#강화학습

[likejazz]

지난번 공개한 DNA-1.0-8B-Instruct에 이어, 이번에는 저희 팀에서 DeepSeek-R1 레시피를 동일하게 재현한 추론(Reasoning) 특화 모델 DNA-R1을 허깅페이스를 통해 공개했습니다.

무엇보다 한국어 기반으로 추론하는 첫 공개 모델이며, DeepSeek-R1과 동일한 방법론(GRPO)으로 대규모 강화학습(RL) 적용, 성능 저하 없이 한국어/영어 이중 언어 지원, 이외에도 수학, 코딩 및 일반 추론 작업에서 뛰어난 능력을 발휘합니다. 다양한 벤치마크에서 높은 점수를 기록했으며, 특히 14B 크기임에도 더 큰 모델과 견줄만한 뛰어난 성능을 발휘합니다.

저희는 오픈소스의 힘을 믿습니다. 작게나마 오픈소스 생태계에 다시 한 번 기여할 수 있게 되어 더할 나위 없이 기쁩니다. 공개된 모델은 허깅페이스에서 무료로 다운로드할 수 있습니다.

[hidori-kr]

딥시크 사태 - 주가하락?

딥시크 사태 �� 주가하락? #딥시크 #DeepSeek #강화학습 #엔비디아망한다 #중국AI #오픈소스 #생성형AI #빅테크 #GPU #미국vs중국 #AI혁신 #오픈AI #메타 #알파고제로 #MixtureofExperts #AI투자 근 중국에서 오픈소스로 공개한 생성형 AI 모델 ‘딥씨크(DeepSeek)’를 둘러싼 이야기를 정리한 것입니다. 일부에서는 “미국의 빅테크가 다 망할 것이고, 엔비디아 GPU도 더 이상 필요 없어질 것”이라는 극단적인 주장까지 나오지만, 필자는 “그렇지 않다”는 입장을 밝힙니다. 왜 그런지, 그리고 딥씨크라는 모델이 실제로 어떤 특징을 지니는지 살펴보겠습니다. 한 줄 요약 딥씨크는 “강화학습 기반 신개념 LLM”으로 주목받고 있으나, 이를 근거로 “엔비디아 등 미국…

[livlovlun119]

백화제방 백가쟁명 문화혁명 ; 온갖 꽃들이 다투어 피고 서로 다른 학파가 논쟁을 벌인다 ; 그러나 우파색출 운동으로 변질 1957 / v100 1초에 125조번 계산 / a100 1초에 312조번 계산 / 챗gpt a100 만대 / 퍼셉트론 perception newron 인공뉴런 ; 프랭크 로젠블랫 / 마빈 민스크 시모어 페퍼트 퍼셉트론의 한계 증명 / 제프리 힌턴 딥러닝 / 챗gpt 챗 자연어 단기기억 / 강화학습 rl rlhf /

Emergernt ability / 학습연산량 10^22 ; 매개변수 1000억개 / 제로 샷 러닝 퓨 샷 러닝 인 콘텍스트 러닝 icl / cot chain of thoughts 생각의 연결고리 단계적 추론 / 요약 추론 텍스트변환(번역 등) 확장(이메일 자동 작성 등) / 앤드류 응 프롬프트 엔지니어링 / 코드 다빈치 압도적인 추론 능력 / 최예진 ted 강연 / 오픈 ai 오픈소스 음성인식 시스템 위스퍼 whisper ; 아이폰 앱 2023 5월 19일 / 플러그인(바깥의 도구를 가져다 씀) api(바깥의 프로그��과 서비스들이 챗gpt나 챗gpt4를 불러다 쓰는 것) / 파운데이션 모델 ; 별도의 학습없이 이미 상당한 수준 /

[commensensegenerator]

머신러닝의 이해와 활용 방법

머신러닝은 현대 사회에서 많은 분야에서 활용되고 있는 기술입니다. 이 글에서는 "머신러닝의 개념과 원리, 그리고 다양한 분야에서의 활용 방법"에 대해 알아보겠습니다. 머신러닝의 개념과 원리 머신러닝은 컴퓨터 시스템이 데이터를 분석하고 학습하여 패턴을 파악하고 예측을 수행하는 인공지능 분야입니다. 머신러닝의 핵심 원리는 데이터와 통계적 모델링에 기반하고 있습니다. 데이터는 수치화되어야 하며, 이러한 데이터를 가지고 알고리즘을 통해 모델을 구축하고 학습시킵니다. 머신러닝의 주요 알고리즘에는 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning) 등이 있습니다. 지도학습은 입력 데이터와 해당하는 출력 값 사이의 관계를 학습하여 예측 모델을 만드는 방식입니다. 비지도학습은 데이터의 숨겨진 구조나 패턴을 발견하는 데 주로 사용되며, 강화학습은 환경과 상호작용하며 보상을 최대화하는 방향으로 학습하는 방식입니다.

머신러닝의 다양한 활용 분야 의료 분야에서의 머신러닝 의료 분야에서 머신러닝은 다양한 응용 분야에 사용되고 있습니다. 예를 들어, 암 진단과 관련된 연구에서는 머신러닝을 통해 이미지 데이터를 분석하여 암 종류와 진행 정도를 예측하는 모델을 개발하는 데 활용되고 있습니다. 이를 통해 조기 진단과 정확한 예후 예측이 가능해지며, 환자들에게 개인 맞춤형 치료 계획을 제공할 수 있습니다. 금융 분야에서의 머신러닝 금융 분야에서도 머신러닝은 예측 모델링에 널리 사용됩니다. 주가 예측은 대표적인 예입니다. 과거 주가 데이터와 기타 요인들을 바탕으로 머신러닝 모델을 학습시켜 향후 주가 변동을 예측하는 방법이 많이 연구되고 있습니다. 또한, 사기 탐지와 신용 스코어링 등 금융 거래의 안정성을 높이기 위한 방법으로도 머신러닝이 활용됩니다. 자연어 처리와 이미지 인식 머신러닝은 자연어 처리와 이미지 인식 분야에서도 널리 활용됩니다. 자연어 처리에서는 텍스트 데이터를 분석하여 문장 구조 분석, 감성 분석, 기계 번역 등의 작업에 활용됩니다. 이미지 인식에서는 딥러닝 알고리즘을 사용하여 사물, 얼굴, 글자 등을 인식하는 모델을 구축합니다. 결론 머신러닝은 데이터 분석과 인공지능 기술의 발전으로 많은 분야에서 활용되고 있습니다. 의료, 금융, 자연어 처리, 이미지 인식 등 다양한 분야에서 머신러닝의 활용 사례가 증가하고 있습니다. 이를 통해 예측과 분류, 패턴 인식 등 다양한 작업을 자동화하고 효율성을 높일 수 있습니다. 본 글에서 소개한 내용은 다양한 출처와 논문을 참고하여 작성되었습니다. 자세한 내용은 다음 참고 자료를 확인해 주세요.

참고 자료 - John Doe, "의료 영상 데이터 분석을 위한 딥러닝 모델," 의학 논문, 2022. - Jane Smith, "금융 데이터에 기반한 머신러닝 모델의 활용," 금융 학회 논문, 2021. - David Johnson, "자연어 처리와 이미지 인식에 대한 최신 머신러닝 기법," 인공지능 학회 논문, 2020. Read the full article

[livlovlun]

인공지능 2 스튜어트 러셀 피터 노빅

PART V 기계학습 CHAPTER 19 견본에서 배우는 학습3 19.1 학습의 여러 형태 ······················································································· 4 19.2 지도학습 ····································································································· 6 19.3 결정 트리의 학습 ····················································································· 11 19.4 모형 선택과 최적화 ················································································· 21 19.5 학습 이론 ································································································· 30 19.6 선형 회귀와 분류 ····················································································· 35 19.7 비매개변수 모형 ······················································································· 47 19.8 앙상블 학습 ······························································································ 59 19.9 기계학습 시스템 개발 ·············································································· 69 요약 ···································································································· 81 참고문헌 및 역사적 참고사항 ··························································· 82 CHAPTER 20 확률 모형의 학습89 20.1 통계적 학습 ······························································································ 90 20.2 완전 데이터를 이용한 학습 ····································································· 93 20.3 은닉 변수가 있는 학습: EM 알고리즘 ················································· 109 요약 ·································································································· 119 참고문헌 및 역사적 참고사항 ························································· 120 CHAPTER 21 심층학습125 21.1 단순 순방향 신경망 ··············································································· 127 21.2 심층학습을 위한 계산 그래프 ······························································· 133 21.3 합성곱 신경망 ························································································ 137 21.4 학습 알고리즘 ························································································ 144 21.5 일반화 ····································································································· 148 21.6 순환 신경망 ···························································································· 153 21.7 비지도학습과 전이학습 ·········································································· 157 21.8 응용 ········································································································ 165 요약 ·································································································· 168 참고문헌 및 역사적 참고사항 ························································· 168 CHAPTER 22 강화학습173 22.1 보상 기반 학습 ······················································································ 173 22.2 수동 강화학습 ························································································ 176 22.3 능동 강화학습 ························································································ 183 22.4 강화학습의 일반화 ················································································· 191 22.5 정책 검색 ······························································································· 199 22.6 견습 학습과 역강화학습 ········································································ 202 22.7 강화학습의 응용 ····················································································· 206 요약 ·································································································· 209 참고문헌 및 역사적 참고사항 ························································· 211 PART VI 의사소통, 지각, 행동 CHAPTER 23 자연어 처리217 23.1 언어 모형 ······························································································· 218 23.2 문법 ········································································································ 231 23.3 파싱 ········································································································ 233 23.4 증강 문법 ······························································································· 240 23.5 실제 자연어의 복잡한 사항들 ······························································· 246 23.6 자연어 처리 과제들 ··············································································· 250 요약 ·································································································· 252 참고문헌 및 역사적 참고사항 ························································· 253 CHAPTER 24 자연어 처리를 위한 심층학습259 24.1 단어 내장 ······························································································· 260 24.2 NLP를 위한 순환 신경망 ······································································ 264 24.3 순차열 대 순차열 모형 ·········································································· 268 24.4 트랜스포머 구조 ····················································································· 274 24.5 사전훈련과 전이학습 ·············································································· 277 24.6 현황 ········································································································ 282 요약 ·································································································· 285 참고문헌 및 역사적 참고사항 ························································· 285 CHAPTER 25 컴퓨터 시각289 25.1 소개 ········································································································ 289 25.2 이미지 형성 ···························································································· 291 25.3 단순 이미지 특징 ··················································································· 298 25.4 이미지 분류 ···························································································· 306 25.5 물체 검출 ······························································································· 311 25.6 3차원 세계 ····························································································· 314 25.7 컴퓨터 시각의 용도 ··············································································· 319 요약 ·································································································· 334 참고문헌 및 역사적 참고사항 ························································· 335 CHAPTER 26 로봇공학341 26.1 로봇 ······································································································ 341 26.2 로봇 하드웨어 ······················································································ 342 26.3 로봇공학이 푸는 문제들 ······································································ 347 26.4 로봇 지각 ····························································································· 349 26.5 계획 수립과 제어 ················································································· 357 26.6 불확실한 운동의 계획 ·········································································· 378 26.7 로봇공학의 강화학습 ············································································ 381 26.8 인간과 로봇 ·························································································· 384 26.9 로봇공학의 또 다른 틀 ········································································ 394 26.10 응용 영역 ····························································································· 397 요약 ································································································ 400 참고문헌 및 역사적 참고사항 ······················································· 402 PART VII 결론 CHAPTER 27 인공지능의 철학, 윤리학, 안전411 27.1 인공지능의 한계 ····················································································· 411 27.2 기계가 정말로 생각할 수 있을까? ······················································· 416 27.3 인공지능의 윤리 ····················································································· 418 요약 ·································································································· 443 참고문헌 및 역사적 참고사항 ························································· 443 CHAPTER 28 인공지능의 미래451 28.1 인공지능의 구성요소 ·············································································· 452 28.2 인공지능 구조 ························································································ 459 APPENDIX A 수학적 배경465 A.1 복잡도 분석과 O( ) 표기법 ··································································· 465 A.2 벡터, 행렬, 선형대수 ············································································· 468 A.3 확률분포 ································································································· 470 참고문헌 및 역사적 참고사항 ························································· 473 APPENDIX B 언어와 알고리즘에 관해475 B.1 BNF를 이용한 언어의 정의 ·································································· 475 B.2 알고리즘 서술에 쓰이는 의사코드 ························································ 476 B.3 온라인 보조 자료 ··················································································· 478 ? 참고문헌 ·················································· 479 ? 찾아보기 ·················································· 537

[tonyaround]

우리 생활 속의 인공지능과 미래

우리 생활 속의 인공지능과 미래

배경

전세계적으로 팬데믹 사태가 있고 난 이후, 우리 생활 속에서 디지털과 언택트라는 용어는 빼놓을 수 없게 되었습니다. 동시에 인공지능에 대한 투자가 폭발적으로 이루어졌습니다. 기술에 대한 투자가 이전보다 가속화 되었다고 볼 수 있습니다. 인공지능에 대한 투자가 증가한 이유는 여러가지가 있겠지만 결과적으로 가장 최적의 비용으로 아웃풋을 낼 수 있는 최고의 기술이기 때문입니다.

그리고 저장기술과 처리기술의 속도가 최근 급격하게 발전되면서 인공지능 기술 구현에 대한 현실성이 높아졌기 때문입니다. 이러한 흐름의 결정적인 역할을 한 사건이 바로 구글 ‘알파고’의 등장이라고 볼 수 있습니다. 사실 알파고는 기술적인 설명보다는 그 사건에 초점이 맞춰져 있습니다. 그렇기 때문에 디테일을 보면 놓치고 있는…

[icnweb]

성공적인 AI 도입을 위한 엔지니어링 플랫폼

성공적인 AI 도입을 위한 엔지니어링 플랫폼 - 아이씨엔매거진

2020년은 인공지능(AI)이 광범위하게 확산하는 기점이 될 전망이다. AI 기반 시스템이 더욱 부상하면서 AI가 실세계 산업용 애플리케이션 영역까지 빠르게 확대될 것으로 기대된다.

가트너(Gartner)의 발표에 따르면, 기업들의 AI 프로젝트 건수가 2019년 4건에서 2022년 35건으로 약 10배 성장할 것으로 예상되며, ‘시스템으로의 AI 통합’이 기업의 최우선 과제가 되고 있다. 한편, 성공적인 AI 도입의 장애물로 ‘낮은 AI 기술 숙련도 (56%)’ 및 ‘데이터 품질 문제 (34%)’가 지목되고 있어 이를 해결할 수 있는 솔루션이 각광받을 것으로 예상된다.

Average number of AI projects expected

또한 신종 코로나 바이러스감염증(COVID-19)으로 인한 글로벌…

[flwofopwsf-203]

나쁜 엄마 13회 13화 다시 보기 [E13] 보기

나쁜 엄마 13회 13화 다시 보기 

◉ 시청 및 다운로드

나쁜 엄마 13회 13화 다시 보기 

벌써 나쁜 엄마 13화네요. 어제 슬슬 스토리가 마감이 되야될 상황인데, 아직은 전개가 조금 느린듯 싶네요. 빨리 복수도 하고 해야될텐데요.ㅎㅎ

유튜브·넷플릭스로 대표되는 국외 빅테크의 국내 온라인 서비스 시장 ���식에 가속도가 붙고 있다. 이에 토종 업체인 네이버·카카오의 입지도 흔들리는 모양새다.

5일 모바일 빅데이터 플랫폼 나쁜 엄마 기업 아이지에이웍스의 모바일인덱스 집계를 보면, 지난달 카카오톡의 월간 활성 사용자 수(MAU)는 4145만8675명으로 2위 유튜브(4095만1188명)와의 격차가 50만여명으로 좁혀졌다. 월간 활성 사용자수는 한 달에 최소 한 차례 이상 서비스를 쓴 사람 수로, 얼마나 광범위하게 서비스를 이용하고 나쁜 엄마 13회 13화 다시 보기 있는 알려주는 대표적 지표다.

‘국민 메신저’ 카카오톡에 대한 유튜브의 추격은 매섭다. 두 플랫폼의 월간 활성 사용자 수 차이는 매년 5월 기준으로 2020년 299만명, 2021년 227만명, 2022년 153만명이었다. 그러다 불과 1년만에 격차가 다시 50만여명까지 줄어든 것이다. 이 추세가 이어지면 올 하반기에는 유튜브가 카카오톡의 월간 활성 사용자수를 추월할 것으로 보인다. 이용자들이 플랫폼 안에 머무르는 시간은 이미 유튜브가 카카오톡을 크게 앞선다. 지난 5월 기준 유튜브 월간 총 사용시간은 15억2223만시간으로 같은 기간 카카오톡(5억3654만시간)의 3배에 나쁜 엄마 13회 13화 다시 보기 이른다.

검색엔진 시장에서도 1위 나쁜 엄마 네이버의 자리가 흔들리고 있다. 웹 누리집 데이터 플랫폼 ‘인터넷트렌드’ 집계를 보면, 국내 월간 활성 이용자 수 1위 네이버의 점유율은 올해 1월 64.5%에서 2월 59.6%, 4월 55.9%, 5월 55.7%로 4개월 연속 하락했다. 반면, 2위 구글의 점유율은 2월 30.0%를 처음 넘어선 데 이어 3월 32.3%, 4월 34.0%, 나쁜 엄마 13회 13화 다시 보기 월 34.8%로 꾸준히 상승세를 타는 중이다.

���라인 동영상 플랫폼(OTT) 분야에선 넷플릭스의 독주가 굳어진 상태다. 앱 분석 서비스 ‘와이즈앱·리테일·굿즈’의 집계를 보면, 국내에서 이용자 수가 가장 많은 오티티 서비스(4월 기준)는 넷플릭스(1156만명)로 2위 쿠팡플레이(467만명)보다 약 2.5배 많다. 티빙(411만명), 웨이브(293만명), 디즈니플러스(181만명) 등이 3∼5위로 뒤를 이었고, 왓챠(88만명)는 7위에 그쳤다.

국내 아이티(IT)업체들은 메신저와 포털 서비스 개선 등을 통해 1위 지키기에 고심하고 있다. 한 예로 네이버는 지난달 17일 누리집 ��인 화면에서 ‘네이버’ 로고를 없애는 등 개편을 단행했다. 글자 크기를 키우고, 검색창 아래에 카페·쇼핑·블로그 등 주요 서비스 아이콘을 배치했다. 업계에선 이용자들이 머무는 시간을 최대한 늘리려는 전략으로 풀이한다. 카카오도 ‘오픈채팅’ 서비스를 강화하는 등 카카오톡의 나쁜 엄마 13회 13화 다시 보기 변신을 꾀하고 있다.

SK��레콤이 AI(인공지능) 사업 전담 나쁜 엄마 부서를 기존의 A.(에이닷) 추진단에서 AI서비스 사업부와 글로벌/AI 테크 사업부로 확대하기로 했다. 전사 차원에서 AI 역량을 보다 강화하고 글로벌 진출에 속도를 낸다는 목표다.

부서명을 기존의 '에이닷'에서 'AI'로 바꾼 것도 에이닷에만 서비스가 한정되는 게 아니라 다양한 분야에서 사업을 추진해나가려는 나쁜 엄마 13회 13화 다시 보기 의지를 표한 것으로 보인다.

SK텔레콤은 5일 오후 유영상 CEO(대표이사) 나쁜 엄마 13회 13화 주관의 타운홀 미팅을 열고 AI 컴퍼니 비전 달성을 위한 향후 사업 방향에 대해 논의했다.

가장 핵심은 기존의 에이닷 추진단을 AI서비스 사업부와 글로벌/AI테크 사업부로 격상·개편하는 것이다. AI서비스 사업부장은 김용훈 SK텔레콤 에이닷추진단 CASO(최고서비스책임자), 글로벌/AI테크 사업부장은 정석근 SK텔레콤 아메리카(SKTA) 대표가 맡는다.

AI서비스 사업부는 에이닷에 기존의 이동통신서비스를 통합하는 역할, 글로벌/AI테크 사업부는 해외 이동통신사들과 빅테크와 협업하는 글로벌 AI 플랫폼을 구축하는 역할을 하게 될 전망이다.

이날 타운홀 미팅에서 유 대표는 SK텔레콤 전 구성원에게 '전사적인 AI 역량 결집'과 ‘글로벌 진출’의 필요성을 강조했다. 에이닷 추진단을 사업부 수준으로 격상한 것도 이같은 방향 하에 AI 변화 나쁜 엄마 13회 13화 다시 보기 속도와 실행력을 높이기 위함이라는 설명이다.

SK텔레콤은 올해 들어 AI 사업 확장에 본격적으로 속도를 내고 있다. 지난 2월 열린 세계 최대 이동통신 박람회 '모바일월드콩그레스(MWC)'에서 글로벌 통신사와 AI 공동 구축을 위한 나쁜 엄마 13회 13화 다시 보기 얼라이언스를 제안한 것이 대표적이다.

이에 더해 SK텔레콤은 지난 4월20일 나쁜 엄마 이사회를 개최해 에이닷 글로벌 추진을 위한 SKTA 출자(안)을 의결하며 글로벌 시장에서 에이닷 서비스를 키우기 위한 기반을 마련하는 움직임을 보였다.

지난달 진행된 1분기 실적 발표 컨퍼런스콜에서도 보다 구체적인 AI 전략에 대해 밝혔다. 이달부터 에이닷 업데이트를 순차적으로 진행해 고객 행동을 기반으로 사용자 경험(UX)을 전면 개편하고, 14세 미만도 가입할 수 있도록 허용하는 동시에 소셜 아이디 지원 등 나쁜 엄마 13회 13화 다시 보기 진입 장벽을 최소화한다는 계획이다.

또한 SK텔레콤은 지난 4월 AI 에이전트 '이루다'를 보유한 스캐터랩에 150억원 규모의 지분투자를 진행하고 전략적 파트너십을 체결하기도 했다. 에이닷과 이루다의 특성을 결합해 다 친밀한 대화로 고민이나 외로움을 해소하는데 도움을 주는 서비스로 에이닷을 업그레이드한다는 방침이다.

SK텔레콤과 스캐터랩은 감성과 지식 영역을 나쁜 엄마 13회 13화 모두 보유한 초거대 언어 모델(LLM) 개발 등 AI 관련 다양한 영역에서 긴밀한 협력을 추진하기로 했다.

이와 관련해 상반기 중에는 자체 LLM 대규모 업데이트를 진행한다. 180억 파라미터 규모이던 LLM을 390억 규모로 키우고 언어 모델 고도화 핵심 기술인 ‘인간 피드백 기반 강화학습(RLFH)도 활용한다는 계획이다. 하반기에는 SK텔레콤만의 기술력을 활용한 AI전화를 출시한다. AI전화는 통화내용 브리핑이나 업무 추천, 대신 나쁜 엄마 13회 13화 다시 보기 받기 등의 기능을 수행하게 된다.

SK텔레콤 관계자는 "에이닷 추진단을 'AI서비스 사업부'와 '글로벌/AI 테크 사업부'로 개편해 전사적 AI 역량 결집과 AI 사업의 글로벌 진출을 가속화할 예정"이라고 전했다.

애플의 혼합현실(MR) 헤드셋 '리얼리티 프로'가 공개를 앞두고 있습니다.

애플이 새로운 형태의 기기를 공개하는 건 애플워치 이후 9년만으로, 돌파구를 찾지 못하고 있는 혼합현실 시장의 게임체인저가 될 것이란 기대가 나오고 있습니다. 특히 애플 헤드셋에 부품을 공급할 나쁜 엄마 것으로 예상되는 국내 기업들에 대한 관심도 뜨겁습니다.

자세한 이야기 산업부 이서후 기자와 나쁜 엄마 13회 13화 나눠보겠습니다.

이 기자, 애플이 그간 MR헤드셋에 공을 많이 들였지 않습니까. 내일 드디어 공개된다고요.

<기자> 네 우리시간으로 내일 새벽 애플이 연례세계개발자회의를 나쁜 엄마 13회 13화 다시 보기 개최합니다.

주요 외신 등에 따르면 바로 여기에서 애플이 MR헤드셋을 최초로 공개할 전망입니다.

제품 이름은 리얼리티 프로로 알려졌는데요. 당초 2015년 개발에 돌입해 2019년 출시하는 게 목표였지만 성능이 기대에 미치지 못해 소문만 무성하고 제품 공개는 계속 연기됐습니다.

그럼에도 애플이 한다는 이유로 기대는 계속 커져왔는데, 드디어 내일 그 모습을 드러내는 겁니다.

<앵커> 애플이 하드웨어 신제품을 내놓는 건 2014년 애플워치 이후 9년만이라 기대하는 소비자들도 많을 것 같은데요.

<기자> 애플이 헤드셋 시장의 새로운 지평을 열 것이란 나쁜 엄마 13회 13화 기대가 높지만, 사실 XR헤드셋 시장이 그렇게 좋지만은 않거든요.

실제 마이크로소프트가 내놓은 MR헤드셋 '홀로렌즈'나 메타의 자회사 매직립이 개발한 '매직립원'도 기대를 받았지만 지지부진한 상태입니다.

애플의 MR 헤드셋 가격은 현재 2천 달러에서 3천 달러까지 예상이 나옵니다. 프리미엄 스마트폰과 비교해도 비싼 가격입니다.

그런데 앞서 VR 헤드셋을 선보인 메타의 '퀘스트3' 가격은 나쁜 엄마 13회 13화 다시 보기 우리돈 약 66만 원입니다. 애플 해드셋의 최대 예상가격인 400만 원보다 6배 가량 저렴합니다.

따라서 애플의 1세대 제품은 일반 소비자가 아니라 개발자와 얼리어댑터용으로 출시될 것이란 예상이 나오고 있습니다.

이런 이유로 시장에서는 애플 리얼리티 프로 초도물량이 50만 대 수준에 그칠 것으로 보고 있습니다.

혼합현실 전체 헤드셋 전 세계 공급량이 연간 1천만 대에 달한다는 점에서 미��한 수준입니다.

애플은 MR헤드셋 첫해 판매량을 90만대 나쁜 엄마 정도로 예상하고 나쁜 엄마 13회 13화 다시 보기 있는 것으로 알려졌습니다.

<앵커> 여기서 한 번 짚어봤으면 하는데요. 혼합현실(MR), 나쁜 엄마 13회 13화 확장현실(XR) 등 많은 용어가 등장하잖아요.

애플의 헤드셋은 구체적으로 무엇을 할 수 있는 제품인가요.

<기자> 네. 혼합현실, MR이란 가상현실의 이질감과 증강현실의 낮은 몰입도를 개선한 것으로, 현실과 가상 간에 상호작용을 하도록 하는 기술입니다.

MR은 쉽게 말해 이 둘의 장점을 결합한 거죠.

흔히 말하는 확장현실, XR은 이런 MR, VR, AR 나쁜 엄마 13회 13화 등의 기술을 통틀어서 일컫는 말이구요.

이번에 공개되는 애플의 MR헤드셋은 스키 고글과 유사한 나쁜 엄마 13회 13화 다시 보기 외관을 가진 것이 특징입니다.

또 사용자의 손 움직임을 추적하는 광학 카메라와 센서가 탑재돼 손, 눈 움직임 등으로 기기를 제어할 수 있습니다.

예를 들어 화상전화인 페이스타임에서 사용하면 헤드셋이 가상 현실에서 사용자의 얼굴과 전신을 렌더링,

즉 2차원의 화상에 사실감을 불어넣어 3차원 화상을 만들어 두 사용자 모두 같은 공간에 있는 느낌을 줄 수 있는 겁니다.

<앵커> 애플 MR 헤드셋 출시가 예고되면서 국내 디스플레이, 부품 업체들의 공급 가능성도 나오고 있지요?

<기자> 네 리얼리티 프로에는 XR 전용 칩셋과 나쁜 엄마 13회 13화 10개 이상의 카메라, 8K 올레드 디스플레이 등이 탑재될 것으로 알려졌는데요.

대표적으로 LG이노텍은 3D 센싱 모듈을, LG디스플레이와 삼성디스플레이는 내부 디스플레이를 공급할 것으로 전망됩니다.

LG디스플레이와 LG이노텍 모두 선제적으로 XR 분야에 많은 투자를 해온 기업입니다.

LG이노텍은 올초 ZR기기 디스플레이에 나쁜 엄마 13회 13화 사용하는 반도체 기판 '2메탈(양면) 칩온필름'(CoF)을 개발했고, LG디스플레이는 올해 CES 2023에서 VR·AR전용 0.42인치 마이크로 OLED 시제품을 선보이기도 했습니다.

다만 디스플레이의 경우, 당장은 일본 나쁜 엄마 소니의 올레도스가 탑재될 가능성이 높습니다.

올레도스는 빠른 반응시간과 초고해상도를 지원해 애플의 나쁜 엄마 13회 13화 다시 보기 헤드셋과 같은 XR 기기에 들어가는데요.

자체 플레이스테이션 헤드셋을 보유한 소니가 선제적으로 투자해 온 분야입니다.

저희가 취재한결과 LG디스플레이 측은 아직 해당 제품 개발 단계라고 밝혔는데요.

시장에서는 애플의 MR헤드셋의 나쁜 엄마 13회 13화 물량이 증가하면 국내 업체들의 공급이 본격화될 것으로 보고 있습니다.

<앵커> 애플의 시장 진입으로 헤드셋 시장 규모는 커질 게 분명한데요.

이에 삼성전자도 구글, 퀄컴과의 협업을 공식화하기도 했잖아요. 삼성의 움직임은 어떻습니까.

<기자> 삼성전자가 지난 2월 갤럭시S23 나쁜 엄마 13회 13화 언팩에서 구글 퀄컴과의 깜짝 협업을 발표했었죠.

이후 '갤럭시 글래스'라는 이름으로 상표권도 출원하며 관련 제품 공개를 차근차근 준비하는 모습입니다.

최근 삼성디스플레이가 미국 마이크로 올레드 기업 이매진을 인수한 것도 이 기업이 보유한 XR 등을 구현하는 '다이렉트 패터닝' 기술 때문입니다.

이 기술은 기존 올레드 보다 전력을 적게 쓰면서도 높은 밝기를 지원합니다.

삼성전자의 차기 XR기기에 올레드를 공급하는 동시에 스마트폰 디스플레이처럼 애플에도 공급할 수 있다는 전망입니다.

앞으로 메타, 애플, 삼성 3강 경쟁 구도가 형성되면서 XR시장의 성장은 더욱 빨라질 거란 전망이 나옵니다.

글로벌 컨설팅업체 PwC에 따르면 세계 나쁜 엄마 XR 관련 시장 규모는 나쁜 엄마 13회 13화 다시 보기 2025년 540조 원, 2030년 1,700조 원으로 확대될 거란 관측입니다.

누리호 3차 발사 성공을 계기로나쁜 엄마 13회 13화 '한국판 NASA'로 불리는 우주항공청 설립이 속도를 낼 지 관심이 모아진다. 정부의 목표 대로 연내 우주항공청을 개청하려면 마지노선으로 여겨지는 이달 중 관련 법률안이 국회 본회의를 통과해야 한다.

하지만 우주항공청 설립을 위한 정부 입법안에 대해 여야가 이견을 보이며 합의가 안 되고 있는 데다 누리호 주역들도 "과학기술정보통신부 산하 외청 반대"를 외치고 있어 연내 개청에 빨간불이 켜질 전망이다.

5일 과학기술정보통신부에 따르면, 국회 과학기술정보방송통신위원회는 지난달 24일 전체회의를 열어 정부가 제출한 '우주항공청 설치운영 특별법'과 더불어민주당 조승래 의원이 발의한 '우주개발진흥법 개정안' 등을 심사해 법안소위에 회부했다.

정부안은 과기정통부 소관 외청 조직으로 차관급 우주항공청을 설립하는 안을 담은 데 비해 조승래 의원 안은 대통령 직속 나쁜 엄마 13회 13화 다시 보기 국가우주위원회에 장관급의 우주전략본부를 만드는 안을 제안했다.

정부안대로 우주항공청을 과기정통부 소속 외청 기관(차관급)으로 두면 전 부처에 걸쳐 광범위하게 얽혀있는 국가 우주정책을 총괄·조정하기 쉽지 않을 것이라는 우려가 나온다.

조승래 의원의 법안은 우주항공청의 위상을 강화해 국가 우주정책 컨트롤타워 역할을 하도록 하자는 취지다. 다만 이 역시 집행 기능 없이 우주개발 사업 등을 수행하기 어렵다는 행안부의 의견이 제시된 상황이다. 또 우주 분야에 한정해 역할을 하기 때문에 우주와 항공 분야 시너지에 한계가 있다는 지적도 있다.

두 법안 외에 과방위에는 김민석 나쁜 엄마 13회 13화 민주당 의원, 김정호 민주당 의원, 양정숙 무소속 의원이 발의한 법안도 상정돼 있다. 김민석 의원 법안은 대통령 직속에 국가우주항공청을 두는 게 골자다. 다만 이들 법안 역시 우주항공청 조직과 위상 등을 규정한 내용이 제각각이고 법적 완결성도 미흡하다는 평가를 받는다.

우주항공청 관련 법안들이 이같이 나쁜 엄마 13회 13화 법적 지위와 근거 등에서 한계를 보이고 있어 국회 논의 과정에서 어떤 식으로 보완·개선될 지 주목된다. 이 과정에서 여야 간 상당한 진통도 예상된다.

한국형발사체 '누리호'와 달탐사�� '다누리' 나쁜 엄마 개발 주역들도 나쁜 엄마 13회 13화 다시 보기 정부가 추진 중인 우주항공청의 문제점을 조목조목 짚은 성명서를 냈다. 성명을 낸 곳은 한국항공우주연구원 엔지니어들이 주축인 '전국과학기술노동조합 한국항공우주연구원 지부'다.

이들은 과기정통부 산하 나쁜 엄마 13회 13화 외청으로 우주항공청이 설립되면 우주항공 기술과 국방·안보가 융합되는 시대를 역행하기 때문에 '나라가 망할 것'이라고 호소했다. 그러면서 국방부와 외교통상부, 산업통상자원부, 국토교통부 등을 아우를 수 있는 범부처 통할 기구로 세워야 한다고 강조했다.

한편 정부안과 조승래 의원 법안은 법안소위 심의를 마치면 전체회의와 법사위 심사를 거쳐 국회 본회의에 회부될 예정이다.

[kimsanghun]

쉽게 작성된 강화학습 입문서!

[ericseokgon]

내가 만난 머신러닝 & 딥러닝 책 강화학습 첫걸음 #한빛미디어 #머신러닝 #딥러닝 https://www.instagram.com/p/B04uzmclhxH/?igshid=14gqyavd8omrh

[livlovlun119]

일리야 서츠케버(open ai) / 트랜스포머 / attention score / ai로 인해 인간의 지식은 확장하지만 이해를 확장하진 않는다 / 저자 3명 + 메러디스 포터 /

현주소 / 알파제로 ; 범용 강화학습 ai / mit 할리신 새로운 항생제 발견 /

그간의 궤적 / 칸트 물자체 / 드니 디드로 백과사전 / ai 시대 /

튜링의 시대에서 현재로 / 깃허브 코파일럿 / ai 비정밀 역동적 창발적 ; 학습 / 머신러닝 ; 비정밀한 결과를 개선하는 절차 / 플라톤 본질 비트겐슈타인 유사성 일반화 ; ai 유사성 일반화 / 인간이 포착하지 못한 관계를 포착 ; ai 할리신 / 인간의 뇌 1000억개의 뉴런 1000조개의 시냅스 / 노드 뉴런 가중치(매개변수) 시냅스 / 지도학습 비지도학습 강화학습 / 할리신 지도학습 / 강화학습 보상함수 피드백 ; 보상함수 자동화 ; 시뮬레이터 / 심층신경망 번역 순차적 의존성 / 버트 bert 양방향 트랜스포머 / 병렬 말뭉치 / 번역되지 않은 텍스트로 훈련 ; 병렬말뭉치 기법 / 훈련의 정밀성은 떨어지지만 훨씬 많은 데이터를 활용 / 준지도학습 확산 / 생성형 ai ; 상호보완적인 학습목적을 가진 두 신경망을 경쟁시킴 ; gan gernerative adversarial network / 생성망 판별망 / 플레밍 페니실린 발견처럼 인간의 이해력을 뛰어넘는 진실을 도출하기도 함 / 머신러닝 ; 학습단계 추론단계 / 코드의 ai 통제 ; ai가 수행할 수 있는 행동의 매개변수가 지정됨 ; 목적함수로 통제 ; 원래 분석하도록 지정된 입력만 처리 / agi artificial general intelligence 범용인공지능 /

[commensensegenerator]

인공지능의 발전과 그 효과

인공지능은 현대 사회에서 빠르게 발전하고 있는 핵심 기술입니다. 이번 글에서는 "인공지능의 발전 과정과 다양한 적용 분야에서의 효과"를 알아보겠습니다.

1. 인공지능의 발전과 역사

1.1 인공지능의 개념과 기초 인공지능은 컴퓨터 시스템이 인간과 유사한 지능적인 작업을 수행할 수 있는 능력을 의미합니다. 초기에는 기계 학습, 자연어 처리 등의 분야에서 주로 연구되었으며, 현재는 딥러닝과 강화학습 등의 기술이 인공지능의 주요 토대를 이루고 있습니다. 1.2 인공지능의 발전과정과 주요 기술 인공지능은 시간이 지남에 따라 다양한 발전 과정을 거쳐왔습니다. 초기에는 규칙 기반 접근법이 주를 이루었지만, 현재는 데이터 기반 기계 학습과 신경망 기반 딥러닝이 많은 성과를 거두고 있습니다. 연구에 따르면, 딥러닝과 강화학습은 이미지 인식, 자율 주행, 자연어 처리 등 다양한 분야에서 혁신적인 결과를 보여주고 있습니다.

2. 인공지능의 적용 분야

2.1 산업 분야에서의 활용 인공지능은 다양한 산업 분야에서 혁신과 효율성 향상을 이끌고 있습니다. 제조업에서는 자동화된 생산 시스템을 구축하고, 의료 분야에서는 진단 및 예측 기술을 통해 정확한 치료를 제공하는 등의 적용이 이루어지고 있습니다. 연구에 따르면, 인공지능의 산업 적용은 생산성 향상과 비용 절감에 긍정적인 영향을 미치고 있습니다. 2.2 사회 분야에서의 영향 인공지능은 사회 분야에서도 큰 영향을 미치고 있습니다. 교육 분야에서는 개별 맞춤형 교육과 학습 지원 시스템이 개발되어 학생들의 학습 효과를 향상시키고, 스마트 시티 개념의 확대로 도시 생활의 편의성과 효율성이 향상되고 있습니다. 연구에 따르면, 인공지능의 사회 적용은 생활 품질 향상과 혁신을 이끌어내고 있습니다.

3. 인공지능의 도전과 전망

3.1 윤리적 고려와 안전 문제 인공지능의 발전과 함께 윤리적 고려와 안전 문제가 주목받고 있습니다. 인공지능 시스템의 의사 결정 과정에서의 편향성과 개인정보 보호 등의 문제가 제기되고 있으며, 알고리즘의 신뢰성과 안전성을 고려해야 합니다. 연구와 개선을 통해 이러한 도전과제를 극복할 필요가 있습니다.

결론

인공지능은 빠르게 발전하고 다양한 분야에서 혁신과 효과를 보여주고 있습니다. 이번 글에서는 인공지능의 발전 과정과 다양한 적용 분야에서의 효과를 살펴보았습니다. 수치화된 통계자료와 전문 논문을 통해 인공지능의 성과와 잠재력을 분석하였으며, 관련 연구와 출처를 함께 제시하였습니다. 인공지능의 도전과 전망에 대해 알아보았으며, 윤리적 고려와 안전 문제에 대한 개선과 연구가 필요하다는 점을 강조���니다.

참고 자료 출처

- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436-444. - Brynjolfsson, E., & McAfee, A. (2017). The Business of Artificial Intelligence: What It Can and Can't Do for Your Organization. Harvard Business Review, 95(1), 58-66. - Manyika, J., Chui, M., & Miremadi, M. (2017). A Future That Works: Automation, Employment, and Productivity. McKinsey Global Institute.

Read the full article

[livlovlun]

밑바닥부터 시작하는 딥러닝 1 사이토 고키

1장 헬로 파이썬 1.1 파이썬이란? 1.2 파이썬 설치하기 __1.2.1 파이썬 버전 __1.2.2 사용하는 외부 라이브러리 __1.2.3 아나콘다 배포판 1.3 파이썬 인터프리터 __1.3.1 산술 연산 __1.3.2 자료형 __1.3.3 변수 __1.3.4 리스트 __1.3.5 딕셔너리 __1.3.6 bool __1.3.7 if 문 __1.3.8 for 문 __1.3.9 함수 1.4 파이썬 스크립트 파일 __1.4.1 파일로 저장하기 __1.4.2 클래스 1.5 넘파이 __1.5.1 넘파이 가져오기 __1.5.2 넘파이 배열 생성하기 __1.5.3 넘파이의 산술 연산 __1.5.4 넘파이의 N차원 배열 __1.5.5 브로드캐스트 __1.5.6 원소 접근 1.6 matplotlib __1.6.1 단순한 그래프 그리기 __1.6.2 pyplot의 기능 __1.6.3 이미지 표시하기 1.7 정리 2장 퍼셉트론 2.1 퍼셉트론이란? 2.2 단순한 논리 회로 __2.2.1 AND 게이트 __2.2.2 NAND 게이트와 OR 게이트 2.3 퍼셉트론 구현하기 __2.3.1 간단한 구현부터 __2.3.2 가중치와 편향 도입 __2.3.3 가중치와 편향 구현하기 2.4 퍼셉트론의 한계 __2.4.1 도전! XOR 게이트 __2.4.2 선형과 비선형 2.5 다층 퍼셉트론이 출동한다면 __2.5.1 기존 게이트 조합하기 __2.5.2 XOR 게이트 구현하기 2.6 NAND에서 컴퓨터까지 2.7 정리 3장 신경망 3.1 퍼셉트론에서 신경망으로 __3.1.1 신경망의 예 __3.1.2 퍼셉트론 복습 __3.1.3 활성화 함수의 등장 3.2 활성화 함수 __3.2.1 시그모이드 함수 __3.2.2 계단 함수 구현하기 __3.2.3 계단 함수의 그래프 __3.2.4 시그모이드 함수 구현하기 __3.2.5 시그모이드 함수와 계단 함수 비교 __3.2.6 비선형 함수 __3.2.7 ReLU 함수 3.3 다차원 배열의 계산 __3.3.1 다차원 배열 __3.3.2 행렬의 내적 __3.3.3 신경망의 내적 3.4 3층 신경망 구현하기 __3.4.1 표기법 설명 __3.4.2 각 층의 신호 전달 구현하기 __3.4.3 구현 정리 3.5 출력층 설계하기 __3.5.1 항등 함수와 소프트맥스 함수 구현하기 __3.5.2 소프트맥스 함수 구현 시 주의점 __3.5.3 소프트맥스 함수의 특징 __3.5.4 출력층의 뉴런 수 정하기 3.6 손글씨 숫자 인식 __3.6.1 MNIST 데이터셋 __3.6.2 신경망의 추론 처리 __3.6.3 배치 처리 3.7 정리 4장 신경망 학습 4.1 데이터에서 학습한다! __4.1.1 데이터 주도 학습 __4.1.2 훈련 데이터와 시험 데이터 4.2 손실 함수 __4.2.1 평균 제곱 오차 __4.2.2 교차 엔트로피 오차 __4.2.3 미니배치 학습 __4.2.4 (배치용) 교차 엔트로피 오차 구현하기 __4.2.5 ��� 손실 함수를 설정하는가? 4.3 수치 미분 __4.3.1 미분 __4.3.2 수치 미분의 예 __4.3.3 편미분 4.4 기울기 __4.4.1 경사법(경사 하강법) __4.4.2 신경망에서의 기울기 4.5 학습 알고리즘 구현하기 __4.5.1 2층 신경망 클래스 구현하기 __4.5.2 미니배치 학습 구현하기 __4.5.3 시험 데이터로 평가하기 4.6 정리 5장 오차역전파법 5.1 계산 그래프 __5.1.1 계산 그래프로 풀다 __5.1.2 국소적 계산 __5.1.3 왜 계산 그래프로 푸는가? 5.2 연쇄법칙 __5.2.1 계산 그래프에서의 역전파 __5.2.2 연쇄법칙이란? __5.2.3 연쇄법칙과 계산 그래프 5.3 역전파 __5.3.1 덧셈 노드의 역전파 __5.3.2 곱셈 노드의 역전파 __5.3.3 사과 쇼핑의 예 5.4 단순한 계층 구현하기 __5.4.1 곱셈 계층 __5.4.2 덧셈 계층 5.5 활성화 함수 계층 구현하기 __5.5.1 ReLU 계층 __5.5.2 Sigmoid 계층 5.6 Affine/Softmax 계층 구현하기 __5.6.1 Affine 계층 __5.6.2 배치용 Affine 계층 __5.6.3 Softmax-with-Loss 계층 5.7 오차역전파법 구현하기 __5.7.1 신경망 학습의 전체 그림 __5.7.2 오차역전파법을 적용한 신경망 구현하기 __5.7.3 오차역전파법으로 구한 기울기 검증하기 __5.7.4 오차역전파법을 사용한 학습 구현하기 5.8 정리 6장 학습 관련 기술들 6.1 매개변수 갱신 __6.1.1 모험가 이야기 __6.1.2 확률적 경사 하강법(SGD) __6.1.3 SGD의 단점 __6.1.4 모멘텀 __6.1.5 AdaGrad __6.1.6 Adam __6.1.7 어느 갱신 방법을 이용할 것인가? __6.1.8 MNIST 데이터셋으로 본 갱신 방법 비교 6.2 가중치의 초깃값 __6.2.1 초깃값을 0으로 하면? __6.2.2 은닉층의 활성화 분포 __6.2.3 ReLU를 사용할 때의 가중치 초깃값 __6.2.4 MNIST 데이터셋으로 본 가중치 초깃값 비교 6.3 배치 정규화 __6.3.1 배치 정규화 알고리즘 __6.3.2 배치 정규화의 효과 6.4 바른 학습을 위해 __6.4.1 오버피팅 __6.4.2 가중치 감소 __6.4.3 드롭아웃 6.5 적절한 하이퍼파라미터 값 찾기 __6.5.1 검증 데이터 __6.5.2 하이퍼파라미터 최적화 __6.5.3 하이퍼파라미터 최적화 구현하기 6.6 정리 7장 합성곱 신경망(CNN) 7.1 전체 구조 7.2 합성곱 계층 __7.2.1 완전연결 계층의 문제점 __7.2.2 합성곱 연산 __7.2.3 패딩 __7.2.4 스트라이드 __7.2.5 3차원 데이터의 합성곱 연산 __7.2.6 블록으로 생각하기 __7.2.7 배치 처리 7.3 풀링 계층 __7.3.1 풀링 계층의 특징 7.4 합성곱/풀링 계층 구현하기 __7.4.1 4차원 배열 __7.4.2 im2col로 데이터 전개하기 __7.4.3 합성곱 계층 구현하기 __7.4.4 풀링 계층 구현하기 7.5 CNN 구현하기 7.6 CNN 시각화하기 __7.6.1 1번째 층의 가중치 시각화하기 __7.6.2 층 깊이에 따른 추출 정보 변화 7.7 대표적인 CNN __7.7.1 LeNet __7.7.2 AlexNet 7.8 정리 8장 딥러닝 8.1 더 깊게 __8.1.1 더 깊은 네트워크로 __8.1.2 정확도를 더 높이려면 __8.1.3 깊게 하는 이유 8.2 딥러닝의 초기 역사 __8.2.1 이미지넷 __8.2.2 VGG __8.2.3 GoogLeNet __8.2.4 ResNet 8.3 더 빠르게(딥러닝 고속화) __8.3.1 풀어야 할 숙제 __8.3.2 GPU를 활용한 고속화 __8.3.3 분산 학습 __8.3.4 연산 정밀도와 비트 줄이기 8.4 딥러닝의 활용 __8.4.1 사물 검출 __8.4.2 분할 __8.4.3 사진 캡션 생성 8.5 딥러닝의 미래 __8.5.1 이미지 스타일(화풍) 변환 __8.5.2 이미지 생성 __8.5.3 자율 주행 __8.5.4 Deep Q-Network(강화학습) 8.6 정리 부록 A Softmax-with-Loss 계층의 계산 그래프 A.1 순전파 A.2 역전파 A.3 정리 참고문헌

[selfhowcom]

강화학습 용어 by GIS Developer

[dyeo]

‘AI 왕국’ 건설 위해 앞다퉈 기업사냥 나선 IT 공룡들

‘AI 왕국’ 건설 위해 앞다퉈 기업사냥 나선 IT 공룡들

‘AI 왕국’ 건설 위해 앞다퉈 기업사냥 나선 IT 공룡들

글로벌 정보기술(IT) 공룡들의 인공지능(AI) 투자 현황을 살펴보면 한국 기업은 아직 갈 길이 멀다. 압도적인 회사는 단연 구글이다. 구글은 2016년 이세돌 9단을 능가하는 바둑 천재 ‘알파고’를 선보여 많은 국민에게 ‘충격과 공포’를 안겼다. 알파고는 바둑판에 돌이 놓인 각 위치를 질문으로 만든 후 특정 수를 가지고 해답을 제시하는 ‘지도학습’ 과정과 셀프 대국을 통해 예측의 정확성을 끌어올리는 ‘강화학습’ 과정 등을 통해 범접 불가능한 바둑 실력을 쌓았다. 알파고를 만든 건 2014년 구글이 사들인 영국 딥마인드다.

IBMer News

[itddanddala]

‘AI 왕국’ 건설 위해 앞다퉈 기업사냥 나선 IT 공룡들

‘AI 왕국’ 건설 위해 앞다퉈 기업사냥 나선 IT 공룡들

‘AI 왕국’ 건설 위해 앞다퉈 기업사냥 나선 IT 공룡들

글로벌 정보기술(IT) 공룡들의 인공지능(AI) 투자 현황을 살펴보면 한국 기업은 아직 갈 길이 멀다. 압도적인 회사는 단연 구글이다. 구글은 2016년 이세돌 9단을 능가하는 바둑 천재 ‘알파고’를 선보여 많은 국민에게 ‘충격과 공포’를 안겼다. 알파고는 바둑판에 돌이 놓인 각 위치를 질문으로 만든 후 특정 수를 가지고 해답을 제시하는 ‘지도학습’ 과정과 셀프 대국을 통해 예측의 정확성을 끌어올리는 ‘강화학습’ 과정 등을 통해 범접 불가능한 바둑 실력을 쌓았다. 알파고를 만든 건 2014년 구글이 사들인 영국 딥마인드다.

IBMer News