요즘에 유행하여 고속으로 개발되고 있는 분야 중 하나인 딥러닝(Deep learning) 에 대해 원칙적으로, 딥러닝은, 


컴퓨터(Computer) 가 처리하는 데이터 중 비정형 데이터를 모두 다룬다고 생각을 할 수가 있음.. 


그래서 비정형 데이터에 대해서는, 


데이터가 정형적이지 않고 Variation 이 있기 때문에 만들어진 데이터에 대해서 어떤 방식으로든 Stylized 속성이 내포되어 있는 것이기도 함.. 


그래서 LLM(Large language model) 과 같이 데이터에 대해서 Stylized 된 데이터를 처리를 할 수가 있는 것이 Control(제어) 에 대해서 


중요하기도 함. ㅇㅅㅇ..




Deep learning 에 대해서는 이러한 Stylized 된 데이터에 대해서 Expressed materials 에 대해서 Variation 의 Mind set 을 파악을 하는 것이 


Deep learning 의 인공지능으로써의 Generation 이 중요하기도 함.. ㅇㅅㅇ.. 


그런데 이러한 Expressed materials 에 대해서는 Attention 이라는 것이, 


Google 의 Attention is all you need 라는 논문의 표어가 암시하는 것처럼 Combination(조합) 에 관해, 


Attention 의 Combination(조합) 이라고 볼 수도 있음.. 


그래서 이러한 Attention 에 따라서, 딥러닝(Deep learning) 모델에 대해서 Attention 의 조합을 Stylized materials 를 구성하는데 나눠서, 


학습을 하는 것이 비정형 데이터의 원본의 Stylized property 에 대해서 정보적으로 효율적이면서 거의 원래 그러해야하기도 함.. ㅇㅅㅇ.. 




그런데 중요한 것은 Gen-AI 의 Gen 이 이러한 딥러닝의 모델에 대해서 Attention 을 기준으로 할때, Gen-AI 로써 Variation 의 Mind set 을 


Token(토큰) 으로 나눠서 Gen 을 하는 것이 평균적인 품질(Quality) 에 대해서 중요하기도 한데, 딥러닝의 오차(Error) 에 대해서, 


원본과의 수렴에 대해서 오차함수(Error function) 를 설계를 하는데에도 중요함.. ㅇㅅㅇ 




왜나하면 Stylized materials 가 Mind set 을 기준으로 Variation 이 발생하기 하지만, 원본의 비정형 데이터의 Stylized 속성에 대해서 


그것이 기본적으로 Attention 에 대해서 가상의 존재불가능한 것에 대비되기에, 데이터에 대해서 


Attention 이 분포에 대해서 가까운 것은 Attention 이 가깝게 위치해야하고 먼 것에 대해서는 Attention 이 멀리 위치해야하기 때문임.. ㅇㅅㅇ.. 


그렇다면 이를 단서(Clue) 로써, 인간의 지각심리에 대해서 대부분의 직접적인 실제세계의 자료와 거의 동등하게 이뤄질 수가 있게되는 것이, 


Attention 을 기준으로 지각하기에 Error 가 없다는 것과 같은 속성의 Gen-AI 를 딥러닝(Deep learning) 으로 보장시킬 수가 있는 것임..


ㅇㅅㅇ.




딥러닝(Deep learning) 에 대해서는 이러한 Attention 의 비정형 데이터에 대한 속성(Property) 의 분리자료와 그것들 각각의 지각에 Error 가, 


인간(Human) 에게 없다는 것이 Attention 에 대해서 나타나 있기에, 


그것이 Attention 을 주는 것에 대해서 가까운 분포와 먼 분포의 근접성을 부여주는 것이 핵심이 된다고 봄. ㅇㅅㅇ


여기에서 거리계산의 모델링에 수학이 들어가는 것.. ㅇㅅㅇ.