본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4oKQD6b
251118(화) 7일차
AI 모델의 종류
언어모델(Language Model)
- 앞 뒤 단어의 확률값을 계산해서 추정
- 모든 언어를 벡터화해 언어의 의미를 파악하고 출력
기계가 우리 말을 100% 다 알아듣는 것은 아니고
알고리즘 내에서 가장 확률값이 높은 것을 추출해내고 그중에서도 벡터화된 정보에서 같은 방향성을 가진 단어들을 조합해가지고
가장 그럴듯하게 우리한테 출력해주는 것
NLP(Natural Language Processing)
자연어를 처리하는 전체 과정 및 기술
상세하게 들어가면
NLU(Natural Language Understanding) - 자연어를 이해하고 판단하는 과정 및 기술
NLG(Natural Language Generation) - 적절한 자연어 답변을 생성하는 과정 및 기술
예전에는 통계적 모델이었기 때문에 NLU 기반이 중요했고
최근에는 생성하는 답변이 윤리적으로 문제가 없는지, 편향된 답변은 아닌지 판단하기 위해 NLG가 더 중요
지식그래프 모델(Knowledge Graph)
개별 객체 간 연관성을 유추해가지고 순서 관계를 나타내는 것
의사결정 트리 모델
트리 구조로 이루어진 단순 분류 및 회계 모델
랜덤 포레스트 모델
다수의 의사결정 트리를 앙상블해서 성능을 향상시킨 모델
의사결정 트리와 랜덤 포레스트 모델은 금융, 의료, 마케팅 등 분야에서 활용
SVM(서포트 벡터 머신) 모델
데이터 간의 최대 마진을 찾아 선형 분류 - 고차원 데이터에서 강점을 보임
텍스트 분류, 이미지 인식, 생물정보학 등 분야에서 활용
KNN(K-최근접 이웃) 알고리즘 모델
입력 데이터와 가장 유사한 k개의 이웃을 찾아 분류
추천 시스템, 패턴 인식, 이상 탐지 등 분야에서 활용
AI 신경망 기술
AI 신경망 == 지난 시간에 배운 다층 퍼셉트론
DNN(심층 신경망) 모델
여러 개의 은닉층을 가지는 모델, 입력, 은닉, 출력층으로 구성
컴퓨터 비전, 자연어 처리, 음성 인식 처리, 로봇 제어 등 분야에서 활용
인공지능 발전의 핵심이 되는 기술 중 하나
CNN(합성곱 신경망) 모델
이미지 처리에 특화된 DNN 모델, 합성곱층, 풀링층, 완전 연결층이 존재
이미지 분류, 객체 탐지, 세그멘테이션 등 컴퓨터 비전 분야에서 활용
최근에는 의료 영상 분석, 자율 주행 등으로 응용 범위가 확대되고 있음
RNN(순환 신경망)
시퀀스 데이터 처리에 특화된 DNN 모델
이전 출력이 현재 입력에 영향을 미치는 순환 구조
LSTM(장단기 메모리)
RNN의 한계를 극복한 모델
텍스트 생성, 기계 번역, 감정 분석, 음성 인식, 주가 예측 등에서 많이 사용
GAN(적대적 생성 신경망) 모델
생성자 AI, 판별자 AI 두 개의 신경망으로 구성돼서 하나는 가짜를 만들고 하나는 가짜 데이터를 구분하면서 학습
실제 데이터와 구분하기 어려운 고품질의 데이터를 얻을 수 있음
Transformer 모델
스스로 의미를 찾는 Self-Attention기술과 Attention 기술 두 가지에 기반하고 있다
기계번역, 문서요약, 질문응답, 감정분석, 텍스트 생성에서 활용
RAG(검색 증강 생성) 모델
응답을 생성하기 전에 신뢰할 수 있는 지식을 먼저 검색하고 답변 결과를 개선하는 기술
RLHF(인간 피드백 강화학습) 모델
이 모델이 등장함으로써 AI가 조금 더 자연스러워졌음
인간의 피드백 값이 리워드 모델 결과에 추가되어 더 현실적인 답변을 생성
이번 강의를 통해
AI 모델들을 배웠는데 AI 모델은 확률 기반으로 가장 자연스러운 답을 추정하는 구조
지식그래프, 의사결정 트리, 랜덤 포레스트, SVM, KNN은 전통 모델과
DNN, CNN, RNN, LSTM, GAN, Transformer, RAG, RLHF 의 AI 신경망 모델에 이르기까지
각각의 특성이 뚜렷하므로 기획 단계에서 목적에 맞는 모델 구조를 고려하는 것이 중요하다는 것을 느꼈지만
아직은 모델들이 확 와닿지는 않는다
강의 말미처럼 한 번에 이해하려고 하지말고 반복 학습하기
+ 40분 강의는 좀빡셈
