반응형
인공지능 윤리
트롤리 딜레마와 자율주행차
자율주행차는 도로에서 트롤리 딜레마와 같은 윤리적 딜레마에 직면할 수 있습니다. 이는 단순히 기술적인 문제가 아니라, 법적, 윤리적 논의와 함께 사회적 수용성을 요구하며, 자율주행차의 발전 방향에 큰 영향을 미칩니다.
GPL (General Public License)
GPL은 소프트웨어를 실행, 연구, 공유, 수정할 수 있는 자유를 보장하는 라이선스입니다. 이 라이선스는 자유 소프트웨어의 보급에 중요한 역할을 합니다.
AI 활용 사례
- AI Robot Surgery: 의료 로봇을 활용한 수술
- GitHub Copilot: AI 기반 코드 작성 도구
컴퓨터 비전
Image Classification (이미지 분류)
이미지를 특정 클래스(예: 고양이, 개)로 분류하는 작업으로, 머신러닝과 딥러닝 기술을 활용합니다.
- 기본 과정
- 데이터 준비: 다양한 레이블이 지정된 이미지 데이터셋 필요.
- 모델 학습: CNN(합성곱 신경망)을 사용하여 학습.
- 특징 추출: CNN을 통해 이미지의 특징을 추출하고 소프트맥스 함수로 클래스 확률 계산.
- 예측: 학습된 모델로 새 이미지를 분류.
- 응용 분야
- 의료 이미지 분석 (X-ray, MRI 등)
- 자율주행 차량 객체 인식
- 소셜 미디어 이미지 태그 및 필터링
Object Detection (객체 탐지)
이미지나 비디오에서 객체를 식별하고 위치를 표시합니다. 대표적인 기술은 YOLO와 SSD가 있습니다.
- 응용 분야
- 자율주행차: 보행자, 차량, 신호등 인식
- 보안 및 감시: CCTV 분석
- 소매업: 고객 행동 분석 및 재고 관리
- 단일 단계 객체 탐지
- YOLO (You Only Look Once): 이미지를 그리드로 나누고, 경계 상자와 클래스 확률을 동시에 예측. 빠르지만 정확도는 낮을 수 있음.
Semantic Segmentation (의미 분할)
이미지의 각 픽셀을 특정 카테고리로 분류하여 장면을 세밀히 이해합니다. 일반적으로 U-Net, SegNet 같은 아키텍처를 사용합니다.
- Instance Segmentation (인스턴스 분할)
- 의미 분할과 유사하나, 같은 클래스의 다른 객체를 구분. Mask R-CNN과 같은 모델에서 사용.
- 응용 프로그램
- 얼굴 인식, 3D 객체 탐지, 포즈 추정, 비디오 분류, 스타일 전이 등.
고전적 기계 학습
K-최근접 이웃 (K-Nearest Neighbors, K-NN)
K-NN은 새로운 데이터와 가까운 데이터 포인트를 기반으로 분류를 수행합니다.
- 장점
- 간단하고 이해하기 쉬움.
- 지도학습의 대표적인 예시.
- 단점
- 데이터가 많을수록 처리 시간이 오래 걸림.
- K값 설정에 따른 결과 의존도가 높음.
K-평균 군집화 (K-Means Clustering)
K개의 중심을 설정하고 데이터를 그룹화하는 비지도 학습 알고리즘입니다.
- 장점
- 간단하고 효율적.
- 단점
- 초기값과 이상치에 민감.
- K값을 미리 정해야 함.
의사결정 나무 (Decision Tree)
불순도를 최소화하여 데이터를 분류하는 모델로, Gini Index를 활용해 성능을 측정합니다.
랜덤 포레스트 (Random Forest)
여러 개의 결정 트리를 조합하여 정확도를 높이고 과적합을 방지하는 앙상블 학습 기법입니다.
앙상블 (Ensemble)
- Bagging
- 분산을 낮추어 안정성을 향상시킴.
- Boosting
- 이전 모델의 오차를 보정하며 편향을 줄임.
반응형