[태그:] Fine Tuning

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. 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

I. 학습치 재사용 기법, 전이 학습 개념 필요성 데이터 세트가 유사한 분야에 학습치를 전이하여 Fine Tuning 기반 신경망 학습 재사용 기법 – 데이터 부족 해소 – 학습 시간 단축 – 학습치 재사용   II. 전이 학습의 메커니즘 및 알고리즘 유형 가. 전이 학습의 절차도/메커니즘 절차도 메커니즘 ① Feature Learning  Data Set 기반 학습 수행 ②