ㅁ 책임 있는 AI ㅇ 정의: 인공지능 시스템이 사회적, 윤리적 가치를 준수하며 투명하고 신뢰성 있게 동작하도록 설계·운영하는 개념. 공정성, 투명성, 설명 가능성, 프라이버시 보호 등을 포함. ㅇ 특징: – 법적·윤리적 기준 준수 – 데이터 편향 최소화 및 차별 방지 – 이해관계자와의 신뢰 형성 – 지속적인 모니터링과 개선 ㅇ 적합한 경우: – 금융, 의료, 채용 등
ㅁ 에너지 기반 모델 ㅇ 정의: 확률 분포를 에너지 함수 형태로 정의하고, 낮은 에너지 값을 가지는 데이터 패턴을 학습하여 생성 및 예측에 활용하는 모델 구조. ㅇ 특징: – 데이터의 확률 분포를 직접 추정하지 않고 에너지 함수를 통해 간접적으로 모델링. – 생성, 밀도 추정, 이상 탐지 등 다양한 작업에 활용 가능. – 학습 시 정규화 상수를
ㅁ 에너지 기반 모델 ㅇ 정의: – 에너지 기반 모델(Energy-Based Model, EBM)은 데이터의 확률 분포를 에너지 함수로 표현하고, 낮은 에너지를 가지는 상태가 더 높은 확률을 갖도록 설계된 모델. ㅇ 특징: – 명시적 확률 분포를 직접 계산하지 않고, 에너지 함수를 통해 상대적인 확률 비교 가능. – 샘플링 기반 학습(MCMC 등)을 활용. – 생성 모델과 판별 모델
ㅁ 에너지 기반 모델 ㅇ 정의: 확률 분포를 에너지 함수로 표현하고, 낮은 에너지 상태가 높은 확률을 가지도록 설계된 모델. 주로 샘플링 기반 학습을 통해 데이터의 잠재 구조를 학습함. ㅇ 특징: – 에너지 함수로 데이터와 은닉 변수의 관계를 정의 – 확률 분포 계산 시 정규화 상수(Partition function) 필요 – 샘플링 기반 학습(Gibbs Sampling, Contrastive Divergence) 활용
ㅁ 에너지 기반 모델 ㅇ 정의: 확률 분포를 에너지 함수로 표현하여, 낮은 에너지 상태일수록 발생 확률이 높다고 가정하는 모델 계열. 상태 간 에너지 차이를 기반으로 데이터의 확률 구조를 학습함. ㅇ 특징: – 명시적 확률분포 대신 에너지 함수를 정의하고 이를 통해 확률을 유도. – 샘플링 기반 학습(MCMC 등) 필요. – 학습과 추론이 계산 집약적. ㅇ 적합한
ㅁ 강화학습 ㅇ 정의: 환경과 상호작용하며 보상을 최대화하는 방향으로 정책을 학습하는 머신러닝 기법. ㅇ 특징: – 에이전트, 환경, 상태, 행동, 보상으로 구성됨. – 시뮬레이션 환경에서의 반복 학습이 중요. – 탐험(Exploration)과 활용(Exploitation)의 균형 필요. ㅇ 적합한 경우: – 게임 AI, 로보틱스 제어, 자율 주행, 자원 최적화 문제. ㅇ 시험 함정: – 지도학습과 혼동하는 경우. – 보상
ㅁ 강화학습 ㅇ 정의: 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동 정책을 학습하는 기계학습 방법. ㅇ 특징: – 명시적인 정답 데이터 없이 보상 신호를 기반으로 학습. – 탐험(Exploration)과 활용(Exploitation)의 균형이 중요. – 상태, 행동, 보상, 정책, 가치함수 등의 개념 포함. ㅇ 적합한 경우: – 게임 AI, 로봇 제어, 자율주행 등 순차적 의사결정 문제. ㅇ 시험 함정:
ㅁ 멀티모달 구조 ㅇ 정의: 텍스트, 이미지, 음성 등 서로 다른 형태의 데이터를 동시에 처리하고 이해할 수 있는 인공지능 모델 구조를 의미하며, CoT(Chain of Thought)는 이러한 멀티모달 환경에서 모델이 단계적으로 추론 과정을 전개하도록 유도하는 기법이다. ㅇ 특징: – 복잡한 문제를 중간 단계로 나누어 해결 – 모델이 각 단계별로 명시적인 사고 과정을 출력 – 멀티모달 입력(예:
ㅁ 멀티모달 구조 ㅇ 정의: – 서로 다른 형태의 데이터(예: 이미지, 텍스트, 음성 등)를 결합하여 처리하는 모델 구조로, 각 모달리티 간의 상호 보완적인 정보 활용을 목표로 함. ㅇ 특징: – 데이터 간의 의미적 연결을 학습하여 단일 모달보다 더 풍부한 표현을 생성. – 모달 간 특징 추출기와 융합 모듈을 포함. – 주로 이미지 캡셔닝, 비디오 질의응답,
ㅁ 멀티모달 구조 ㅇ 정의: 서로 다른 형태의 데이터를 동시에 처리하고 결합하여 의미를 추론하는 모델 구조로, 예를 들어 음성(Speech)과 텍스트(Language)를 함께 이해하고 생성할 수 있는 시스템. ㅇ 특징: – 음성 신호를 텍스트로 변환(STT)하거나, 텍스트를 음성으로 변환(TTS)하는 기능과 더불어, 음성의 의미적 맥락을 언어 모델과 결합. – 음성의 억양, 감정, 발화 속도 등의 패턴을 이해하여 텍스트 의미와