ㅁ 응용 분야 1. AI 기반 헬스케어 ㅇ 정의: 인공지능 기술을 활용하여 질병 예측, 진단, 치료 계획 수립, 환자 모니터링 등을 수행하는 의료 서비스 분야. ㅇ 특징: 대규모 의료 데이터(EMR, 영상, 유전자 정보 등)를 분석하여 패턴을 도출하고, 개인 맞춤형 의료 제공 가능. 규제와 개인정보 보호 이슈가 큼. ㅇ 적합한 경우: 영상 판독 자동화, 희귀질환 예측,
ㅁ 중점 이슈 1. Responsible AI ㅇ 정의: – 인공지능 개발과 활용 전 과정에서 윤리적, 법적, 사회적 책임을 고려하여 설계·운영하는 접근 방식. ㅇ 특징: – 투명성, 공정성, 안전성, 프라이버시 보호, 책임성 등의 원칙을 포함. – 기업의 AI 거버넌스 체계와 연계되어 운영. ㅇ 적합한 경우: – 사회적 파급력이 큰 AI 서비스 개발 시. – 규제 준수가
ㅁ 정책 기법 1. Policy Gradient ㅇ 정의: – 강화학습에서 정책을 직접 매개변수화하여, 보상을 최대화하는 방향으로 정책 파라미터를 업데이트하는 기법. ㅇ 특징: – 확률적 정책을 사용하여 연속적 행동 공간에서도 적용 가능. – 정책 자체를 최적화하므로 탐색과 수렴이 빠를 수 있음. – 고차원 상태·행동 공간에서도 유연하게 적용 가능. ㅇ 적합한 경우: – 행동 공간이 연속적이거나 큰
ㅁ 융합 개념 ㅇ 정의: 뉴로심볼릭 AI의 융합 개념은 심볼릭 추론(Symbolic Reasoning)과 신경망 기반 학습(딥러닝)을 결합하여, 데이터 기반 패턴 인식과 규칙 기반 논리 추론을 동시에 수행하는 접근 방식. ㅇ 특징: – 심볼릭 AI의 명시적 지식 표현과 딥러닝의 패턴 학습 능력을 통합 – 복잡한 문제에서 데이터 부족 상황에도 강점 – 설명 가능한 AI(XAI) 구현 용이 ㅇ
ㅁ 주요 예시 1. AutoGPT ㅇ 정의: – 오픈소스 기반의 자율 에이전트 프레임워크로, 사용자가 설정한 목표를 달성하기 위해 GPT 모델을 반복적으로 호출하며 스스로 계획·실행·평가를 수행. ㅇ 특징: – 장기 목표를 세분화하여 단계별 실행. – 인터넷 검색, 파일 저장, 코드 실행 등 외부 작업 자동화 가능. – 플러그인 구조로 기능 확장 용이. ㅇ 적합한 경우: –
ㅁ 개인화 분석 1. Federated Analytics ㅇ 정의: 여러 클라이언트(사용자 단말)에서 생성된 데이터를 중앙 서버로 직접 전송하지 않고, 각 클라이언트에서 로컬로 분석을 수행한 뒤 통계적 요약 정보만을 서버에 전송하여 전체 분석을 수행하는 방식. ㅇ 특징: – 개인 데이터의 원본은 로컬에 남겨 개인정보 유출 위험을 감소시킴. – 모델 학습이 아니라 통계 분석이나 지표 산출에 초점. –
ㅁ 경량화 기법 ㅇ 정의: 모델 경량화 기법은 딥러닝 모델의 파라미터 수, 연산량, 메모리 사용량을 줄여 추론 속도를 높이고 배포 효율성을 향상시키는 기술이다. ㅇ 특징: – 정확도를 최대한 유지하면서 연산량과 저장 공간을 절감 – 모바일, 임베디드 환경에서 활용도 높음 – 다양한 기법을 조합하여 사용 가능 ㅇ 적합한 경우: – 제한된 하드웨어 환경에서 모델 배포 –
ㅁ 가속기 종류 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. GPU ㅇ 정의: – 그래픽 연산을 위해 설계되었지만, 대규모 병렬 연산이 가능하여 딥러닝 학습/추론에 활용되는 범용 연산 장치. ㅇ 특징: – 수천 개의 코어로 병렬 연산에 최적화. – 대규모 행렬/벡터 연산 속도가 빠름. –
ㅁ 추론 기술 1. ONNX Runtime ㅇ 정의: 오픈 뉴럴 네트워크 익스체인지(Open Neural Network Exchange) 형식을 기반으로 다양한 하드웨어와 프레임워크에서 모델을 최적화하여 실행할 수 있는 범용 추론 엔진. ㅇ 특징: – PyTorch, TensorFlow 등 다양한 프레임워크에서 학습된 모델을 ONNX 포맷으로 변환하여 실행 가능 – CPU, GPU, 모바일, IoT 등 다양한 환경 지원 – 그래프 최적화,
ㅁ 효율화 방식 ㅇ 정의: 메모리 사용량과 연산 효율을 높이기 위해 모델 파라미터와 연산 방식을 최적화하는 기법들의 집합. ㅇ 특징: – 연산 정밀도를 낮추거나 연산 단계를 줄여 메모리와 계산 자원을 절감 – 일부 기법은 학습 단계에서 적용, 일부는 추론 단계에서 적용 ㅇ 적합한 경우: – 제한된 GPU 메모리 환경 – 모바일, 임베디드 디바이스 배포 전