YOOZI

이미지와 언어의 경계를 허물다   오늘은 자연어 이미지 멀티모달 - 이미지 생성, Image Captioning 알아보자.오늘의 배움멀티모달 학습의 기본 개념과 원리이미지 캡셔닝(Image Captioning)의 작동 방식텍스트-이미지 생성 기술과 대표 모델들01. 자연어-이미지 멀티모달 정의: 텍스트와 이미지라는 서로 다른 형태(모달리티)의 데이터를 함께 처리하고 이해하는 AI 학습 방법한 줄 요약: "보는 것과 읽는 것을 동시에 이해하고 연결하는 AI의 능력"특징:단일 모달리티보다 풍부한 정보 처리 가능상호보완적 학습 효과인간의 다감각적 인지 능력에 더 가까운 접근필요성:실제 세계의 정보는 대부분 여러 형태로 존재이미지만으로 설명하기 어려운 맥락 정보 보완텍스트만으로 표현하기 어려운 시각적 요소 보완..

창의성의 새로운 지평   오늘은 Style Transfer와 GAN 알아보자.오늘의 배움이미지 딥러닝 기술Style Transfer 학습GAN(생성적 적대 신경망) 이해1. Style Transfer  정의: 한 이미지의 콘텐츠와 다른 이미지의 스타일을 결합하여 새로운 이미지를 생성하는 딥러닝 기법한 줄 요약: 사진을 예술 작품으로 변환하는 AI의 마법 같은 기술특징:콘텐츠와 스타일 분리CNN 기반 Feature Map 활용손실 함수를 통한 이미지 생성필요성:예술적 표현의 확장창의적 디자인 지원시각적 경험의 혁신장점:빠른 이미지 스타일 변환다양한 예술적 표현고품질 이미지 생성단점:고성능 컴퓨팅 리소스 필요계산 시간 긴 문제완벽한 스타일 전이의 어려움예시:셀카를 고흐, 모네 스타일로 변환풍경 사진을 수채화..

합성곱(CNN) 신경망 주요 모델   오늘은 합성곱(CNN) 신경망 주요 모델 알아보자.오늘의 배움LeNetAlexNetVGGNet모델 비교와 선택 기준ResNet현대 CNN 모델1. 주요 CNN 모델1-1. LeNetLeNet-5의 구조입력층: 32x32 크기의 흑백 이미지합성곱 층 1:필터 수: 6개필터 크기: 5x5활성화 함수: tanh서브샘플링(풀링) 층 1:방식: 평균 풀링크기: 2x2합성곱 층 2:필터 수: 16개필터 크기: 5x5활성화 함수: tanh서브샘플링(풀링) 층 2:방식: 평균 풀링크기: 2x2완전 연결 층 1:뉴런 수: 120개활성화 함수: tanh완전 연결 층 2:뉴런 수: 84개활성화 함수: tanh출력층:뉴런 수: 10개 (클래스 수)활성화 함수: SoftmaxLeNet 구현..

이미지 인식의 핵심 알고리즘   오늘은 합성곱(CNN) 신경망 알아보자.오늘의 배움CNN의 개념과 구조CNN의 순전파 과정필터 & 특징 맵, 패딩 & 스트라이드, 풀링 레이어(최대, 최소, 평균, 글로벌) 01. 합성곱 신경망 (Convolutional Neural Network, CNN)정의: 합성곱 연산을 사용하여 이미지의 공간적 특징을 추출하고 분석하는 딥러닝 신경망.한 줄 요약: 이미지 처리에서 주변 픽셀과의 가중합을 계산하여 특징을 추출하는 연산 특징:이미지의 지역적 특징을 학습하여 효율적인 패턴 분석 가능층이 깊어질수록 추상적인 특징을 학습할 수 있음완전연결 신경망보다 연산량이 적고 효율적필요성:전통적인 방법보다 더 정밀한 이미지 분석 가능자동으로 유용한 특징을 추출하여 성능 향상장점/단점:장..

강화 학습을 넘어 더 효율적인 최적화   오늘은 DPO 알아보자.오늘의 배움DPO 개념과 정의RLHF와의 차이점 및 비교DPO 학습 과정 및 실제 적용 사례1. DPO (Direct Preference Optimization)정의: DPO(Direct Preference Optimization)는 보상 모델을 따로 학습할 필요 없이, 사람의 선호 데이터를 직접 최적화하는 방식으로 LLM을 조정하는 학습 방법이다.한 줄 요약: RLHF의 강화 학습 단계를 생략하고, 선호 데이터를 활용해 모델을 직접 최적화하는 방법DPO 학습 과정1단계: 선호 데이터(Preference Data) 수집2단계: 선호 데이터 기반으로 직접 모델 최적화3단계: 보상 모델 없이 최적화된 모델 평가특징:보상 모델 없이도 효과적인 모..

사람의 피드백을 활용한 강화 학습   오늘은 RLHF 알아보자.오늘의 배움RLHF 개념과 정의RLHF 학습 과정RLHF와 InstructGPT/ChatGPT의 관계1. RLHF (Reinforcement Learning from Human Feedback) 정의: RLHF(Reinforcement Learning from Human Feedback)는 사람의 피드백을 보상 신호로 활용하여 AI 모델을 최적화하는 강화 학습 기법이다.한 줄 요약: AI 모델이 사람이 선호하는 답변을 학습하도록 강화 학습을 적용하는 기법이다.특징:AI의 출력을 사람이 직접 평가하여 보상 모델을 만든다.강화 학습을 활용해 보상 모델을 최적화한다.모델이 더 자연스럽고 유용한 답변을 생성하도록 유도한다.필요성: 기존 AI 모델은 ..

PEFT로 AI 모델 효율적으로 학습하기   오늘은 PEFT 알아보자.오늘의 배움파라미터 효율적 미세조정(PEFT) 개념LoRA, Q-LoRA, DoRA 기법Soft Prompts 기법1. PEFT (Parameter Efficient Fine-Tuning) 정의: 모델 전체를 재학습하지 않고, 일부 파라미터만 조정하여 학습 비용을 줄이는 방법한 줄 요약: 대규모 AI 모델을 적은 자원으로 특정 작업에 맞게 효율적으로 조정하는 기술특징:전체 모델 중 일부 파라미터만 업데이트메모리와 계산 비용 대폭 감소기존 모델의 지식 유지하며 새로운 작업 수행 가능필요성:대규모 모델 전체 재학습 시 막대한 자원 소요제한된 하드웨어로 최신 모델 활용 필요다양한 도메인별 맞춤형 모델 구축 요구장점/단점:장점: 학습 비용 절..

AI 맞춤형 학습의 핵심 기술   오늘은 파인튜닝(Fine-tuning) 알아보자.오늘의 배움파인튜닝의 개념과 필요성프롬프트 엔지니어링과 파인튜닝의 차이소규모 언어모델(sLLM) 파인튜닝파인튜닝 모델 평가 및 활용 사례1. 파인튜닝(Fine-tuning)  정의: 이미 학습된 대규모 언어 모델(LLM)을 특정 작업이나 데이터셋에 맞춰 재학습시키는 과정한 줄 요약: "범용 AI를 특정 분야의 전문가로 만드는 맞춤형 학습 기술"특징:사전 학습된 모델의 지식을 유지하면서 특정 영역에 최적화도메인 특화된 용어와 맥락 이해 능력 향상특정 작업에 대한 성능과 정확도 개선필요성:일반적인 LLM은 특정 도메인에서 최적의 성능을 내지 못함프롬프트 엔지니어링만으로는 도메인별 깊은 이해가 어려움일관된 형식과 출력 스타일이 ..

단계적 사고로 AI의 추론 능력을 강화하다   오늘은 사고 연결 기법(Chain of Thought)에 대해 알아보자.오늘의 배움사고 연결 기법(Chain of Thought)의 개념과 원리CoT의 다양한 유형(Zero-shot, Few-shot)CoT의 실제 응용 분야와 효과1. Chain of Thought(CoT)  정의: LLM이 복잡한 문제를 해결하기 위해 단계적 사고 과정을 명시적으로 전개하도록 설계된 프롬프트 전략한 줄 요약: "한 번에 답하지 말고, 생각하는 과정을 모두 보여줘"라고 AI에게 지시하는 방법특징:단계적 접근: 모델이 한 번에 답을 생성하지 않고, 단계별로 논리를 전개정확성 강화: 사고 과정을 명시해 오류를 줄이고 신뢰도를 높임프롬프트 설계: 명확한 지침으로 모델이 중간 단계를..

최신 정보 활용을 통한 정확한 응답 생성   오늘은 RAG (검색 증강 생성) 알아보자.오늘의 배움RAG 개념RAG 구조 (Vector DB와 LLM 결합)RAG 성능 최적화 기법1. RAG  정의: RAG구조는 벡터 데이터베이스(Vector DB)와 언어 모델(LLM)을 결합하여, 사용자가 입력한 질문을 바탕으로 검색된 데이터를 활용해 문맥에 맞는 자연어 응답을 생성하는 기술이다.한 줄 요약: RAG는 최신 정보를 활용해 문맥에 맞는 정확한 답을 제공하는 시스템이다.작동 원리벡터화: 텍스트 데이터를 임베딩 벡터로 변환해 Vector DB에 저장유사도 검색: 사용자의 질문을 벡터로 변환해 관련 데이터를 검색응답 생성: 검색된 데이터를 컨텍스트로 사용해 LLM이 자연어 응답 생성특징:최신 정보 활용정확도 ..