ㅁ 뉴로시mbolic AI ㅇ 정의: – 신경망(Neural Network)의 패턴 인식 능력과 기호 기반(Symbolic) 추론의 논리적 엄밀성을 결합한 AI 접근 방식. ㅇ 특징: – 데이터 기반 학습과 규칙 기반 추론을 동시에 활용. – 설명 가능성(XAI) 향상. – 소량 데이터에서도 추론 가능. ㅇ 적합한 경우: – 복잡한 규칙과 패턴이 동시에 필요한 문제. – 법률, 의료, 과학 연구
ㅁ AI 윤리 ㅇ 정의: 인공지능 기술의 개발, 배포, 활용 과정에서 인간의 가치, 사회적 책임, 법적 규범을 준수하도록 하는 원칙과 지침. ㅇ 특징: – 기술적 성능뿐 아니라 사회적 영향, 법적 준수, 신뢰성 확보를 중시 – 데이터 편향, 알고리즘 불투명성, 책임소재 불명확 등의 문제를 예방 ㅇ 적합한 경우: – 공공 서비스, 의료, 금융 등 사회적 영향이
ㅁ 생성형 에이전트 ㅇ 정의: 생성형 AI 모델이 자율적으로 목표를 설정하고, 외부 도구나 API를 호출하며, 복잡한 작업을 순차적으로 수행하는 지능형 시스템. ㅇ 특징: – 프롬프트 기반이 아닌 목표 지향적 실행 – 메모리와 계획 기능을 통해 장기 작업 수행 가능 – 외부 환경과 상호작용하여 데이터 수집 및 의사결정 수행 ㅇ 적합한 경우: – 반복적이고 다단계의 복잡한
ㅁ 경량 모델 최적화 ㅇ 정의: 대규모 딥러닝 모델의 파라미터 수와 연산량을 줄여 메모리 사용량과 추론 속도를 개선하는 기법들의 집합. ㅇ 특징: – 모델 경량화와 성능 유지의 균형이 중요 – 모바일·엣지 디바이스 배포에 필수적 – 다양한 수학적/통계적 기법 활용 ㅇ 적합한 경우: – 리소스 제약 환경에서 모델 배포 – 실시간 응답이 중요한 서비스 ㅇ 시험
ㅁ 지능형 캐싱 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Feature Store Caching ㅇ 정의: – 머신러닝 모델 학습·추론 시 자주 사용되는 피처 데이터를 메모리나 빠른 저장소에 캐싱하여 지연 시간을 줄이는 기법. ㅇ 특징: – 데이터베이스나 데이터 레이크에서 매번 불러오는 대신, 최근 또는 자주
ㅁ AIOps ㅇ 정의: 인공지능(AI)과 머신러닝(ML) 기술을 활용하여 IT 운영 데이터를 분석하고, 이상 상황을 자동으로 감지·대응하는 운영 자동화 플랫폼. ㅇ 특징: 대규모 로그·메트릭·트레이스 데이터를 실시간 분석, 패턴 인식 기반의 문제 예측, 자동화된 대응 시나리오 실행. ㅇ 적합한 경우: 클라우드·하이브리드 환경에서 서비스 안정성과 운영 효율성을 동시에 확보해야 하는 경우. ㅇ 시험 함정: 단순 모니터링 도구와 AIOps의
ㅁ 지속학습/재학습 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Continual Learning ㅇ 정의: 시간 경과에 따라 새로운 데이터나 작업이 주어질 때, 기존 지식을 유지하며 점진적으로 학습하는 기법. ㅇ 특징: – 전체 데이터를 재학습하지 않고도 새로운 지식 추가 가능 – 모델이 환경 변화에 적응 가능
ㅁ 연합학습 ㅇ 정의: 여러 기관이나 디바이스가 데이터를 중앙 서버에 모으지 않고, 각자 모델을 학습한 후 파라미터만 공유하여 전체 모델을 개선하는 분산 학습 방식. ㅇ 특징: 데이터 프라이버시 보호, 네트워크 대역폭 절감, 다양한 환경에서의 모델 일반화 가능. ㅇ 적합한 경우: 의료, 금융 등 데이터 이동이 법적·윤리적으로 제한되는 환경. ㅇ 시험 함정: 데이터 자체를 공유하지 않는다는
ㅁ 프롬프트 엔지니어링 ㅇ 정의: – 대규모 언어 모델(LLM) 등 생성형 AI 모델의 출력 품질을 높이기 위해 입력 프롬프트를 전략적으로 설계·조정하는 기법. ㅇ 특징: – 모델 재학습 없이도 성능 개선 가능 – 자연어 기반 지시문, 예시, 맥락 정보를 포함 – 과적합 위험은 낮지만 프롬프트 길이에 따른 토큰 비용 증가 가능 ㅇ 적합한 경우: – 모델
ㅁ 최적화 기법 ㅇ 정의: 모델 학습 과정에서 손실 함수를 최소화하기 위해 가중치를 갱신하는 방법들의 집합. ㅇ 특징: – 경사 하강법을 기반으로 다양한 변형 알고리즘 존재 – 학습 속도와 안정성, 수렴 품질에 큰 영향을 미침 – 하이퍼파라미터 설정이 성능에 결정적 ㅇ 적합한 경우: – 복잡한 신경망 학습 시 효율적인 수렴 필요할 때 – 데이터 크기,