릴리즈: 2020년 6월: OpenAI가 ChatGPT 모델을 공개했습니다. 이 모델은 대화 생성 작업에 대한 성능이 높아 빠르게 인기를 얻었습니다. 2021년 1월: OpenAI는 DALL·E, GPT-3, CLIP 등 다양한 모델을 함께 사용할 수 있는 API인 OpenAI Codex를 출시했습니다. 2022년 5월: OpenAI는 ChatGPT 모델의 업그레이드 버전인 ChatGPT-2를 출시했습니다. 이 모델은 더 많은 데이터와 계산 능력을 사용하여 더 자연스러운 대화를 생성할 수 있게 되었습니다. 수정사항: 2020년 8월: ChatGPT 모델이 혐오 발언이나 인종 차별 등 부적절한 내용을 생성할 가능성이 있어, OpenAI는 대화 생성 과정에서 이러한 내용을 필터링하는 기술을 도입했습니다. 2..

다음은 ChatGPT를 활용해서 블로그 포스팅을 할 때 유용한 해시태그 10가지를 ChatGPT에서 추천받아 입력해 볼 것이다. 인공지능 모델도 자기 PR의 시대다! #ChatGPT: 이 해시태그는 관심 있는 사람들에게 도달하는 데 도움이 될 수 있습니다. ChatGPT와 그 기능. #AI: 인공 지능(AI)은 기술에 관심이 있는 독자를 끌어들일 수 있는 인기 있는 주제입니다. #블로깅: 블로깅은 인기 있는 주제입니다. 콘텐츠 제작 및 디지털 마케팅에 관심이 있는 독자에게 도달하는 데 도움이 될 수 있는 주제입니다. #ContentMarketing: 블로그 게시물이 사람들이 콘텐츠 마케팅을 개선하도록 돕는 것을 목표로 하는 경우 이 해시태그가 유용할 수 있습니다. #SEO: 검색 엔진 최적화(SEO)는 ..

아래 내용은 전적으로 ChatGPT한테 ChatGPT를 사용하는 방법을 물어본 질문에 대한 응답결과를 한국어로 작성한 내용이다. 지속적으로 변화하고 있기 때문에 다소 다른 내용이 있을 수도 있다. 안녕하세요. ChatGPT에 오신 것을 환영합니다! 언어 모델로서 저는 여러분이 이야기하고 싶은 모든 것을 돕기 위해 여기에 있습니다. ChatGPT를 처음 사용하는 경우 이 가이드가 플랫폼 등록 및 사용을 시작하는 데 도움이 될 것입니다. 먼저 등록에 대해 이야기해 보겠습니다. ChatGPT는 무료 플랫폼이며 사용하기 위해 등록할 필요가 없습니다. 그러나 등록하면 대화 기록을 저장하고 설정을 사용자 지정할 수 있습니다. 등록하려면 화면 오른쪽 상단에 있는 "등록" 버튼을 클릭하기만 하면 됩니다. 사용자 이름과..

오늘부터 나는 ChatGPT를 활용하여 블로그 게시물을 작성하는 것을 연재물 느낌으로 지속적으로 이어가 볼 예정이다. 이후에 작성되는 텍스트는 대부분 전적으로 ChatGPT를 활용해서 작성한 텍스트다. 약간 문장을 다듬기만 할 것이고, 전반적인 내용은 자동으로 생성된 내용임을 미리 밝힌다. 처음으로 작성할 내용은 'ChatGPT를 활용해서 블로그 포스팅하기'이다. 아시다시피 ChatGPT는 사람이 쓰는 것과 거의 구분할 수 없는 텍스트를 생성할 수 있는 강력한 언어 모델이다. 그렇다면 블로그에 ChatGPT를 사용하는 이유는 무엇일까? 우선 콘텐츠에 대한 새로운 아이디어를 떠올리는 데 도움이 될 수 있다. 모델에 주제와 관련된 몇 가지 키워드나 문구를 입력하면 다른 방법으로는 생각하지 못했던 풍부한 잠재..

다음 단계 머신러닝 교육을 계속하고 텐서플로우 기술을 더욱 개발하려면 다음 리소스를 확인하세요. 머신러닝 실습 Google이 제품에서 어떻게 머신러닝을 활용하는지 보여주는 실제 우수사례를 동영상과 코딩 실습을 통해 알아보세요. 이미지 분류: Google이 어떻게 이미지 분류 모델을 개발하여 Google 포토의 검색 기능을 강화했는지 알아보고 나만의 이미지 분류 모델을 만들어 보세요. 더 많은 머신러닝 실습이 제공될 예정입니다. 기타 머신러닝 리소스 딥러닝: 이미지와 텍스트 모델을 광범위하게 다루는 신경망에 관한 고급 머신러닝 교육 과정 ML의 규칙: 머신러닝 엔지니어링 권장사항 TensorFlow.js: ML 모델 학습 및 배포를 위한 WebGL 가속 및 브라우저 기반 자바스크립트 라이브러리 텐서플로우 ..

효과적인 ML 가이드라인 최초 모델은 단순하게 유지 데이터 파이프라인 정확성 확보에 중점 학습 및 평가를 위해 간단하고 관찰 가능한 측정항목 사용 입력 특성을 관리하고 모니터링 모델 구성을 코드로 취급하여 검토하고 체크인 모든 실험 결과(특히 '실패한 결과')를 기록

실제 예: 18세기 문학 18세기 문학을 연구하는 교수가 작가들이 사용한 '마음에 대한 은유'만을 토대로 작가의 정치적 소속이 어디인지를 예측하고자 했습니다. 18세기 문학을 연구하는 한 교수가 작가들이 사용한 '마음에 관한 은유'만을 토대로 작가의 정치적 소속이 어디인지를 평가하고자 했습니다. 연구팀은 다양한 작가의 작품을 문장별로 라벨을 지정하여 빅데이터 세트를 만들고 학습/검증/테스트 세트로 나누었습니다. 학습된 모델은 테스트 데이터에서 거의 완벽한 성능을 보였지만, 연구자들은 결과가 의심스러울 만큼 정확하다고 느꼈습니다. 무엇이 잘못되었을까요? 테스트 정확성이 의심스러울 정도로 높은 이유가 무엇이라고 생각하시나요? 문제가 무엇인지 생각해 본 다음, 아래에 있는 재생 버튼(▶)을 클릭하여 내 생각이..

실제 예: 암 예측 모델은 의료 기록을 통해 '환자가 암에 걸렸을 가능성'을 예측하도록 학습되었습니다. 환자의 연령, 성별, 이전 질병, 병원 이름, 활력 징후, 검사 결과 등을 특징으로 사용했습니다. 모델은 지속된 테스트 데이터에서 뛰어난 예측 결과를 보였습니다. 그렇지만 새 환자의 경우 평가 결과가 제대로 나오지 않았습니다. 이유가 무엇일까요? 실제 예: 암 평가 왜 새 환자의 경우에는 모델에서 평가 결과가 제대로 나오지 않는다고 생각하시나요? 문제가 무엇인지 생각해 본 다음, 아래에 있는 재생 버튼(▶)을 클릭하여 내 생각이 맞았는지 확인하세요. 라벨 누출 : 약간의 학습 라벨이 기능에 유출되어 모델의 속임수를 허용하는 것

공정성 머신러닝 모델을 책임감 있게 평가하려면 단순한 손실 통계를 계산하는 것 이상의 활동이 필요합니다. 모델을 제품에 투입하기 전에 학습 데이터를 점검하고 예측에 편향성이 없는지 평가해야 합니다. 이 모듈에서는 데이터 학습에서 나타날 수 있는 다양한 유형의 사람이 갖는 편향을 살펴봅니다. 그런 다음 편향을 식별하고 그 영향을 평가할 수 있는 전략을 제시합니다. 무엇이 보이나요? 바나나 스티커 선반 위의 바나나 노란색 바나나 노란색은 가장 일반적인 바나나 색상 녹색 바나나 덜익은 바나나 너무 익은 바나나 바나나 빵에 적합 공정성을 위한 설계 문제 살펴보기 전문가에게 문의 모델이 편향을 고려하도록 학습시킴 결과 해석 맥락과 함께 게시 공정성: 편향의 유형 머신러닝 모델이라고 해서 본질적으로 객관적인 것은 ..

프로덕션 ML 시스템: 데이터 종속성 ML 개발자에게 있어 데이터는 기존 프로그래머에게 있어 코드만큼 중요합니다. 이 강의에서는 데이터에 관해 알아야 할 질문에 중점을 둡니다. 특성 관리 입력 데이터(특성)가 ML 시스템 행동을 결정합니다. 소프트웨어 라이브러리용 유닛 테스트는 작성하지만 데이터는 어떤가요? 입력 신호를 선택할 때는 주의해야 합니다. 어떤 소프트웨어 라이브러리에 종속될지 결정할 때보다 더 주의해야 할 수도 있습니다. 입력 데이터에 관해 물어야 할 질문 신뢰성 신호를 사용할 수 없으면 어떻게 되나요? 어떻게 알게 되나요? 버전 차별화 이 신호를 계산하는 시스템이 변경되기도 하나요? 얼마나 자주 변경되고 무슨 결과가 생기나요? 필요성 신호의 유용성이 신호를 포함하는 비용을 정당화하나요? 상관..

정적 추론과 동적 추론 비교 선택할 수 있는 추론 전략은 다음과 같이 두 가지가 있습니다. 오프라인 추론: MapReduce 등을 사용하여 가능한 모든 예측을 일괄적으로 생성합니다. 그런 다음 예측을 SSTable 또는 Bigtable에 기록하고 캐시/조회 테이블에 입력합니다. 온라인 추론: 서버를 사용하여 요청 시 예측합니다. ML 시스템 패러다임: 추론 오프라인 추론 MapReduce 등을 사용하여 가능한 모든 예측을 일괄적으로 생성합니다. 테이블에 기록한 후 캐시/조회 테이블에 입력합니다. 장점: 추론 비용을 크게 신경 쓸 필요가 없습니다. 장점: batch quota를 사용할 수 있습니다. 장점: 데이터 예측값을 푸시하기 전에 사후 검증이 가능합니다. 단점: 알고 있는 항목만 예측할 수 있으며 길..

정적 학습과 동적 학습 비교 개략적으로 모델을 학습시키는 방법에는 다음 두 가지가 있습니다. 정적 모델은 오프라인으로 학습됩니다. 즉, 모델을 한 번만 학습시키고 해당 모델을 일정 기간 사용합니다. 동적 모델은 온라인으로 학습됩니다. 즉, 데이터가 시스템에 계속 유입되며 지속적인 업데이트를 통해 해당 데이터를 모델에 통합합니다. ML 시스템 패러다임: 학습 정적 모델 -- 오프라인으로 학습 손쉬운 빌드 및 테스트 -- batch 학습 및 테스트, 만족스러울 때까지 반복 여전히 입력 모니터링 필요 노후화되기 쉬움 동적 모델 -- 온라인으로 학습 지속적으로 학습 데이터 공급, 정기적으로 업데이트된 버전 동기화 batch 학습 및 테스트가 아닌 점진적 검증 사용 모니터링, 모델 롤백 및 데이터 격리 기능 필요..

프로덕션 ML 시스템 머신러닝에는 단순한 ML 알고리즘 구현 외에 훨씬 더 많은 것이 포함되어 있습니다. 프로덕션 ML 시스템에는 많은 구성요소가 포함됩니다. 지금까지 이에 대해 살펴보았습니다. 하지만 ML 시스템의 나머지 부분은 어떤가요? 지금까지 머신러닝 단기집중과정에서는 ML 모델을 만드는 데 초점을 맞췄습니다. 하지만 다음 그림에서 알 수 있듯이, 이 모델은 실제 프로덕션 ML 시스템 생태계의 한 부분에 지나지 않습니다. 그림 1. 실제 프로덕션 ML 시스템 ML 코드는 실제 ML 프로덕션 시스템의 중심에 있지만 일반적으로 전체 ML 프로덕션 시스템 코드의 5%만을 나타냅니다. 오타가 아닙니다. ML 프로덕션 시스템은 입력 데이터에 많은 리소스를 투입하여 데이터를 수집 및 확인하고 데이터에서 특성..

임베딩 임베딩은 고차원 벡터의 변환을 통해 생성할 수 있는 상대적인 저차원 공간을 가리킵니다. 임베딩을 사용하면 단어를 나타내는 희소 벡터와 같이 커다란 입력값에 대해 머신러닝을 더 쉽게 수행할 수 있습니다. 임베딩이 잘 동작하는 경우 의미가 유사한 입력값들을 임베딩 공간 안에 서로 근접하게 위치시켜 입력값의 특정 의미를 포착합니다. 임베딩은 모델과 관계없이 학습과 재사용이 가능합니다. 협업 필터링에서 필요한 경우 입력: 사용자 500,000명이 선택한 영화 1,000,000편 작업: 사용자에게 영화 추천 이 문제를 해결하려면 어떤 영화가 서로 비슷한지 파악하는 방법이 필요합니다. 유사성별로 영화 정리(1차원) 유사성별로 영화 정리(2차원) 2차원 임베딩 d차원 임베딩 영화에 대한 사용자의 관심분야를 대..

다중 클래스 신경망 앞서 다음과 같이 가능한 두 항목 중 하나를 선택할 수 있는 이진 분류 모델을 알아보았습니다. 주어진 이메일이 스팸 또는 스팸이 아님 주어진 종양이 악성 또는 양성임 이 모듈에서는 여러 가능한 항목 중에서 선택할 수 있는 다중 클래스 분류를 살펴보겠습니다. 예: 이 개는 비글인가요, 바셋하운드인가요, 아니면 블러드하운드인가요? 이 꽃은 시베리안 아이리스인가요, 더치 아이리스인가요, 블루 플래그 아이리스인가요, 아니면 드워프 비어디드 아이리스인가요? 이 비행기는 보잉 747인가요, 에어버스 320인가요, 보잉 777인가요, 아니면 엠브라에르 190인가요? 이 이미지는 사과, 곰, 사탕, 개, 계란 중 무엇의 이미지인가요? 실제로 수백만 개의 클래스 중에서 선택해야 하는 다중 클래스 문제..