Maritime 4.0: Innovation Driven by AI, Data, and Cyber Security

Guide to Converting Speech to Text Using Python Those who have some experience in program development might have wondered or been intrigued by the idea of developing voice-based services when using AI speakers (or assistants). ^^ For such individuals, even those with limited development experience or lacking knowledge in natural language processing or speech recognition, there are several easy-to-follow packages that I would like to introduce. You can utilize these tools according to your specific situation Speech_recognition Speech Recognition Using Python: A Guide For those interested in voice recognition services, here's an overview of the available packages and tools you can use to convert speech to text in various languages. Below are some popular packages and APIs that support speech recognition in different languages: Popular Speech Recognition Libraries/Packages apiai assemblyai google-cloud-speech pocketsphinx SpeechRecognition watson-developer-cloud wit Speech Recogniti...

Topics Covered : Quantity of Information Entropy Information Gain KL Divergence Cross-Entropy These topics are fundamental to understanding how information is processed and measured in machine learning and deep learning models. By studying and organizing these concepts, I aim to improve my understanding of the underlying principles and their applications in AI models.

 과목 : Reinforcement Learning    

 

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding 석사를 졸업하고 10년이 지난 시점에서 다시 논문을 Review  하게 될 줄 예상치 못했습니다.  회사에서의 논문 세미나 발표 주제로 선정되어 급하게 자연어 처리에 대한 배경 지식 없이 자연어 처리의 끝판 왕(Google 이기에..) 격인 BERT 를 리뷰 하게 되었습니다 NLP 학습을 위한 목표 설정과 기본적인 개념을 정리하는 것을 목적으로 하고자 합니다.    (즉 논문 리뷰(요약, 분석, 비판적 접근, 개선) 성격 보다는 21년 1학기 자연어처리 수업을 수강하게 되어서.. 사전 예습 차원에서 용어,Trend 파악 성격으로 접근할까 합니다.  . ^^ ) 이후, 요구 되는 배경/관련 지식은 별도 정리해 나가도록 하겠습니다  논문 :  https://arxiv.org/abs/1810.04805  BERT : https://github.com/google-research/bert BERT Pytorch :  https://github.com/codertimo/BERT-pytorch

우리는 앞선 글을 통해 성공적으로  AI 서비스를  개발하거나 도입하는 것을 목적으로  프로젝트의 공식 착수 이전에  목표로 하는 AI 서비스에 대하여, 소속된 조직 내부는 물론 기업내 협력이 요구되는 조직들  각자가 서로 다른 정의와 기대 효과 그리고 활용 방안을 가지고 있던 상황을 해결할 필요가 있는것을  잘 알고 있습니다. 이를 위해 가장 먼저, 이해 관계자들이 그 추진 방향과 목표를 공감 할 수 있도록 잘  알려진 선행 사례와 수치를 활용하여 필요성 측면에서 사전 논쟁을 유도 하였으며  앞으로의 프로젝트 진행 단계 별 추진 방향에 대한 의사 결정의 매 순간  마다 이해 관계자들에게 정확한  정보를 전달 할 것임을 암시적으로 표현 하기도 하였습니다. 이제 남은 것은 관련 분야에 경험이나 지식이 없는 상황에서 잘못된 의사 결정이나 행동을 미연에 방지하기 위해   "사전에  충분한 지식을 전달하고 함께 학습 " 하는  것이라 생각 합니다. (나던 남이던 알면 얼마나 더 알겠는가.. 인터넷 검색만 해도 다 나오는 한 줌도 되지 않는 지식으로 자존심 세우려 하지 말고, 함께 학습 하며 결과물의 완성도를 높이는 대 힘쓰자~! 그것이 상생이다. 꼰대가 되지 말자~!) 이는 본인의 경험을 바탕으로 작성된 글임을 다시 한번 밝히며, 이러한 사항이 AI 업계에 종사 하시는 분들에게도 도움이 되기를 바라는 마음에  그 사례를 소개 하고자 합니다. (관련 전문 용어나 이미지 등은 하단의 reference 들을 참조 하여 작성 하였습니다.) 챗봇의 작동 원리 그리고 최적 성능 확보를 위한 노력   역은이: In-Sung Lee 모든 챗봇이 인간의 언어를 완벽히 이해하고 자연스럽게 대화하는 것을 목표로 가져야 할까요 ? 아마도 사람처럼 말하고 답변 하지 않는 단순 챗봇이라 하더라도 고객의 문제를 해결해 줄 수 있다면 그 자체로 의미가 있...