3.14 Generative AI 소개

Generative AI 및 적용

AI는 새로운 것을 만들어내는 능력 덕분에 인공지능의 가장 큰 발전 중 하나이다.

최근까지 대부분의 기계 학습 애플리케이션은 차별적 모델에 의해 구동되었다. 차별적 모델은 "어떤 데이터를 보고 있다면, 어떻게 하면 이 데이터를 가장 잘 분류하거나 값을 예측할 수 있을까?"라는 질문에 답하는 것을 목표로 한다. 예를 들어, 우리는 카메라가 고양이를 겨누고 있는지 감지하기 위해 차별적인 모델을 사용할 수 있다.

이 모델을 이미지 모음에 대해 교육하면서(고양이와 그렇지 않은 고양이도 포함됨) 이 예측에 도움이 되는 패턴을 이미지에서 찾을 수 있을 것으로 기대한다.

생성 모델은 "이런 데이터를 이전에 본 적이 있습니까?"라는 질문에 답하는 것을 목표로 합니다. 이미지 분류 예에서는 "고양이 없음" 레이블이 있는 이미지가 "고양이 없음" 레이블이 있는 이미지보다 이전에 본 데이터와 더 유사한지 여부에 대해 문제를 프레임으로 만들어 여전히 사용할 수 있다. 그러나 생성 모델을 사용하여 두 번째 사용 사례를 지원할 수 있다. 생성 모델에서 학습한 패턴을 사용하여 이전에 본 데이터와 유사한 데이터의 새로운 예를 생성할 수 있다.

 

---

Generative AI 모델

이 과정에서는 세 가지 인기 있는 생성 모델, 즉 생성적 적대 네트워크(GAN), 일반 자기회귀 모델 및 변압기 기반 모델을 만드는 방법을 배우게 된다. 이러한 각 기능은 AWS Deep Composer를 통해 액세스할 수 있으며 이러한 기술을 사용하여 새로운 음악 사례를 생성하는 실제 경험을 제공한다.

 

자기회귀 모형

자기회귀 컨벡션 신경 네트워크(AR-CNN)는 시간이 지남에 따라 발전하는 시스템을 연구하고 일부 데이터의 가능성은 과거에 일어난 일에만 달려 있다고 가정하는 데 사용됩니다. 날씨 예측에서 재고 예측에 이르기까지 많은 시스템을 살펴보는 유용한 방법이다.

 

생성적 적대 네트워크(GAN)

생성적 적대 네트워크(GAN)는 새로운 콘텐츠를 생성하기 위해 두 개의 네트워크를 서로 연결하는 기계 학습 모델 형식이다. 교육 알고리즘은 발전기 네트워크(새 데이터 생성 담당)와 판별기 네트워크(발전기 네트워크의 데이터가 교육 데이터 세트를 얼마나 밀접하게 나타내는지를 측정하는 역할) 간에 왔다 갔다 한다.

 

변압기 기반 모델

변압기 기반 모델은 일부 순차 구조(문장의 단어 순서 등)로 데이터를 연구하기 위해 가장 자주 사용된다. 트랜스포머 기반 방식은 이제 자연어 모델링을 위한 일반적인 현대적 도구가 되었다.