AI시대의 소프트웨어 아키텍처

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..

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(인간 피드백을 통한 강화 학습, Reinforcement Learning from Human Feedback)은 AI 학습에서 중요한 기술로, 인간이 제공하는 피드백을 사용해 AI의 행동을 향상시키는 방법입니다. 특히 AI가 더 인간적인 방식으로 상호작용하고, 윤리적이면서도 사용자가 원하는 대로 반응할 수 있도록 돕는 데 활용됩니다. RLHF는 기본적으로 AI의 행동이나 결정이 좋았는지 나빴는지에 대해 사람의 평가를 반영하여 학습하는 과정입니다. 구체적인 사용 사례는 다음과 같습니다.  1. 대화형 AI 시스템 (챗봇)RLHF는 챗봇을 훈련하는 데 매우 효과적으로 사용됩니다. 예를 들어, 사용자가 챗봇과 대화를 할 때, 사용자는 AI가 제공한 답변이 만족스러웠는지 아니면 개선이 필요한지에 대해 ..

ChatGPT의 전신인 InstructGPT는 GPT-3를 강화학습 기법으로 fine-tuning하여 사용자의 의도에 맞는 답변을 생성하는 것을 목표로 하였으며, Fine-tuning용 데이터를 구축하기 위하여 40명의 Labeler를 고용하였음. 아래는 InstructGPT의 Training process임    Step 1 (Supervised Fine-tuned Model) :   InstructGPT 논문에서 설명한 Step1 구성 방법1. Demonstration Data (prompt-response 쌍) 수집, 13k DataSet     - prompt : labeler가 직접 작성 + Open AI의 API를 통해 수집된 실제 사용자들의 prompt    - response : 주어진 p..

Clarifai fine-tuning 사례 : Clarifai는 이미지 및 비디오 분석을 위한 AI 솔루션을 제공하는 회사임. 이 회사는 고객의 특정 요구에 맞춰 이미 사전 학습된 모델을 Fine-tuning하는 일을 진행함. 1. Fine-tuning 목적 : Clarifai는 특정 소매업체가 자사의 제품 이미지를 자동으로 인식하고 분류할 수 있는 솔루션을 Fine-tuning하는 Project를 진행함. 이 Fine-tuning 작업의 목적은 제품 카테고리별로 이미지를 자동으로 분류하고, 다양한 각도나 배경에서 촬영된 이미지라도 정확하게 인식할 수 있는 모델을 구축하는 것이었음2. 데이터 수집 방법 :   a) 제품 이미지 수집 : 기업에서 Fine-tuning을 하기 위해서는 해당 기업 또는 고객의..

삼성전자의 Bixby 음성 비서 fine-tuning 사례:1. Fine-tuning 목적 : 삼성전자는 자사의 AI 음성 비서 Bixby의 한국어 이해 및 응답 능력을 향상2. 데이터 수집 방법 :   a) 사용자 로그 분석 : Bixby 사용자들의 실제 음성 명령과 질문 데이터를 수집. 사용자 동의 하에 이루어졌으며, 개인정보 보호를 위해 익명화 처리되었음   b) 크라우드소싱 : 다양한 연령대와 방언을 가진 한국인 참가자들을 모집하여 특정 시나리오에 따른 음성 명령을 녹음하게 함   c) 전문가 생성 데이터 : 언어학자와 AI 전문가들이 한국어의 특성을 반영한 다양한 문장과 표현을 작성   d) 공개 데이터셋 활용 : 한국어 음성 인식 관련 공개 데이터셋을 활용하여 기본 모델 훈련3. 데이터 전처리..