ㅁ 경량화 ㅇ 정의: 모델의 메모리 사용량과 연산량을 줄여 경량화하여 배포 및 추론 속도를 향상시키는 기술. ㅇ 특징: – 정확도 손실을 최소화하면서 모델 크기와 연산량 감소. – 모바일, 임베디드 환경 등 자원 제약 환경에서 필수. ㅇ 적합한 경우: – 실시간 추론이 필요한 경우. – 배터리 소모를 최소화해야 하는 경우. ㅇ 시험 함정: – 단순히 모델

ㅁ 전처리 확대 ㅇ 정의: 비정형 데이터(이미지, PDF, 스캔본, 다양한 문서 포맷 등)를 AI 학습이나 검색, 분석에 활용하기 위해 구조화·정제하는 사전 처리 범위를 확장하는 것. ㅇ 특징: – OCR, 문서 파서, 메타데이터 추출, 데이터 변환 API 등 다양한 기술 조합 – 데이터 품질 향상 및 처리 자동화 – 다양한 입력 포맷 대응 ㅇ 적합한 경우:

ㅁ AutoML/자동화 ㅇ 정의: – 데이터 전처리, 모델 선택, 하이퍼파라미터 튜닝, 평가 등을 자동화하여 비전문가도 머신러닝 모델을 구축할 수 있게 하는 기술. ㅇ 특징: – 다양한 알고리즘 후보를 자동으로 탐색하고 최적 조합을 선택. – 반복 실험과 튜닝 과정 단축. – GUI 기반 또는 코드 최소화 환경 제공. ㅇ 적합한 경우: – 빠른 프로토타이핑이 필요한 경우.

ㅁ 기술 1. Federated Learning ㅇ 정의: – 중앙 서버에 데이터를 모으지 않고, 각 클라이언트(디바이스, 기관)에서 모델을 학습하고 파라미터만 공유하여 전역 모델을 갱신하는 분산 학습 방식. ㅇ 특징: – 데이터 프라이버시 보호 강화. – 네트워크 부하 감소(모델 파라미터만 전송). – 클라이언트 환경 다양성(Non-IID 데이터)으로 인한 성능 편차 발생 가능. ㅇ 적합한 경우: – 의료, 금융

ㅁ 효율화 ㅇ 정의: AI 시스템의 설계·운영 과정에서 에너지 사용과 자원 소비를 최소화하여 지속 가능성을 높이는 접근. ㅇ 특징: – 연산 효율 최적화, 하드웨어 활용 극대화 – 모델 경량화, 데이터 처리 효율 증대 – 환경적 영향 최소화 목표 ㅇ 적합한 경우: – 장기간 운영되는 AI 서비스 – 데이터센터 운영비 절감 필요 시 ㅇ 시험 함정:

ㅁ 하드웨어/응용 1. Edge TPU ㅇ 정의: 구글이 개발한 저전력 고성능 AI 추론 전용 ASIC 칩으로, 엣지 디바이스에서 머신러닝 모델을 빠르게 실행하도록 설계됨. ㅇ 특징: – TPU 아키텍처 기반, 초저전력(수백 mW 수준)으로 동작 – TensorFlow Lite 모델 최적화 지원 – 클라우드 연결 없이 로컬 추론 가능 ㅇ 적합한 경우: – IoT 기기에서 실시간 이미지 분류,

ㅁ 불확실성 추정 ㅇ 정의: 확률적 모델링을 통해 예측 결과의 신뢰도나 불확실성을 정량적으로 추정하는 기법. ㅇ 특징: – 출력값뿐만 아니라 예측의 불확실성까지 제공 – 의사결정 리스크를 줄이는 데 유용 – 모델의 과적합 여부나 데이터 부족 상황 판단 가능 ㅇ 적합한 경우: – 의료 진단, 금융 리스크 분석 등 오판 비용이 큰 분야 – 데이터가 불완전하거나

ㅁ 최신 이슈 ㅇ 정의: 대규모 언어모델(LLM) 연구에서 최근 주목받는 기술적/윤리적 과제 및 개선 기법들을 의미하며, 모델의 성능·안전성·사용자 경험 향상을 목표로 함. ㅇ 특징: – 빠르게 변화하는 기술 트렌드 반영 – 모델 훈련·추론·평가 등 전 과정에 걸친 개선 포인트 포함 – 윤리적·법적 이슈와 직결되는 경우 많음 ㅇ 적합한 경우: – 최신 연구 동향 파악이 필요한

ㅁ 프롬프트 설계 1. Zero-shot ㅇ 정의: 사전 예시 없이 모델에 질문이나 명령을 주어 바로 답변을 생성하게 하는 프롬프트 기법. ㅇ 특징: – 학습 시 포함된 일반 지식을 활용. – 빠르고 간단하지만, 복잡한 문제에서는 정확도가 낮을 수 있음. ㅇ 적합한 경우: – 단순 질의응답. – 분류 기준이 명확한 경우. ㅇ 시험 함정: – 예시 없이도

ㅁ 대표 기법 1. 클러스터링 ㅇ 정의: 데이터의 유사도나 거리 기반으로 그룹을 자동으로 나누는 비지도 학습 기법. ㅇ 특징: 라벨이 없는 데이터에서 패턴을 찾음, K-means, DBSCAN, 계층적 클러스터링 등 다양한 알고리즘 존재. ㅇ 적합한 경우: 고객 세분화, 이상치 탐지, 문서 분류 등. ㅇ 시험 함정: K-means는 구형(球形) 클러스터에 적합하다는 점, 초기 중심값 설정에 따라 결과가