• 문화기술의 융합
• /
• 제10권6호
• /
• pp.821-827
• /
• 2024

생성형 AI는 산업군 전반에서 새로운 비즈니스 방법론을 창출하고 있다. ChatGPT 프롬프팅으로 코드값을 생성하고 Rhino Python Script를 이용하면, Rhino에서 3D 모델링을 할 수 있다. 자연어로 시작된 워크플로우의 종착지가 3D 모델링이 되는 새로운 프로세스의 관심으로 연구를 시작하였다. 연구의 목적은 Rhino 3D에서 자동화하여 효율성 기반의 모델링 방법을 구축함에 있고, 이를 위해 Rhino Python 연구와 모듈의 변형 및 확장에 대한 연구를 진행하였다. 연구 결과, 생성형 AI를 활용하면 제작 생산성을 높이고 3D 모델링에 대한 사용자 접근성이 향상될 수있음이 확인되었다. 특히, 변형 및 확장에 있어서 Rhino Python Script를 통한 표준화로 작업 효율이 증대되었다. 그리고 최적의 3D 형상설계를 위한 필요 조건은 명확한 프롬프팅과 AI와의 피드백 반영임이 확인되었다. 본 연구를 통해 주얼리 3D 모델링에 있어 생성형 AI를 활용한 효율성 기반의 창의적 활동에 도움이 되기를 바란다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.1-17
• /
• 2017

딥러닝 프레임워크의 대표적인 기능으로는 '자동미분'과 'GPU의 활용' 등을 들 수 있다. 본 논문은 파이썬의 라이브러리 형태로 사용 가능한 프레임워크 중에서 구글의 텐서플로와 마이크로소프트의 CNTK, 그리고 텐서플로의 원조라고 할 수 있는 티아노를 비교하였다. 본문에서는 자동미분의 개념과 GPU의 활용형태를 간단히 설명하고, 그 다음에 logistic regression을 실행하는 예를 통하여 각 프레임워크의 문법을 알아본 뒤에, 마지막으로 대표적인 딥러닝 응용인 CNN의 예제를 실행시켜보고 코딩의 편의성과 실행속도 등을 확인해 보았다. 그 결과, 편의성의 관점에서 보면 티아노가 가장 코딩 하기가 어렵고, CNTK와 텐서플로는 많은 부분이 비슷하게 추상화 되어 있어서 코딩이 비슷하지만 가중치와 편향을 직접 정의하느냐의 여부에서 차이를 보였다. 그리고 각 프레임워크의 실행속도에 대한 평가는 '큰 차이는 없다'는 것이다. 텐서플로는 티아노에 비하여 속도가 느리다는 평가가 있어왔는데, 본 연구의 실험에 의하면, 비록 CNN 모형에 국한되었지만, 텐서플로가 아주 조금이지만 빠른 것으로 나타났다. CNTK의 경우에도, 비록 실험환경이 달랐지만, 실험환경의 차이에 의한 속도의 차이의 편차범위 이내에 있는 것으로 판단이 되었다. 본 연구에서는 세 종류의 딥러닝 프레임워크만을 살펴보았는데, 위키피디아에 따르면 딥러닝 프레임워크의 종류는 12가지가 있으며, 각 프레임워크의 특징을 15가지 속성으로 구분하여 차이를 특정하고 있다. 그 많은 속성 중에서 사용자의 입장에서 볼 때 중요한 속성은 어떤 언어(파이썬, C++, Java, 등)로 사용가능한지, 어떤 딥러닝 모형에 대한 라이브러리가 잘 구현되어 있는지 등일 것이다. 그리고 사용자가 대규모의 딥러닝 모형을 구축한다면, 다중 GPU 혹은 다중 서버를 지원하는지의 여부도 중요할 것이다. 또한 딥러닝 모형을 처음 학습하는 경우에는 사용설명서가 많은지 예제 프로그램이 많은지 여부도 중요한 기준이 될 것이다.