AI 활용에 대한 임원 교육01 생성형 AI 이해 Contents 02 AI 를 활용한 미래 예측 03 Q A01 생성형 AI 이해▶ 개념 생성형 AI 이해 01. 생성형 AI 메커니즘 ㅣ 사전에 학습한 데이터를 바탕으로 새로운 것을 창조 기존 AI 생성형 AI 작업 예시 기능 이미지 분류 , 텍스트 분석 등 스팸 메일 필터 , 얼굴 인식 등 주어진 데이터를 분석 , 분류 텍스트 생성 , 이미지 생성 등 ChatGPT , Bing, Bard 새로운 데이터를 생성 목적 규칙 학습 및 문제 해결 기존과 다른 창의적 콘텐츠 생성 학습 레이블링 된 데이터셋 기반으로 학습 다양한 콘텐츠 , 대량 데이터 학습 매우 구체적인 규칙에 따라 특정 과업만 수행 데이터에서 독립적으로 새로운 내용을 생성할 수 있는 능력이 가장 큰 차이 생성형 AI (Generative Artificial Intelligence) 생성형 AI 와 기존 AI 의 차이를 항목별로 비교 ▶ 기존 AI 와 생성형 AI 차이 이용자의 요구에 따라 텍스트 , 이미지 , 음악 , 오디오 , 동영상과 같은 새로운 콘텐츠를 만들 수 있는 인공지능종류 대표적인 생성형 AI 인 ChatGPT, Bing AI, Bard 비교 생성형 AI 생성형 AI 이해 01. 생성형 AI 메커니즘 ㅣ 종류 ChatGPT Bard Bing 기업 오픈 AI Google Microsoft 언어모델 GPT-3.5 (GPT-4 는 유료버전 탑재 ) 팜 2(PALM2) GTP-4 데이터 정보 2021 년 9 월 까지 ( 유료 버전은 실시간 ) 실시간 실시간 사용 가능 언어 영어 , 한국어 등 영어 , 한국어 , 일본어 영어 , 한국어 등 장점 뛰어난 대화능력 구체적이고 창의적 답변 빠른 검색 및 답변 속도 정확성 및 문장 요약 최신 정보 및 출처 제공 빠른 반응 속도와 정확성 최신 정보 및 출처 제공 추가 대응과 관련 링크 단점 답변 내용 검증 불가 새로운 데이터 참조 부족 과도한 복잡성 부족한 독창성과 이해력 검색엔진으로만 사용가능 인간 대화하지 못할 수 있음 한계점 데이터 유출로 인한 개인정보 보호 문제가 발생할 수 있음 Redis 오픈소스 라이브러의 버그로 인해 데이터 유출이 발생하여 사용자가 다른 사용자의 채팅 기록을 볼 수 있었던 경우가 있었음 사용자 또는 조직의 지적 재산이나 민감 데이터가 챗봇 라이브러리에 들어가면 해당 정보를 제어할 수 없음 취약점생성형 AI 이해 01. 생성형 AI 메커니즘 ㅣ https:// openai.com /blog/ chatgpt Step 3 Step 1 Step 2 PPO 강화 학습 알고리즘을 사용해 정책 최적화하기 시연 데이터 수집 및 정책 훈련 시키기 라벨러가 원하는 출력 행동을 시연함 프롬프트 데이터셋에서 프롬프트가 샘플링 됨 이 데이터는 GPT-3.5 를 미세조정하기 위해 지도 학습에 사용됨 프롬프트와 여러 모델 출력이 샘플링 됨 라벨러가 최고에서 최악까지 출력을 순위 매김 이 데이터는 우리의 보상 모델을 훈련시키는 데 사용됨 데이터셋에서 새로운 프롬프트가 샘플링 됨 보상 모델은 출력에 대한 보상을 계산함 정책이 출력 생성함 PPO 를 사용하여 정책을 업데이트하는 데 보상이 사용됨 PPO 모델은 감독된 정책에서 초기화 됨 비교 데이터 수집 및 보상 모델 훈련시키기 프롬프트와 여러 모델 출력이 샘플링 됨 Explain reinforcement learning to a 6 years old. once upon a time... write a story about others. we give treats and punishments to teach... Explain reinforcement learning to a 6 years old. A B C D D C B A RM D C B A SFT PPO RM r k 동작 원리 ChatGPT 동작 과정과 이에 대한 상세 설명 ChatGPTChatGPT 를 도입해 정책 과제 정리나 인사의 소재 만들기에 사용하고 있음 4 월 25 일부터 Logo Chat( 지자체용 비즈니스 채팅 서비스 , OpenAI 와 API테스트에 착수했음 ChatGPT 를 통해 운전자는 자동차와 대화를 진행할 수 있음 예를 들어 , 목적지에 대한 흥미로운 질문을 하거나 요리 레시피를 추천 받거나 어떤 사실을 확인하는 질문을 할 수 있음 한편 일각에서는 데이터 보호에 대한 우려도 제기됨 미국의 대형 IT 회사들이 사용자들의 검색 데이터를 광고 타깃팅에 활용했던 전력이 있는 만큼 , 벤츠와 MS 의 협업 모델에서 남겨진 검색 결과물도 광고에 쓰일 수 있음 벤츠는 데이터 보호를 위해 사용자는 어떤 정보가 어떤 목적으로 수집되는지 알 수 있으며 , 허용 여부를 자유롭게 결정할 수 있게 하였음 https:// news.microsoft.com /ko- kr /2023/08/25/the-future-of-business-is- here_aoai -cases/ https:// news.mt.co.kr / mtview.php?no =*************537282 글로벌 기업 사례 Mercedes-Benz 생성형 AI 이해 02. 세계적인 활용 사례 ㅣ 문제점 및 대책헬스케어 소프트웨어 기업 에픽 (Epic) 뉘앙스 (Nuance) 의 닥스 익스프레스 (DAX Express) 솔루션을 탑재한 전자 건강 기록 (EHR; Electronic Health Record) 시스템 임상노트 초안 자동 생성 , 의사 - 환자 간 대화 실시간 녹음 및 메모를 통해 환자 당 7 분의 시간을 감소시킬 수 있어 의료진의 환자 관리 업무량을 줄일 수 있음 AI 의 정확성에 대한 불안감으로 신뢰할 수 없고 , 추론이 투명하지 않을 수 있다는 점을 감안해 진단에는 생성형 AI 사용을 피하고 있음 글로벌 기업 사례 Epic Systems https:// news.microsoft.com /ko- kr /2023/08/25/the-future-of-business-is- here_aoai -cases/ https:// www.edaily.co.kr /news/ read?newsId =0*************312 mediaCode ChatGPT 를 이용할 수 있도록 하는 등 대책을 강구하고 있음 대책 생성형 AI 이해 02. 세계적인 활용 사례 ㅣ중국의 택배 기업인 ZTO 는 실시간 데이터 모니터링 및 자동화 장비를 통해 비용을 절감하며 이익개선의 효과를 얻음 창고를 통과하는 모든 물건을 스캔해 ML 모델이 숨겨진 패턴을 발견하여 손상 감지 능력이 지속적으로 향상될 수 있도록 교육 이를 통해 AI 가 제품 손상 감지 및 손상 여부를 판단하여 기존에 수동으로 식별하는 것보다 3 배 더 효과적인 작업 수행 능력을 보임 https:// www.aitimes.com /news/ articleView.html?idxno =56139 https://dbr.donga.com/article/view/1201/article_no/10869 쿠팡이 자체 개발한 물류 시스템 (WMS; Warehouse Management System) 은 입고와 출력까지 전 과정을 총괄 고객이 결제 버튼을 누르면 WMS 가 배송지와 물류센터별 재고 현황을 파악하여 상품 출고를 자동으로 지정 물류센터 안에서 어떤 작업자 ( 로봇 ) 이 상품을 가져올지 , 최적의 이동경로 , 포장재 선택 등 작업자가 알아야 할 세부사항을 실시간으로 안내 물품 준비 시간 감소로 작업 효율 상승 생성형 AI 이해 03. 산업 및 업종의 적용 사례 ㅣ 산업 및 업종 사례 대표적인 물류 기업들의 생성형 AI 기술 도입 및 활용 사례글로벌 물류회사인 DHL 은 경로 최적화와 자원 할당을 위해 생성형 AI 를 탐구해 옴 교통 상황 , 날씨 , 배송 기간 등 실시간 데이터를 고려하여 배송 경로를 동적으로 조정하여 운송 시간과 연료 소비를 줄일 수 있음 공급망 분석 회사인 Llamasoft 는 생성형 AI 를 적용하여 다양한 공급망 시나리오를 시뮬레이션함 이를 통해 기업은 취약점 식별 , 재고 수준 최적화 , 중단에 대해 효과적으로 계획을 세울 수 있음 화물 운송 및 물류 플랫폼인 flexport 는 생성형 AI 를 적용하여 고객의 공급망에 대한 실시간 비정형 데이터와 자연어 처리 (NLP) 모델을 추가 적용하였음 https:// www.aitimes.com /news/ articleView.html?idxno =56139 https://dbr.donga.com/article/view/1201/article_no/10869 주요 경영 판단에 자사 제품인 엑사원 (EXAONE) 활용 사례 1. LG 엑사원 (EXAONE) 을 활용한 LG 의 최적 재고량 및 수요 예측 사례 최적 재고량 및 수요 예측 AI 를 활용한 미래 예측 01. 최적 재고와 수요 예측 ㅣMore Retail 은 신선 품목 범주의 재고 물량 관리와 폐기 분량을 관리하고자 Amazon Forecast 를 도입 신선 청과물 범주에서 예측 정확도를 27% 에서 76% 로 개선하고 , 폐기 분량을 20% 감소함 Amazon Forecast 에서 제공하는 예측 분포를 활용한 결과 , 부족 및 초과 예측 비용을 손쉽게 최적화하여 재고 소진 상태를 3% 까지 달성해 매출 총이익을 개선 https:// www.aitimes.com /news/ articleView.html?idxno =56139 https://dbr.donga.com/article/view/1201/article_no/10869 Amazon Forecast 도입 ( 인도 식료품 소매 기업 ) 사례 2. More Retail Amazon Forecast 를 도입한 More Retail( 인도 식료품 소매 기업 ) 의 최적 재고량 및 수요 예측 사례 및 효과 최적 재고량 및 수요 예측 AI 를 활용한 미래 예측 01. 최적 재고와 수요 예측 ㅣAI 를 활용한 미래 예측 02. 퇴직자 예측 ㅣ 기존 ML/AI 를 활용해 기업 내부의 퇴직자 데이터와 현직자 데이터 비교 01 데이터 분석 및 통계 근속연수 , 직급 , 부서 , 직무 업무 만족도 , 승진 가능성 연봉 , 근무시간 , 근무환경 근무 데이터 연령 , 성별 , 학력 , 경력 가족상황 , 거주지 개인 정보 퇴사 의사 , 퇴사 이유 , 회사}
한 번의 선택으로 양 질의 인재를 얻다 2024 ㈜짱구기업 경영지원팀 지원자 김철수CONTENTS 01 자기소개 02 프로젝트 경험 03 강점 및 직무적합도 04 입사 후 계획 및 포부 05 마무리IMAGE • 정보처리기사 • 한국사능력검정시험 1 급 • 정보기술자격 (ITQ) / 아래한글 A 등급 , 파워포인트 A 등급 , 인터넷 B 등급 •2 종보통운전면허 자기소개 01 LANGUAGE WEB OS FRAMEWORK DATABASE JAVA 80 % C++ 60 % MySQL 80 % Spring 70 % OS 70 % 능력치 | 보유기술 | 김철수 1900.00.00 프로필 | 학력 | NAME MOBILE E-MAIL ADRESS 김철수 010 - 0000 - 0000 abc1234@naver.com 59591 서울특별시 강남구 서초동 땡땡멘션 1 차 201 호 2015.03 ~ 2018.02 2018.03 ~ 2022.02 서울 고등학교 졸업 서울대학교 컴퓨터공학부 ( 학사 ) 졸업 자격증 | 100 % OFFICE 경력 | 2021.03 ~ 2022.07 2023.07 ~ 재직중 ㈜땡땡기업 경영지원팀 ( 사원 / 팀원 ) ㈜모모기업 인사본부 총무파트 ( 사원 / 팀원 ) 2022.03 ~ 2024.02 서울대학교 컴퓨터공학부 ( 석사 ) 졸업 Office내용을 입력하세요 내용을 입력하세요 2018 내용을 입력하세요 내용을 입력하세요 2019 내용을 입력하세요 내용을 입력하세요 2020 내용을 입력하세요 내용을 입력하세요 기여도 내용을 입력하세요 내용을 입력하세요 02 기여도 기여도 기여도 내용을 입력하세요 내용을 입력하세요 기여도 기여도 프로젝트 경험3 가지 강점 을 바탕으로 ㈜짱구기업 의 발전에 기여하겠습니다 . # 도전정신 전문성을 갖추기 위한 목표를 수립하여 이행 # 팀워크 다양한 팀 프로젝트를 경험으로 팀워크 강화 # 꼼꼼함 일정과 업무를 꼼꼼히 계획하는 성향 강점 및 직무적합도 03역량 향상을 위한 자격증 취득 전문가분들과 함께하며 배움 을 통한 끝없는 발전 신뢰 할 수 있는 조직원으로서 초심 을 잃지않는 자세 보유한 강점을 잘 활용하여 조직원들의 원활한 업무 진행을 지원 하고 , 매사에 열정적인 자세 로 업무를 찾아 나서는 눈치와 센스를 겸비한 사무 담당자 입사 후 계획 및 포부 04㈜짱구기업 의 가족이 되어 항상 최선을 다하겠습니다 . 감사합니다 . 경영지원팀 지원자 김철수{nameOfApplication=Show}
