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(영상, 유전체, EMR 등)를 분석하여 의사 결정 지원 – 딥러닝 기반 의료 영상 판독, 자연어 처리 기반 전자의무기록 분석 – 규제와 개인정보 보호 이슈가 큼
ㅁ 중점 이슈 1. Responsible AI ㅇ 정의: – 인공지능 개발·운영 전 과정에서 윤리, 법률, 사회적 책임을 고려하여 설계·운영하는 접근 방식. ㅇ 특징: – 투명성, 공정성, 책임성, 안전성, 프라이버시 보호를 핵심 원칙으로 함. – 기업의 AI 거버넌스 체계와 연계되어 지속적 모니터링 필요. ㅇ 적합한 경우: – 금융, 의료, 공공 서비스 등 사회적 영향이 큰 AI
ㅁ 정책 기법 1. Policy Gradient ㅇ 정의: – 강화학습에서 정책 함수를 직접 파라미터화하여, 보상 신호를 통해 정책 파라미터를 최적화하는 방법. – 행동 선택 확률을 미분 가능하게 하여 경사 상승법으로 학습. ㅇ 특징: – 연속적 행동 공간에서도 적용 가능. – 정책을 직접 학습하므로 탐색과 수렴이 빠를 수 있음. – 고분산 문제 발생 가능. ㅇ 적합한
ㅁ 융합 개념 ㅇ 정의: – 서로 다른 AI 접근 방식(기호 기반 추론, 통계 기반 학습 등)을 결합하여 상호 보완적인 지능을 구현하는 개념. ㅇ 특징: – 데이터 기반 학습의 유연성과 규칙 기반 추론의 해석 가능성을 동시에 확보. – 복잡한 문제 해결에서 단일 접근법보다 높은 정확도와 신뢰성을 제공. ㅇ 적합한 경우: – 데이터가 불완전하거나 규칙 기반
ㅁ 주요 예시 1. AutoGPT ㅇ 정의: – GPT 계열 모델을 기반으로 사용자의 고수준 목표를 스스로 세분화하고, 인터넷 검색·코드 실행·파일 작성 등의 작업을 자율적으로 수행하는 오픈소스 에이전트 프레임워크. ㅇ 특징: – 연속적 프롬프트 생성 및 실행 – 외부 API 호출과 데이터 저장 기능 지원 – 장기 메모리(벡터DB) 활용 가능 ㅇ 적합한 경우: – 복잡한 다단계
ㅁ 개인화 분석 ㅇ 정의: – 개인화 분석은 개별 사용자의 데이터를 중앙 서버로 직접 전송하지 않고, 로컬 환경에서 분석하거나 집계하여 개인 맞춤형 서비스를 제공하는 데이터 분석 방식. ㅇ 특징: – 개인정보 보호 강화 – 로컬 디바이스에서 데이터 처리 후 집계 결과만 전송 – 네트워크 부하 감소 및 보안성 향상 ㅇ 적합한 경우: – 민감한 개인정보를
ㅁ 경량화 기법 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Weight Pruning ㅇ 정의: 불필요하거나 기여도가 낮은 가중치(weight)를 제거하여 모델의 파라미터 수를 줄이는 기법. ㅇ 특징: – 모델 구조는 그대로 두고 가중치 값만 0으로 만들어 희소화(sparsity) 달성. – 메모리 사용량 및 연산량 감소. –
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 개발되었으나, 병렬 연산 성능을 활용해 딥러닝 학습·추론에 널리 사용되는 범용 연산 장치. ㅇ 특징: – 수천 개의 코어를 통한 대규모 병렬 처리 – 부동소수점 연산(FP32, FP16) 최적화 –
ㅁ 추론 기술 ㅇ 정의: – 학습된 모델을 실제 서비스 환경에서 빠르고 효율적으로 실행하기 위해 사용하는 기술 집합. ㅇ 특징: – 모델 구조 변경 없이 실행 환경과 연산 최적화를 통해 성능 향상. – 하드웨어 가속기와 호환성을 고려. ㅇ 적합한 경우: – 실시간 응답이 필요한 서비스(예: 음성 인식, 실시간 번역). ㅇ 시험 함정: – 학습 단계
ㅁ 효율화 방식 1. FP16 ㅇ 정의: 부동소수점 32비트(FP32) 대신 16비트(FP16) 부동소수점 형식을 사용하여 메모리 사용량과 연산량을 줄이는 방식. ㅇ 특징: – 메모리 대역폭 절감 및 연산 속도 향상. – 일부 연산에서 정밀도 손실 가능. – GPU의 Tensor Core 등 FP16 가속 기능 활용 가능. ㅇ 적합한 경우: – 대규모 딥러닝 모델 학습 시 GPU