패스트캠퍼스 환급챌린지 39일차 : Part3. 인공지능의 이해 Lv2 : 숲을 보는 인공지능

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스

Ch10-01 알고 있으면 쓸모 있는  AI 지식  - Transfer Learning, Meta Learning, Few-Shot Learning

- 인공 신경망이 가지고 있는 문제점

: 신경망을 어떻게 설계해야하는지 어려움이 있음, 설정해야할 하이퍼 파라미터가 많음

: 데이터가 충분하지 않고, 학습에 시간이 오래걸림

- 인공 신경망이 가지고 있는 문제점을 해결하기 위한 방법들

1) Transfer-Learning (전이 학습)

- 이미 학습이 잘 된 모델을 활용해서 추가로 필요한 태스크에 대해서만 추가 학습을 진행 (Fine Tuning)

2) Meta Learning

- Learn to Learn ( 학습하는 방법을 배움 )

3) Few-Shot Learning

- k way n shot 

: 적은 데이터로 진위 여부만을 분류할 때 사용, 데이터의 유사도 학습을 통해 진위 여부를 확인함

: siames network를 사용

Ch10-01 알고 있으면 쓸모 있는  AI 지식  - XAI

- 인공지능에서 왜 이런 결과가 나왔는지 알 수 없는 부분을 개선하기 위한 방법

- Explainable AI

: 판단과정을 설명할 수 있는가에 따라 분류 

1) neural representations

- 판단과정을 설명할 수 없을 때 사용하는 방법으로, 인공지능의 중간 연산 관계를 시각화하여 이해하는 방법

2) Interpretable Model

- 판단과정을 설명할 수 있는 모델로, 모델 자체가 설명이 가능한 모델일 경우

3) Model Agnostic

- 판단과정을 설명하는 있는 모델로, 학습에 사용된 모델이 무엇인지 상관 없이 모델을 해석할 수 있음

- Shap Values

: 특정 피처가 어떤 값을 취했을 때, 예측 결과를 바탕으로 피처가 모델에 미치는 영향력을 해석

4) Model Specific

- 특정 모델에만 설명이 가능한 경우

: Attentions의 경우 Attention Score를 통해서 설명이 가능함

5) 그외, 사례 기반으로 할 수 있는 경우

XAI의 효과와 활용

- 피처와 모델간의 관계를 이해할 수 있음으로써, 디버깅 피처 엔지니어링, 데이터 수집을 위한 가이드, 모델의 예측 결과를 바탕으로 중요 의사결정을 할 때 신뢰도를 증가시키는 등에 활용이 가능함