[AI - 900] 공부

 

인공지능 사관학교에서 제공한 좋은 기회로 AI 900 의 시험을 응시하게 되었다. 

 

감사합니다.

 

공부법은 전체적으로 1회독 정도 강의와 문제를 풀어본 결과

 

그렇게 어려운 느낌은 아닌것 같다. 정보처리기사 필기보다 쉬움

 

다만, 학습자료가 영어로 제공되어서 파파고의 힘을 빌리느라 귀찮음이 있다.

 

기본적인 AI 에 대한 내용 + Microsoft의 Azure  에 관한 내용 이다.

 

푸는 요령은 

 

문제에서 특정 키워드를 캐치해서 어떤 문제인지 파악 후

선택지에서 가장 적절한 정답을 고르는게 포인트라고 생각한다.

 

 

 

---

M1: Responsible AI

 

직역하면 '책임 있는 AI' 정도 되는데 

 

올바르게 Ai를 쓰자 이정도로 생각하면 될꺼같다.

 

 

키워드는 다음과 같다

 

- 책임 , 의무 (accountability)  -> 시스템의 결정을 인간이 수정한다. 
- 공평 (fairness) -> 성별  .. ex 대출 
- 포괄성(inclusiveness) -> 장애가 있는 경우 
- 사생활과 보안 (privacy and secruity) -> 고객, 사적인 정보 
- 신뢰성과 안전성(reliability and safety) -> 돌발상황, 비정상적 , 누락 .. 
- 투명성(transparency) -> 정보공개 , 정보기록recorded

 

 

 

---

M2: Machine Learning

 

다음은 기계학습 이다.

기계학습에는 다양한 지식이 있는데

 

키워드는 다음과 같다.

 

- 어떤 종류의 문제인지

회귀 : 숫자 - R2, RMSE, MAE , 
분류 : 라벨값? - true positive rate 
군집 : 비지도 라벨없이 가까운것끼리 군집  - 

 

- feature 와 label에 관한 문제

 

- Azure ML = 클라우드 기반  ML
Azure Machine Learning designer
Python, R 사용
시각적 캔버스 제공
드래그 앤 드롭

웹서비스 엑세스 : 인증키 , REST endpoint 
a compute resource -> 파이프라인 ->  테스트 -> 클라이언트 응용프로그램 서비스 게시 

The Azure portal : Create a Machine Learning workspace

 

 

회귀 분류 군집 문제를 구별 할 수 있는가? 

모델학습에 사용되는 X (feature)  값과 y (label) 값을 구별 할 수 있는가?

데이터를 나눠서 학습하고 테스트할떄 쓰는 이유를 아는지 등 

어디서 한번쯤 들어본 내용들과

 

MS 의 Azure ML 의 특징 문제들이다.

 

 

 

---

M3: Computer Vision

컴퓨터 비전 

 

이미지에 관한 문제이다.

 

 

키워드는 다음과 같다.

 

image classification : 이미지 분류 
object detection :  객체 탐지 -> 바운딩 박스
scene segmentation : 분할 -> 픽셀 
optical character recognition (OCR) : 광학 문자인식 -> 영수증 등 여러 언어로 인쇄된 텍스트 추출

Form Recognizer : 문서에서 텍스트, 키-값 쌍, 테이블 및 구조를 정확하게 추출

automatic captions ->사람이 읽을 수 있는 언어로 이미지 설명

  Computer Vision은 이미지를 분석하고 그 내용을 설명하는 문구를 사람이 읽을 수 있도록 생성할 수 있습니다. 

custom vision : -> 나만의 ~~ 
커스텀 비전으로 사용할 수 있는 서비스 유형으로는 Classification과 Object Detection이 있습니다.
Classification에서는 Multilabel 또는 Multiclass의 분류 유형을 선택하여 생성합니다.
Object Detection에서는 사용 가능한 도메인 중 하나를 선택합니다.

Facial recognition (얼굴인식) : identify celebrities

Azure Face Service

●Face detection(얼굴 인식) - Detect API는 이미지에서 사람의 얼굴을 감지하고 해당 위치의 직사각형 좌표를 반환합니다. 선택적으로 얼굴 감지는 머리 포즈, 성별, 나이, 감정, 수염 및 안경과 같은 일련의 얼굴 관련 속성을 추출할 수 있습니다.

●Face verification(얼굴 인증) - Verify API는 감지를 기반으로 하며 "이 두 이미지가 같은 사람입니까?"라는 질문을 해결합니다.
- 인증. 

●Face identification(얼굴 식별) - Identify API는 감지로 시작하여 "이 감지된 얼굴이 데이터베이스에 등록된 얼굴과 일치할 수 있습니까?"라는 질문에 답합니다.
- 여러 사람중에서 찾기 

●Find similar faces(비슷한 얼굴 찾기) - Similer API는 대상 얼굴과 후보 얼굴 세트 간의 얼굴 일치를 수행하여 대상 얼굴과 비슷하게 보이는 더 작은 얼굴 세트를 찾습니다. 이 작업은 이미지로 얼굴을 검색할 때 유용합니다.

facial analysis :  짜증? 감정? , 피드백 - 솔루션

Confidence은 정확한 이미지 분류의 확률을 계산한 것입니다.


간단하게 이야기 해본다면 

다음의 문제가 컴퓨터 비전 문제인지?
그렇다면 어떤 (세부적인) 컴퓨터 비전 문제인지?  를 구별하는 문제가 나온다

 

 

---

M4: Natural Language Processing

마지막으로 자연어 처리

이번엔 텍스트에 관한 기술과 챗봇에 관한 내용이다.

 

키워드는 다음과 같다.

 

entity recognition -> 실체 인정,  NER , 사람, 장소, 조직, 수량, 잘 알려진 엔티티
key phrase extraction -> 핵심 구문 추출,  중요한 개념을 식별합니다.
sentiment analysis -> 감정 분석, 긍정부정, 소셜 , 
translation -> 번역
Language Understanding (LUIS) -> 의도, 의미

음성 인식 , Speech-to-Text , 자막 , 캡션 

음성 합성 :  말소리의 음파를 기계가 자동으로 만들어 내는 기술로 TTS

 

 

봇 :  대화형 AI 워크로드 

QnA Maker : , PDF 및 URL과 같은 문서를 사용하여 작성할 수 있습니다. Add chit-chat ,  FAQ(자주 묻는 질문) 목록
->  Active Learning -> QnA Maker는 암시적/명시적 피드백을 사용하여 새로운 질문 변형 
- 기존 FAQ 문서 또는 웹 페이지에서 생성됩니다.
- 미리 정의된 잡담(chit-chat) 데이터 소스에서 가져옵니다.
- 수동으로 입력하고 편집합니다.

Azure Bot Service  : Azure에서 봇을 개발, 게시 및 관리하기위한 프레임 워크를 제공
텍스트 또는 음성을 통해 인간과 직접 상호 작용합니다.
코타나 , Microsoft Teams, 웹채팅 인터페이스를 사용하여 봇과 통신할 수 있습니다.

Language Service : .. 

 

 

 

주의 할 점으론 손글씨, 서명 등은 이미지이다. 즉 위의 컴퓨터 비전 문제로 생각해야한다.

 

 

---

 

[합격 후기]

 

 

시험은 컴퓨터로 진행하며 CBT 같은 느낌이였고 결과가 나와서 바로 폰으로 찍었다.

 

인터넷에 돌아다니는 연습문제와 유사하게 나왔고 

한국어 로 시험을 진행하였으며 생각보다 번역체는 아니고 조금 다듬어진 번역 느낌이였다.

 

 

그 후에 다음과같이 메일로 뱃지를 받으라는 메일이 오게된다.