총 1299

AF PR

follower0

팔로우
프로필 보기

AF PR

2024.06.13 09:18

0
0
47
AI 시대의 패러다임 변화와 AIF의 공간정보분석 분야 LLM 활용(WERT)
▲ 서울 도시공간정보포럼 개최 당일 사진 안녕하세요, 점점 무더워지는 날씨에 잘 적응하고 계신가요? 인공지능팩토리가 AI 업계 최신동향 뉴스와 함께 인사드립니다! 😆인공지능 기술은 나날이 가파른 속도로 발전하고 진화하고 있습니다. 다만, 최근 기술변화 추이는 개발자 중심에서 사용자 중심으로 급변하는 양상입니다. 쉽게 말해, 이제는 개발쪽 지식이 없는 일반인들도 누구나 쉽게 인공지능 기술을 활용 및 이용할 수 있게 된 겁니다. 인공지능은 놀라운 수준으로 공간정보 처리 및 분석뿐만 아니라 새로운 가치 창출이 가능하도록 발전 중에 있는데요, 이는 해당 분야에서 새로운 도전이 될 것입니다. 앞서 말씀드린 인공지능의 기술변화 추이에 대한 토론을 위해 🌍 ‘제32회 서울시 도시공간정보포럼’ 🌍 이 서울특별시 공무원들과 포럼 위원, 발제자, 토론자들 이 참여하며 개최 되었습니다. 토론이 진행된 내용을 정리 드리자면,공간정보에서 인공지능은 별도의 영역이 아닌, 생활 자체인 시대를 맞이하고 있다. 공공기관의 프로세스 역시 생성형 인공지능을 기반으로 변화중이며 그에 따른 정책지원이 필요하다.공간정보 분야에서의 인공지능 활용은 사회적으로 큰 가치가 있을 것이다.인공지능은 여전히 놀랍고, 공간정보에서 변화를 만들어 내기 시작했다.인공지능은 생각보다 더 우리 생황에 녹아들어 있으며, 무엇을 하든지 직간접적으로 간여할 수밖에 없는 상황으로 발전중이다. 이는 공간정보뿐만 아니라 행정업무에도 변화가 있을 것이다. 저희 인공지능팩토리는 이번 포럼에서 공간정보 플랫폼 연동에 특화된 GeoWERT를 소개했는데요, 이는 AIFactory의 WERT 기술을 기반으로 하여 공간정보 플랫폼과 연동할 수 있습니다. 사용자는 자연어를 이용해 지도를 제어할 수 있으며, 라이브 데모를 통해 공간정보 분석 과정을 직접 보여주었습니다. 챗봇에 표본이 되는 기초자료 문서(PDF, EXCEL, HWP 등) 데이터를 업로드하고 사용자가 프로그래밍 언어가 아닌 텍스트나 음성 명령으로 인공지능에 원하는 결과를 도출해내는 시범을 보였습니다. 과거에는 일반인이 인공지능을 이해하려면 기본적으로 인공지능 개발 프로그래밍 언어인 파이썬(Python)을 알아야 했기 때문에 개발자 영역이라는 인식이 커서 접근성이 낮았습니다. 저희는 발전된 기술로 이 장벽을 부수고, 일반인들도 쉽게 사용할 수 있는 환경을 구축하였습니다. 이는 WERT 를 통해 진정한 사용자 중심의 인공지능을 만나볼 수 있다는 것을 뜻합니다. 전문 개발지식 없이 지식기반형, 태스크 연동형, 리포트 생성형 까지 총 3가지 유형의 챗봇 구독 서비스를 통하여 새로운 부가가치를 창출해 보세요! 💎 📞 솔루션 문의: contact@aifactory.page💡 WERT 자세히 알아보기: 클릭 뉴스룸 📰공간정보, GeoAI 시대로 패러다임 전환기 맞아 - 커넥트데일리 (클릭시 기사로 이동)

해피서율

follower0

팔로우
프로필 보기

해피서율

2024.06.12 06:47

0
0
10
연습

AIFactory

follower2

팔로우
프로필 보기

AIFactory

2024.06.12 06:11

0
0
28
[ ✨실시간 세미나 실습 내용 정리 ] 베이스라인(colab) 실행하는 방법 안내 드립니다
수강생 여러분 ! 지난 6.10(월)에 진행되었던 [15주차] 기말고사 - Gemma LoRA 파인튜닝으로 댓글감성 분류하기 실시간 세미나에서 실습되었던파인튜닝 시작을 위한 계정 생성과 환경 설정, 키발급을 통한 베이스라인(colab) 실행방법을 다시 한번 안내 드립니다.  ===1. 기말고사 링크 접속 ( https://aifactory.space/task/4125/overview )2. 우측 상단 [참여하기] 버튼 클릭3. 팝업창 뜨면 동의4. 베이스라인 탭 클릭 (중단 메뉴)5. 우측 상단의 Open in Colab 클릭6. https://ai.google.dev/gemma/docs/setup 클릭7. Gemma 모델 카드로 이동하여 액세스 요청을 선택 (  https://www.kaggle.com/models/google/gemma )8. 7번 페이지에서 Request Access 클릭9. 우측 상단 프로필 이미지 클릭10. setting 메뉴 클릭11. create new token 선택12. KAGGLE_KEY와 KAGGLE_USERNAME 정보를 복사13. 구글 코랩 > 왼쪽 사이드바 메뉴 보안 비밀 클릭14. 새 보안 비밀 추가15. 이름 : KAGGLE_KEY, 값 : 12번에서 다운로드 받은 json을 메모장으로 열어서 해당 값을 입력16. 새 보안 비밀 추가17. 이름 : KAGGLE_USERNAME, 값 : 12번에서 다운로드 받은 json을 메모장으로 열어서 해당 값을 입력18. 구글 코랩에서 메뉴 - 런타임 - 모두실행 보안비밀 추가는 다음의 캡쳐 내용을 참고하여 진행해 주세요.  활발한 참여를 통해 자신만의 튜닝된 LLM을 개발하는 즐거운 시간이 되시길 바랍니다 ! 🕺💃 

집 가고 싶다

follower0

팔로우
프로필 보기

집 가고 싶다

2024.06.11 01:48

0
1
61
복합센서 기반 수면 모니터링 시스템에 관한 연구
요약이 연구는 라즈베리 파이를 기반으로 한 복합 센서를 통해 수면 모니터링을 할 수 있는 시스템을 제안한다. 이 시스템은 생체 데이터, 움직임 데이터 및 수면 환경 데이터를 통합적으로 분석하여 NREM, REM, WAKE 세 가지의 수면 단계로 분류한다. 특히, 비접촉식 UWB 센서와 GSR 센서를 사용하여 수면 중 방해를 최소화하며, 사용자가 일상적인 수면 환경에서 검사를 진행할 수 있도록 설계되었다.키워드수면 모니터링 시스템UWB(Ultra-Wideband) 센서EDA(Electrodermal Activity)Raspberry Pi서론적절한 수면은 인간의 신체적, 정신적 회복을 위한 필수적인 요소이다. 수면의 질은 현대인의 삶에 매우 큰 영향을 미치며, 지속적이고 반복적인 수면 부족은 수면 장애를 유발하여 개인의 건강을 위협한다. 이에 본 연구는 복합 센서를 활용하여 일상 환경에서 수면의 다양한 단계를 정확히 모니터링하고 분석할 수 있는 시스템을 개발하고자 한다.방법론시스템 구성하드웨어 구성: 본 시스템은 Raspberry Pi 4를 중심으로 구성되며, UWB 센서, GSR 센서, 가속도 센서, 온도/습도/조도를 측정할 수 있는 환경 센서가 포함된다. 각 센서는 특정 생체 신호와 환경 데이터를 수집하는 데 최적화되어 있다.소프트웨어 구성: 클라이언트 소프트웨어는 Raspberry Pi에서 실행되며, 수집된 데이터를 처리하고 서버로 전송한다. 서버 소프트웨어는 데이터를 수신, 저장, 분석하여 수면 단계를 분류한다. 데이터는 SVM 분류기를 활용하여 NREM, REM, WAKE로 분류된다.데이터 수집 및 분석 방법생체 데이터: 심박수, 호흡수, 피부 전기 활동(EDA) 등을 측정한다.움직임 데이터: 수면 중 움직임을 감지하기 위해 가속도 센서를 활용한다.환경 데이터: 수면 환경에 영향을 미칠 수 있는 온도, 습도, 조도 등을 측정한다.데이터 처리: 수집된 데이터는 아웃라이어 제거, 필터링 과정을 거쳐 특징을 추출하고, 이를 바탕으로 수면 단계를 분류한다.결과본 시스템은 실험실이 아닌 평소와 같은 환경에서 수면할 수 있으므로, 환경 변화로 인한 수면 패턴 변화가 적고, 실제 수면 환경에서 얻은 데이터를 통해 더 정확한 수면 분석이 가능하다. 초기 테스트 결과, 제안된 시스템은 전통적인 수면 연구 방법인 수면 다원 검사와 유사한 성능을 보여준다.결론 및 향후 연구 방향결론비접촉식 센서와 복합 센서 기반의 접근 방식을 통해 수면 모니터링의 정확도와 편의성을 향상시켰다. 본 시스템은 사용자의 일상적인 수면 환경에서도 효과적으로 작동하여, 실제 환경에서의 수면 패턴 분석에 유용하다.향후 연구 방향다양한 알고리즘과 기계 학습 기법을 도입하여 수면 단계 분류의 정확도를 더욱 향상시킬 계획이다.모바일 애플리케이션과의 연동을 통해 사용자가 자신의 수면 데이터를 쉽게 확인하고 관리할 수 있는 플랫폼을 개발할 예정이다.실제 수면 다원 검사와 병행하여 시스템의 정확도와 신뢰성을 검증할 예정이다.참고 문헌본 연구에서 참조한 문헌과 연구 자료를 목록화하여 첨부한다. (문헌 리스트는 본문에서 언급된 각 참고 번호에 대응되는 자세한 출처를 포함한다.)이 보고서는 복합 센서를 활용한 수면 모니터링 시스템의 개발과정 및 초기 성과를 자세하게 설명하며, 연구의 의의와 함께 향후 발전 가능성에 대해 논한다.

dragoon0905

follower0

팔로우
프로필 보기

dragoon0905

2024.06.11 00:50

0
0
47
The National Sleep Foundation 수면 만족도 도구 (SST)에 대하여
https://www.sleephealthjournal.org/article/S2352-7218(18)30182-7/fulltext위 링크의 논문은 국립수면재단(NSF)의 수면 만족도 도구(SST)의 개발 및 검증에 대해 설명하고 있다. SST는 체계적인 문헌 검토와 전문가 합의를 통해 만들어졌으며, 여러 차례의 인지 테스트와 전국 설문조사를 거쳤다. 최종 SST는 신뢰할 수 있는 9항목 도구로, 평균 56/100의 점수를 받아 일반 인구의 수면 만족도를 측정하는데 사용된다.목적:NSF는 일반 인구의 수면 만족도를 측정하기 위해 잠정적인 수면 만족도 도구를 정교화하고 통계적으로 검증하고자 했다.방법:정성적 개발:온라인 설문조사를 통해 수면 만족도에 영향을 미치는 요인을 식별.인지 테스트:두 번의 인지 테스트를 통해 도구의 항목을 정교화하고 명확성과 관련성을 보장.정량적 테스트:인터넷 사용자를 대상으로 전국적인 샘플을 통해 도구의 타당성과 신뢰성을 테스트.통계 분석:요인 분석, 크론바흐 알파, 회귀 모델을 사용해 도구를 검증.SST 흐름도결과:정성적 연구:방 조건, 편안함, 방해 없는 수면, 총 수면 시간 등의 주요 요인을 식별. 공공 입력을 기반으로 한 추가 요인인 마음의 이완이 추가됨.인지 테스트:응답자의 피드백을 바탕으로 질문을 정교화하여 질문이 의도한 대로 이해되도록 보장.현장 테스트:전국 샘플 응답을 분석한 후 9항목 도구가 최종화됨.심리 측정 속성:SST는 강력한 신뢰성(Cronbach alpha = 0.87)과 타당성을 보여주며, 전반적인 건강, 스트레스, 삶의 만족도와 잘 상관됨.SST 점수:평균 SST 점수는 56/100이며, 개별 항목 점수는 39에서 66 사이. 인구통계학적 분석에서 연령, 성별, 결혼 상태, 생활 환경에 따른 변화를 보임. 다양한 통계결과 결론:SST는 일반 인구의 수면 만족도를 평가하는 신뢰할 수 있는 비임상 도구로, 수면 건강에 대한 귀중한 통찰을 제공한다. 이는 공공 보건 정책과 개인 개입을 안내하는 데 도움이 될 수 있다.  

JJuOn

follower0

팔로우
프로필 보기

JJuOn

2024.06.11 00:14

0
0
105
데이터셋 설명 및 분석을 통한 AI 모델 개발
이번 포스팅에서는 다양한 데이터셋을 활용한 AI 모델 개발에 대해 다룹니다. 스마트폰과 스마트워치를 통해 수집된 멀티모달 센서 데이터와 유저의 기록을 포함한 라이프로그 데이터를 중심으로, 수면 패턴, 감정 변화, 스트레스 수준을 예측하는 모델을 개발하는 방법을 살펴봅니다. 또한, Action recognition task의 background bias 문제와 감정 인식을 위한 Contrastive Loss 기반의 멀티모달 융합 학습 방법을 소개합니다.데이터셋 설명Dataset Composition본 데이터셋은 Train, Validation, Test 세트로 구성되며, 스마트폰과 스마트워치를 통해 수집된 다양한 센서 데이터를 포함합니다.Train Dataset (2020년 수집): 22명의 데이터를 포함하며, 다양한 센서 데이터를 포함합니다.Validation Dataset (2023년 수집): 4명의 데이터를 포함하며, Train 데이터셋에 비해 향상된 센서 기능을 가지고 있습니다.Test Dataset (2023년 수집): Validation 데이터셋과 유사한 또 다른 4명의 데이터를 포함합니다.각 데이터셋은 스마트폰, 스마트워치, 일일 설문 기록, 수면 센서 데이터를 포함합니다. Validation과 Test 데이터셋에는 추가적인 데이터 종류와 결여된 데이터가 존재합니다. 데이터의 Column 설명은 ETRI AI 나눔을 통해 확인할 수 있습니다. 최종적으로 7가지 Metric에 대해 예측을 수행해야 합니다.Key Metrics and Challenges참가자들은 다음과 같은 7가지 주요 지표를 도출해야 합니다:Q1: Overall sleep qualityQ2: Emotional state before sleepQ3: Stress levels before sleepS1: Total sleep time (TST)S2: Sleep efficiency (SE)S3: Sleep onset latency (SOL)S4: Wake after sleep onset (WASO)이 지표들은 평균 이상의 값인지, 또는 National Sleep Foundation 지침을 준수하는지 여부를 나타내는 이진 지표입니다. 참가자들은 각 지표의 이진 값을 포함한 CSV 파일 형식으로 추론 결과를 제출해야 하며, 평가는 매크로 F1 점수를 기반으로 합니다.Action Recognition Task의 Background BiasIntroductionAction recognition은 비디오 속 subject가 수행하는 행동을 분류하는 작업입니다. 주요 데이터셋으로는 Kinetics400, UCF101, Something-something v2, HMDB51, Diving48, ActivityNet 등이 있습니다. 이 데이터셋들은 크게 static-biased와 motion-biased 데이터셋으로 구분됩니다.Background Biasstatic-biased 데이터셋은 장소나 오브젝트와 연관된 라벨로 구성되어 있으며, motion-biased 데이터셋은 모션 변화와 관련된 라벨로 구성됩니다. 대부분의 비디오 인코더 모델들은 Kinetics400에서 학습하고 다른 데이터셋에 finetuning을 통해 성능을 냅니다. 그러나 Kinetics400의 static bias로 인해 비디오 인코더 모델은 이미지 한 장만 보고 액션을 맞추는 식으로 잘못 편향된 학습을 하게 됩니다. 이를 background bias라고 하며, 이는 비디오 학습의 고질적인 문제로 많은 논문들에서 다뤄지고 있습니다.감정 인식을 위한 Contrastive Loss 기반의 멀티모달 융합 학습 방법Introduction싱글모달 데이터를 이용한 감정 인식은 정확도가 높지 않다는 단점이 있습니다. 본 논문에서는 Modality Representation Encoder와 Supervised Contrastive Loss를 활용한 LMR-CL 모델을 제안하였습니다. 이 모델은 Intra-modal Contrastive Loss (Intra-CL)과 Inter-modal Contrastive Loss (Inter-CL)를 활용하여 학습합니다.Model Structure모델은 Text, 음성 데이터, 생체신호 데이터를 활용하여 감정분석을 진행합니다:Text: KoELECTRA를 사용하여 특징을 추출합니다.음성 데이터: Pre-trained Wav2vec 2.0 모델을 사용하여 특징을 추출합니다.생체신호 데이터: 시간-주파수 도메인별 다양한 특징들을 추출하여 2개의 FCL을 통과하여 잠재벡터를 추출합니다.Fusion and Classification각 모달리티별로 추출한 잠재 벡터는 Modality Representation Encoder 및 Gated Fusion Block을 통해 감정 상태를 분류합니다. 각 블록들은 샘플 내 특징 간 차이를 고려한 Within-sample Loss와 샘플 간 차이를 고려한 Contrastive Loss를 통해 학습하며, 최종적으로 cross-entropy loss를 사용하여 classification task를 수행합니다.Experimental Results실험 결과, Loss 함수 변화에 따라 감정 분류에 대한 성능 평가 결과를 나타냅니다.데이터셋의 특징에 기반한 몇 가지 방향성1. 시계열 데이터 동기화 문제각 센서 데이터의 수집 주기가 다르므로, 시계열 데이터의 동기화 문제가 발생할 수 있습니다. Dynamic Time Warping (DTW)이나 Interpolation 기법을 통해 공통 시간축으로 데이터를 변환하는 방법이 있습니다.2. 개인화된 모델링의 필요성검증 데이터셋의 인구 통계는 다양합니다. 개인화된 모델링 접근법, 특히 Meta learning이 유용할 수 있습니다.3. 훈련 데이터셋과 검증 데이터셋간의 차이로 인한 영향 고려훈련 데이터셋은 2020년에 수집되었고, 검증 및 테스트 데이터셋은 2023년에 수집되었습니다. 데이터 수집 시점의 차이로 인한 트렌드 변화를 반영하기 위해 Temporal Domain Adaptation이 유용할 수 있습니다.Human Understanding AI Paper Challenge 2024Introduction2024 Human Understanding AI Paper Challenge는 ETRI가 주최하며, 인간의 일상 생활을 이해하기 위한 인공지능 기술의 개발 및 평가를 목표로 합니다.Dataset Composition대회에서는 스마트폰, 스마트워치, 수면 센서를 사용하여 수집된 세 가지 데이터셋이 제공됩니다. 훈련, 검증, 테스트 세트로 나뉘며, 각 데이터셋은 고유한 속성과 도전 과제를 포함합니다.Evaluation Method참가자들은 각 지표의 이진 값을 포함한 CSV 파일 형식으로 추론 결과를 제출해야 하며, 평가는 매크로 F1 점수를 기반으로 합니다.Conclusion이 대회는 다중 모드 센서 데이터로부터 인간 행동을 해석할 수 있는 AI 모델을 개발하고자 하는 연구자들에게 포괄적인 플랫폼을 제공합니다. AI가 일상 생활에서 인간을 이해하는 능력을 한층 더 발전시킬 수 있는 가능성을 열어줍니다.

Brighteast

follower0

팔로우
프로필 보기

Brighteast

2024.06.10 15:00

0
0
89
데이터셋 설명
본 대회의 데이터 셋에 대한 논문을 읽고 해석해 본 내용입니다. 논문의 순서를 따랐으며, 실제 데이터를 열어보고 대조해 보았습니다. Introduction우선 본 데이터는 멀티모달 센서 (스마트폰, 스마트워치)와 유저의 기록들을 통해 획득한 라이프로그 데이터 입니다.본 대회의 목적은 개인의 수면 패턴, 감정 변화, 스트레스 정도가 다양한 일상 경험에 얼마나 영향을 주는 지 탐구하기 위함입니다.요지는 라이프로그 데이터로 수면 패턴, 감정 변화, 스트레스 정도와 관련한 7 가지 지수를 잘 예측할 수 있는 모델을 개발하는 것입니다.Dataset CompositionTrain 데이터 셋은 2020 년에 모은 22 명의 데이터 입니다. Validation 과 Test 데이터 셋은 2023 년에 각각 모음 추가 데이터 입니다. Validation 과 Test 데이터 셋은 같은 집단이지만, subject_id 로 1~4 (Validation) 와 5~8 (Test) 로 랜덤하게 나누었습니다. (Table 1)Validation 의 인구 통계학적 정보 (Demographics) 는 아래 표 (Table 2) 와 같고, 저희는 Test 셋에서 subject_id 가 5~8 에 대한 데이터를 예측하면 될 것입니다.가장 중요한 데이터 셋 구성은 4 종류로 나눌 수 있습니다.Smartphone : 어플을 통해 측정된 센서 데이터Smartwatch : 워치를 통해 측정된 데이터Daily Survey Records : 매일 자기 전 또는 일어난 후 기록한 데이터Sleep sensor : 수면 중 측정된 데이터각 종류의 자세한 데이터는 아래의 표 (Table 3) 에서 볼 수 있습니다.여기서 주목할 만한 점은Validation 과 Test 데이터 셋에는 추가적인 종류의 데이터가 존재하고, 결여된 데이터도 있습니다. ETRI AI 나눔 에서 Train 데이터 셋의 Column 들의 설명을 볼 수 있고, 메일로 받은 Validation 과 Test 데이터 셋 압축 파일에서 pdf 파일을 통해 Validation 과 Test 데이터 셋 Column 들의 설명을 볼 수 있습니다.그리고 최종적으로 아래 (Table 5) 와 같이 총 7 가지의 Metric 에 대해 예측을 해야하는 것 입니다.정리를 하면, Train 데이터의 다양한 종류의 값을 통해 아래의 엑셀 처럼 Metric 을 예측하는 모델을 만들고, 이를 Test 데이터 셋에 대해 적용하여 subject_id 5~8 에 대한 Metric 을 예측하고 실제 Metric (정답) 과 비교하여 측정을 할 것입니다.  

ai1@aifactory.auto

follower0

팔로우
프로필 보기

ai1@aifactory.auto

2024.06.10 04:48

0
0
10
김해 관동초(서진,아인)
내가 만들어보는 나만의AI

ai1@aifactory.auto

follower0

팔로우
프로필 보기

ai1@aifactory.auto

2024.06.10 04:48

0
0
2
김해관동초(시원,예준)
내가 만들어보는 나만의AI

ai1@aifactory.auto

follower0

팔로우
프로필 보기

ai1@aifactory.auto

2024.06.10 04:46

0
0
2
김해관동초(성윤,민설)
내가 만들어보는 나만의AI