ㅁ 데이터 소스 확장 ㅇ 정의: 기존 데이터 외에 새로운 데이터 소스를 발굴·추가하여 분석 품질과 범위를 확장하는 과정. ㅇ 특징: – 데이터 다양성 확보로 분석 정확도 향상 – 데이터 수집·정제 비용 증가 가능 – 실시간·비정형 데이터 포함 가능 ㅇ 적합한 경우: – 기존 데이터만으로 분석 정확도가 부족할 때 – 새로운 인사이트 발굴이 필요한 경우 ㅇ
ㅁ 강화학습 응용 ㅇ 정의: 강화학습(RL, Reinforcement Learning)의 알고리즘과 기법을 실제 문제 해결에 적용한 사례들을 의미함. 게임, 로보틱스, 자율주행, 산업 자동화 등 다양한 분야에서 사용됨. ㅇ 특징: 환경과의 상호작용을 통해 보상을 최대화하는 정책을 학습하며, 시뮬레이션 환경에서 사전 훈련한 뒤 실제 환경에 적용하는 경우가 많음. 대규모 연산 자원과 시뮬레이터, 보상 설계가 핵심. ㅇ 적합한 경우: 명확한
ㅁ AutoML ㅇ 정의: – AutoML(Automated Machine Learning)은 데이터 전처리, 모델 선택, 하이퍼파라미터 튜닝, 평가 등 머신러닝 파이프라인의 전 과정을 자동화하는 기술. – 머신러닝 전문가가 아닌 사람도 효율적으로 모델을 개발할 수 있도록 지원. ㅇ 특징: – 데이터 전처리 자동화(결측치 처리, 특성 스케일링 등) – 모델 후보 자동 탐색 및 성능 비교 – 하이퍼파라미터 최적화 자동
ㅁ AI+Edge ㅇ 정의: AI+Edge는 인공지능 모델을 클라우드가 아닌 엣지 디바이스(스마트폰, IoT 기기, 임베디드 시스템 등)에서 직접 실행하는 기술 및 아키텍처를 의미함. ㅇ 특징: – 저지연(로컬 처리) – 네트워크 불안정 환경에서도 동작 가능 – 데이터 프라이버시 강화 – 하드웨어 제약(메모리, 연산 능력)에 따른 경량화 필요 ㅇ 적합한 경우: – 실시간 영상 분석(자율주행, CCTV 분석) –
ㅁ 생성형 AI ㅇ 정의: 인공지능이 기존 데이터를 학습하여 새로운 이미지, 음성, 음악, 텍스트 등을 생성하는 기술로, 대규모 데이터셋과 딥러닝 모델을 기반으로 함. ㅇ 특징: – 비지도 또는 자기지도 학습 기반 – 창의적 콘텐츠 자동 생성 가능 – 이미지, 텍스트, 오디오 등 멀티모달 학습 적용 – 모델 학습 시 대규모 GPU 자원 필요 ㅇ 적합한
ㅁ 멀티모달 AI ㅇ 정의: 서로 다른 형태(Modalities)의 데이터를 동시에 이해하고 처리하는 인공지능 기술로, 예를 들어 이미지+텍스트, 비디오+오디오 등 복합 입력을 기반으로 인식·추론·생성 작업을 수행하는 AI 모델. ㅇ 특징: – 다양한 데이터 소스를 결합하여 더 높은 이해력과 추론 능력을 제공 – 사전학습(Pretraining)과 미세조정(Finetuning) 구조를 자주 사용 – Cross-Attention, Transformer 기반 구조 채택이 일반적 – 대규모
ㅁ 대규모 언어모델 ㅇ 정의: 대규모 언어모델(LLM, Large Language Model)은 수십억~수천억 개의 매개변수를 가진 딥러닝 기반 자연어 처리 모델로, 방대한 텍스트 데이터를 학습하여 인간과 유사한 언어 이해·생성을 수행하는 인공지능 기술. ㅇ 특징: – 사전학습(Pre-training)과 미세조정(Fine-tuning) 단계를 거침 – 인과형(autoregressive) 또는 양방향(transformer 기반) 구조 사용 – 다양한 자연어 처리 태스크에 범용 적용 가능 – 계산 자원과
ㅁ 분산 학습 ㅇ 정의: 여러 대의 컴퓨팅 자원을 활용하여 대규모 AI 모델 학습 속도를 높이거나 메모리 한계를 극복하기 위해 학습 데이터를 나누어 병렬 처리하는 기술. ㅇ 특징: – GPU/TPU 등 여러 장비를 네트워크로 연결 – 데이터 병렬(모델 복제) / 모델 병렬(모델 분할) / 하이브리드 방식 존재 – 통신 오버헤드와 동기화 방식이 성능에 영향 –
ㅁ 서빙 최적화 ㅇ 정의: AI 모델을 실제 서비스 환경에서 빠르고 효율적으로 동작시키기 위해 모델 변환, 경량화, 하드웨어 최적화 등을 수행하는 기술. ㅇ 특징: – 추론 속도 향상과 메모리 사용량 감소가 목적 – GPU, CPU, NPU 등 다양한 하드웨어에 맞춰 변환 가능 – 모델 정확도와 성능 사이에서 균형 조정 필요 ㅇ 적합한 경우: – 대규모
ㅁ 시스템 최적화 ㅇ 정의: AI 모델 및 시스템의 연산, 메모리, 전송 효율을 높여 처리 속도와 자원 사용량을 최적화하는 기술 집합. ㅇ 특징: 모델 크기 축소, 연산 효율 향상, 지연(latency) 감소, 하드웨어 자원 활용 극대화 등의 방법을 포함. ㅇ 적합한 경우: 실시간 추론 서비스, 모바일·엣지 디바이스 배포, 대규모 트래픽 처리 환경. ㅇ 시험 함정: 단순히