[카테고리:] AI 이론

ㅁ AIOps ㅇ 정의: 인공지능(AI)과 머신러닝(ML) 기술을 활용하여 IT 운영 데이터를 분석하고, 이상 징후를 탐지하며, 자동화된 대응을 수행하는 운영 방식. ㅇ 특징: – 로그, 메트릭, 이벤트 데이터를 통합 분석 – 실시간 모니터링 및 예측 기능 제공 – 반복적 운영 작업 자동화 ㅇ 적합한 경우: – 대규모 IT 인프라 운영 – 복잡한 장애 원인 분석 및

ㅁ 지속학습/재학습 ㅇ 정의: 과거에 학습한 지식을 유지하면서 새로운 데이터나 환경 변화에 맞춰 지속적으로 모델을 업데이트하는 학습 방식. ㅇ 특징: – 데이터가 순차적으로 도착하는 환경에서 유용 – 기존 모델의 가중치를 기반으로 추가 학습 진행 – Catastrophic Forgetting 방지 기술 필요 ㅇ 적합한 경우: – 실시간 데이터 스트리밍 처리 – IoT 센서 데이터 분석 – 사용자

ㅁ 연합학습 ㅇ 정의: 여러 기관이나 장치에서 데이터를 로컬에 보관한 채 모델을 공동 학습하는 분산형 머신러닝 방식. ㅇ 특징: 데이터 이동 없이 모델 파라미터만 공유, 개인정보 보호 강화, 네트워크 지연 및 통신량 최적화 필요. ㅇ 적합한 경우: 의료, 금융 등 민감 데이터가 외부로 나갈 수 없는 환경에서 협력 학습이 필요한 경우. ㅇ 시험 함정: 중앙

ㅁ 프롬프트 엔지니어링 ㅇ 정의: – 대규모 언어 모델(LLM)이나 생성형 AI에서 원하는 출력 결과를 얻기 위해 입력 문장(프롬프트)을 설계·조정하는 기법. ㅇ 특징: – 모델 파라미터를 변경하지 않고 입력 구조와 예시, 지시문 등을 최적화. – 자연어 형식으로 작성되며, 모델의 내부 지식과 추론 능력을 유도. ㅇ 적합한 경우: – 모델 재학습 없이 성능 향상을 원할 때. –

ㅁ 최적화 기법 1. Adam ㅇ 정의: – Adaptive Moment Estimation의 약자로, 1차 모멘트(평균)와 2차 모멘트(분산)을 모두 고려하여 학습률을 조정하는 최적화 알고리즘. ㅇ 특징: – 모멘텀과 RMSProp의 장점을 결합. – 학습률을 각 파라미터별로 동적으로 조절. – 초기 학습 속도가 빠르고, 비교적 적은 튜닝으로도 좋은 성능. ㅇ 적합한 경우: – 데이터 특성이 다양하고 비정규화된 경우. –

ㅁ 불확실성 추정 ㅇ 정의: 모델의 예측 결과에 대한 신뢰도를 정량적으로 측정하는 기법으로, 예측값과 함께 불확실성 정도를 제공하여 의사결정의 안정성을 높임. ㅇ 특징: – 확률적 모델링을 통해 예측값의 분포를 추정 – 데이터 불확실성(aleatoric)과 모델 불확실성(epistemic) 구분 가능 – 의료, 자율주행, 금융 등 고위험 분야에서 중요 ㅇ 적합한 경우: – 예측 결과의 신뢰도를 기반으로 후속 조치를

ㅁ 책임 있는 AI ㅇ 정의: 인공지능 시스템이 공정성, 투명성, 안전성, 책임성을 갖추도록 설계·운영하는 접근 방식. ㅇ 특징: – 윤리적 원칙과 법규 준수를 목표로 함 – 데이터 수집부터 모델 배포까지 전 과정 관리 – 이해관계자의 신뢰 확보를 중시 ㅇ 적합한 경우: – 금융, 의료, 공공 분야 등 사회적 영향이 큰 AI 적용 시 – 규제

ㅁ 에너지 기반 모델 ㅇ 정의: – 데이터의 확률분포를 에너지 함수로 표현하고, 낮은 에너지를 가지는 상태가 높은 확률을 갖도록 모델링하는 기법. ㅇ 특징: – 확률분포 추정에 강점이 있으나, 학습 시 복잡한 정규화 상수 계산이 필요. – 샘플링 기반 학습(MCMC 등) 필요. ㅇ 적합한 경우: – 데이터의 잠재 구조를 학습하거나 생성 모델로 활용할 때. ㅇ 시험

ㅁ 강화학습 ㅇ 정의: 에이전트가 환경과 상호작용하며 보상을 최대화하는 방향으로 정책을 학습하는 기계학습 방법. ㅇ 특징: 상태(State), 행동(Action), 보상(Reward)의 3요소를 기반으로 함. 탐험(Exploration)과 활용(Exploitation)의 균형이 중요. ㅇ 적합한 경우: 게임, 로보틱스 제어, 자율주행 등 시뮬레이션 기반 환경에서 최적 정책을 찾아야 하는 경우. ㅇ 시험 함정: 지도학습과 혼동, 보상 지연 문제를 간과, 정책과 가치기반 방법의 차이를

ㅁ 멀티모달 구조 ㅇ 정의: 텍스트, 이미지, 음성 등 서로 다른 형태의 데이터를 동시에 처리하고 이해할 수 있도록 설계된 모델 구조. ㅇ 특징: – 서로 다른 모달리티 간의 정보 융합 필요 – 모달별 인코더와 공통 표현 공간 사용 – 학습 시 멀티태스크 또는 공동 학습 기법 활용 ㅇ 적합한 경우: – 이미지 캡셔닝, 비디오 설명,