CH1. AI
Section1. 인공지능의 탄생
전문가 시스템 : 사람이 입력한 규칙에 따라 자동으로 판단
머신러닝 : 컴퓨터가 스스로 데이터를 분석하고 학습
순서 : 전문가 시스템 -> 머신러닝 -> 딥러닝 ->GenAISection2. 인공지능/머신러닝/딥러닝
인공지능 : 인간의 지능을 기계가 모방하도록 하는 기술
머신러닝 : 기계가 명시적인 프로그래밍 없이 데이터를 통해 스스로 학습하는 기술 (지도학습, 비지도학습, 강화학습)
딥러닝 : 인공신경망을 이용해 데이터에서 복잡한 패턴을 학습하는 기술 (이미지 인식, 음성 인식, 자연어 처리)Section3. 인공신경망: 다층 퍼셉트론
다층 퍼셉트론(MLP) : 입력층, 은닉층, 출력층으로 구분된 인공신경망
퍼셉트론 : 입력을 받아 출력으로 전달하는 뉴런 역할
MLP 동작원리 : 입력받기 -> 가중치 적용 -> 활성화 함수로 값 변환 -> 출력 생성Section4. 합성곱 신경망(CNN)
MLP의 한계 : 이미지같은 정적 2차원 데이터를 처리할 때 한계 존재
CNN : 합성곱 층, 풀링 층, 완전 연결 층으로 이미지의 중요 특징 추출
합성곱 층 : 필터(커널)을 통해 이미지의 특징 맵 생성
풀링 층 : 특징 맵의 크기를 줄여 중요한 정보만 남김
완전 연결 층 : 최종 출력 생성 (이미지 분류)Section5. 순환 신경망(RNN)
CNN의 한계 : 연속적인 데이터 처리에 한계 존재
RNN : 시계열 데이터를 처리하기 위해 이전의 데이터를 바탕으로 다음 데이터를 예측 및 분석
동작 원리 : 이전 단계의 출력을 다음 단계의 입력으로 사용
사용 사례 : 텍스트 생성, 번역, 음성인식, 시간 시계열 예측, 동영상 분석Section6. 자연어처리(NLP) 소개
NLP : 컴퓨터가 인간의 언어를 이해하고 처리할 수 있도록 하는 인공지능 분야
사용 사례 : 음성인식, 자동번역, 감정분석, 챗봇, 스팸 필터링Section7. 자연어처리 기본개념
토큰화 : 텍스트를 컴퓨터가 이해할 수 있도록 의미 있는 단위로 분해하는 과정.
토큰화 이유 : 컴퓨터는 텍스트를 그대로 이해할 수 없기 때문에 의미 있는 단위로 분해해야함
형태소 분석 : 단어를 이해하기 위해 뿌리와 접사로 분해
구문 분석 : 문장을 이해하기 위해 단어들의 순서와 관계를 분석
의미 분석 : 정확한 정보를 이해하기 위해 단어와 문장의 표면적인 의미를 넘어, 깊은 의미를 이해하는 것
화용론 분석 : 화자가 말하는 것 이상의 의도를 파악하는 과정
정보 추출 : 정보 검색 및 분석을 위해 텍스트에서 특정 종류의 정보를 자동으로 추출하는 과정Section8. 자연어처리 기술의 응용
사용 사례 : 챗봇, 감정분석, 기계 번역(파파고)
Section9. NLP와 머신러닝
텍스트 데이터 전처리 : 토큰화 -> 불용어 제거 -> 어간 추출 -> 정규화
NLP에 딥러닝 활용 : 트랜스포머, GenAI
NLP의 과제 : 방언처럼 데이터가 부족한 저자원 언어 한계, 데이터의 편향, 개인정보 프라이버시, 데이터 보안Section10. VisionAI 사례
CGV AI 무비 필터 프로젝트 : 포스터 이미지 내 배우 얼굴과 사용자 얼굴 간 고품질 페이스 스왑 모델 개발
활용 기술 : 얼굴 정렬, 얼굴 탐지, 얼굴 나이 감지, 얼굴 랜드마크 탐지, 이미지 인페인팅, 페이스 스왑, 휴먼 파싱
얼굴 정렬 : 이미지나 비디오에서 감지된 얼굴의 위치, 크기, 각도를 표준화된 형태로 변환
이미지 인페인팅 : 이미지의 손상된 부분이나 누락된 부분을 복원
휴먼 파싱 : 이미지에서 사람 신체 부위를 식별하고 분할하여 경계를 인식11. 업무 효율화를 위한 GenAI
코파일럭 스튜디오 활용 : 반복적인 문의, 답변 내용을 식별하고 자동화
RAG + sLLM을 활용해 질문에 자동으로 답변
