이 작성자와 연결된 문서를 한곳에서 모아보고, 관련 태그를 따라 같은 맥락의 문서를 이어서 탐색할 수 있습니다.
자주 함께 등장한 태그
총 56건 중 1-24건
스탠퍼드 CS193T 패널이 제시하는 연구용 AI의 핵심은 인간의 해석·판단·학습을 지키면서 새로운 연구 가능성을 넓히는 것이다.
AI 메모리와 RAG는 필요한 정보를 컨텍스트에 넣어 응답을 바꾸며, 프롬프트 인젝션은 이 입력 경로를 악용해 외부 문서의 지시를 실행하도록 유도한다.
BM25부터 에이전트형 RAG까지의 핵심은 필요한 근거를 정확히 찾고, 문맥을 보존하며, 검색과 생성의 품질·비용을 함께 평가하는 데 있다.
LLMs for Agent Builders: Context Engineering를 중심으로, 응용 개발에도 모델 내부에 대한 이해가 필요하다. LLM은 다음 토큰의 조건부 확률을 계산하며, 샘플링 설정에 따라 출력이를 핵심 판단 포인트로 압축 정리한다.
Stanford CS193T의 핵심 프롬프팅은 목표와 성공 기준을 분명히 전달하고, 근거와 처리 범위를 검증하며, 자신의 판단과 학습을 유지하는 AI 활용법이다.
What Are AI Agents? Agentic Systems Explained를 중심으로, 에이전트는 모델과 시스템의 결합이다. 언어모델이 추론과 계획을 맡고, 메모리는 작업 상태를 유지하며, 도구는 외부 정보와 기능에를 핵심 판단 포인트로 압축 정리한다.
Stanford CS193T의 AI 입문은 LLM의 작동 원리를 이해하고, 문맥 관리와 비판적 판단을 바탕으로 학습·연구·업무에 책임 있게 활용하는 데 초점을 둔다.
Stanford AA274A 보충 강의는 파티클 필터 SLAM을 확률 분해, 예측, 재표본추출을 중심으로 다룬다.
LLM 시스템의 핵심은 모델과 학습·추론 상태를 GPU 메모리에 수용하고, 메모리 이동과 장치 간 통신 및 순차 생성의 병목을 줄이는 것이다.
스탠퍼드 AA274A의 불확실성하 의사결정 강의는 동적 계획법과 최적성 원리, 상태에 따라 제어를 정하는 정책을 중심으로 로봇 자율성의 의사결정 문제를 다룬다.
Stanford EE292R AI and Data for Science를 중심으로, 멀티모달 융합의 효과는 과제마다 다르다. RNA 시퀀싱·조직병리·임상정보 등을 결합한 모델은 여러 암종의 예후 예측에서 단를 핵심 판단 포인트로 압축 정리한다.
스탠퍼드 AA274A의 상태 기계 강의는 로봇 자율성을 구현하기 위해 입력 이력을 상태로 요약하고, 최소화·계층화·모듈화와 실패 대응으로 행동의 복잡성을 관리하는 방법을 설명한다.
Skydio는 자율비행·대상 추적·도킹·원격 관제를 통합해 다양한 비행 로봇을 적은 인력으로 운용하는 상시 기반시설을 구축하고 있다.
Stanford 로봇 자율성 강의의 핵심은 다중 센서의 불확실성을 반영해 추정하고, 시간·공간 정합과 센서 중복성으로 자율주행의 정확도와 가용성을 확보하는 것이다.
스탠퍼드 AA274A의 EKF SLAM 강의는 로봇 위치와 특징점 지도의 추정을 관측값 대응, 불확실성, 공분산의 관점에서 살펴본다.
Stanford CS547 HCI Seminar를 중심으로, 생성형 AI의 작은 영향도 사회 규모에서는 누적될 수 있다. 챗봇의 과도한 동조, 인간관계 대체, 창의성과 일자리의 질 저하에 대를 핵심 판단 포인트로 압축 정리한다.
지속가능한 HCI는 센서의 불확실성을 사용자가 알아차리고 탐색하도록 설계해, 기존 사물과 재료를 더 안전하고 의미 있게 재사용하도록 도와야 한다.
Stanford EE292R AI and Data for Science를 중심으로, 월드 모델은 행동에 따른 환경 변화를 생성한다. Genie 3처럼 과거 영상과 사용자 입력으로 다음 프레임을 만드는 방식은 로봇·를 핵심 판단 포인트로 압축 정리한다.
Webinar: Regulating at the Speed of AI with Francis Fukuyama and Nate Persily를 중심으로, 기존 법률의 적용과 프런티어 모델 자체의 감독은 구분해야 한다. 손해배상과 산업별 규정은 이미 작동하지만, 통제 상실이나 대규모를 핵심 판단 포인트로 압축 정리한다.
Stanford CME295 Transformers & LLMs를 중심으로, 보상의 성격이 학습 방식을 결정한다. SFT 이후 인간의 선호를 반영하거나 추론 능력을 높이는 데 강화학습을 사용한다. R를 핵심 판단 포인트로 압축 정리한다.
스탠퍼드 AA274A의 위치 추정·필터 강의는 로봇의 위치를 확률로 표현하고, 상태 전이와 측정을 바탕으로 믿음을 계산·정규화하는 틀을 다룬다.
스탠퍼드 CME295의 LLM 학습 강의는 학습 방식과 규모에서 응답 평가, 추론 토큰, 모델 붕괴 문제까지 다룬다.
Stanford CME295 2강은 대규모 언어 모델을 이해하려면 트랜스포머 구조부터 학습 규모·연산 비용·생성 방식·컨텍스트 관리까지 함께 봐야 한다는 점을 설명한다.
Stanford AA274A의 샘플링 기반 모션 플래닝 강의는 구성공간 탐색과 충돌 검사, 경로 품질, 동역학을 고려한 트리 확장을 다룬다.
