[월:] 2025년 09월

ㅁ 융합 개념 ㅇ 정의: – 뉴로심볼릭 AI에서 논리 프로그래밍(Logic Programming)은 기호 기반의 규칙과 추론 방식을 신경망 학습과 결합하여, 명시적 지식 표현과 데이터 기반 학습을 동시에 수행하는 접근 방식. ㅇ 특징: – Prolog와 같은 규칙 기반 언어를 활용하여 지식을 표현하고 추론. – 신경망이 데이터로부터 패턴을 학습하면, 논리 규칙이 이를 해석·제어. – 구조적 데이터와 비구조적 데이터를

ㅁ 융합 개념 1. Symbolic Reasoning ㅇ 정의: 기호(심볼)와 규칙 기반의 논리 체계를 활용하여 지식 표현과 추론을 수행하는 인공지능 접근법. 수학적 논리, 규칙 기반 전문가 시스템 등에서 사용되며, 명시적인 지식 구조를 통해 문제 해결을 한다. ㅇ 특징: – 명시적 규칙과 지식베이스를 사용하여 추론 가능 – 결과의 해석 가능성(Explainability)이 높음 – 구조화된 데이터와 명확한 규칙이 있는

ㅁ 주요 예시 1. 메타에이전트 ㅇ 정의: 여러 개의 전문 에이전트를 조율·관리하여 복합적인 문제 해결을 수행하는 상위 개념의 생성형 에이전트. 각 하위 에이전트의 출력과 상태를 통합해 최적의 의사결정을 내린다. ㅇ 특징: – 다중 에이전트 구조를 기반으로 함 – 각 에이전트의 역할과 전문성을 메타 레벨에서 조율 – 상황에 따라 에이전트의 우선순위나 흐름을 동적으로 변경 가능 –

ㅁ 주요 예시 1. Agentic RAG ㅇ 정의: 대규모 언어 모델(LLM)에 검색 증강 생성(RAG, Retrieval-Augmented Generation) 기능과 에이전트(Agent) 기능을 결합하여, 단순 문서 검색+응답 생성이 아니라 동적으로 여러 도구를 호출하고, 계획을 세워 순차적으로 작업을 수행하는 방식. ㅇ 특징: – 검색 결과를 단순 삽입하는 RAG와 달리, 에이전트가 검색 시점과 범위를 스스로 판단. – 외부 API, 데이터베이스, 계산기

ㅁ 주요 예시 1. BabyAGI ㅇ 정의: – BabyAGI는 자동으로 목표를 설정하고, 해당 목표를 세부 작업으로 분해하며, 작업 결과에 따라 다음 작업을 생성하는 경량 자율 AI 에이전트 프레임워크이다. – Python 기반으로 LangChain, OpenAI API 등을 활용하여 구현된다. ㅇ 특징: – 목표 지향적 작업 관리: 초기 목표를 입력하면 스스로 작업 목록을 생성·수정·우선순위화. – LLM 기반 추론과

ㅁ 주요 예시 1. AutoGPT ㅇ 정의: – AutoGPT는 GPT 계열의 대형 언어 모델(LLM)을 기반으로 사용자의 목표를 입력하면 해당 목표를 달성하기 위한 세부 작업을 스스로 계획하고 실행하는 자율형 에이전트 프레임워크이다. – 단일 프롬프트 응답을 넘어, 인터넷 검색, 파일 생성, API 호출 등 여러 단계를 자동으로 수행한다. ㅇ 특징: – 목표 지향적(Task-driven) 실행 구조. – 외부

ㅁ 개인화 분석 1. Private Aggregation Protocol ㅇ 정의: 개인별 원시 데이터를 직접 공유하지 않고, 집계된 통계값만을 안전하게 공유하기 위한 프라이버시 보호 통신 프로토콜. 브라우저나 클라이언트에서 로컬 연산 후 암호화된 집계치를 서버로 전송하여 분석에 활용. ㅇ 특징: – 차등 개인정보 보호(Differential Privacy)와 유사하게 개별 데이터 노출 최소화 – 암호화·서명 절차를 통해 데이터 무결성 및 프라이버시

ㅁ 개인화 분석 ㅇ 정의: – 사용자의 데이터를 중앙 서버로 전송하지 않고, 각 디바이스나 로컬 환경에서 데이터 분석을 수행하는 방식. – 개인정보 보호를 강화하면서도 집계 수준의 통계나 패턴을 얻을 수 있음. ㅇ 특징: – 데이터는 로컬에 머무르고, 분석 결과(집계 통계, 모델 업데이트 등)만 서버로 전송. – 분산 환경에서 프라이버시를 보장. – 네트워크 부하 감소 및

ㅁ 경량화 기법 1. Knowledge Distillation ㅇ 정의: 대규모 복잡한 모델(Teacher Model)의 지식을 소규모 경량 모델(Student Model)에 전달하여 성능을 유지하면서 모델 크기와 연산량을 줄이는 기법. ㅇ 특징: – Teacher 모델의 출력 확률 분포(Soft Target)를 활용하여 Student 모델을 학습. – Soft Target은 클래스 간 유사도 정보를 포함하므로 일반적인 Hard Label보다 일반화 성능이 향상. – 모델 크기와

ㅁ 경량화 기법 1. Structured Sparsity ㅇ 정의: 모델의 가중치나 뉴런을 개별적으로 제거하는 것이 아니라, 채널, 필터, 레이어 단위처럼 구조적으로 묶어서 제거하는 희소화 기법. ㅇ 특징: – 하드웨어 가속기(GPU, TPU)에서 병렬 연산 최적화에 유리. – 비정형 희소화(Unstructured Sparsity)보다 실제 추론 속도 향상 효과가 큼. – 학습 중 정규화 항(L1/L2) 또는 구조적 제약을 추가하여 희소 패턴