ㅁ 뉴로시mbolic AI ㅇ 정의: 심볼릭 AI의 지식 표현 및 추론 능력과 뉴럴 네트워크의 학습·패턴 인식 능력을 결합한 인공지능 접근 방식. ㅇ 특징: – 지식 그래프(논리·규칙 기반)와 신경망(데이터 기반 학습)을 혼합하여 복잡한 문제 해결 가능. – 설명 가능성과 데이터 기반 추론을 동시에 제공. – 비정형 데이터 처리 후 구조화된 지식과 결합 가능. ㅇ 적합한 경우:
ㅁ AI 윤리 ㅇ 정의: 인공지능의 개발, 배포, 활용 과정에서 발생하는 결과와 영향에 대해 책임을 명확히 하는 원칙. 시스템의 오류, 편향, 피해 발생 시 누가 책임을 지는지 규정하는 개념. ㅇ 특징: – 법적 책임과 도덕적 책임을 모두 포함. – AI 의사결정 과정의 투명성 확보 필요. – 개발자, 운영자, 사용자 간 책임 범위 명확화. – 설명
ㅁ AI 윤리 ㅇ 정의: AI 시스템의 의사결정 과정, 데이터 사용, 알고리즘 설계 등이 사용자와 이해관계자에게 명확히 공개되고 이해 가능하도록 하는 원칙. ㅇ 특징: – 모델의 입력, 처리, 출력 과정을 설명 가능하게 함. – 데이터 출처와 처리 로직을 추적 가능하게 함. – 블랙박스 문제를 완화하여 신뢰성 향상. ㅇ 적합한 경우: – 규제 준수가 필요한 금융,
ㅁ AI 윤리 ㅇ 정의: 인공지능 시스템이 편향 없이 모든 사용자와 집단에 대해 공정하게 작동하도록 하는 원칙과 기술. ㅇ 특징: – 데이터 수집, 처리, 모델 학습 과정에서 발생할 수 있는 편향을 최소화. – 알고리즘 결과가 특정 집단에 불리하게 작용하지 않도록 지속적인 모니터링 필요. – 법적 규제, 사회적 합의와 밀접한 연관. ㅇ 적합한 경우: – 채용,
ㅁ 경량 모델 최적화 1. Low-rank Approximation ㅇ 정의: – 행렬이나 텐서를 저차원(rank가 낮은) 구성 요소로 분해하여 원본 데이터나 모델 파라미터를 근사하는 방법. 주로 신경망의 가중치 행렬을 저차원 행렬 곱으로 분해해 연산량과 저장 공간을 줄인다. ㅇ 특징: – SVD(특이값 분해)나 Tucker 분해, CP 분해 등을 활용. – 파라미터 수와 연산량이 크게 감소하나, 근사 오차로 인해
ㅁ 경량 모델 최적화 1. Sparse Training ㅇ 정의: 모델 학습 과정에서 일부 가중치를 0으로 만들어 파라미터 수를 줄이고 연산량을 감소시키는 학습 기법. 학습 중 불필요한 연결을 제거해 희소성을 유지함. ㅇ 특징: – 학습 과정에서 가중치 마스킹(masking) 적용 – 메모리 사용량과 연산량 감소 – 모델 압축 효과와 추론 속도 향상 – 희소성 패턴에 따라 하드웨어
ㅁ 경량 모델 최적화 1. Pruning ㅇ 정의: 인공신경망에서 중요도가 낮은 가중치나 뉴런, 채널 등을 제거하여 모델의 크기와 연산량을 줄이는 기법. ㅇ 특징: – 불필요한 파라미터를 제거해 메모리 사용량과 추론 속도를 개선. – 구조적(Structured) Pruning과 비구조적(Unstructured) Pruning으로 구분. – 학습 중 또는 학습 후 적용 가능. ㅇ 적합한 경우: – 모델이 과대적합되어 불필요한 파라미터가 많은
ㅁ 지능형 캐싱 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Approximate Nearest Neighbor ㅇ 정의: 대규모 데이터셋에서 특정 쿼리 벡터와 가장 가까운 벡터를 완전 탐색 대신 근사적으로 빠르게 찾아주는 검색 기법. 고차원 벡터 공간에서 거리 계산 비용을 줄이기 위해 해시, 트리, 그래프 기반 인덱스를
ㅁ 지능형 캐싱 ㅇ 정의: 자주 조회되는 데이터나 검색 결과를 메모리나 고속 저장소에 저장하여 재사용함으로써 시스템 응답 속도를 향상시키는 기술. ㅇ 특징: – 요청 패턴을 분석하여 캐싱 여부를 결정함. – 메모리 기반 캐싱은 빠르지만 용량 제약이 있고, 디스크 기반은 용량이 크지만 속도가 느림. – AI 기반 접근은 사용자의 검색 의도와 패턴을 학습하여 캐시 효율을 극대화함.
ㅁ 지능형 캐싱 ㅇ 정의: 자주 사용되는 데이터나 연산 결과를 메모리나 빠른 저장소에 저장하여 재사용함으로써 시스템 응답 속도를 향상시키는 기술. ㅇ 특징: – 데이터 접근 지연(latency)을 줄이고 처리량(throughput)을 높임. – 캐시 적중률(hit rate)에 따라 성능 향상 폭이 결정됨. – 메모리 사용량과 최신성(freshness) 유지 간의 트레이드오프 존재. ㅇ 적합한 경우: – 동일한 요청이 반복적으로 발생하는 서비스