ㅁ AIOps ㅇ 정의: 인공지능(AI)과 머신러닝(ML) 기술을 활용하여 IT 운영 데이터를 분석하고, 이상 상황을 자동으로 감지·대응하는 운영 자동화 플랫폼. ㅇ 특징: 대규모 로그·메트릭·트레이스 데이터를 실시간 분석, 패턴 인식 기반의 문제 예측, 자동화된 대응 시나리오 실행. ㅇ 적합한 경우: 클라우드·하이브리드 환경에서 서비스 안정성과 운영 효율성을 동시에 확보해야 하는 경우. ㅇ 시험 함정: 단순 모니터링 도구와 AIOps의

ㅁ 지속학습/재학습 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Continual Learning ㅇ 정의: 시간 경과에 따라 새로운 데이터나 작업이 주어질 때, 기존 지식을 유지하며 점진적으로 학습하는 기법. ㅇ 특징: – 전체 데이터를 재학습하지 않고도 새로운 지식 추가 가능 – 모델이 환경 변화에 적응 가능

ㅁ 연합학습 ㅇ 정의: 여러 기관이나 디바이스가 데이터를 중앙 서버에 모으지 않고, 각자 모델을 학습한 후 파라미터만 공유하여 전체 모델을 개선하는 분산 학습 방식. ㅇ 특징: 데이터 프라이버시 보호, 네트워크 대역폭 절감, 다양한 환경에서의 모델 일반화 가능. ㅇ 적합한 경우: 의료, 금융 등 데이터 이동이 법적·윤리적으로 제한되는 환경. ㅇ 시험 함정: 데이터 자체를 공유하지 않는다는

ㅁ 프롬프트 엔지니어링 ㅇ 정의: – 대규모 언어 모델(LLM) 등 생성형 AI 모델의 출력 품질을 높이기 위해 입력 프롬프트를 전략적으로 설계·조정하는 기법. ㅇ 특징: – 모델 재학습 없이도 성능 개선 가능 – 자연어 기반 지시문, 예시, 맥락 정보를 포함 – 과적합 위험은 낮지만 프롬프트 길이에 따른 토큰 비용 증가 가능 ㅇ 적합한 경우: – 모델

ㅁ 최적화 기법 ㅇ 정의: 모델 학습 과정에서 손실 함수를 최소화하기 위해 가중치를 갱신하는 방법들의 집합. ㅇ 특징: – 경사 하강법을 기반으로 다양한 변형 알고리즘 존재 – 학습 속도와 안정성, 수렴 품질에 큰 영향을 미침 – 하이퍼파라미터 설정이 성능에 결정적 ㅇ 적합한 경우: – 복잡한 신경망 학습 시 효율적인 수렴 필요할 때 – 데이터 크기,

ㅁ 불확실성 추정 ㅇ 정의: 모델이 예측한 결과에 대해 신뢰도를 수치로 표현하는 기법으로, 예측값의 분포나 변동성을 분석하여 모델의 불확실성을 정량화함. ㅇ 특징: – 단일 예측값뿐 아니라 예측 분포를 고려함 – 의사결정의 위험도를 줄이는 데 활용 – 데이터 부족, 분포 변화 상황에서 중요 ㅇ 적합한 경우: – 의료 진단, 자율주행 등 오판의 비용이 큰 분야 –

ㅁ 책임 있는 AI ㅇ 정의: 인공지능 시스템이 사회적, 윤리적, 법적 기준을 준수하며 공정하고 투명하게 작동하도록 설계·운영하는 개념. ㅇ 특징: – 공정성, 투명성, 설명 가능성, 안전성, 개인정보 보호를 포함 – 이해관계자 신뢰 확보를 목표로 함 – 규제 준수 및 기업 윤리 정책과 연계 ㅇ 적합한 경우: – 금융, 의료, 채용 등 사회적 영향이 큰 AI

ㅁ 에너지 기반 모델 ㅇ 정의: – 확률분포를 에너지 함수로 표현하고, 낮은 에너지 값을 갖는 상태를 더 높은 확률로 간주하는 모델 계열. ㅇ 특징: – 명시적 확률 계산이 어려운 경우가 많아 MCMC 등 샘플링 기반 학습 필요. – 비지도 학습, 생성 모델링에 활용. ㅇ 적합한 경우: – 데이터의 복잡한 분포 학습이 필요할 때. – 라벨이

ㅁ 강화학습 ㅇ 정의: 에이전트가 환경과 상호작용하며 보상을 최대화하는 방향으로 정책을 학습하는 기계학습 방법. ㅇ 특징: – 시퀀스 의사결정 문제 해결에 적합 – 탐험(Exploration)과 이용(Exploitation)의 균형 필요 – 보상 설계가 학습 성능에 큰 영향 ㅇ 적합한 경우: – 게임 AI, 로봇 제어, 자율주행 등 시뮬레이션 기반 학습이 가능한 경우 ㅇ 시험 함정: – 지도학습과 혼동하여

ㅁ 멀티모달 구조 ㅇ 정의: 텍스트, 이미지, 음성 등 서로 다른 형태의 데이터를 동시에 처리하고 이해할 수 있도록 설계된 모델 구조. ㅇ 특징: – 입력 데이터의 형식이 다르더라도 공통 표현 공간에서 의미를 매칭. – 각 모달리티별 인코더와 이를 통합하는 융합 모듈 포함. – 학습 시 멀티태스크 학습, 대규모 사전학습 활용. ㅇ 적합한 경우: – 이미지