반응형

📝인공지능

컴퓨터가 인간처럼 사고, 학습, 문제를 해결, 판단할 수 있도록 설계된 기술입니다.

 

📝머신러닝

데이터를 학습하여 특정 작업을 수행할 수 있도록 컴퓨터를 훈련시키는 기술입니다. 인간은 데이터를 넣어주고 학습방법에 따라 훈련시킵니다. 예를 들면 고양이 사진을 주고 고양이 특징을 알려줬을 때 다른 고양이 사진을 주면 고양이라고 판단합니다.

 

훈련기술은 아래와 같습니다.

 

  • 지도학습
    • 입력 데이터와 정답이 주어진 상태에서 학습 → 이메일 스팸 필터
  • 비지도학습
    • 정답이 없는 데이터를 분석하고 패턴을 학습 → 이미지 분류
  • 강화학습
    • 보상을 기반으로 최적의 행동을 학습 → 알파고(바둑)

 

 

📝딥러닝

머신러닝의 하위 분야로 인공 신경망을 기반으로 데이터를 학습시키는 기술입니다. 머신러닝과 달리 사람의 개입 없이 중요한 특징을 알아서 추출합니다. 예를 들면 고양이 사진을 여러개를 주면 알아서 특징을 파악하고 다른 고양이 사진을 줬을 때 얘가 고양인지 파악할 수 있습니다.

 

  • 입력층
    • 입력데이터를 신경망에 전달하는 첫번째 층이다. 데이터만 전달하며 함수나 가중치 계산은 없다.
  • 은닉층
    • 입력 데이터를 변환하고 학습하는 신경망의 중간층이다. 은닉층이 많아질수록 더 복잡한 패턴 학습이 가능하다. 일반적으로 그렇지만 많은 시도를 해서 자기가 원하는 최적의 결과를 얻을때까지 해야한다. (사실 나도 안 해봐서 잘 모름)
  • 출력층
    • 신경망의 최종 결과를 출력하는 층이다.

 

📝머신러닝 vs 딥러닝

특징 머신러닝 딥러닝
데이터 처리 사람이 데이터를 분석하고 특징을 수동 정의 신경망이 데이터를 입력받아 특징을 자동으로 추출
데이터 요구량 비교적 적은 데이터로도 학습 가능 방대한 데이터 필요 (방대할 수록 성능이 올라간다)
컴퓨팅 자원 적은 연산 자원으로도 학습 가능 고성능 GPU 필요
비정형 데이터 처리 주로 구조화된 데이터(엑셀, 테이블) 처리에 적합 이미지, 텍스트, 음성 등 비정형 데이터를 처리 가능
특징 추출 사람이 직접 특징을 추출하게끔 설계 자동으로 특징 추출

 

 

📝LLM (대규모 언어 모델)

대규모 데이터로 학습된 언어 모델로, 자연어를 이해하고 생성하는 데 사용됩니다. LLM은 특히 수십억에서 수조 개의 매개변수(parameters)를 가진 신경망 모델로, 복잡한 언어적 패턴을 학습할 수 있습니다.

 

📝생성형 AI

데이터를 학습하여 새로운 콘텐츠(텍스트, 이미지, 음악 등)를 생성할 수 있는 AI 기술입니다. LLM과 딥러닝 기술을 이용해 텍스트, 이미지, 음성 등을 생성합니다.

 

 

📝자연어 처리

인간의 언어(자연어)를 컴퓨터가 이해하고 생성하며 처리할 수 있도록 하는 기술입니다.

반응형