1. AI 거버넌스 플랫폼의 개념/필요성 AI 거버넌스 플랫폼 (AI Governance Platforms) 개념 AI 시스템의 법적, 윤리적, 운영적 성과 관리를 위해 AI TRiSM 기반 AI 사용 정책 및 투명성을 제공하는 플랫폼 필요성 투명한 의사 결정과 설명 가능성 AI 시스템의 의사 결정 방식 이해하여 결정에 책임을 지고 윤리적 의사 결정을 내릴 수 있도록 해야 함 장기간 윤리적
1. 앰비언트 인비저블 인텔리전스의 개념 앰비언트 인비저블 인텔리전스 (Ambient Invisible Intelligence) 개념도 개념 소형 스마트 태그와 센서를 통해 대상의 상태를 추적 및 감지하여 명시적이지 않은 사용자의 요구를 예측하고 지원하는 지능형 기술 사용자에게 거의 인식되지 않지만 환경의 모든 변화를 실시간으로 감지할 수 있어, 저전력 및 메시지 전송 기술과 지능형 의사결정 기술을 통해 비즈니스와 일상생활에 사용자의 요구
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. 기계 고객 (Machine Customer)의 개념 및 특징 개념 특징 인간이나 다른 기계 대신 거래에 참여하여 자율적으로 협상하고 결제하여 상품과 서비스를 구매하는 지능형 시스템 – 알고리즘 기반 최적 의사결정 – 데이터 분석 기반 행동 패턴 결정 – 신규 데이터 기반 지속 학습 – 감정 및 충동 없는 논리적 구매 최근 센서 등 사물인터넷과 인공지능의 발전으로,
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. 인더스트리 5.0 (Industry 5.0)의 개요 (1) 인더스트리 5.0까지의 발전 과정 (2) 인더스트리 5.0의 개념 및 범주 개념 인더스트리 4.0에 기초하여 인간 중심, 지속 가능성 및 탄력성 기반 생산 시스템의 자동화/협업을 통해 유연하고 지속가능한 인간 중심의 산업 혁신 패러다임 범주 ① 개별화된 인간-기계의 상호 작용 ② 생물에서 영감 받은 기술 ,스마트 재료 ③ 디지털트윈 및
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