ㅁ 합성 데이터

ㅇ 정의:
실제 데이터를 수집하지 않고 알고리즘, 규칙, 수학적 모델 등을 이용해 인공적으로 생성한 데이터.

ㅇ 특징:
– 개인정보 침해 위험이 낮음
– 실제 데이터 수집 비용과 시간이 절감됨
– 데이터 다양성 확보 가능
– 품질은 생성 알고리즘의 정밀도에 의존

ㅇ 적합한 경우:
– 실제 데이터 확보가 어렵거나 비용이 많이 드는 경우
– 개인정보 보호가 중요한 경우
– 다양한 시나리오 테스트가 필요한 경우

ㅇ 시험 함정:
– 합성 데이터가 항상 실제 데이터보다 품질이 낮다고 단정하는 것은 오답
– 합성 데이터는 반드시 현실과 동일해야 한다는 주장도 오답

ㅇ 시험 대비 “패턴 보기” 예시:
O: “합성 데이터는 개인정보 침해 위험을 줄이는 데 도움이 된다.”
X: “합성 데이터는 항상 실제 데이터보다 정확하다.”

================================

1. Procedural Generation

ㅇ 정의:
규칙 기반 알고리즘을 사용하여 데이터, 이미지, 환경 등을 자동으로 생성하는 기법. 주로 게임, 시뮬레이션, 3D 모델링에서 활용.

ㅇ 특징:
– 동일한 규칙과 시드(seed) 값으로 재현 가능
– 무한한 변형과 확장이 가능
– 생성 속도가 빠르며 대규모 데이터 생성에 유리
– 알고리즘 설계에 따라 품질 편차가 큼

ㅇ 적합한 경우:
– 게임 맵, 가상 환경, 3D 오브젝트 등 반복적이고 대규모 생성이 필요한 경우
– 데이터 다양성이 중요한 AI 학습용 데이터셋 생성
– 시뮬레이션 테스트 환경 구축

ㅇ 시험 함정:
– Procedural Generation이 완전히 무작위(random)로만 작동한다고 생각하는 것은 오답 (규칙 기반임)
– 시드 값이 다르면 동일한 결과를 얻을 수 있다는 주장도 오답

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Procedural Generation은 동일한 시드 값과 규칙으로 동일한 결과를 재현할 수 있다.”
X: “Procedural Generation은 항상 예측 불가능한 결과만 생성한다.”

ㅁ 추가 학습 내용

Procedural Generation의 핵심 개념
– 시드(seed) 기반 재현성: 동일한 시드 값을 사용하면 같은 결과를 재생성할 수 있음. 시드를 변경하면 다른 결과가 생성됨.
– 프랙탈(Fractal) 알고리즘: 자기유사성(Self-similarity)을 기반으로 복잡한 패턴이나 자연물 형태를 생성하는 알고리즘.
– 노이즈 함수: Perlin noise, Simplex noise 등이 대표적이며, 자연스러운 무작위 패턴을 생성하는 데 사용됨.

합성 데이터 생성 방식의 종류
– Procedural Generation: 규칙 기반 생성 방식. 시드 값과 규칙을 바탕으로 데이터 생성.
– GAN(Generative Adversarial Network): 생성자와 판별자가 경쟁하며 학습하는 비지도학습 기반 생성 모델.
– 시뮬레이션 기반 생성: 물리 법칙이나 환경 모델을 바탕으로 데이터를 시뮬레이션하여 생성.
– 데이터 증강(Data Augmentation): 기존 데이터를 변형(회전, 크기 변경, 색상 변화 등)하여 새로운 데이터처럼 활용.

시험에서 자주 묻는 구분 포인트
– Procedural Generation은 규칙 기반, GAN은 비지도학습 기반이라는 차이.
– 시드 값 변경 시 결과가 바뀌는지 여부.
– 품질 제어 방법: 파라미터 조정, 규칙 수정 등을 통해 결과 품질을 제어.