작성일 : 21-01-19 11:03
하연출판 , 설명가능한 인공지능(XAI) 기술 동향과 데이터 산업의 시장 전망
 글쓴이 : happy
조회 : 96  

제목설명가능한 인공지능(XAI) 기술동향 및 데이터 산업의 시장 전망

 

1장 설명 가능한 인공지능(XAI) 개요 및 기술 동향

 

1. 설명 가능한 인공지능(XAI) 기술 개요

1-1. XAI(eXplainable AI) 등장 배경과 개념

1-1-1. XAI 등장 배경

1-1-2. AI의 급속한 확산에 따른 부작용

(1) 인공지능의 불쾌한 골짜기(Uncanny Valley)

(2) 딥러닝의 블랙박스 미스터리

딥러닝의 진화

현재 인공지능이 지닌 문제점블랙박스의 미스터리

인공지능의 대표적 오류 사례

(3) 인공지능의 편향성(Bias) 문제

. AI의 의사결정 지원과 편향성(Bias)

데이터의 편향성(Bias)

데이터 편향 유형

인공지능의 편향성(Bias) 문제 해결 방안

(4) 데이터 경제 시대, AI 슈퍼파워의 등장과 시장 독점

데이터 경제(Data Economy) 시대

데이터 소유와 독점

1-1-3. 미래의 인공지능 알고리즘

(1) AI 부작용이나 위험성에 대한 해결 방안

(2) 미래 인공지능 알고리즘

1-1-4. XAI 개요

(1) XAI의 개념

(2) XAI의 필요성

1-2. AI 2.0 시대 XAI 기술 개요

1-2-1. AI 2.0 시대

1-2-2. 설명 가능한 인공지능의 작용 방식

(1) 기존 학습 모델 변형심층신경망에 설명 가능성 부여하기 다윈AI 생성 합성(Generative Synthesis) 기술

(2) DAPRA XAI 전략기본 설계부터 인간이 이해할 수 있는 구조로 신경망을 만드는 방식

심층설명학습(deep explanation)

해석 가능한 모델(interpretable models)

모델 귀납(model induction)

(3) 학습모델간 비교

2. XAI 기술 동향 및 개발 현황

2-1. XAI 프로세스 개요

2-1-1. XAI 프로세스

2-1-2. XAI의 접근 방법

2-2. XAI 개발을 위한 기술적 접근

2-2-1. 신경회로망 노드에 설명라벨 붙이기

2-2-2. 의사결정트리를 이용한 설명모델 만들기

2-2-3. 통계적 방법을 이용하여 설명모델 유추하기

2-3. XAI 기대효과 및 시사점

2-3-1. XAI 기대효과

(1) 경계 사례와 데이터 편향성을 탐지·제거함으로써 성능 향상

(2) 모델 정확성 및 성능 개선

(3) 신뢰성 확보

2-3-2. 시사점

3. 설명가능한 인공지능 알고리즘 및 XAI 개발 동향

3-1. 설명가능한 인공지능 알고리즘

3-1-1. 부분 의존 구성(Partial Dependence Plots, PDP)

3-1-2. 개별 조건 예측(Individual Conditional Expectations, ICE)

3-1-3. 민감도 분석(Sensitivity Analysis, SA)

3-1-4. 계층별 관련도 전파법(Layer-wise Relevance Propagation, LRP)

3-1-5. 일부 해석 모델(Local Interpretable Model-agnostic Explantion, LIME)

3-1-6. 첨가 요인 민감도(Sharply Additive Explanations, SHAP)

3-2. 활용 분야

3-2-1. 금융핀테크 분야 서비스

3-2-2. 의료헬스케어 분야 서비스

3-2-3. 자율주행 자동차

3-2-4. 제조

3-3. XAI 산업 동향 및 기술 개발 현황

3-3-1. XAI 기술 개발

(1) 미국 국방성 산하 방위고등연구계획국(DARPA)

(2) IBM

(3) 구글

(4) 페이스북(Facebook)

(5) 심머신(simMachines,Inc)

(6) 국내 XAI 연구

3-3-2. XAI 기술의 특허 동향

4. 주요 AI 알고리즘 트렌드

4-1. 제로샷 학습(zoro-shot learning)

4-1-1. 제로샷 학습(zoro-shot learning) 개념

4-1-2. 제로샷 학습(zoro-shot learning) 원리

4-1-3. 제로샷 방법론

4-2. 생성적 적대 신경망(Generative Adversarial Network)

4-2-1. GAN(Generative Adversarial Network) 개요 및 학습 방법

(1) GAN(Generative Adversarial Network, 적대적 생성 신경망개요 및 정의

. GAN 개요

. GAN 구조

① 학습데이터

② 생성자(generator) 네트워크

③ 판별자(discriminator) 네트워크

(2) 적대적 학습방법

4-2-2. GAN 응용 모델과 적용 사례

(1) CGAN(Conditional GAN)

(2) InfoGAN

(3) Laplacian GAN

(4) DCGAN(Deep Convolutional Generative Adversarial Networks)

(5) DiscoGAN

4-3. 강화학습(Reinforcement Learning)

4-3-1. 강화학습(Reinforcement Learning) 개요

(1) 강화학습(Reinforcement Learning)의 개요

. MDP(Markov Decision Process) 방식

. DQN(Deep Q-Network)

4-3-2. 강화학습(Reinforcement Learning)의 특징

4-4. 전이학습(transfer learning)

4-4-1. 전이학습(transfer learning) 개요

(1) 전이학습(Transfer learning) 개념

(2) 전이학습 특징

4-4-2. 전이학습 알고리즘

 

2장 데이터 경제 시대 미래 비즈니스 생태계를 위한 데이터 활용

1. 데이터 경제 시대 미래 비즈니스 생태계

1-1. 비대면 시대

1-1-1. 포스트 코로나 시대 디지털 전환

1-1-2. 비대면 시대인공지능(AI)과 데이터 아키텍처의 미래

(1) 인공지능(AI)과 비대면

(2) 비대면 시대인공지능(AI)과 데이터 아키텍처

1-2. 데이터 경제(data economics) 시대 데이터 역할

1-2-1. 데이터 경제 시대의 개요

1-2-2. 데이터 오너십(data ownership)

(1) 데이터 오너십(data ownership) 개요

(2) 데이터 소유권 문제

데이터 소유권 개념

데이터 소유권에 대한 기준

데이터 거래

2. 인공지능 시대 데이터 활용

2-1. 데이터 산업

2-1-1. 데이터옵스(DataOps)

(1) 데이터옵스(DataOps) 개념

(2) 데이터옵스(DataOps)의 아키텍처

(3) 데이터옵스의 운영 프로세스

2-1-2. AI옵스(AIOps)

(1) AIOps 개념

(2) AI옵스 활용

(3) AI옵스 시장 전망

2-2. 글로벌 데이터 시장과 각국의 정책 현황

2-2-1. 데이터 시장

2-2-2. 데이터 경제 정책 현황

(1) 미국

(2) 유럽연합(EU)

(3) 중국

(4) 일본

(5) 우리나라

 

참고문헌

 

 

그림목차

 

[그림 1] XAI의 필요성

[그림 2] 불쾌한 골짜기(Uncanny Valley)

[그림 3] 다양한 스케일링 방법 비교

[그림 4] 신경망 기본 모델(a)과 다중 목표 최적화를 위한 진화 알고리즘 프레임워크(b)

[그림 5] 심층신경망의 구조와 훈련

[그림 6] 블랙박스 문제 분류

[그림 7] A Brief History of Machine Learning Models Explainability(성능 vs 설명)

[그림 8] 기계학습의 오류 원인

[그림 9] 분산형 AI 플랫폼 비전

[그림 10] AI 편향을 줄이기 위한 엔지니어링 원칙

[그림 11] 미래 기술의 시너지

[그림 12] 글로벌 산업별 데이터 활용

[그림 13] 글로벌 데이터센터 시장 규모

[그림 14] 데이터 경제의 가치 창출 체계

[그림 15] AI 기반 의사결정(Decision Making)

[그림 16] 현재의 인공지능과 XAI

[그림 17] eXplainable AI시스템의 표현

[그림 18] XAI 개발 과제

[그림 19] 블랙박스(Black box)로 인해 설명력이 낮아진 인공지능

[그림 20] XAI의 모델 해석 성과

[그림 21] XAI 개발을 위한 기술적 접근

[그림 22] XAI 프레임 워크

[그림 23] 역합성곱 신경망 구조 예시

[그림 24] 반복적인 모델 설명

[그림 25] AND-OR 그래프를 이용한 이미지 분류

[그림 26] AI의 블랙박스(Black-Box)와 설명가능한 AI

[그림 27] XAI 프로그램의 구조

[그림 28] XAI의 접근 방법

[그림 29] 인공신경망의 설명가능한 노드에 대한 레이블 예시

[그림 30] XAI의 모니터링과 분석 과정

[그림 31] 정확성과 설명력의 트레이드오프(trade off)

[그림 32] 설명가능한 AI 모델의 분류

[그림 33] XAI 기술 및 전략

[그림 34] AI 설명 가능성의 세 단계

[그림 35] LIME 이미지 분류

[그림 36] XAI 프레임 워크

[그림 37] 딥러닝의 사물인식 과정에 XAI가 적용될 경우

[그림 38] XAI에 대한 개념과 접근방식

[그림 39] 머신러닝 예측 모델에 설명 가능성 부여

[그림 40] XAI 과제

[그림 41] 딥러닝의 복잡성

[그림 42] Industrie 4.0을 위한 XAI

[그림 43] 설명가능한 AI 설명- 2단계 접근 방식

[그림 44] DARPA의 설명가능 인공지능 개발 방향

[그림 45] 기업들이 AI 도입을 망설이는 이유(중복 응답 가능)

[그림 46] 더 효율적인 CNN, EfficientNet

[그림 47] 설명가능한 딥러닝 프레임워크

[그림 48] Facebook의 기계학습 시스템

[그림 49] Cognilytica AI Positioning Matrix+TM

[그림 50] 딥러닝을 활용한 물체 감지 구조

[그림 51] 설명가능한 AI기술의 분야·국가별 특허 동향

[그림 52] 제로샷 학습(zoro-shot learning)

[그림 53] 전이학습(Transfer learning) vs 제로샷 학습(zoro-shot learning)

[그림 54] 구글 신경망 기계번역 시스템의 구조

[그림 55] 임베딩 기반 방법을 사용한 제로샷 학습

[그림 56] 생성 모델 기반 방법을 사용한 제로샷 학습

[그림 57] GAN을 사용하여 속성 벡터에서 이미지 특징 얻기

[그림 58] generative model의 분류

[그림 59] Fake and real images

[그림 60] GAN의 개념도

[그림 61] GAN의 학습 방법

[그림 62] Generative Adversarial Network

[그림 63] Generative model

[그림 64] 판별자(discriminator) 네트워크

[그림 65] Adversarial Nets Framework

[그림 66] Generative Network

[그림 67] Discriminator Network

[그림 68] CGAN의 얼굴인식 과정

[그림 69] CGAN(Conditional GAN)

[그림 70] InfoGAN 및 Vanilla GAN의 아키텍처

[그림 71] InfoGAN Implementation

[그림 72] Laplacian GAN

[그림 73] DCGAN Architecture

[그림 74] 기존 GAN Architecture

[그림 75] DCGAN

[그림 76] 선택기 신경망과 생성기 신경망

[그림 77] DiscoGAN 사용 예시

[그림 78] 강화학습(Reinforcement learning)

[그림 79] 환경과 상호작용을 통한 강화학습 구조

[그림 80] 강화학습 프레임워크(Reinforcement Learning Framework)

[그림 81] 로봇에 적용된 DQN

[그림 82] q-learning

[그림 83] 마르코프 결정과정 문제(Markov Decision Process, MDP)

[그림 84] 딥마인드 DQN 구조

[그림 85] 미분 가능 신경컴퓨터의 아키텍처 구조

[그림 86] 강화와 처벌

[그림 87] 강화학습 시스템 구조

[그림 88] 전이학습(transfer learning)

[그림 89] 전통 기계학습과 전이학습의 비교

[그림 90] 패턴인식(pattern recognition) 프로세스

[그림 91] PathNet과 Stepwise Pathnet의 비교

[그림 92] ICT impact realtionships

[그림 93] 2019년 디지털 혁신 트렌드

[그림 94] 멀티 클라우드 아키텍처

[그림 95] 세계 인공지능 헬스케어 시장 규모 2016-2023

[그림 96] 인공지능의 핵심 영역

[그림 97] 인공지능(AI) 및 빅데이터

[그림 98] 데이터 경제의 가치창출 체계

[그림 99] 데이터 경제(Data Economy) Framework

[그림 100] 하루동안 생산되는 데이터 양

[그림 101] 블록체인과 데이터 경제

[그림 102] 데이터 경제 시스템

[그림 103] 마이데이터(My Data)의 소유자

[그림 104] 데이터 소유자

[그림 105] 데이터 소유권보안애플리케이션의 관계

[그림 106] 데이터 값 주기

[그림 107] 개인 데이터 생태계

[그림 108] 데이터 소유권 및 관리

[그림 109] 데이터 거래 절차

[그림 110] 데이터옵스(DataOps) 개요

[그림 111] 데이터옵스(DataOps) 아키텍처

[그림 112] 데이터옵스(DataOps) 라이프사이클

[그림 113] 데이터 옵스를 사용한 통합 접근 방식

[그림 114] 머신러닝과 DataOps 사례

[그림 115] AIOps 접근 방식

[그림 116] IT 운영 관리에 통찰력을 제공하는 AIOps 플랫폼

[그림 117] AI옵스 플랫폼 시각화

[그림 118] AI옵스 플랫폼의 논리적 구조

[그림 119] 국내 빅데이터 및 분석 시장 전망