DL(Deep Learning)과
NDL(Non-Deep Learning)

CLICK AI의 AutoDL은 기존 딥러닝 기법의 한계를 보완한 자동화 기술입니다.

NDL

Non-Deep Learning


DL

Deep Learning


AutoDL

Automated Deep Learning

DL(Deep Learning)과
NDL(Non-Deep Learning)

CLICK AI의 AutoDL은 기존 딥러닝 기법의 한계를 보완한 자동화 기술입니다.

NDL

Non-Deep Learning

DL

Deep Learning

AutoDL

Automated Deep Learning

DL과 NDL, 그리고 AutoDL

AutoDL은 CLICK AI의 기반을 이루는 자동화 DL입니다. NDL보다 높은 정확성을 가지며 기존 DL의 한계를 보완하여 누구나 사용할 수 있도록 자동화하였습니다.

딥러닝 기법의

인공 신경망

각 산업 도메인마다 데이터 구조가 다른 만큼, 다양한 알고리즘과 초매개변수 값을 테스트하여 최적의 값을 탐색해야 합니다. 테스트가 많아질수록 더욱 정확한 모델을 구현할 수 있지만, 복잡한 연산으로 인해 높은 컴퓨팅 성능과 오랜 시간이 요구됩니다.
머신러닝을 수행하는 학습 기법 중 가장 주목받는 기법이 바로 딥러닝 기법입니다. 딥러닝은 사람의 신경망을 본뜬 인공 신경망 구조를 바탕으로 인공지능를 학습하는 방법입니다. 기존의 머신러닝 기법과 달리 고성능 GPU를 활용한 병렬 연산을 통해 더욱 신속하게 우수한 정확도의 결과물을 산출합니다.

DL과 NDL, 그리고 AutoDL

AutoDL은 CLICK AI의 기반을 이루는 자동화 DL입니다. NDL보다 높은 정확성을 가지며 기존 DL의 한계를 보완하여 누구나 사용할 수 있도록 자동화하였습니다.

딥러닝 기법의

인공 신경망

각 산업 도메인마다 데이터 구조가 다른 만큼, 다양한 알고리즘과 초매개변수 값을 테스트하여 최적의 값을 탐색해야 합니다. 테스트가 많아질수록 더욱 정확한 모델을 구현할 수 있지만, 복잡한 연산으로 인해 높은 컴퓨팅 성능과 오랜 시간이 요구됩니다.
머신러닝을 수행하는 학습 기법 중 가장 주목받는 기법이 바로 딥러닝 기법입니다. 딥러닝은 사람의 신경망을 본뜬 인공 신경망 구조를 바탕으로 인공지능를 학습하는 방법입니다. 기존의 머신러닝 기법과 달리 고성능 GPU를 활용한 병렬 연산을 통해 더욱 신속하게 우수한 정확도의 결과물을 산출합니다.

DL을 선택해야 하는 이유

DL(Deep Learning)기법은 데이터 학습 과정에서 규칙을 도출하고 도출된 규칙을 기반으로 최적화된 알고리즘을 생성합니다. 단순히 이상을 탐지하는 수준을 넘어, 어떠한 종류의 이상인지를 감지할 수 있는 성능을 보일 수 있습니다.

NDL

Non-Deep Learning

딥러닝 외의 머신러닝 기법은 인간이 이미 도출한 규칙을 기준으로 다양한 알고리즘을 시도하고 차선의 결과값을 도출해내는 방식으로 학습합니다. 데이터 과학적 전문성을 필요로 하는 경우가 많으며, 낮은 정확도로 인하여 활용 범위가 좁습니다.

입력값/출력값 + 수동 규칙 도출 필요

인간이 도출한 규칙 외에 새로운 규칙 발견 불가

데이터에 맞는 알고리즘 탐색 후 적용

오차 발생 가능성 높음

DL

Deep Learning

딥러닝 기법은 입력값과 결과값 사이의 규칙을 스스로 찾아내는 방식으로 학습합니다. 다른 학습 기법에 비해 월등히 높은 정확도를 보이지만, 다른 기법에 비해 학습을 위한 데이터가 대량으로 필요로 하고 고도의 데이터 과학적 전문성이 필요합니다.

입력값/출력값만으로 규칙 도출

인간이 도출하지 못한 새로운 규칙 도출 가능성

데이터에 최적화된 알고리즘 생성

높은 수준의 정확도

DL을 선택해야 하는 이유

DL(Deep Learning)기법은 데이터 학습 과정에서 규칙을 도출하고 도출된 규칙을 기반으로 최적화된 알고리즘을 생성합니다. 단순히 이상을 탐지하는 수준을 넘어, 어떠한 종류의 이상인지를 감지할 수 있는 성능을 보일 수 있습니다.

NDL

Non-Deep Learning

딥러닝 외의 머신러닝 기법은 인간이 이미 도출한 규칙을 기준으로 다양한 알고리즘을 시도하고 차선의 결과값을 도출해내는 방식으로 학습합니다. 데이터 과학적 전문성을 필요로 하는 경우가 많으며, 낮은 정확도로 인하여 활용 범위가 좁습니다.

입력값/출력값 + 수동 규칙 도출 필요

인간이 도출한 규칙 외에 새로운 규칙 발견 불가

데이터에 맞는 알고리즘 탐색 후 적용

오차 발생 가능성 높음

DL

Deep Learning

딥러닝 기법은 입력값과 결과값 사이의 규칙을 스스로 찾아내는 방식으로 학습합니다. 다른 학습 기법에 비해 월등히 높은 정확도를 보이지만, 다른 기법에 비해 학습을 위한 데이터가 대량으로 필요로 하고 고도의 데이터 과학적 전문성이 필요합니다.

입력값/출력값만으로 규칙 도출

인간이 도출하지 못한 새로운 규칙 도출 가능성

데이터에 최적화된 알고리즘 생성

높은 수준의 정확도

CLICK AI의 AutoDL

기존 DL의 한계를 보완하고 자동화된 AutoDL을 통해 더욱 정확하게 분석하고, 더욱 정확하게 예측하며, 더욱 신속하게 의사결정할 수 있습니다.

사전 훈련 모델

(Pre-trained Model)

사전 훈련된 모델을 활용하여 인공지능 학습 시간 단축 


개발 소요시간

최소 1분

* 25MB 파일 기준

퓨샷 러닝

(Few-shot Learning)

소량의 데이터만으로도 높은 정확도의 인공지능 학습


필요한 최소 데이터

최소 100개

CLICK AI의 AutoDL

기존 DL의 한계를 보완하고 자동화된 AutoDL을 통해 더욱 정확하게 분석하고, 더욱 정확하게 예측하며, 더욱 신속하게 의사결정할 수 있습니다.

사전 훈련 모델

(Pre-trained Model)

사전 훈련된 모델을 활용하여 인공지능 학습 시간 단축 


개발 소요시간

최소 1분

* 25MB 파일 기준

퓨샷 러닝

(Few-shot Learning)

소량의 데이터만으로도 높은 정확도의 인공지능 학습


필요한 최소 데이터

최소 100개