 개발 도구, 라이브러리, 커뮤니티 리소스로 구성된 엔드 투 엔드 오픈소스 플랫폼 특징 직관적인 API Keras , Python, C++ API 이외 하위 호환성 지원 이중 모드 CPU , GPU 모드 별 ML 연산과 단순 작업 분할 TPU 텐서플로우 전용 최적화 칩셋 활용 구글이 2011년에

AIaaS (AI as a Service) 서비스와 활용 고려사항

I. 국내 기업과 기관에서의 인공지능 도입의 필요성 “디지털 전환의 핵심 기반 기술로 인공지능 도입이 필요” 현재 세계는 기계의 지능화를 통해 생산성이 고도로 향상되는 4차 산업혁명 시대에 있으며, AI는 자동화/최적화를 통한 효율화로 기존 산업의 생산성 개선, 신산업 창출 등 성장 동력 확충에 기여 AI를 활용한 혁신적 제품과 서비스로 시장 경쟁력을 확보와 다양한 사회문제를 해결할 수 있을

비대면 소프트웨어 산업 동향 및 육성 방안

I. 디지털 경제 가속화에 따른 비대면 SW 활용 가속화 최근 전세계적으로 이전 글로벌 경제위기와는 다르게 산업/사회 전반에서 경영 활동과 소비 행태의 변화를 유발하며 디지털 경제로의 구조적 변화로 비대면 소프트웨어 활용이 가속화되고 디지털 전환이 촉진되는 추세   II. 분야 별 비대면 소프트웨어 활용 동향 가. 개인/사회 분야의 비대면 소프트웨어 활용 동향 분야 활용 동향 활용 효과

머신러닝 파이프라인 (Machine Learning Pipeline)

I. 머신러닝 파이프라인(ML Pipeline)의 개요 가. 머신러닝 파이프라인의 개념 데이터 수집부터 전처리, 학습 모델 배포, 예측까지 전과정을 순차적으로 처리하도록 설계된 머신러닝 아키텍처 나. 머신러닝 파이프라인의 필요성 머신러닝 자동화 머신러닝 모델 전 과정 지속 수행 위한 파이프라인 기반 자동화 예측 정확성 향상 내부 구조 이해를 통한 머신러닝 성능(예측의 정확성) 향상   II. 머신러닝 파이프라인의 데이터 처리

하이퍼파라미터 (Hyperparameter)

I. 하이퍼파라미터의 개념 최적의 딥러닝 모델 구현을 위해 학습률이나 배치크기, 훈련 반복 횟수, 가중치 초기화 방법 등 인간의 선험적 지식을 기반으로 딥러닝 모델에 설정하는 변수   II. 하이퍼파라미터의 종류 종류 설명 적용 시 고려사항 학습률 (Learning Rate) gradient의 방향으로 얼마나 빠르게 이동할 것인지 결정하는 변수 – 너무 작으면 학습의 속도가 늦고, 너무 크면 학습 불가

클라우드 기반 GPU 가상화

I. 클라우드 기반 GPU 가상화의 필요성 및 효과 4차 산업혁명에 따른 인공지능의 확산과 클라우드 컴퓨팅에 대한 수요 증가 클라우드 기반 인공신경망 연산 시 비용 대비 높은 성능 제공 위해 VM 간 GPU를 효과적으로 공유    II. 클라우드 기반 GPU 가상화 기술 가. API 리모팅 (GPU 벤더 미지원 시 구현 방법) 기술 개념 Host OS(Native 환경)에서

비지도 학습 (Unsupervised Learning)

I. 비지도 학습의 개요 가. 비지도 학습 (Unsupervised Learning, 자율 학습)의 개념 입력데이터에 대한 목표값 없이 데이터가 어떻게 구성되었는지를 알아내는 기계 학습(Machine Learning) 기법 나. 비지도 학습의 특징 비정제 데이터를 입력하여 훈련데이터 없이 데이터의 특징 요약과 군집 (Clustering) 수행 목표값을 정해주지 않아도 되고 사전 학습이 필요없으므로 속도가 빠름   II. 비지도 학습의 기법 및 알고리즘

지도 학습 (Supervised Learning)

I. 지도 학습의 개요 가. 지도 학습 (Supervised Learning)의 개념 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning) 기법 나. 지도 학습의 특징 명시적인 정답이 주어진 상황에서 기계를 학습 시키기 위해 데이터와 레이블을 사용 사람이 목표값에 개입하므로 정확도가 높으나 시간이 오래걸리고 필요 데이터량이 많음   II. 지도 학습의 기법 및 알고리즘 가. 지도

챗봇 (Chatbot)

I. 인공지능 기반 채팅, 챗봇 가. 챗봇의 개념 사람과 문자 대화를 통해 질문에 알맞은 답이나 각종 연관 정보 제공 인공지능 기반 커뮤니케이션 소프트웨어 나. 챗봇의 특징 특징 설명 인간과 커뮤니케이션 – 자연어 기반 문자/음성 대화 다양한 데이터 활용 – 센서, 인터넷, 상황 기반 데이터 인공지능 기술 활용 – 학습 데이터 패턴화, 분류기 사용   II.