1. 프롬프트 엔지니어링(Prompt Engineering)의 개요 (1) 프롬프트 엔지니어링의 부각 배경 특정 산업 또는 조직에서 대규모 언어 모델(LLM) 등 생성형(Generative) AI를 효과적으로 활용하기 위해서는 생성형 AI 맞춤화가 필요하며, 프롬프트 엔지니어링을 통해 생성형 AI 맞춤화로 기업/기관의 생산성 향상 가능 특히 LLM(Large Language Model)의 방대한 텍스트 데이터에서 원하는 결과를 얻기 위해 프롬프트(질문)의 최적화가 필요하며, 다양한 방식으로 조작하고 개선하여
1. 단말 장치 자체 AI 서비스, 엣지 AI (Edge AI)의 개념 개념도 개념 IoT, 모바일 장치 등 단말 장치의 신속한 인공지능 서비스를 위해 단말 장치에서 생성한 데이터로 AI 알고리즘을 직접 실행하는 분산형 컴퓨팅 패러다임 단말장치에서 데이터생성과 AI 알고리즘 처리를 지원하므로 AI 모델 업데이트 시에만 중앙서버 연결, 온디바이스 AI(On-Device AI) 방식이 대표적 2. 엣지 AI
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
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 인공지능을 활용한 혁신적 제품과 서비스로 시장 경쟁력을 확보와 다양한 사회문제를 해결할 수 있을
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
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
I. 이용자 중심의 지능정보사회를 위한 원칙의 배경과 목적 원칙의 배경 원칙의 목적 – 인간 의사결정 보조/대체 혁신 서비스 출현 (맞춤형 뉴스·콘텐츠 추천시스템, AI 스피커 등) – 공정하고 책임있는 AI 알고리즘 중요성 부각 – AI의 일상적 사용 지능정보사회 시대 대비 – 신기술의 위험으로부터 안전한 환경 조성 – 지능정보사회 구성원 공동 기본 원칙 제시 “이용자 중심의 지능정보사회를
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
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
I. 사물 인식 기술, 패턴인식 문자, 물체 등을 인식하기 위해 표준 패턴과 입력 패턴 비교 기반 사물 식별 및 클래스 구분 기술 II. 패턴인식 시스템 처리 단계 가. 패턴인식 시스템 처리 단계 나. 패턴인식 시스템 처리 단계 별 기술 요소 처리 단계 기술 요소 설명 수집 /전처리 – 표본화, 정규화 – Noise 제거 –