딥러닝(Deep Learning) 에 대해서 Weight 와 Bias 로 이뤄진 퍼셉트론들이 행렬의 곱으로 오차 역전파 알고리즘에 의해서 파라미터(Parameter) 로 쓰이는데


이것이 생성형 인공지능(Generative AI) 에 대해서는 Memory 로 쓰이기도 함.. ㅇㅅㅇ..


이 파라미터(Parameter) 의 갯수에 의해서 인공지능의 학습볼륨(Volume) 을 나타내는 것이 지능의 지수로 쓰이던데 애초에,


생성형 인공지능(Generative AI) 의 초창기 도입 때 NEWS 등에서 Viral 이 돌기도 했음..




그렇지만 Generative AI 를 살펴보면 딥러닝의 구조 상 이러한 것들이,


데이터(Data) 의 객체에 대한 행렬표현의 List 에 대해서,


투영적으로 행렬표현의 객체가 투사되기에 무엇의 행렬조합인가? 에 대한 것이 List 의 뭉텅이의 조합평균에 대한 Memory(메모리)이기도 함.


그래서 되짚어보기에 생성형 인공지능에 대해서는 그 유행 중에 연구가 이뤄진 것이 이러한 투사객체들의 List 가 있을 때,


그것의 투영이 되는 조합의 행렬표현의 List 에 대해서,


그것의 평균행렬의 값이 무엇이 되는가? 를 지속적으로 닮음반복을 수행한다고 볼 수도 있음.. ㅇㅅㅇ;


그리고 이러한 딥러닝의 파라미터(Parameter) 에 의해서,


행렬표현의 Layer 의 List 에 의해서 투영조합의 평균계층을 구하는 것이 딥러닝의 데이터 객체들의 List 에 대해서 있기도 함.. ㅇㅅㅇ


그런 의미에서 딥러닝은,


투영행렬으로의 표현투사성(Expression projection) 의 List 에 대해서 닮지않음에 대한 Biased Random(편향 무작위성) 을 학습하는 것으로,


상당한 성능을 보이기도 함..




그렇지만 이러한 데이터 객체들의 List 를 행렬로써 표현을 하고 이에 대한 Expression projection 에 대해서 투영 파라미터가 있어서,


Biased Random (편향 무작위성) 을,


퍼셉트론이라는 Memory 중에 학습을 하는 일에 대해서는 데이터 객체에 대해 Exposed mindset 이 Projection 의 개체로써 데이터 객체에 대해 있는


Bias(편향) 이 중요하기도 함...


왜냐하면 Projection 으로써의 데이터 객체의 List 에 대해서는 Exposed mindset 이 Expressed material 로써 투영이 있어야, 이에 대해서


편향 무작위성(Biased Random) 에 대해서 표현에 대한 투영조합의 Parameter(파라미터)를 닮지않음 행렬의 Layer 를 구하는데 있어서 중요하고,


Generative AI(생성형 인공지능) 의 Generation Command 로 쓸 수가 있기 때문임.. ㅇㅅㅇ..




Exposed mindset 의 편향(Bias) 이 어떻게 드러났는지? 가 애초에 Expressed material 로써 자료(Data) 의 성격이 있는 것인지도 모름..


ㅇㅅㅇ