대규모 언어 모델(LLM)은 여러 작업 중에서도 자연어를 인식하고 생성할 수 있는 딥러닝 모델의 한 종류입니다. LLM은 방대한 텍스트 데이터 세트를 학습하여 문법, 의미론, 문맥을 학습합니다. LLM은 입력 및 출력 시퀀스를 처리하고 이해하기 위해 자체 주의에 의존하는 트랜스포머 아키텍처를 사용합니다. LLM은 텍스트 요약, 질문 답변, 텍스트 생성 등 제공된 입력을 기반으로 다양한 자연어 처리 및 이해 작업을 수행할 수 있습니다34. 반면에 기존의 머신러닝 모델은 일반적으로 미리 정의된 결과를 제공하는 특정 통계 알고리즘으로 학습됩니다. 이러한 모델은 라벨링된 데이터와 특징 엔지니어링이 필요한 경우가 많으며, LLM만큼 유연하고 적응력이 뛰어나지 않습니다5. 참조: LLM이란 무엇이며, 생성형 AI에서 어떻게 사용되나요?, LLMOps 소개: Azure ML을 사용하여 대규모 언어 모델 운영 및 관리, 대규모 언어 모델(LLM)에 대한 소개: 어떻게... - Labellerr

분류와 회귀는 머신러닝에서 지도 학습의 두 가지 하위 유형입니다. 이 둘의 주요 차이점은 처리하는 출력 변수의 유형입니다. 분류는 몇 가지 기준이나 규칙에 따라 데이터 포인트를 개별 범주에 할당합니다. 예를 들어, 이메일을 내용에 따라 스팸 또는 스팸이 아닌 것으로 분류하는 것은 출력 변수가 이진(스팸 또는 스팸이 아님)이기 때문에 분류 문제입니다. 회귀는 데이터 포인트의 입력 특징을 기반으로 데이터 포인트의 연속 값을 예측합니다. 예를 들어 주택의 크기, 위치, 편의시설 등을 기반으로 주택 가격을 예측하는 것은 출력 변수(주택 가격)가 연속적이므로 회귀 문제입니다. 분류와 회귀는 서로 다른 유형의 알고리즘과 메트릭을 사용하여 성능을 평가합니다. 참조: : 오라클 클라우드 인프라스트럭처 AI - 머신 러닝 개념, 머신 러닝의 분류와 회귀 | 작성자: ...

컴퓨터 비전은 이미지에서 얼굴을 인식하고 사물을 분류하는 등의 작업과 관련된 AI 영역입니다. 컴퓨터 비전은 컴퓨터와 시스템이 디지털 이미지, 동영상 및 기타 시각적 입력에서 의미 있는 정보를 도출하고 해당 정보를 기반으로 조치를 취하거나 추천을 내릴 수 있도록 하는 인공지능의 한 분야입니다. 컴퓨터 비전은 픽셀, 색상, 모양, 질감 등의 시각적 데이터에 머신러닝과 딥러닝 모델을 적용하여 다양한 용도로 사용할 수 있는 특징과 패턴을 추출하는 방식으로 작동합니다. 컴퓨터 비전의 일반적인 기술과 응용 분야는 다음과 같습니다:
얼굴 인식: 얼굴 특징을 기반으로 사람의 신원을 식별하거나 확인합니다.
객체 감지: 이미지 또는 동영상에서 관심 있는 객체를 찾아 라벨을 붙입니다.
객체 인식: 사물을 동물, 차량, 과일 등과 같이 미리 정의된 카테고리로 분류합니다.
장면 이해: 위치, 시간, 날씨, 활동 등과 같은 시각적 장면의 맥락과 의미를 분석합니다.
이미지 분할: 이미지를 색상, 질감, 모양 등과 같은 유사한 특성을 공유하는 여러 영역으로 분할하는 작업입니다.
이미지 향상: 필터, 변형 또는 보정을 적용하여 이미지의 품질이나 모양을 개선하는 작업입니다.
이미지 생성: 스케치, 캡션 또는 속성 등 일부 입력 데이터를 기반으로 처음부터 사실적이거나 양식화된 이미지를 생성합니다. 참조: : 컴퓨터 비전이란 무엇인가요? | IBM, 컴퓨터 비전 - 위키백과

오라클 클라우드 인프라스트럭처 비전은 서버리스 멀티테넌트 서비스로, 콘솔을 사용하거나 REST API를 통해 액세스할 수 있습니다. 이미지를 업로드하여 그 안에 있는 객체를 감지하고 분류할 수 있습니다. 이미지가 많은 경우 비동기 API 엔드포인트를 사용하여 일괄 처리할 수 있습니다. Vision의 기능은 문서 중심 이미지를 위한 문서 AI와 객체 및 장면 기반 이미지를 위한 이미지 분석으로 주제별로 나뉩니다. 이미지 분석은 객체 감지 및 이미지 분류를 위해 사전 학습된 모델과 사용자 지정 모델을 모두 지원합니다3. 참조: Vision - 오라클

텍스트 음성 변환(TTS)은 텍스트로부터 오디오를 생성하는 AI 작업입니다. TTS는 자연스러운 음성을 사용하여 텍스트를 음성 오디오로 변환하는 기술입니다. TTS는 PDF, 웹사이트, 책, 이메일 등 모든 텍스트 데이터를 소리내어 읽을 수 있으며, 서면 콘텐츠에 액세스할 수 있는 청각적 형식을 제공합니다. TTS는 접근성, 편의성, 멀티태스킹, 학습, 엔터테인먼트 등 다양한 이유로 텍스트 데이터를 들어야 하는 모든 사람에게 유용할 수 있습니다. TTS는 다음과 같은 다양한 기술과 모델을 사용하여 텍스트 데이터에서 음성을 생성합니다:
연결 합성: 텍스트의 음성 단위를 기반으로 미리 녹음된 사람의 음성 세그먼트를 결합하는 기능입니다.
파라메트릭 합성: 통계 모델을 사용하여 텍스트에서 파생된 음향 파라미터로부터 음성 신호를 생성합니다.
신경합성: 심층 신경망을 사용하여 텍스트와 음성 특징 간의 매핑을 학습하고 고품질 음성 신호를 생성합니다.
표현 합성: 음성 출력에 감정이나 스타일을 추가하여 더욱 자연스럽고 매력적인 음성을 만들 수 있습니다. 참조: : 텍스트 음성합성 AI: 실제와 같은 음성 합성 | Google Cloud, 텍스트 음성합성 - Wikipedia

생성적 적대 신경망(GAN)은 훈련 데이터와 유사한 사실적인 이미지를 생성할 수 있는 일종의 AI 모델입니다. GAN의 아키텍처는 게임과 같은 시나리오에서 서로 경쟁하는 두 개의 개별 신경망으로 구성됩니다. 제너레이터 네트워크라고 하는 첫 번째 네트워크는 실제처럼 보이는 가짜 데이터를 생성하려고 시도합니다. 판별자 네트워크라고 하는 두 번째 네트워크는 실제 데이터와 가짜 데이터를 구별하려고 시도합니다. 생성기 네트워크는 판별자 네트워크의 피드백을 통해 학습하고 가짜 데이터의 품질을 개선하여 판별자 네트워크를 속이려고 시도합니다. 판별자 네트워크 역시 생성자 네트워크의 피드백을 통해 학습하고 정확도를 향상시키려고 노력합니다. 이 과정은 제너레이터 네트워크가 실제 데이터와 구별할 수 없는 데이터를 생성할 때까지 계속됩니다4. GAN은 얼굴, 동물, 풍경 등의 사실적인 이미지를 생성하는 데 사용할 수 있습니다5. 참조: 생성 모델 - OpenAI, 인공 지능 설명: 생성적 적대적 ...이란?

오라클 클라우드 인프라 언어 서비스는 정교한 텍스트 분석을 대규모로 수행하기 위한 클라우드 기반 AI 서비스입니다. 자연어 처리 기술을 사용하여 비정형 텍스트를 처리하고 감정이나 엔티티와 같은 정형 정보를 추출할 수 있는 다양한 기능을 제공합니다. 오라클 클라우드 인프라 언어 서비스에서 지원하는 기능 중 일부는 다음과 같습니다:
언어 감지: 제공된 텍스트를 기반으로 언어를 감지하고 신뢰도 점수를 포함합니다.
텍스트 분류: 텍스트가 속해 있는 문서 카테고리와 하위 카테고리를 식별합니다.
네임드 엔티티 인식: 일반적인 개체, 사람, 장소, 위치, 이메일 등을 식별합니다.
핵심 구문 추출: 텍스트 블록에서 중요한 문구 집합을 추출합니다.
감정 분석: 제공된 텍스트에서 측면을 식별하고 각각을 긍정, 부정 또는 중립의 극성으로 분류합니다.
텍스트 번역: 텍스트를 원하는 언어로 번역합니다.
개인 식별 정보: 비정형 텍스트에서 개인 정보를 식별, 분류 및 비식별화 참조: : 언어 개요 - 오라클, 대규모 AI 텍스트 분석 | Oracle

생성형 AI는 기존 데이터의 패턴과 구조를 기반으로 새로운 콘텐츠나 데이터를 생성하는 데 중점을 둔 인공지능의 한 분야입니다. 데이터를 인식, 분류 또는 예측하는 것을 목표로 하는 다른 AI 접근 방식과 달리, 제너레이티브 AI는 사실적이고 다양하며 새로운 데이터를 생성하는 것을 목표로 합니다. 제너레이티브 AI는 이미지, 텍스트, 오디오, 비디오, 소프트웨어 코드, 제품 디자인 등 다양한 유형의 콘텐츠를 생성할 수 있습니다. 생성형 AI는 다양한 기술과 모델을 사용해 데이터를 학습하고 생성적 적대 신경망(GAN), 변형 자동 인코더(VAE), 확산 모델, 기초 모델 등 새로운 예제를 생성합니다. 생성 AI는 예술, 엔터테인먼트, 교육, 의료, 엔지니어링, 마케팅 등 다양한 영역과 산업에 걸쳐 많은 응용 분야를 가지고 있습니다. 참조: : 오라클 클라우드 인프라스트럭처 AI - 제너레이티브 AI, 제너레이티브 인공 지능 - 위키백과

프롬프트 엔지니어링은 대규모 언어 모델에서 원하는 응답을 이끌어낼 수 있는 자연어 명령어 또는 쿼리를 설계하는 기술입니다. 프롬프트 엔지니어링은 모델 매개변수나 아키텍처를 수정하지 않고 모델의 기존 지식과 기능에 의존합니다. 프롬프트 엔지니어링은 모델에 적절한 컨텍스트, 형식 및 제약 조건을 제공하여 텍스트 생성, 감성 분석, 코드 완성 등 다양한 작업을 수행하는 데 사용할 수 있습니다67. 프롬프트 엔지니어링은 제로 샷 학습 또는 쿼리 기반 학습이라고도 합니다. 참조: [2211.01910] 대규모 언어 모델은 인간 수준의 프롬프트 엔지니어입니다](https://arxiv.org/abs/2211.01910), 프롬프트 엔지니어링 및 LLM에 대한 개발자 가이드 - GitHub 블로그

강화 학습은 결과로부터 학습하여 의사 결정을 내리는 머신 러닝의 한 유형입니다. 강화 학습 알고리즘은 레이블이 지정된 데이터나 명시적인 피드백이 아닌 환경에서의 자신의 행동과 경험을 통해 학습합니다. 강화 학습의 목표는 시간이 지남에 따라 누적 보상을 극대화하는 최적의 정책을 찾는 것입니다. 정책은 환경의 각 상태에서 어떤 조치를 취해야 하는지를 결정하는 규칙입니다. 보상은 원하는 목표를 달성하는 데 있어 어떤 행동이 얼마나 좋은지 나쁜지를 나타내는 피드백 신호입니다. 강화 학습에는 다양한 행동을 탐색하고 그 결과를 관찰한 다음 그에 따라 정책을 업데이트하는 시행착오 과정이 포함됩니다. 강화 학습의 몇 가지 과제와 구성 요소는 다음과 같습니다:
탐험 대 착취: 미래에 더 높은 보상을 얻을 수 있는 새로운 행동을 시도하는 것(탐색)과 즉각적인 보상을 얻을 수 있는 알려진 행동을 선택하는 것(착취) 사이의 균형을 맞추는 것입니다.
마르코프 의사 결정 과정(MDP): 불확실성 하에서 순차적 의사 결정 문제를 모델링하기 위한 수학적 프레임워크로, 결과가 이전 결과가 아닌 현재 상태와 행동에만 의존합니다.
값 함수: 값 함수: 현재 정책에 따라 각 상태 또는 상태-행동 쌍의 예상 장기 수익을 추정하는 함수입니다.
Q-학습: 특정 상태에서 특정 행동을 취할 때의 품질을 나타내는 Q-함수라는 값 함수를 학습하는 널리 사용되는 강화 학습 알고리즘입니다.
심층 강화 학습: 심층 신경망과 강화 학습 알고리즘을 결합하여 비디오 게임이나 로봇 제어와 같은 복잡하고 고차원적인 문제를 처리하는 강화 학습의 한 분야입니다. 참조: : 강화 학습 - Wikipedia, 강화 학습이란 무엇인가요? - 작동 방식 개요 - Synopsys

오라클 클라우드 인프라스트럭처는 컴퓨팅 인스턴스를 위한 GPU 옵션 중 하나로 NVIDIA A100 텐서 코어 GPU를 제공합니다. NVIDIA A100 GPU는 다양한 AI 및 HPC 워크로드를 가속화할 수 있는 강력하고 다재다능한 GPU입니다. A100 GPU는 이전 세대 V100 GPU보다 최대 20배 높은 성능을 제공하며 멀티 인스턴스 GPU, 자동 혼합 정밀도, 스파스시티 가속12 등의 기능을 지원합니다. OCI Compute 베어메탈 BM.GPU4.8 인스턴스는 고속 NVIDIA NVLink 직접 GPU 간 인터커넥트를 통해 연결된 8개의 40GB NVIDIA A100 GPU를 제공합니다3. 이 인스턴스는 대규모 언어 모델, 컴퓨터 비전 모델 및 기타 복잡한 AI 작업의 훈련에 이상적입니다. 참조: 가속 컴퓨팅 및 오라클 클라우드 인프라(OCI) - NVIDIA, 오라클 클라우드 인프라에서 새로운 엔비디아 GPU 가속 컴퓨팅..., GPU, 가상 머신 및 베어 메탈 제공 | Oracle

GPU(그래픽 처리 장치)는 대량의 데이터에 대해 병렬 연산을 수행할 수 있는 특수 하드웨어 구성 요소입니다. GPU는 많은 행렬 연산과 텐서 연산을 동시에 실행할 수 있기 때문에 딥 러닝에서 딥 뉴럴 네트워크의 학습을 가속화하는 데 널리 사용됩니다. GPU는 CPU만 사용할 때보다 학습 시간을 크게 단축하고 딥 러닝 모델의 성능을 향상시킬 수 있습니�