https://www.cloudskillsboost.google/course_sessions/3989300/video/384243
로그인 | Google Cloud Skills Boost
Qwiklabs에서는 개발자와 IT 전문가가 클라우드 플랫폼 및 Firebase, Kubernetes와 같은 소프트웨어를 학습하는 데 도움이 되는 실제 Google Cloud 환경을 제공합니다.
www.cloudskillsboost.google
- AI : 기계가 인간처럼 생각하고 행동하는 이론과 방법에 대한 학문
- 머신러닝 : AI의 하위 분야 중 하나로, 입력 데이터에서 모델을 훈련시키는 프로그램이나 시스템
머신러닝
머신러닝 모델에는 일반적으로 Supervised ML models 과 Unsupervised ML models 두가지 유형이 있다.
▷ Supervised ML models
- Label 이 있는 데이터를 사용함
- 점주가 주문유형에 따라 이전에 받았던 음식가격과 팁 정보들을 가지고 있을 경우, Supervised ML models 은 이 데이터를 통해 미래의 팁 값을 예측하는데 사용된다.
지도 학습은 데이터가 이미 레이블로 지정되어 있음을 의미한다
지도 학습에서 우리는 미래의 가치를 예측하기 위해 과거의 예로부터 배우고 있음
▷ Unsupervised ML models
- Label 이 없는 데이터를 사용함
- 직원의 근속 기간과 매출을 살펴보고, 이를 기반으로 어떤 직원이 Fast Track 에 있는지 확인할 수 있다. Unsupervised ML models 은 원시 데이터를 탐색하여 자연스럽게 그룹핑 하는 것과 같이 발견에 관련된 문제에 적용된다.
비지도 학습은 데이터에 레이블이 지정되지 않았음을 의미한다
비지도형 문제는 원시 데이터를 보고, 데이터가 자연스럽게 그룹으로 분류되는지 확인하는 것
input data X 가 모델에 입력됨 -> predict output 을 출력하고 이를 expected output 과 비교함 -> 두 데이터의 차이가 발생하면 이를 Error 라고 한다 -> Error 가 밸생하면 모델은 두 값이 가까워질때까지 오차를 줄이려고 한다 -> 이것이 클래식한 최적화 문제이다.
딥러닝과 머신러닝
▷ 딥러닝
- Artificial Neural Network (인공 신경망) 을 사용하는 머신러닝의 한 유형
- 인공 신경망을 사용하여 기존의 머신러닝 모델보다 복잡한 패턴을 처리할 수 있다.
- 인공신경망은 Label 이 있는 데이터와 없는 데이터 모두를 사용할 수 있다. => Semi-supervised learning (반지도 학습)
ㄴ 인공신경망 : 인간의 뇌를 영감으로 한 구조를 가지고 있어 연결되어있는 많은 뉴런 또는 노드로 구성된다.
▷ 머신러닝
머신러닝에는 Generative model 과 discriminative model 이 있다.
discriminative model 구별모델
데이터 포인트의 Label 을 분류하거나 예측하는데 사용되는 모델이다
일반적으로 Label 이 있는 더미 데이터를 훈련시키고, 데이터 포인트의 특징과 Label 간의 관계를 학습한다.
훈련된 discriminative model 모델은 새로운 데이터 포인트의 Label 을 예측할 수 있다. ex) 이것이 강아지인지 고양이인지 ?
Generative model 생성모델
기존데이터의 학습된 확률 분포를 기반으로 새로운 데이터를 생성한다. ex ) 이것은 강아지이고, 어렸을때의 사진인가 ?
그렇다면 생성형 AI 는 무엇인가 ?
생성형 AI 는 기존 데이터로부터 배운 내용을 기반으로 새로운 컨텐츠를 생산할 수 있는 AI 유형이다.
LLM : 생성형 AI 의 한 종류로, 자연스러운 언어 형태로 문자열을 조합할 수 있다.
생성형 AI 의 응용
코드짜기
컨텐츠 제작
검색엔진
자연어 처리
위와 같이 다양한 분야에 활용할 수 있지만, 생성형 AI 는 학습데이터에 의존하고있다.
따라서 새로운 컨텐츠 생산을 가능하게 하지만 학습데이터에 의존성이 높고, 상상력을 발휘할 수 있어 주의가 필요하다.
Transformers
생성형 AI 는 딥러닝에서 트랜스포머라는 기술로 크게 발전했다.
트랜스포머 모델은 인코더와 디코더로 구성되며, 인코더는 입력 시퀀스를 인코딩하고, 디코더는 인코딩된 표현을 디코딩하여 원하는 작업에 사용한다.
LLM
사용자가 브라우저 기반 프롬프트를 사용하여 직접 콘텐츠를 생성할 수도 있다.
이를 통해 사용자는 질문이나 프롬프트를 입력하고, 모델이 해당 정보를 바탕으로 응답을 생성하도록 할 수 있다.