{"type":"img","src":"https://cdn.quv.kr/bpz8u3kp9%2Fup%2F619c39460b19a_1920.png","height":80}
  • AI Model
  • 3자테스트신청
  • Request / Application
  • Notice
  • About KAIC
  • {"google":["Poppins"],"custom":["SCDream","Noto Sans KR","Nanum Barun Gothic"]}
    ×
     
     
    섹션 설정
    {"type":"img","src":"https://cdn.quv.kr/bpz8u3kp9%2Fup%2F61a4ac48ee65a_1920.png","height":36}
  • AI Model
  • Request / Application
  • Notice
  • KAIC
  • AI 모델 개요

     

    인공지능의 시스템은 수집된 데이터 세트로부터 모델을 학습하고, 이 모델을 이용한 응용 시스템을 개발하게 됩니다.

    따라서, 실제 이용될 시스템의 성능을 결정하는 모델의 정확도가 시스템 전체의 성능에 큰 영향을 미치게 됩니다.

     

     

    데이터 세트(영상, 소리, 텍스트 등)로부터 목표로 하는 작업을 수행하기 위해

    기계학습 알고리즘을 이용하여 추출된 특정 패턴을 인공지능 모델이라고 합니다.

    이렇게 만들어진 인공지능 모델은 학습된 패턴에 대한 저장 파일과 수학적으로 모델링된 알고리즘으로 구성되어 지며,

    학습에 이용되지 않은 새로운 데이터 세트에 대한 예측을 만들 수 있습니다.

     

    AI 모델 개요

    개념

    인공지능 모델은 학습된 데이터학습 알고리즘으로 구성이 됩니다.

    단일 모델에 대한 평가는 데이터 셋을 학습용 데이터, 테스트 데이터, 검증 데이터 형태로 구분하여 학습 알고리즘을 수행하고 AI 모델의 성능을 평가하게 됩니다.

     

    학습된 모델은 학습용 알고리즘에 따라 다양한 형태로 구분되어질 수 있습니다.

    수치형태의 신경망 노드의 가중치 값으로 표현되거나, 통계 수치값으로 표현이되거나, 규칙형태 등으로 표현이 될 수 있습니다.

    또한, 특징에 대한 패턴을 저장한 값이 아닌 학습 알고리즘만으로 이루어진 모델도 존재할 수 있습니다.

     

    최근 주로 이용되는 딥러닝 알고리즘들의 경우, 인공지능 학습 모델은 네트워크의 구조와 학습된 가중치 값이 됩니다.

     

    인공지능 모델의 정확도를 높이기 위해서는 데이터 부족, 편향의 문제, 알고리즘 복잡도, 성능저하 극복기술 구현이 필요.

    AI 알고리즘

    인공지능은 명시적으로 규칙을 프로그래밍하지 않고 데이터로부터 의사 결정을 위한 패턴을 기계가 학습하는 머신러닝과 인공신경망 기반의 모델로, 비정형 데이터로부터 특징 추출 및 판단까지 기계가 한 번에 수행하는 딥러닝으로 구분할 수 있음

    AI 개발

    AI개발을 위해서 주제선정, 데이터수집, 데이터탐색 및 정제, 알고리즘 개발 및 알고리즘 평가단계를 수행하게 되며, AI모델의 개발과 평가는 Use Case, 데이터, 알고리즘, 매트릭의 최적화로 진행됨.

    AI 상용화

    상용화를 위해서는 고품질데이터의 확보, 노이즈 취약성을 극복하는 강건한 인공지능 개발, 소량데이터로 학습강화방안 적용, 적용 산업에 대한 깊은 이해에 기반한 최적화된 학습 알고리즘 구현이 필요함.

    데이터

    품질개선

    AI 모델의 활용성 강화를 위해서는 편향성 및 노이즈 극복과 학습량 확보를 위한 고품질 데이터의 확보가 필수 입니다. 인공지능 학습데이터 구축과정에서 확보된 품질이 전체의 품질을 결정하기 때문에 데이터의 획득, 정제, 라벨링 등 구축 과정에서 원시데이터, 원천데이터, 라벨링데이터의 품질개선이 필요합니다.

    AI학습데이터 생애주기

    데이터 수집계획, 구축, 운영, 활용영역으로 구분되며, 각 영역별로 S/W 프로세스 계층, 데이터 프로세스 계층, 데이터 계층, 데이터 서비스계층으로 구분

    품질관리 원칙

    AI가 학습하는데 필요한 요구사항을 충족하고 학습목적에 부합되도록 획득되어야 하며, 중복없이 목적에 부합되게 정제 되어야 하며, 법률적 제약이 없어야 함. 

    데이터 품질특성

    원시 데이터는 다양성, 신뢰성, 충분성, 균일성, 사실성, 공평성을 확보해야 하며, 라벨링데이터는 데이터의 특성에 따른 정확성 확보가 필요하며, 활용시 라벨링데이터의 정확도, 정밀도, 재현율 확보가 필요함.

    {"google":["Poppins","Barlow"],"custom":["SCDream","Noto Serif KR","Nanum Barun Gothic","Noto Sans KR"]}{"google":["Poppins","Muli"],"custom":["SCDream","Nanum Barun Gothic","Noto Sans KR"]}
    {"google":[],"custom":["Noto Sans KR"]}