6 posts tagged with "pe/algorithm"

인공지능 시스템 신뢰성 제고를 위한 요구사항 개요​

인공지능 시스템 신뢰성 제고를 위한 요구사항 개념​

• 인공지능 기술이 적용된 시스템의 신뢰성 제고를 위해, 인공지능 개발 및 운영 등의 전체 인공지능 생명주기에서 이해관계자들이 충족해야할 요구사항 제공

인공지능 시스템 신뢰성 제고를 위한 요구사항 필요성​

위 표는 인공지능 시스템 신뢰성 제고를 위한 세 가지 주요 고려사항을 명사형 종결어미를 사용하여 요약한 것입니다.

인공지능 시스템 신뢰성 제고를 위한 요구사항 구성도, 구성요소​

구성도​

계획 수립 -> 데이터 점검 -> 오픈소스 라이브러리 점검 -> 모델 보안 대책 수립 -> 알림 정책 수립 -> 설명가능성 점검

구성요소​

• AI 생명주기 전 영역에서 인공지능 시스템 신뢰성 제고를 위한 활동 필요.

AI 시스템 생명 주기별 요구사항​

다음은 요청하신 대로 내용을 키워드 기반으로 요약한 표입니다.

• 지속적 확인단계는 서비스 운영 중 지속적인 학습을 수행하는 경우 한해 적용

AI 시스템 신뢰성 제고를 위한 고려사항​

기타​

AI 시스템 이해관계자​

• AI제공자: 플랫폼 제공자, 서비스 제공자
• AI생산자: AI개발자, 데이터 과학자
• AI고객: 서비스 사용자, 서비스 운영자
• AI파트너: 시스템 통합자, 데이터 공급자
• AI영향대상: 데이터 영향대상, 시민 단체
• 관계기관: 규제기관, 정책입안자

해외 AI 신뢰성 요구사항​

• 유네스코: 인공지능 윤리권고
• EU: The Assessment List on Trustworthy Artificial Intelligence

참조​

• AI 신뢰성 센터

AutoGPT 개요​

AutoGPT 개념​

• GPT-4 기반으로 질문의 태스크를 생성하고, 에이전트는 그 과정을 반복하여 점진적으로 목표를 달성하는 기술

AutoGPT 구성도 및 구성요소​

AutoGPT 구성도​

사용자 입력 -> LLM -> 에이전트 -> 피드백 루프

AutoGPT 구성요소​

AutoGPT 활용​

AutoGPT 성공포인트​

• OpenAI API를 사용하여 비용 절감을 위해 단계별로 사람의 확인이 필요한 구조이나, Local sLLM으로 교체시 원하는 결과를 얻기까지의 비용 및 프로세스 절감 가능

참조​

• AutoGPT Docs
• AutoGPT#25 Support using other/local LLMs

RAG 개요​

RAG 개념​

• LLM의 출력을 최적화하여 응답을 생성하기 전 학습 데이터 소스 외부의 지식 베이스 데이터를 참조하도록 하는 기술

RAG의 배경​

RAG의 구성도 및 절차​

구성도​

웹인터페이스 -> 벡터데이터베이스 -> LLM

구성요소​

RAG 절차​

• 외부 데이터 생성 및 준비: 텍스트, 이미지, 파일 등 다양한 소스로 임베딩 후 벡터DB 저장
• 관련 정보 검색: 질문을 기반으로 벡터 유사도 기반 데이터 검색
• LLM 프롬프트 확장: 검색된 데이터는 LLM 프롬프트와 결합하여 응답 반환
• 외부 데이터 업데이트: 벡터DB에 새로운 데이터를 주기적으로 업데이트하여 최신화

파인튜닝과 RAG 비교​

참조​

• AWS: RAG란 무엇인가요?

sLLM 개요​

sLLM 개념​

• small Large Language Model
• 기업 전용 특화모델로 활용 가능한 경량화된 거대 언어모델

sLLM 배경​

• LLM은 거대 언어모델로 천문학적인 비용과 학습 시간 필요
• 매개변수를 줄이고, 미세조정하여 정확도 향상

LLM과 sLLM 비교​

SVM 개념​

• 서포트 벡터, 하이퍼플레인, 차원 전환 원리를 이용하여 주어진 데이터가 어떤 카테고리에 속할지 판단하는 이진선형분류모델
• 서포트 벡터 분류기 + 비선형 커널 = 서포트벡터머신

SVM의 개념도, 문제 해결방법, 장단점​

개념도​

선형 문제	비선형 문제

문제 해결 방법​

장단점​

• 장점: 인공신경망의 과적합 해결방법 제시, 비선형 문제 해결
• 단점: 단일 SVM 성능 한계

SVM 한계점과 해결방안​

• SVM 데이터 범주간 비율이 비슷하다는 가정에서 학습하고 예측결과 도출, 실제 데이터는 데이터의 불균형이 빈번하여 모델 성능이 저하됨.
• 앙상블 기법을 이용한 SVM으로 성능 문제 해결.

참조​

• 데이터 불균형 해결을 위한 Under-Sampling 기반 앙상블 SVMs

의사결정나무 개요​

의사결정나무 개념​

• 주어진 입력값들의 조합을 의사결정규칙에 따라 출력값을 예측하는 모형
• 의사결정규칙을 트리구조로 나타내어 분류와 예측을 수행하는 분석 방법

의사결정나무 구성, 유형, 절차​

의사결정나무 구성​

• 루트 노드: 최상단 노드, 첫 분류 조건
• 부모 노드: 상위 노드
• 자식 노드: 하위 노드
• 리프 노드: 결과를 예측하는 말단 노드
• 엣지: 샘플을 분류하기 위한 조건
• 뎁스: 루트 노드에서 특정 노드까지 도달하기 위해 거쳐야하는 엣지 수

의사결정나무 유형​

• 분류트리: 범주형 변수를 예측하기 위해 사용되는 트리 모델, 데이터를 여러 범주로 분류
• 회귀트리: 연속형 변수의 값을 예측하기 위한 트리모델

의사결정나무 절차​

성장 -> 가지치기 -> 최적 나무모형 선택 -> 해석 및 예측

• 성장: 분석목적에 따른 트리 생성
• 가지치기: 불필요한 가지를 제거하여 과대적합, 과소적합 방지
• 타당성 평가: 가장 적은 엔트로피를 갖는 나무를 평가하고 최적 모형 선택
• 해석 및 예측: 구축된 나무모형 해석

의사결정나무 평가모델​

• 지니 계수: Gini Index
  • 데이터의 불순도를 측정하는 지표
  • 0에 가까울수록 노드의 데이터가 한 클래스로 분류된 것이고, 1에 가까울수록 데이터 분산
• 엔트로피: Entropy
  • 데이터의 확률분포가 가지는 정보량을 수치로 표현
  • 작을 수록 잘 분류된 것
• 오차제곱합: Mean Squared Error, MSE
  • 예측치와 실제치의 차이를 측정하는 지표
  • MSE가 작을수록 모델의 예측 성능이 좋다고 평가