Azure AI 기본 사항
AI 개념과 관련 Azure 서비스에 대한 기본 지식을 개발
해당 스터디 플랜을 가지고 공부하게 되면
더욱 효율적으로 AZURE AI 기초에 대해서 공부할 수 있습니다.
모듈을 끝내면서 AI 공부하는 재미를 느껴보세요!
1과목 한국어 해석본
번역되어있는 버전을 브런치에 올려드립니다.
굳이 저의 글을 보지 않으셔도
링크에 들어가서 브라우저에서 번역해서 보시면서 모듈을 끝내시면
기본적인 부분들에 대하여 스터디 되실 겁니다 :)
기본 AI 개념
이 교육 모듈은 인공지능(AI)의 핵심 기능에 대한 전반적인 개요를 제공하고 작동 방식에 대한 직관을 제공하도록 설계되었습니다 . 심도 있는 기술적인 모듈이 아니며, 코드를 작성하거나 머신러닝 모델의 수학적 세부 사항을 다루지 않습니다. 대신, AI가 할 수 있는 작업의 종류와 그 기반이 되는 기본 원리를 이해하는 데 중점을 둘 것입니다.
자, 그럼 시작해 볼까요! 다음 단원으로 넘어가서 AI에 대해 자세히 알아보겠습니다.
생성 AI에 대해 이해해야 할 핵심 사항은 다음과 같습니다.
생성적 AI 는 소프트웨어 애플리케이션이 새로운 콘텐츠를 생성할 수 있도록 하는 AI의 한 분야입니다. 여기에는 자연어 대화가 주로 사용되지만, 이미지, 비디오, 코드 및 기타 형식도 포함됩니다.
콘텐츠를 생성하는 능력은 언어 모델을 기반으로 하는데 , 이 언어 모델은 방대한 양의 데이터(대개 인터넷이나 다른 공개 정보 소스의 문서)를 통해 훈련됩니다.
생성적 AI 모델은 언어 요소 간의 의미적 관계를 캡슐화합니다(모델이 단어가 서로 어떻게 관련되는지 "알고" 있다는 것을 멋지게 표현한 것). 이를 통해 의미 있는 텍스트 시퀀스를 생성할 수 있습니다.
대규모 언어 모델 (LLM)과 소규모 언어 모델 (SLM) 이 있는데 , 그 차이는 데이터 양과 모델 내 변수 수에 따라 달라집니다. LLM은 매우 강력하고 일반화가 잘 되지만, 학습 및 사용 비용이 더 많이 들 수 있습니다. SLM은 특정 주제 영역에 더 집중된 시나리오에서 효과적으로 작동하는 경향이 있으며, 일반적으로 비용이 더 저렴합니다.
생성적 AI 시나리오
생성 AI의 일반적인 사용 사례는 다음과 같습니다.
인간 사용자를 지원하는 챗봇과 AI 에이전트를 구현합니다.
새 문서 또는 기타 콘텐츠 생성(종종 추가 반복 개발을 위한 시작점으로 사용)
여러 언어 간의 텍스트를 자동으로 번역합니다.
복잡한 문서를 요약하거나 설명합니다.
컴퓨터 비전
컴퓨터 비전에 대해 이해해야 할 핵심 사항은 다음과 같습니다.
컴퓨터 비전은 많은 수의 이미지를 사용하여 모델을 훈련함으로써 달성됩니다.
이미지 분류는 컴퓨터 비전의 한 형태로, 모델이 이미지의 주제(즉, 이미지의 내용 ) 로 레이블이 지정된 이미지 를 사용하여 훈련된 후 레이블이 지정되지 않은 이미지를 분석하고 가장 적절한 레이블을 예측하여 이미지의 주제를 식별할 수 있습니다.
객체 감지는 모델이 이미지에서 특정 객체의 위치를 식별하도록 훈련되는 컴퓨터 비전의 한 형태입니다.
컴퓨터 비전에는 더욱 진보된 형태가 있습니다. 예를 들어, 의미 분할은 객체 감지의 고급 형태로, 객체를 둘러싼 상자를 그려서 객체의 위치를 나타내는 대신, 모델이 특정 객체에 속하는 이미지의 개별 픽셀을 식별할 수 있습니다.
컴퓨터 비전과 언어 모델을 결합하여 컴퓨터 비전과 생성 AI 기능을 결합한 다중 모달 모델을 만들 수 있습니다 .
컴퓨터 비전 시나리오
컴퓨터 비전의 일반적인 사용 사례는 다음과 같습니다.
사진에 대한 자동 캡션 추가 또는 태그 생성.
시각적 검색.
소매 상황에서 재고 수준을 모니터링하거나 체크아웃할 품목을 식별합니다.
보안 비디오 모니터링.
얼굴 인식을 통한 인증.
로봇공학과 자율주행차.
SPEACH
음성 인식은 AI가 음성을 "듣고" 해석하는 능력입니다. 일반적으로 이 기능은 음성-텍스트 변환 (음성 신호를 텍스트로 변환)의 형태로 제공됩니다.
음성 합성은 AI가 단어를 음성 언어로 음성화하는 능력입니다. 일반적으로 이 기능은 텍스트 형식의 정보를 청각 신호로 변환하는 텍스트-음성 변환( TTS)의 형태로 제공됩니다.
AI 음성 기술은 배경 소음 무시, 방해 감지, 점점 더 표현력이 풍부하고 인간과 유사한 음성 생성 등의 과제를 해결하기 위해 빠르게 발전하고 있습니다.
AI 음성 시나리오
AI 음성 기술의 일반적인 사용 사례는 다음과 같습니다.
전화, 컴퓨터 또는 가전제품에 내장된 개인용 AI 비서로, 대화를 통해 상호작용합니다.
전화 통화나 회의 내용을 자동으로 기록합니다.
비디오나 텍스트의 오디오 설명을 자동화합니다.
언어 간 자동 음성 번역.
자연어 처리
자연어 처리(NLP)에 대해 이해해야 할 핵심 사항은 다음과 같습니다.
NLP 기능은 특정 유형의 텍스트 분석을 수행하도록 훈련된 모델을 기반으로 합니다.
오늘날 많은 자연어 처리 시나리오가 생성 AI 모델에 의해 처리되고 있지만, 더 간단한 NLP 언어 모델이 더 비용 효율적일 수 있는 일반적인 텍스트 분석 사용 사례도 많이 있습니다.
일반적인 NLP 작업은 다음과 같습니다. 엔터티 추출 - 문서에서 사람, 장소, 조직과 같은 엔터티에 대한 언급 식별 텍스트 분류 - 문서를 특정 범주에 할당합니다. 감정 분석 - 텍스트 본문이 긍정적, 부정적, 중립적인지 판단하고 의견을 추론합니다. 언어 감지 - 텍스트가 작성된 언어를 식별합니다.
## 메모
이 모듈에서는 "일반적인" 인간 언어에서 의미를 도출하는 AI의 역량을 설명하기 위해 자연어 처리 (NLP) 라는 용어를 사용했습니다 . 이러한 AI 분야를 자연어 이해 (NLU) 라고 부르기도 합니다 .
자연어 처리 시나리오
NLP 기술의 일반적인 사용 사례는 다음과 같습니다.
전화 통화 및 회의 문서나 기록을 분석하여 주요 주제를 파악하고 사람, 장소, 조직, 제품 또는 기타 단체에 대한 구체적인 언급을 파악합니다.
감정과 의견을 평가하기 위해 소셜 미디어 게시물, 제품 리뷰 또는 기사를 분석합니다.
생성적 AI의 복잡성을 요구하지 않고도 자주 묻는 질문에 답하거나 예측 가능한 대화 대화를 조율할 수 있는 챗봇을 구현합니다.
데이터 및 통찰력 추출
AI를 사용하여 데이터와 통찰력을 추출하는 데 대해 이해해야 할 핵심 사항은 다음과 같습니다.
대부분의 문서 분석 솔루션의 기반은 OCR( 광학 문자 인식 )이라는 컴퓨터 비전 기술입니다.
OCR 모델은 이미지에서 텍스트의 위치를 식별할 수 있지만, 더 고급 모델은 문서의 개별 값을 해석하여 특정 필드를 추출할 수도 있습니다.
대부분의 데이터 추출 모델은 전통적으로 텍스트 기반 양식에서 필드를 추출하는 데 초점을 맞췄지만, 오디오 녹음, 이미지, 비디오에서 정보를 추출할 수 있는 고급 모델이 점점 더 쉽게 제공되고 있습니다.
데이터 및 통찰력 추출 시나리오
AI를 이용해 데이터와 통찰력을 추출하는 일반적인 방법은 다음과 같습니다.
비즈니스 프로세스에서 양식 및 기타 문서를 자동으로 처리하는 것(예: 경비 청구 처리)입니다.
종이 양식 데이터의 대규모 디지털화. 예를 들어, 인구 조사 기록의 스캔 및 보관.
검색을 위해 문서 인덱싱.
회의록이나 녹음본에서 주요 사항과 후속 조치를 파악합니다.
책임 있는 AI
책임 있는 AI에 대해 이해해야 할 핵심 사항은 다음과 같습니다.
공정성 : AI 모델은 일반적으로 사람이 수집하고 선택한 데이터를 사용하여 학습됩니다. 데이터 선택 기준이나 데이터 자체가 무의식적인 편향을 반영하여 모델이 차별적인 결과를 생성할 위험이 상당히 높습니다. AI 개발자는 학습 데이터의 편향을 최소화하고 AI 시스템의 공정성을 테스트하는 데 주의를 기울여야 합니다.
신뢰성 및 안전성 : AI는 확률론적 모델을 기반으로 하므로 완벽하지 않습니다. AI 기반 애플리케이션은 이를 고려하여 위험을 적절히 완화해야 합니다.
개인정보 보호 및 보안 : 모델은 개인 정보를 포함할 수 있는 데이터를 사용하여 학습됩니다. AI 개발자는 학습 데이터의 보안을 유지하고, 학습된 모델 자체가 개인 또는 조직의 사적인 정보를 유출하는 데 사용되지 않도록 할 책임이 있습니다.
포용성 : AI가 삶을 개선하고 성공을 이룰 수 있는 잠재력은 모든 사람에게 열려 있어야 합니다. AI 개발자는 자신의 솔루션이 일부 사용자를 배제하지 않도록 노력해야 합니다.
투명성 : AI는 때때로 "마법"처럼 보일 수 있지만, 사용자에게 시스템의 작동 방식과 잠재적인 한계점을 알리는 것이 중요합니다.
책임성 : 궁극적으로 AI 솔루션을 개발하고 배포하는 사람과 조직은 자신의 행동에 대해 책임을 져야 합니다. AI 모델과 애플리케이션을 개발하는 조직은 책임 있는 AI 원칙을 업무에 적용할 수 있도록 거버넌스 프레임워크를 정의하고 적용하는 것이 중요합니다.
책임 있는 AI 사례
책임 있는 AI 관행을 적용해야 하는 시나리오의 몇 가지 예는 다음과 같습니다.
AI 기반 대학 입학 시스템은 모든 지원서를 공정하게 평가하고 관련 학업 기준을 고려하는 동시에 관련 없는 인구 통계적 요소에 따른 근거 없는 차별을 피하는지 확인하기 위해 테스트되어야 합니다.
컴퓨터 비전을 활용하여 물체를 감지하는 AI 기반 로봇 솔루션은 의도치 않은 피해나 손상을 방지해야 합니다. 이러한 목표를 달성하는 한 가지 방법은 물리적 물체와 상호 작용하기 전에 확률값을 사용하여 물체 식별의 "신뢰도"를 결정하고, 신뢰도가 특정 임계값 미만이면 어떠한 동작도 하지 않는 것입니다.
공항이나 기타 보안 구역에서 사용되는 안면 인식 시스템은 임시 접근에 사용되는 개인 이미지가 더 이상 필요하지 않게 되면 즉시 삭제해야 합니다. 또한, 이미지를 볼 필요가 없는 운영자나 사용자에게 이미지가 접근되는 것을 방지하는 안전 조치가 필요합니다.
음성 기반 상호작용을 제공하는 웹 기반 챗봇은 청각 장애가 있는 사용자가 시스템을 사용할 수 없도록 하기 위해 텍스트 캡션도 생성해야 합니다.
AI 기반 대출 승인 신청서를 사용하는 은행은 AI의 사용 사실을 공개하고, AI가 훈련된 데이터의 특징을 설명해야 합니다(기밀 정보는 공개하지 않음).
