PolyU | 인공지능 개념

📚 콘텐츠 요약

이 종합적인 과정은 대학원생과 전문가를 대상으로, 인공지능(AI)에 대한 엄격하면서도 접근성 높은 소개를 제공합니다. 역사적 기초와 최신 혁신 사이의 격차를 메우며, 상징적 AI와 탐색 알고리즘에서 시작해 현대적인 딥러닝과 생성형 AI로 이어집니다. 학생들은 지식 표현, 확률적 추론, 고전적 머신러닝 등 핵심 주제를 탐구한 후, 신경망, 트랜스포머, 대규모 언어 모델(LLM)에 깊이 들어갑니다. 이론과 실습을 강조하는 본 과정은 파이썬과 파이토치 같은 산업 표준 프레임워크를 활용하여 알고리즘 구현, 현대 API와의 상호작용, 그리고 AI 윤리 및 안전성 문제 해결에 초점을 맞춥니다.

전통적인 상징적 AI와 현대의 생성형 AI 사이의 간극을 메우는 이 과정은, 학생들에게 지능 시스템을 설계하고 구현하며 윤리적으로 평가할 수 있는 이론적 깊이와 실용적인 파이썬 역량을 제공합니다.

🎯 학습 목표

1. AI 기초 능력 습득: 휴리스틱 탐색, 논리 기반 추론, 확률 모델링 등을 분석하고 구현합니다.
2. 딥러닝 아키텍처 구현: 파이토치를 사용해 다층 퍼셉트론부터 컨볼루션 신경망, 트랜스포머에 이르기까지 고급 신경망을 설계하고 훈련합니다.
3. 생성형 AI 솔루션 배포: 대규모 언어 모델(LLM)을 활용해 응용 프로그램을 개발하며, 피팅 조정, 프롬프트 공학, 검색 보강 생성(RAG) 기법을 적용합니다.
4. 윤리적 AI 개발 보장: 편향, 안전성, 일치성 측면에서 AI 시스템을 비판적으로 평가하고, 현실 세계에서 설명 가능성과 강건성을 확보하기 위한 전략을 적용합니다.

🔹 수업 1: 인공지능의 역사와 기초

개요: 인공지능의 기원을 탐구하며, 터링 테스트, 다르머스 회의, 그리고 'AI 겨울'이라고 알려진 인공지능 발전의 순환적 성질을 다룹니다.

학습 결과:

• 1956년부터 현재까지 인공지능의 역사적 진화를 따라갑니다.
• 상징적 AI(GOFAI)와 연결주의 패러다임을 비교·대조합니다.
• 딥러닝 혁명과 최근의 생성형 기술 돌파구의 영향을 논의합니다.

🔹 수업 2: 탐색 전략: 무정보 및 정보 기반

개요: 탐색 알고리즘을 이용한 기본적인 문제 해결 에이전트 소개로, 맹목적 탐색과 휴리스틱 기반 접근 방식의 차이를 구분합니다.

학습 결과:

• 너비 우선 탐색(BFS), 깊이 우선 탐색(DFS), 균일 비용 탐색 등을 포함한 무정보 탐색 방법을 구현합니다.
• A* 및 그리디 최적 우선 탐색과 같은 휴리스틱 탐색 기법을 적용합니다.
• 다양한 탐색 전략의 복잡성과 최적성에 대해 분석합니다.

🔹 수업 3: 적대적 탐색과 제약 만족 문제

개요: 경쟁 환경(게임)에서의 의사결정과 제약 조건으로 정의된 문제 해결에 대한 심층 탐구입니다.

학습 결과:

• 게임 플레이를 위한 미니맥스 알고리즘과 알파-베타 가지치기를 마스터합니다.
• 알파고 등 고도화된 시스템에서 사용되는 몬테카를로 트리 탐색(MCTS)을 이해합니다.
• 백트래킹과 로컬 서치를 이용해 제약 만족 문제(CSP)를 해결합니다.

🔹 수업 4: 지식 표현과 추론

개요: 인공지능 시스템이 정보를 논리적으로 표현하고 추론을 수행하는 방식을 연구하며, 고전적 논리에서 현대적 지식 구조로의 전환을 다룹니다.

학습 결과:

• 명제논리와 일차 논리를 활용해 표현 및 추론을 수행합니다.
• 전통적인 전문가 시스템과 현대의 지식 그래프, 온톨로지 사이의 차이를 비교합니다.
• 논리와 신경망을 연결하는 뉴로-상징적 AI(Neuro-Symbolic AI)를 탐구합니다.

🔹 수업 5: 생성형 AI 시대의 불확실성

개요: 고전적 확률 계산을 넘어서 현대 인공지능에서 불확실성이 어떻게 작동하는지를 이해합니다. 이 수업에서는 왜 LLM이 환각을 일으키는지(그것이 결함이 아니라 특징임을), 어떻게 확산 모델이 순수한 노이즈에서 예술을 창출하는지, 그리고 자율 에이전트가 예측 불가능한 오픈 월드에서 어떻게 결정을 내리는지를 탐구합니다.

학습 결과:

• 베이즈에서 "감성"까지: 확신과 보정에 대한 직관적 이해를 얻으며, 복잡한 수학 없이도 "99% 확률"이 여전히 틀릴 수 있음을 배웁니다.
• 창의성의 원천: 확률 샘플링 메커니즘(온도, Top-P)이 생성형 AI의 창의성과 환각 현상을 유도하는 방식을 분석합니다.
• 에이전트의 의사결정: 불확실성 하에서의 의사결정 전략을 이해하며, 강화학습과 다중 에이전트 시스템에서의 '탐색 대 탐색' 딜레마에 집중합니다.

🔹 수업 6: 고전적 머신러닝

개요: 파이썬을 활용한 데이터 중심 알고리즘을 통해 감독 학습과 비감독 학습의 실용적인 소개입니다.

학습 결과:

• 의사결정 트리와 서포트 벡터 머신(SVM) 등의 감독 학습 모델을 구현합니다.
• K-means 군집화와 주성분 분석(PCA)과 같은 비감독 기법을 적용합니다.
• 사이킷런을 사용해 기본적인 데이터 분석 문제를 해결합니다.

🔹 수업 7: 신경망 기초

개요: 생물학적으로 영감을 받은 컴퓨팅으로의 전환을 다루며, 인공 신경망의 아키텍처와 학습 메커니즘을 살펴봅니다.

학습 결과:

• 인공 뉴런과 다층 퍼셉트론(MLP)의 구조를 설명합니다.
• 역전파 알고리즘과 다양한 활성화 함수(ReLU, GELU)를 숙지합니다.
• 파이토치를 사용해 기본 신경망을 구축합니다.

🔹 수업 8: 컴퓨터 비전과 컨볼루션 신경망

개요: 전용 딥러닝 아키텍처를 통해 시각 데이터를 처리하는 데 중점을 둡니다.

학습 결과:

• 컨볼루션 신경망(CNN)의 동작 원리를 이해합니다.
• 리스넷(ResNet)과 비전 트랜스포머(ViT)와 같은 고급 아키텍처를 분석합니다.
• 기초 이미지 분류 모델을 구현합니다.

🔹 수업 9: 시퀀스 모델링과 트랜스포머

개요: 순환 신경망에서 시작해 혁명적인 어텐션 메커니즘으로 이어지는 시퀀스 처리의 진화를 다룹니다.

학습 결과:

• RNN, LSTM, 트랜스포머 아키텍처 간의 차이를 구분합니다.
• "어텐션은 모든 것이 필요하다(Attention Is All You Need)" 논문과 자기 어텐션 메커니즘을 설명합니다.
• BERT와 GPT와 같은 모델에서 인코더와 디코더의 역할을 이해합니다.

🔹 수업 10: 대규모 언어 모델(LLM)

개요: 텍스트 생성과 모델 적응에 초점을 맞춘 최첨단 생성형 AI에 대한 심층 연구입니다.

학습 결과:

• 대규모 언어 모델의 사전 훈련 및 피팅 조정 주기를 설명합니다.
• 인간 피드백을 통한 강화학습(RLHF)을 탐구합니다.
• 프롬프트 공학과 매개변수 효율적 피팅 방법(PEFT/LoRA)을 실습합니다.

🔹 수업 11: 고급 생성형 AI 응용

개요: 텍스트를 넘어 검색 시스템과 생성형 미디어에 이르는 현대 API를 활용한 확장된 응용을 다룹니다.

학습 결과:

• 환각을 줄이기 위해 검색 보강 생성(RAG)을 구현합니다.
• 확산 모델(예: 스테이블 디퓨전)과 VAE의 수학적 원리를 이해합니다.
• 현대 AI API와 상호작용하여 생성형 애플리케이션을 개발합니다.

🔹 수업 12: 인공지능 윤리, 안전성, 일치성

개요: 인공지능의 사회적 영향에 대한 비판적 분석을 통해 책임성과 안전성 절차에 초점을 맞춥니다.

학습 결과:

• 인공지능 모델 내 편향의 원인을 식별하고 공정성을 보장합니다.
• 인공지능 안전성, 강건성, 일치성 문제를 논의합니다.
• 설명 가능성(XAI)을 평가하고, 대규모 언어 모델의 환각 현상에 대한 완화 전략을 검토합니다.