Windows 앱에서 AI를 사용하는 방법에 대한 질문과 대답

Windows 클라이언트 앱에 AI를 통합하려면 어떻게 해야 하나요?

로컬 모델 또는 클라우드 기반 모델의 두 가지 기본 방법을 통해 AI를 Windows 애플리케이션에 통합할 수 있습니다. 로컬 모델 옵션의 경우 기존 모델을 활용하거나 TensorFlow 또는 PyTorch와 같은 플랫폼을 사용하여 직접 학습한 다음 OnnxRuntime을 통해 애플리케이션에 통합할 수 있습니다. Microsoft Windows Foundry는 OCR 또는 Phi Silica 모델을 활용하는 등 다양한 함수에 대한 API를 제공합니다. 반면에 클라우드에서 모델을 호스팅하고 REST API를 통해 액세스하면 리소스 집약적 작업을 클라우드에 위임하여 애플리케이션이 간소화된 상태를 유지할 수 있습니다. 자세한 내용은 Windows 앱에서 Machine Learning 모델 사용을 참조하세요.

AI 기능을 사용하려면 최신 버전의 Windows 11 및 NPU를 사용하는 Copilot+ PC 필요합니까?

그러나 Windows 디바이스에 로컬로 모델을 설치하고 실행하거나 클라우드 기반 모델을 실행하여 AI 워크로드를 실행하는 방법에는 여러 가지가 있습니다(Windows 참조). Windows AI API에서 지원하는 AI 기능에는 현재 NPU를 사용하는 Copilot+ PC가 필요합니다.

Windows 클라이언트 앱에서 AI를 개발하는 데 가장 적합한 프로그래밍 언어는 무엇인가요?

원하는 프로그래밍 언어를 사용할 수 있습니다. 예를 들어 C#은 Windows 클라이언트 앱을 만드는 데 널리 사용됩니다. 낮은 수준의 세부 정보를 더 많이 제어해야 하는 경우 C++는 훌륭한 옵션입니다. 또는 Python 사용하는 것이 좋습니다. WSL(Linux용 Windows 하위 시스템)을 사용하여 Windows Linux 기반 AI 도구를 실행할 수도 있습니다.

Windows 클라이언트 앱에 가장 적합한 AI 프레임워크는 무엇인가요?

OnnxRuntime을 사용하는 것이 좋습니다.

Windows 클라이언트 앱에서 AI를 사용하는 경우 데이터 개인 정보 보호 및 보안을 어떻게 처리해야 하나요?

AI 기반 앱을 개발할 때는 사용자 데이터의 개인 정보 보호 및 보안을 존중해야 합니다. 데이터를 수집하기 전에 중요한 데이터 암호화, 보안 연결 사용 및 사용자 동의 얻기와 같은 데이터 처리 모범 사례를 따라야 합니다. 또한 데이터를 사용하는 방법에 대해 투명하고 사용자에게 해당 데이터를 제어할 수 있도록 해야 합니다. Windows에서 책임 있는 생성적 AI 애플리케이션 및 기능 개발도 읽어 보세요.

Windows 클라이언트 앱에서 AI를 실행하기 위한 시스템 요구 사항은 무엇인가요?

AI를 사용하는 Windows 앱에 대한 시스템 요구 사항은 AI 모델의 복잡성과 사용되는 하드웨어 가속에 따라 달라집니다. 간단한 모델의 경우 최신 CPU로 충분할 수 있지만 더 복잡한 모델의 경우 GPU 또는 NPU가 필요할 수 있습니다. 또한 클라우드 기반 AI 서비스에 필요한 네트워크 대역폭뿐만 아니라 앱의 메모리 및 스토리지 요구 사항도 고려해야 합니다.

Windows 클라이언트 앱에서 AI 성능을 최적화하는 방법

Windows 앱에서 AI 성능을 최적화하려면 GPU 또는 NPU와 같은 하드웨어 가속을 사용하여 모델 유추 속도를 높일 수 있습니다. Windows Copilot+ 랩톱은 AI 워크로드에 최적화되어 있으며 AI 작업에 상당한 성능 향상을 제공할 수 있습니다. Visual Studio Code 개요는 Foundry Toolkit 참조하세요.

Windows 클라이언트 앱에서 미리 학습된 AI 모델을 사용할 수 있나요?

예, Windows 앱에서 미리 학습된 AI 모델을 사용할 수 있습니다. 인터넷에서 미리 학습된 모델을 다운로드하거나 클라우드 기반 AI 서비스를 사용하여 미리 학습된 모델에 액세스할 수 있습니다. 그런 다음 OnnxRuntime과 같은 프레임워크를 사용하여 이러한 모델을 앱에 통합할 수 있습니다.

DirectML이란?

DirectML은 AMD, Intel, NVIDIA 및 Qualcomm과 같은 공급업체의 모든 DirectX 12 지원 GPU를 포함하여 지원되는 광범위한 하드웨어 및 드라이버에서 일반적인 기계 학습 작업에 GPU 가속을 제공하는 기계 학습용 하위 수준 API입니다.

디바이스에 어떤 종류의 CPU, GPU 또는 NPU가 있는지 어떻게 알 수 있나요?

Windows 디바이스에서 CPU, GPU 또는 NPU의 유형과 성능 방식을 확인하려면 작업 관리자(Ctrl + Shift + Esc)를 열고 Performance 탭을 선택하면 컴퓨터의 CPU, 메모리, Wi-Fi, GPU 및/또는 NPU가 나열된 것을 볼 수 있습니다. 사용률 및 기타 데이터

Windows ML이란?

Windows ML(Machine Learning)을 사용하면 앱에서 시스템 전체에 공유되는 ONNX Runtime(ORT) 복사본을 사용할 수 있으며, 공급업체별 실행 공급자(EP)를 동적으로 다운로드하는 기능도 지원하므로 앱 자체에 무거운 런타임이나 EP를 포함하지 않아도 Windows 에코시스템의 다양한 CPU, GPU 및 NPU 전반에서 모델 추론을 최적화할 수 있습니다.

로컬 모델 또는 클라우드 기반 모델의 두 가지 기본 방법을 통해 AI를 Windows 애플리케이션에 통합할 수 있습니다. 로컬 모델 옵션의 경우 기존 모델을 활용하거나 TensorFlow 또는 PyTorch와 같은 플랫폼을 사용하여 직접 학습한 다음 OnnxRuntime을 통해 애플리케이션에 통합할 수 있습니다. Microsoft Windows Foundry는 OCR 또는 Phi Silica 모델을 활용하는 등 다양한 함수에 대한 API를 제공합니다. 반면에 클라우드에서 모델을 호스팅하고 REST API를 통해 액세스하면 리소스 집약적 작업을 클라우드에 위임하여 애플리케이션이 간소화된 상태를 유지할 수 있습니다. 자세한 내용은 Windows 앱에서 Machine Learning 모델 사용을 참조하세요.

그러나 Windows 디바이스에 로컬로 모델을 설치하고 실행하거나 클라우드 기반 모델을 실행하여 AI 워크로드를 실행하는 방법에는 여러 가지가 있습니다(Windows 참조). Windows AI API에서 지원하는 AI 기능에는 현재 NPU를 사용하는 Copilot+ PC가 필요합니다.

원하는 프로그래밍 언어를 사용할 수 있습니다. 예를 들어 C#은 Windows 클라이언트 앱을 만드는 데 널리 사용됩니다. 낮은 수준의 세부 정보를 더 많이 제어해야 하는 경우 C++는 훌륭한 옵션입니다. 또는 Python 사용하는 것이 좋습니다. WSL(Linux용 Windows 하위 시스템)을 사용하여 Windows Linux 기반 AI 도구를 실행할 수도 있습니다.

OnnxRuntime을 사용하는 것이 좋습니다.

AI 기반 앱을 개발할 때는 사용자 데이터의 개인 정보 보호 및 보안을 존중해야 합니다. 데이터를 수집하기 전에 중요한 데이터 암호화, 보안 연결 사용 및 사용자 동의 얻기와 같은 데이터 처리 모범 사례를 따라야 합니다. 또한 데이터를 사용하는 방법에 대해 투명하고 사용자에게 해당 데이터를 제어할 수 있도록 해야 합니다. Windows에서 책임 있는 생성적 AI 애플리케이션 및 기능 개발도 읽어 보세요.

AI를 사용하는 Windows 앱에 대한 시스템 요구 사항은 AI 모델의 복잡성과 사용되는 하드웨어 가속에 따라 달라집니다. 간단한 모델의 경우 최신 CPU로 충분할 수 있지만 더 복잡한 모델의 경우 GPU 또는 NPU가 필요할 수 있습니다. 또한 클라우드 기반 AI 서비스에 필요한 네트워크 대역폭뿐만 아니라 앱의 메모리 및 스토리지 요구 사항도 고려해야 합니다.

Windows 앱에서 AI 성능을 최적화하려면 GPU 또는 NPU와 같은 하드웨어 가속을 사용하여 모델 유추 속도를 높일 수 있습니다. Windows Copilot+ 랩톱은 AI 워크로드에 최적화되어 있으며 AI 작업에 상당한 성능 향상을 제공할 수 있습니다. Visual Studio Code 개요는 Foundry Toolkit 참조하세요.

예, Windows 앱에서 미리 학습된 AI 모델을 사용할 수 있습니다. 인터넷에서 미리 학습된 모델을 다운로드하거나 클라우드 기반 AI 서비스를 사용하여 미리 학습된 모델에 액세스할 수 있습니다. 그런 다음 OnnxRuntime과 같은 프레임워크를 사용하여 이러한 모델을 앱에 통합할 수 있습니다.

DirectML은 AMD, Intel, NVIDIA 및 Qualcomm과 같은 공급업체의 모든 DirectX 12 지원 GPU를 포함하여 지원되는 광범위한 하드웨어 및 드라이버에서 일반적인 기계 학습 작업에 GPU 가속을 제공하는 기계 학습용 하위 수준 API입니다.

Windows 디바이스에서 CPU, GPU 또는 NPU의 유형과 성능 방식을 확인하려면 작업 관리자(Ctrl + Shift + Esc)를 열고 Performance 탭을 선택하면 컴퓨터의 CPU, 메모리, Wi-Fi, GPU 및/또는 NPU가 나열된 것을 볼 수 있습니다. 사용률 및 기타 데이터

Windows ML(Machine Learning)을 사용하면 앱에서 시스템 전체에 공유되는 ONNX Runtime(ORT) 복사본을 사용할 수 있으며, 공급업체별 실행 공급자(EP)를 동적으로 다운로드하는 기능도 지원하므로 앱 자체에 무거운 런타임이나 EP를 포함하지 않아도 Windows 에코시스템의 다양한 CPU, GPU 및 NPU 전반에서 모델 추론을 최적화할 수 있습니다.