Introduction

Code, Conept & Explanation

Custom Vision 활용 가이드

1. Azure CLI로 리소스 그룹 관리하기

• GUI 삭제 방법: Azure Portal을 통해 손쉽게 리소스 그룹을 삭제. CLI 삭제 추천 상황: 대량(100개 이상)의 리소스 그룹 삭제 - 시 효율적.
• CLI 명령어를 활용하면 반복 작업을 줄일 수 있음. CLI 사용 방법:

az group delete --name <리소스 그룹 이름> --yes --no-wait

CLI 명령 자동화

리소스 그룹 목록을 파일에서 가져와 처리:

1. Ctrl + H(macOS: Cmd + H)로 찾기 및 바꾸기.
2. 정규식 활용:

• 찾기: ^(.*)$
• 바꾸기: call az group delete --name \1 --yes --no-wait

3. 모든 줄을 명령어로 변환.

   2. 이미지 라벨링과 어노테이션

   주요 차이점:

   항목 | 라벨링(Labeling) | 어노테이션(Annotation) 목적 | 클래스 분류 | 객체 위치 및 세부 정보 제공 복잡도 | 단순 | 복잡 응용 분야 | 기본 객체 인식 | 객체 감지, 자율 주행 등

   3. COCO 데이터셋

• 구성:
  • 33만+ 이미지, 150만+ 객체 인스턴스 포함.
  • 객체 감지, 세그먼트, 키포인트 주석 지원.
• 활용 사례:
  • 객체 감지, 이미지 캡셔닝, 파노픽 세그먼테이션 등. JSON 포맷 주요 구성: 이미지, 어노테이션, 카테고리 정보 포함.

4. YOLO 모델과 어노테이션 특징: 한 번의 처리로 빠르고 정확한 객체 탐지. 정규화된 좌표(x_center, y_center, width, height) 사용. YOLO 어노테이션 형식: 텍스트 파일에 클래스 ID, 중심 좌표, 박스 크기 기록.
5. 어노테이션 포맷 비교 특징 COCO YOLO Pascal VOC 형식 JSON TXT XML 바운딩 박스 절대 좌표 정규화된 상대 좌표 절대 좌표 사용 사례 대규모 데이터셋 실시간 처리 모델 단순 프로젝트
6. Pylabel: 어노테이션 관리 라이브러리 지원 포맷: COCO, YOLO, Pascal VOC 등. 주요 기능: 포맷 변환, 필터링, 데이터 시각화. 사용자 정의 확장 가능. Azure Custom Vision 연동 사례:

COCO 형식으로 데이터 변환 후 Custom Vision에 업로드.

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Introduction

OpenCV와 Gradio를 활용한 실시간 얼굴 검출

Code, Conept & Explanation

Teachable Machine

가위, 바위, 보 게임 만들기 쉽게 모델 생성 및 배포 가능

1. OpenCV란?

OpenCV(Open Source Computer Vision)는 실시간 이미지 및 비디오 처리를 지원하는 오픈소스 라이브러리입니다. 다양한 프로그래밍 언어(C++, Python 등)를 지원하며 이미지 처리, 객체 검출, 머신 러닝 등 다양한 기능을 제공합니다.

OpenCV의 주요 활용 분야

• 공장 제품 검사
• 의료 영상 처리
• 자율주행
• CCTV 영상 분석
• 스포츠 분석

2. Haar Cascade를 활용한 얼굴 검출

Haar Cascade는 객체(특히 얼굴)를 검출하기 위한 알고리즘으로, Viola와 Jones가 제안했습니다. OpenCV는 이 알고리즘을 구현하여 제공합니다.

Haar Cascade의 주요 특징

• Haar 특징: 밝기 차이를 기반으로 객체 검출
• 적분 이미지: 빠른 연산을 위한 변환된 이미지
• Adaboost: 약한 분류기를 조합하여 강한 분류기로 구성
• Cascade Classifier: 여러 단계로 구성된 효율적인 검출 구조

3. 라이브러리 설치

OpenCV와 Gradio를 설치합니다.

pip install opencv-python gradio

4. 얼굴 검출 코드

아래는 OpenCV를 사용해 이미지를 처리하고 얼굴을 검출하는 코드입니다.

import cv2

# Haar Cascade 파일 로드
cascPath = cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
faceCascade = cv2.CascadeClassifier(cascPath)

def detect_faces(image):
    # 이미지를 OpenCV 형식으로 변환
    image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 얼굴 검출
    faces = faceCascade.detectMultiScale(
        gray,
        scaleFactor=1.1,
        minNeighbors=5,
        minSize=(30, 30),
        flags=cv2.CASCADE_SCALE_IMAGE
    )

    # 검출된 얼굴에 사각형 그리기
    for (x, y, w, h) in faces:
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

    # 이미지를 다시 RGB로 변환
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    return image

5. Gradio를 활용한 실시간 얼굴 검출

Gradio를 사용해 웹캠에서 실시간으로 얼굴을 검출하는 인터페이스를 구성합니다.

Gradio 코드

import gradio as gr

# Gradio Blocks 인터페이스 구성
with gr.Blocks() as demo:
    with gr.Row():
        webcam_input = gr.Image(source="webcam", streaming=True)
        output_image = gr.Image(streaming=True)

    def update(image):
        return detect_faces(image)

    webcam_input.stream(fn=update, inputs=webcam_input, outputs=output_image)

demo.launch()

6. 실행 결과

1. 위 코드를 실행하면 Gradio 인터페이스가 실행됩니다.
2. 웹캠을 통해 얼굴을 검출하고 결과를 실시간으로 표시합니다.
3. 검출된 얼굴에는 초록색 사각형이 표시됩니다.

   Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Introduction

Azure AI Vision은 이미지 분석과 비디오 처리에 강력한 기능을 제공합니다.

Code, Conept & Explanation

1. 이미지 검색 (Image Retrieval)

① 기능 설명

• 이미지 검색 기능은 키워드 또는 다른 이미지와 유사한 이미지를 찾아주는 기술입니다.
• 벡터 유사성 검색을 통해 텍스트 기반 키워드 검색보다 더 정확한 결과를 제공합니다.

  ② 주요 과정

1. 쿼리 입력: 텍스트나 이미지로 검색 조건을 설정합니다.
2. 검색 수행: 관련 이미지들의 목록을 반환.
3. 결과 확인: 검색된 이미지와 메타데이터를 제공합니다.

   ③ 활용 사례

• 사진 데이터베이스에서 특정 이미지 검색.
• 유사 제품 이미지 검색(예: 쇼핑몰).

  2. 배경 제거 (Background Removal)

  ① 기능 설명

• 이미지에서 전경 객체(사람, 사물 등)를 추출하여 배경을 제거하는 기능.
• 투명 배경 이미지를 생성해 객체를 다른 배경에 삽입 가능.

  ② 특징

  얇고 세밀한 구조(머리카락 등)를 처리 가능. 사람, 동물, 차량 등 주요 객체를 정확히 분리.

  ③ 활용 사례

• 전자상거래용 제품 사진 편집.
• 프로필 사진에서 배경 제거.

  3. 공간 분석 (Spatial Analysis)

  ① 기능 설명

  비디오 스트림을 분석하여 사람의 존재와 움직임을 감지. Azure IoT Hub와 통합하여 실시간 데이터 분석 가능.

  ② 주요 기능

1. 구역 내 인원 수 계산:
   • 특정 영역에 있는 사람의 수를 실시간으로 계산.
2. 출입 감지: 사람이 특정 구역에 출입하는 이벤트를 감지.
3. 사회적 거리 모니터링: 사람들 간의 거리와 마스크 착용 여부를 확인.

   ③ 활용 사례

• 스마트 오피스: 사무실 내 인원 관리.
• 이벤트 공간 관리: 군중 밀집도 모니터링.

  4. 비디오 검색 (Video Retrieval)

  ① 기능 설명

  비디오 콘텐츠를 분석하고 특정 프레임을 검색. 자연어 쿼리를 사용해 필요한 장면을 쉽게 찾을 수 있음.

  ② 주요 기능

1. 타임스탬프 제공:
   • 검색 결과와 함께 관련 프레임의 타임스탬프를 반환.
2. 비디오 요약:
   • 주요 장면을 자동으로 추출하여 요약본 생성.

     ③ 활용 사례

• 동영상 콘텐츠 관리: 특정 주제나 객체를 포함한 장면 검색.
• 보안 영상 분석: 사건 발생 시간대에 해당하는 비디오만 필터링.

  5. OCR (Optical Character Recognition)

  ① 기능 설명

• 이미지에서 텍스트를 인식하여 추출하는 기술.
• 인쇄 및 손글씨 텍스트 모두 지원.

  ② OCR 모델 비교

③ 활용 사례

• 영수증, 청구서 등 비즈니스 문서 자동 처리.
• 제품 라벨의 텍스트 정보 추출.

6. 개발 시 주의점

① CORS 설정

• Vision Studio와 Blob Storage를 연동하려면 CORS(Cross-Origin Resource Sharing) 설정이 필요합니다.
• 설정 방법:
  • Azure Portal > Blob Storage > 설정 > 리소스 공유.
  • 허용된 원본: https://portal.vision.cognitive.azure.com
  • 허용된 메서드: GET.

    ② 최적화 팁

1. 데이터 품질 관리:
   • 학습 데이터는 다양한 각도와 조명에서 준비.
2. 리소스 사용 최적화:
   • 비디오 분석 시 데이터 압축 및 필터링을 활용.

7. 활용 사례 요약

Azure AI Vision의 다양한 기능은 다음과 같은 분야에서 활용될 수 있습니다

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure AI Vision은 이미지와 비디오 데이터를 효율적으로 분석하여 다양한 비즈니스 요구를 충족할 수 있는 강력한 도구입니다. 각 기능을 활용하면 운영 효율성을 크게 높일 수 있습니다.

Introduction

Azure AI Vision 서비스는 컴퓨터 비전 기술을 통해 이미지를 분석하고 특정 용도에 맞는 모델을 학습시키는 도구입니다. 이번 글에서는 사용자 지정 모델(Custom Models) 생성 과정과 활용 방법에 대해 구체적으로 알아보겠습니다.

Code, Conept & Explanation

1. 사용자 지정 모델 생성 과정

Azure AI Vision의 사용자 지정 모델(Custom Models)은 이미지 분석 요구에 맞는 맞춤형 모델을 제공합니다. 다음은 사용자 지정 모델 생성의 주요 단계입니다.

① 데이터 준비

1. Blob Storage 설정

• Azure 포털에서 Blob Storage 계정을 생성합니다.
• Blob Storage는 학습 이미지와 레이블 데이터를 저장하는 데 사용됩니다.

2. 학습 데이터 업로드

• 다양한 환경(조명, 각도, 배경)에서 촬영된 학습 이미지를 업로드합니다.
• 학습 데이터는 최소한 각 카테고리당 5개의 이미지를 준비합니다.

  3. COCO 파일 생성

• COCO(Common Objects in Context) 파일은 JSON 형식으로, 객체의 경계 상자와 태그 정보를 포함합니다.
• Azure Machine Learning Studio를 통해 자동으로 생성하거나 직접 작성할 수 있습니다.

② 레이블링

1. Azure Machine Learning Studio에서 데이터 레이블링
   • 학습 데이터셋에서 객체를 선택하여 경계 상자를 지정합니다.
   • 예: "포크"라는 레이블을 이미지에서 포크 객체에 추가.
2. 레이블 범주 생성
   • 분석할 객체의 이름을 정의합니다. (예: 포크, 접시, 나이프)

③ 모델 학습

1. Vision Studio에서 데이터셋 연결
   • Blob Storage에 저장된 데이터셋을 선택하여 학습에 사용.
2. 학습 시간 설정
   • 최소 1시간 이상 학습이 필요하며, 데이터 양에 따라 시간이 증가합니다.
3. 모델 학습 시작
   • Vision Studio에서 ‘Train a new model’을 클릭하여 학습을 시작합니다.
4. 모델 성능 평가
   • 학습이 완료되면 테스트 데이터로 모델 성능(정확도, 신뢰도)을 평가합니다.

④ 모델 배포 및 활용

1. Vision Studio에서 모델 테스트
   • 이미지 파일을 업로드하고 객체 감지 또는 캡션 생성을 테스트합니다.
2. API 호출
   • 학습된 모델은 API로 배포할 수 있어 응용 프로그램에서 사용할 수 있습니다.

2. COCO 파일이란?

COCO 파일은 객체 탐지, 이미지 캡션 생성 등에 널리 사용되는 데이터 형식입니다.

구성 요소:

• 이미지 정보: ID, 파일명, 이미지 크기 등.
• 어노테이션: 객체의 경계 상자 좌표와 레이블 정보.
• 카테고리: 분석할 객체의 분류 이름. COCO 파일은 데이터 구조화와 학습 정확도 향상에 도움을 줍니다.

3. Vision Studio 활용

Azure AI Vision의 Vision Studio는 사용자 지정 모델을 쉽게 생성할 수 있는 웹 기반 도구입니다.

① Blob Storage 연결

• Vision Studio에서 학습 데이터를 Blob Storage와 연결합니다.

  ② 데이터셋 생성

• 데이터셋 이름과 목적을 지정하고 Blob Storage를 연결합니다.

  ③ 모델 학습

• 데이터셋을 선택한 후 학습을 시작합니다.
• 학습이 완료되면 성능 평가를 통해 모델의 정확도를 확인합니다.

4. 활용 사례

① 객체 감지

• 이미지 내 특정 객체(예: 포크, 컵)를 감지하고 경계 상자와 신뢰도 점수를 반환합니다.

  ② 이미지 캡션 생성

• 예: "테이블 위에 포크와 접시가 있습니다."와 같이 이미지의 주요 내용을 설명합니다.

  ③ 제품 인식

• 선반 위 제품의 유무를 감지하고 위치 정보를 제공합니다.

  ④ 배경 제거

• 이미지에서 객체를 배경과 분리하여 투명 배경 이미지를 생성합니다.

5. 주요 특징

1. Few-Shot Learning 지원
   • 적은 데이터로도 빠르게 학습 가능한 기술을 지원.
2. 다양한 활용성
   • 이미지 분석, 객체 감지, 제품 인식, 이미지 캡션 생성 등 여러 응용 분야에서 활용 가능.
3. 손쉬운 사용자 경험
   • Vision Studio의 간단한 UI로 초보자도 쉽게 모델을 학습시킬 수 있습니다.

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure AI Vision은 이미지 분석의 새로운 가능성을 열어주는 강력한 도구입니다. 데이터 준비부터 학습, 활용까지 모든 과정을 쉽게 수행할 수 있어 다양한 응용 분야에서 유용하게 사용됩니다.

Introduction

Microsoft Azure AI Vision 서비스는 이미지와 비디오 데이터를 효과적으로 분석하여 다양한 비즈니스 요구를 충족하는 데 유용한 도구입니다. 아래는 Azure AI Vision의 주요 특징과 활용 사례를 정리한 내용입니다.

Code, Conept & Explanation

주요 특징

1. 이미지 분석 (Image Analysis)

• 객체 탐지: 이미지에서 특정 객체의 위치와 이름을 식별.
• OCR (Optical Character Recognition): 이미지를 기반으로 다양한 언어로 인쇄 및 필기된 텍스트 추출.
• 이미지 캡션 생성: 이미지의 콘텐츠를 간단한 문장으로 설명.
• 색 구성표 감지: 이미지의 색상 팔레트 분석.
• 배경 제거: 이미지의 전경 객체를 추출하여 배경을 제거.

  2. 비디오 분석 (Video Analysis)

• 사람의 존재 및 움직임 감지: 공간 내의 사람 수를 계산하거나 이동 감지.
• 사회적 거리두기 모니터링: 비디오 피드를 분석하여 거리를 유지하고 있는지 확인.
• 라인 교차 감지: 사람들이 특정 선을 넘을 때 이벤트 생성.

  3. 맞춤형 모델 (Custom Models)

• Custom Vision: 소량의 데이터로 특정 목적에 맞는 이미지 분류 및 객체 탐지 모델 제작.
• Image Analysis 4.0: Florence 모델 기반으로 빠르고 정확한 데이터 분석.

코드 예제: 이미지 태깅

Python SDK를 사용하여 이미지에서 태그를 추출하는 예제입니다:

from azure.ai.vision.imageanalysis import ImageAnalysisClient
from azure.core.credentials import AzureKeyCredential

endpoint = "YOUR_ENDPOINT"
key = "YOUR_KEY"

client = ImageAnalysisClient(endpoint=endpoint, credential=AzureKeyCredential(key))

image_path = "sample.jpg"
with open(image_path, "rb") as f:
    image_data = f.read()

result = client.analyze(image_data=image_data, visual_features=["Tags"])
for tag in result.tags:
    print(f"Tag: {tag.name}, Confidence: {tag.confidence}")

활용 사례

1. 소매업

   • 선반 위 제품 식별 및 진열 상태 분석.
   • 플래노그램(제품 진열 지도) 일치 확인.

2. 보안

   • 실시간 출입 감지 및 경고 시스템.
   • 비디오 기반 위험 요소 감지.

3. 디지털 전환

   • 문서에서 데이터를 자동 추출하여 디지털화.
   • 배경 제거를 통해 전자 상거래용 제품 이미지 생성.

     Azure Vision Studio 활용

     Azure Vision Studio를 사용하여 코딩 없이 서비스를 테스트하고 커스텀 모델을 제작할 수 있습니다:

4. Vision Studio에 리소스 생성.

5. 데이터를 업로드하여 사용자 지정 데이터셋 구성.

6. 모델 학습 및 결과 테스트.

   Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure AI Vision은 이미지와 비디오 데이터를 분석하여 비즈니스 프로세스를 최적화할 수 있는 강력한 도구입니다. 이를 활용해 운영 효율성과 데이터 기반 의사 결정을 강화해보세요.

Introduction

Microsoft Azure AI Services 및 Document Intelligence 소개

1. Azure AI 개요

• Azure는 다양한 AI 기술을 지원하며, 통합 플랫폼을 통해 AI 모델의 개발, 배포, 관리가 가능합니다.
• 주요 기능:
  • Azure AI Studio: 생성 AI 솔루션 배포를 위한 플랫폼.
  • Azure Machine Learning: 데이터 준비부터 모델 배포까지의 전체 라이프사이클 관리.

    2. Document Intelligence (구 Form Recognizer)

• 문서 처리 및 데이터 추출에 특화된 Azure AI 서비스.
• 주요 기능:
  • 문서 분석 모델: 텍스트와 문서 구조 추출.
  • 사전 제작된 모델: 사용 사례에 맞춘 템플릿 제공.
  • 맞춤형 모델: 레이블 데이터로 특정 데이터 학습 가능.

    3. 주요 분석 기능

• 문서 및 양식에서 텍스트 추출. 다양한 언어 지원(한글 포함). PDF, 이미지 파일 등 다양한 포맷 분석 가능.

  Code, Conept & Explanation

  Azure AI Document Intelligence 기능별 설명

  1. 사전 제작된 모델

• Invoices: 청구서 정보 추출.
• Receipts: 영수증 정보 추출.
• Identity Documents: 여권, 면허증 등 신원 확인 문서 처리.

  2. 맞춤형 모델

• Custom Extraction: 정적 및 혼합 문서 형식 지원.
• Custom Classifier: 문서 유형 분류 및 적합한 모델 호출.

  3. Document Intelligence Studio

• 코드 작성 없이 데이터 추출 및 모델 생성 가능.
• 주요 분석 포맷:
  • PDF, Word, Excel 등.

Python 코드 예시

from azure.core.credentials import AzureKeyCredential
from azure.ai.formrecognizer import DocumentAnalysisClient

endpoint = "YOUR_FORM_RECOGNIZER_ENDPOINT"
key = "YOUR_FORM_RECOGNIZER_KEY"

client = DocumentAnalysisClient(endpoint=endpoint, credential=AzureKeyCredential(key))
form_url = "YOUR_DOCUMENT_URL"

poller = client.begin_analyze_document_from_url("prebuilt-invoice", form_url)
result = poller.result()

for document in result.documents:
    print(f"Vendor Name: {document.fields.get('VendorName').value}")

활용 사례

1. 기업 운영 개선: 문서 처리 자동화를 통해 데이터 관리 효율화.
2. 맞춤형 솔루션: 특정 비즈니스 니즈에 맞는 데이터 추출.
3. 환경 친화적 디지털 전환: 종이 문서를 디지털 데이터로 변환.

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure AI Document Intelligence는 문서 데이터를 효율적으로 처리하고 비즈니스 인사이트를 제공하는 강력한 도구입니다. 이를 활용해 운영 효율성과 데이터 기반 의사 결정을 강화할 수 있습니다.

Introduction

Microsoft의 Azure AI Speech Services는 강력한 음성 기반 애플리케이션을 구축하기 위한 다양한 기능을 제공합니다. 여기서는 Custom Neural Voice, Speech to Text Translation, Video Translation 세 가지 주요 기능을 소개합니다.

Code, Conept & Explanation

1. Custom Neural Voice (CNV)

개요

Custom Neural Voice는 텍스트 음성 변환(Text-to-Speech) 기술로, 브랜드 맞춤 음성을 만들 수 있는 기능입니다. 자연스러운 음성을 생성해 사용자 경험을 강화할 수 있습니다.

주요 기능

• Lite 버전: 데모 및 평가 목적으로 사용.
  • 20~50개의 발화로 모델 학습 가능.
  • Speech Studio에서 직접 스크립트를 녹음하여 훈련.
• Pro 버전: 비즈니스 애플리케이션용 고품질 음성 생성.
  • 전문 스튜디오 녹음 데이터 사용.
  • 300~2000개의 발화 필요.

    사용 방법

1. Speech Studio에서 CNV Lite 프로젝트 생성.
2. 텍스트 스크립트를 따라 음성 녹음.
3. 최소 20개의 문장을 녹음 후 학습 시작.
4. 학습 완료 후, 텍스트를 입력해 훈련된 음성을 테스트.

참고: Pro 버전을 사용하려면 Microsoft의 승인이 필요합니다.

2. Speech to Text Translation

개요

Azure Speech Services는 음성을 텍스트로 변환한 후, 다른 언어로 번역하는 기능을 제공합니다. 실시간 번역과 다양한 언어 지원이 특징입니다.

주요 기능

• 실시간 번역:
  • 마이크 입력 음성을 실시간 텍스트로 변환.
  • 텍스트를 설정한 대상 언어로 번역.
• 다중 대상 언어 번역:
  • 입력 언어를 여러 언어로 동시 번역 가능.
• 사용 사례:
  • 국제 회의 실시간 번역.
  • 교육 및 언어 학습 자료 제작.

    사용 방법

1. Speech Studio에서 음성 번역 기능 선택.
2. 입력 언어와 대상 언어 설정 (예: 영어 → 한국어).
3. 오디오 파일 업로드 후 번역 시작.
4. 번역 결과를 텍스트로 확인.

3. Video Translation (Preview)

개요

비디오 번역 기능은 동영상의 음성을 텍스트로 변환하고, 설정한 언어로 번역된 자막과 더빙을 추가합니다.

주요 기능

• 지원 파일 크기 및 길이:
  • 500MB 이하, 60분 이하 동영상 지원.
• 자동 자막 생성:
  • 원본 언어의 자막을 번역 언어로 생성.
• 더빙:
  • 번역된 텍스트를 음성으로 변환하여 동영상에 추가.

    사용 방법

1. Speech Studio에서 비디오 번역 프로젝트 생성.
2. 원본 비디오 업로드 및 원본 언어와 대상 언어 설정 (예: 스페인어 → 한국어).
3. 번역 작업 실행.
4. 결과 비디오에서 자막과 더빙 확인.

   Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure AI Speech Services는 음성 데이터를 활용한 애플리케이션 제작에 최적화된 플랫폼을 제공합니다.

Custom Neural Voice를 활용한 브랜드 맞춤 음성 제작부터, Speech to Text Translation 및 Video Translation 기능을 통한 글로벌 콘텐츠 제작까지 폭넓은 가능성을 제시합니다.

Introduction

Microsoft Azure AI Speech 서비스는 음성 인식 및 합성 기술을 기반으로 다양한 애플리케이션을 지원합니다. 이 서비스는 텍스트를 음성으로 변환하거나 음성을 텍스트로 변환하는 등의 작업을 포함하며, 이를 통해 효율적이고 사용자 친화적인 경험을 제공합니다.

Code, Conept & Explanation

주요 서비스 및 기능

1. 음성을 텍스트로 변환 (Speech to Text) 실시간 및 배치 모드로 음성을 텍스트로 변환합니다.

   • 실시간 변환: 회의 내용 기록, 캡션 생성 등
   • 배치 변환: 녹음된 파일 분석 및 텍스트화

2. 텍스트를 음성으로 변환 (Text to Speech) 사람처럼 자연스러운 음성을 합성하며, 기본 음성과 맞춤 음성을 지원합니다.

   • Neural TTS: 억양, 속도, 볼륨 등을 세밀하게 조정 가능
   • SSML: 음성 합성을 제어하는 표준화된 마크업 언어

3. 음성 번역 (Speech Translation) 음성 데이터를 다국어로 번역하며, 입력 언어를 자동으로 감지하는 기능을 제공합니다.

4. 화자 인식 (Speaker Recognition) 특정 화자의 신원을 확인하거나 식별하는 기술로 보안 및 개인화된 서비스에 활용됩니다.

5. 발음 평가 (Pronunciation Assessment) 언어 학습자를 위한 발음 평가 기능으로, 학습자에게 실시간 피드백을 제공합니다.

6. 맞춤형 모델 생성 (Custom Speech) 특정 도메인에 특화된 모델을 학습시켜 음성 인식 정확도를 향상시킵니다.

OpenAI Whisper 모델의 도입

Azure AI Speech 서비스는 OpenAI의 Whisper 모델을 통합하여 대용량 오디오 파일 처리와 다국어 번역 기능을 강화했습니다. Whisper는 다양한 파일 포맷을 지원하며, 화자 분리와 같은 고급 기능도 제공합니다.

Speech Studio 및 활용 사례

Azure Speech Studio는 코딩 없이도 다양한 기능을 테스트할 수 있는 직관적인 인터페이스를 제공합니다. 사용자는 CLI, SDK, REST API와 같은 다양한 방법으로 Speech 서비스를 활용할 수 있습니다.

활용 방법 및 설치 가이드

Azure Speech 서비스는 GUI, CLI, SDK, REST API 등을 통해 접근 가능합니다. 예를 들어:

• CLI 사용법

  spx recognize --file <audio-file-path>

• SDK 연동 다양한 프로그래밍 언어를 지원하며, Python 예제는 GitHub에서 확인할 수 있습니다.

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure AI Speech 서비스는 최신 음성 기술을 활용해 기업과 개인이 보다 효과적으로 커뮤니케이션하고 데이터를 처리할 수 있도록 돕습니다. 이 서비스는 특히 음성 데이터 활용에 혁신을 가져오며, 다양한 산업군에서 응용 가능성을 넓히고 있습니다.

Introduction

Azure Custom Text Classification은 특정 텍스트 데이터를 기반으로 맞춤형 텍스트 분류 모델을 생성하고 배포할 수 있는 강력한 AI 도구입니다. 아래는 실습에 필요한 주요 단계들을 정리한 글입니다.

Code, Conept & Explanation

1. 리소스 생성

1.1 리소스 그룹 생성

1. Azure Portal에서 리소스 그룹을 생성합니다.

• 태그 정보는 선택 사항.

  1.2 리소스 만들기

1. 생성된 리소스 그룹에서 리소스를 생성합니다.
2. Marketplace에서 AI Services를 검색하고 OpenAI 로고가 있는 버전을 선택합니다.

• 지역: 리소스 그룹과 동일.
• Pricing tier: Standard S0.

3. 리소스 생성 후 API Key와 Endpoint를 확인합니다.

2. 데이터 준비

2.1 데이터셋 다운로드

• GitHub에서 실습 데이터를 다운로드:
  • Custom Single Classification - WebOfScience.zip

    2.2 데이터 업로드

1. 압축을 해제하여 데이터 확인:

• JSON 파일 1개, TXT 파일 210개 포함.

2. Azure Blob Storage에 업로드:

• 이너 이름: single-label-classification-demo (사용자 정의 가능).

3. 프로젝트 생성 및 모델 학습

3.1 프로젝트 생성

1. Language Studio에서 Custom Text Classification 선택.
2. Create new project:
   • 프로젝트 이름 및 설명 작성.
   • Primary Language: English (US).
   • 업로드한 Blob Storage 데이터 연결.

     3.2 데이터 레이블링

• JSON 파일이 포함되어 있을 경우, 레이블링 과정은 생략 가능.
• 이미 준비된 데이터가 자동으로 로드됩니다.

  3.3 모델 학습

1. 학습 데이터와 테스트 데이터를 8:2 비율로 분리.
2. 학습 모델 이름을 지정한 뒤 학습을 시작.
3. 학습 완료 후 모델 성능을 평가:
   • Micro F1, Precision, Recall.
   • Confusion Matrix를 통해 모델의 분류 성능 확인.

     4. 모델 배포 및 테스트

     4.1 모델 배포

4. 학습된 모델을 선택하여 배포.
   • 배포 이름과 지역 지정.
5. 배포 완료 후 Language Studio에서 배포 상태를 확인.

   4.2 모델 테스트

6. 테스트 데이터 작성:

   The RISC-V instruction set architecture (ISA) has gained prominence due to its open-source nature and flexibility. In this study, we investigate recent enhancements in RISC-V architecture aimed at improving energy efficiency.

7. 배포된 모델을 테스트하여 결과 확인:

• 예: Electrical Engineering 카테고리가 도출됨.

  5. 주요 설정 및 팁

  5.1 데이터셋 관리

• 데이터셋 준비 시 각 텍스트 파일이 분류에 필요한 적절한 데이터를 포함하도록 구성.

  5.2 모델 성능 분석

• Confusion Matrix 및 개별 엔티티 성능 확인:
  • 잘못 분류된 데이터 확인 및 조정.

    5.3 활용 사례

• 연구 논문 분류.
• 고객 리뷰의 긍정/부정 분류.
• 도메인별 맞춤형 데이터 분류.

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure Custom Text Classification은 사용자의 요구에 맞는 맞춤형 텍스트 분류 모델을 손쉽게 생성하고 배포할 수 있는 강력한 도구입니다. 위 단계를 따라 실습을 진행하고, 성공적으로 모델을 구현해 보세요!

Introduction

Azure Custom NER은 특정 도메인 및 사용자 지정 엔터티를 식별하는 데 최적화된 AI 서비스입니다. 이 문서에서는 리소스 설정, 데이터 준비, 모델 학습 및 배포, 테스트 과정을 다룹니다.

Code, Conept & Explanation

1. 리소스 생성

1.1 리소스 그룹 생성

1. Azure Portal에서 리소스 그룹을 생성합니다.

• 지역: Australia East 선택 (CLU 작업 필수 지역).
• 태그 정보는 선택 사항.

  1.2 리소스 만들기

1. 리소스 그룹에서 새 리소스를 생성합니다.
2. Marketplace에서 AI Services를 검색하고 OpenAI 로고가 있는 최신 버전을 선택합니다.

• 지역: 리소스 그룹과 동일.
• Pricing tier: Standard S0.

2. 데이터 준비

2.1 데이터 업로드

1. GitHub에서 실습 데이터를 다운로드:

• Custom NER Loan Agreements 데이터셋

2. 데이터 압축 해제 후 Blob Storage에 업로드:

• json 파일 1개, txt 파일 23개 (학습용 20개, 테스트용 3개).

  2.2 Blob Storage 설정

1. Azure Portal에서 생성된 리소스 그룹으로 이동.
2. Blob Storage 컨테이너 생성 후 데이터를 업로드.

   3. Custom NER 프로젝트 생성

   3.1 프로젝트 설정

3. Language Studio에서 Custom Named Entity Recognition을 선택.
4. 새 프로젝트 생성:

• 프로젝트 이름과 설명 작성.
• Primary Language: English (US).

  3.2 데이터 로딩

1. Blob Storage 컨테이너에서 데이터 자동 연결 확인.
2. JSON 파일이 포함된 경우 Labeling 과정은 생략.

   4. 모델 학습

   4.1 데이터 분할

3. 데이터셋을 학습용(80%)과 테스트용(20%)으로 분리.
4. 학습 모델 이름 지정 후 학습 시작.

   4.2 모델 평가

5. 모델 학습 후 성능 지표 확인:

• Micro F1, Precision, Recall.
• Confusion Matrix를 통해 오분류 확인.

  5. 모델 배포

  5.1 배포 설정

1. 학습된 모델을 선택하여 배포 시작.

• 배포 이름 지정.

2. 배포 완료 후 Language Studio에서 확인.

   5.2 모델 테스트

3. GitHub의 테스트 데이터(3개) 중 하나를 선택.
4. Run the test로 결과 확인.
5. 사용자 지정 엔터티 검색 결과를 확인:

• 예: "Loan Agreement"에서 채권자, 채무자 등의 정보 추출.

  6. 주요 사례

  6.1 정보 추출

• 법률 문서, 금융 서식 등에서 특정 정보를 자동으로 추출.

  6.2 지식 검색

• 엔터티 기반으로 문서를 분류하거나 검색 성능을 강화.

  6.3 감사 및 컴플라이언스

• 긴 텍스트 파일에서 엔터티를 자동으로 검토하여 규정 준수.

  Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Introduction

Azure Custom Question Answering은 대화형 AI 시스템을 구축하는 데 도움을 주는 강력한 도구입니다. 이 가이드는 리소스 설정, 지식 기반 구축, 그리고 배포 및 테스트 과정까지의 주요 단계를 설명합니다.

Code, Conept & Explanation

1. 리소스 생성

1.1 리소스 그룹 생성

Azure Portal에서 리소스 그룹을 생성합니다. 그룹 이름과 지역을 지정합니다.

1.2 AI Services 리소스 생성

Marketplace에서 AI Services를 검색합니다. OpenAI 로고가 있는 최신 버전을 선택합니다. 리소스 이름, 지역, Pricing Tier (Standard S0)를 설정한 뒤 리소스를 생성합니다.

2. Language Studio 설정

2.1 Language Studio 접속

1. 생성된 리소스를 통해 Language Studio에 접속합니다.
2. Custom Question Answering을 선택하여 설정을 시작합니다.

   2.2 프로젝트 생성

3. 새 프로젝트를 생성하고 언어를 지정합니다.

• 프로젝트별로 언어를 지정하거나 모든 리소스에 동일한 언어를 설정할 수 있습니다.

2. 기본 답변 메시지 설정:

• 질문에 대한 답을 제공할 수 없는 경우 반환할 기본 메시지를 설정합니다.
• 예: "No answer found. Please contact administrator."

3. 지식 기반 구축

3.1 데이터 소스 추가

1. 지식 기반을 구축하기 위해 관련 데이터를 업로드합니다.

• URL: 원격 리소스 주소.
• 파일 업로드: 로컬 문서를 업로드.
• Chitchat 추가: 친근한 챗봇 응답을 위해 잡담 데이터를 포함.

  3.2 예제 URL

• 예제 URL: Surface Book User Guide
  • 파일 크기가 크므로 Standard Tier가 필요합니다.

    3.3 지식 기반 편집

• 가져온 데이터를 기반으로 자동 생성된 답변을 수정하거나 보완합니다.

  4. 테스트 및 배포

  4.1 테스트

1. Language Studio에서 챗봇 기능 테스트를 수행합니다.

• 화면 오른쪽 아래의 채팅창을 사용하여 질문 입력.
• "Short answer"와 "Long answer" 옵션을 포함하여 응답 확인.

  4.2 배포

1. 학습한 모델을 배포합니다.

• 배포 이름을 지정하고 지역을 설정합니다.

2. Azure Portal에서 배포 완료 상태를 확인합니다.

   4.3 Azure Bot 생성

3. Language Studio에서 Azure Portal로 이동하여 Bot을 생성합니다.

• App Service Plan을 설정하고 Language Resource Key를 입력합니다.

2. 배포가 완료되면 Azure Bot을 통해 테스트를 수행합니다.

   5. 주요 설정 및 팁

   5.1 데이터 레이블링

• 직접 데이터를 레이블링하거나, 레이블이 포함된 JSON 파일을 사용하면 학습 단계를 간소화할 수 있습니다.

  5.2 배포 상태 확인

• 배포 완료 후 Azure Portal에서 생성된 Bot의 상태를 확인하세요.
• Language Studio와 Azure Bot에서 동일한 테스트를 수행하여 응답의 일관성을 검증합니다.

  5.3 모델 성능 평가

• Language Studio에서 제공하는 Inspect 기능을 사용하여 답변의 신뢰도를 분석합니다.

  Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure Custom Question Answering은 사용자 질문에 대해 정확하고 유용한 답변을 제공하는 데 최적화된 도구입니다. 올바른 데이터 준비, 학습, 배포 과정을 통해 고품질의 대화형 AI 시스템을 구축할 수 있습니다.

Introduction

Azure Conversational Language Understanding(CLU)은 사용자의 대화 데이터를 분석하여 의도(Intent)와 엔티티(Entity)를 식별하는 AI 서비스입니다. 이 문서에서는 CLU를 설정, 학습, 배포하는 방법을 정리했습니다.

Code, Conept & Explanation

특정 분야에 맞춰서 특화된 답변을 하는 챗봇

여행사 등 특정 서비스에서 활용 기대

리플릿에서 구현

https://replit.com/

HTML 통해 생성

1. 리소스 생성 및 설정

1.1 리소스 그룹 생성

1. Azure Portal에서 리소스 그룹을 생성합니다.

• 리소스 그룹 이름을 지정합니다.
• 지역을 선택합니다 (CLU 작업은 Australia East에서 가능합니다).

1.2 AI 서비스 리소스 생성

1. Marketplace에서 AI Services를 검색합니다.
2. OpenAI 로고가 포함된 최신 버전을 선택합니다.
3. 리소스 이름, 지역, Pricing Tier (Standard S0)를 설정한 뒤 리소스를 생성합니다.

1.3 Language Studio로 이동

1. 생성된 리소스를 통해 Language Studio에 접속합니다.
2. Custom Conversational Language Understanding을 선택하여 설정을 시작합니다.

2. CLU 프로젝트 생성 및 학습

2.1 프로젝트 생성

1. Language Studio에서 Create new project를 선택합니다.
2. 프로젝트 이름을 입력하고 데이터 언어를 설정합니다.

   2.2 데이터 업로드

3. JSON 또는 텍스트 데이터를 업로드합니다.

• GitHub 예제: EmailAppDemo.json

2. 데이터 레이블링(Schema Definition, Data Labeling) 단계를 완료하거나 이미 준비된 데이터를 사용할 수 있습니다.

   2.3 학습 실행

3. 모델 학습을 위해 다음 설정을 진행합니다:

• 학습 모델 이름 지정.
• Standard Training(무료) 또는 Advanced Training(다국어 지원) 선택.
• 데이터 세트를 학습/테스트 용도로 분리.

2. 학습을 완료하고 모델 성능(Micro F1, Precision, Recall)을 확인합니다.

3. CLU 모델 배포 및 테스트

3.1 모델 배포

1. 학습된 모델을 배포합니다:

• 배포 이름을 지정합니다.
• 배포할 지역을 선택합니다.

2. 배포 상태를 확인합니다.

   3.2 모델 테스트

3. 배포된 모델을 API 호출로 테스트합니다.
4. 사용자의 입력 문장에서 의도와 엔티티를 분석합니다.

4. 오류 해결 방법

4.1 Cannot find published project 오류

• 오류 원인: 지정된 프로젝트 이름 또는 배포 이름이 일치하지 않음.
• 해결 방법:

1. Language Studio에서 프로젝트 이름과 배포 이름을 확인합니다.
2. API 호출 코드에서 올바른 이름을 설정합니다.

   4.2 Input documents cannot be a string

• 오류 원인: API가 문자열 대신 JSON 배열을 요구.
• 해결 방법:

  {
    "documents": [
        { "id": "1", "text": "문서 내용" }
    ]
  }

5. Python API 호출 예제

from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential

# 설정
endpoint = "https://<your-endpoint>.cognitiveservices.azure.com/"
key = "<your-key>"
project_name = "ProjectName"
deployment_name = "DeploymentName"

# 클라이언트 생성
client = TextAnalyticsClient(endpoint=endpoint, credential=AzureKeyCredential(key))

# 데이터 준비
documents = [{"id": "1", "text": "Sample text for analysis."}]

# 요청
poller = client.begin_single_label_classify(
    documents=documents,
    project_name=project_name,
    deployment_name=deployment_name
)

result = poller.result()
for doc in result:
    if doc.classifications:
        for classification in doc.classifications:
            print(f"Category: {classification.category}, Confidence: {classification.confidence_score:.2f}")

6. 모델 성능 평가

6.1 주요 지표

• Micro F1 Score: 전체 모델의 정확도.
• Precision: 올바른 예측 비율.
• Recall: 실제 인스턴스를 올바르게 예측한 비율.

  6.2 성능 시각화

  Language Studio에서 모델의 의도(Intent)와 엔티티(Entity)별 성능 지표를 확인할 수 있습니다.

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure Conversational Language Understanding은 대화 데이터를 분석하고 이해하는 데 강력한 도구입니다. 올바른 프로젝트와 배포 설정, 그리고 적절한 학습 데이터 준비를 통해 높은 정확도의 모델을 구현할 수 있습니다.

Introduction

인선미 강사님

Azure AI 서비스란?

Azure AI 서비스는 클라우드 기반 서비스로, 다양한 AI 기능을 제공하여 정교하고 지능적인 애플리케이션을 개발할 수 있는 빌딩 블록입니다. 이를 활용하면 자연어 처리, 컴퓨터 비전, 의사결정 지원 등 여러 범주에 걸친 AI 작업을 수행할 수 있습니다.

Code, Conept & Explanation

자연어 처리(NLP)

정의

자연어 처리는 인간의 서면 및 음성 언어를 이해하고, 이를 기반으로 적절히 응답하는 AI 기술입니다. 이를 통해 텍스트 분석, 문서 요약, 브랜드/회사명 추출 등 다양한 작업을 수행할 수 있습니다.

주요 활용 사례

• 감정 분석: 소셜 미디어 피드의 감정을 검색하여 제품 마케팅에 활용.
• 문서 요약: 대량의 문서를 효율적으로 요약.
• 텍스트에서 주요 엔터티 추출: 브랜드 및 특정 회사명을 식별.

NLP 기술 및 프로세스

텍스트 분석

구조화되지 않은 텍스트에서 유의미한 정보를 추출하기 위해 다음과 같은 기술이 사용됩니다:

• 토큰화: 텍스트를 단어 단위로 분리하여 분석.
• 빈도 분석: 주요 단어와 주제를 파악.
• 텍스트 분류: 머신러닝 알고리즘을 통해 텍스트를 긍정/부정으로 분류.

텍스트 요약

긴 텍스트 본문에서 주요 요점을 요약하여 정보의 핵심을 간결하게 전달합니다.

Azure AI 서비스 활용 방법

1. 리소스 생성: Azure 포털에서 AI 리소스를 설정.
2. 엔드포인트 및 키 식별: REST API와 SDK를 활용해 서비스에 접근.
3. REST API 사용: HTTP 요청을 통해 데이터를 전송하고 결과를 JSON 형태로 반환.

주요 Azure AI 서비스

• Azure OpenAI: GPT-4 모델을 활용한 생성형 AI.
• Azure Custom Vision: 이미지 분류 및 개체 탐지 지원.
• Azure Cognitive Search: 문서에서 통찰력을 제공하는 검색 솔루션.
• Azure Immersive Reader: 접근성을 높이는 읽기 솔루션.

주요 메서드

1. authenticate_client

역할

Azure Cognitive Services에 인증된 클라이언트를 생성합니다. 이후 다른 메서드에서 이 클라이언트를 사용해 텍스트 분석 작업을 수행합니다.

코드

def authenticate_client():
    load_dotenv()  # 환경 변수(.env 파일) 불러오기
    ai_endpoint = os.getenv('AI_SERVICE_ENDPOINT')  # API 엔드포인트
    ai_key = os.getenv('AI_SERVICE_KEY')  # API 키
    ta_credential = AzureKeyCredential(ai_key)  # API 키로 인증 객체 생성
    return TextAnalyticsClient(endpoint=ai_endpoint, credential=ta_credential)  # 클라이언트 반환

입력

• .env 파일에 저장된 AI_SERVICE_ENDPOINT와 AI_SERVICE_KEY.

  출력

• TextAnalyticsClient: 텍스트 분석 API와 통신할 수 있는 클라이언트 객체.

  2. analyze_text_files

  역할

  지정된 폴더에서 텍스트 파일을 읽고, 텍스트 분석 메서드(감정 분석, 엔터티 추출 등)를 호출합니다.

코드

def analyze_text_files(client, folder_path):
    for file_name in os.listdir(folder_path):  # 폴더 내 파일 목록 반복
        file_path = os.path.join(folder_path, file_name)
        with open(file_path, encoding='utf8') as file:
            text = file.read()  # 파일 내용 읽기
        print(f"Analyzing File: {file_name}\n{text}\n")
        detect_language_result = client.detect_language(documents=[text])[0]  # 언어 감지
        detected_language = detect_language_result.primary_language.iso6391_name  # 언어 코드 가져오기
        sentiment_analysis(client, text, detected_language)  # 감정 분석
        extract_entities(client, text, detected_language)  # 명명된 엔터티 추출
        extract_linked_entities(client, text, detected_language)  # 링크된 엔터티 추출
        extract_key_phrases(client, text, detected_language)  # 핵심 구 추출

입력

• client: 인증된 클라이언트 객체.
• folder_path: 분석할 텍스트 파일이 있는 폴더 경로.

  출력

• 각 파일에서 수행된 분석 결과를 콘솔에 출력.

  3. sentiment_analysis

  역할

  텍스트의 감정을 분석하여 긍정, 중립, 부정 점수를 반환합니다.

코드

def sentiment_analysis(client, text, language):
    result = client.analyze_sentiment(
        documents=[{'id': '1', 'language': language, 'text': text}],
        show_opinion_mining=True
    )[0]
    print(f"Document Sentiment: {result.sentiment}")
    print("Overall scores: positive={0:.2f}; neutral={1:.2f}; negative={2:.2f}".format(
        result.confidence_scores.positive,
        result.confidence_scores.neutral,
        result.confidence_scores.negative,
    ))

입력

• text: 감정을 분석할 텍스트.
• language: 텍스트의 언어 코드(예: "en"은 영어, "ko"는 한국어). 출력 문서 전체의 감정(positive, neutral, negative). 긍정, 중립, 부정 점수.

  4. extract_entities

  역할

  텍스트에서 장소, 사람, 조직 등의 엔터티를 추출합니다.

코드

Copy code
def extract_entities(client, text, language):
    result = client.recognize_entities(
        documents=[{'id': '1', 'language': language, 'text': text}]
    )[0]
    print("\nNamed Entities:")
    for entity in result.entities:
        print(f"  Text: {entity.text}, Category: {entity.category}, Confidence Score: {entity.confidence_score}")

입력

• text: 엔터티를 추출할 텍스트.
• language: 텍스트의 언어 코드.

  출력

• 텍스트에서 추출된 엔터티 정보:
  • Text: 엔터티 텍스트(예: "서울").
  • Category: 엔터티 카테고리(예: "Location", "Organization").
  • Confidence Score: 신뢰 점수.

    5. extract_linked_entities

    역할

    텍스트의 엔터티를 외부 데이터 소스(예: Wikipedia)와 연결합니다.

코드

def extract_linked_entities(client, text, language):
    result = client.recognize_linked_entities(
        documents=[{'id': '1', 'language': language, 'text': text}]
    )[0]
    print("\nLinked Entities:")
    for entity in result.entities:
        print(f"  Name: {entity.name}, Source: {entity.data_source}, URL: {entity.url}")
        for match in entity.matches:
            print(f"    Match Text: {match.text}, Confidence Score: {match.confidence_score}")

입력

• text: 링크된 엔터티를 추출할 텍스트.
• language: 텍스트의 언어 코드.

  출력

• 링크된 엔터티 정보:
  • Name: 엔터티 이름(예: "서울").
  • Source: 데이터 소스(예: Wikipedia).
  • URL: 엔터티에 대한 링크.

    6. extract_key_phrases

    역할

    텍스트에서 주요 구문(키워드)을 추출합니다.

코드

def extract_key_phrases(client, text, language):
    result = client.extract_key_phrases(
        documents=[{'id': '1', 'language': language, 'text': text}]
    )[0]
    print("\nKey Phrases:")
    for phrase in result.key_phrases:
        print(f"  {phrase}")

입력

• text: 핵심 구를 추출할 텍스트.
• language: 텍스트의 언어 코드.

  출력

• 텍스트에서 추출된 주요 구문(키워드). 요약된 흐름

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

1. authenticate_client: 클라이언트를 생성합니다.
2. analyze_text_files: 폴더 내 모든 파일을 읽고, 각각의 텍스트에 대해 다음 메서드를 호출합니다:

• sentiment_analysis: 텍스트의 감정을 분석.
• extract_entities: 장소, 사람, 조직 등의 엔터티를 추출.
• extract_linked_entities: 엔터티를 외부 데이터와 연결.
• extract_key_phrases: 텍스트에서 주요 키워드를 추출.

1. 원하는 데이터를 기반으로 LLM 모델을 생성할 수 있습니다.
2. 인덱스, 인덱서, 의미 체계 설정하는 법을 소개합니다.
3. 콘텐츠 차단하는 법을 소개합니다.

Introduction

김수진 강사님 Azure OpenAI 활용 - 검색 증강 및 콘텐츠 필터 Azure OpenAI와 AI Search를 활용한 RAG 및 콘텐츠 필터

Code, Conept & Explanation

1. Azure Portal 소개

Azure Portal은 웹 기반의 통합 콘솔로, Azure 구독을 관리하고 필요한 리소스를 생성 및 배포할 수 있는 강력한 도구입니다.

주요 특징:

• 간단한 웹앱부터 복잡한 클라우드 배포까지 구축 가능.
• 리소스 그룹 및 사용자 지정 대시보드 지원.
• portal.azure.com에서 시작 가능.

2. 리소스 그룹 생성

리소스 그룹은 Azure에서 함께 사용하는 리소스를 관리하는 단위입니다.

생성 방법:

1. Azure Portal로 이동 → "리소스 그룹" 클릭 → "만들기" 선택.
2. 구독, 이름, 지역 입력 → "검토 + 만들기" 클릭.
3. 생성 완료 후 검색 창에서 이름으로 검색 가능.

3. Azure AI Search를 사용한 데이터 검색

Azure AI Search는 데이터를 구조화하고 검색 가능한 인덱스를 생성해 검색 품질을 향상시키는 서비스입니다.

주요 구성 요소:

1. 데이터 소스: Blob Storage, SQL 등 연결 가능한 데이터 저장소.
2. 인덱스: 검색 필드를 정의.
3. 인덱서: 데이터를 가져와 인덱스로 변환.

4. 구성 단계

4.1 데이터 소스 추가

1. Azure Blob Storage에 데이터를 업로드.
2. AI Search에서 데이터 원본으로 Blob Storage를 선택.

4.2 인덱스 생성

검색 가능한 데이터의 구조를 정의합니다.

인덱스 JSON 예시:

{
  "name": "festival-index",
  "fields": [
    { "name": "id", "type": "Edm.String", "key": true },
    { "name": "festival_name", "type": "Edm.String", "searchable": true },
    { "name": "venue", "type": "Edm.String", "searchable": true },
    { "name": "latitude", "type": "Edm.Double", "filterable": true },
    { "name": "longitude", "type": "Edm.Double", "filterable": true }
  ]
}

4.3 인덱서 생성

데이터 소스와 인덱스를 연결하여 데이터를 자동으로 인덱싱합니다.

인덱서 JSON 예시:

{
  "name": "festival-indexer",
  "dataSourceName": "<YOUR_DATASOURCE_NAME>",
  "targetIndexName": "festival-index",
  "fieldMappings": [
    { "sourceFieldName": "Festival Name", "targetFieldName": "festival_name" },
    { "sourceFieldName": "Venue", "targetFieldName": "venue" }
  ]
}

4.4 의미 체계 설정 (Semantic Configuration)

검색 품질 향상을 위해 의미 체계를 적용합니다.

의미 체계 JSON 예시:

{
  "name": "festival-semantic",
  "configurations": [
    {
      "titleField": { "fieldName": "festival_name" },
      "contentFields": [
        { "fieldName": "venue" }
      ],
      "keywordFields": [
        { "fieldName": "festival_name" },
        { "fieldName": "id" }
      ]
    }
  ]
}

5. 결과 확인 및 활용

테스트: AI Search에서 데이터를 검색하고 결과를 확인. 배포: 검색 서비스 결과를 웹앱 형태로 배포하여 사용 가능.

6. 콘텐츠 필터링

• Azure OpenAI의 기본 및 사용자 지정 콘텐츠 필터를 통해 부적절한 응답을 방지할 수 있습니다.
• 기능:
  • 안전한 콘텐츠 제공 (증오, 폭력, 자해 등 분류).
  • 사용자 정의 설정으로 특정 단어 및 주제 필터링.

7. 책임 있는 AI 운영

• 잠재적 피해 식별: 모델의 출력에서 발생할 수 있는 유해 콘텐츠를 분석.
• 피해 완화 단계:
  1. 모델 선택 및 미세 조정.
  2. 안전 시스템 계층 적용.
  3. 프롬프트 최적화 및 Grounding Data 사용.
  4. 사용자 환경 개선.

Challenges & Solutions

Results

What I Learned & Insights

원하는 데이터를 기반으로 LLM을 활용하는 법을 실습했습니다. 원하는 방향으로 LLM 을 활용할 수 있다는 점이 신선했습니다.

주변에서 AI 기술에 대한 이해보다도 AI 기술을 어떻게 활용할지에 대한 고민이 더 필요하다고 했던 조언들이 머리와 가슴으로 다가왔습니다.

Conlusion

Azure OpenAI와 AI Search를 활용하면 고품질의 사용자 맞춤형 AI 검색 서비스를 구축할 수 있습니다. 이를 통해 기업 데이터를 효율적으로 활용하고, 더 나은 사용자 경험을 제공합니다.

Introduction

RAG (Retrieval-Augmented Generation)은 대규모 언어 모델(LLM)의 한계를 극복하기 위해 제안된 자연어 처리 기술입니다.

RAG는 LLM이 외부 데이터베이스를 활용하여 더욱 정확하고 맥락에 맞는 답변을 생성하도록 돕습니다.

Code, Conept & Explanation

RAG 모델의 핵심 아이디어

RAG는 검색(Retrieval)과 생성(Generation)을 결합하여 대규모 언어 모델의 성능을 강화하는 접근 방식입니다.

RAG는 언어 모델이 특정 질문이나 요청에 대해 외부 데이터베이스나 문서에서 관련 정보를 검색하고 이를 활용해 더 정밀하고 맥락에 맞는 응답을 생성하도록 설계되었습니다.

RAG 모델의 작동 원리

Retriever(검색기):

입력된 질문에 대해 관련 문서를 검색.

• 입력 문장(예: 질문)이 주어지면, 관련성이 높은 문서를 외부 데이터베이스(예: 위키피디아, 사전 구축한 문서 코퍼스 등)에서 검색합니다.
• 일반적으로 Dense Retrieval 모델(예: DPR, BM25)이 사용됩니다.

Generator(생성기):

검색된 문서를 바탕으로 최종 답변을 생성.

• 검색기로부터 검색된 문서들을 입력으로 받아, 질문에 대한 응답을 생성합니다.
• 주로 Seq2Seq 모델(예: BART, T5)이 사용됩니다.

RAG vs 미세 조정

• 미세 조정: 모델 자체를 특정 작업에 맞게 학습시키는 방식. 비용과 시간이 많이 소요됨.
• RAG: 기존 모델을 학습시키지 않고 외부 데이터를 연결하여 빠르고 효율적인 결과 생성.

RAG의 작동 방식

1. 질문 또는 요청이 주어지면, 검색기가 데이터베이스에서 관련성이 높은 문서들(top-K)를 검색합니다.
2. 검색된 문서들은 생성기의 입력으로 전달됩니다.
3. 생성기는 검색된 문서를 참고하여 질문에 대한 응답을 생성합니다.

RAG 모델의 장점

1. 외부 지식 활용: 모델이 학습된 데이터 외에도 최신 데이터나 특정 도메인의 지식을 활용할 수 있습니다.
2. 효율성: 대규모 언어 모델을 단독으로 사용할 때보다 작은 크기의 모델로도 높은 성능을 낼 수 있습니다.
3. 투명성: 검색된 문서와 생성된 응답을 제공하므로, 응답의 출처를 확인할 수 있습니다.

RAG 모델의 활용 사례

1. 질문 답변 시스템 (Q&A) 예: 의료 지식, 법률 정보 등 특정 도메인에서 사용자 질문에 답변.

2. 문서 요약 및 생성 긴 문서를 기반으로 요약 생성.

3. 지식 기반 챗봇 최신 정보를 제공하거나 특정 도메인에 최적화된 대화 시스템 개발.

4. 제품 추천 사용자 피드백과 관련 문서를 검색하여 개인화된 제품 추천 제공.

RAG 모델의 단점

1. 검색 정확도 의존: 검색기가 잘못된 문서를 선택하면, 생성기 역시 오류가 있는 응답을 생성할 가능성이 높습니다.
2. 속도: 검색과 생성의 두 단계를 거치므로 처리 속도가 느릴 수 있습니다.
3. 데이터베이스 구축: 관련성 높은 데이터베이스를 구축하고 유지하는 데 비용과 노력이 필요합니다.

Azure OpenAI에서의 RAG 활용

Azure OpenAI Service를 통해 RAG를 쉽게 구현할 수 있습니다.

1. 데이터 업로드: .txt, .pdf, .html 등 다양한 파일 형식 지원.
2. AI Search 연결: 데이터를 인덱싱해 효율적으로 검색.
3. API 활용: 외부 데이터와 함께 OpenAI API 호출 가능.

Azure OpenAI로 시작하는 방법

Azure OpenAI Studio 활용: 데이터 추가 및 설정. Chat Playground: 사용자 지정 데이터를 참고해 응답 생성 실습. API와 Visual Studio Code 연동: 코드 기반 응용 프로그램 개발.

Challenges & Solutions

Results

What I Learned & Insights

Conlusion

RAG는 기존 언어 모델의 한계를 보완하고, Azure OpenAI의 기능과 결합해 강력한 검색 및 생성 시스템을 제공합니다.

Open AI를 활용하면 자연어 기반으로도 쉽게 코드 생성이 가능하고, 코드의 수정과 리팩토리 쉽게 가능합니다.

Introduction

김수진 강사님

Azure OpenAI는 자연어를 기반으로 프로그래밍 코드를 생성하고, 기존 코드를 분석 및 개선하며, 개발 과정을 지원할 수 있는 강력한 도구입니다. 이를 활용하여 효율적인 개발 방법을 정리했습니다.

Code, Conept & Explanation

1. 자연어에서 코드 생성

Codex 모델을 통해 GPT-4 등과 같은 모델에서 자연어로 코드를 작성 가능. 예시: 프롬프트: Write a function for binary search in Python. 결과: Python으로 작성된 이진 탐색 함수가 생성됩니다.

2. 주요 기능

1) 코딩 언어 변경

기존 코드를 다른 프로그래밍 언어로 변환 가능. 예시: 프롬프트: Convert this Python code to C#.

2) 코드 이해

익숙하지 않은 언어로 작성된 코드를 이해할 수 있도록 설명 요청 가능. 프롬프트: Could you explain what this code is doing?

3) 코드 완료 및 단위 테스트 작성

주석과 함수 이름만으로 코드의 나머지 부분을 완성. 단위 테스트를 자동으로 생성하여 코드 안정성 향상. 프롬프트: Write three unit tests for this function.

4) 버그 수정 및 성능 개선

코드의 오류를 식별하고 수정하며, 성능을 최적화. 프롬프트: Fix the bug in this function.

5) 코드 리팩토링

가독성과 유지보수를 위해 코드 구조 개선. 예시: 중복 코드 제거, 함수 분리, 복잡한 조건문 단순화.

3. 실습: Azure OpenAI로 코드 생성

1) 실습 시나리오

• AI를 활용하여 코딩 작업을 효율화하는 소프트웨어 개발자의 역할.
• 코드 생성, 주석 추가, 리팩토링, 성능 개선 실습.

  2) 실습 과정

1. Azure Portal에서 OpenAI 리소스 생성.
2. Azure OpenAI Studio에서 모델 배포 (gpt-3.5-turbo).
3. Chat Playground에서 프롬프트 입력 및 결과 확인.
4. Visual Studio Code와 GitHub 연동 후 코드 실습.

4. 예제 코드

Python으로 주석 추가 요청

# Prompt: Add comments to this function
def factorial(n):
    if n == 0:  # Base case: factorial of 0 is 1
        return 1
    return n * factorial(n - 1)  # Recursive case: n * (n-1)!

버그 수정 요청

# Prompt: Fix the bug in this function
def divide_numbers(a, b):
    try:
        result = a / b
        return result
    except ZeroDivisionError:
        return "Cannot divide by zero."

5. 이미지 생성: DALL-E 활용

• DALL-E 모델을 사용해 자연어 기반으로 이미지를 생성 가능.
• 예시 프롬프트: Create an image of a squirrel riding a motorcycle.
• Azure OpenAI Studio의 DALL-E Playground에서 이미지 생성 및 스타일 지정 가능.

6. REST API 활용

REST API를 사용해 Azure OpenAI와 통신하며 이미지 또는 코드를 생성. 예제:

curl -X POST https://<endpoint>/openai/deployments/<deployment>/completions \
    -H "Content-Type: application/json" \
    -H "api-key: <api_key>" \
    -d '{"prompt": "Write a Python function for bubble sort.", "max_tokens": 100}'

Challenges & Solutions

Results

What I Learned & Insights

chatGPT를 주로 SQL 코드 수정시 사용한 경험은 있었지만 파이썬과 javascrpit, gradio 이번에 제대로 활용하게 됐습니다.

소감은 초반은 6070%까지는 혁신적으로 빠르게 구현할 수 있지만, 마지막 1020%를 채우기 위해서는 개인의 해당 언어 활용 역량이 뛰어나야함을 깨달았습니다.

해당 언어에 대한 기본지식이 있는 상황에서 원하는 목표가 구체화됐을 때 OpenAI를 활용한다면

기존과 비교불가의 역량을 갖게 됩니다.

Conlusion

Azure OpenAI를 활용하면 코딩의 효율성을 크게 향상할 수 있습니다. 특히, 반복적인 작업을 줄이고 창의적이고 효율적인 코드 생성 및 개선을 지원합니다.

프롬프트 수준에 따라 AI 답변의 품질이 달라집니다. 같은 재료와 도구를 누가 사용하느냐에 따라 결과물이 천지차이이듯, AI도 마찬가지입니다.

Introduction

프롬프트 엔지니어링은 AI 모델의 성능을 극대화하기 위한 핵심 기술입니다. Azure OpenAI와 함께 활용하는 방법을 정리했습니다.

Code, Conept & Explanation

1. 프롬프트 엔지니어링 이해

• 프롬프트 엔지니어링이란?
  • AI 모델이 원하는 결과를 생성하도록 프롬프트를 설계하고 최적화하는 과정.
  • 명확하고 구체적인 프롬프트는 더 나은 응답을 제공합니다.
• 중요성:
  • 프롬프트 품질에 따라 AI의 응답 품질이 크게 좌우됩니다.
  • 관련성 높은 프롬프트는 모델의 편향을 줄이고 더 공정한 결과를 제공합니다.

2. 효과적인 프롬프트 작성

명확한 지침 제공

• 모델이 정확한 응답을 생성하도록 구체적이고 명확한 요청 작성.
• 예시:

  "새 물병의 주요 특징과 장점을 강조하여 마케팅용 제품 설명을 작성하세요."

  섹션 표식 사용

• 텍스트를 구조화하여 모델의 해석을 돕습니다.
• 예시: ```plaintext

  물병의 특징

• 재질: 스테인리스 스틸
• 용량: 500ml

  ### 생각의 사슬
  모델에서 최고 품질의 답변을 얻기 위해 프롬프트를 반복하고 개선하는 데 가장 적합합니다.
  

모델이 응답을 형성하는데 사용된 이유와 단계를 알면 프롬프트를 분할 및 자세한 정보를 제공하거나 지침을 명확히 해야 하는 위치를 식별

일반적인 프롬프트 입력시 일반적인 응답이 나옵니다. What sport is easiest to learn but hardest to master?

프롬프트를 입력하면 응답이 어떻게 결론에 도달했는지 구체적으로 명시합니다. What sport is easiest to learn but hardest to master? Give a step by step approach of your thoughts, ending in your answer

3. 콘텐츠 유형

• 기본 콘텐츠: 모델이 작업을 수행하는 데 필요한 핵심 정보.
  • 예: 번역할 문장, 요약할 문서.
• 지원 콘텐츠: 추가 정보를 제공하여 안전성과 정확도를 높임.
  • 예: 날짜, 사용자 이름, 환경설정.
• 그라운딩 콘텐츠: 모델에 신뢰할 수 있는 정보를 제공합니다.
  • 예: 회사 FAQ, 최신 기사.

4. 모델 매개변수 조정

• 온도(Temperature): 모델의 응답 창의성을 제어.
  • 낮은 값(0.2): 논리적, 일관성 높은 응답.
  • 높은 값(0.8): 창의적이고 다양한 응답.
• Top-p: 확률 기반으로 응답 범위를 조정.
  • 낮은 값(0.3): 확률 높은 단어에만 집중.
  • 높은 값(0.9): 더 다양한 단어 포함.

5. 프롬프트 엔지니어링 기술

퓨샷 러닝 (Few-shot Learning)

• 사용자 정의 예제를 통해 모델의 응답 패턴을 개선.
• 예시:

  "다음 예제를 참고하여 주어진 문장을 요약하세요."
  Example: 
  Input: "인공지능 기술은 다양한 산업에서 활용되고 있다."
  Output: "AI의 산업 활용."

  복잡한 작업 나누기

• 큰 작업을 여러 단계로 나누어 모델이 이해하기 쉽게 만듦.
• 예시: ```plaintext

1. 물병의 주요 특징 정리.
2. 정리된 내용을 바탕으로 3문단 광고문 작성.

   ### 시스템 메시지 활용
   모델에 역할과 톤을 정의.
   예시:
   ```plaintext
   "당신은 여행 가이드를 돕는 AI 비서입니다. 사용자에게 추천 여행지를 제공하세요."

   6. 실습 예시: Azure OpenAI와 통합

   코드 샘플

   from openai import AzureOpenAI
   import os
   from dotenv import load_dotenv
   

load_dotenv() client = AzureOpenAI( endpoint=os.getenv("AZURE_OAI_ENDPOINT"), api_key=os.getenv("AZURE_OAI_KEY") )

prompt = "새 물병의 주요 특징과 장점을 설명하는 마케팅 텍스트를 작성하세요." response = client.Completions.create( deployment_id="gpt-3.5-turbo", prompt=prompt, max_tokens=100 )

print(response.choices[0].text)

```

Challenges & Solutions

Results

What I Learned & Insights

구체화할수록, 프롬프트에서 가정을 구체적으로 부여할수록, 더 수준 높은 답변을 얻을 수 있습니다.

Conlusion

• 프롬프트 엔지니어링은 AI 모델의 성능과 응답 품질을 높이는 데 중요한 역할을 합니다.
• 명확하고 구조화된 프롬프트를 설계하고, 매개변수를 조정하여 최적의 결과를 도출하세요.

Introduction

1. OPEN AI의 모델과 매개 변수, 4o에 관련해 정리했습니다.
2. Azure OpenAI를 활용하여 AI 기능을 애플리케이션에 통합하는 방법을 정리했습니다.
3. Python SDK와 REST API를 사용해 AI 기능을 쉽게 구현할 수 있습니다.

   Code, Conept & Explanation

   Open AI

모델 호출

1. REST API, Python, C# 또는 Studio 를 통해 배포된 모델에 대한 호출을 시작할 수 있습니다.
2. Azure OpenAI Studio의 플레이그라운드에서 모델 테스트

   매개 변수

3. 온도는 "얼마나 창의적으로 생각할까?"를 조정합니다.

• 낮으면: 차분하고 이성적
• 높으면: 창의적이고 변덕스러움

2. 상위 P는 "확률이 낮은 단어는 제외할까?"를 결정합니다.

• 낮으면: 선택지가 좁고 예측 가능
• 높으면: 선택지가 다양하고 유연

온도

임의성 제어 온도 낮추면 반복적 응답 온도 높이면 창의적 응답

• 역할: 모델이 다음 단어를 예측할 때 확률 분포를 얼마나 다양하게 사용할지를 결정합니다. 값 범위: 0.0 ~ 1.0(또는 그 이상)

  • 낮은 값 (예: 0.2):

    • 더 결정적이고 논리적인 응답을 생성합니다.
    • 모델은 가장 확률이 높은 단어를 주로 선택합니다. 예: 기술 문서 작성, 코드 생성 등에 적합.

  • 높은 값 (예: 0.8):

    • 창의적이고 다양성 있는 응답을 생성합니다.
    • 확률이 낮은 단어도 선택될 가능성이 커집니다. 예: 스토리텔링, 시 쓰기 등에 적합.

상위 P

상위 P를 낮추면 모델의 토큰 선택이 유사 토큰으로 좁혀집니다. 상위 P를 높이면 모델이 가능성이 높고 낮은 토큰 중에서 선택할 수 있습니다. 온도와 상위p를 동시에 조정하지 않습니다.

상위 P(Top-p, 또는 Nucleus Sampling)

• 역할: 모델이 단어를 선택할 때 확률 순으로 상위 몇 퍼센트의 단어만 고려할지를 결정합니다.
• 값 범위: 0.0 ~ 1.0
  • 낮은 값 (예: 0.2):
    • 확률 상위 20%에 해당하는 단어만 선택 가능.
    • 응답이 매우 제한적이고 집중적입니다.
  • 높은 값 (예: 0.9): 확률 상위 90%에 포함되는 단어 중에서 선택. 더 다양하고 창의적인 결과를 생성합니다.

프롬프트 설계

간단한 프롬프트 : 검색 엔진과 유사한 수준의 응답 응답에서 원하는 내용에 대한 자세한 정보를 제공하는 프롬프트 : 구체적인 응답

프롬프트 형식

1. 콘텐츠 분류
2. 새 콘텐츠 생성
3. 대화 유지
4. 변환 (번역 및 기호 변환)
5. 콘텐츠 요약
6. 중단한 위치에서 다시 시작
7. 사실적 응답 제공

GPT-4o

GPT-4o는 멀티모달 입력(텍스트, 이미지, 오디오 등)을 처리하여 AI 모델과의 상호작용 방식을 혁신적으로 바꾼 OpenAI의 차세대 모델입니다. 이 모델은 더욱 풍부하고 몰입감 있는 사용자 경험을 제공합니다.

GPT-4o 주요 특징

1. 성능과 효율성

• GPT-4 Turbo와 동등한 지능을 제공하며, 텍스트 처리 속도 2배, 비용은 절반 수준.
• 비전(이미지 처리) 성능과 비영어권 언어 지원에서 이전 모델 대비 최고 수준의 성과.

2. 확장된 기능

• 새로운 버전(2024-08-06)에서는 출력 크기가 4,096 → 16,384로 증가.
• JSON 모드, 병렬 함수 호출, 구조화된 데이터 처리 등 추가 지원.

3. 비용 절감과 효율성

• 복잡한 쿼리를 효율적으로 처리하여 리소스 소모를 최소화하고 비용 절감을 실현.

GPT-4o 활용 사례

1. 고객 서비스 멀티모달 데이터를 활용하여 동적이고 포괄적인 고객 지원 제공.

2. 고급 데이터 분석 다양한 데이터 유형을 분석하여 의사결정을 강화하고 심층적인 인사이트 도출.

3. 콘텐츠 생성 및 혁신 매력적이고 다양한 콘텐츠 형식 생성으로 폭넓은 소비자 취향에 부합.

GPT-4o 새 버전의 주요 개선점

2024-08-06 업데이트 기준

• 기능 추가:
  • 텍스트 및 이미지 처리
  • JSON 모드
  • 병렬 함수 호출
  • GPT-4 Turbo와 동등한 영어 텍스트 및 코딩 작업 성능
• 비영어권 언어 및 비전 작업에서의 향상된 성능

GPT-4o 비즈니스 도입 가능성

GPT-4o는 다양한 산업에서 활용될 수 있으며, Azure 플랫폼을 통해 프리뷰로 제공됩니다.

• 더 나은 확장성: 효율적인 멀티모달 데이터 처리를 통해 비즈니스 성장에 기여.
• 유연한 AI 솔루션: GPT-4o를 활용해 고객 맞춤형 애플리케이션 개발 가능.

Azure OpenAI와 앱 통합하기

1. Azure OpenAI와 앱 통합의 장점

• 생성 AI를 통해 챗봇, 언어 모델 등의 기능을 추가.
• GPT 시리즈 모델을 사용하여 텍스트 생성, 대화형 응답, 데이터 분석 등을 구현 가능.
• REST API와 SDK를 활용한 효율적 개발 환경 제공.

2. Azure OpenAI 통합 단계

Step 1: Azure OpenAI 리소스 생성

1. Azure Portal에서 리소스를 생성.
2. 엔드포인트와 API 키를 확보.
   • 엔드포인트: https://sample.openai.azure.com/ API 키: 리소스 창에서 확인 가능.

     Step 2: Python SDK 설치 및 환경 설정

• 라이브러리 설치:

  pip install openai

• 환경 변수 설정: .env 파일에 아래 정보를 저장.

  YOUR_ENDPOINT_NAME = https://sample.openai.azure.com/
  YOUR_API_KEY = <your-api-key>
  YOUR_DEPLOYMENT_NAME = <your-deployment-name>

  Step 3: 애플리케이션 코드 작성

• Azure OpenAI SDK 사용 코드 예시:

  from openai import AzureOpenAI
  

환경 변수 로드

import os from dotenv import load_dotenv load_dotenv()

매개변수 설정

endpoint = os.getenv("YOUR_ENDPOINT_NAME") api_key = os.getenv("YOUR_API_KEY") deployment_name = os.getenv("YOUR_DEPLOYMENT_NAME")

클라이언트 초기화

client = AzureOpenAI(api_key=api_key, endpoint=endpoint)

프롬프트 요청

response = client.Completions.create( engine=deployment_name, prompt="Azure OpenAI의 주요 특징은?", max_tokens=50 ) print(response.choices[0].text.strip())

### 3. REST API 사용 방법
- REST API를 활용한 요청 예시:
```bash
curl -X POST https://<YOUR_ENDPOINT_NAME>/openai/deployments/<YOUR_DEPLOYMENT_NAME>/completions \
    -H "Content-Type: application/json" \
    -H "api-key: <YOUR_API_KEY>" \
    -d '{
        "prompt": "Azure OpenAI의 주요 기능은?",
        "max_tokens": 50
    }'

4. Visual Studio Code로 개발 환경 구성

1. 필수 도구 설치:

• Visual Studio Code: 다운로드
• Git: 다운로드

2. GitHub 저장소 복제:

• 명령 팔레트에서 git clone 실행.
• Azure OpenAI 샘플 코드 저장소: MicrosoftLearning/mslearn-openai.

3. SDK 설치 및 실행:

• Python SDK 설치:

  pip install openai==1.13.3

• .env 파일 수정 후 저장.
• 앱 실행:

  python app.py

5. 통합 완료 후 테스트

• 앱 테스트: 대화형 응답을 확인하고, 필요한 경우 프롬프트를 수정.
• 리소스 관리: 사용 완료 후 Azure Portal에서 리소스를 정리.

  Challenges & Solutions

Results

What I Learned & Insights

Conlusion

Azure OpenAI를 앱에 통합하면 복잡한 AI 기능을 간단히 구현할 수 있습니다. 이를 통해 사용자는 고도화된 서비스를 손쉽게 구축할 수 있습니다. 🚀

1. 아는 만큼 보입니다.
2. 코드를 직접 작성하지 못 해도, 읽고 수정할 수 있어야 합니다.
3. 어려울수록 몸값은 올라갑니다.

   Introduction

   김자영 강사님

JavaScript에서 함수, 이벤트, 웹 스토리지, json 에 대해 살펴보고 예시들과 함께 정리합니다.

Code, Conept & Explanation

함수

비동기 함수

비동기 함수는 작업이 끝날 때까지 기다리지 않고 다음 코드를 실행할 수 있게 해주는 함수입니다.

JavaScript는 한 번에 하나의 작업만 처리할 수 있는 단일 스레드 언어입니다. 따라서 시간이 오래 걸리는 작업 (예: 서버에서 데이터 가져오기)을 처리하면 프로그램이 멈추는 일이 생길 수 있습니다.

비동기 함수를 사용하면, 시간이 오래 걸리는 작업이 끝날 때까지 기다리지 않고 다른 작업을 먼저 할 수 있습니다.

함수 기본 구조

function (){} () = {}

위 구조만은 꼭 기억해야 합니다.

기본 함수

1️⃣ 선언적 함수 (Function Declaration)

function 키워드를 사용해 함수를 선언하는 방식입니다. 호이스팅(Hoisting) 덕분에 함수 선언 전에 호출이 가능합니다.

function sayHello(name) {
  console.log(`Hello, ${name}!`);
  return "hello";
}

sayHello("world"); // 출력: Hello, world!

✅ 특징:

1. 이름이 있는 함수로 선언됩니다.
2. 호이스팅: 함수 선언부가 코드 상단으로 끌어올려져, 선언 전에 호출 가능합니다.
3. 전역에서 사용하기 쉽고 가독성이 좋습니다.

2️⃣ 함수 표현식 (Function Expression)

함수를 변수에 할당하여 선언하는 방식입니다. 함수가 익명 함수일 때 많이 사용됩니다.

const sayHello = function (name) {
  console.log(`Hello, ${name}!`);
  return "hello";
};

sayHello("expression"); // 출력: Hello, expression!

✅ 특징:

1. 변수에 함수가 할당됩니다.
2. 호이스팅되지 않음: 함수 선언 이후에만 호출 가능합니다.
3. 주로 콜백 함수나 일회성 함수에 사용됩니다.

3️⃣ 화살표 함수 (Arrow Function)

ES6부터 도입된 함수로, 짧고 간결한 문법이 특징입니다. function 키워드 대신 =>를 사용합니다.

const sayHello = (name) => {
  console.log(`Hello, ${name}!`);
  return "hello";
};

sayHello("arrow"); // 출력: Hello, arrow!

✅ 특징:

1. 문법이 간단하고 코드를 짧게 작성할 수 있습니다.
2. this를 사용하지 않음: 일반 함수와 달리 this가 호출 컨텍스트에 묶이지 않습니다.
3. 콜백 함수나 이벤트 핸들러에 자주 사용됩니다.

일급함수

1️⃣ 일급 함수 (First-Class Function) JavaScript에서 함수는 "일급 객체"입니다. 즉, 함수도 일반 데이터처럼 다룰 수 있다는 뜻입니다.

✅ 일급 함수의 특징:

1) 변수에 함수를 저장할 수 있음:

const sayHello = function () {
  console.log("Hello!");
};

sayHello(); // 출력: Hello!

2) 함수를 다른 함수의 인자로 전달할 수 있음:

function greet(callback) {
  callback(); // 전달받은 함수를 실행
}

greet(() => console.log("Hi!")); // 출력: Hi!

3) 함수를 다른 함수에서 반환할 수 있음:

function makeMultiplier(x) {
  return function (y) {
    return x * y;
  };
}

const multiplyBy2 = makeMultiplier(2);
console.log(multiplyBy2(5)); // 출력: 10

✨ 요약: 함수는 변수에 저장, 전달, 반환이 모두 가능합니다! 함수도 데이터처럼 다룰 수 있습니다.

콜백 함수

2️⃣ 콜백 함수 (Callback Function) 콜백 함수는 다른 함수에 인자로 전달되어 나중에 호출되는 함수입니다.

✅ 콜백 함수의 정의: 한 함수가 다른 함수를 호출하면서 "콜백(나중에 실행)"을 요청하는 방식입니다.

✅ 예시:

1. 타이머 함수:

setTimeout(() => {
  console.log("3초 후 실행됩니다!");
}, 3000); // 3초 후에 콜백 함수 실행

2. 이벤트 처리:

const button = document.querySelector("button");
button.addEventListener("click", () => {
  console.log("버튼이 클릭되었습니다!");
});

3. 배열 메서드에서의 콜백:

const numbers = [1, 2, 3];
numbers.forEach((num) => {
  console.log(num * 2); // 각각의 숫자를 2배로 출력
});

✅ 주요 용도:

1. 비동기 처리: 네트워크 요청, 타이머 등.
2. 이벤트 처리: 클릭, 마우스 이동 등.
3. 배열 메서드: forEach, map, filter 등.

이벤트

자주 사용하는 이벤트

JavaScript의 이벤트는 사용자의 동작에 따라 웹 페이지에서 특정 작업을 수행하도록 도와줍니다. 이 글에서는 클릭(click)과 키업(keyup), 체인지(change) 이벤트를 중심으로 간단히 정리하겠습니다.

1. 클릭
2. 키업
3. 체인지

1️⃣ 클릭 이벤트 (click)

정의: 사용자가 HTML 요소를 클릭했을 때 발생하는 이벤트입니다.

주요 사용처:

1. 버튼 클릭 시 특정 작업 실행.
2. 링크 클릭 시 페이지 이동 또는 동작 처리.
3. 다양한 UI 요소와의 상호작용 처리.

✅ 사용 예제:

const button = document.querySelector("button");
button.addEventListener("click", () => {
  alert("버튼이 클릭되었습니다!");
});

🔑 클릭 이벤트의 특징:

1. 대상 요소: 거의 모든 HTML 요소에서 사용 가능 (<'button>, <'div>, <'a> 등).
2. 더블클릭 이벤트(dblclick)와는 다름 → 두 번 클릭 시 동작 처리 필요 시 사용.

2️⃣ 키업 이벤트 (keyup)

정의: 사용자가 누른 키를 손에서 뗄 때 발생하는 이벤트입니다. 주요 사용처:

1. 입력 필드에서 사용자가 입력한 값 확인.
2. 실시간 검색 기능 구현.
3. 입력 제한 또는 포맷 처리.

✅ 사용 예제:

const inputField = document.querySelector("input");
inputField.addEventListener("keyup", (event) => {
  console.log(`입력된 키: ${event.key}`);
});

🔑 키업 이벤트의 특징:

1. 대상 요소: 주로 <'input> 또는 <'textarea>와 같은 입력 요소에서 사용.
2. 키다운(keydown) 이벤트와의 차이 : 키다운은 키를 누르는 순간 발생 (반복적으로 호출 가능). 키업은 키에서 손을 뗄 때 딱 한 번 발생.

3️⃣ change 이벤트

정의: 폼 요소(<'input>, <'select>, <'textarea> 등)의 값이 변경된 후 포커스가 다른 곳으로 이동했을 때 발생하는 이벤트.

주요 사용처:

1. 드롭다운 메뉴(select)에서 선택 값이 바뀌었을 때.
2. 체크박스나 라디오 버튼의 상태가 변경되었을 때.
3. 사용자 입력을 감지하고 동작을 실행할 때.

✅ 사용 예제 1: 드롭다운 메뉴 값 변경 감지사용

<label for="colorSelect">색상을 선택하세요:</label>
<select id="colorSelect">
  <option value="red">빨강</option>
  <option value="blue">파랑</option>
  <option value="green">초록</option>
</select>
<script>
  const selectElement = document.getElementById("colorSelect");

  selectElement.addEventListener("change", (event) => {
    console.log(`선택한 색상: ${event.target.value}`);
  });
</script>

사용자가 드롭다운에서 색상을 선택하면 change 이벤트가 발생하여 선택한 값이 콘솔에 출력됩니다.

✅ 사용 예제 2: 체크박스 상태 변경

<label>
  <input type="checkbox" id="agreeCheckbox" />
  동의합니다
</label>
<script>
  const checkbox = document.getElementById("agreeCheckbox");

  checkbox.addEventListener("change", (event) => {
    if (event.target.checked) {
      console.log("동의가 선택되었습니다.");
    } else {
      console.log("동의가 해제되었습니다.");
    }
  });
</script>

체크박스가 선택되거나 해제될 때 change 이벤트가 발생하며, 상태에 따라 다른 메시지가 출력됩니다.

✅ 사용 예제 3: 입력 필드 값 변경

<label for="nameInput">이름을 입력하세요:</label>
<input type="text" id="nameInput" />
<script>
  const inputField = document.getElementById("nameInput");

  inputField.addEventListener("change", (event) => {
    console.log(`입력한 이름: ${event.target.value}`);
  });
</script>

사용자가 입력 필드에 값을 입력하고 포커스를 다른 곳으로 옮길 때 change 이벤트가 발생하여 입력된 값이 출력됩니다.

🔑 change 이벤트의 특징:

1. 포커스를 잃을 때만 발생: 실시간으로 값 변경을 처리하려면 input 이벤트를 사용하세요.
2. 폼 요소에 주로 사용: select, input, textarea, checkbox, radio 등에서 유용.

이벤트 핸들링 방법 정리

JavaScript에서 이벤트 핸들링은 사용자가 웹 페이지에서 발생시키는 이벤트(클릭, 키보드 입력 등)를 처리하는 방법입니다. 주요 방식은 아래 세 가지입니다.

1️⃣ 인라인 이벤트 핸들러

HTML 태그 안에 이벤트 처리 코드를 직접 작성하는 방식입니다. HTML 태그 안에 on이벤트 직접 작성

<button onclick="alert('버튼 클릭!')">클릭</button>

장점: 간단하고 빠르게 작성 가능. 단점: HTML과 JavaScript가 섞여 있어 유지보수가 어려움. 복잡한 작업에는 부적합.

2️⃣ DOM 요소의 핸들러 속성

JavaScript에서 특정 요소의 이벤트 속성에 함수 연결. DOM요소.on이벤트명 = 함수;

const button = document.querySelector("button");
button.onclick = () => {
  alert("버튼 클릭!");
};

장점 : HTML과 JavaScript 분리 → 코드가 깔끔해짐. 단점 : 하나의 이벤트에 하나의 핸들러만 설정 가능. (기존 핸들러를 덮어씀)

3️⃣ addEventListener 방식 (추천)

이벤트에 여러 개의 핸들러를 추가 가능하며, 가장 유연하고 권장되는 방식입니다.

const button = document.querySelector("button");
button.addEventListener("click", () => {
  alert("첫 번째 핸들러 실행!");
});
button.addEventListener("click", () => {
  alert("두 번째 핸들러 실행!");
}); 

장점: 하나의 이벤트에 여러 핸들러 추가 가능. 다양한 이벤트 처리 시나리오에 대응 가능. HTML과 JavaScript 완전히 분리 → 유지보수에 유리.

단점: 문법이 조금 더 복잡.

3가지 방식 정리하면,

1. 선언적 함수 : 간단한 전역 함수에 적합.
2. 함수 표현식 : 콜백 함수나 선언 이후에 호출해야 하는 함수에 적합.
3. 화살표 함수: 간결한 문법과 this를 사용하지 않는 상황에 적합. 각 방식의 특성을 이해하고 적절히 사용해 보세요! 😊

웹 스토리지(Web Storage)

웹 스토리지는 웹 브라우저에서 데이터를 클라이언트(사용자 기기)에 저장할 수 있도록 하는 기술입니다.

이를 통해 사용자는 데이터를 서버로 보내지 않고도 로컬에 저장하고 나중에 재사용할 수 있습니다.

웹 스토리지의 특징

1. 데이터를 키(Key)-값(Value) 쌍으로 저장합니다.

2. 모든 데이터는 문자열 형태로 저장됩니다. 복잡한 데이터(객체, 배열 등)는 JSON 형식으로 변환해서 저장해야 합니다.

3. 두 가지 종류가 있습니다: 로컬 스토리지(Local Storage) 세션 스토리지(Session Storage)

로컬 스토리지(Local Storage)

특징

1. 영구적으로 데이터가 저장됩니다.
2. 브라우저를 닫아도 데이터가 유지됩니다.
3. 같은 도메인 내에서만 데이터에 접근 가능합니다.
4. 사용자가 직접 삭제하기 전까지 데이터가 유지됩니다.

// 데이터 저장
localStorage.setItem("key", "value");

// 데이터 가져오기
let value = localStorage.getItem("key");

// 특정 데이터 삭제
localStorage.removeItem("key");

// 모든 데이터 삭제
localStorage.clear();

세션 스토리지(Session Storage)

특징

1. 데이터가 현재 세션(탭) 동안만 저장됩니다.
2. 브라우저 탭을 닫으면 데이터가 삭제됩니다.
3. 같은 탭 내에서만 데이터 공유가 가능합니다.

// 데이터 저장
sessionStorage.setItem("key", "value");

// 데이터 가져오기
let value = sessionStorage.getItem("key");

// 특정 데이터 삭제
sessionStorage.removeItem("key");

// 모든 데이터 삭제
sessionStorage.clear();

쉽게 비유로 설명하면,

1. 로컬 스토리지 : 메모장처럼 데이터를 오래 보관하는 공간.
2. 세션 스토리지 : 종이 노트처럼 열려 있는 동안만 데이터를 저장하는 공간.

웹 스토리지를 활용하면 사용자의 브라우저에 데이터를 저장하고, 효율적으로 관리할 수 있습니다. 상황에 따라 적합한 저장 방식을 선택해서 사용해 보세요!

JSON (JavaScript Object Notation)

JSON은 경량의 데이터 교환 형식으로, 데이터를 효율적으로 전송하고 저장할 때 사용됩니다.

JSON의 특징

1. 데이터를 키-값 쌍으로 이루어진 텍스트 기반 형식으로 저장합니다.
2. 텍스트로만 구성되어 빠르게 전송되고, 여러 시스템 간 호환성이 좋습니다.
3. 특정 프로그래밍 언어에 종속되지 않아서 대부분의 언어(JavaScript, Python, Java, C++ 등)에서 사용할 수 있습니다.
4. 공개 API를 통해 데이터를 주고받을 때 많이 사용됩니다.

Challenges & Solutions

Results

What I Learned & Insights

직접 모두 작성해야 하는 것은 아닙니다.

하지만 남이 작성한 것을 이해할 수 있어야 합니다. 또 남이 작성한 것을 고칠 수 있어야 합니다. 모르면 고칠 수 없습니다.

데이터분석이나 머신러닝 지식이 더 중요합니다. 나머지는 라이브러리가 다 해줍니다.

웹은 프로그래밍적인 사고가 필요합니다.

어려울수록 몸값은 올라갑니다.

Conclusion

아는 만큼 보입니다. 이전에는 하나의 사이트로 보여지는 부분만 봤다면

이제는 어떻게 구성됐는지 어떤 기능들을 넣었는지 보게 됐습니다.