한양대 25년 1학기
[ Industrial AI ] 11-1 AI 모델 공유하기
1. Google Colab무료 클라우드 Jupyter Notebook, 설치 없이 브라우저에서 모델 실행 및 공유.GPU/TPU로 딥러닝 모델(BERT 등) 실행, Google Drive로 데이터 저장, 링크로 공유.적용 사례: 스타트업에서 BERT로 고객 리뷰 감정 분석 …
[Industrial AI] 10-2 데이터 타입별 오픈소스 및 상용 서비스
표: 데이터 타입별 주요 도구 요약데이터 타입도구주요 기능사용 사례구조화된 데이터Scikit-learn, PyCaret, XGBoost분류, 회귀, 자동화고객 이탈 예측, 매출 예측텍스트 데이터Hugging Face, NLTK, LangChainLLM, 텍스트 전처리, 챗봇 개발리뷰 분석, FAQ 챗봇이미지 데이터Ultralytics' …
[Industrial AI] 10-1 AI 모델/서비스 선정
1. 데이터 종류별 알고리즘 분류 다이어그램2.1 구조화된 데이터 (Structured Data)특징: 숫자/범주형 데이터 (예: 엑셀, CRM 데이터).알고리즘 군:트리 기반:의사결정나무: 단순, 해석 쉬움. 소규모 데이터 적합.예: 소매점 재고 부족 예측(판매량, 계절성).랜덤 포레스트: …
[Industrial AI] 9-2 AI is everywhere
AI 기반 자료작성 (실 서비스 화면으로 설명)ppt 작성: gamma.app글과 다이어그램: napkin.ai구글+제미나이, 오피스+코파일럿, 노션 AI 등 기존 서비스와 AI챗봇 통합 지속 진행 중
[Industrial AI] 9-1 AI로 자료 작성하기
AI 챗봇(ChatGPT, Grok 등)은 논문, 보고서, 발표 자료를 준비할 때 필수적인 도구다. 하지만 AI가 내 생각과 다른 초안을 주면 반복 수정하거나 새로 쓰게 된다. 초안은 내가 만든다. 내가 간략한 목차나 …
[Industrail AI] 8-4 Feature Engineering 사례
산업 Feature Engineering 사례제조업: 금속 산업에서의 예측 유지보수배경: 제조업에서는 설비 고장이 생산 라인 중단으로 이어져 큰 비용 손실을 초래합니다. 예측 유지보수는 이러한 문제를 해결하기 위해 센서 데이터를 활용하여 고장을 사전에 …
[Industrial AI] 8-3 Feature Engineering 개념과 역할
1. Feature 엔지니어링의 정의와 목표정의: Feature 엔지니어링은 원시 데이터(raw data)를 머신러닝 모델이 효과적으로 학습할 수 있도록 변환하거나 새로운 변수를 생성하는 과정입니다. 단순히 데이터를 입력으로 사용하는 데 그치지 않고, 데이터 속 …
[Industrial AI] 8-2 AI 개발을 위한 데이터 표준화
데이터 표준화란?데이터 표준화는 다양한 소스에서 수집된 데이터를 일관된 형식으로 변환하는 과정입니다. 컬럼명, 데이터 형식, 분류 체계를 통일하여 데이터 통합과 분석을 용이하게 합니다. 특히 AI 모델 학습에서는 데이터의 일관성이 모델의 정확도와 …
[Industrial AI] 8-1 PTD(Problem-to-Data)
PTD: AImpact 프레임워크의 문제-데이터 연결 방법론PTD(Problem-to-Data)는 AImpact의 핵심 방법론 중 하나로, 문제를 기술적으로 세분화하여 데이터와 연결하는 체계적인 접근 방식을 제공합니다. 아래는 PTD의 주요 특징과 절차입니다:문제 정의 및 세분화: 복잡한 비즈니스 …
[Industrial AI] 7-5 데이터셋 유형
1. Tabular Data (표 형식 데이터)a. 정형화 덜된 데이터 (예: 엑셀, CSV)설명: 엑셀, CSV, 스프레드시트로 관리되는 데이터. 고객 명단, 판매 기록, 설문지 응답 등.특징: 반정형 데이터, 열과 행 구조지만 포맷이 …
[Industrial AI] 7-4 리스크 검토
5. Risk Assessment (리스크 검토)AI 도입의 잠재적 위험을 어떻게 관리할 것인가?정의: AI 프로젝트의 성공을 저해할 수 있는 리스크를 식별하고 완화 방안을 마련.평가 포인트:기술 리스크: AI 솔루션의 성능, 안정성, 구현 가능성은 …
[Industrial AI] 7-3 확장성, 데이터
3. Scalability (확장성)AI 솔루션을 더 넓게 활용할 수 있는가?정의: AI 솔루션의 확장 가능성과 조직의 준비 상태를 평가.평가 포인트:다른 부서, 제품, 지역에 적용 가능한가?(확장 범위 점검)기술이 데이터 증가나 요구사항 변화에 대응 …
[Industrial AI] 7-2 문제와 성과
1. Problem (문제)AI로 어떤 문제를 해결하거나 개선할 것인가?문제 유형:기존 문제 해결: 현재 비즈니스에서 발생하는 구체적인 문제를 제거.(예: 고객 문의 처리 지연 해결)현상 개선: 현재 프로세스를 더 효율적이거나 효과적으로 개선.(예: 문의 …
[Industrial AI] 7-1 AImpact: AI 우선순위 프레임워크
1. Problem (문제)목적: AI로 해결하거나 개선할 구체적 문제를 정의하고 비즈니스 가치를 평가.평가 포인트:기존 문제 해결: 현재 비즈니스 문제 제거 (예: 고객 문의 지연).현상 개선: 기존 프로세스 최적화 (예: 응답 시간 …
[Industrial AI] 6-3 웹캠 인식
https://drive.google.com/file/d/1y7zwNwsz_UkmS4LIY9XGbYRIaKCWnInq/view?usp=drive_link
[Industrial AI] 6-2 영상AI 주요 라이브러리
1. YOLO (Ultralytics YOLOv11)개요개발자: Ultralytics 팀.특징: 실시간 객체 탐지에 특화된 딥러닝 모델. 단일 패스(Single-Shot)로 빠르고 효율적인 탐지 제공. 경량화된 Nano 모델부터 고성능 모델까지 다양한 변형 지원.최신 버전: YOLOv11 (2025년 4월 …
[Industrial AI] 6-1딥러닝 기반 영상 AI 발전
1. CNN의 기초와 발전 (2012년 ~)2012: AlexNet - 딥러닝의 부흥 주요 특징: 5개의 컨볼루션 레이어와 3개의 완전 연결 레이어로 구성된 최초의 대규모 CNN. ReLU 활성화 함수, Dropout, GPU 활용으로 혁신. …
[Industrial AI] 5-4 AI agent
1. AI 에이전트란 무엇인가요?AI 에이전트는 환경을 감지하고, 이를 기반으로 결정을 내리며, 특정 목표를 달성하기 위해 행동하는 지능형 시스템입니다. 예를 들어, 스마트 스피커는 음성을 인식해 음악을 재생하고, 자율 주행 차량은 도로 …
[Industrail AI] 5-3 RAG
1. RAG란 무엇인가?RAG는 LLM이 외부 지식 기반에서 정보를 검색(Retrieval)하여 이를 기반으로 답변을 생성(Generation)하는 하이브리드 접근 방식입니다.개발 배경: 2020년 Meta AI와 공동 연구진에 의해 제안, 이후 다양한 변형과 개선이 진행됨 (논문 …
[Industrial AI] 5-2 BERT & GPT
1. BERT와 GPT 상세 비교BERT와 GPT는 모두 Transformer 아키텍처를 기반으로 하지만, 설계 철학, 구조, 학습 방식, 출력 및 활용 면에서 명확한 차이를 보입니다. 아래는 이를 항목별로 정리한 내용입니다.1.1 구조적 차이항목BERTGPTTransformer …
[Industrial AI] 5-1 Transformer
1. 이야기의 시작: RNN의 시대와 한계컴퓨터가 사람처럼 말을 이해하려면 문장을 읽고 단어 사이의 관계를 파악해야 합니다. 처음엔 **RNN(Recurrent Neural Network)**이라는 기술이 주목받았어요. RNN은 문장을 순서대로 읽으며 기억을 쌓는 방식이었죠. 예를 …
[Industrial AI] 4-3 딥러닝 관련 주요 논문
주요논문 추천ImageNet Classification with Deep Convolutional Neural Networks (2012)이 논문은 AlexNet을 소개하며, CNN의 대성공을 입증했습니다. ImageNet 대회에서 압도적인 성능을 보여주며 딥러닝의 현대적 부흥을 이끌었습니다. 그러나 arXiv에 직접 업로드된 버전은 없으며, …
[Industrial AI] 4-2 ML, DL 코딩 예제
https://colab.research.google.com/drive/1Tj-uoJaxRvPdQO-F2vRiGcvqkdiBM0Dc#scrollTo=6xyN988n4Dlx
[Industrial AI] 4-1 딥러닝 개요
1. 정의 및 배경정의:딥러닝은 인공지능의 한 부분으로, 컴퓨터가 예제를 통해 배우는 방식입니다. 이는 특히 사진, 소리, 텍스트에서 패턴을 인식하는 데 강력합니다. "딥"은 여러 층의 처리를 통해 복잡한 것을 단계적으로 배우는 …
[Industrial AI] 3-3 머신러닝(Machine Learning) 알고리즘 개요
파이썬의 대표적 ML 라이브러리인 scikit-learn에서 제공하는 알고리즘https://scikit-learn.org/stable/1. 분류 (Classification)정의: 객체가 속한 카테고리를 식별하는 작업.주요 알고리즘:Gradient Boosting: 약한 학습기를 결합해 강력한 분류 모델 생성.Nearest Neighbors: 가장 가까운 데이터 포인트를 기반으로 클래스 …
[Industrial AI] 3-2 전통적인 머신러닝의 필요성
1. 작은 데이터셋에서의 효율성소규모 데이터에 최적화: 전통 ML은 수백~수천 샘플로도 효과적인 모델을 구축하며, 복잡한 신경망 학습 없이 빠르게 훈련 가능.실무 사례: 희귀 질병 연구에서 환자 데이터가 500건일 때, SVM이나 랜덤 …
[Industrial AI] 3-1 AI의 기본 개념/용어
AI 개념인공지능(AI, Artificial Intelligence): 가장 큰 범주로, 인간의 지능을 모방하거나 특정 작업을 수행하는 컴퓨터 시스템을 포괄합니다.머신러닝(ML, Machine Learning): AI의 하위 분야로, 데이터를 통해 명시적 프로그래밍 없이 학습하는 알고리즘을 다룹니다.딥러닝(DL, Deep …
[Industrial AI] 2-3 AI 서비스 ROI 분석: 초기 도입 시 고려 사항
AI 서비스의 ROI(Return on Investment, 투자 수익률)는 AI 프로젝트의 경제적 타당성을 평가하는 핵심 지표로, (순이익 / 투자 비용) × 100으로 계산됩니다. 초기 도입 시 여러 요소를 신중히 고려해야 하며, 아래 …
[Industrial AI] 2-2 챗봇의 진화와 기대치 관리
챗봇의 기대치 관리는 기술 발전에 따라 지속적으로 변화해 왔습니다. 특히 ChatGPT의 등장(2022년 11월)은 챗봇의 능력에 대한 사용자 기대치를 획기적으로 변화시킨 전환점이 되었습니다.ChatGPT 이전의 챗봇ChatGPT 이전의 챗봇은 주로 규칙 기반 시스템이나 …
[Industrial AI] 2-1 AI 서비스의 성공을 위한 전략 - 기대치 관리
AI 서비스의 기대치 관리는 사용자가 AI의 능력과 한계를 정확히 이해하도록 돕는 과정입니다. 과도한 기대는 실망으로 이어질 수 있으며, 이는 신뢰도 하락과 서비스 철회로 이어질 수 있습니다. 반면, 현실적인 기대치를 설정하면 …
[Industrial-AI] 1-4: 휴머노이드의 눈부신 발전
휴머노이드 로봇의 발전최근 주요 로봇 참고운동선수를 따라하는 휴머노이드https://agile.human2humanoid.com/카네기멜론과 Nvidia에서 개발:Nvidia는 Isaccsim을 바탕으로 시뮬레이션을 통한 학습 가능기존에 시뮬레이션과 실환경의 차이를 반영하는 기술을 이번 발표에 적용됨가정용 휴머노이드https://www.1x.tech/neo중국 로봇의 산업현장 적용Figure 02: 물류 …
[Industrial AI] 1-3 로봇의 발전
휴머노이드 로봇과 협동 로봇의 산업적 영향1. 현재 산업에서의 적용 (2025년)1.1 제조업: 휴머노이드 로봇과 협동 로봇의 역할휴머노이드 로봇과 코봇은 생산성 향상, 안전성 개선, 인력 부족 문제 해결에 크게 기여하고 있습니다.휴머노이드 로봇:테슬라 …
[Industrial AI] 1-2: AI 발전 예측
AGI의 현재 상태와 테스트 결과AI는 인간 수준의 지능을 평가하는 여러 테스트에서 성과를 보이고 있습니다. 예를 들어, OpenAI의 o3 모델은 ARC-AGI 벤치마크에서 87.5%를 기록해 인간 평균에 근접하며, WSC에서는 84% 정확도를 보였습니다. …
[Industrial AI] 1-1: AI 발전 동향
AI 기술 발전의 주요 역사1. 딥러닝의 기초와 발전1.1 역전파 알고리즘 (1986년)딥러닝의 기초는 1986년 제프리 힌튼, 데이비드 러멜하트, 로널드 윌리엄스가 역전파 알고리즘을 발표하며 닦였습니다. 이 알고리즘은 신경망 학습의 핵심으로, 가중치를 조정해 …