인공지능(AI) (139) 썸네일형 리스트형 생성 모델 (6) 생성 모델과 차별 모델의 차이 생성 모델은 입력 특징과 출력 레이블이 어떻게 관련되는지 학습함으로써 데이터의 기본 구조를 이해하려고 합니다. 그런 다음 이 이해는 원래 교육 데이터와 유사한 새로운 데이터를 생성하는 데 사용됩니다. 반면, 차별적 모델은 서로 다른 데이터 클래스 간의 경계 학습에만 초점을 맞추고, 데이터의 근본 구조를 이해하려고 하지 않고, 훈련 데이터에서 학습한 내용을 바탕으로 새로운 데이터를 분류하려고 합니다. 간단히 말하면, 생성 모델은 데이터가 어떻게 생성되었는지를 이해한 다음 해당 지식을 사용하여 새로운 데이터를 생성하는 반면, 차별 모델은 학습한 내용을 기반으로 데이터를 분류하려고 합니다. 생성 모델 고양이 이미지의 데이터 세트를 가지고 있다고 가정합니다. 생성 모델은 원래 데이.. 생성 모델 (5) 가변 자동 인코더(Variational Autoencoders) VAE(Variational Autoencoder)는 기존 데이터와 유사한 새로운 데이터를 생성할 수 있는 기계 학습 알고리즘입니다. 기존 데이터를 더 작은 표현으로 압축한 다음 해당 압축된 표현을 기반으로 새로운 데이터를 개발하는 방식으로 작동합니다. VAE는 많은 데이터를 사용할 수 있는 경우 자주 사용되지만 레이블이 지정되거나 분류되지 않습니다. 예를 들어, 새로운 이미지를 생성하거나 이미지에서 노이즈를 제거하거나 대규모 데이터 세트에서 비정상적인 패턴을 감지할 수 있습니다. VAE는 압축된 데이터에 대한 확률 분포를 학습함으로써 원래 데이터와 비슷하지만 동일하지 않은 새로운 샘플을 생성할 수 있습니다. 이는 새로운 예술 작품이나 음악.. 생성 모델 (4) 생성 모델이란? 생성 모델은 데이터 세트의 기본 구조를 학습하여 원본 데이터와 유사한 새로운 샘플을 생성하는 것을 목표로 하는 비지도 기계 학습 알고리듬의 유형입니다. 알고리즘이 레이블링된 데이터에 대해 훈련되는 감독 학습과 달리 생성 모델은 레이블링된 데이터를 필요로 하지 않기 때문에 이미지 및 음성 인식과 같은 작업에 유용합니다. 생성 딥 러닝의 일반적인 예는 생성 적대적 관계망, 변형 자동 인코더 및 자기 회귀 모델입니다. 따라서 이 세 가지에 대해 자세히 알아보겠습니다. 생성적 적대 관계망 (Generative Adversarial Networks) GAN(Generative Adversarial Network)은 두 개의 신경망, 생성기 및 판별기를 사용하여 원래 데이터와 유사한 새 샘플을 생성.. 생성 모델 (3) 인공신경망(Artificail Neural Networks) 인공 신경망(ANN)은 인간 뇌의 구조와 기능에서 영감을 받은 기계 학습 알고리즘입니다. ANN은 정보를 처리하고 입력 데이터를 기반으로 예측하는 상호 연결된 노드 또는 뉴런의 층으로 구성됩니다. ANN에서는 입력 데이터가 네트워크를 통해 전달되고, 모델 예측의 정확도를 향상시키기 위해 학습 중에 뉴런 간 연결의 가중치가 조정됩니다. ANN은 분류, 회귀 및 패턴 인식을 포함한 다양한 작업에 사용될 수 있습니다. 교통(Transportation) ANN은 교통 흐름을 최적화하고, 이동 시간을 예측하고, 대중 교통을 개선할 수 있습니다. ANN은 교통 흐름을 최적화하기 위해 교통 네트워크에서 차량, 보행자 및 기타 요소 간의 상호 작용을 모델링하.. 생성 모델 (2) 로지스틱 회귀 분석(Logictic Regression) 로지스틱 회귀 분석은 분류 작업에 사용되는 통계적 기계 학습 알고리즘입니다. 종속 변수가 이진법 또는 범주형일 때 사용되는 회귀 분석 유형입니다. 로지스틱 회귀 분석은 입력 특성을 기반으로 특정 결과의 확률을 예측하는 것을 목표로 합니다. 로지스틱 회귀 분석에서 출력은 입력 특징을 0과 1 사이의 확률 값에 매핑하는 로지스틱 함수입니다. 이 확률은 입력 데이터를 두 개 이상의 클래스 중 하나로 분류하는 데 사용할 수 있습니다. - 의료: 로지스틱 회귀 분석은 환자의 병력과 나이, 성별, 가족력과 같은 다른 위험 요소를 기반으로 환자가 특정 질병에 걸릴 가능성을 예측할 수 있습니다. - 마케팅: 로지스틱 회귀 분석을 통해 특정 제품이나 서비스를 구매.. 생성 모델 (1) 인공지능 (AI) 시스템은 우리의 일상 생활에서 점점 더 많이 활용되지만, 그것들의 의사 결정 과정의 불투명성은 그것들의 신뢰성에 대한 윤리적인 우려와 의문을 제기할 수 있습니다. 이 문제를 해결하기 위해, 연구자들은 설명 가능한 AI (XAI)를 위한 생성 모델의 사용을 탐구하고 있습니다. 설명 가능한 인공지능 (XAI)은 인간에 의해 쉽게 이해되고 해석될 수 있는 인공지능 (AI) 시스템을 개발하기 위한 접근 방식입니다. XAI 시스템은 사용자가 그들의 결정 또는 권고에 어떻게 도달했는지에 대한 명확한 설명을 제공하여 사용자가 그들 뒤에 있는 이론적 근거를 이해할 수 있도록 설계되었습니다. XAI 기술은 AI 시스템을 더 해석 가능하고 설명 가능하게 만들기 위한 시각화 도구, 자연어 처리 및 기타 방.. 인공지능 위험 관리의 주요 원칙 (3) AI에 대한 규제와 표준은 빠르게 진화하고 있고 산업 또는 위치에 따라 매우 다양할 수 있기 때문에 컴플라이언스는 AI 위험 관리의 또 다른 핵심 범주입니다. 컴플라이언스 위험은 데이터 개인 정보 보호, 투명성, 공정성 및 책임과 관련된 문제를 포함할 수 있습니다. 회사 및 심지어 정부 당국은 그들의 AI 시스템이 모든 내부 정책 또는 윤리적 지침뿐만 아니라 모든 적용 가능한 법 및 규정을 준수하도록 보장해야 합니다. 예를 들어, 몇 년 전, 샌프란시스코는 도시 감독 위원회의 승인 전에 도시 기관에 의한 안면 인식 기술의 사용을 금지하는 "비밀 감시 중지 조례"를 통과시켰습니다. 이 조례는 안면 인식 기술의 잠재적인 사생활과 시민의 자유 침해에 대한 우려에 대응하여 통과되었습니다. AI 거버넌스 및 리스.. 인공지능 위험 관리의 주요 원칙 (2) 인공지능 위험 범주 효과적인 AI 위험 관리는 다양한 범주에 걸쳐 잠재적인 위험을 식별하고 완화해야 합니다. 대표적인 예시를 몇가지 카테고리와 함께 살펴보도록 하겠습니다. 데이터 관련 위험 (Data-Related Risks) 데이터는 인공지능 시스템의 생명선입니다. 그것은 모델 훈련, 새로운 상황에 대한 일반화, 적응 및 지속적인 개선을 가능하게 합니다. 그러나 AI 생성 콘텐츠의 대부분의 문제는 잘 수집되지 않고 연마된 데이터에서 비롯됩니다. 데이터 편향은 사회의 기존 고정관념을 영구화하는 불공정한 인공지능 시스템으로 이어질 수 있습니다. 인간과 달리, 인공지능 알고리즘은 다른 환경에 대한 판단과 맥락을 제공할 수 없습니다. 인간의 참여는 포괄적인 평가를 보장하고, 윤리적이고 사회적인 영향을 고려하며.. 인공지능 위험 관리의 주요 원칙 (1) 우리는 모두 AI와 그것의 능력에 매료되었지만, 이제는 누구나 알고 있지만 아무도 언급하려고 하지 않으려는 문제를 해결할 때입니다. AI 기술은 전 세계적으로 산업에 혁명을 계속하는 동안, 그것은 또한 효과적으로 관리되어야 하는 내재적인 위험을 제기합니다. 그 결과, 인공지능 위험 관리는 논의의 뜨거운 주제가 되었습니다. 사생활 침해와 사이버 공격에서부터 편향된 알고리즘 그리고 발전된 인공지능에 의해 제기되는 잠재적인 실존적인 위협에 이르기까지 인공지능의 위험은 많습니다. 그러나 여기에 적절한 인공지능 위험 관리가 이러한 위험을 완화하는 것을 도울 수 있습니다. 그러므로 더 이상의 소동 없이, 인공지능과 관련된 다양한 유형의 위험과 인공지능 거버넌스 프레임워크의 중요성을 살펴보겠습니다. 인공지능 위험 관.. 인공지능에서의 분류 (4) 인공지능 분류를 기반으로 한 실용적인 비즈니스 응용 인공지능 분류는 한때 불가능해 보였던 도전에 효율적인 해결책을 제공함으로써 다양한 산업을 변화시키고 있습니다. 사기 탐지(Fraud Detection) 인공지능 분류는 은행권과 금융권의 사기 행위에 대한 강력한 무기로, 금융기관들은 머신러닝 모델을 활용해 거래금액, 위치, 거래시간, 이용자의 전형적인 행동 등 데이터의 패턴에 따라 거래를 '사기' 또는 '합법'으로 분류합니다. 기업은 사기를 의미할 수 있는 비정상적인 트랜잭션을 식별하여 자산을 보호하고, 더 빨리 예방 조치를 취하며, 고객 신뢰를 향상시킬 수 있습니다. 고객 분류(Customer Segmentation) 개인 맞춤형 마케팅은 성공적인 비즈니스 전략의 초석이 되었고, 이를 달성하기 위해 A.. 이전 1 2 3 4 5 6 7 8 ··· 14 다음
