AI 확장에 필요한 추가 코어: 핵심 내용 정리

1. 수학 기초 (Mathematical Foundations)

핵심 내용: 선형대수, 확률, 미적분

분야	주요 개념	작은 예시
선형대수	행렬 곱(Matrix Multiplication)	예: 이미지(28×28) × 필터(3×3) → 특징맵 생성
확률	조건부 확률 P(A|B)	예: 스팸메일 필터에서 "무료" 단어가 있을 때 스팸일 확률 계산
미적분	경사(Gradient) 계산	예: 손실 함수 ( L = (y - \hat{y})^2 ) → (\frac{\partial L}{\partial \hat{y}} = -2(y - \hat{y}))

활용 팁

• CNN의 합성곱 연산은 행렬 곱으로 표현 가능

• 확률 분포를 이해하면 모델 출력의 신뢰도 해석 가능

2. ML/DL 기본 구조 (Pipeline)

핵심 내용: 데이터 → 모델 → 학습 → 추론

단계	설명	작은 예시
데이터 준비	수집·전처리·증강	예: 고양이/강아지 이미지 1,000장 → 20% 회전, 좌우 반전
모델 설계	아키텍처 선택	예: 이미지 분류 → CNN, 시계열 예측 → LSTM
학습	손실 함수 + 옵티마이저	예: loss = CrossEntropyLoss(), optimizer = Adam(lr=0.001)
추론	예측 수행	예: model.predict("cat.jpg") → "고양이"

활용 팁

• 데이터 전처리 품질이 모델 성능의 핵심

• 학습 시 Validation Set으로 과적합 여부 체크

3. 모델 최적화 원리 (Optimization)

핵심 내용: 파라미터·메모리·연산량 줄이기

기법	설명	작은 예시
Quantization	32bit → 8bit 변환	예: 100MB 모델 → 25MB로 축소
Pruning	중요도 낮은 가중치 제거	예: 1,000개 뉴런 중 200개 제거
Knowledge Distillation	큰 모델 → 작은 모델로 지식 전이	예: BERT(110M 파라미터) → DistilBERT(66M)

활용 팁

• 모바일 앱에 모델 넣을 때 Quantization 필수

• 서버에서는 Mixed Precision Training으로 속도 향상

4. 배포 구조 (Deployment)

핵심 내용: 모델 서빙, API, Edge 배포

방식	설명	작은 예시
서버 서빙	중앙 서버에서 API 제공	예: FastAPI로 /predict 엔드포인트 생성
ONNX 변환	범용 포맷으로 변환	예: PyTorch 모델 → model.onnx → TensorRT 최적화
Edge 배포	디바이스 내 실행	예: 스마트폰에서 TensorFlow Lite 모델로 오프라인 번역
GPU 최적화	CUDA/TensorRT 활용	예: NVIDIA GPU에서 추론 속도 3배 향상

활용 팁

• 실시간 서비스 → Edge 배포 + 경량화

• 대규모 요청 → 서버 서빙 + 로드밸런싱

한 줄 요약

• 수학 기초: 모델의 원리를 이해하는 언어
• ML/DL 구조: 데이터에서 예측까지의 로드맵
• 모델 최적화: 성능과 효율성의 균형
• 배포 구조: 서비스 환경에 맞춘 실행 전략