인공지능

Question 1

인공지능

Answer 1

[정의] 인간의 학습능력, 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술
[특징] 사람처럼(이성적으로) 생각하고 사람처럼(이성적으로) 행동하는 시스템
* 특이점 : 인간이 인공지능의 기술을 이해하거나 따라잡지 못하는 미래의 한계점

Question 2

전문가 시스템

Answer 2

[리드] 전문지식 기반 자문형 인공지능 시스템
[정의] 전문가 지식베이스를 기반으로 IF-THEN 구조의 전방향, 역방향 질의 통해 전문가의 지식을 활용하는 인공지능 시스템
[특징] 규칙 기반(IF-THEN 구조 ), 휴리스틱/비공식 추론, 북키핑 설비(변화감지, 규칙수정), 전방향/역방향 추론
[구성요소]
1. 규칙 추출 : IF-THEN 구조
2. 추론기관 : 규칙 해석기, 스케줄러로 구성 (역방향 추론을 기본 활용)
3. 설명부 시스템 : 추론 과정을 설명(Why, How, What)
4. 지식 베이스 : 전문가의 지식을 표현
[추론기법]
- 전방향 추론 : 데이터지향 추론, (결과는 항상 True, 추론의 건전성)
- 후방향 추론 : 목표지향 추론, 목표부터 시작, 역방향 증거 찾기 수행 (결과는 False 가능, 휴리스틱, 유사추론)
[차별화] 활용시 고려사항
- 충돌해법의 고려 : 두개 이상의 규칙 동시점화 시 (우선순위 전략, 최장 일치 전략)
- 메타지식의 제공 : 전문가 시스템 내 분야지식의 사용&제어를 위한 정보 (메타정보 지속적 업데이트)

Question 3

튜링 테스트

Answer 3

[리드] 인공지능의 판별 기준, 튜링 테스트
[정의] 기계와 사람의 TEXT 대화 혹은 문제 해결 결과를 블라인드 검증 통해 기계의 사고 수준 판별 테스트
[특징] 기계와 사람간 대화, 질의자가 판별
[절차] 1.환경구성 2.테스트 수행(블라인드, 약 5분 소요) 3.테스트 평가
* 격리된 C가 A,B중 어느쪽이 사람인지 구분할 수 없을 경우, 인공지능이 인간수준의 사고를 가진것으로 판정
[활용사례]
- 이미지 인식 분야 : CAPTCHA(봇 여부 판단), 구텐베르크 프로젝트
- 의료 분야 : 엘리자, 페리
* 리버스 튜링 테스트 : 기계가 사람인지 테스트(CAPTCHA)
* 중국어 방 (Chinese room) 문제 존재 : 튜링 테스트로 기계의 인공지능 여부 판정할 수 없다는 것을 논증

Question 4

트롤리 딜레마

Answer 4

[리드] 윤리학에서 가정하는 사고실험
[정의] 윤리학의 관점에서 올바른 선택을 내릴 수 있는가에 대한 문제
[사례]
(상황1) 이상이 발생한 전차, 방향을 바꾸지 않으면 5명이 사고, 방향을 바꾸면 1명이 사고
→ 방향을 바꾸는 것이 도덕적이라고 판단
(상황2) 이상이 발생한 전차, 육교에서 뚱뚱한 사람을 밀면 멈출수 있고 가만 있으면 5명이 사고
→ 뚱뚱한 사람을 밀지 않는 것이 도적적이라고 판단
* ‘상황 1’과, ‘상황2’는 동일한 상황을 가정하지만, 도적적 판단 기준에 따라 결과는 다름

Question 5

Moral Machine

Answer 5

[리드] AI에 윤리를 학습
[정의] 인공 지능의 윤리적 결정에 대한 사회적 인식을 수집해 AI가 학습 할 수 있도록 하기 위한 플랫폼
[절차]
1. 설문조사 : 시나리오 선택 (다양한 시나리오 통한 도덕적 행위 방법 설문조사)
2. 수집 및 저장 : 선택 결과 저장 (도적적 행위 수집 저장)
3. 도출 : 최적의 판단 도출 (다수의 도덕적 판단 행동 데이터 도출)
4. AI 학습 : 윤리 학습 (윤리 데이터를 인공지능이 학습)
* 트롤리딜레마에 대해 사람들의 의견 수렴 결과를 인공지능 기계에 윤리를 학습
[차별화] AI 윤리 기준 (과기정통부에서 AI 개발에서 활용까지의 AI 윤리 기준 마련)
- 3대 원칙(인사기)과 10대 핵심 요건(인프다 공안연데 침투책)

Question 6

인공지능 편향성

Answer 6

[유형]
- 데이터 관점 : 인간의 편향, 숨겨진 편향, 데이터 표본 편향
- 프로세스 관점 : 롱테일 편향(훈련 데이터에 특정 범주가 누락될 때 발생), 의도적 편향 (해킹 공격)

Question 7

XAI

Answer 7

[정의] 인공지능 시스템의 동작 및 최종 결과를 해석하여 결과물이 생성되는 과정을 설명해주는 기술
[배경] AI 시스템 수용/신뢰 우려, 딥러닝 도출 결과 이해 불가 한계, GDPR/인공지능 윤리 가이드에 따른 AI 알고리즘 설명 요구
[특징] 도출 과정의 타당성 제공, 신뢰성 제공, 동작 및 최정 결과 이해
[기술적 접근]
1. 기존 학습모델 변경 : LRP, 역 합성곱 신경망, 추론 및 시각화
2. 신규 학습 모델 : AND-OR 그래프, BPL, SHAP
3. 학습 모델간 비교 : 상호 대조 및 추론

Question 8

딥페이크

Answer 8

[정의] 딥러닝을 이용해 원본 이미지에 다른 이미지를 결합하여 Fake Image를 만드는 합성 기술
[특징] GAN 기술, 판별 어려움, 제작 용이
[기술요소]
- 음성인식 : CNN,RNN, 패턴 분류 (영상에서 음성 분류, Target 패턴 분류)
- Fake Image : GAN , Noise 삽입 (영상에 합성할 이미지 데이터 생성, 고도화)
- 이미지 합성 : LSTM, GRU (Fake Image와 원본 매치 합성 배포)
[차별화] 명/암
- (명) 영상 특수 효과, 과거 재현, 더빙, - (암) 가짜 뉴스 유포, 성인물에 악용
* 딥페이크의 위험성 대비 딥페이크를 탐지하는 영상 위/변조 탐지기술 발전 필요
* 2020년 불법합성물 제작·유포에 대한 처벌 규정을 담은 딥페이크 처벌법 시행

Question 9

텐서플로우

Answer 9

[정의] 기계학습과 딥러닝을 위해 데이터 플로우 그래프 방식을 사용한 구글에서 만든 오픈소스 라이브러리
[특징] 자동 계산, 풍부한 표현력, 실용성(서비스 단계까지 활용)
[구조] 오퍼레이션(계산 수행), 텐서(기본 데이터 형태, 다차원 배열), 세션(그래프 실행 객체, 캡슐화), 변수(버퍼)

Question 10

인공지능 파이프라인

Answer 10

[정의] 데이터 수집부터 전처리, 학습 모델 배포, 예측까지 전과정을 순차적으로 처리하도록 설계된 머신러닝 아키텍처

Question 10

패턴인식

Answer 10

[정의] 문자, 물체 등을 인식하기 위해 표준 패턴과 입력 패턴 비교 기반 사물 식별 및 클래스 구분 기술
[절차]
1. 실세계 사물 데이터 수집 : 데이터 센싱, 카메라, 마이크
2. 전처리 : 정규화, 샘플링
3. 특징 추출 : 지도/비지도 학습 기반, KNN, SVM, DBSCAN
4. 모델 선택 : 교차 검증, Bootstrap
5. 인식 : 클래스 분류, ROC Curve, AUC, FP Rate, Euclidean, Youden Index

Question 11

딥뷰

Answer 11

[리드] 대규모 실시간 영상 이해 기반의 시각지능 SW
[정의] 대규모 이미지·동영상을 분석하여 내용 이해 및 상황 예측을 실시간으로 수행,사람처럼 인지하는 시각 인공지능 SW
[기술요소] 시각 정보 수집, 대규모 처리, 내용 실시간 분석(시멘틱), 예지형 응용, 지원(플랫폼 화)

Question 12

엑소브레인

Answer 12

[정의] 인간과 기계와의 의사소통을 뛰어넘어 지식 소통이 가능하도록 하는 인공지능 소프트웨어
[기술요소] 자연어 이해 기술, 질의응답 기술, 자가학습, 추론 기술, 인간 모사형 학습 지능 원천 기술, 자율협업 지능 기술

Question 13

휴먼팩터지능

Answer 13

[정의] 고기능 숙련자의 지식 기술 노하우를 디지털 데이터화로 객관화, 정보화, 지능화하여 보다 안전하고 효율적인 체계를 구축하는 활동
[휴먼팩터] (신인환지)
1. 신체적 지능화 : 뉴로브릿지 두뇌, 점자 키보드 동작 인식, 아바타형 로봇, 뇌파제어, 전자피부
2. 인지적 지능화 : Smart Classes, 3D 카메라, AR,VR, 휴먼 인터페이스
3. 환경적 지능화 : 지능형 설비, 무인 결제시스템, 생활환경 유해인자 관리기술
4. 지식 지능화 : 지능형 로봇, 주조기술 시뮬레이션 기술
* 휴먼팩터 기반 지능화 수준은 인지,판단,제어 측면의 지능적 요소를 활용 지능화 단계 구분 가능
[지능화 단계] (지확강대)
1. 지원 : 데이터 생산 및 축적, 확보
2. 확장 : 데이터 활용 분석, 추론
3. 강화 : 하이브리드적 예측, 자동화
4. 대체 : 인단답게 창의적, 도적적 판단

Question 14

초거대 AI

Answer 14

[리드] 인간 사고 수준의 인공지능
[정의] 대용량 연산이 가능한 컴퓨팅 인프라스트럭처를 기반으로 대규모 데이터를 스스로 학습해 인간처럼 사고,학습,판단 가능한 인공지능
[개념도] 휴먼 뇌(시냅스-100조) –>(모방) –> 초거대 AI (파라메터-수천억개 이상)
[특징]
- 정교한 학습 가능 : 수천억개 이상의 파라메터 이용
- AI 영역 확장 : 자연스러운 대화, 창의적 작문 기반 활용 영역 확장
* 1750억개의 파라메터를 탑재한 오픈AI의 ‘GTP-3’ 등장에 따라 본격화
[구성도] 초거대 데이터(수억 이미지,수천억 Text), 초대형 인프라, 초지능 서비스
[기술요소]
- 초대형 Infra : HAC (가상화 기반 GPU 클러스터링), 슈퍼컴퓨터 (양자 컴퓨터)
- 초성능 프로세스 : IPU (프로세서에 직접 메모리 배치), 뉴로모픽 칩
- 초대량 파라메터 학습 모델 : GPT-3, MT-LNG, 딥러닝 프레임뭐크(텐서플로))
- 개방형 서비스 : Open API, LOD

Question 15

ViT

Answer 15

[정의] 이미지를 패치로 나눠서 Transformer의 엔코더를 적용 사전학습과 파인 튜닝을 적용한 이미지 분류 모델
[구성] 입력 이미지(이미지 패치), 아키텍처(Transformer), 사전학습과 파인 튜닝

Question 16

얼굴 정보처리 기술

Answer 16

[정의] 사람의 얼굴을 분석하기 위해 영역 검출,특징점, 속성 추출을 통해 얼굴정보 저장/분석 처리 기술
[필요성] 비대면 서비스 확산, 간편인증 보편화
1. 얼굴 영역 검출 기술 : HOG(보행자 검출이나 사람의 형태 검출), MTCCN(P-Net,R-Net,O-Net 3개의 스테이지), SSD(오브젝트 검출기, YOLO보다는 성능/속도 빠름)
2. 얼굴 인식 기술 : PCA(고차원→저차원), ICA(독립적인 성분으로 분리), YOLO (실시간 객체 탐지)
3. 얼굴 복원 기술 : 오토인코더(비지도 방식, 데이터에 인코딩된 표현 학습), VAE(가우시안 확률분포), GAN(

Question 17

데이터 사이언스

Answer 17

[정의] 데이터 마이닝과 유사하게 정형, 비정형 형태를 포함한 다양한 데이터로부터 지식과 인사이트를 추출하는데 과학적 방법론, 프로세스 알고리즘, 시스템을 동원하는 융합분야
[영역]
1. 데이터 엔지니어링 : 수집,저장,처리/분석, 가시화, 활용
2. 컴퓨터 엔지니어링 : 인공지능,머신러닝, 프로그램 언어, SW도구
3. 분석 엔지니어링 : 수학, 통계학, 물리학
4. 비즈니스 엔지니어링 : 비즈니스 이해, 비즈니스 융합

Question 18

로봇 저널리즘

Answer 18

[정의] 로봇이 자체적으로 정보를 수집 및 분류한 후 의미를 해석해서 스스로 기사를 작성하는 저널리즘 기술
[프로세스]
1. 데이터 수집 : API, 웹 크롤링
2. 이벤트 추출 : 텍스트 마이닝, 시멘틱 분석, 머신러닝
3. 중요 이벤트 선별 : TF-IDF, 이벤트 가중치 및 스코어링
4. 기사 분위기 결정 : 감성 분석(어휘, 모형기반), 평판 분석
5. 뉴스 기사 생성 및 배포 : 템플릿 작성, 검증 및 배포

Question 19

인공감성지능

Answer 19

[리드] 정서적 상호작용이 가능한 인공지능
[정의] 감성지능과 인공지능의 결합, 스스로 보유한 감정을 기반으로 자신과 타인의 감정 구별 및 새로운 사고와 행동을 결정하는 인공지능
[확산배경]
- 기존 인공지능 기반 서비스 확산 한계 : 감정 교류부족, 정교한 서비스 제공 한계
- 비대면, 대화형 서비스 활용 증가 : 인간 대응 유사 서비스의 사회적,산업적 요구 증가
[감성지능 구성 요소]
- 자기 인식 능력, 자기 관리 능력, 관계 관리 능력, 타인 인식 능력
* 감정 인식, 감정 생성 및 감정 증강의 과정을 통해 인간과의 정서적 상호작용 수행

Question 20

협업필터링

Answer 20

[리드] 집단지성을 이용한 추천시스템 핵심 기술
[정의] 사용자 및 컨텐츠간 알고리즘을 통해 유사도를 측정 향후 관심사를 분석 및 예측하는 기술
* 협업필터링은 Memory-based, Model-based로 구분되며 구현용이성 및 합리적 결과 도출로 Memory-Based 주로 사용
[주요유형] User-Based 필터링, Item-Based 필터링, Hybrid 필터링
[유사도 알고리즘] 유클리디안, 코사인, 피어슨, 자카드
[차별화] 문제점
- 콜드 스타트, 계산 효율 저하, 롱테일, 메타정보 한계, 필터 버블

Question 21

협업필터링 주요 유형 및 유사도 알고리즘

Answer 21

사용자,아이템, 유사도 알고리즘,

Question 22

협업필터링 문제

Answer 22

[협업필터링 문제점] (방안)
- 콜드 스타트 : 새로운 항목 추천한계, 초기 정보 부족문제(딥러닝 기반 필터링/ KNN,DBSCAN,K-Means)
- 계산 효율 저하 : 다수 사용자의 경우 비효율, 행렬분해시 장시간 계산 (병렬 컴퓨팅, GPGPU, Grid)
- 롱테일 문제 : 비대칭적 쏠림현상 발생, 관심저조 항목 정보 부족(모델 기반 협업 필터링, LDA,베이지안 NW)
- 메타정보 함축 한계 : 한정된 메타정보로 상품&사용자 프로파일 함축 불가 (협업 필터링 유사도 계산, 피어슨,자카드 유사도)
- 필터 버블 : 전체 정보 접근기회 박탈, 편향된 정보제공 및 양극화 (플립 피드, RAA, 딥러닝,SNS 타임라인 분석)

Question 23

컨텐츠 기반 추천 시스템

Answer 23

[리드] 개인의 취향 기반 추천
[정의] 개인 사용자가 매긴 Rating기반으로 기호에 맞는 유사 컨텐츠를 사용자에게 추천 시스템
[장점] 다른 유저 정보 불필요, 개인의 독특한 취향 고려 추천, 추천하지 않는 이슈 설명 가능
[매커니즘]
- 유저의 컨텐츠 rating : 각 컨텐츠별 등급 평가 (User Profile의 기반 데이터)
- 컨텐츠별 Profile 구축 : Feature 기반, 중요 단어 벡터 (제목,작가, 유형, 내용)
- 컨텐츠간 유사도 분석 : Feature간 유사도 분석 (유사도 거리 측정)
- 유사 컨텐츠 추천 : User Profile 기반 (유저 Rating 높은 컨텐츠 추천)
[문제점] Feature를 뽑아내기 어려운 데이터 존재, 처음 유입된 유저 추천 불가 → 협업필터링 적용
* 초기 Data 부족시 컨텐츠 기반 추천 후 Data가 쌓이면 협업 필터링 추천으로 고도화

Question 24

MRC

Answer 24

[리드] 최적의 답안 제시
[정의] 주어진 문서를 컴퓨터가 읽고 이해하여 최적화된 답안을 제시해 주는 AI기반 질의응답 시스템
[배경] 검색 정확도 향상 대두, 자연어 처리 기술 발전
* MRC는 AI가 빠르고 정확하게 대용량의 문서를 이해해 유용한 정보를 추출하는데 활용가능 대화형 AI기술
[기술요소]
- 사전 모델 훈련 : 전이 학습(훈련된 모델을 재사용 학습기법), Pre-Train (미리 사전 학습된 모델)
- 질의 이해/검색 : TF-IDF(단어의 중요도 지표) NLP, Word Embedding (기계가 이해하는 숫자로 표현)
- 자연어 분석 : Transformer(Attention 기법 적용, 인코더/디코더 구성), Bert(Transformer의 인코더로 구성, 문장 의미 추출)
- 의도 파악 : Span Extraction(AI가 지문을 이해 관련된 답변 도출 기술), Cloze test (독해력 테스트, 지문에 대한 내용을 이해하는 기술)
[차별화] MRC의 평가방법
- Exact Match : 정확한 샘플의 수 / 전체 샘플의 수
- F1 Score : 2(PrecisionRecall) / (Precision + Recall)
- BLEU : n-gram을 이용 성능 평가 (예측값과 실제값 사이의 정밀도)
*MRC는 사내 지식관리 시스템, 스마트 검색 시스템, 고객사 통합 검색 고도화등에 이용

Question 25

멀티모달 AI

Answer 25

[정의] 텍스트, 이미지, 음성, 영상 등 다양한 모달리티에서 입력을 처리하고 생성하여 사람처럼 배우고 생각하며 추론할 수 있는 인공지능 모델
[기술요소]
- 인코더 : 텍스트 인코더, 이미지 인코더
- 융합 : 어텐션, 자동 인코더
- 디코더 : 텍스트 디코더, 이미지 디코더