AI·데이터 주제 모음
101개 주제
- AI·데이터
스트림 처리의 윈도잉과 시간 의미론(이벤트 시간·워터마크·정확히 한 번)
무한 스트림을 윈도우로 묶고 이벤트 시간·워터마크로 집계 확정 시점을 정하며, 체크포인트·트랜잭션 싱크로 정확히 한 번 처리를 보장해 지연·정확성·완전성의 트레이드오프를 설계하는 실시간 데이터 처리 기술.
- AI·데이터
자동화 기계학습(AutoML)
전처리·모델선택·하이퍼파라미터 최적화·신경망 구조 탐색·앙상블을 탐색/최적화 문제로 자동화해 생산성과 접근성을 높이는 기술로, 베이지안·진화·경사 기반 탐색과 효율적 성능추정을 결합하며 과적합·연산비용·설명성의 트레이드오프를 거버넌스로 통제한다.
- AI·데이터
중심극한정리·t-검정·z-검정
CLT(표본평균의 정규 근사)와 모분산 앎/모름·표본크기에 따른 z-검정·t-검정의 개념·차이·검정통계량.
- AI·데이터
그래프 신경망(Graph Neural Network, GNN)
노드가 이웃 정보를 반복 집계(메시지 패싱)해 표현을 학습하는 신경망 — GCN·GraphSAGE·GAT 등 집계 방식의 차이로 발전하며 추천·신약·사기탐지 등 그래프가 본질인 문제에 강점.
- AI·데이터
생성형 AI 평가(Evaluation)와 LLM-as-a-Judge 기반 품질 관리
실제 업무·위험에 맞춘 평가 데이터와 다층 지표로 모델·RAG·에이전트 품질을 측정하는 방법을 논술형으로 정리한다. 정답성·근거성·안전성·운영 지표, LLM-as-a-Judge의 편향과 사람 기준 보정, 회귀 평가 및 운영 피드백 루프, 사내 검색·고객상담·코드 생성 사례와 NIST AI RMF·HELM 연계를 다룬다.
- AI·데이터
대규모 언어모델 추론 최적화: KV 캐시·연속 배칭·추측 디코딩
대규모 언어모델의 서빙 성능을 SLO 중심으로 최적화하는 기법을 논술형으로 설명한다. 프리필·디코드 단계, KV 캐시 메모리 산정과 페이지 기반 할당·공유·양자화·오프로드, 연속 배칭·청크 프리필·공정 스케줄링, 가중치 양자화·병렬화·추측 디코딩을 비교한다. 고객지원·사내 RAG·코드 생성 사례, TTFT·ITL 및 비용 측정, 캐시 격리와 단계 분리 등 기술사 관점의 운영·보안 고려사항을 다룬다.
- AI·데이터
다중공선성(Multicollinearity)
독립변수 간 강한 상관으로 회귀계수 추정이 불안정해지는 현상 — VIF·조건지수 진단과 변수제거·PCA·정규화 해결.
- AI·데이터
TF-IDF (단어 중요도 가중치)
TF(문서 내 빈도)×IDF(log N/df)로 단어 중요도를 계산하는 기법의 계산 과정·예시·특징과 한계.
- AI·데이터
이상탐지(Anomaly Detection)
정상 데이터가 형성하는 분포·패턴을 학습해 그 경계를 벗어난 희소·비정상 관측치를 식별하는 이상탐지를 논술형으로 정리한다. 점·맥락·집단 이상 유형과 탐지 파이프라인, 통계(Z·IQR)·거리밀도(LOF)·격리(Isolation Forest)·딥러닝(오토인코더·LSTM) 기법 분류와 비교, 금융 FDS·설비 예지정비·AIOps/UEBA 사례, 불균형 데이터 평가지표(PR-AUC)와 오탐·미탐 트레이드오프, 설명가능성·개념변화 대응 등 기술사 관점의 고려사항을 다룬다.
- AI·데이터
LangChain 활용 설비 예지정비
설비 예지정비(PdM)의 개념·필요성과 LangChain·LLM 구성(체인·에이전트·툴·메모리·RAG), 이상탐지(ML)와 LLM 해석의 역할 분담으로 원인 분석·정비 지침을 지원하는 방안 및 환각·보안 고려사항.
- AI·데이터
PLM에서 LLM으로의 발전 과정
사전학습+미세조정의 전이학습 모델 PLM이 사전학습→SFT→RLHF/DPO 정렬을 거쳐 창발적 능력의 LLM으로 발전하는 과정.
- AI·데이터
프로세스 마이닝(Process Mining) 기반 업무 프로세스 분석·개선
정보시스템의 이벤트 로그에서 실제 업무 흐름을 발견하고 기준 모델과의 편차를 검증하며 시간·자원·데이터 관점에서 개선하는 프로세스 마이닝을 논술형으로 정리한다. 사례·활동·이벤트 로그 모델, 발견·적합성·개선 유형, XES와 IEEE 1849-2023, Petri Net·BPMN·DFG, 적합도·정밀도·일반화, 전자상거래 승인 사례, 데이터 품질·개인정보·성과 통제를 다룬다.
- AI·데이터
EU AI Act 기반 인공지능 위험 분류와 준수 설계
EU AI Act의 위험기반 분류와 금지·투명성·고위험·범용 AI 의무를 바탕으로 AI 목록화, 역할·책임, 데이터·모델 생애주기, 인간 감독, 적합성 증적, 사고 대응을 설계하고 채용·생성형 고객센터 사례와 2026년 전환 일정 확인 방법을 다루는 논술형 학습노트.
- AI·데이터
이미지 데이터 어노테이션(Image Data Annotation)
바운딩박스·폴리곤·세그멘테이션·키포인트·3D 등 이미지 라벨링 유형과 수동·반자동·능동학습·파운데이션 모델 기법, IAA 품질관리·편향·프라이버시 고려.
- AI·데이터
MapReduce 기반 대규모 분산 데이터 처리
대규모 입력을 키-값 레코드로 분할해 Map·Combine·Partition·Shuffle/Sort·Reduce 단계로 병렬 처리하는 MapReduce의 프로그래밍 모델과 Hadoop 실행 구조, 데이터 지역성·태스크 재실행·Combiner·Partitioner·데이터 스큐·셔플 최적화 원리, WordCount·역색인·로그 집계 사례와 Spark·분산 SQL·스트림 처리 비교를 기술사 논술형으로 정리한다.
- AI·데이터
AI 모델 위험관리(Model Risk Management, MRM)
AI 모델의 오류·오용·변경·데이터 편향으로 인한 손실을 모델 인벤토리·위험등급·독립 검증·승인·운영 모니터링·변경관리·롤백으로 통제하는 생애주기 MRM 체계, MLOps·AI 거버넌스와의 관계, 금융 상담·제조 검사 사례, NIST AI RMF·ISO/IEC 42001 연계와 기술사 관점의 도입 로드맵을 논술형으로 정리한다.
- AI·데이터
AI TRiSM(AI Trust, Risk and Security Management) 기반 신뢰할 수 있는 AI 운영
AI 생애주기의 신뢰·위험·보안을 통합 관리하는 AI TRiSM의 정의와 거버넌스 구조, 데이터·모델·프롬프트·에이전트 도구의 계보 관리, 공정성·설명가능성·프롬프트 인젝션·환각·개인정보·드리프트 통제, NIST AI RMF·ISO/IEC 42001 연계, 금융 상담과 제조 검사 사례 및 기술사 관점의 위험 기반 운영전략을 논술형으로 정리한다.
- AI·데이터
임베딩(Embedding, 벡터 표현)
단어·문장·이미지 등 이산 객체를 의미적 유사성이 거리로 보존되는 저차원 조밀 벡터로 사상하는 임베딩의 원리(분포가설)·유형(정적·문맥·멀티모달)·유사도(코사인·내적)와 시맨틱 검색·RAG·추천 활용, 편향·드리프트·프라이버시 트레이드오프를 논술형으로 정리한다.
- AI·데이터
파운데이션 모델(Foundation Model)
대규모 사전학습된 범용 AI 모델의 개념·특징·기반기술(Transformer·자기지도·정렬)과 법·환경·사회적 고려사항.
- AI·데이터
SOM(Self Organizing Map, 자기조직화지도)
경쟁 학습 기반 비지도 신경망 SOM의 정의·특징, 구성요소(BMU·이웃함수), 지도학습 신경망과의 차이점.
- AI·데이터
AI 윤리와 거버넌스 모형
공정성·투명성·책임성 등 AI 윤리 원칙과 원칙→조직→영향평가→모니터링→규제 준수 거버넌스 모형.
- AI·데이터
데이터 클린룸(Data Clean Room) 기반 프라이버시 보존형 데이터 협업
원천 데이터를 무제한 공유하지 않고 승인된 매칭·분석·출력 정책 안에서 공동 인사이트를 산출하는 데이터 클린룸의 역할·신뢰 경계·통제형 실행·차분 프라이버시·암호학적 매칭·출력 거버넌스와 광고·금융·제조 적용, 상호운용성 및 기술사 관점의 설계 고려사항을 논술형으로 정리한다.
- AI·데이터
AI 모델 카드(Model Card)와 데이터셋 데이터시트(Datasheet) 기반 AI 투명성
AI 모델의 목적·성능·한계·위험을 기록하는 모델 카드와 데이터셋의 출처·구성·품질·권리를 설명하는 데이터시트를 데이터 계보·모델 레지스트리·평가·모니터링과 연결하여 AI 투명성, 책임성, 변경관리 및 운영 통제를 구현하는 방법을 정리한다.
- AI·데이터
데이터 스페이스(Data Space)와 데이터 주권 기반 신뢰 데이터 공유
데이터 제공자가 통제권을 유지하면서 신뢰 서비스·카탈로그·의미체계·계약·사용정책을 결합해 조직 간 데이터를 공유하는 연합형 데이터 아키텍처와 거버넌스·보안·확산 전략을 정리한다.
- AI·데이터
데이터 차원 축소(Dimensionality Reduction)
차원의 저주를 완화하는 차원 축소 개념과 특징 선택·추출(PCA·LDA·t-SNE·오토인코더) 기법, 목적별 선택 전략과 트레이드오프.
- AI·데이터
DSML 프로젝트와 MLOps
DSML 프로젝트 순환 수명주기(비즈니스→데이터→모델링→운영)와 데이터·모델·코드를 버전관리하며 파이프라인 자동화·모니터링·지속학습(CT)으로 모델 부패를 다스리는 MLOps.
- AI·데이터
추천 시스템(Recommendation System)
정보 과부하 속에서 사용자가 선호할 항목을 예측·순위화하는 정보 필터링 시스템 — 콘텐츠 기반·협업 필터링·하이브리드(딥러닝)를 후보생성→랭킹→재순위화 다단계 파이프라인으로 결합.
- AI·데이터
순환 신경망(RNN)과 LSTM·GRU
은닉 상태로 과거 문맥을 순환 전달해 가변 길이 시퀀스를 처리하는 RNN과, 게이트·셀 상태로 기울기 소실을 극복해 장기 의존성을 학습하는 LSTM·GRU의 구조·원리·비교와 트랜스포머·상태공간모델과의 트레이드오프.
- AI·데이터
데이터 마이닝: K-means·DBSCAN·SVM
K-means(중심·거리)·DBSCAN(밀도) 비지도 군집화와 SVM(마진 최대 초평면) 지도 분류의 원리·파라미터·비교와 실무 선택 기준.
- AI·데이터
데이터 시각화(Data Visualization)
정확·명확·효율·심미 원리에 따라 데이터를 인지 정확도 높은 시각 부호로 매핑하고 목적별 차트(비교·추세·구성·관계·분포·공간)를 선택해 통찰을 전달하는 기법 — 차트정크 제거·인터랙티브·접근성·시각화 윤리·NL2Chart 동향.
- AI·데이터
머신러닝 모델 레지스트리(Model Registry)와 승인·배포 거버넌스
머신러닝 모델의 버전·학습 실행·데이터·코드 계보·평가·승인·배포 포인터를 중앙 관리하고, 품질 게이트·카나리·롤백·감사·공급망 보안으로 모델을 신뢰 가능한 운영 자산으로 관리하는 전략.
- AI·데이터
합성데이터(Synthetic Data)
원본의 통계적 특성을 규칙·시뮬레이션·생성모델(GAN·VAE·Diffusion·LLM)로 모사해 인공 생성한 데이터로, 프라이버시 보호·데이터 증강·희소 시나리오 보강을 가능케 하되 충실도·유용성·프라이버시 트레이드오프를 차분 프라이버시와 지속 검증으로 관리한다.
- AI·데이터
빅데이터 플랫폼 아키텍처 설계
수집→저장→처리→분석을 지원하는 확장적 계층 구조. 분산 인프라·데이터 레이크/웨어하우스/레이크하우스·배치와 실시간(람다/카파)·MLOps 진화.
- AI·데이터
AI 학습데이터 중독 공격(Data Poisoning)과 데이터 무결성 방어
학습·미세조정·임베딩·피드백 데이터에 악성 내용을 삽입하거나 변조하는 중독 공격의 유형과 위협 모델, 출처·버전·권한·행동검증·롤백 기반 방어 전략을 정리한다.
- AI·데이터
AI 모델 드리프트(Model Drift)와 데이터 드리프트(Data Drift) 관리
운영 환경의 입력·정답·예측 변화와 성능 저하를 데이터·개념·예측 드리프트로 구분하고 기준선·통계지표·라벨 지연·재학습·롤백으로 관리하는 AI 전 생애주기 전략.
- AI·데이터
데이터 마이닝: 통계와 차이·정형/비정형·오피니언/텍스트
데이터 마이닝과 통계의 차이, 정형·비정형 마이닝 비교, 오피니언 마이닝 절차와 텍스트 마이닝 비교.
- AI·데이터
AI 에이전트 오케스트레이션과 자율업무 실행 거버넌스
목표 분해·에이전트 선택·도구 실행·상태관리·검증을 조율하는 오케스트레이션 구조와 자율 실행의 권한·승인·감사·안전 거버넌스 설계.
- AI·데이터
의사결정나무(Decision Tree)
속성 기준 반복 분할로 if-then 규칙 트리를 만드는 해석 가능한 모델과 정보이득·지니·과적합·앙상블.
- AI·데이터
검색 증강 생성(RAG, Retrieval-Augmented Generation)
외부 문서·데이터를 질의 시점에 검색해 LLM 생성에 주입하는 RAG의 참조 아키텍처, 수집·청킹·임베딩·하이브리드 검색·재순위화·인용 검증, 기본·고급·에이전트형 비교, 평가·최신화·권한·프롬프트 인젝션 대응과 도입 전략을 논술형으로 정리한다.
- AI·데이터
AI 학습용 데이터셋 품질관리
AI 학습용 데이터셋의 수집→가공·라벨링→검수→활용 생애주기별 품질 확보 활동과 절차.
- AI·데이터
합성곱 신경망(CNN, Convolutional Neural Network)
합성곱·풀링으로 이미지의 국소 특징을 계층적으로 추출하는 신경망 — 지역 수용영역·가중치 공유로 파라미터를 줄이고 평행이동 불변성을 확보하는 영상 인식 표준 아키텍처.
- AI·데이터
데이터 중심 인공지능(Data-Centric AI)과 학습데이터 품질 엔지니어링
모델 구조보다 데이터의 품질·대표성·라벨·계보를 체계적으로 개선하여 AI 성능과 신뢰성을 높이는 DCAI의 개념, 품질지표, 수명주기, 거버넌스와 적용 전략을 정리한다.
- AI·데이터
디지털 스레드(Digital Thread) 기반 전 생애주기 정보연계
요구사항·설계·제조·검사·운영·정비 데이터를 공통 식별자·표준 의미·버전·계보로 연결하는 디지털 스레드의 개념, 참조 아키텍처, 영향분석, 표준화, 품질·보안·거버넌스와 제조·디지털 트윈 적용 전략을 논술형으로 정리한다.
- AI·데이터
프롬프트 엔지니어링(Prompt Engineering)
모델 재학습 없이 입력(역할·맥락·예시·형식)을 설계해 LLM 출력을 제어하는 저비용 기법 — Zero/Few-shot·CoT·ReAct 등 주요 기법, RAG·파인튜닝 비교, 프롬프트 인젝션 보안과 운영 거버넌스.
- AI·데이터
메타버스 윤리원칙
메타버스 윤리원칙의 3대 지향가치(온전한 자아·안전한 경험·지속가능한 번영)와 8대 실천원칙, 적용 절차와 공동 책임, 인터넷·AI 윤리 비교 및 몰입형 데이터 프라이버시.
- AI·데이터
머신러닝 최적화 알고리즘(Optimization)
손실을 최소화하는 경사하강법 계열(SGD·Momentum·AdaGrad·RMSProp·Adam)의 유형과 장단점.
- AI·데이터
음성 데이터 마이닝(Voice Data Mining)
STT·화자/감정 인식·NLP·패턴 분석 파이프라인으로 비정형 음성에서 정보·패턴을 전수 추출하는 기법. 처리방식·활용분야·생성형 AI 발전방향과 음성 개인정보 과제까지.
- AI·데이터
데이터 제품(Data Product) 설계와 운영
분석·AI·업무 의사결정에 독립적인 가치를 제공하도록 데이터·메타데이터·코드·인프라·운영책임을 하나의 제품으로 묶는 데이터 제품의 설계와 운영 전략 — 데이터 메시의 도메인 소유권, 검색·주소지정·이해가능성·상호운용성·보안, 품질계약·SLA·버전관리·폐기까지의 수명주기와 조직 적용 방안을 정리한다.
- AI·데이터
람다(Lambda) 아키텍처와 카파(Kappa) 아키텍처
배치·속도·서빙 3계층으로 정확성과 실시간성을 병합하는 람다와, 불변 로그의 단일 스트림으로 실시간·재처리를 통합하는 카파를 비교하고 정합성 원리·재처리 전략·레이크하우스 연계를 정리한다.
- AI·데이터
머신러닝과 딥러닝 차이
AI⊃머신러닝⊃딥러닝 관계와 특징 추출·데이터량·자원·해석성 차이 비교.
- AI·데이터
디지털 트윈(Digital Twin) 아키텍처와 구현 전략
현실의 관찰 가능한 대상과 디지털 표현을 동기화하여 관찰·예측·시뮬레이션·최적화에 활용하는 디지털 트윈의 개념과 참조 아키텍처. 물리·엣지·통합·트윈 코어·모델·응용 계층, 데이터 계약·실시간성·상호운용성·보안, 제조·건물·공급망 사례와 ISO 23247 기반 조합 전략을 정리한다.
- AI·데이터
AI 윤리기준 3대 원칙과 10대 요건
국가 AI 윤리기준(2020.12)의 인간성 대원칙 아래 3대 기본원칙(인간존엄성·공공선·합목적성)과 10대 핵심요건. 자율규범에서 AI 기본법(2026.1 시행)으로의 흐름과 설계 단계 내재화.
- AI·데이터
연합학습(Federated Learning)
데이터를 모으지 않고 로컬 학습 모델만 집계하는 연합학습의 동작 원리·알고리즘(FedAvg)과 보안·프라이버시 기술.
- AI·데이터
생성적 적대 신경망(GAN, Generative Adversarial Network)
데이터를 만드는 생성자와 진위를 가리는 판별자를 미니맥스 게임으로 경쟁시켜 실제 분포를 근사하는 생성 모델. 적대적 학습 원리와 DCGAN·cGAN·CycleGAN·StyleGAN 변형, FID·IS 평가지표, 디퓨전 모델과의 비교, 모드 붕괴·학습 불안정 대응과 딥페이크 등 신뢰성·거버넌스 이슈를 심화 정리한다.
- AI·데이터
앙상블 학습 — 배깅과 부스팅
여러 약한 학습기를 결합해 강한 모델을 만드는 기법. 배깅(병렬·분산↓)과 부스팅(순차·편향↓)이 상보적.
- AI·데이터
LLM-as-a-Judge(대규모 언어모델 기반 평가)
LLM을 평가자로 활용해 정확성·관련성·근거성·안전성을 루브릭 기반으로 측정하는 방법 — 결정적 지표·사람 메타평가·편향 통제·RAG·에이전트 평가와 운영 배포 게이트까지 정리한다.
- AI·데이터
독립표본 t-검정과 대응표본 t-검정 비교
서로 다른 두 집단(독립표본)과 같은 대상의 짝지어진 차이값(대응표본)의 평균차 검정. 대응표본은 개인차를 상쇄해 검정력이 높으며, 표본 구조·가정·효과크기를 고려해 선택.
- AI·데이터
베르누이 분포와 기하 분포
1회 시행의 성공/실패(베르누이)와 첫 성공까지의 시행 횟수(기하) 분포의 정의·기댓값·분산·무기억성과 이항·음이항으로의 확장.
- AI·데이터
데이터 관측성(Data Observability)과 데이터 신뢰성 관리
신선도·완전성·유효성·분포·계보 신호를 수집해 데이터 이상을 탐지하고 영향 분석·복구·사후 개선까지 연결하는 데이터 신뢰성 운영 체계.
- AI·데이터
과적합(Overfitting)
과적합의 발생 이유(복잡도·데이터부족·노이즈·과학습)와 정규화·드롭아웃·조기종료·교차검증 등 해결방안, 편향-분산 트레이드오프 심화.
- AI·데이터
LLMOps(대규모 언어모델 운영)와 생성형 AI 서비스 수명주기 관리
대규모 언어모델 기반 애플리케이션을 실험에서 운영으로 전환하기 위한 프롬프트·모델·검색증강·도구·평가·관측성·보안·비용 관리와 지속 개선 체계를 기술사 답안형으로 정리한다.
- AI·데이터
메타휴리스틱스(Metaheuristics)
대규모 최적화에서 우수한 근사해를 실용적 시간에 찾는 범용 탐색 전략. 유전·담금질·개미·입자군집.
- AI·데이터
데이터 리니지(Data Lineage)와 영향 분석
데이터가 원천에서 변환·저장·분석·서비스로 이어지는 경로를 Dataset·Job·Run 그래프로 추적하고, 변경 영향·장애 원인·개인정보 전파를 분석하는 데이터 거버넌스 체계를 정리한다.
- AI·데이터
ISO/IEC 42001:2023 인공지능 경영시스템(AIMS)
AI를 책임 있게 개발·제공·사용하기 위한 인공지능 경영시스템(AIMS)의 요구사항, 위험·영향평가, 생명주기 통제와 구축 로드맵을 정리한다.
- AI·데이터
빅데이터 분석도구 선택 원칙
분석 목적→데이터 특성→확장성·성능→TCO·인력 역량·거버넌스를 종합해 상황에 맞는 도구 조합을 고르는 원칙. 클라우드 관리형·레이크하우스로의 전환도 반영.
- AI·데이터
피처 스토어(Feature Store)와 머신러닝 데이터 운영
머신러닝 피처의 정의·변환·검증·계보를 중앙화하고 오프라인 학습과 온라인 추론에 일관되게 제공하는 피처 스토어의 구성요소, 시점 일치·데이터 누수 방지, 배치·스트리밍 운영, 품질·보안·거버넌스 전략을 기술사 논술형으로 정리한다.
- AI·데이터
GraphRAG(그래프 검색증강생성)
비정형 문서에서 엔터티·관계·커뮤니티를 추출하고 계층적 요약과 그래프 탐색을 결합하여 일반 RAG의 국소 검색 한계를 보완하는 GraphRAG의 구조, 검색 방식, 구축 절차, 평가와 운영 전략
- AI·데이터
정규분포(Normal Distribution)의 특징
평균 중심 좌우 대칭 종 모양 연속분포. 68-95-99.7 법칙, 표준화(Z), 중심극한정리로 통계 추론의 토대이며 두꺼운 꼬리 위험·정규성 검증도 함께 다룬다.
- AI·데이터
온디바이스 AI(On-Device AI)
단말에서 직접 AI 추론을 수행하는 온디바이스 AI의 개념·HW/SW 기술(NPU·경량화)과 클라우드 AI 비교.
- AI·데이터
MCP(Model Context Protocol)
LLM 애플리케이션과 외부 도구·데이터·프롬프트를 Host–Client–Server 구조와 JSON-RPC 2.0로 표준 연결해 M×N 통합 문제를 M+N으로 줄이는 개방형 프로토콜의 구조·프리미티브·전송·보안 위협과 기술사 관점 시사점.
- AI·데이터
상관관계와 인과관계
함께 변하는 상관관계와 원인-결과의 인과관계 비교, 상관≠인과의 함정과 실험·인과추론 검증.
- AI·데이터
데이터 계약(Data Contract)과 데이터 제품 신뢰성
데이터 생산자와 소비자가 데이터의 의미·스키마·품질·신선도·접근·서비스 수준을 명시적으로 합의하고 자동 검증하는 데이터 제품 인터페이스다. 스키마만 고정하는 방식의 한계를 넘어 계약의 구성요소, 수명주기, 호환성·버전 전략, dbt 모델 계약과 ODCS 연계, 데이터 메시·데이터옵스 환경의 운영 고려사항을 논술형으로 정리한다.
- AI·데이터
디지털 트윈과 메타버스
현실을 복제·예측하는 디지털 트윈과 가상 경험·소통의 메타버스 비교 및 산업 메타버스 융합.
- AI·데이터
귀납적 사고와 기계학습
개별 사례에서 규칙을 일반화하는 귀납적 사고와 이를 자동화한 기계학습의 대응 관계, 가설공간·귀납편향, 일반화 오류·데이터 편향 한계와 뉴로-심볼릭·RAG·XAI 보완.
- AI·데이터
스파이킹 신경망(SNN)
뉴런의 스파이크 발화·발화 시점(시간)을 모방한 3세대 이벤트 기반 신경망. 스파이크가 있을 때만 계산해 초저전력·저지연이며, 역전파를 쓰기 어려워 대리기울기·STDP·ANN 변환 등 전용 학습기법과 뉴로모픽 하드웨어와 함께 발전한다.
- AI·데이터
데이터 커머스(Data Commerce)
고객 데이터를 AI로 분석해 개인화된 상품·서비스를 적시에 추천·판매하는 데이터 기반 상거래.
- AI·데이터
딥뷰(DeepView)
딥러닝 기반 지능형 영상분석(VCA) 기술 딥뷰의 개념·처리 파이프라인(객체탐지·추적/재식별·행동분석·지능형검색)과 활용 사례, 엣지 AI·프라이버시·편향 등 심화 과제.
- AI·데이터
기계학습 모델링과 모델옵스(ModelOps)
모델을 개발하는 모델링과, 배포·모니터링·재학습(CT)·거버넌스로 모델을 신뢰 자산으로 지속 관리하는 모델옵스의 차이·아키텍처·성숙도와 LLMOps 확장.
- AI·데이터
디퓨전 모델(Diffusion Model)
데이터에 잡음을 점진적으로 더하는 전방 확산 과정과 이를 신경망(U-Net/DiT)으로 되돌리는 역확산 과정으로 구성된 생성형 딥러닝 모델이다. 생성을 다단계 잡음 제거 문제로 분해해 학습 안정성과 품질·다양성을 동시에 확보하는 원리, DDPM의 전방·역과정과 온도·손실 구조, 조건부 생성(Classifier-Free Guidance)과 잠재 확산(LDM/Stable Diffusion)의 연산 절감 원리, GAN·VAE와의 품질·다양성·속도 트레이드오프 비교, FID 등 평가지표와 저작권·딥페이크·워터마킹 등 거버넌스 고려사항을 논술형으로 정리한다.
- AI·데이터
지식 증류(Knowledge Distillation)
크고 성능 높은 교사 모델의 소프트 타깃(암묵지·클래스 간 유사도)을 온도(Temperature) 조절과 KL 발산 손실로 작은 학생 모델에 전이해, 정확도를 최대한 보존하면서 파라미터·연산·지연을 줄이는 대표적 모델 경량화 기법이다. 소프트 타깃 원리와 온도·손실 결합, 응답/특징/관계/자기 증류 유형, 가지치기·양자화와의 비교와 결합, 교사-학생 용량 간극·데이터 라이선스·편향 전이 등 기술사 관점의 고려사항을 논술형으로 정리한다.
- AI·데이터
설명가능 인공지능(XAI, eXplainable AI)
딥러닝 등 블랙박스 모델의 예측 근거·기여 요인·의사결정 과정을 인간이 이해할 수 있게 제시(LIME·SHAP·Grad-CAM)하여 투명성·신뢰성·책무성을 확보하는 기술 — 정확도-해석성-비용의 트레이드오프를 목적·위험 기반으로 조율하며 AI 신뢰성과 EU AI Act 등 규제 대응의 핵심 축을 이룬다.
- AI·데이터
멀티모달 AI(Multimodal AI)
텍스트·이미지·음성·영상 등 이질적 모달을 공통 의미 공간으로 정렬(CLIP 대조학습)하고 초기·후기·교차 어텐션으로 융합하여 상호 보완적 이해·생성을 실현하는 기술 — 모달 간 이질성 극복과 환각·편향 통제가 과제이며 파운데이션 모델의 표준 형태이자 VLA·구체화 지능으로 가는 핵심 경로다.
- AI·데이터
혼합 전문가 모델(MoE, Mixture of Experts)
게이팅 네트워크가 토큰마다 소수의 전문가만 선택적으로 활성화하는 조건부 계산으로 총 파라미터(지식 용량)와 활성 파라미터(연산량)를 분리해, 같은 연산 예산에서 훨씬 큰 모델을 실현하는 대규모 AI 확장 아키텍처 — 라우팅·부하 균형·전문가 병렬화와 Dense 비교.
- AI·데이터
AI 에이전트(AI Agent)와 에이전틱 AI
LLM 두뇌에 계획·기억·도구·행동을 결합해 목표 달성까지 관찰-사고-행동을 자율 반복하는 시스템 — ReAct·다중 에이전트·MCP 표준을 축으로 확산되며 자율성과 통제·안전의 균형 설계가 핵심.
- AI·데이터
지식 그래프(Knowledge Graph)
개체를 노드, 관계를 엣지로 트리플 단위로 표현해 의미와 연결을 일급으로 다루는 지식 기반 — RDF와 속성 그래프 모델·온톨로지 추론·그래프 임베딩을 축으로 검색·추천·사기탐지에 활용되며, GraphRAG로 LLM 환각을 억제하는 설명가능한 지식원으로 재부상.
- AI·데이터
강화학습(Reinforcement Learning)
에이전트가 환경과의 시행착오로 지연·평가적 보상의 누적을 최대화하는 최적 정책을 학습하는 패러다임 — 가치·정책·액터-크리틱 계열, 탐험-활용 균형, RLHF로 LLM 정렬에 확장.
- AI·데이터
트랜스포머(Transformer)와 어텐션(Attention) 메커니즘
순환·합성곱 없이 Query·Key·Value 기반 셀프어텐션만으로 시퀀스 전체 관계를 병렬 계산해 장거리 의존성·확장성을 확보한 아키텍처 — 멀티헤드·위치인코딩·인코더/디코더 구조와 O(n²) 효율화.
- AI·데이터
데이터 메시(Data Mesh)와 분산 데이터 아키텍처
분석 데이터의 소유권을 중앙 데이터팀에서 업무 도메인으로 분권하고 데이터를 발견·신뢰 가능한 제품(Data as a Product)으로 다루며, 셀프서비스 플랫폼과 정책 as code 기반 연합 거버넌스로 상호운용성을 유지하는 사회기술적 분산 데이터 아키텍처 — 4대 원칙과 레이크하우스·데이터 패브릭과의 차이, 점진적 도입 전략까지 심화.
- AI·데이터
데이터 레이크하우스(Data Lakehouse) 아키텍처와 거버넌스
데이터 레이크의 확장성과 개방성, 데이터 웨어하우스의 정합성·관리성을 결합해 Bronze·Silver·Gold 데이터 제품과 ACID·스키마·품질·계보·개인정보 거버넌스를 통합하는 아키텍처를 정리한다.
- AI·데이터
인공지능 신뢰성(AI Trustworthiness)
공정성·투명성·견고성·안전성·책임성·프라이버시를 핵심 속성으로, 전 생애주기 거버넌스로 확보하는 AI의 신뢰 가능 성질.
- AI·데이터
베이지안 최적화(Bayesian Optimization)
대리모델(GP)과 획득함수(EI·UCB)로 탐험-활용을 균형 있게 조절해 소수 시행으로 블랙박스 함수 최적점을 찾는 기법.
- AI·데이터
데이터 거래소(Data Exchange)
데이터를 상품으로 등록·검색·거래·정산하는 중개 플랫폼 — 카탈로그·가치평가·보안통제와 프라이버시·품질 이슈.
- AI·데이터
딥페이크(Deepfake)
GAN 등 생성 AI로 실제 같은 가짜 미디어를 합성하는 기술과 탐지 AI·워터마킹·출처인증·법제 대응.
- AI·데이터
인공신경망(Artificial Neural Network)
가중합+활성화 뉴런의 계층 구조 — FFNN 순방향 예측, 역전파 학습, Sigmoid·ReLU·Softmax 등 활성화 함수.
- AI·데이터
점추정과 구간추정 비교
모수를 단일 값으로 추정하는 점추정(불편·효율)과 신뢰수준과 함께 구간으로 추정하는 구간추정의 개념·비교.
- AI·데이터
선형 SVM의 마진 분류(하드/소프트 마진)
선형 SVM의 마진 최대화와 하드 마진(오분류 불허)·소프트 마진(슬랙 ξ로 오분류 허용, C로 통제) 두 분류 방법.
- AI·데이터
AI 파인튜닝(Fine-tuning)
사전학습 모델을 특정 과업 데이터로 추가 학습하는 전이학습 기법 — Full/PEFT(LoRA·QLoRA), SFT·RLHF/DPO 정렬, RAG와의 비교.
- AI·데이터
AI 시스템의 법적·윤리적·기술적 이슈 및 해결 방안
AI 시스템의 법적(책임·저작권)·윤리적(편향·투명성)·기술적(환각·보안) 이슈와 거버넌스·XAI·MLOps 해결 방안.
- AI·데이터
머신러닝(Machine Learning) 성능지표
분류(Accuracy·Precision·Recall·F1·ROC-AUC)와 회귀(MAE·RMSE·R²) 성능지표의 정의·공식·선택 기준과 혼동행렬·Precision-Recall Trade-off.
- AI·데이터
멀티 GPU 기술(대규모 신경망 훈련)
멀티 GPU의 개념·장점과 데이터·모델·파이프라인·텐서 병렬화, 환경 구축 시 통신·메모리·동기화 고려사항.
- AI·데이터
RAG(Retrieval Augmented Generation, 검색증강생성)
외부 지식 검색 결과를 LLM 프롬프트에 결합해 환각을 줄이고 최신·근거 기반 답변을 생성하는 기법과 아키텍처.