RNN Recurrent Neural Network 순차적 입력 처리 (Sequential) 자연어 처리에 좋은 성능 언어 모델링과 텍스트 생성 자동 번역, 음성 인식, 이미지 캡션 생성 Long Short Term Memory(LSTM) GRU(Gated Recurrent Unit) LSTM과 GRU 전통적인 RNN의 기울기 소실 문제 - 장기간의 의존성을 학습하는데 한계가 있음 게이트(gate)가 추가된 RNN Long Short Term Memory(LSTM) -1997년에 Sepp Hochreiter and Jurgen Schmidhuber이 제시 Gated Recurrent Unit(GRU) -2014년에 제시된 LSTM의 단순화된 버전 GRU Update gate와 reset gate

CNN Convolutional Neural Network -주로 이미지 인식에 활용 Convolutional layer, Pooling layer, ReLU layer, Fully connected layer, Loss layer Local connectivity 전통적인 인공신경망은 공간적인 정보를 사용하지 못함 -28 * 28 이미지를 784개 1줄 -필터(커널) 사용 AlexNet

딥러닝의 출현 Geoffery Hinton (2006) - A fast learning algorithm for deep belief nets - 전처리 훈련(pre-trainining) 각 층을 먼저 비지도 학습 방법을 통해 잘 손질해주고, 전처리한 데이터를 여러 층 쌓아올려 인공신경망을 최적화 딥러닝 방법의 차별성 -Self Learning -표현 학습(Representation Learning) 컴퓨터가 특징표현을 학습 : 특징 추출을 알고리즘 내에 포함 -Google X Unsupervised learning -Google Deepmind DQN 보상, 게임의 규칙을 스스로 발견, 최적 전략 발견Google Deepmind DQN - AlphaGo Zero 딥러닝 주요 기법들 CNN(Convolu..

https://www.accenture.com/us-en/insights/technology/generative-ai Generative AI in Business Accenture explores the potential of generative AI technology, generative AI applications in business & how generative AI systems can reinvent work. www.accenture.com 디지털오픈랩(김종우교수님)

미래 생산성 향상의 Key. - 2030년까지 AI 기술로 인해 글로벌 주요국의 국가별 성장률이 5~26%까지 폭증 전망 - AI도입으로 2035년까지 주요 12개 국가의 GVA(Gross Value Added) 성장률은 2배로 증가, 기업들의 수익성은 평균 38% 가량 향상하여 2030년까지 무려 14조 달러 규모의 경제 성장 예상 고용시장의 영향 - 물리적인 노동력 뿐 아니라 인간의 인지 및 판단 영역을 대체 - 현재 사람이 하고 있는 대부분의 직업이 대체 위험에 노출 - GPT-4를 이용하면 사람과 비슷한 완성도로 작업을 완수하는 데 드는 시간이 50% 이상 감소하는 직업과 작업이 약 14%~46%에 달함. - 2030년까지 북미와 유럽에서 AI에 의해 높은 위험에 처할 업종별 직업의 수가 무려 2..