수동 어노테이션의 한계를 극복하는 기술 4가지 -오토레이블링, 자기지도학습 등

수동 어노테이션의 한계를 극복하는 기술 4가지 -오토레이블링, 자기지도학습 등

수동 어노테이션의 한계를 극복하는 기술 4가지 -오토레이블링, 자기지도학습 등 수동 데이터 어노테이션의 한계를 극복하는 다양한 AI 기술이 제안되었습니다. 4가지 주요 기술의 개념과 장점을 소개합니다. 사람이 직접 하는 어노테이션은 많은 시간과 비용이 소요됩니다. 예를 들어, 대규모 이미지 인식 경진대회인 ILSVRC에 활용되는 ImageNet 데이터 구축의 경우 크라우드 소싱을 통해 약 4만9천여 명이 4년에 걸쳐 1400만 장의 이미지에 어노테이션 작업을 수행했죠. 의료...
Federated Learning: Concepts and Applications 

Federated Learning: Concepts and Applications 

Federated Learning: Concepts and Applications  AI machine learning relies on vast amounts of data. To achieve this, you start by gathering substantial data in a central server, and then you train the data using high-performance computing resources. The more data at...
인공지능이 여는 학술대회, 연합학습! – 개념, 적용 사례

인공지능이 여는 학술대회, 연합학습! – 개념, 적용 사례

인공지능이 여는 학술대회, 연합학습! – 개념, 적용 사례 AI 머신러닝[1]은 방대한 데이터를 통한 학습이 필수입니다. 이를 위해 먼저 중앙 서버에 방대한 데이터를 수집한 다음, 고성능 컴퓨팅 리소스를 사용하여 데이터를 학습시켜야 하죠. 더 많은 데이터를 활용할수록 더 효과적으로 학습할 수 있습니다. 그 결과 소비자에게 더 좋은 개인 맞춤형 서비스를 제공하거나 산업적 목적을 위한 더 정확한 예측을 할 수 있는 AI를 제공할 수 있습니다. 하지만 이와 동시에 개인정보 침해와...