생성적 AI 모델, 설명

생성 AI 모델에 대해 생각할 때 아마도 최근 몇 년간 큰 인기를 끌었던 LLM(대형 언어 모델)을 떠올릴 것입니다. 그러나 생성적 AI 자체의 역사는 수십 년 전으로 거슬러 올라가며 LLM은 최신 진화에 불과합니다. 그리고 LLM과 함께 이미지 생성에 사용되는 확산 모델과 같은 다양한 생성 AI 도구 및 사용 사례에 다양한 종류의 생성 AI 모델이 사용됩니다.

이 기사에서는 생성적 AI 모델이 무엇인지, 어떻게 개발되는지 설명하고 오늘날 가장 일반적인 생성적 AI 모델에 대해 자세히 설명합니다. 이러한 모델에 대한 개념적 이해를 제공하여 여러분에게 깊은 인상을 줄 수 있을 것입니다. 대학에서 기계 학습 과정을 수강할 필요 없이 친구 및 동료와 함께 사용할 수 있습니다.

목차

• 생성 AI 모델이란 무엇입니까?
• 생성 AI 모델의 작동 방식
• 생성적 AI 모델은 어떻게 개발되나요?
• 생성 AI 모델의 유형
• 결론

생성 AI 모델이란 무엇입니까?

생성적 AI 모델은 훈련 데이터의 특성을 반영하는 새롭고 독창적인 콘텐츠를 만드는 데 특화된 인공 지능 시스템의 하위 집합입니다. 데이터의 패턴과 관계를 학습함으로써 이러한 모델은 소스 자료의 스타일, 어조, 뉘앙스와 유사한 텍스트, 이미지, 사운드 또는 비디오와 같은 출력을 생성할 수 있습니다. 이 기능은 생성적 AI를 혁신의 중심에 위치시켜 입력 데이터를 해석하고 새로운 창작물로 변환함으로써 다양한 분야에 걸쳐 창의적이고 역동적인 애플리케이션을 가능하게 합니다.

생성 AI 모델의 작동 방식

생성적 AI 모델은 신경망으로 알려진 정교한 형태의 기계 학습 알고리즘을 활용하여 작동합니다. 신경망은 여러 계층의 상호 연결된 노드로 구성되며 각 노드는 컴퓨터 코드 조각으로 표시됩니다. 이러한 노드는 사소하고 개별적인 작업을 수행하지만 인간 두뇌의 뉴런 기능을 반영하여 복잡한 결정을 내리는 데 집합적으로 기여합니다.

설명을 위해 파이와 케이크 이미지를 구별하는 신경망을 생각해 보세요. 네트워크는 이미지를 세부적인 수준에서 분석하여 픽셀로 나눕니다. 매우 기본적인 수준에서는 네트워크에 다양한 픽셀과 픽셀 그룹을 이해하는 데 전념하는 다양한 노드가 있습니다. 어쩌면 디저트에 층이 있는지 살펴보는 사람도 있을 것이고, 프로스팅이나 크러스트가 있는지 판단하는 사람도 있을 것입니다. 각 노드는 파이와 케이크의 모양에 대한 정보를 저장하고, 새로운 이미지가 나타날 때마다 각 노드를 통해 처리되어 최종 예측을 출력합니다.

생성 AI의 맥락에서 이 원칙은 단순한 인식을 넘어 새롭고 독창적인 콘텐츠 생성까지 확장됩니다. 생성 모델은 단순히 특징을 식별하는 대신 신경망을 사용하여 훈련 대상 데이터의 기본 패턴과 구조를 이해합니다. 이 프로세스에는 생성된 출력의 창의성과 정확성을 최적화하도록 설계된 알고리즘에 따라 신경망 내의 복잡한 상호 작용 및 조정이 포함됩니다.

생성적 AI 모델은 어떻게 개발되나요?

생성적 AI 모델의 개발에는 일반적으로 연구원 및 엔지니어 팀이 수행하는 일련의 복잡하고 상호 연관된 단계가 포함됩니다. OpenAI 및 기타 유사한 아키텍처의 GPT(Generative Pre-trained Transformer)와 같은 이러한 모델은 훈련된 데이터의 분포를 모방하는 새로운 콘텐츠를 생성하도록 설계되었습니다.

해당 프로세스에 대한 단계별 분석은 다음과 같습니다.

1 데이터 수집

데이터 과학자와 엔지니어는 먼저 프로젝트의 목표와 요구 사항을 결정하고 이를 통해 광범위하고 적절한 데이터 세트를 수집합니다. 그들은 필요에 따라 방대한 양의 텍스트나 이미지를 제공하는 공개 데이터세트를 사용하는 경우가 많습니다. 예를 들어, ChatGPT(GPT-3.5) 훈련에는 거의 모든 Wikipedia 콘텐츠를 포함하여 공개 인터넷 소스에서 가져온 3,000억 단어에 해당하는 570GB의 데이터 처리가 포함되었습니다.

2 모델 선택

올바른 모델 아키텍처를 선택하는 것은 생성 AI 시스템을 개발하는 데 있어 중요한 단계입니다. 결정은 당면한 작업의 성격, 사용 가능한 데이터 유형, 원하는 출력 품질 및 계산 제약 사항에 따라 결정됩니다. VAE, GAN, 변환기 기반 및 확산 모델을 포함한 특정 아키텍처에 대해서는 이 기사의 뒷부분에서 자세히 설명합니다. 이 단계에서는 새로운 모델이 기존 아키텍처 프레임워크에서 시작되는 경우가 많다는 점을 이해하는 것이 중요합니다. 이 접근 방식은 검증된 구조를 기반으로 활용하여 현재 프로젝트의 고유한 요구 사항에 맞게 개선하고 혁신할 수 있습니다.

3 모델 훈련

선택한 모델은 첫 번째 단계에서 수집된 데이터 세트를 사용하여 학습됩니다. 생성적 AI 모델을 훈련하려면 GPU(그래픽 처리 장치) 및 TPU(텐서 처리 장치)와 같은 특수 하드웨어를 사용하여 많은 양의 컴퓨팅 성능이 필요한 경우가 많습니다. 학습 접근 방식은 모델 아키텍처에 따라 다르지만 모든 모델은 하이퍼파라미터 튜닝이라는 프로세스를 거칩니다. 여기에서는 데이터 과학자가 최상의 결과를 얻기 위해 특정 성능 설정을 조정합니다.

4 평가 및 미세 조정

마지막으로 모델 성능을 실제 환경에서 평가하거나 테스트합니다. 생성적 AI 모델을 평가하는 것은 생성적 AI가 완전히 새로운 출력을 생성하고 이 출력의 품질이 주관적인 경향이 있기 때문에 기존 기계 학습 모델을 평가하는 것과 약간 다릅니다. 측정항목은 모델이 생성하는 내용에 따라 다르며 생성적 AI 평가 기술에는 일반적으로 인간 평가자를 사용하는 것이 포함되며 생성적 AI 모델이 서로를 평가하도록 하는 전략을 사용할 수도 있습니다. 평가 단계에서 학습한 내용은 일반적으로 모델을 미세 조정하거나 재교육하는 데 다시 적용됩니다. 모델의 성능이 검증되면 생산 준비가 완료됩니다.

생성 AI 모델의 유형

생성적 AI 모델과 이를 구동하는 신경망에 대한 기본 지식을 바탕으로 이제 2010년대 초반 이후 등장한 특정 유형의 모델 아키텍처를 자세히 살펴보겠습니다. 각 모델의 고유한 강점과 약점은 물론 실제 적용 사례도 살펴보겠습니다.

우리가 논의할 모델에 대한 간략한 개요는 다음과 같습니다.

• VAE(변형 자동 인코더)는 복잡한 데이터 분포를 학습하는 데 능숙하며 이미지 생성 및 편집과 같은 작업에 자주 사용됩니다.
• 생성적 적대 신경망(GAN)은 매우 사실적인 이미지를 생성하는 능력으로 잘 알려져 있으며 다양한 창의적 응용 분야에서 인기를 얻고 있습니다.
• 확산 모델은 노이즈를 점진적으로 추가하고 제거하는 과정을 통해 고품질 샘플을 생성하는 새로운 클래스의 모델입니다.
• 언어 모델은 인간 언어를 이해하고 생성하는 데 탁월하므로 챗봇 및 텍스트 완성과 같은 애플리케이션에 유용합니다.
• Transformer 기반 모델은 처음에는 자연어 처리(NLP) 작업을 위해 설계되었지만 순차 데이터를 처리하는 강력한 기능으로 인해 생성 모델에 사용하도록 조정되었습니다.

이러한 각 아키텍처에 대해 자세히 알아보고 작동 방식과 가장 잘 적용할 수 있는 위치를 이해해 보겠습니다.

VAE(변형 자동 인코더)

변형 자동 인코더는 2013년 Max Welling과 Diederik P. Kingma에 의해 발명되었습니다. 이 자동 인코더는 모델이 훈련 단계에서 학습하는 상위 수준 개념을 신경망이 인코딩할 수 있다는 사실에 의존합니다. 이를 원시 데이터의 "압축" 또는 "투영"이라고도 합니다.

예를 들어, 모델이 케이크 이미지를 보면 이를 스프링클, 설탕 프로스팅 색상, 스폰지 레이어 등 이미지의 모든 특징을 포함하는 인코딩으로 변환할 수 있습니다. 이 인코딩은 이해하기 쉬운 숫자 집합처럼 보입니다. 모델은 아니지만 인간에게는 그렇지 않습니다. 원본 이미지를 다시 만들기 위해 또 다른 신경망에서 디코딩할 수 있습니다. 하지만 인코딩이 압축이기 때문에 약간의 간격이 있을 수 있습니다. 인코더와 디코더 부분이 함께 작동하는 이러한 유형의 모델을 오토인코더라고 합니다.

변형 자동 인코더는 자동 인코더 아이디어를 변형하여 새로운 출력을 생성합니다. 인코딩을 생성할 때 VAE는 이산 숫자 대신 확률을 사용합니다. 결국 휘핑크림도 프로스팅으로 간주되나요? 어쩔 땐 그래; 때로는 아니오.

이러한 확률적 인코딩을 생성하도록 신경망을 훈련시키고 이를 디코딩하도록 다른 신경망을 훈련시키면 꽤 흥미로운 결과를 얻을 수 있다는 것이 밝혀졌습니다. 디코더는 변형 인코딩 "공간"의 포인트를 샘플링하고 훈련 데이터의 확률적 관계를 보존했기 때문에 여전히 현실적으로 보이는 완전히 새로운 출력을 생성할 수 있습니다.

장점과 단점

변형 자동 인코더는 비지도 학습을 사용합니다. 즉, 사람이 다양한 기능이나 결과에 라벨을 지정하지 않고도 모델이 원시 데이터에서 자체적으로 학습합니다. 이러한 모델은 원본에서 약간 벗어난 콘텐츠를 만드는 데 특히 성공적입니다. 인코딩 작업 방식으로 인해 훈련 ​​데이터의 기능을 기반으로 "케이크와 파이 사이의 완벽한 중간 지점을 나타내는 디저트를 보여주세요."라는 구체적인 지침을 제공할 수도 있습니다. 즉, VAE는 예상되는 결과에 맞춰 최적화하므로 매우 독창적이거나 획기적인 콘텐츠를 만드는 데 탁월할 가능성은 없습니다.

VAE에 대한 일반적인 불만 사항 중 하나는 인코딩 및 디코딩에 압축이 포함되어 정보 손실이 발생하기 때문에 잡음이 많은(예: 흐릿한) 이미지를 생성할 수 있다는 것입니다.

사용 사례

변형 자동 인코더는 모든 종류의 데이터에서 작동하지만 주로 이미지, 오디오 및 텍스트를 생성하는 데 사용됩니다. 한 가지 흥미로운 응용 분야는 이상 탐지입니다. 데이터 세트에서 VAE는 표준에서 가장 많이 벗어나는 데이터 포인트를 찾을 수 있습니다. 왜냐하면 해당 포인트는 재구성 오류가 가장 높기 때문입니다. 즉, VAE가 인코딩한 확률에서 가장 멀리 떨어져 있기 때문입니다.

생성적 적대 네트워크(GAN)

생성적 적대 네트워크는 2014년 Ian Goodfellow에 의해 개발되었습니다. 그 전에도 신경망은 이미지를 생성할 수 있었지만 결과는 흐릿하고 설득력이 없는 경향이 있었습니다. GAN의 핵심 질문(및 통찰)은 다음과 같습니다. 두 개의 신경망을 서로 대결시키면 어떻게 될까요? 생성자라고 불리는 하나는 새로운 콘텐츠를 생성하도록 학습되고, 판별자라고 불리는 다른 하나는 실제 콘텐츠와 가짜 콘텐츠의 차이를 알도록 학습됩니다.

생성기는 후보 이미지를 생성하여 판별자에게 보여줍니다. 피드백을 기반으로 생성기는 그에 따라 예측을 업데이트하여 판별자를 "속이는" 능력이 점점 더 좋아집니다. 판별자를 50%의 시간 동안 속일 수 있게 되면(진짜와 가짜 사이에 동전 던지기만큼) 피드백 훈련 루프가 중지됩니다. 그러면 GAN의 생성기 부분이 평가 및 생산 준비가 됩니다.

2014년부터 다양한 사용 사례를 위해 그리고 GAN의 고유한 장점과 단점의 균형을 맞추기 위해 수백 가지의 GAN 변형이 개발되었습니다.

장점과 단점

생성적 적대 네트워크는 VAE와 함께 처음에는 생성적 AI의 잠재력에 대해 많은 관심을 불러일으켰습니다. 비지도 학습을 사용하므로 연구자가 출력이 좋은지 나쁜지 말할 필요 없이 모델이 자체적으로 더 좋아집니다. 생성적 적대 네트워크는 또한 매우 빠르게 학습할 수 있습니다. 처음 출시되었을 때 기존의 다른 솔루션에 비해 훨씬 적은 수의 학습 데이터로 좋은 결과를 얻을 수 있었습니다. 수천 개에 비해 수백 개의 이미지였습니다.

그러나 GAN은 일반적으로 교육 데이터와 유사하지 않은 콘텐츠를 만드는 데 어려움을 겪습니다. GAN은 제작자가 아니라 가장하는 사람입니다. 그리고 때로는 GAN이 많은 고양이 밈을 보여주었기 때문에 문자가 포함된 고양이 사진 이미지를 생성한 경우와 같이 훈련 데이터를 "과대적합"할 수 있습니다.

GAN을 훈련시키는 것은 어려운 일입니다. 훈련 중에는 두 개의 네트워크를 조정해야 합니다. 판별자가 너무 좋아서 훈련 주기가 끝나지 않을 때 문제가 발생할 수도 있고, 판별자가 충분하지 않아 결과가 좋지 않을 때도 문제가 발생할 수 있습니다. 또한 생성기가 판별자를 속이는 몇 가지 방법을 학습하고 다른 전략을 배제하고 이러한 전략에 집중하기 때문에 다양한 출력을 생성하지 못하는 모드 붕괴라는 문제가 발생할 수도 있습니다.

사용 사례

생성적 적대 네트워크는 주로 원본과 매우 유사한 콘텐츠를 생성하는 데 사용됩니다. 예를 들어, 스톡 사진이나 비디오 게임에 사용하기 위해 설득력 있는 사람의 얼굴이나 실내 또는 풍경의 사실적인 사진을 제작할 수 있습니다. 또한 이미지를 컬러에서 흑백으로 변경하거나 이미지에서 얼굴을 노화시키는 등 어떤 방식으로든 변경된 이미지를 생성할 수도 있습니다. 즉, 모든 GAN이 이미지를 생성하는 것은 아닙니다. 예를 들어, 일부 GAN은 텍스트 음성 변환 출력을 생성하는 데 사용되었습니다.

확산 모델

확산 모델도 2010년대 중반에 등장하여 2020년대 초반까지 더 나은 성능을 제공하는 몇 가지 획기적인 발전을 이루었습니다. DALL-E, Stable Diffusion 및 Midjourney와 같은 이미지 생성 도구를 구동합니다.

확산 모델은 이미지에 가우스 노이즈를 도입하고 이를 일련의 단계로 왜곡한 다음 이러한 단계를 역전시키고 "노이즈가 있는" 이미지를 선명한 이미지로 변환하도록 모델을 교육하는 방식으로 작동합니다. (“가우스 노이즈”는 확률의 종형 곡선을 사용하여 노이즈가 무작위로 추가된다는 의미입니다.)

시끄러운 이미지는 VAE 인코딩과 비슷하다고 생각할 수 있으며 실제로 VAE와 확산 모델은 서로 관련되어 있습니다. 예를 들어 키 라임 파이의 훈련 데이터 이미지는 꽤 유사한 노이즈 버전으로 끝날 것입니다. 그러나 동일한 노이즈 이미지라도 매번 동일한 이미지로 "노이즈 제거"되지는 않습니다. 모델이 그 과정에서 정보에 근거한 추측을 하기 때문입니다.

생성 부분이 어디에 있는지 이미 파악했을 수도 있습니다. 모델에 시끄러운 공간의 이미지 표현을 제공하면 이미지의 노이즈를 제거하고 완전히 새롭고 선명한 그림을 제시할 수 있습니다. 이는 디코더가 인코딩에서 샘플링하는 방식과 비슷합니다. 그러나 한 가지 중요한 차이점이 있습니다. 그 과정에서 압축이 전혀 발생하지 않았다는 것입니다. 따라서 실제 데이터 손실이 발생하지 않으며 결과 이미지의 품질이 높아집니다.

텍스트 프롬프트에서 이미지로 이동하는 생성 AI 도구는 "유니콘 테마의 생일 케이크"와 같은 것이 어떻게 다른 이미지 기능에 매핑될 수 있는지 이해하는 별도의 모델의 도움을 받아 이를 수행합니다. 그런 다음 이러한 기능의 노이즈 버전이 반전되어 명확한 그림이 나타납니다.

장점과 단점

확산 모델은 훈련 데이터를 압축하지 않으므로 매우 사실적인 고품질 이미지를 생성할 수 있습니다. 그러나 다른 모델보다 훈련하는 데 훨씬 더 많은 리소스와 시간이 소요됩니다. 즉, 훈련 자체는 GAN의 모드 붕괴 및 적대적 네트워크의 다른 단점에 직면하지 않기 때문에 더 간단합니다. 또한 VAE에서 발생하는 데이터 손실(및 결과적으로 낮은 품질의 출력)로 인해 어려움을 겪지 않습니다.

사용 사례

확산 모델은 주로 이미지, 사운드 및 비디오 생성에 사용됩니다. 텍스트를 생성하는 데 사용할 수 없는 본질적인 이유는 없지만 지금까지는 변환기 기반 모델이 자연어에 더 효과적이었습니다.

언어 모델

언어 모델은 자연어의 확률 모델을 생성하는 모든 기계 학습 기술을 의미합니다. 오늘날 가장 잘 알려진 유형의 언어 모델은 대규모 언어 모델(LLM)으로, 대량의 원시 데이터를 학습하고 변환기 기반 아키텍처를 사용하여 텍스트를 생성합니다. (다음 섹션에서 변압기에 대해 자세히 알아보세요.)

변환기 기반 모델 이전에는 대부분의 최첨단 언어 모델이 순환 신경망(RNN)을 사용했습니다. 순환 신경망은 노드 사이의 상호 연결에 작은 루프를 도입하므로 기존의 피드포워드 신경망에서와 같이 노드는 현재 신호로부터 학습하는 것 외에도 최근 과거로부터도 학습할 수 있습니다. 이는 텍스트 스트림이나 음성 입력과 같은 자연어를 처리하거나 생성하는 데 중요합니다. 이미지와 달리 언어는 상황에 따라 매우 달라집니다. 이를 해석하는 방법은 이전에 발생한 내용에 따라 달라집니다.

장점과 단점

"언어 모델"은 이렇게 큰 모델 그룹을 나타내기 때문에 장점과 단점을 일반화하기가 어렵습니다. 언어 모델링의 과제에는 언어가 매우 고차원적이라는 사실이 포함됩니다. 특정 언어에는 엄청나게 많은 단어가 있으며 일부 조합은 훈련 데이터에 나타나지 않을 수도 있습니다.

더욱이, 언어는 시퀀스에서 이전에 나온 내용의 맥락에 크게 의존하므로 네트워크가 어떤 방식으로든 해당 맥락을 처리하거나 표현해야 합니다. 이러한 요구를 해결할 수 있는 능력으로 인해 장단기 기억과 전체 문장을 전체적으로 처리할 수 있는 변환기를 갖춘 RNN이 언어 모델을 위한 최첨단 아키텍처로 부상하게 되었습니다.

사용 사례

언어 모델은 번역, 요약, 문법 오류 수정, 음성 인식 및 더 많은 작업에 사용될 수 있습니다. 이는 다양한 애플리케이션을 통해 새로운 창의적 텍스트 콘텐츠를 생성하는 데 사용되며 데이터 분석 및 논리 퍼즐 해결과 같은 고급 추론 능력이 있음이 입증되었습니다. 흥미롭게도, 연구에 따르면 LLM의 새로운 능력은 공간 인식과 기본 그림을 만드는 능력입니다. 비록 그들이 전적으로 텍스트에 대해 교육을 받았음에도 말이죠.

Transformer 기반 모델

2017년 Google과 토론토 대학의 연구원들이 발명한 Transformers는 딥 러닝 분야에 혁명을 일으켰습니다. ChatGPT와 같은 대규모 언어 모델은 변환기 기반 모델이며 Google 검색결과도 변환기에 의해 구동됩니다.

변환기 기반 모델은 훈련 데이터를 사용하여 다양한 단어가 어떻게 관련되어 있는지 학습합니다. 예를 들어,케이크와파이는개념적으로 유사하지만케이크와망토는직접적인 관련이 없다는 것을 학습할 수 있습니다. 또한슬라이스가cake 및Pie와 연결될 수 있다는 사실도 학습할 수 있습니다. 특히 해당 단어가 가까이에 있는 경우 더욱 그렇습니다.

텍스트를 분석할 때 모델은 이 기본 이해를 사용하여 대규모 스프레드시트와 유사한 것을 구성합니다. 텍스트에서 두 단어를 찾아 해당 단어가 얼마나 관련되어 있는지에 대한 답변을 얻을 수 있습니다.

이러한 상황별 단서를 활용함으로써 변환기 모델은 언어를 적절하게 해석하고 대화의 잠재적인 연속성을 예측합니다. 예를 들어, 누군가가 한 세그먼트에서 케이크를 언급한 후 다음 세그먼트에서 생일에 대한 논의로 전환하면 모델은 확립된 언어 연결을 기반으로 촛불이나 파티에 대한 최종 언급을 예상합니다.

장점과 단점

언어 분석 및 생성과 관련하여 변환기는 이전 버전인 RNNS에 비해 몇 가지 장점이 있습니다. 각 단어를 순차적으로 처리하는 대신 네트워크 전체에서 텍스트를 병렬로 처리할 수 있습니다. 이를 통해 매우 큰 데이터 세트를 더 빠르고 효율적으로 학습할 수 있습니다. 또한 단어가 얼마나 멀리 떨어져 있는지에 관계없이 단어 사이를 연결하여 텍스트에서 더 많은 맥락을 활용할 수 있습니다.

그러나 변환기가 제대로 작동하려면 많은 데이터가 필요하며 데이터 세트가 작을수록 기존 신경망 아키텍처가 더 잘 작동할 수 있습니다.

사용 사례

Transformer에는 다양한 생성 AI 애플리케이션이 있습니다. 변환기 기반 모델은 일반적으로 텍스트나 음성을 생성하는 데 사용되지만 확산 모델보다 계산 집약도가 낮기 때문에 연구자들은 이미지 생성에 대한 사용을 모색하고 있습니다.

가장 유명한 것은 LLM이 변환기 기반 모델입니다. 언어 모델은 아키텍처의 디코더 부분만 사용합니다. 프롬프트는 앞에서 언급한 숫자 값, 확률 및 주의 데이터 세트인 인코딩으로 모델에 입력됩니다. 모델은 self-attention 메커니즘을 사용하고 프롬프트의 모든 단어를 병렬로 살펴봄으로써 입력을 디코딩합니다. 모델의 목표는 문장의 다음 단어에 대한 예측을 출력하는 것입니다.

Transformer에는 자연어 처리에서 텍스트를 생성하는 것 외에도 많은 응용 프로그램이 있습니다. 사실, 원래는 텍스트를 한 언어에서 다른 언어로 번역하거나 변환하기 위해 고안되었습니다. Grammarly는 변환기를 사용하여 문법 오류를 수정하는 방법에 대한 연구에 기여했습니다.

결론

생성적 AI 모델은 지난 10년 동안 큰 발전을 이루었습니다. 이제 이러한 모델의 발전, 작동 방식, 다양한 사용 사례에 적용할 수 있는 방법에 대해 조금 더 이해하셨기를 바랍니다. 그러나 이 기사는 단지 표면적인 부분만 다루었고 일반 독자에게 개요를 제공할 목적으로 많은 중요한 세부 사항을 생략했습니다. 이러한 모델의 기반이 되는 연구 논문을 연구하고 확률론적 및 통계적 관점에서 모델이 작동하는 방식에 대해 자세히 학습함으로써 이러한 모델 뒤에 있는 수학과 과학에 대해 계속해서 학습할 것을 권장합니다.