ㅁ 적합성 평가 1. Random Erasing 효과 ㅇ 정의: – 이미지의 임의 영역을 사각형 형태로 제거(마스킹)하여 일부 픽셀 값을 무작위로 채우는 데이터 증강 기법. ㅇ 특징: – 모델이 특정 부분에만 의존하지 않고 전체적인 패턴을 학습하도록 유도. – 과적합 방지 효과. – 제거 영역 크기와 위치를 무작위로 설정. ㅇ 적합한 경우: – 객체 검출, 분류 모델에서

ㅁ 정확도 및 변환 1. inplace 처리 ㅇ 정의: – 데이터프레임이나 시리즈를 메서드 실행 시 원본 객체를 직접 수정하는 방식. ㅇ 특징: – 메모리 절약 가능. – 반환값이 None인 경우가 많음. – 원본 데이터가 변경되므로 복구 어려움. ㅇ 적합한 경우: – 대용량 데이터 처리 시 메모리 사용 최소화가 필요할 때. – 중간 결과 저장이 불필요한

ㅁ 심화 특수 토큰 ㅇ 정의: ㅇ 특징: ㅇ 적합한 경우: ㅇ 시험 함정: ㅇ 시험 대비 “패턴 보기” 예시: ================================ 1. Dynamic Padding ㅇ 정의: 입력 시퀀스의 길이에 맞추어 배치(batch)별로 패딩 길이를 동적으로 조정하는 기법. ㅇ 특징: – 불필요한 패딩 토큰 수를 최소화하여 메모리 효율과 연산 속도를 개선. – 배치마다 패딩 길이가 달라짐. –

ㅁ 스케줄링/조기종료 ㅇ 정의: 모델 학습 과정에서 학습률, 반복 횟수, 손실 변화 등을 제어하여 과적합을 방지하고 학습 효율을 높이는 기법들의 집합 ㅇ 특징: – 학습 중간에 동적으로 파라미터를 조정하거나 학습을 중단 – 불필요한 연산 낭비를 줄이고 일반화 성능 향상 ㅇ 적합한 경우: – 데이터셋이 작거나 과적합 가능성이 높은 경우 – 학습 시간이 제한된 경우 ㅇ

ㅁ RLOps 알고리즘/최적화 1. Proximal Policy Optimization(PPO) ㅇ 정의: – 정책 기반 강화학습 알고리즘으로, 기존 정책과 새로운 정책 간의 변화 폭을 제한하여 안정적인 학습을 유도하는 방법. ㅇ 특징: – Clipping 기법을 사용하여 정책 업데이트 폭을 제한 – On-policy 방식으로, 최근 수집한 데이터를 기반으로 학습 – 비교적 구현이 간단하고 안정성이 높음 ㅇ 적합한 경우: – 환경의

ㅁ NAS 메타러닝 주요 기법 ㅇ 정의: 신경망 구조 탐색(NAS)에서 다양한 모델 구조를 효율적으로 찾기 위해 메타러닝 기법을 적용하는 접근 방식. ㅇ 특징: 탐색 공간 설계, 탐색 전략, 성능 추정, 구조 인코딩 등 여러 구성 요소로 나뉘며, 효율성과 정확도의 균형이 중요함. ㅇ 적합한 경우: 제한된 연산 자원에서 최적의 모델 구조를 찾아야 하거나, 다양한 하드웨어 환경에

ㅁ 모델 경량화 및 효율화 1. Pruning ㅇ 정의: – 신경망에서 중요도가 낮은 가중치나 뉴런 연결을 제거하여 모델 크기와 연산량을 줄이는 기법. ㅇ 특징: – 파라미터 수 감소, 메모리 사용량 절감, 추론 속도 향상. – 구조적(Structural) Pruning과 비구조적(Unstructured) Pruning으로 구분. ㅇ 적합한 경우: – 모델이 지나치게 크고, 메모리나 연산 자원이 제한적인 환경. – 모바일, 임베디드

ㅁ 최적화 전략 ㅇ 정의: 모델 학습 과정에서 성능을 향상시키고 일반화 능력을 높이기 위해 적용하는 다양한 기법과 절차. ㅇ 특징: 데이터 분포와 모델 복잡도에 따라 다양한 기법을 조합하여 사용하며, 학습 곡선 분석을 통해 전략을 선택함. ㅇ 적합한 경우: 모델이 과적합 또는 언더피팅을 보이거나 학습 속도 및 안정성이 떨어질 때. ㅇ 시험 함정: 특정 기법이 모든

ㅁ 자동 설계 ㅇ 정의: 인공지능 모델의 구조를 사람이 직접 설계하지 않고, 알고리즘이 자동으로 탐색하여 최적의 아키텍처를 찾아내는 기술. ㅇ 특징: – 모델 설계 자동화로 인적 자원 절감 – 대규모 연산 자원 필요 – 탐색 공간, 탐색 전략, 성능 예측기로 구성 ㅇ 적합한 경우: – 새로운 문제 영역에서 최적 구조를 빠르게 찾고자 할 때 –

ㅁ 자동화 및 수준 ㅇ 정의: AI 모델 개발 및 운영 과정에서 데이터 수집, 학습, 배포, 모니터링 등의 절차를 자동화 수준에 따라 구분한 개념. ㅇ 특징: Level 0~Level 2 등으로 나뉘며, 수동에서 완전 자동화로 발전. 자동화 수준이 높을수록 재현성, 신속성, 품질 관리가 용이. ㅇ 적합한 경우: 조직의 MLOps 성숙도 평가, 자동화 로드맵 수립 시 활용.