목차

    

제1장 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
        가. 딥러닝의 진화
        나. 현재 인공지능이 지닌 문제점, 블랙박스의 미스터리
        다. 인공지능의 대표적 오류 사례
      (3) 인공지능의 편향성(Bias) 문제
        가. AI의 의사결정 지원과 편향성(Bias)
        나. 데이터의 편향성(Bias)
        다. 데이터 편향 유형
        라. 인공지능의 편향성(Bias) 문제 해결 방안
      (4) 데이터 경제 시대, AI 슈퍼파워의 등장과 시장 독점
        가. 데이터 경제(Data Economy) 시대
        나. 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 변형: 심층신경망에 설명 가능성 부여하기 다윈AI 생성 합성(Generative Synthesis) 기술
      (2) DAPRA XAI 전략, 기본 설계부터 인간이 이해할 수 있는 구조로 신경망을 만드는 방식
        가. 심층설명학습(deep explanation)
        나. 해석 가능한 모델(interpretable models)
        다. 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. 금융／핀테크 분야 서비스
    3-2-2. 의료／헬스케어 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 신경망) 개요 및 정의
        가. GAN 개요
        나. 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
        가. MDP(Markov Decision Process) 방식
        나. 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

제2장 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 시대, 인공지능(AI)과 데이터 아키텍처의 미래
      (1) 인공지능(AI)과 비대면
      (2) 비대면 시대, 인공지능(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
        가. 데이터 소유권 개념
        나. 데이터 소유권에 대한 기준
        다. 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+ㅆTM
[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 소유권, 보안, 애플리케이션의 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
[그림 120] 데이터 수집 체계
[그림 121] 영국의 데이터 포털 사이트
[그림 122] 데이터 활용을 둘러싼 일본 정책 추진 현황
[그림 123] 한국판 뉴딜의 구조와 추진체계

 

 

표목차

[표 1] 인공지능 개발의 진화와 설명 가능한 AI 워크플로우
[표 2] 다양한 편향 요인이 반영되는 인공지능과 현재 머신러닝의 워크플로우 구조
[표 3] 기계학습 시스템 및 XAI 개요
[표 4] 인공지능의 편향 사례 및 데이터 편향(Bias)
[표 5] 편향(Bias)의 5가지 종류 및 AI시스템의 편향성 발견을 위한 프로세스
[표 6] 데이터 경제를 주도하는 GAFA
[표 7] 다양한 분야에서의 인공지능 오류
[표 8] DARPA의 AI Next Campaign 연구 주제
[표 9] XAI 연구 방향 및 신뢰성 있는 인공지능을 위한 프레임워크
[표 10] XAI 개요 및 운용 체계
[표 11] XAI 개발을 위한 기술적 접근 및 주요 과제
[표 12] XAI 기반 기술 분류와 설명가능한 인공지능(XAI) 예시
[표 13] DARPA의 XAI 효율적 설명의 평가지표
[표 14] 알파고(AlphaGo)의 진화
[표 15] 설명가능한 인공지능 적용 사례 및 모델 성능과 해석 가능성
[표 16] 의료분야에서 XAI 적용
[표 17] AI 오픈스케일의 흐름 및 강점
[표 18] AI기술의 취약점
[표 19] 머신러닝의 학습 방법
[표 20] 전이학습(Transfer learning) 워크플로우 및 응용 분야
[표 21] 의료 빅데이터 활용 강화 분야
[표 22] 데이터 가치사슬
[표 23] 데이터 가치 창출 및 데이터 경제 활성화 기대 효과
[표 24] 해외 데이터 경제 동향
[표 25] 빅데이터 관련 중국 정부 정책 및 주요 내용 정리