생성형 AI 용어집

• 애플리케이션 기본 사용자 인증 정보 (ADC)

  • 애플리케이션 기본 사용자 인증 정보 (ADC)는 Google API 호출에 사용할 승인 사용자 인증 정보를 간단하게 가져오는 방법을 제공합니다. 애플리케이션 기본 사용자 인증 정보는 호출에서 애플리케이션의 ID와 승인 수준이 사용자에 관계없이 동일해야 하는 경우에 가장 적합합니다. 이 방법은 특히 Google App Engine (GAE) 또는 Compute Engine 가상 머신에 배포되는 애플리케이션을 빌드하는 경우에 권장되는 Google Cloud API 호출 승인 방법입니다. 자세한 내용은 애플리케이션 기본 사용자 인증 정보의 작동 방식을 참고하세요.

• 인공지능 (AI)

  • 인공지능 (AI)은 지능적으로 보이는 기계의 연구 및 설계입니다. 즉, 기계적 움직임, 추론, 문제 해결과 같은 인간의 지적 기능을 모방하는 기계를 말합니다. AI의 가장 인기 있는 하위 분야 중 하나는 머신러닝으로, 통계 및 데이터 기반 접근 방식을 사용하여 AI를 만듭니다. 하지만 일부 사용자는 이 두 용어를 같은 의미로 사용합니다.

• 증강 현실 (AR)

  • 휴대전화와 같은 디스플레이를 통해 또는 안경과 같은 광학 장치를 통해 보이는 세상에 오버레이하는 등 렌더링된 디지털 콘텐츠를 실제 콘텐츠와 혼합합니다. 디지털 콘텐츠가 실제 세계의 일부인 것처럼 보이도록 하려면 장면이 렌더링되는 방식에 따라 카메라 또는 안경의 움직임을 추적해야 합니다.

• 자동 음성 인식 (ASR,음성 텍스트 변환)

  • 음성 언어 (음성)를 텍스트로 자동 스크립트로 작성합니다.

• 인증

  • 보안 시스템에 대한 액세스 권한을 얻기 위해 클라이언트(사용자 또는 다른 프로세스일 수 있음)의 ID를 확인하는 프로세스입니다. ID가 입증된 클라이언트는 인증되었다고 합니다. 자세한 내용은 Google 인증 방법을 참조하세요.

• AutoML

  • 블랙박스 최적화를 통해 '학습하는 법을 학습'하는 머신러닝 알고리즘입니다. 자세한 내용은 ML 용어집을 참고하세요.

• 대조군

  • 다른 모델 (일반적으로 더 복잡한 모델)의 성능을 비교하는 데 참조 지점으로 사용되는 모델입니다. 예를 들어 로지스틱 회귀 모델은 심층 모델의 좋은 기준이 될 수 있습니다. 특정 문제의 경우 기준선은 모델 개발자가 새 모델이 유용하려면 새 모델이 달성해야 하는 최소 예상 성능을 수치화하는 데 도움이 됩니다. 자세한 내용은 기준 및 타겟 데이터 세트를 참고하세요.

• 배치

  • 한 번의 학습 반복에 사용되는 예시 집합입니다. 배치 크기에 따라 배치의 예 수가 결정됩니다.

• 배치 크기

  • 배치의 예 수입니다. 예를 들어 SGD의 배치 크기는 1이지만 미니 배치의 배치 크기는 일반적으로 10~1,000입니다. 학습 및 추론 중에 배치 크기는 일반적으로 고정되지만, TensorFlow는 동적 배치 크기를 허용합니다.

• 편향

  • 1. 특정 사물, 인물 또는 그룹에 대한 정형화, 편견 또는 편애를 말합니다. 이러한 편향은 데이터의 수집과 해석 가능성, 시스템 설계, 사용자가 시스템과 상호작용하는 방식 등에 영향을 줍니다. 2. 샘플링 또는 보고 절차로 인해 발생하는 계통 오차입니다.

• 양방향

  • 텍스트의 대상 섹션 앞뒤에 있는 텍스트를 모두 평가하는 시스템을 설명하는 데 사용되는 용어입니다. 반면 단방향 시스템은 대상 텍스트 섹션 앞에 있는 텍스트만 평가합니다.

• Bidirectional Encoder Representations from Transformers (BERT)

  • BERT는 언어 표현을 사전 학습하는 방법입니다. 즉, 대규모 텍스트 코퍼스 (예: 위키피디아)에서 범용 언어 이해 모델을 학습한 다음, 해당 모델을 중요한 하류 NLP 작업 (예: 질문에 답변)에 사용합니다. BERT는 NLP 사전 학습을 위한 최초의 비감독적 깊이 양방향 시스템이므로 이전 방법보다 우수합니다.

• Bilingual Evaluation Understudy (BLEU)

  • 기계 번역 알고리즘의 출력을 하나 이상의 사람의 번역과 비교하여 알고리즘의 품질을 평가하는 데 널리 사용되는 측정항목입니다.

• 경계 상자

  • 동영상 프레임의 객체에 대한 경계 상자는 두 가지 방식으로 지정될 수 있습니다. (i) x,y 좌표 조합으로 구성된 두 개의 꼭짓점을 사용합니다. 두 점은 직사각형의 대각선 반대 점이어야 합니다. (예: x_relative_min, y_relative_min, x_relative_max, y_relative_max). (ii) 4개 꼭짓점을 모두 사용합니다. 자세한 내용은 동영상 데이터 준비를 참조하세요.

• 채팅

  • ML 시스템(일반적으로 대규모 언어 모델)과의 대화 내용입니다. 채팅의 이전 상호작용 (내가 입력한 내용과 대규모 언어 모델이 응답한 방식)은 채팅의 후속 부분에 대한 컨텍스트가 됩니다. 챗봇은 대규모 언어 모델의 애플리케이션입니다.

• checkpoint

  • 학습 중 또는 학습이 완료된 후 모델의 매개변수 상태를 캡처하는 데이터입니다. 예를 들어 학습 중에 다음 작업을 할 수 있습니다. 1. 의도적으로 또는 특정 오류의 결과로 학습을 중지합니다. 2. 체크포인트를 캡처합니다. 3. 나중에 다른 하드웨어에서 체크포인트를 다시 로드합니다. 4. 학습을 다시 시작합니다. Gemini 내에서 체크포인트는 특정 데이터 세트에서 학습된 Gemini 모델의 특정 버전을 나타냅니다.

• 분류 모델

  • 예측이 클래스인 모델입니다. 예를 들어 다음은 모두 분류 모델입니다. 입력 문장의 언어 (프랑스어? 스페인어? 이탈리아어)를 사용하고 계신가요? 나무 종 (단풍나무? 오크? 바오밥?). 특정 질병의 양성 또는 음성 클래스를 예측하는 모델입니다.

• Cloud TPU

  • Google Cloud에서 머신러닝 워크로드 속도를 높이도록 설계된 특수 하드웨어 가속기입니다.

• 컨텍스트 창

  • 모델이 특정 프롬프트에서 처리할 수 있는 토큰 수입니다. 컨텍스트 윈도우가 클수록 모델은 더 많은 정보를 사용하여 프롬프트에 일관되고 일관된 응답을 제공할 수 있습니다.

• 데이터 분석

  • 데이터 분석이란 샘플, 측정치, 시각화를 고려하여 데이터를 이해하는 작업입니다. 데이터 분석은 첫 번째 모델을 빌드하기 전에 데이터 세트를 처음 받은 직후에 특히 유용합니다. 또한 실험을 이해하고 시스템의 문제를 디버깅하는 데에도 중요합니다.

• 데이터 증강

  • 기존 예를 변형하여 추가적인 예를 생성함으로써 학습용 예의 범위와 수를 인위적으로 늘립니다. 예를 들어 이미지가 특성 중 하나이지만, 모델에서 유용한 연결을 학습하는 데 충분한 이미지 예가 데이터 세트에 포함되어 있지 않다고 가정합니다. 모델에서 적절히 학습할 수 있도록 데이터 세트에 라벨이 지정된 충분한 이미지를 추가하는 것이 좋습니다. 그렇게 할 수 없는 경우 데이터 증강을 통해 각 이미지를 회전, 확대, 반사하여 원본 그림의 다양한 변형을 생성할 수 있습니다. 그러면 충분한 수의 라벨이 지정된 데이터가 생성되어 효과적인 학습을 지원할 수 있습니다.

• DataFrame

  • 메모리에서 데이터 세트를 표현하는 데 널리 사용되는 pandas 데이터 유형입니다. DataFrame은 표나 스프레드시트와 비슷합니다. DataFrame의 각 열에는 이름 (헤더)이 있으며 각 행은 고유한 숫자로 식별됩니다.DataFrame의 각 열은 2D 배열처럼 구성되지만 각 열에 고유한 데이터 유형을 할당할 수 있다는 점이 다릅니다.

• 데이터 병렬 처리

  • 자세한 내용은 을 참조하세요.

• 데이터 세트

  • 데이터 세트는 구조화된 데이터 레코드 또는 구조화되지 않은 데이터 레코드의 모음으로 광범위하게 정의됩니다. 일반적으로 (그러나 이에 국한되지 않음) 다음 형식 중 하나로 구성된 원시 데이터 모음: 스프레드시트, CSV (쉼표로 구분된 값) 형식의 파일 자세한 내용은 데이터 세트 만들기를 참조하세요.

• 정답

  • 정답 데이터 세트와 같이 실제 세계에 대한 머신러닝의 정확도 확인을 나타내는 용어입니다.

• 손실 (비용)

  • 지도 학습 모델을 학습하는 동안 모델의 예측이 라벨에서 얼마나 벗어났는지 나타내는 척도입니다. 손실 함수는 손실을 계산합니다.

• model

  • 선행 학습 여부에 관계없이 모든 모델입니다. 일반적으로 입력 데이터를 처리하고 출력을 반환하는 모든 수학적 구성입니다. 달리 말해 모델은 시스템이 예측을 수행하는 데 필요한 매개변수 및 구조의 집합입니다.

• 파이프라인 작업

  • 파이프라인 작업 또는 파이프라인 실행은 Vertex AI API의 PipelineJob 리소스에 해당합니다. 입력-출력 종속 항목으로 상호 연결된 ML 태스크 집합으로 정의되는 ML 파이프라인 정의의 실행 인스턴스입니다.