ㅁ 주요 기법 1. FFT ㅇ 정의: – Fast Fourier Transform으로, 시계열 데이터를 주파수 영역으로 변환하는 알고리즘. ㅇ 특징: – 시간 영역 데이터를 주파수 성분으로 분해하여 주기성을 분석. – 계산 속도가 빠르고 대규모 데이터 처리에 효율적. ㅇ 적합한 경우: – 주기성 분석, 신호 처리, 잡음 제거. ㅇ 시험 함정: – FFT는 시간-주파수 동시 해석이 불가능하며,

ㅁ 보안 기술 ㅇ 정의: 데이터 전처리 단계에서 개인정보, 기밀 정보 등을 보호하기 위한 다양한 기술과 방법을 총칭. ㅇ 특징: 데이터 유출 방지, 무단 접근 차단, 데이터 변조 방지 등 보안 목표를 달성하기 위한 기술 집합. ㅇ 적합한 경우: 민감 데이터 처리, 규제 준수 필요, 외부 공유 전 데이터 보호가 필요한 경우. ㅇ 시험 함정:

ㅁ 라벨링 방법 ㅇ 정의: 데이터에 의미 있는 태그나 클래스를 부여하는 절차로, 모델 학습을 위해 입력 데이터와 정답(label)을 매핑하는 과정. ㅇ 특징: 데이터 품질과 모델 성능에 직접적인 영향을 미치며, 라벨링 방법에 따라 비용, 시간, 정확도가 달라짐. ㅇ 적합한 경우: 데이터셋 구축 초기 단계, 모델 성능 향상을 위해 정확한 정답 데이터가 필요한 경우. ㅇ 시험 함정:

ㅁ 의료 AI ㅇ 정의: 의료 분야에서 인공지능 기술을 활용하여 진단, 치료, 예후 예측, 약물 개발 등을 지원하는 기술 영역. ㅇ 특징: 대규모 의료 데이터(의료 영상, 전자의무기록, 유전체 데이터 등)를 분석하여 의사결정 지원, 자동화, 예측 모델을 제공. ㅇ 적합한 경우: 방대한 환자 기록과 영상 데이터가 축적되어 있고, 분석 속도와 정확성이 중요한 의료 환경. ㅇ 시험

ㅁ 합성 데이터 ㅇ 정의: 실제 데이터를 수집하지 않고 인공적으로 생성한 데이터로, AI 모델 학습이나 테스트 목적에 활용됨. ㅇ 특징: 개인정보 침해 위험이 적고, 데이터 부족 문제를 해결하며, 다양한 시나리오를 재현 가능. ㅇ 적합한 경우: 민감정보 보호가 필요한 의료·금융 데이터, 희귀 이벤트 데이터 확보가 어려운 경우. ㅇ 시험 함정: 합성 데이터가 항상 실제 데이터의 통계적

ㅁ 뉴로시mbolic AI ㅇ 정의: – 신경망(Neural Network)의 패턴 인식 능력과 기호 기반(Symbolic) 추론의 논리적 엄밀성을 결합한 AI 접근 방식. ㅇ 특징: – 데이터 기반 학습과 규칙 기반 추론을 동시에 활용. – 설명 가능성(XAI) 향상. – 소량 데이터에서도 추론 가능. ㅇ 적합한 경우: – 복잡한 규칙과 패턴이 동시에 필요한 문제. – 법률, 의료, 과학 연구

ㅁ AI 윤리 ㅇ 정의: 인공지능 기술의 개발, 배포, 활용 과정에서 인간의 가치, 사회적 책임, 법적 규범을 준수하도록 하는 원칙과 지침. ㅇ 특징: – 기술적 성능뿐 아니라 사회적 영향, 법적 준수, 신뢰성 확보를 중시 – 데이터 편향, 알고리즘 불투명성, 책임소재 불명확 등의 문제를 예방 ㅇ 적합한 경우: – 공공 서비스, 의료, 금융 등 사회적 영향이

ㅁ 생성형 에이전트 ㅇ 정의: 생성형 AI 모델이 자율적으로 목표를 설정하고, 외부 도구나 API를 호출하며, 복잡한 작업을 순차적으로 수행하는 지능형 시스템. ㅇ 특징: – 프롬프트 기반이 아닌 목표 지향적 실행 – 메모리와 계획 기능을 통해 장기 작업 수행 가능 – 외부 환경과 상호작용하여 데이터 수집 및 의사결정 수행 ㅇ 적합한 경우: – 반복적이고 다단계의 복잡한

ㅁ 경량 모델 최적화 ㅇ 정의: 대규모 딥러닝 모델의 파라미터 수와 연산량을 줄여 메모리 사용량과 추론 속도를 개선하는 기법들의 집합. ㅇ 특징: – 모델 경량화와 성능 유지의 균형이 중요 – 모바일·엣지 디바이스 배포에 필수적 – 다양한 수학적/통계적 기법 활용 ㅇ 적합한 경우: – 리소스 제약 환경에서 모델 배포 – 실시간 응답이 중요한 서비스 ㅇ 시험

ㅁ 지능형 캐싱 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Feature Store Caching ㅇ 정의: – 머신러닝 모델 학습·추론 시 자주 사용되는 피처 데이터를 메모리나 빠른 저장소에 캐싱하여 지연 시간을 줄이는 기법. ㅇ 특징: – 데이터베이스나 데이터 레이크에서 매번 불러오는 대신, 최근 또는 자주