기술기술

1. 소프트웨어 자재명세서 SBOM의 개념 환경 파악 및 의사결정을 빠르게 하기 위해 소프트웨어의 구성에 사용된 컴포넌트 관련 메타정보를 기록한 목록표 소프트웨어 패키지 및 구성 요소 등 고유하게 식별 가능한 메타데이터, 저작권 및 라이선스 등 소프트웨어 콘텐츠에 대한 정보를 포함하는 공식 명세서 2. 소프트웨어 자재명세서 SBOM 구성도 및 구성요소 가. SBOM 구성도 나. SBOM 구성요소 - 필선 공이버식의 타어라 구분 구성요소 설명 필수요소 공급자 이름 - 구성요소를 만들고 정의하고 식별하는 주체의 이름 컴포넌트 이름 - 최초 공급자에 의해 정의된 소프트웨어 단위의 명칭 컴포넌트 버전 - 이전 소프트웨어 버전의 변경을 명시하기 위한 식별자 고유 식별자 - 구성요소 식별 및 데이터베이스 조회 키 ..

1. 정의 모든 데이터가 하나로 연결되는 플랫폼 위에서 국민,기업,정부가 함께 새로운 가치를 창출하는 모델(정부) 2. 특징 및 주요내용 가. 특징 - 디디공이생 네방규글 민혁맞창 나. 주요내용 측면 내용 설명 정부 과학적 국정운영 - 인공지능·데이터분석을 통한 일 잘하는 정부 실현 - 全부처 데이터의 공유·연계·분석을 위한 공통기반 마련 - 데이터 분석을 통한 정책효과 정밀예측 등 국정운영의 과학화 실현 국민 선제적 맞춤형 서비스 - 알아서 챙겨주는, 국민이 편안한 서비스 제공 - 개별 사이트의 정보‧서비스를 연계‧통합해 - 국민은 하나의 사이트에서 모든 서비스 신청‧이용 기업 혁신 생태계 조성 - 민·관협업으로 기업이 다양한 혁신서비스 창출과 공공서비스‧데이터를 민간에 개방 - (기업)융합‧결합으로 ..

1. 정의 BPR(Business process reengineering) : one-time Chnage로, 비즈니스 프로세스를 근본적으로 재설계하여 비용, 품질, 시간을 개선하는 절차 PI(Process Innovation) : 지속적으로 전체 구성원 참여 독려하여, 고객중심 업무처리 방식으로 혁신하는 절차. 2. 절차 및 상세 비교 가. 절차 BPR 절차 - 비장대혁 경영전략 및 Vision 수립 프로세스 분류 및 장기 목표 설정 대상 프로세스 선정 및 현상파악 새 프로세스 설계 및 혁신수행 PI 절차 - 정목개점 프로젝트 정의 현수준 파악 및 업무 목표 설정 개선 항목 도출 점진적 프로세스 개선 나. 상세비교 - 목성방수빈위 비교 항목 BPR PI 목적 장기적인 경쟁력 향상 가속화 되는 변화에 신..

1. 정의 군집화, 차원축소 목적으로 2개의 층(입력층, 경쟁층)으로 구성된 인공신경망을 통해 사용자가 설정한 node 개수의 map에 데이터 mapping 하는 비지도 학습 알고리즘 차원축소(dimensionality reduction)와 군집화(clustering)를 동시 수행하는 머신러닝 비지도 학습기법 특징 : 승자독식 구조, 빠른 수행, 역전파 불가 2. 구성요소 및 과정 가. 개념도 및 구성요소 - 입노경가 나. 과정 - 초선유가반 - BMU(Best Matching Unit) : 가장 짧은 노드를 추적 - SOM은 역전파와 달리 단 하나의 전방패스 를 사용하여 수행 속도가 매우 빠르기에 실시간 학습처리를 할수 있는 모델 - SOM은 고차원의 데이터를 저차원의 지도 형태로 형상화 하기에 시각적..

1. 정의 특정 점을 기준으로 반경 x내에 n개 이상이 있을 경우, 하나의 군집으로 인식하는 밀도 기반의 무감독 알고리즘 [군집 인식 방식] Core point를 기준으로 epsilon(중심점으로부터의 거리) 내의 점의 수가 기준 이상 인 경우 2. 특장점 및 구성요소 가. 특장점 k-means처럼 미리 클러스터 수를 정하지 않아도 됨 밀도에 따라 클러스터 연결되므로 기하학적 모양의 군집도 발견 가능 Noise Point를 통해 이상치 검출 가능 나. 구성요소 - 엡클 코보컨노

1. 정의 n개의 데이터를 K개의 군집으로 분류하기 위해 K로부터의 거리 기반(유클리드 거리)으로 반복적 계산하는 비지도 학습 알고리즘 2. 절차 및 K-NN (K-Nearest Neighbor) , K-means 비교 가. 절차 - 최유레단N 나. K-최 근접 알고리즘(K-Nearest Neighbor) , K-평균 알고리즘(K-means) 비교

1. 정의 고객이 원하는 음성, 시각, 언어 등 데이터 전반을 수집해 인공지능 학습을 위한 고품질 데이터셋을 빠르게 구축하는 서비스 유형: 음성인식 라벨링(대화내용 받아 적기), 시각인식 라벨링(이미지, CCTV), 텍스트 라벨링(서적)

1. 정의 신규 데이터(fingerprint)의 군집 할당을 위해 기존 모든 데이터와 신규 데이터 거리를 측정하여 최고 인접 다수결에 의해 군집에 할당하는 감독 학습 알고리즘 2. 특징 및 동작원리 가. 특징 - 최유레단N 최고인접 다수결 : 기존 데이터 중 가장 유사한 k개의 데이터를 측정하여 분류 유사도(거리) 기반 : 유클리디안 거리, 마할라노비스 거리, 코사인 유사도 등 활용 Lazy Learning 기법 : 새로운 입력 값이 들어온 후 분류 시작 데이터 셋을 저장만 하고 일반화된 모델을 능동적으로 만들거나 하지는 않음 데이터가 들어온 후 분류 및 처리한다는 의미 단순 유연성 : 모형이 단순하며 파라미터의 가정이 거의 없음 NN(Nearest Neighbors) 개선 : KNN은 가장 근접한 k개..

1. 정의 데이터가 사상 된 공간에서 여백(Margin)을 최대화하고 일반화 능력을 극대화하여 결정 직선을 찾는 두 범주를 갖는 객체들을 분류(이진 분류, Binary classification) 하는 알고리즘 데이터 사상공간 경계선과 최근접 데이터(Support Vector)간 최대거리 경계 식별 알고리즘(MMH :Miximum Margin Hyperplane, 초평면) 활용 : 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석 비확률적 이진 선형 분류 모델 생성, 지지도 이용, 벡터 이용, 기계학습 2. 구성도 및 구성요소 가. 구성도 나. 구성요소 - 서마초커 - 주어진 많은 데이터들을 가능한 멀리 두 개의 집단으로 분리시키는 최적의 초평면(hyperplane)을 Train..

1. 정의 LSTM의 은닉 상태를 업데이트하는 계산을 줄인 장단기 메모리 순환 신경망 LSTM의 장기 의존성 문제에 대한 해결책을 유지하면서, 은닉 상태를 업데이트하는 계산을 줄임 성능은 LSTM과 유사하면서 복잡했던 LSTM의 구조를 간단화 데이터 양이 적을 때는 매개 변수의 양이 적은 GRU가 조금 더 낫고, 데이터 양이 더 많으면 LSTM이 더 나음 2. 구성도 및 구성요소 가. 구성도 - 화살표 좌중우위위, 시시탄 X1-XX+ 나. 구성요소 - 리업캔히