ㅁ 응용 분야 ㅇ 정의: 첨단 모빌리티는 전기차, 자율주행차, 도심항공모빌리티(UAM), 하이퍼루프 등 최신 기술을 적용하여 이동 수단의 효율성과 안전성을 극대화하는 산업 분야를 의미함. ㅇ 특징: – 전기동력, 인공지능, IoT, 5G/6G 통신 등 복합 기술 융합 – 친환경, 저탄소, 스마트 교통 인프라와 연계 – 데이터 기반 실시간 경로 최적화 및 차량 상태 모니터링 – 규제와 표준화
ㅁ 응용 분야 ㅇ 정의: AI 기반 헬스케어는 인공지능 기술을 활용하여 질병 예측, 진단, 치료 추천, 환자 모니터링 등 의료 서비스의 효율성과 정확성을 높이는 응용 분야를 의미한다. ㅇ 특징: – 대규모 의료 데이터(EMR, 영상, 유전체 데이터 등)를 분석하여 패턴을 학습 – 의사 보조 역할로서 진단 정확도 향상 – 실시간 모니터링 및 예측 가능 – 규제와
ㅁ 중점 이슈 ㅇ 정의: AI 모델이 의사결정을 내리는 과정을 사람이 이해할 수 있도록 설명 가능성을 검증하고, 이를 통해 모델의 신뢰성과 투명성을 확보하는 절차. ㅇ 특징: – 모델의 입력, 처리 과정, 출력에 대한 해석 가능성 평가 – 규제 준수 및 감사 목적 활용 – 블랙박스 모델에 대한 설명력 확보를 위한 도구와 기법 사용 – 내부/외부
ㅁ 중점 이슈 ㅇ 정의: 데이터나 알고리즘이 특정 집단, 속성, 상황에 대해 불공정하거나 왜곡된 결과를 내는 편향을 식별하는 과정. ㅇ 특징: – 통계적 분석, 모델 출력 비교, 샘플링 점검 등을 통해 편향 여부를 탐지. – 데이터 수집 단계부터 모델 배포 이후까지 전 과정에서 수행 가능. – 자동화된 도구와 사람의 해석이 함께 필요. ㅇ 적합한 경우:
ㅁ 중점 이슈 ㅇ 정의: AI 시스템이나 데이터 처리 과정에서 특정 집단이나 개인에게 불공정한 결과가 발생하지 않도록, 알고리즘과 데이터셋을 체계적으로 점검·평가하는 절차. ㅇ 특징: – 데이터 수집, 전처리, 모델 학습, 예측 단계 전반에 걸쳐 편향(bias) 여부를 분석. – 정량적 지표(정확도, 재현율, false positive rate 등)와 정성적 검토를 병행. – 외부 감사 또는 제3자 검증을 통해
ㅁ 중점 이슈 1. Responsible AI ㅇ 정의: 인공지능 시스템의 설계, 개발, 배포, 운영 전 과정에서 윤리적 원칙과 사회적 책임을 준수하며, 공정성, 투명성, 안전성, 프라이버시 보호를 보장하는 AI 접근 방식. ㅇ 특징: – 공정성(Fairness): 편향 최소화 및 차별 방지 – 투명성(Transparency): AI의 의사결정 과정 설명 가능 – 책임성(Accountability): 오류 발생 시 책임 소재 명확화 –
ㅁ 정책 기법 ㅇ 정의: 강화학습에서 정책 기반 방법(Actor)과 가치 기반 방법(Critic)을 결합한 알고리즘 계열로, Actor는 행동을 선택하는 정책을 학습하고, Critic은 해당 정책의 가치를 평가하여 Actor의 학습을 돕는다. ㅇ 특징: – 정책과 가치 함수를 동시에 학습하여 안정성과 수렴 속도를 높인다. – Actor는 확률적 정책을 업데이트하고, Critic은 TD오차(Temporal Difference Error)를 기반으로 평가한다. – 연속적 행동 공간에서도
ㅁ 정책 기법 1. Value Iteration ㅇ 정의: 마르코프 결정 과정(MDP)에서 각 상태의 가치를 반복적으로 업데이트하여 최적 정책을 도출하는 동적 계획법 기법. 벨만 최적 방정식을 이용해 수렴 시 최적 가치 함수와 정책을 동시에 얻는다. ㅇ 특징: – 모든 상태에 대해 가치 함수를 반복 계산 – 수렴 시점에서 정책 추출 가능 – 초기 정책 불필요, 가치
ㅁ 정책 기법 ㅇ 정의: 강화학습에서 에이전트의 정책(행동 확률 분포)을 직접 최적화하는 방법으로, 가치 함수 대신 정책 파라미터를 경사하강법으로 업데이트하는 기법. ㅇ 특징: – 연속적 행동 공간에 적합 – 확률적 정책을 통해 탐험(exploration) 보장 – 정책 파라미터를 직접 업데이트하므로 가치 함수 기반 방법보다 수렴이 안정적일 수 있음 – REINFORCE, Actor-Critic 등 다양한 변형 존재 ㅇ
ㅁ 융합 개념 ㅇ 정의: 지식 그래프(Knowledge Graph)의 구조적·의미적 지식 표현과 심층 신경망(DNN)의 패턴 인식·추론 능력을 결합한 AI 접근 방식. ㅇ 특징: – 지식 그래프는 개념과 관계를 노드·엣지로 표현하여 해석 가능성(Explainability)을 제공. – DNN은 대규모 데이터에서 복잡한 패턴을 학습하고 비정형 데이터 처리에 강점. – 융합 시, 데이터 기반 학습과 규칙 기반 추론의 장점을 모두 활용