ㅁ 뉴로시mbolic AI ㅇ 정의: 심볼릭(Symbolic) AI의 논리 기반 추론 능력과 뉴럴(Neural) AI의 패턴 인식 능력을 결합한 인공지능 접근 방식. ㅇ 특징: – 복잡한 규칙 기반 추론과 대규모 데이터 기반 학습을 동시에 수행 가능 – 설명 가능성(Explainability)과 일반화 능력 강화 – 지식 표현, 규칙 추론, 패턴 인식의 융합 ㅇ 적합한 경우: – 규칙이 명확하지만 예외가
ㅁ AI 윤리 ㅇ 정의: 인공지능 기술 개발 및 활용 과정에서 사회적 책임, 공정성, 투명성, 안전성을 확보하기 위한 원칙과 지침. ㅇ 특징: 법적 규제와 사회적 기대를 모두 고려하며, 기술적·비기술적 요소를 통합적으로 관리. ㅇ 적합한 경우: 공공 부문, 금융, 의료 등 사회적 영향이 큰 분야의 AI 도입 시. ㅇ 시험 함정: 단순히 개인정보 보호만을 의미한다고 오해하기
ㅁ 생성형 에이전트 ㅇ 정의: 대규모 언어모델(LLM)을 기반으로 스스로 목표를 설정하고, 계획을 수립하며, 외부 도구와 상호작용하여 작업을 수행하는 지능형 자동화 시스템. ㅇ 특징: – 프롬프트 기반 자율 실행 – 외부 API, 데이터베이스, 웹 브라우징 등과 연계 가능 – 메모리 기능을 통해 이전 작업 맥락을 유지 – 다단계 추론 및 의사결정 수행 ㅇ 적합한 경우: –
ㅁ 경량 모델 최적화 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Pruning ㅇ 정의: 신경망의 불필요한 가중치나 뉴런을 제거하여 모델 크기와 연산량을 줄이는 기법. ㅇ 특징: 중요도가 낮은 연결을 제거, 성능 저하 최소화, 구조적 프루닝과 비구조적 프루닝 존재. ㅇ 적합한 경우: 메모리 제약이 심한
ㅁ 지능형 캐싱 ㅇ 정의: – AI 시스템에서 모델 학습 및 추론 시 반복적으로 사용되는 데이터나 특징 벡터를 메모리나 고속 스토리지에 저장하여 재사용 속도를 높이는 기술. ㅇ 특징: – 데이터 접근 지연(latency) 최소화 – 중복 연산 방지로 인한 비용 절감 – 주기적 갱신 정책 필요 ㅇ 적합한 경우: – 대규모 데이터셋에서 동일한 특징을 반복적으로 조회하는
ㅁ AIOps ㅇ 정의: 인공지능(AI)과 머신러닝(ML) 기술을 활용하여 IT 운영 데이터를 분석하고, 이상 징후를 탐지하며, 자동화된 대응을 수행하는 운영 방식. ㅇ 특징: – 로그, 메트릭, 이벤트 데이터를 통합 분석 – 실시간 모니터링 및 예측 기능 제공 – 반복적 운영 작업 자동화 ㅇ 적합한 경우: – 대규모 IT 인프라 운영 – 복잡한 장애 원인 분석 및
ㅁ 지속학습/재학습 ㅇ 정의: 과거에 학습한 지식을 유지하면서 새로운 데이터나 환경 변화에 맞춰 지속적으로 모델을 업데이트하는 학습 방식. ㅇ 특징: – 데이터가 순차적으로 도착하는 환경에서 유용 – 기존 모델의 가중치를 기반으로 추가 학습 진행 – Catastrophic Forgetting 방지 기술 필요 ㅇ 적합한 경우: – 실시간 데이터 스트리밍 처리 – IoT 센서 데이터 분석 – 사용자
ㅁ 연합학습 ㅇ 정의: 여러 기관이나 장치에서 데이터를 로컬에 보관한 채 모델을 공동 학습하는 분산형 머신러닝 방식. ㅇ 특징: 데이터 이동 없이 모델 파라미터만 공유, 개인정보 보호 강화, 네트워크 지연 및 통신량 최적화 필요. ㅇ 적합한 경우: 의료, 금융 등 민감 데이터가 외부로 나갈 수 없는 환경에서 협력 학습이 필요한 경우. ㅇ 시험 함정: 중앙
ㅁ 프롬프트 엔지니어링 ㅇ 정의: – 대규모 언어 모델(LLM)이나 생성형 AI에서 원하는 출력 결과를 얻기 위해 입력 문장(프롬프트)을 설계·조정하는 기법. ㅇ 특징: – 모델 파라미터를 변경하지 않고 입력 구조와 예시, 지시문 등을 최적화. – 자연어 형식으로 작성되며, 모델의 내부 지식과 추론 능력을 유도. ㅇ 적합한 경우: – 모델 재학습 없이 성능 향상을 원할 때. –
ㅁ 최적화 기법 1. Adam ㅇ 정의: – Adaptive Moment Estimation의 약자로, 1차 모멘트(평균)와 2차 모멘트(분산)을 모두 고려하여 학습률을 조정하는 최적화 알고리즘. ㅇ 특징: – 모멘텀과 RMSProp의 장점을 결합. – 학습률을 각 파라미터별로 동적으로 조절. – 초기 학습 속도가 빠르고, 비교적 적은 튜닝으로도 좋은 성능. ㅇ 적합한 경우: – 데이터 특성이 다양하고 비정규화된 경우. –