Eunkwang Shin

인공지능 파운데이션 모델 개념​

• 대량의 무라벨 데이터로 학습되어 목적에 맞는 다운스트림 작업에 적용될 수 있는 일반화된 기초 모델
• 데이터의 증가와 하드웨어의 연산 속도 증가로 다양한 작업에서 높은 성능을 보여주는 파운데이션 모델 등장

인공지능 파운데이션 모델 개념도, 핵심요소, 기술동향​

인공지능 파운데이션 모델 개념도​

인공지능 파운데이션 모델 핵심요소​

구분	요소	내용
모델	방대한 학습데이터	텍스트, 이미지, 데이터 이해
-	대규모 파라미터	최소 수억개 이상 파라미터
기술	트랜스포머	순차 데이터 내 관계 학습
-	Few-Shot 러닝	적은 양의 데이터로 미세 조정
기능	범용성	생성형 기반 추론 가능
-	유연성	자연어 처리, 영상 인식 등 다수 분야 활용

인공지능 파운데이션 모델 기술동향​

구분	모델	내용
OpenAI	Sora	텍스트에서 영상 생성
-	GPT4o	뛰어난 감정표현 가능
X	Grok1.5	오픈소스기반 대규모 컨텍스트 처리
Meta	Llama3.1	오픈소스기반, sLLM

인공지능 파운데이션 모델 고려사항​

• 지적재산권, 생성물저작권
• 모델 운영 전력, 훈련시 탄소배출 비용
• 편향, 환각 등 역기능 제거 노력, 윤리원칙 준수 필요

데이터 구조 개념​

• 데이터를 효율적을 저장/관리하여 메모리를 효율적으로 사용하기 위한 방법

선형구조, 비선형구조 유형, 비교​

선형 데이터 구조 유형​

구분	개념도	내용
리스트	-	순차적으로 저장, 큰 삽입/삭제 비용
링크드 리스트	-	노드를 포인터로 연결, 접근시 비효율
스택	-	LIFO, 함수호출시 사용
큐	-	FIFO, 프로세스 스케쥴링 사용
데크	-	양방향 삽입, 삭제, 유연한 데이터 처리

• 데이터 구성요소들을 순차 나열한 자료구조

비선형 데이터 구조 유형​

구분	개념도	내용
그래프	-	정점과 간선의 집합, 방향, 무방향 그래프 존재
트리	-	계층 구조의 노드 집합, 부모-자식 관계 구성
힙	-	완전이진트리의 일종, 부모 노드가 자식보다 크거나 작음

선형, 비선형 데이터 구조 비교​

구분	선형구조	비선형구조
데이터 탐색	순차접근, 탐색	계층접근, 네트워크접근
메모리효율	비효율	효율
구현용이성	쉬움	어려움
레벨	단일레벨	다중레벨
사례	스케쥴링, 버퍼 등	SNS, NW모델링, DOM 등

데이터 구조 선택시 고려사항​

• 사용하려는 자료구조의 탐색, 저장, 삭제에 따른 시간복잡도, 공간복잡도를 고려한 선택 필요

AI HUB 개념​

• AI 학습을 위한 고품질 데이터를 제공하는 플랫폼
• 데이터 접근성 향상, 데이터 품질 보증, 산업 전반의 AI활용 촉진

AI 학습용 데이터 품질관리 개념도, 프레임워크, 품질 지표​

AI 학습용 데이터 품질관리 개념도​

• 데이터 처리 전 단계에서 품질을 보장하여 데이터 신뢰성 제고 및 모델 예측 정확도와 효율성 극대화

AI 학습용 데이터 품질관리 프레임워크​

단계	프로세스	산출물
준비/계획	구축 계획 수립	사업수행계획서, 품질관리계획서 품질지표 기준서
데이터획득/수집	획득/수집 기준 현행화	획득/수집 가이드라인, 개인정보 자율점검표, 수집도구 사용설명서, 원시데이터, 품질관리결과서, 품질검사도구
데이터정제	정제 방법/기준 현행화	정제 가이드라인, 저작도구 사용설명서, 원천데이터, 품질관리 결과서, 품질검사도구
데이터가공	라벨링 방법/기준 현행화	가공 가이드라인, 저작도구 사용설명서, 라벨링데이터, 품질관리 결과서, 품질검사 도구
데이터 학습	구축목적, AI모델 합치성 확인	AI모델 설명서, AI모델 소스코드, 학습모델 파일, 모델 구축 도커이미지, AI모델 테스트 결과서, 품질검사 도구, 보완조치결과서

AI 학습용 데이터셋의 품질 지표​

구분	품질 지표	내용
구축공정	준비성	품질관리를 위해 기본적으로 관리해야하는 정책, 규정, 조직, 절차 마련 및 검사
-	완전성	물리적 구조와 정의한 데이터 형식, 입력값 범위에 맞게 데이터가 저장되도록 설계, 구축되었는지 검사
-	유용성	발주기관의 요구사항이 충분히 반영되었는지, 임무정의에 적합한 데이터 범위와 상세화 정도를 충족하는지 검사
데이터 적합성	기준 적합성	다양성, 신뢰성, 충분성, 균일성, 사실성, 공평성 측정하여 학습용도로 적합한지 검사
-	기술 적합성	파일포맷, 해상도, 선명도, 컬러, 크기, 길이, 음질 등을 측정하여 학습용도로 적합한지 검사
-	통계적 다양성	데이터 편향을 방지하기 위해 클래스 분포도, 인스턴스 분포도, 문장길이, 어휘개수 등을 측정
데이터 정확성	구문 정확성	어노테이션 데이터를 구성하는 속성값과 정의된 데이터 형식, 입력값 범위와 일치성 측정
-	의미 정확성	데이터 참값을 확인하기 위해 정확도, 정밀도, 재현율, IoU, ROUGE, BLEU, Fβ-점수, EM 등 측정
학습모델	알고리즘 적정성	알고리즘을 태스크 단위로 구분하여 사업 수행기관이 제시하는 학습모델의 태스크 적정성 판단
-	유효성	학습용 데이터로 학습시키는데에 적합한 인공지능 알고리즘의 유효성 측정

AI HUB 성공포인트​

• 최신 데이터를 주기적으로 업데이트하여 AI파트너, AI생산자에게 최신트랜드와 패턴 학습 기회 제공

T검정 개념​

• 두 집단 이하의 평균을 비교하여 차이가 있는지 검증하는 통계적 방법으로 독립표본 T검정과 대응표본 T검정으로 구분

독립표본 T검정, 대응표본 T검정 비교, 적용사례​

독립표본 T검정, 대응표본 T검정 비교​

구분	독립표본 T검정	대응표본 T검정
개념	두 독립된 집단의 평균 비교	동일한 집단의 두 시점 비교
표본	독립적인 두 집단	동일한 집단 반복
가정	두 그룹 모집단이 정규분포를 따르고, 분산은 동일	두 시점 간 차이가 정규분포를 따름
검정통계량	두 그룹의 평균차이를 표준오차로 나눠 T값 계산	두 시점의 차이를 표준 오차로 나눠 T값 계산
자유도	n1 + n2 - 2	n - 1

독립표본 T검정, 대응표본 T검정 적용사례​

구분	기법	사례
두 개의 독립된 집단 비교	독립표본 T검정	남, 여 평균 체지방 비교
동일 집단의 두 시점 비교	대응표본 T검정	같은 학생의 기말고사 전/후 성적 비교
같은 집단의 두 조건 비교	대응표본 T검정	동일 환자의 약물치료 전/후 체중 비교

T검정시 고려사항​

• 세 개 이상의 독립된 집단 간의 평균 비교시 ANOVA 기법 활용

머신러닝, 딥러닝 개념​

• 머신러닝: 입력 데이터를 스스로 학습하여 결과를 예측하거나 분류하는 기술
• 딥러닝: 인공신경망에서 은닉층을 깊게 쌓은 머신러닝 기법

머신러닝, 딥러닝 핵심요소 비교, 적용방안​

머신러닝, 딥러닝 핵심요소 비교​

구분	머신러닝	딥러닝
특징	사람의 개입	사람 개입 최소화
학습구성	지도, 비지도, 강화	인공신경망
알고리즘	선형회귀, 의사결정나무, SVM, K-means 등	CNN, RNN, GAN, DBN 등
활용	예측, 분류	예측, 분류, 생성
성능	적은 데이터에서 우수한 성능	대규모 데이터에서 우수한 성능
-	복잡한 패턴인식 한계	복잡한 패턴인식 가능

머신러닝, 딥러닝 적용방안​

구분	머신러닝	딥러닝
금융	신용점수예측, 사기탐지	주가예측, 금융모델링
의료	진단보조, 환자위험도 평가	의료이미지분석, 유전자분석
커머스	고객행동분석, 추천시스템	고객감정분석, 행동패턴분석

머신러닝 성공포인트​

구분	포인트	내용
기술측면	Zero-Shot 학습	학습 비용의 효율화
-	1-Bit 가중치 인코딩	저장 비용의 효율화
에너지측면	태양열 에너지	에너지 사용 학습 비용 절감
-	소형모듈원전	모듈화 원전으로 학습 에너지 충족

• 학습, 저장 비용의 효율화와 에너지 비용절감을 통해 탄소인지 MLOps 환경 구축 필요

데이터 차원 축소 개념​

• 다차원 데이터세트의 차원을 축소해 새로운 저차원 데이터를 생성하는 과정 또는 기술
• 차원의 저주해결, 성능 및 계싼 효율, 학습 효율성, 데이터 시각화

데이터 차원 축소 개념도, 주요 유형, 적용방안​

데이터 차원 축소 개념도​

2차원 데이터 PCA로 1차원되는 그림

데이터 차원 축소 주요 유형​

구분	유형	내용
선형	PCA, 주성분 분석	데이터 분산이 큰 방향으로 차원 축소
-	LDA, 선형판별분석	클래스 간 분산 최대화, 클래스 내 분산 최소화
-	SVD, 특이값분해	데이터 행렬 분해하여 차원 축소, 압축
-	ICA, 독립성분분석	데이터의 독립성분을 추출하여 표현
비선형	t-SNE	고차원 데이터를 확률적 모델링하여 매핑
-	LLE, 지역선형임베딩	인접데이터의 선형관계를 보존하여 축소
-	Isomap, 등거리매핑	데이터 간 거리를 보존하여 저차원 매핑
-	MDS, 다차원스케일링	데이터 간 거리 정보를 근접행렬로 유지 후 매핑
-	커널 PCA	커널트릭 활용 고차원 공간에서 PCA 수행

데이터 차원 축소 적용방안​

구분	내용	비고
데이터 시각화	고차 데이터를 2D, 3D로 변환, 시각화	t-SNE 등
노이즈제거	데이터 주요 특징만 남겨 데이터 품질 향상	PCA 등
특성 선택	중요 속성만 선택하여 분석, 학습 활용	LDA 등
데이터 압축	저장 공간 절약 및 전송 효율성	SVD 등
패턴 인식	데이터 잠재 구조 파악, 패턴 이해	LLE, Isomap

데이터 차원 축소 고려사항​

• 대규모 데이터셋 차원축소 전 계산 비용을 줄이기 위해 데이터 샘플링 고려

디피-헬만 알고리즘 개념​

• 안전하지 않은 채널을 통해 암호키를 안전하게 교환할 수 있도록 하는 비밀키 교환 알고리즘
• 인터넷과 같은 중개 네트워크 환경에서 안전한 키 교환 가능

디피-헬만 알고리즘 개념도, 절차, 활용사례​

디피-헬만 알고리즘 개념도​

디피-헬만 알고리즘 절차​

절차	내용	비고
설정	두 사용자는 큰 소수 P와 정수 G 선택	사전 교환
-	비밀키 a, b를 각각 선택	비밀키 설정
공개값 교환	공개값 A, B 나머지 연산	안전하지 않은 NW 활용
-	두 사용자는 공개값 교환	-
비밀키 계산	서로의 공개값으로 비밀키 나머지 연산 후 암호화 통신	대칭키 기반 통신

디피-헬만 알고리즘 활용사례​

구분	내용	비고
VPN	VPN 연결시 세션 키교환 수행	비대칭 키 교환
TLS	HTTPS 기본 프로토콜인 TLS 키교환시 사용	ECDHE
무선보안	WPA/WPA2 등 무선 보안 프로토콜에 활용	도청 방지

디피-헬만 알고리즘 고려사항​

• 보안을 위해 충분히 큰 키(2048bit 이상)를 사용하여 무차별 연산 공격 방지

RPA 개념​

• 소프트웨어 봇을 활용하여 반복적이고 규칙적인 업무와 프로세스를 지능형 자동화 하는 기술
• 생성형 모델의 에이전트 기반으로 태스크의 완전한 자동화 가능성

RPA 구성도, 구성요소, 적용방안​

RPA 구성도​

RPA 구성요소​

구분	내용	비고
RPA 개발도구	프로세스 모방 스크립트 작성	AI 모델 통합
RPA 봇	로봇 실행, 자동화	데이터 수집
모니터링	봇 작업 모니터링, 자원 관리	AI 모델 업데이트
지능형 자동화	AI 기반 스크립트 자동화	작업자 개입 최소화

RPA 적용방안​

구분	내용	비고
공공	데이터 입력, 문서 처리, 보고서 작성 자동화 등 행정 업무 자동화	효율성 증대 및 오류 감소
금융	대출 신청 처리, 고객 상담 자동화 등 고객 서비스 개선	서비스 품질 향상 및 대기 시간 감소
민간	재고 관리, 구매 주문 처리 자동화 등 생산성 향상	운영 비용 절감 및 생산성 증가

RPA 고려사항​

• RPA 사용방법에 대한 지속적인 업무 교육으로 러닝커브 감소 필요
• RPA 결과에 대한 검증 절차 마련 필요

빅데이터 분석도구 개념​

• 대량의 데이터를 분석을 통해 가치 있고 활용 가능한 정보를 얻을 수 있게 하는 도구

빅데이터 분석도구 선택 원칙, 선정 방안​

조직 관점 선택 원칙​

구분	원칙	내용
품질	기능성	빅데이터 처리 시각화 기능 등
-	실행효율성	데이터 처리 속도, 하드웨어 사용량
-	호환성, 이식성	정형, 비정형 데이터 처리, OS 종속성
-	보안성	데이터 침해, 개인정보 침해
사용성	학습성, 이해용이성	러닝 코스트 측정
-	접근성, 편의성	UI 모델링 용이성
-	운영성	벤더 지원 여부, EoS 등

• ISO 25000 관점에서 분석도구의 품질과 사용성 평가

핵심기능 관점 선택 원칙​

원칙	내용	비고
분석 능력	다양한 유형의 분석 기법	SVM, 의사결정트리, 시계열 등
데이터 통합관리	별도 통계도구, 언어 지원	주피터 노트북, 사용자 대시보드 등
데이터 가져오기, 내보내기	다양한 포맷의 데이터 입출력	CSV, XLSX 등 지원

• 조직 내 데이터 요구사항, 구성원의 기술스택 고려 선정

빅데이터 분석도구 선정 방안​

빅데이터 분석도구 선택 고려사항​

• 실시간 데이터를 받기 위해 UDP, JSONL 지원 여부 고려
• 데이터 조회, 그룹핑 분석을 위한 Query Language 지원 여부 고려

OECD 디지털세 개념​

• 글로벌 IT기업이 자국 내에서 일으킨 매출에 대해 각 국이 부과하는 법인세와 별도 세금
• 과세 형평성 제고, 안정적 세수 확보, 사업장이 없는 다국적 기업의 서비스 수익에 대한 과세

OECD 디지털세 구성도, 구성요소, 대응방안​

OECD 디지털세 구성도​

• 시장 소재지 국가에 과세권을 배분하고, 글로벌 최저한세율 도입으로 국가 간 법인 세율 경쟁 방지

OECD 디지털세 구성요소​

구분	내용	비고
필러1	시장 소재지 추가 과세권 배분	초과이익의 일정부 과세
-	디지털 서비스 기업 대상	연매출 200억 이상, 이익률 10% 이상
필러2	글로벌 최저한 세율 15% 도입	법인 세율 차이 감소
-	모든 다국적 기업 대상	연매출 7억 5천만 유로 이상

OECD 디지털세 대응방안​

구분	내용	비고
기업	글로벌 사업구조 재검토	세금 부담 최소화, 효율적 조세 전략
-	정부정책 모니터링	각국 디지털세 도입 현황, 규제 파악
공공	국제 협력 강화	OECD, G20 국가 간 협력 통한 시행
-	국내 법, 제도 정비	OECD 모델 규칙 반영, 국내 상황 반영
민간	의견 수렴, 정책 제안	이해관계자 의견 수렴, 반영
-	디지털세 관련 정보 제공	기업, 개인에게 디지털세 교육

OECD 디지털세 전망​

구분	내용	비고
다자간 조약 체결	디지털세 규칙을 반영한 조약 체결 및 이행	각국 비준 절차, 국내 법제화 필요
디지털세 범위 확대	기업 적용 가능성 확보	디지털 경제 발전 따라 변동 가능
새로운 과세 모델	필러 1,2 외의 모델 개발	디지털 경제 변화에 따른 조세 제도 개편