반응형 분류 전체보기226 [딥러닝 with Python] XAI란? (eXplainable AI / 설명가능한 인공지능) Explainable AI(XAI)는 복잡한 인공지능 모델의 의사결정 과정을 사람이 이해할 수 있도록 설명해주는 기술입니다. 이 포스팅에서는 XAI의 필요성부터 접근 방식, 최신 트렌드까지 전체 맥락을 정리해보고자 합니다. 1. 왜 Explainable AI가 필요한가?- AI에 대한 신뢰의 위기 * AI가 내리는 결정의 이유를 알 수 없다면 그 모델을 실무에 적용하기는 어렵습니다. * 특히 의료, 금용, 법률 등 고위험 분야에서는 설명가능성의 부재(absence of explanation)는 규제와 신뢰의 가장 큰 장벽이 됩니다. * 대표적인 신뢰 문제의 예시는 아래와 같습니다. 의료 진단 - 왜 다음과 같은 증상이 진단되었는지 이유를 알기 어려움 COMPAS 사례 - 2016년 미 법원 재범.. 2025. 6. 11. [딥러닝 with Python] 설명 가능한 시계열 이상탐지 방법론 정리 (Explainable Time Series Anomaly Detection Methods) 1. 왜 설명 가능한 시계열 이상 탐지가 필요할까?AI가 시계열에서 이상 지점을 탐지했다라고 했을때,왜 이 시점이 이상한가? 에 대한 질문에 답을 하지 못한다면 다음과 같은 문제들이 발생할 수 있습니다.- 의료: 심전도에서 이상을 잡았지만, 어떤 패턴이 문제인지를 설명하지 않으면 신뢰도가 떨어짐- 금융: 거래 데이터에서 이상패턴이 발견되어 거래가 차단되었는데, 그 이유를 설명하지 못하면 차단된 고객의 항의가 빗발치게 됨- 제조: 이상 경고는 떴지만, 어떤 센서의 어떤 변화가 문제였는지 알 수 없다면 대응이 늦어짐 이처럼 탐지만큼 중요한 것이 이에 대한 설명력이 되겠습니다. 그래서 최근 TSAD(Time Series Anomaly Detection / 시계열 이상 탐지) 연구들은 설명 가능한 이상 탐지(E.. 2025. 6. 10. [딥러닝 with Python] 시계열 이상 탐지(Time Series Anomaly Detection / TSAD) 1. 시계열 이상 탐지(Time Series Anomaly Detection / TSAD) 란?시계열 이상 탐지는 시간에 따라 수집된 연속적인 데이터 내에서 정상 패턴에서 벗어난 이상(anomaly)를 탐지하는 문제입니다. 이때 이상(anomaly)는 주로 다음과 같은 이유로 탐지가 됩니다. - 장비 고장 예측 - 금융 시가 탐지 - 네트워크 침입 탐지 - 의료 이상 징후 감지 이를 수식으로 표현해보면 다음과 같습니다. 주어진 시계여 데이터 X 는 이때, 각 시점 t에서 이상 점수(anomaly score) 인 s_t를 추정하고, 임계값이 theta를 넘어가면 이상으로 판단하게 됩니다. 2. 대표적인 TSAD 방법론1) One-Class 기반- 정상 데이터 만으로 학습하여 정상 분포를 벗어난 데이터를.. 2025. 6. 9. [딥러닝 with Python] 노트북에서도 가능한 AI! 로컬 언어 모델 Local LLM 1. 로컬 LLM이란로컬 LLM(Local Large Language Model)은 클라우드 서버가 아닌 개인 PC나 노트북에 직접 설치하여 실행할 수 있는 언어모델을 말합니다. Open AI의 ChatGPT, Google의 Gemini 등은 인터넷 접속이 필수이지만, 로컬 LLM은 네트워크 없이도 실행이 가능하여 개인정보 보호, 지연없는 응답, 비용 절감 등의 장점을 가지고 있습니다. 2. 로컬 LLM의 장점 로컬 LLM의 장점은 다음과 같이 5개 정도로 구분해볼 수 있습니다. 1) 프라이버시 보장: 서버로 데이터가 전송되지 않아 민감한 정보를 보호 가능2) 빠른 응답 속도: 인터넷 연결이 없으므로, 로컬 계산으로 반응 속도를 향상 시킬 수 있음3) 비용절감: API 요금 없이 완전 무료로 사용이.. 2025. 6. 8. 이전 1 2 3 4 5 6 7 8 ··· 57 다음 반응형
