Practice makes perfect!

앱은 사용자 중심의 다양한 워크플로우 및 작업에 맞게 조정될 수 있어야 한다. 또한 휴대 기기는 리소스가 제한되어 있으므로, os가 새로운 앱을 위한 공간을 확보하도록 언제든지 일부 앱을 종료해야 할 수 있다. 이런 환경 조건을 고려해볼 때 앱 구성요소는 개별적이고 비순차적으로 실행될 수 있으며, 운영체제나 사용자가 언제든지 앱 구성요소를 제거할 수 있다. 이런 이벤트는 직접 제어할 수 없기 때문에 앱 구성요소에 애플리케이션 데이터나 상태를 저장하면 안되고, 앱 구성요소가 서로 종속되면 안된다. 일반 아키텍처 원칙 앱 아키텍처는 앱의 부분과 그 각 부분에 필요한 기능 간의 경계를 정의한다. 관심사 분리 Activity 또는 Fragment에 모든 코드를 작성하는 실수는 흔히 일어난다. 이러한 UI 기반의..

안드로이드는 화면을 구성할 때 배치되는 뷰들이 어디에 배치되는지 좌표를 직접 설정하지 않음. -> 안드로이드 디바이스 기기마다 액정 사이즈가 다른데, 똑같은 위치에 배치하면 view가 잘릴 수 있기 때문 안드로이드는 좌표가 아닌 '가운데 배치' 등 배치되는 모양을 결정한다. 개발자가 배치되는 모양을 결정하고 뷰들을 배치하면 안드로이드 OS가 단말기에 적합한 좌표를 계산하고 직접 뷰들을 배치하게 된다. Parent 와 Child 안드로이드는 화면을 구성하기 위해 layout을 먼저 배치하고 그 위에 다른 View들을 배치한다. 이때 layout을 Parent, 배치되는 view들을 Child라고 부른다. 모든 View 들은 단 하나의 Parent를 가질 수 있으며, 모든 layout은 다수의 Child를 ..

2019년 3분기 자료에 따르면 전 세계에서 안드로이드 OS를 탑재한 스마트폰이 약 85%, 아이폰이 11% 정도를 차지하고 있다. 2008년 9월에 최초의 안드로이드 1.0 버전이 공개되었고, 모든 소스 코드를 공개하는 오픈소스로 선언되었다. 주요 기능 - 모바일 기기를 위한 운영체제 - 안드로이드 SDK (Software Development Kit)는 Java를 기반으로 안드로이드 애플리케이션을 개발할 수 있는 API를 제공함 - 모바일용 데이터베이스인 SQLite 제공 - 모바일 기기에 내장된 각종 하드웨어(블루투스, 카메라, 와이파이..) 지원 특징 - 안드로이드는 여러 기업이 함께 개발하는 형식을 띠고 있지만, 대부분은 구글이 주도적으로 개발함 - 핵심 커널은 리눅스로 구성되어 있으며, 리눅스..

1. 인공지능 모델 개발을 위한 데이터 데이터의 종류 말뭉치 류 : 실제 텍스트 기반의 데이터 ex) 대화문, 기사, 댓글, 주석 말뭉치, 요약 말뭉치 등 사전/데이터베이스 류 : 텍스트 분석 시 참조로 사용되는 자원 ex) 온톨로지, 워드넷, 시소러스 등 언어 모델 평가를 위한 종합적인 벤치마크 등장 GLUE (General Language Understanding Evaluation) : 자연어 이해 (2018) Super GLUE (Difficult GLUE) : 고난도 자연어 이해 (2019) KILT (Knowledge-Intensive Language Tasks) : 지식기반 자연어 이해(2020) GEM (Natural Language Generation,Evaluation, Metrics)..

1. Definition of Bias Bias의 종류 Bias in learning 학습할 때 과적합을 막거나 사전 지식을 주입하기 위해 특정 형태의 함수를 선호하는 것 (inductive bias) A Biased World 현실 세계가 편향되어 있기 때문에 모델에 원치 않는 속성이 학습되는 것 (historical bias) 성별과 직업 간 관계 등 표면적인 상관관계 때문에 원치않는 속성이 학습되는 것 (co-occurrence bias) Bias in Data Generation 입력과 출력을 정의한 방식 때문에 생기는 편향 (specification bias) 데이터를 샘플링한 방식 때문에 생기는 편향 (sampling bias) 어노테이터의 특성 때문에 생기는 편향 (annotator bias..

1. Introduction to Open-domain Question Answering (ODQA) MRC : 지문이 주어진 상황에서 질의응답 ODQA : 지문이 따로 주어지지 않고 방대한 World Knowledge에 기반해서 질의응답 -> 봐야하는 문서의 크기가 매우 큼 ex) 서치 엔진 : 연관 문서 뿐만 아니라 질의 답을 같이 제공함. 1) History of ODQA Text retrieval conference (TREC) – QA Tracks (1999-2007) : 연관문서만 반환하는 information retrieval (IR)에서 더 나아가서, short answer with support 형태가 목표 (답을 갖고있는 문서를 같이 되돌려주는 형태) 1) Question process..

1. Passage Retrieval and Similarity Search How to find the passage in real time? -> Similarity Search 1) MIPS (Maximum Inner Product Search) 주어진 질문(query) 벡터 q에 대해 Passage 벡터 v들 중 가장 질문과 관련된 벡터를 찾아야함 (관련성은 inner product 값으로 계산) 검색 : 인덱싱 된 벡터들 중 질문 벡터와 가장 내적값이 큰 상위 k개의 벡터를 찾는 과정 인덱싱 : 방대한 양의 passage 벡터들을 저장하는 방법 brute-force(exhaustive) search : 저장해둔 모든 Sparse/Dense 임베딩에 대해 일일히 내적값을 계산하여 가장 값이 큰 p..

1. Introduction to Dense Embedding TF-IDF와 같은 sparse embedding은 벡터의 크기는 아주 크지만 그 안에 0이 아닌 숫자는 아주 적음 벡터의 차원 수가 매우 큰 것은 compressed format으로 극복 가능하지만, 유사성을 고려하지는 못함. 이 단점을 극복하기 위해 dense embedding이 많이 사용됨 1) Complementary to sparse representations by design 더 작은 차원의 고밀도 벡터 (length = 50-1000) 각 차원이 특정 term에 대응되지 않음. 차원이 모두 합쳐져 벡터 스페이스 상에서의 위치가 의미를 나타내도록 복합/부분적인 의미를 가짐 대부분의 요소가 non-zero값 (의미있는 값을 가짐) ..