1. AI 페르소나 (AI Persona)의 개요 (1) 페르소나 (Persona)의 개념 페르소나(Persona)란 고대 그리스 가면극에서 배우들이 사용하는 가면을 말함 현대 마케팅에서 페르소나는 제품이나 서비스를 사용할 만한 목표 집단 내 사용자 유형을 의미하며, AI 페르소나에서는 사용자, 대상(AI 페르소나), 상호작용 및 상황으로 구성 (2) AI 페르소나의 개념 및 특징 개념 특징 AI 모델에 사람과 같은 인격 부여를 위해
1. 파운데이션 모델 (Foundation Model)의 개요 (1) 파운데이션 모델의 개념 개념도 개념 맞춤형 AI 서비스의 효율적 구축을 위해 자기 지도 학습과 트랜스포머 아키텍처 기반 다운스트림 작업을 통해 다양한 AI 모델에 최적화 되도록 준비된 범용 AI 기초 모델 (2) 파운데이션 모델의 특징 구분 특징 특징 설명 학습 측면 자기 지도 학습 – 전이학습 형태로, 데이터의 어노테이션
1. 온디바이스 AI (On-Device AI)의 개요 (1) 온디바이스 AI 부각 배경 항공기, 오지 등 인터넷 서비스 이용이 어려운 환경에서 AI 서비스 요구 증가 디바이스 센서, 배터리, 연산장치 등 관련 기술 발달에 따른 온디바이스 AI 실현 가속화 지능형 반도체, AI 기술 발전으로 저전력화, 고효율화, 소형화 기반 자체 고수준 AI 분석 수행 (2) 온디바이스 AI의 개념 및
1. VAE (Variational Auto-Encoder)의 개념 및 특징 개념 특징 원본 특징을 보존하며 새로운 데이터 생성 위해 Encoder, Decoder, Sample Latent Vector 기반 새로운 데이터를 생성하는 인공지능 모델 – 원본 데이터 분포 기반 원본 특징을 보존 – 랜덤 노이즈 기반 새로운 데이터 생성 – 확률 모델 기반 잠재 코드 유연한 계산 – 명확한 모델 평가 기준을
1. 소버린 AI (Sovereign AI)의 개요 (1) 소버린 AI의 부각배경 및 필요성 (2) 소버린 AI의 개념 및 특징 개념 특징 AI 모델에 국가의 언어/문화적 가치를 반영하기 위해 자국의 데이터, 인프라를 활용하여 독립적으로 개발, 훈련, 제어하는 인공지능 시스템 – 국내 이용자에 개인화 서비스 제공 – 국내법 및 문화적 가치 반영 AI 서비스 – AI 데이터의 자국내
1. 섀도우 AI (Shadow AI)의 개념 및 위험성 개념 기업이나 조직에서 허가되지 않거나 임시로 생성한 AI 모델을 사용하는 미인증 AI 사용 환경 위험성 제어 불가 통제 불가능한 외부에서 동작하므로 개인 정보 보호, 규정 준수 포함 보안 전반에 대한 잠재적 위험 초래 숨겨진 위험 데이터 분석, 콘텐츠 생성 등 작업을 위해 개인 구독이나 무료 온라인 도구
1. 연합학습 (Federated Learning)의 개념 및 필요성 (1) 연합학습의 개념 개념도 개념 분산 저장된 데이터 이동 없이 각 장치의 학습 결과를 수집/종합하여 모델을 생성하는 분산형 머신러닝 기술 (2) 연합학습의 필요성 대규모 데이터 관리 대용량 데이터 저장 및 전송이 불필요하므로 대규모 데이터 관리 용이 분산 시스템 활용 분산된 장치의 학습 결과만 종합하므로 중앙 서버는 고성능 컴퓨팅
1. 생성형 AI (Generative AI)의 개요 (1) 생성형 AI의 개념 및 특징 개념 특징 대규모 데이터에서 패턴과 규칙을 학습하여 사용자 요구에 따라 언어, 이미지, 영상 등의 결과물을 능동적으로 생성하는 AI 기술 – 대규모 데이터 학습 및 자율 판단 수행 – 사용자 요구에 따라 새로운 콘텐츠 생성 – 언어 대화 등 사람과 자연스러운 상호작용 (2) 인공지능과
1. 파인튜닝 (Fine-Tuning)의 개념 및 필요성 개념 필요성 인공지능 모델이 특정 작업이나 도메인에 적합하도록 이미 훈련된 인공지능 모델에 특정 데이터셋을 적용하는 미세 조정 기법 – 특정 작업/도메인에 적합한 모델 생성 – 적은 데이터셋으로 높은 학습 효과 – 신규 데이터에 대한 추론 성능 향상 파인 튜닝을 통해 학습 데이터가 적은 상황에서 특정 분야 인공지능 모델의 일반화
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