# AI
[CEO Track] ChatGPT로 사업아이템 브레인스토밍하기
ChatGPT로 유용한 아이디어를 얻기? 아이디어가 떠오르지 않을때 ChatGPT같은 언어모델을 사용하는 것은 아주 유용하다. 언어모델이 학습한 데이터의 범위가 매우 넓기 때문에 때때로 생각지도 못한 해결법을 내놓기도 한다. 물론 ChatGPT같은 언어모델도 그냥 질문하면 대부분 비슷비슷한 답변을 내놓는데 프롬프트를 어떻게 넣느냐에 따라 아주 다양한 답변이 나오기도한다. 더 재밌는것은 직접 사용료를 지불하고 GPT API를 사용하면 Temperatur, Top P, Presence penalty, Frequency penalty같은 세부적인 하이퍼파라미터를 조절할 수 있는데 이를 잘 이용하면 GPT를 굉장히 엉뚱하고 창의적으로 만들어볼수도 있다. 최근에는 gpt3.5-turbo-instruct 라는 새로운 API가 나왔는데, 이 모델은 지시문에 우선적으로 따르도록 만들어져서 일반적인 ChatGPT와 달리 굉장히 주관적인 답변을 얻을수도 있다. 여러 모델을 사용해보면 아이디어를 얻
[반도체] 반도체과학법, 가우디2
美, 반도체 기업에 중국 내 증산 5% 제한 확정 > ### 요약 미국 바이든 정부가 반도체법에 따른 보조금을 받는 기업을 중국 내 반도체 생산 능력을 확장할 수 있는 범위를 기존 5%선을 유지하기로 결정했다. 미국 반도체과학법 > - 미국이 반도체산업 분야에서 중국에 대한 기술적우위를 강화하기 위한 반도체 생태계 육성법안 미국에 반도체 시설을 지으면 업체당 최대 30억달러의 보조금을 받는다. 보조금을 받으면 가드레일(안전장치) 조항에 따라 10년간 중국 같은 우려 국가에 반도체 시설을 투자하는 데 제한을 받는다. 출처 | 반도체 칩과 과학법 > 규정안에 따르
[소프트웨어공학] 인공지능의 기초
📌 인공지능이란? 인간의 학습능력, 추론능력, 지각능력을 인공적으로 구현하는 기술 인간의 뇌에 존재하는 시냅스를 따라 AI의 파라미터를 생성하고, 파라미터가 많을수록 AI의 성능이 향상된다. AI는 머신러닝(Machine Learning)과 딥러닝(Deep Learning)을 모두 포함한다. 🦾 머신러닝이란? 컴퓨터가 명시적으로 프로그래밍되지 않아도 학습할 수 있는 능력을 갖추게 하는 알고리즘과 기술의 집합 (수학적 접근을 통한 문제 해결) 머신러닝은 딥러닝을 포함하는 범위를 가진다. 머신러닝의 3가지 학습 > - 비지도 학습 : 정답 없이 문제해결 모델 제작 지도 학습 : 정답을 활용해서 문제해결 모델 제작 강화 학습 : 더 나은 방향으로 문제를 풀어가는 방법 🦾 딥러닝이란? 인공 신경망(Artificial Neural Networks:ANN)을
Vector DB
Vector DB LLM, Generative AI, semantic search 등을 포함하는 기술이 발전하면서 Vector DB의 중요성도 커졌다. AI는 벡터로 Data를 이해한다. 여기서 말하는 vector는 간단하게는 다차원 공간에서 존재하는 한 점 혹은 좌표라고 상상하면 된다. 그래서 Vector DB가 뭐냐? vector를 다루는데에 특화된 Database이다. 대표적으로는 일반적인 RDB나 NoSQL에서 제공하지 않는 vector embeddings의 search나 retrieval을 효과적으로 수행할 수 있는 알고리즘 및 시스템을 제공한다. Vector Index Vector Index랑 Vector DB가 혼용돼서 쓰이곤 하는데, Vector Index는 Vector DB의 핵심 기능이자 포함되는 기능이다. 대표적인 Vector Index는 FAISS(Facebook AI Similarity Search). FAISS는 facebook resea
Getty, 자체 이미지로 훈련된 Art Generator를 공개하며 AI로 채널 변경
2023-09-25(Mon) by Kyle Barr Getty는 AI art generator에 Nvidia Picasso의 클라우드 기반 AI 플랫폼을 사용하고 있지만, Getty가 학습 데이터에 사용할 수 있는 이미지의 종류에 따라 그 결과는 달라질 수 있다. [Gif: Getty Images] 현재 AI 학습에 Getty 이미지를 사용한 것과 관련하여 Stability AI 사와 소송 중 1년 넘게 AI에 대한 고민을 거듭한 끝에, 가장 큰 이미지 저장 사이트 중 하나인 Getty Images는 구독자들이 사이트를 통해 자신만의 AI 이미지를 만들 수 있도록 할 예정이다. 한 가지 약속할 수 있는 점은 AI가 Getty의 자체 이미지에 대해서만 학습하기 때문에 유저가 까다로운 저작권 문제에 대해 걱정할 필요가 없다는 것이다. 지난 월요일, Getty는 자사의 첫 번째 AI 이미지 생성기를 일반 Getty 유저가 무료로 사용할 수 있게 되었다고 발표했다.
TACOTRON2 : Natural TTS Synthesis By Conditioning WAVENET On Mel Spectrogram Predictions
Text-to-Speech 기술에 WaveNet, Tacotron 등이 접목되면서 전보다 더 고품질의 음성을 합성할 수 있게 되었다. 여러 미디어 채널에서는 TTS를 이용해서 재밌는 합성된 음성을 활용하고 있고 앞으로도 TTS를 사용하는 사람들은 늘어갈 전망으로 보인다. Tacotron2는 Google에서 Tacotron1 기술의 한계점을 뛰어넘기 위해 개발한 것으로 Tacotron1과 비교해서 기술 설명을 이해하면 좋을 것이다. Intro 이론적 배경 WaveNet https://joungheekim.github.io/2020/09/17/paper-review/ https://music-audio-ai.tistory.com/2 위 링크들을 참조했다. Tacotron2에서는 WaveNet을 변형한 Vocoder를 사용한다. (*Vocoder: Text-to-Mel spectrogram model이 만들어낸 spectrogram을 실제 음성의 Waveform으로
RAG(Retrieval Augmented Generation)
RAG RAG(Retrieval Augmented Generation)는 미리 학습된 LLM(대규모 언어 모델) 및 자체 데이터를 사용하여 응답을 생성하는 패턴이다. 왜 필요한가 현재 널리 쓰이고 있는 Chatgpt와 같은 LLM은 수많은 범용적인 데이터로 그리고 특정 시점 데이터로(과거 어떤 시점) 학습되었습니다. 그러나 때로는 범용적이지 않고 자신만이 갖고 있는 데이터나 최신 데이터로 작업해야 하는 경우도 있습니다. 해당 경우에 LLM을 활용할 수 있는 두 가지 방식이 있다. 새로운 데이터로 모델을 Fine tuning한다. RAG를 활용한다. Fine tuning은 좋은 해결책이 될 수 있지만 값이 비싸다는 단점이 있어서 RAG가 효율적인 방법이 될 수 있다. 추가적으로 RAG를 잘 사용하면 LLM의 고질적인 문제인 Hallucination도 어느 정도 줄일 수 있다는 장점도 있다. 그래서 어떻게 동작하는건데 Flow는 다음과 같다.
ChatGPT 잘 쓰는 방법
출처 강화학습 환경과 상호작용하여 가장 많은 보상(처벌)을 받는 행동을 학습 생성형 AI(generative AI) 텍스트, 이미지, 소리, 영상, 3D 모델 등 다양한 콘첸츠를 Y로 생성 ChatGPT 사실을 물어보면 안된다(검색 X). 그럴듯한 문장만 만들어낼뿐. 애초에 용도가 그렇지 않다.(casusal LM) Q. 그럼 chatGPT는 뭘 할 때 사용하는게 가장 좋을까요?? A. ex) 제주도 여행계획(존재하지 않는 장소를 추천해줄수 있음) -> 제주도 여행지 목록을 주고
[서평] <AI시대, 개발자로 살아가기>
안녕하세요~ 두 번째 서평으로 찾아뵙게 됐네요! 오늘 제가 소개할 책은 "AI시대, 개발자로 살아가기"입니다. 이 책은 네 분의 멘토분들의 이야기로 만들어졌습니다. 현직자 분들의 말씀이라 더 집중해서 보게 되더라구요ㅎㅎ 이 책의 서평을 신청하게 된 계기는 이거였습니다. 저는 현재 컴퓨터 과학이나 관련 분야를 전공하고 있지 않은 비전공자입니다. 그러다 저번
AI study - 머신러닝
0. 머신러닝이란 무엇인가? 머신러닝이란 빅데이터를 분석하고 가공하여 새로운 정보를 얻어내는 AI의 한 분야로, 외부에서 주어진 데이터를 클라우드 컴퓨터가 학습 모형을 기반으로 스스로 분석하여 학습하는 것을 의미한다. > # 1. 전통적인 방법 위는 AI가 크게 발전하기 전에 사용되었던 "전통적인" 방법 중 하나의 코드이다. 하지만 이는 특정한 기준을 정하기 힘들다는 단점이 있다. 예를 들어 하루 학교에서 보내는 시간이 12시간이 자취, 통학생들이 존재하기도 하고, 그 반대 또한 존재한다. 그러기에 모호한 기준이 필요 없고 스스로 데이터를 분석하는 AI 기술이 각광받는 것이다. > # 2. 머신러닝 * 2-1 데이터 리스트 및 산점도* 위 코드를 실행하게 되면 산점도(scatter plot)라는 기숙사생이 학교에 있는 시간을 X축으로, 각 기숙사생의 학번을 Y축으로 가지는 그래프를 볼 수 있는데, 이는 위 데이터를 한 눈에 볼 수 있고, 2학년, 3학
AI 부트캠프 | Week 10-2) (#분류, #회귀, #분류 평가지표, # 주요 머신러닝 모델, #하이퍼파라미터 최적화)
1. 분류와 회귀 예측하려는 타깃값이 범주형 데이터면 분류 문제, 수치형 데이터면 회귀 문제 1-1) 분류 >* 주어진 피처에 따라 어떤 대상을 정해진(유한한) 범주(타깃값)에 구분해 넣는 작업 (ex. 개와 고양이 구분, 스팸메일과 일반 메일 구분, 질병 검사 결과가 양성인지 음성인지 등) → 타깃값이 두 개 분류는 이진분류, 세 개 이상 분류는 다중분류 1-2) 회귀 >* 자연현상이나 사회 현상에서 변수 사이 관계 (ex. 학습 시간이 시험 성적에 미치는 영향, 수면의 질이 건강에 미치는 영향, 공장의 재고 수준이 회사 이익에 미치는 영향 등) → 영향을 미치는 변수를 독립변수, 영향을 받는 변수를 종속변수 >* 회귀 : 독립변수와 종속변수 간 관계를 모델링 하는 방법 → 독립변수 X, 종속변수 Y(단순 선형 회귀)  (#Git 사용법(2))
* 본 내용은 패스트캠퍼스 AI 부트캠프 6기 과정 최우영 강사님의 프로젝트 협업을 위한 GitHub 강의를 바탕으로 작성되었습니다. 협업하기
슬라임이 되어가는 중
코테, git , ml 이 순식간에 지나가고 있는데요. 몸상태가 아주 엉망진창입니다. 코테랑 git 은 어느 정도 알지만 건강이 훅가서 그런지 집중력이 박살이 났더라구요. 주변 분들은 모두 열심히 하시는데 쳐지는 느낌이구요. 커리큘럼이 생각보다 빡빡하니 힘드네용 허허. 공부한거도 쓰고 싶긴한데 머리 속에 넣기만 해도 깝깝하네요 ㅠㅠ
[ImageBind 논문 리뷰](One Embedding Space To Bind Them ALL)
ImageBind 1. 논문이 다루는 Task Task: Emergent Zero-Shot Classification, Retrieval Input: Text, Image, Depth, Video, Audio, Therma, IMU, Depth Output: Retrieval, Text, Image Emergent Zero-Shot Classification : Pair가 없는 데이터 셋에 대하여 통합적인 Embedding Space를 통한 분류 2. 기존 연구 한계 *A single image can bind together many experiences – an image of a beach can
2. Pandas 정리
딥러닝을 위한 Pandas 문법 Dataframe 2차원 테이블 구조를 가진 자료형 딕셔너리 활용, 리스트 활용, csv 파일 활용하여 생성 가능함 df = pd.read_csv(파라미터) 딕셔너리 형태 a, b, c가 각각 열을 가르킴 리스트 형태 a, b, c가 각각 행을 가르킴 csv 형태 Dataframe 함수 head, tail, shape, columns, info, describe, dtype loc => 이름/라벨을 기준으로 사용 iloc => 행 번호(인덱스)를 기준으로 사용 기본적인 대괄호는 col을 가지고 오지만, slicing은 row를 가지고 온다. head 기본적으로 5개 데이터 가져옴 tail shape columns 데이터프레임의 column 반환 info describe dtype
1. Python 정리
딥러닝을 위한 Python 기본 문법 Indexing 특정한 값을 뽑아냄 x[번호] x[-1]은 리스트의 마지막 요소를 가져 옴 Slicing 한 문자 or 단어를 뽑아냄 x[시작번호:끝번호-1] 끝번호 생략 시, x[시작번호:끝번호] x[:] 형태인 경우, x[시작번호:끝번호] List 순서대로 정리된 항목들을 담는 구조 (반복적 처리에 특화됨) x[1, 2] x = list(range(1, 10, 2)) => [1, 3, 5, 7, 9] List 관련 함수 append(요소) insert(인덱스, 요소) => 원하는 인덱스에 원하는 요소 추가 extend => 리스트1에 리스트2를 연결 list1+list2 => 리스트1에 리스트2를 연결 remove(요소) => 특정한 '값'을 제거 count(요소) => 원하는 요소 값의 갯수 출력 sort => 오름차순 정렬 (revers
AI 체스 봇 개발 일지(5일차)
체스 봇 개발 일지 4일차 2023 09 24 지난번까지 추가 기능인 캐슬링과, 승진을 만들었다. 이번에는 체스에 매우 중요한 역할을 하는 체크 기능을 만들 것이다. 정확히 말하자면 체크 상황에 체크라고 멘트를 해주는 기능을 만들 것이다. 1. 체크란 체크는 체스의 아주 기본적인 룰이다. 체크란 킹이 공격받는 경우를 체크라고 한다. 2. 구현 일단 각 팀의 왕의 좌표를 저장해 줄 변수인 bkx(검은색 킹 x좌표), bky (검은색 킹 y좌표), wkx(흰색 킹 x좌표), wky(흰색 킹 y좌표)를 만들어준다. 그리고 킹이 이동할 때마다 이 변수들의 값을 계속 바꿔준다. 또 위와 같이 이동 또는 공격은 하지 않지만 이동, 공격이 가능한지 확인만 해주는 함수를 만들었다. 이동이 가능하면 1을 리턴하고, 공격이 가능하면 2를 리턴하고 다 불가능하면 0을 리턴한다. 위의 함수는 폰이 이동, 공격이 가능한지 확인해 주는 함수인
AI 체스 봇 개발 일지(4일차)
체스 봇 개발 일지 4일차 2023 09 18 지난번에는 캐슬링이라는 특수 규칙을 만들었다. 이번에는 승진이라는 기능을 구현 할 것이다. 1. 승진이란 체스에서 승진이란 간단하다. 폰이 앞으로 전진하다가 8번째 행에 도달했거나 상대기물을 잡으면서 8번째 행에 도달한 경우 퀸/룩/비숍/나이트로 승진을 할 수 있다는 규칙이다. 단 폰으로 그대로 남는것은 불가능하다. 2. 구현 일단 승진 할때 멘트를 출력해주고, 무슨 기물로 승진을 할지 키보드 입력을 받는 promote 라는 함수를 만들었다. 키보드의 입력을 스위치 문으로 나누어 리턴을 해주었다. 위의 코드를 폰 함수에 만들어두어 만약 도착지가 8번째 행이고 이동을 성공했으면 promote 함수의 리턴값을 res라는 변수에 저장해주었다. 그리고 res의 값에 따라 폰을 다른 기물로 승진시키는 코드를 만들었다. 위의 코드는 하얀색 폰일때 코드이다.
AI Study[DataFrame]
코드링크 DataFrame이란? pd.DataFrame은 Python 프로그래밍 언어의 데이터 분석 라이브러리인 pandas에서 제공하는 중요한 데이터 구조 중 하나다. pd.DataFrame은 표 형태의 데이터를 저장하고 조작하는데 사용되며, 행과 열로 이루어진 2차원 데이터 구조를 나타낸다. pd.DataFrame은 다양한 데이터 유형(숫자, 문자열, 날짜 등)을 포함하는 데이터를 저장할 수 있으며, 각 열은 서로 다른 유형의 데이터를 가질 수 있다. 이러한 유연성은 데이터 분석 및 조작 작업을 수행하는데 매우 유용하다. 
AI Study[Pandas, Series]
코드링크 pandas 기본 연산 pandas란? > Pandas는 데이터 분석 및 조작을 위한 Python 라이브러리로, 인공 지능 (AI) 및 머신 러닝 (ML) 프로젝트에서 다양한 이유로 사용된다. Pandas를 AI 프로젝트에서 사용하는 주요 이유는 다음과 같다: 데이터 전처리: AI 모델을 학습시키기 전에 데이터를 처리하고 정리해야 한다. Pandas는 데이터를 로드하고, 결측치를 처리하며, 이상치를 검출하고, 데이터를 정규화하고, 특징 엔지니어링을 수행하는 데 유용한 도구를 제공한다. 데이터 시각화: Pandas는 데이터를 시각적으로 탐색하고 이해하기 위한 기능을 제공한다. Matplotlib, Seaborn과 같은 시각화 라이브러리와 함께 사용하여 데이터 분포, 상관 관계, 트렌드 등을 시각화하고 시각적 인사이트를 얻을 수 있다. 데이터 조작 및 필터링: Pandas는 데이터를