ㅁ 프롬프트 설계 ㅇ 정의: 프롬프트 설계는 AI 모델, 특히 대규모 언어모델(LLM)이 원하는 출력과 행동을 하도록 입력 문장을 구성하는 기법이다. ㅇ 특징: – 입력 문장의 구조, 맥락, 예시 제공 여부에 따라 모델의 응답 품질이 크게 달라진다. – 다양한 설계 패턴(Zero-shot, Few-shot, Chain-of-Thought 등)이 존재한다. ㅇ 적합한 경우: – 모델의 응답 품질을 높이거나 특정 형식의 출력을
ㅁ 대표 기법 1. Pseudo Labeling ㅇ 정의: – 라벨이 없는 데이터에 대해 현재 모델이 예측한 값을 임시 라벨(가짜 라벨)로 사용하여 학습에 활용하는 방법. ㅇ 특징: – 초기 모델의 예측 정확도에 따라 성능이 크게 좌우됨. – 간단히 구현 가능하나, 잘못된 라벨이 누적되면 성능 저하 가능. – 점진적으로 라벨링 데이터셋을 확장하는 효과. ㅇ 적합한 경우: –
ㅁ 주요 기법 1. 클러스터링 ㅇ 정의: – 데이터의 유사성을 기반으로 그룹(클러스터)으로 묶는 비지도 학습 기법. ㅇ 특징: – 사전 라벨 없이 데이터 패턴을 발견. – 거리 기반(K-means) 또는 밀도 기반(DBSCAN) 등 다양한 알고리즘 존재. – 결과는 클러스터 개수, 초기값, 거리 척도 등에 민감. ㅇ 적합한 경우: – 고객 세분화, 이상치 탐지, 문서 주제 분류
ㅁ 처리 기술 1. 기상 보간 ㅇ 정의: – 시계열 데이터에서 결측값을 주변 시점의 데이터 값을 이용해 추정하여 채우는 기법. – 기상 데이터나 센서 데이터 등에서 시간 간격이 불규칙하거나 누락된 값을 보완하는 데 사용. ㅇ 특징: – 선형 보간, 스플라인 보간, 최근접값 보간 등 다양한 방식 존재. – 데이터의 연속성과 패턴을 유지하려는 목적. ㅇ 적합한
ㅁ 보안 전략 ㅇ 정의: 데이터의 기밀성과 무결성을 유지하고, 불법 접근이나 유출을 방지하기 위해 적용하는 다양한 기술과 절차. ㅇ 특징: 법적 규제 준수, 기술적 방어 수단, 관리적 통제 수단을 모두 포함. ㅇ 적합한 경우: 개인정보, 금융정보, 기밀 데이터 등 민감한 데이터를 처리할 때. ㅇ 시험 함정: 보안 전략은 단일 기술이 아니라 복합적인 접근이라는 점을 간과하기
ㅁ 동기화 기법 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. 실시간 동기화 ㅇ 정의: 두 개 이상의 시스템 간 데이터를 거의 지연 없이 동일하게 유지하는 방식으로, 변경 사항이 발생 즉시 전송·반영되는 동기화 기법. ㅇ 특징: – 네트워크 지연 최소화, 밀리초~초 단위 반영 – 지속적인
ㅁ 라벨링 기술 1. 수동 레이블링 ㅇ 정의: 사람이 직접 데이터를 보고 라벨을 부여하는 방식. ㅇ 특징: 정확도가 높지만 시간과 비용이 많이 소요됨. 대규모 데이터셋에는 비효율적. ㅇ 적합한 경우: 데이터 양이 적거나 고도의 전문 지식이 필요한 경우. ㅇ 시험 함정: ‘수동 레이블링은 항상 대규모 데이터에 적합하다’ → X, ‘전문가가 참여하면 정확도가 높아진다’ → O ㅇ
ㅁ 최신 연구 주제 1. Foundation Models ㅇ 정의: 대규모 데이터셋으로 사전 학습(pretraining)되어 다양한 다운스트림 작업에 적응(finetuning)할 수 있는 범용 인공지능 모델. ㅇ 특징: – 수십억~수천억 개 파라미터 규모 – 다양한 모달리티(텍스트, 이미지, 오디오 등) 처리 가능 – 전이학습(Transfer Learning) 효율 극대화 ㅇ 적합한 경우: – 데이터 라벨링이 제한된 환경에서 다양한 태스크 수행 – 범용
ㅁ 대표 방법 ㅇ 정의: 자기지도학습에서 널리 사용되는 대표적인 학습 기법들을 의미하며, 라벨 없이 데이터의 내재적 구조를 학습하는데 활용됨. ㅇ 특징: 데이터 증강, 인코더 구조, 사전학습-미세조정 패턴 등에서 차이를 보이며, 이미지·음성·텍스트 등 다양한 도메인에 적용 가능. ㅇ 적합한 경우: 대규모 비라벨 데이터가 있고, 다운스트림 태스크에 맞춘 사전학습이 필요한 경우. ㅇ 시험 함정: 각 방법의 차이를
ㅁ 최신 모델 1. Diffusion Models ㅇ 정의: 데이터에 점진적으로 노이즈를 추가한 뒤 이를 역으로 제거하는 과정을 학습하여 새로운 데이터를 생성하는 확률적 생성 모델. ㅇ 특징: – 학습 안정성이 높고 모드 붕괴가 적음 – 생성 품질이 우수하지만 샘플링 속도가 느림 – 다양한 조건부 생성(이미지-텍스트, 이미지-이미지 변환)에 활용 가능 ㅇ 적합한 경우: – 고해상도 이미지 생성