ㅁ 미래 전망 ㅇ 정의: 주변 환경에 지능형 컴퓨팅과 센서, 네트워크를 통합하여 사용자의 상황과 요구를 인식하고, 이를 기반으로 자연스럽게 서비스를 제공하는 지능형 환경 기술. ㅇ 특징: – 사물인터넷(IoT), 인공지능(AI), 센서 네트워크, 컨텍스트 인식 기술이 융합됨. – 사용자가 직접 명령하지 않아도 환경이 자동으로 반응. – 비가시적(ubiquitous) 컴퓨팅 기반으로 사용자 경험을 향상. – 개인정보 보호와 보안 이슈가

ㅁ 미래 전망 ㅇ 정의: AI-Powered Phones는 스마트폰에 인공지능(AI) 기술을 내장하여 음성인식, 이미지 분석, 예측 입력, 맞춤형 추천 등 다양한 지능형 기능을 제공하는 차세대 모바일 기기. ㅇ 특징: – 온디바이스 AI 칩셋(NPU) 탑재로 클라우드 연결 없이도 실시간 AI 연산 가능 – 사용자 행동 패턴 분석을 통한 맞춤형 UX 제공 – 카메라, 음성비서, 번역, 보안 등

ㅁ 국제 동향 ㅇ 정의: 인공지능의 의사결정 과정을 사람이 이해할 수 있도록 설명하는 능력 또는 기술. 모델의 입력, 처리 과정, 출력 결과 간의 관계를 명확히 하여 신뢰성을 확보하는 것을 목표로 함. ㅇ 특징: – 복잡한 딥러닝 모델의 경우 설명 가능성을 확보하기 위해 추가적인 알고리즘이나 시각화 도구 필요 – 규제 기관, 사용자, 개발자 등 이해관계자별로 요구되는

ㅁ 국제 동향 ㅇ 정의: AI Governance는 인공지능 기술의 개발, 배포, 활용 전 과정에서 법적, 윤리적, 사회적 기준을 수립하고 준수하도록 관리·감독하는 체계와 절차를 의미한다. ㅇ 특징: – 국제기구(OECD, UNESCO, EU 등)에서 제시하는 가이드라인과 원칙을 반영한다. – 법률, 규제, 표준, 인증, 감사 체계 등을 포함한다. – 투명성, 공정성, 책임성, 안전성 확보를 목표로 한다. – 기술 발전

ㅁ 국제 동향 ㅇ 정의: EU AI Regulations는 유럽연합(EU)이 인공지능(AI) 시스템의 개발, 배포, 사용 전 과정에서 안전성, 투명성, 인권 보호를 보장하기 위해 제정한 법적 규제 체계이다. ㅇ 특징: – 위험 기반 접근(Risk-based approach) 채택: AI 시스템을 위험 수준에 따라 금지, 고위험, 제한, 최소 위험으로 분류 – 고위험 AI에 대해 데이터 품질, 기록 유지, 투명성, 인적

ㅁ 개념 및 실천 ㅇ 정의: 서로 다른 형태(모달리티)의 데이터를 결합하여 분석·처리하는 접근 방식. 예를 들어 텍스트, 이미지, 오디오, 센서 데이터 등을 통합하여 모델에 입력하는 것을 의미함. ㅇ 특징: – 각 모달리티의 특성을 보존하면서 상호 보완적으로 활용 가능 – 데이터 표현의 다양성 확보 → 모델의 이해력 및 예측력 향상 – 데이터 간 동기화와 정렬(synchronization)이 중요

ㅁ 개념 및 실천 1. Tokenization ㅇ 정의: 텍스트 데이터를 의미 있는 최소 단위(토큰)로 분리하는 과정으로, 자연어 처리에서 문장이나 단어, 서브워드 단위로 나눌 수 있음. ㅇ 특징: – 언어별로 규칙이 다르며, 영어는 공백 기반이 많지만 한국어는 형태소 분석이 필요함 – 공백, 구두점, 특수문자 처리 규칙이 중요 – 전처리 단계에서 후속 분석(벡터화, 임베딩)에 직접적인 영향을 미침

ㅁ 개념 및 실천 ㅇ 정의: 데이터의 특성을 잘 반영하도록 원본 데이터를 변환, 생성, 선택하는 과정으로, 모델의 성능을 높이기 위해 도메인 지식을 활용하여 새로운 피처를 만드는 작업. ㅇ 특징: – 모델링 이전 단계에서 수행되며, 데이터 품질과 모델의 예측력을 크게 좌우함. – 결측치 처리, 스케일링, 인코딩, 파생 변수 생성 등이 포함됨. – 도메인 특화 지식을 활용하면

ㅁ 개념 및 실천 ㅇ 정의: 데이터 큐레이션(Data Curation)은 데이터의 수집, 검증, 정제, 저장, 배포 과정을 체계적으로 관리하여 데이터의 품질과 활용성을 극대화하는 활동을 의미한다. ㅇ 특징: – 데이터 수명 주기 전반을 관리하며, 메타데이터 관리와 품질 보증 절차를 포함한다. – 단순 저장이 아니라 분석 목적에 맞게 데이터의 구조와 형식을 조정한다. – 도메인 지식과 데이터 관리 기술이

ㅁ 기법 ㅇ 정의: – Chain-of-Thought Prompting(CoT)는 복잡한 문제를 해결하기 위해 모델이 중간 추론 단계를 명시적으로 서술하도록 유도하는 프롬프트 기법이다. 단순한 입력-출력 형태가 아니라, 사고 과정을 단계별로 나누어 답을 도출하도록 한다. ㅇ 특징: – 다단계 추론(multi-step reasoning)에 강점. – 수학 문제, 논리 퍼즐, 복잡한 의사결정 문제에서 정확도를 향상. – 프롬프트에 “Let’s think step by step”과