|
모달리티를 처리할 수 있는 대규모 멀티모달 모델(Large Multimodal Model, LMM)이 주목받고 있습니다. 본 자료에서는 LLM과 LMM의 특징과 구현 로직을 살펴보고, 두 모델의 차이점을 비교한 후, 이들과 딥러닝(Deep Learning)의 관계에 대해 논의하고자 합
|
|
|
인공지능의 역사
3. LLM(Large Language Model; 대규모 언어 모형)
4. LMM(Large Multimodal Model; 대규모 멀티모달 모형)
5. Deep Learning과의 관계
1) 딥러닝과 LLM의 관계
2) 딥러닝과 LMM의 관계
3) 결론
6. 본인의 의견
7. 참고문헌(APA 양식에 맞추어서 작성)
|
|
|
딥러닝이 인공지능 연구의 중심으로 떠오르면서, 컴퓨터 비전, 자연어 처리, 게임 이론 등 다양한 분야에서 혁신적인 발전이 이루어졌습니다. 특히, 이미지와 음성 인식 분야에서의 성공은 일상 생활 속 다양한 응용 프로그램으로 연결되었습
|
|
|
인공지능의 주요 활용 사례
7. 생성형 인공지능을 위해 활용될 수 있는 정보통신 기술
1) IoT(사물인터넷)
2) 보안 기술
3) 빅데이터(Big Data)
4) 클라우드 컴퓨팅(Cloud Computing)
5) 딥러닝(Deep Learning)
8. 나의 의견
Ⅲ. 결론
참고문헌
|
|
|
멀티모달 시스템이고, 둘째는 딥러닝 기술이다. 머신러닝이 사람의 개입으로 데이터를 학습하고 분석하는 것까지 가능했다면, 딥러닝은 한 차원 더 나아가 방대한 데이터를 스스로 분석하고, 처리하여 결과를 도출하도록 하는 것이다. 그리
|
|
 |
모델을 상용화하는 스타트업 혹은 연구소에서 주도적 역할을 하고자 합니다.
지금 준비 중인 멀티모달 데이터셋 구축, 평가 지표 개발 경험이 향후 연구와 산업 현장에서 큰 자산이 될 것입니다. 1. 대학 특별활동 사례
2. 리더십 활동 사
|
|
 |
모델 일반화, 오버피팅 방지, VC 차원 등 이론적 개념을 배우고 싶고, 딥러닝 구조 수업에서는 ResNet, Transformer, Diffusion 모델 등의 구조적 차이를 깊이 이해하고자 합니다. 이 두 과목을 통해 응용 기술뿐 아니라, 인공지능 원리를 근본적으로 이
|
|
 |
딥러닝 분야에서 가장 중요한 역량은 무엇인가요?
기본 개념과 수학적 이해, 데이터 처리 능력, 모델 설계 및 최적화 능력이 핵심입니다. 이론과 실습을 균형 있게 익히고, 문제 해결에 창의적으로 접근하는 자세도 중요합니다. 더불어 최신
|
|
 |
Learning with Human Feedback(RLHF) 방식으로 실제 사용자 피드백을 반영하는 방법이 필요하다고 생각합니다. 저는 이러한 문제에 대한 실험적 접근을 앞으로의 연구 주제로 삼고자 합니다. 2026 KT AI석사과정(LLM-sLM-멀티모달 LLM 기술개발) 자기소개
|
|
 |
딥러닝 프레임워크인 TensorFlow, PyTorch 등을 능숙하게 다룰 수 있도록 실습 중심의 학습을 이어갈 것입니다. 또한, 빅데이터 처리 기술과 클라우드 컴퓨팅 환경에서의 효율적인 데이터 분석 및 모델 배포 능력도 함께 키울 계획입니다.
비기술적
|
|
메뉴펼치기
