#인공지능 집중 분석
컴퓨터시스템응용기술사에서 총 4번 출제되었습니다. 아래에서 이 키워드의 기출 출제 이력과 실제 풀이, 함께 출제된 연관 키워드를 확인하세요.
인공지능 관련 기출 · 풀이
인공지능 성능 관련 차원의 저주(Curse of Dimensionality)
차원의 저주는 고차원 공간에서 발생하는 데이터 희소성 문제로, 모델 성능 저하의 원인이 됨. 해결을 위해 차원 축소, 규제, 더 많은 데이터 확보 등의 방법론이 필요함.
전체 해설 보기인공지능 생태계에서 벤치마크 데이터셋의 개요와 주요 역할에 대하여 설명하시오.
인공지능 생태계에서 벤치마크 데이터셋은 모델의 성능을 객관적으로 평가하고 비교하기 위한 표준화된 데이터 모음입니다. 주요 역할은 모델 개발 및 개선 가이드, 연구 결과의 재현성 확보, 그리고 산업 전반의 기술 발전 촉진에 기여합니다. 데이터셋의 품질과 대표성은 인공지능 시스템의 신뢰성을 확보하는 데 중요한 요소입니다.
전체 해설 보기인공지능 학습에서 두 객체가 얼마나 유사한지를 나타내는 척도를 유사도(Similarity)라고 한다. 다음을 설명하시오. 가. 자카드 유사도(Jaccard Similarity) 나. 코사인 유사도(Cosine Similarity) 다. 실루엣 계수(Silhouette Coefficient)
본 답안은 인공지능 학습에서 객체 간 유사성을 측정하는 세 가지 척도인 자카드 유사도, 코사인 유사도, 실루엣 계수에 대해 설명합니다. 각 유사도의 정의, 특징, 활용 사례를 제시하고, 인공지능 모델 성능 평가 및 개선에 기여하는 방안을 모색합니다.
전체 해설 보기인공지능 시스템에서 활용되는 CPU, GPU, FPGA, ASIC을 설명하고, 처리 능력과 전력 소비 측면에서 비교하시오.
인공지능 시스템에서 사용되는 CPU, GPU, FPGA, ASIC은 각기 다른 특징을 가지며, 처리 능력과 전력 소비 측면에서 차이를 보인다. CPU는 범용적인 작업에 적합하며, GPU는 병렬 연산에 특화되어 딥러닝 학습에 주로 사용된다. FPGA는 유연성이 높아 다양한 하드웨어 가속에 활용되며, ASIC은 특정 목적에 최적화되어 최고 성능과 최저 전력 소비를 달성한다. 시스템 요구사항과 제약 조건을 고려하여 적절한 하드웨어 플랫폼을 선택하는 것이 중요하다.
전체 해설 보기연관 출제 키워드
인공지능와(과) 같은 회차·문항에서 함께 출제된 키워드입니다. 연계 학습 시 효율이 높습니다.