이 용어집에서는 인공지능 용어를 정의합니다.
A
절제
모델에서 특성 또는 구성요소를 일시적으로 삭제하여 중요도를 평가하는 기법입니다. 그런 다음 해당 기능이나 구성요소 없이 모델을 재학습시키고 재학습된 모델의 성능이 크게 저하되면 삭제된 기능이나 구성요소가 중요한 것일 수 있습니다.
예를 들어 10개의 특징에 대해 분류 모델을 학습하고 테스트 세트에서 88% 의 정밀도를 달성한다고 가정해 보겠습니다. 첫 번째 특성의 중요도를 확인하려면 다른 9개의 특성만 사용하여 모델을 재학습하면 됩니다. 재학습된 모델의 성능이 크게 저하되는 경우 (예: 정밀도 55%) 삭제된 특성이 중요한 것일 수 있습니다. 반대로 재학습된 모델의 성능이 동일하게 우수하다면 해당 기능은 그다지 중요하지 않았을 수 있습니다.
제거는 다음의 중요도를 파악하는 데도 도움이 될 수 있습니다.
- 더 큰 ML 시스템의 전체 하위 시스템과 같은 더 큰 구성요소
- 데이터 전처리 단계와 같은 프로세스 또는 기법
두 경우 모두 구성요소를 삭제한 후 시스템 성능이 어떻게 변하는지 (또는 변하지 않는지) 관찰합니다.
A/B 테스트
A와 B라는 두 개 이상의 기법을 비교하는 통계적 방법입니다. 일반적으로 A는 기존 기술이고 B는 새로운 기술입니다. A/B 테스트는 어떤 기법이 더 나은지뿐만 아니라 그 차이가 통계적으로 유의미한지 여부도 파악합니다.
A/B 테스트에서는 일반적으로 두 기법의 단일 측정항목을 비교합니다. 예를 들어 두 기법의 모델 정확도를 비교합니다. 하지만 A/B 테스트에서는 유한한 수의 측정항목을 비교할 수도 있습니다.
액셀러레이터 칩
딥 러닝 알고리즘에 필요한 주요 연산을 실행하도록 설계된 특수 하드웨어 구성요소의 카테고리입니다.
가속기 칩 (줄여서 가속기)은 범용 CPU에 비해 학습 및 추론 작업의 속도와 효율성을 크게 높일 수 있습니다. 신경망 학습 및 유사한 컴퓨팅 집약적 작업에 적합합니다.
가속기 칩의 예는 다음과 같습니다.
- 심층 학습을 위한 전용 하드웨어가 탑재된 Google의 Tensor Processing Unit (TPU)
- NVIDIA의 GPU는 원래 그래픽 처리를 위해 설계되었지만 병렬 처리를 지원하도록 설계되어 처리 속도를 크게 높일 수 있습니다.
정확성
올바른 분류 예측 수를 총 예측 수로 나눈 값입니다. 이는 다음과 같은 의미입니다.
예를 들어 올바른 예측을 40번 하고 잘못된 예측을 10번 한 모델의 정확도는 다음과 같습니다.
이진 분류는 올바른 예측과 잘못된 예측의 다양한 카테고리에 대한 구체적인 이름을 제공합니다. 따라서 이진 분류의 정확도 공식은 다음과 같습니다.
각 항목의 의미는 다음과 같습니다.
자세한 내용은 머신러닝 단기집중과정의 분류: 정확도, 재현율, 정밀도 및 관련 측정항목을 참고하세요.
행동
에이전트 루프의 단계로, 에이전트가 이유 단계에서 선택한 작업을 실행합니다. 예를 들어 행동 단계에서 API 요청을 보낼 수 있습니다.
action
강화 학습에서 에이전트가 환경의 상태 간에 전환하는 메커니즘입니다. 에이전트는 정책을 사용하여 작업을 선택합니다.
action space(작업 공간)
에이전트가 작업을 실행하는 데 사용할 수 있는 리소스 집합입니다. 작업 공간에는 에이전트가 호출할 수 있는 도구와 API, 에이전트가 보유한 권한이 포함될 수 있습니다. 일반적으로 작업 공간은 상담사가 작업을 수행할 수 있을 만큼만 커야 합니다. 작업 공간이 너무 작으면 에이전트가 작업을 수행하기에 리소스가 부족할 수 있습니다. 작업 공간이 너무 크면 에이전트가 오류를 더 많이 일으키는 경향이 있습니다.
활성화 함수
신경망이 특성과 라벨 간의 비선형 (복잡한) 관계를 학습할 수 있도록 지원하는 함수입니다.
인기 있는 활성화 함수는 다음과 같습니다.
활성화 함수의 플롯은 단일 직선이 아닙니다. 예를 들어 ReLU 활성화 함수의 플롯은 두 개의 직선으로 구성됩니다.
시그모이드 활성화 함수의 플롯은 다음과 같습니다.
아이콘을 클릭하여 예를 확인하세요.
신경망에서 활성화 함수는 뉴런에 대한 모든 입력의 가중 합계를 조작합니다. 가중 합계를 계산하기 위해 뉴런은 관련 값과 가중치의 곱을 더합니다. 예를 들어 뉴런에 대한 관련 입력이 다음과 같다고 가정해 보겠습니다.
| 입력 값 | 입력 가중치 |
| 2 | -1.3 |
| -1 | 0.6 |
| 3 | 0.4 |
weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0
자세한 내용은 머신러닝 단기집중과정의 신경망: 활성화 함수를 참고하세요.
능동적 학습
알고리즘이 데이터를 선택하여 학습하는 학습 방법입니다. 능동적 학습은 라벨이 지정된 예가 부족하거나 비싸서 취득하기 어려운 경우에 특히 유용합니다. 무조건 다양한 범위의 라벨이 있는 예를 찾는 대신, 능동적 학습 알고리즘에서 학습에 필요한 특정 범위의 예를 선택적으로 찾습니다.
AdaGrad
각 매개변수의 경사를 재조정하여 효과적으로 각 매개변수에 독립 학습률을 부여하는 정교한 경사하강법 알고리즘입니다. 자세한 설명은 온라인 학습 및 확률적 최적화를 위한 적응형 하위 기울기 방법을 참고하세요.
적응
튜닝 또는 파인 튜닝의 동의어입니다.
에이전트
사용자를 대신하여 작업을 계획하고 실행하기 위해 사용자 입력에 대해 추론할 수 있는 소프트웨어입니다.
강화 학습에서 에이전트는 정책을 사용하여 환경의 상태 간 전환에서 얻는 예상 수익을 극대화하는 엔티티입니다.
대리적/대리자적
agent의 형용사 형태입니다. 에이전트란 에이전트가 보유한 속성 (예: 자율성)을 말합니다.
에이전트 루프
종료 조건이 충족될 때까지 에이전트가 반복하는 사이클입니다. 이 주기는 일반적으로 다음 네 단계로 구성됩니다.