전체 글52 인공지능 음성 인식 1980년대부터 약 2009년에서 2012년까지, 음성 시스템은 주로 은닉 마르포크 모형(HMM)과 가우스 혼합 모형(GMM)의 조합으로 구성되었습니다. 이는 음향 특징과 음소의 관계를 모델링하는 GMM과 음소의 순차열을 모델링하는 HMM을 결합한 것입니다. 이후 음성 인식에서는 신경망이 사용되기 위해 시작했고, 1980년대 후반과 1990년대 초반에는 신경망을 이용한 음성 인식 시스템이 많이 개발되었습니다. 이 시기에 신경망 기반 시스템은 TIMIT 말뭉치의 39가지 음소를 대상으로 29%의 음소 오차율을 달성했습니다. 이후 TIMIT는 음성 인식의 대표적인 벤치마크로 자리매김했으며, 음성 인식에서는 GMM-HMM 시스템이 주류를 이뤘습니다. 이는 음성 인식 소프트웨어 시스템이 복잡한 공학과 기술을 요.. 2024. 5. 8. 인공지능 시각 연구 딥러닝에서 시각은 중요한 연구 분야 중 하나로, 사람과 동물에게는 쉬운 작업이지만 컴퓨터에는 어려운 도전입니다. 현재 딥러닝 알고리즘 성능을 측정하는 유명한 데이터 세트에는 주로 물체 인식이나 OCR가 관련된 것들이 많이 사용됩니다. 컴퓨터 시가의 다양한 응용컴퓨터 시각은 매우 다양한 분야로, 이미지 처리 방법과 결과를 활용하는 방법도 다양합니다. 이는 얼굴 인식과 같은 인간의 시각 능력을 모방하는 것부터 새로운 시각 능력을 만드는 것까지 다양한 응용이 있습니다. 예를 들어, 최근의 한 응용 프로그램은 동영상에서 물체의 미세한 움직임으로 음파를 감지합니다. 그러나 대부분의 딥러닝 연구는 인간의 능력을 모방하는 것에 초점을 맞춥니다. 대부분의 시스템은 물체 인식이나 검출에 중점을 둔 딥러닝 시스템이며, .. 2024. 5. 7. 인공지능 자료 처리의 동적 구조 자료 처리 시스템의 속도를 높이는 전략 중 하나는 계산 그래프에 동적 구조를 가진 시스템을 구축하는 것입니다. 이는 여러 신경망 중에서 주어진 입력을 처리할 때 알맞은 것을 동적으로 선택하고, 개별 신경망이 입력의 특정 정보를 동적으로 결정하는 것을 가능케 합니다. 이러한 동적 구조를 조건부 계산이라고도 합니다. 또한, 시스템의 실행 속도를 높이기 위해 입력의 관련된 부분만 필요할 때 계산하도록 설계하는 것도 중요합니다. 계산의 동적 구조는 소프트웨어 공학에서 중요한 원리 중 하나입니다. 이는 신경망에서도 적용됩니다. 가장 간단한 형태는 특정 입력에 따라 적용할 신경망의 일부를 동적으로 선택하는 것입니다. 분류기 중첩과 물체 검출과거부터 분류기의 추론을 가속하기 위해 분류기들의 중첩이 사용되어 왔습니다... 2024. 5. 5. 인공지능 분산 처리와 효율적 추론 많은 경우에 컴퓨터 한 대의 계산 자원만으로는 큰 신경망을 실행하기에는 부족합니다. 이에 대한 주요한 해결책 중 하나는 훈련 및 추론 작업을 여러 대의 컴퓨터로 분산하는 것입니다. 이러한 분산 처리는 계산 자원을 확장하고 대규모 모델을 효과적으로 처리할 수 있도록 합니다. 이를 통해 더 큰 데이터 세트를 처리하거나 보다 복잡한 모델을 훈련할 수 있습니다. 분산 처리는 주로 데이터 병렬화 및 모델 병렬화와 같은 기술을 사용하여 수행됩니다. 데이터 병렬화는 데이터를 여러 컴퓨터에 나누어 각 컴퓨터에서 모델을 동시에 훈련하는 것을 의미하며, 모델 병렬화는 모델의 다른 부분을 여러 컴퓨터에 나누어 각 컴퓨터가 부분 모델을 독립적으로 관리하고 훈련하는 것을 의미합니다. 이러한 분산 처리 기술은 대규모 딥러닝 모델.. 2024. 5. 4. 인공지능 딥러닝과 하드웨어 딥러닝은 연결주의 철학을 기반으로 하며, 개별 뉴런이나 특징은 지능적이지 많은 수가 함께 작동할 때 지능적인 행동이 나타난다는 접근을 취합니다. 이는 뉴런 수가 많아야 지능적인 행동이 가능하다는 사실에 근거합니다. 지난 30년간 신경망의 크기는 지수적으로 증가해 왔지만, 현재 인공 신경망의 크기는 곤충의 신경계 수준에 불과합니다. 고성능 하드웨어와 소프트웨어딥러닝의 성공을 위해서는 큰 신경망을 다룰 수 있는 고성능 하드웨어와 소프트웨어 기반구조가 필수적입니다. CPU와 GPU의 활용과거에는 신경망을 단일 CPU를 사용하여 훈련했지만, 현재에는 이러한 방식이 비효율적으로 여겨집니다. 대부분의 경우 GPU 컴퓨팅 또는 여러 대의 CPU를 네트워크로 연결하여 활용합니다. 이러한 고성능 시스템이 일반화되기 전.. 2024. 5. 2. 인공지능 기계 학습 시스템 문제해결 전략 기계 학습 시스템의 문제를 해결하기 어렵고 디버깅이 어려운 이유는 주로 알고리즘의 결함과 구현 과정에서의 버그로 인한 것입니다. 이를 파악하기 어려울 때가 많은데, 그 이유는 다양합니다. 기계 학습에서 사용자는 대개 알고리즘이 어떻게 행동할지 사전에 예측할 수 없습니다. 핵심은 알고리즘이 새로운 행동을 발견하고 학습하는 능력에 있습니다. 예를 들어, 신경망을 새로운 작업에 훈련했을 때 시험 오차가 5%로 나온다면, 이것이 기대한 결과 수준인지 아니면 기대에 못 미치는 결과인지 바로 알기 어렵습니다. 기계 학습 모델은 각자가 적응적으로 행동하는 부분이 있기 때문에 상황을 더욱 복잡하게 만듭니다. 한 부분이 고장 나더라도 다른 부분들이 적절히 적응하여 대략 수용할 만한 결과를 얻을 수 있습니다. 이에 따라 .. 2024. 4. 29. 인공지능 격자 검색과 무작위 검색 이상적인 학습 알고리즘은 사람이 초매개변수를 조정하지 않고도 데이터에 대한 함수를 출력할 것입니다. 그러나 현실의 알고리즘은 이렇지 않습니다. 로지스틱 회귀나 SVM과 같이 널리 쓰이는 알고리즘들은 초매개변수를 조정해야 하므로 인기를 끌었습니다. 초매개변수를 몇 개만 조정해도 신경망이 잘 작동할 수 있지만, 초매개변수를 40개 이상 조정할 때 성능이 크게 향상되는 경우도 있습니다. 초매개변수를 수동으로 조정하는 접근은 기존 연구나 경험에서 얻은 좋은 값이 있거나 비슷한 과제에 대해 경험이 있는 경우 효과적입니다. 그러나 이러한 출발점을 찾을 수 없는 경우도 많다. 이런 경우 자동화된 알고리즘을 사용하여 유용한 초매개변수 값을 찾는 것이 도움이 됩니다. 격자 검색 일반적인 접근 방법학습 알고리즘의 사용자.. 2024. 4. 26. 인공지능 초매개변수 선택과 최적화 딥러닝 알고리즘에는 여러 측면을 제어하는 많은 초매개변수가 있습니다. 이 중 일부는 실행 시간과 메모리 사용량에 영향을 미치고, 다른 일부는 훈련 과정에서 모델의 품질과 새 입력에 대한 추론 정확도에 영향을 줍니다. 초매개변수 값을 선택하는 방법은 주로 두 가지입니다. 첫 번째는 수동 선택으로, 이는 사람이 직접 초매개변수 값을 결정하는 것입니다. 두 번째는 자동 선택으로, 이는 특정 알고리즘을 사용하여 초매개변수 값을 결정하는 것입니다. 초매개변수를 직접 선택할 때는 해당 초매개변수가 어떤 역할을 하는지 이해하고, 기계 학습 모델이 어떻게 일반화되는지 고려해야 합니다. 반면에 자동 초매개변수 선택 알고리즘을 사용하면 이러한 이해의 필요성이 줄어들지만, 계산 비용이 많이 증가할 수 있습니다. 수동으로 초.. 2024. 4. 25. 인공지능 다양한 해결법 문제가 복잡하지 않을 경우, 딥러닝 외의 접근 방식이 더 나을 수 있습니다. 예를 들어, 몇 개의 선형 가중치만으로 해결할 수 있는 문제는 로지스틱 회귀와 같은 단순한 통계 모델부터 시작하는 것이 좋습니다. 딥러닝 모델 선택과 구조 결정인공지능 완전 부류에 속하는 문제들인 물체 인식, 음성 인식, 기계 번역의 경우, 적절한 딥러닝 모델을 사용하여 문제를 해결하는 가능성이 높습니다. 우선으로, 자료의 구조를 고려하여 더 넓은 범위의 모델 범주를 선택해야 합니다. 고정 크기의 벡터를 입력으로 사용하고 지도 학습을 수행해야 할 경우, 완전히 연결된 순방향 신경망을 시작점으로 고려하는 것이 좋습니다. 입력에 잘 알려진 위상 구조가 있다면 합성곱 신경망을 고려할 수 있습니다. 이 경우, 성분별 선형 단위로 시작.. 2024. 4. 24. 이전 1 2 3 4 ··· 6 다음
