분류 전체보기 62

LaMDA (Language Model for Dialogue Applications) 소개

개요•LaMDA는 Google에서 개발한 대화형 AI 언어 모델로, 다양한 주제에 대해 자연스러운 대화를 생성할 수 있도록 설계되었습니다. •Google I/O 2021에서 처음 소개된 이 모델은 특정 사용자 입력에 대해 관련성 높고 풍부한 대화를 생성할 수 있는 능력을 갖추고 있습니다. •LaMDA는 기존의 언어 모델과 달리, 더 넓은 범위의 대화 흐름을 이해하고 유지할 수 있도록 최적화되었습니다. 특징·대화 중심 설계 : LaMDA는 전통적인 언어 모델과 달리 대화에서 발생할 수 있는 다양한 맥락과 주제를 이해하고, 이에 맞게 반응하도록 훈련되었음. 이를 통해 사용자는 LaMDA와 다양한 주제에 대해 자연스럽게 대화를 이어갈 수 있습니다. ·개방형 대화1) 지원: LaMDA는 개방형 대화(Open-d..

AI모델 소개 2024.10.14

랭체인(LangChain) 및 AI서비스 구축 사례 소개

랭체인(LangChain)은 다양한 AI 모델을 연결하고, 자연어 처리 기능을 향상시키기 위해 사용되는 오픈소스 프레임워크입니다. 주로 대화형 AI 애플리케이션, 정보 검색 시스템, 자동화된 도우미 등의 서비스를 개발하는 데 사용됩니다. 랭체인의 주요 기능은 여러 언어 모델을 결합하여 더 복잡한 작업을 수행할 수 있도록 지원하는 것입니다. I.     LangChain 활용 AI서비스 주요 분야  1. 지능형 챗봇랭체인을 사용하여 개발된 챗봇은 단순한 질의응답을 넘어, 다양한 소스의 데이터를 활용한 고급 대화 기능을 제공합니다. 예를 들어, 특정 기업에서는 고객 서비스용으로 랭체인 기반 챗봇을 사용하여 고객이 원하는 정보를 보다 신속하고 정확하게 제공하고 있습니다. 이 챗봇은 다중 언어 모델을 사용해 고..

AI Service 2024.10.12

Interior Image를 인식하여, Interior Style을 추론하는 서비스 프로그램

이 코드는 TensorFlow를 사용하여 인테리어 스타일을 인식하는 모델을 통해 이미지를 분류하고, 그 결과를 파이 차트로 시각화하는 Python 프로그램입니다. 아래는 코드의 각 부분에 대한 구체적인 설명입니다. https://www.youtube.com/watch?v=5dvyLgdae1Q&t=319s 1. 라이브러리 임포트 tensorflow.keras: 딥러닝 모델을 로드하고, 예측을 수행하는 데 사용됩니다.PIL (Python Imaging Library): 이미지 파일을 열고, 크기 조정 및 전처리를 수행합니다.numpy: 이미지 데이터를 배열로 처리하고, 수치 연산에 사용됩니다.matplotlib.pyplot: 예측 결과를 시각화하는 파이 차트를 그리는 데 사용됩니다.2. NumPy 출력 형식..

AI Service 2024.10.12

AI모델(GPT-4, CLIP, StyleGAN) 관련 질문과 답변 내용

질문 1)데이터 주석 처리 부분에서 GPT-4는 머신 러닝 모델을 위한 데이터 준비에서 중요한 단계인 데이터 주석 처리에도 사용된다고 하였는데, 제가 아는 주석은 코드 내에서 실행되지 않고 가독성을 높이거나 부연설명을 하기 위한 역할로 알고있습니다. 보통 데이터는 코드 내에 존재하기엔 너무나 방대한 양이여서 따로 정제 후 불러오는 것으로 알고있습니다. 그렇다면 책에서 말하는 주석은 단순하게 데이터에 대해 요약하는 가이드라인 같은 것으로 받아들이면 되나요? 예를 들어 보통 GIThub에 있는 readme 파일 같은 걸 의미합니다. 답변)여기서 말하는 데이터 주석 처리(Data Annotation)는 머신 러닝 모델을 훈련시키기 위해 데이터를 준비하는 과정에서, 데이터에 의미 있는 레이블이나 태그를 추가하는..

AI모델 소개 2024.10.10

TPMC(Total Transactions Per Minute, Commit)기반으로 네트워크 대역폭 구하기

TPMC(Total Transactions Per Minute, Commit)을 기반으로 네트워크 대역폭을 구하는 것은 시스템의 데이터 처리량과 성능을 바탕으로 네트워크 대역폭을 추정하는 방법입니다. 여기서는 TPMC 성능 측정을 통해 네트워크에서 요구되는 대역폭을 추정하는 방법을 설명하겠습니다.  1. TPMC의 정의   - TPMC(Total Transactions Per Minute, Commit)는 시스템이 분당 처리할 수 있는 트랜잭션 수를 나타냅니다.   - 이는 초당 트랜잭션 수로 변환할 수 있습니다:     TPS = TPMC/60     여기서 TPS(Transactions Per Second)는 시스템이 초당 처리할 수 있는 트랜잭션 수입니다.  2. 네트워크 대역폭의 정의   - 네트..

TPMC기반으로 메모리 용량, 디스크 용량 산정하기

TPMC(Total Transactions Per Minute, Commit)를 기반으로 메모리 용량과 디스크 용량을 산정하는 것은 시스템 설계에서 매우 중요한 단계입니다. 서버가 처리할 수 있는 트랜잭션 수를 기반으로 하드웨어 요구 사항을 산정함으로써, 시스템 성능을 극대화할 수 있습니다. 이를 위해서는 트랜잭션 처리량과 데이터 처리 특성에 대한 구체적인 분석이 필요합니다. 1. 메모리 용량 산정메모리는 트랜잭션 처리 시 데이터 캐싱, 버퍼링, 세션 관리 등에 사용됩니다. 메모리 요구 사항을 산정할 때는 다음과 같은 요소를 고려해야 합니다. (1) 각 트랜잭션이 사용하는 메모리량 계산    - 각 트랜잭션이 처리하는 데이터의 크기(예: 읽기/쓰기 데이터 양, 캐시 사용량 등)를 파악해야 합니다.    ..

TPMC 계산 방법 및 서버 용량 산정시 활용 방법

IT 분야에서 사용하는 TPMC(Total Transactions Per Minute, Commit)는 데이터베이스나 서버의 성능을 측정하는 데 사용하는 지표로, 주로 시스템이 처리할 수 있는 분당 트랜잭션 수를 계산하는 방식입니다. 이는 서버 용량 산정, 시스템 확장 계획, 또는 성능 평가에 활용됩니다. TPMC(Total Transactions Per Minute, Commit) 계산 방법 TPMC는 특정 시간 동안 데이터베이스나 애플리케이션 서버가 처리하는 총 트랜잭션 수를 측정하여 계산합니다. 서버나 데이터베이스의 성능을 평가하기 위한 벤치마크로서 많이 사용되며, 다음과 같은 요소들을 고려하여 구할 수 있습니다. 1. 트랜잭션 정의   - 트랜잭션: 사용자 요청에 대한 처리 단위를 의미하며, 하나..

PoEAA를 적용한 실제 프로젝트 구축 사례

PoEAA(Patterns of Enterprise Application Architecture)를 적용한 실제 프로젝트 구축 사례는 주로 대규모 엔터프라이즈 애플리케이션이나 복잡한 비즈니스 로직을 처리하는 시스템에서 흔히 볼 수 있습니다. 다음은 PoEAA 패턴을 활용하여 성공적으로 구축된 몇 가지 프로젝트 사례입니다. 1. 온라인 은행 시스템프로젝트 설명: 은행의 온라인 뱅킹 플랫폼은 복잡한 금융 거래와 사용자 관리 기능을 지원해야 하는 중요한 시스템입니다. 고객은 자신의 계좌 정보를 확인하고, 자금을 이체하며, 대출 신청 및 기타 금융 서비스를 이용할 수 있어야 합니다.적용 패턴:Service Layer (서비스 레이어): 은행의 다양한 비즈니스 로직(이체, 대출 신청, 계좌 관리 등)은 서비스 레..

PoEAA (Patterns of Enterprise Application Architecture)에 관하여…

PoEAA (Patterns of Enterprise Application Architecture)는 마틴 파울러(Martin Fowler)가 제안한 엔터프라이즈 애플리케이션의 설계 패턴 모음입니다. 이 책에서는 대규모 비즈니스 애플리케이션을 구축할 때 반복해서 나타나는 문제들을 해결하기 위한 설계 패턴을 소개하고 있으며, 이러한 패턴을 사용하면 애플리케이션의 확장성, 유지보수성, 성능 등을 향상시킬 수 있습니다. 이 패턴 모음은 주로 복잡한 비즈니스 로직을 처리하고 데이터베이스와 상호작용하는 애플리케이션의 구조를 설계하는 데 도움이 됩니다. PoEAA는 2002년에 처음 발표되었으며, 그 이후에도 많은 소프트웨어 개발자들 사이에서 널리 사용되고 있습니다. PoEAA의 구조와 목표PoEAA는 주로 다음과..

RLHF 가 적용된 AI모델 및 서비스

RLHF(인간 피드백을 통한 강화 학습)가 실질적으로 적용된 AI 모델 및 서비스는 다양합니다. 이 기술은 AI가 사람들과 더 자연스럽고 유용하게 상호작용할 수 있도록 돕기 때문에, 상업적으로 성공한 여러 AI 시스템에 사용되었습니다. 아래에 RLHF가 실질적으로 적용된 AI 모델과 서비스의 구체적인 예시를 소개합니다.  1. OpenAI의 ChatGPT- 적용된 방식: ChatGPT는 RLHF의 대표적인 성공 사례입니다. 이 모델은 기본적인 언어 모델을 인간 피드백으로 미세 조정하여, 더 자연스럽고 유용한 대화를 할 수 있도록 개선되었습니다. 사용자들이 제공한 대답의 품질을 평가하고, 올바른 응답을 선택하거나 수정하는 과정을 통해 모델을 개선하는 과정이 포함됩니다.- 구체적 사례: 초기에 GPT-3 모..

AI Service 2024.10.05