생성형 인공 지능 입문 족보 대비 문제은행(오프라인 기말고사, 세종대)
본 내용은
"
생성형 인공 지능 입문 족보 대비 문제은행(오프라인 기말고사, 세종대)
"
의 원문 자료에서 일부 인용된 것입니다.
2024.05.29
문서 내 토픽
  • 1. 생성형 인공지능이란?
    생성형 인공지능은 데이터 전처리, 모델 학습, 결과 생성으로 구성되며, GPT와 ChatGPT와 같은 모델이 대표적입니다. 생성형 인공지능은 텍스트, 이미지, 소리, 동영상 등 다양한 콘텐츠 생성에 활용되지만, 데이터 의존성, 모델 복잡성, 윤리적 문제 등의 한계가 있습니다. 이를 해결하기 위해 데이터 증강, 전이 학습, 하드웨어 개선, 효율적인 알고리즘 개발 등의 방안이 필요합니다.
  • 2. 언어 처리 신경망 개요
    RNN은 순차 데이터 처리를 위해 필요하지만, 기울기 소실 문제가 있습니다. LSTM과 GRU는 RNN의 개선을 위해 도입되었으며, 주의 메커니즘은 중요 정보를 강조하는 역할을 합니다. Seq2Seq 모델은 인코더와 디코더로 구성되며, 양방향 RNN은 양방향으로 정보가 흐르는 특징이 있습니다.
  • 3. 컨볼루션 신경망 개요
    컨볼루션 레이어는 특징 추출 역할을 하며, Stride는 필터의 이동 간격을 조절합니다. Padding은 출력 크기를 조정하고, Pooling Layer는 차원 축소 역할을 합니다. LeNet, AlexNet, VGG, GoogleNet, ResNet, DenseNet 등의 CNN 모델이 개발되었습니다.
  • 4. 트랜스포머 1
    트랜스포머 모델의 주요 혁신은 Self-Attention Mechanism입니다. 워드 임베딩은 단어를 벡터로 표현하는 방법이며, One-hot encoding, TF-IDF, Word2Vec, GloVe, FastText, Contextual Word Embeddings 등이 있습니다. 자기주의와 멀티헤드 어텐션은 문맥 정보를 반영하는 데 사용됩니다.
  • 5. 트랜스포머 2
    영상 패치 임베딩은 영상 데이터를 작은 패치로 나누어 특징을 추출하는 방법이며, Vit 모델은 Transformer 아키텍처를 사용합니다. U-net 모델은 이미지 분할에 주로 사용되며, 멀티헤드 주의는 다양한 문맥 정보를 반영합니다. Transformer 인코더의 주요 구성 요소는 Self-Attention Mechanism입니다.
  • 6. 언어 모델
    BERT는 양방향 언어 모델링을, GPT는 단방향 언어 모델링을 특징으로 합니다. ELMo와 GPT의 차이는 언어 모델링 방식이며, BERT와 GPT 모델은 각각 높은 계산 비용과 데이터 의존성의 한계가 있습니다.
  • 7. 대결형 생성 네트워크
    GAN은 생성기와 판별기로 구성되며, 진짜 같은 데이터를 생성하는 것이 주요 목표입니다. 생성기는 가짜 데이터를 생성하고, 판별기는 진짜와 가짜를 구별합니다. 내쉬 균형은 생성기와 판별기의 균형을 유지하는 것이 중요합니다.
  • 8. 분산 기반 영상 생성
    Stable Diffusion, DALL-E, CLIP 등의 모델이 분산 기반 영상 생성에 사용됩니다. Stable Diffusion은 텍스트에서 이미지를 생성하며, DALL-E는 고품질 이미지 생성에 특화되어 있습니다. 이러한 모델들은 비지도 학습 방식을 사용하며, 높은 정확도와 함께 훈련 불안정성의 문제가 있습니다.
  • 9. 트랜스포머 기반 행동 생성 1
    Behavior Transformer (BT) 모델이 트랜스포머 기반 행동 생성에 사용됩니다. 강화 학습의 주요 요소에는 상태 공간, 행동 공간, 보상 함수, 전이 함수가 있으며, MDP 모델은 이러한 요소로 구성됩니다. 강화 학습의 목표는 최적의 행동 경로를 학습하는 것이며, Q 함수와 가치 함수가 중요한 역할을 합니다.
  • 10. 트랜스포머 기반 행동 생성 2
    Behavior Transformer는 강화 학습 방식으로 학습되며, 다양한 행동 생성이 가능한 장점이 있습니다. 정책 평가와 정책 업데이트는 강화 학습에서 중요한 과정이며, 보상 함수와 가치 함수는 행동의 평가와 선택에 사용됩니다. Behavior Transformer는 주로 로봇 제어, 게임 플레이, 요리 로봇 등의 응용 분야에 활용됩니다.
Easy AI와 토픽 톺아보기
  • 1. 생성형 인공지능이란?
    생성형 인공지능은 기존의 인공지능 기술을 활용하여 새로운 데이터를 생성하는 기술입니다. 이를 통해 인공지능은 기존의 데이터를 바탕으로 이미지, 텍스트, 음성 등 다양한 형태의 새로운 콘텐츠를 생성할 수 있습니다. 생성형 인공지능은 창의성과 혁신을 가져올 수 있지만, 동시에 윤리적 문제와 데이터 편향성 등의 우려도 존재합니다. 따라서 생성형 인공지능 기술의 발전과 활용에 있어서는 이러한 문제점들을 충분히 고려하고 해결책을 마련해야 할 것입니다.
  • 2. 언어 처리 신경망 개요
    언어 처리 신경망은 자연어 처리 분야에서 핵심적인 역할을 하는 기술입니다. 이 기술은 인공신경망을 활용하여 텍스트 데이터를 이해하고 생성하는 것을 목표로 합니다. 최근 들어 트랜스포머 모델 등 언어 처리 신경망 기술이 비약적으로 발전하면서 기계 번역, 질의 응답, 텍스트 생성 등 다양한 자연어 처리 분야에서 뛰어난 성과를 보이고 있습니다. 하지만 여전히 언어의 맥락과 의미를 완전히 이해하는 데에는 한계가 있으며, 편향성 문제 등 윤리적 이슈도 해결해야 할 과제로 남아 있습니다.
  • 3. 컨볼루션 신경망 개요
    컨볼루션 신경망은 이미지 처리 및 분석 분야에서 가장 널리 사용되는 인공신경망 모델 중 하나입니다. 이 모델은 이미지의 지역적 특징을 효과적으로 추출할 수 있는 구조를 가지고 있어, 물체 인식, 이미지 분류, 이미지 생성 등 다양한 응용 분야에서 뛰어난 성능을 보여주고 있습니다. 최근에는 컨볼루션 신경망과 다른 신경망 모델을 결합하는 등 모델의 성능을 더욱 향상시키는 연구가 활발히 진행되고 있습니다. 그러나 컨볼루션 신경망 모델의 작동 원리를 완전히 이해하기는 어려우며, 편향성 문제 등 윤리적 이슈에 대한 해결책 마련이 필요할 것으로 보입니다.
  • 4. 트랜스포머 1
    트랜스포머는 자연어 처리 분야에서 혁신적인 성과를 거둔 신경망 모델입니다. 기존의 순차적 처리 방식과 달리 트랜스포머는 병렬 처리를 통해 문장 내 단어들 간의 관계를 효과적으로 학습할 수 있습니다. 이를 통해 기계 번역, 질의 응답, 텍스트 생성 등 다양한 자연어 처리 과제에서 뛰어난 성능을 보여주고 있습니다. 또한 트랜스포머는 이미지, 음성 등 다른 모달리티에도 적용되면서 범용성 있는 모델로 발전하고 있습니다. 하지만 트랜스포머 모델의 내부 작동 원리를 완전히 이해하기는 어려우며, 편향성 문제 등 윤리적 이슈에 대한 지속적인 연구가 필요할 것으로 보입니다.
  • 5. 트랜스포머 2
    트랜스포머 모델은 자연어 처리 분야에서 지속적으로 발전하고 있습니다. 최근에는 트랜스포머 모델의 구조와 학습 방법을 개선하여 성능을 더욱 향상시키는 연구가 활발히 진행되고 있습니다. 예를 들어 GPT-3와 같은 대규모 언어 모델은 트랜스포머 기반으로 구축되어 다양한 자연어 처리 과제에서 뛰어난 성과를 보여주고 있습니다. 또한 트랜스포머 모델은 이미지, 비디오, 음성 등 다양한 모달리티에 적용되면서 범용성을 확장하고 있습니다. 그러나 트랜스포머 모델의 내부 작동 원리를 완전히 이해하기는 어려우며, 편향성 문제 등 윤리적 이슈에 대한 지속적인 연구가 필요할 것으로 보입니다.
  • 6. 언어 모델
    언어 모델은 자연어 처리 분야에서 핵심적인 역할을 하는 기술입니다. 언어 모델은 텍스트 데이터를 학습하여 단어 간의 관계와 문맥을 이해하고, 이를 바탕으로 새로운 텍스트를 생성할 수 있습니다. 최근 들어 GPT-3와 같은 대규모 언어 모델이 개발되면서 기계 번역, 질의 응답, 텍스트 생성 등 다양한 자연어 처리 분야에서 뛰어난 성과를 보이고 있습니다. 그러나 언어 모델은 데이터 편향성, 윤리적 문제 등 여전히 해결해야 할 과제가 많이 남아 있습니다. 따라서 언어 모델의 발전과 활용에 있어서는 이러한 문제점들을 충분히 고려하고 해결책을 마련해야 할 것입니다.
  • 7. 대결형 생성 네트워크
    대결형 생성 네트워크(GAN)는 생성형 인공지능 모델 중 하나로, 두 개의 신경망을 경쟁시켜 새로운 데이터를 생성하는 기술입니다. GAN은 이미지, 텍스트, 음성 등 다양한 분야에서 활용되며, 기존 데이터와 구분하기 어려운 새로운 데이터를 생성할 수 있습니다. 이를 통해 창의적인 콘텐츠 생성, 데이터 증강 등 다양한 응용 분야에서 활용될 수 있습니다. 그러나 GAN 모델은 학습 과정이 불안정하고, 생성된 데이터의 품질 관리가 어려운 등의 한계가 있습니다. 또한 GAN 모델의 활용에 있어서는 데이터 편향성, 저작권 침해 등의 윤리적 문제에 대한 고려가 필요할 것으로 보입니다.
  • 8. 분산 기반 영상 생성
    분산 기반 영상 생성 기술은 생성형 인공지능 모델을 활용하여 새로운 영상을 생성하는 기술입니다. 이 기술은 기존 영상 데이터를 학습하여 유사한 특성을 가진 새로운 영상을 생성할 수 있습니다. 이를 통해 영화, 게임, 광고 등 다양한 분야에서 활용될 수 있습니다. 그러나 분산 기반 영상 생성 기술은 생성된 영상의 품질 관리, 저작권 문제, 데이터 편향성 등 해결해야 할 과제가 많습니다. 또한 이 기술이 악용될 경우 사회적 문제를 야기할 수 있으므로, 윤리적 고려와 함께 기술 개발이 이루어져야 할 것입니다.
  • 9. 트랜스포머 기반 행동 생성 1
    트랜스포머 기반 행동 생성 기술은 자연어 처리 기술을 활용하여 인공지능 에이전트의 행동을 생성하는 기술입니다. 이 기술은 텍스트 데이터를 학습하여 에이전트의 목표, 상황 인식, 행동 선택 등을 모델링할 수 있습니다. 이를 통해 에이전트가 상황에 맞는 적절한 행동을 선택할 수 있게 됩니다. 트랜스포머 기반 행동 생성 기술은 로봇 제어, 게임 AI, 대화형 에이전트 등 다양한 분야에 활용될 수 있습니다. 그러나 이 기술 역시 데이터 편향성, 윤리적 문제 등 해결해야 할 과제가 있으므로, 이에 대한 지속적인 연구와 고려가 필요할 것으로 보입니다.
  • 10. 트랜스포머 기반 행동 생성 2
    트랜스포머 기반 행동 생성 기술은 자연어 처리 기술을 활용하여 인공지능 에이전트의 행동을 생성하는 기술의 발전된 형태입니다. 이 기술은 트랜스포머 모델을 통해 에이전트의 목표, 상황 인식, 행동 선택 등을 보다 정교하게 모델링할 수 있습니다. 이를 통해 에이전트가 상황에 맞는 더욱 적절한 행동을 선택할 수 있게 됩니다. 트랜스포머 기반 행동 생성 기술은 로봇 제어, 게임 AI, 대화형 에이전트 등 다양한 분야에 활용될 수 있습니다. 그러나 이 기술 역시 데이터 편향성, 윤리적 문제 등 해결해야 할 과제가 있으므로, 이에 대한 지속적인 연구와 고려가 필요할 것으로 보입니다.