ㅁ 합성 데이터

ㅇ 정의:
실제 데이터를 기반으로 하지 않고, 알고리즘이나 규칙을 통해 생성된 데이터.

ㅇ 특징:
– 데이터 수집이 어려운 경우 활용 가능.
– 실제 데이터와 유사한 특성을 가지도록 설계 가능.
– 데이터 프라이버시 문제 해결에 도움.

ㅇ 적합한 경우:
– 민감한 데이터를 다루는 경우.
– 데이터가 부족하거나 편향된 경우.
– 모델 성능 검증 및 테스트가 필요한 경우.

ㅇ 시험 함정:
– 합성 데이터는 항상 실제 데이터보다 정확하다. (X)
– 합성 데이터는 데이터 편향 문제를 완전히 해결한다. (X)

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 합성 데이터는 데이터 프라이버시 문제를 완화할 수 있다.
– X: 합성 데이터는 항상 실제 데이터보다 품질이 높다.

================================

1. Procedural Generation

ㅇ 정의:
알고리즘을 사용하여 데이터를 자동으로 생성하는 방법론.

ㅇ 특징:
– 규칙 기반으로 데이터를 생성.
– 예측 가능성과 반복 가능성이 보장됨.
– 대규모 데이터 생성에 적합.

ㅇ 적합한 경우:
– 게임 개발에서 환경이나 캐릭터 생성.
– 시뮬레이션 데이터 생성.
– 훈련 데이터가 부족한 AI 모델 개발.

ㅇ 시험 함정:
– Procedural Generation은 항상 랜덤한 데이터를 생성한다. (X)
– Procedural Generation은 데이터의 품질을 보장한다. (X)

ㅇ 시험 대비 “패턴 보기” 예시:
– O: Procedural Generation은 알고리즘을 활용하여 데이터를 생성한다.
– X: Procedural Generation은 무작위성을 보장하지 않는다.

ㅁ 추가 학습 내용

Procedural Generation과 관련된 주요 개념을 학습하기 위해 다음 내용을 정리합니다.

1. 랜덤 시드(Random Seed):
– 랜덤 시드는 알고리즘에 초기값을 제공하여 동일한 조건에서 동일한 결과를 생성하도록 하는 역할을 합니다.
– 이를 통해 재현 가능성이 보장되며, 동일한 시드를 사용하면 동일한 데이터를 반복 생성할 수 있습니다.
– 하지만 랜덤 시드는 데이터 다양성을 제한할 수 있다는 한계가 있습니다. 동일한 시드 값은 동일한 결과를 유도하므로, 다양한 결과를 생성하려면 시드를 변경하거나 알고리즘을 조정해야 합니다.

2. 데이터 품질 보장의 한계:
– Procedural Generation은 알고리즘을 통해 데이터를 자동 생성하는 방식으로, 수작업 없이 대량의 데이터를 효율적으로 생성할 수 있습니다.
– 그러나 자동 생성된 데이터가 반드시 높은 품질을 보장하는 것은 아닙니다. 생성된 데이터는 알고리즘 설계의 품질과 한계에 따라 편향되거나 불완전할 수 있습니다.
– 특히, 복잡한 데이터 구조나 세부적인 품질 요구사항을 충족해야 할 경우, Procedural Generation은 수동 조정이나 추가적인 검증 과정이 필요할 수 있습니다.

이 두 개념을 이해하고 각각의 장단점을 분석하는 것은 시험 대비에 중요합니다. 랜덤 시드와 데이터 품질 보장의 한계를 명확히 파악함으로써 Procedural Generation의 실용성과 제한점을 균형 있게 평가할 수 있어야 합니다.