참고

용어집

일반적인 AI 용어를 쉬운 언어로 정의 — 독자와 응답 엔진을 위해.

AI agent: 모델을 사용해 여러 단계에 걸쳐 목표를 수행하는 시스템. 다음에 무엇을 할지 스스로 정하고, 검색·코드 실행·내부 API 같은 외부 도구를 호출한 뒤에 결과를 내놓는 경우가 많다. 예: 버그 보고서를 읽고, 저장소를 열고, 파일을 수정하고, 테스트를 실행하는 에이전트. 챗봇이나 단일 턴 분류기와 혼동하지 말 것. 그것들은 계획하거나 다른 시스템을 조작하지 않고 한 번만 응답한다.
Alignment: AI 시스템이 인간의 의도와 가치에 맞게 행동하도록 만드는 노력.
Attention: 각 출력에 대해 입력의 어느 부분이 가장 중요한지 모델이 가중치를 두게 하는 메커니즘.
Chain-of-thought: 답하기 전에 중간 추론 단계를 거치게 하는 프롬프트 또는 학습 방식.
Citation: 인용은 출력에 붙는 출처 표시로, 어떤 주장·인용문·수치가 어디에서 왔는지 가리키며 보통 문서나 페이지, 출처를 밝혀 독자가 확인할 수 있게 한다. 예: 수치를 제시하고 그것을 가져온 보고서의 문단을 링크하는 답변. 그라운딩이나 정확성과 혼동하지 말 것. 인용은 시스템이 어떤 출처를 붙였는지만 보여 주며, 같은 시스템이 출처가 실제로 뒷받침하지 않는 주장에 그럴듯한 인용을 붙일 수도 있다.
Commercial use: 상업적 이용은 수익을 얻거나 사업을 뒷받침할 목적으로 모델·도구·그 출력을 사용하는 모든 행위로, 그것으로 만든 제품을 판매하거나 유료 서비스에 넣거나 고객에게 청구하는 업무에 쓰는 것을 말한다. 예: 스튜디오가 모델로 이미지를 생성해 비용을 지불하는 고객에게 납품한다. 유료 접근과 혼동하지 말 것. 구독을 산다고 해서 상업적 권리가 자동으로 생기는 것은 아니며, 무료 조건 가운데도 상업적 작업을 허용하는 경우가 있다.
Context window: 모델이 한 번의 요청에서 고려할 수 있는 최대 텍스트 양(토큰 단위). 지시문, 지금까지의 대화, 함께 전달된 문서를 포함하며, 그 한도를 넘는 내용은 빠지거나 잘린다. 예: 컨텍스트 창을 넘는 긴 계약서는 전체에 대해 질문하려면 먼저 나누거나 요약해야 한다. 메모리나 학습 데이터와 혼동하지 말 것. 창은 요청 단위의 한도이며 모델이 본 모든 것을 저장하지 않는다.
Diffusion model: 무작위 신호에서 노이즈를 반복적으로 제거하여 이미지 등 미디어를 생성하는 생성 모델.
Distillation: 더 작은 모델이 큰 모델을 모방하도록 학습시켜, 낮은 비용으로 능력의 상당 부분을 유지하는 기법.
Embedding: 텍스트, 이미지 또는 다른 항목을 수치 벡터로 나타낸 것. 의미가 비슷한 항목이 고차원 공간에서 서로 가까이 위치하므로 의미 기반 검색과 군집화가 가능해진다. 예: 헬프 센터가 문서마다 벡터 하나를 저장해 사용자 질문을 가장 가까운 문서에 연결한다. 프롬프트나 요약과 혼동하지 말 것. 임베딩은 읽을 수 있는 텍스트가 아니며, 그 숫자도 읽어서 해석할 수 없다.
Few-shot learning: 모델을 재학습하는 대신 프롬프트에 소수의 예시를 넣어 유도하는 방법.
Fine-tuning: 이미 사전 학습된 모델을 더 좁은 데이터셋으로 추가 학습해 특정 과제, 문체, 영역에 더 잘 맞추는 것. 예: 기업이 자체적으로 정리한 질문·답변 쌍으로 기반 모델을 추가 학습해 답변이 사내 문체를 따르게 한다. 검색 증강 생성과 혼동하지 말 것. 그것은 가중치를 그대로 두고 답변할 때 문서를 덧붙인다. 프롬프트 엔지니어링과도 다르다. 그것은 지시문을 다시 쓸 뿐이다.
Foundation model: 광범위한 데이터로 학습되어 다양한 하위 작업에 적응시킬 수 있는 대형 모델.
Free tier: 무료 등급은 서비스가 유료 요금제와 함께 제공하는 무과금 접근 단계로, 보통 사용량 할당, 쓸 수 있는 기능, 좌석 수, 기간 등으로 제한되어 제품을 써 보거나 가벼운 사용을 무료로 유지할 수 있게 한다. 예: 한 달에 일정 횟수의 요청을 허용하고 그를 넘으면 유료 요금제가 필요한 인터페이스. 자유 소프트웨어나 오픈 소스와 혼동하지 말 것. 이는 상업적 제공으로 변경되거나 종료될 수 있고, 뒤에 있는 모델의 라이선스에 대해서는 아무것도 말하지 않는다.
Function calling: 모델이 일반 텍스트 대신 개발자가 정의한 함수에 대한 구조화된 호출을 반환하는 기능.
Grounding: 모델의 응답을 문서나 검색 결과 같은 검증 가능한 외부 소스에 연결하는 것.
Guardrails: AI 시스템의 출력을 안전하고 정확하며 주제에 맞게 유지하도록 제한하는 규칙과 필터.
Hallucination: 모델이 사실이 아니거나 근거 없는 내용을 말하거나, 인용·수치·함수 이름 같은 세부를 지어내는 출력. 맞을 때와 똑같이 유창하고 자신 있게 쓴다. 예: 어떤 문서의 한 절을 인용하지만 그 절에 인용된 주장이 없는 요약. 거짓말이나 편향과 혼동하지 말 것. 환각은 모델이 텍스트를 생성하는 방식에서 비롯되며, 속이려는 의도나 특정한 관점에서 비롯되지 않는다.
Inference: 이미 학습된 모델에 새 입력을 넣어 예측, 번역, 생성 이미지 같은 출력을 얻는 것. 서비스가 요청마다 연산을 쓰는 단계이며, 그보다 앞서 일어난 학습과는 구분된다. 예: 앱이 업로드된 사진을 모델에 보내고 1초 안에 설명 문장을 받는다. 학습이나 파인튜닝과 혼동하지 말 것. 그 둘은 데이터셋을 통해 모델 매개변수를 조정하며, 1회 실행 비용이 보통 훨씬 크다.
Large language model (LLM): 언어를 예측하고 생성하도록 대량의 텍스트로 학습된 신경망.
License: 라이선스는 권리자가 모델과 그 가중치, 또는 소프트웨어를 어떻게 사용·복제·수정·재배포할 수 있는지 허용하는 법적 권한으로, 기술 자체가 아니라 그 권리에 붙는 조건을 정한다. 예: 연구용으로만 공개되는 모델이 있는가 하면, 상업적 제품을 허용하되 수정한 버전에도 같은 조건을 요구하는 모델도 있다. 오픈 웨이트나 오픈 소스와 혼동하지 말 것. 상업적 이용을 금지하는 조건으로 가중치가 배포될 수 있고, 관대한 코드 라이선스는 학습 데이터에 대해 아무것도 말하지 않는다.
Mixture of experts (MoE): 계산을 절약하기 위해 각 입력을 일부 전문 하위 네트워크로 라우팅하는 모델 아키텍처.
Model Context Protocol (MCP): 어시스턴트와 기타 모델 기반 애플리케이션이 외부 데이터 소스와 도구에 연결하는 방식을 표준화하는 개방형 프로토콜. 애플리케이션과 서비스의 조합마다 다시 작성할 필요 없이 하나의 커넥터를 여러 클라이언트가 재사용할 수 있다. 예: 사내 티켓 시스템을 노출하는 서버를 데스크톱 어시스턴트와 코딩 도구에 그대로 붙일 수 있다. 모델이나 특정 공급자의 API와 혼동하지 말 것. 도구를 어떻게 제공하고 호출하는지를 정할 뿐, 상대편 모델의 품질에 대해서는 말하지 않는다.
Multimodal: 텍스트와 이미지처럼 두 가지 이상의 데이터 유형을 처리하거나 생성할 수 있는 모델을 가리키는 말.
Open weights: 다른 사람이 내려받아 실행하고 흔히 수정할 수 있도록 공개된 모델 매개변수. 공급자의 호스팅 서비스를 통해서만 쓸 수 있는 모델과 대조된다. 예: 팀이 공개된 가중치를 내려받아 자체 장비에서 실행해 데이터를 사내 네트워크 안에 둔다. 오픈 소스와 혼동하지 말 것. 가중치만으로는 라이선스, 학습 데이터, 학습 코드에 대해 알 수 없으므로, 가중치가 공개된 모델이 자동으로 오픈 소스가 되는 것은 아니다.
Prompt: 모델에 지시하거나 응답을 이끌어내기 위해 주는 텍스트 등의 입력.
Prompt engineering: 더 신뢰할 수 있거나 유용한 모델 출력을 얻기 위해 프롬프트를 설계하고 다듬는 실무.
Quantization: 모델 가중치의 수치 정밀도를 낮춰 더 빠르고 적은 메모리로 실행되게 하는 것.
Reasoning model: 답하기 전에 추가 연산을 들여 문제를 단계별로 생각하도록 학습된 모델.
Red-teaming: 출시 전후에 AI 시스템의 유해하거나 안전하지 않거나 의도치 않은 행동을 의도적으로 점검하는 활동.
Reinforcement learning from human feedback (RLHF): 인간의 선호 판단을 활용해 모델을 더 유용한 행동으로 이끄는 학습 방법.
Retrieval-augmented generation (RAG): 질문과 관련된 구절을 외부 코퍼스에서 검색해 모델에 전달함으로써, 모델이 기억한 지식만이 아니라 검색된 출처에 근거해 답하게 하는 기법. 예: 지원 어시스턴트가 제품 매뉴얼에서 해당 문단을 찾아 답변에 인용한다. 파인튜닝과 혼동하지 말 것. 파인튜닝은 모델의 가중치를 바꾸지만, 검색 증강 생성은 가중치를 그대로 두고 답변할 때 모델이 보는 텍스트만 바꾼다.
Self-hosting: 셀프 호스팅은 공급자의 호스팅 서비스를 거치지 않고 자체 서버, 사설 클라우드, 노트북처럼 스스로 통제하는 인프라에서 모델이나 애플리케이션을 실행하는 것을 말한다. 예: 기업이 사내 네트워크 안에 오픈 웨이트 모델을 설치해 프롬프트와 문서가 밖으로 나가지 않게 한다. 오픈 웨이트와 혼동하지 말 것. 모델을 직접 실행할 수 있는지는 라이선스에 달려 있으며, 가중치를 내려받을 수 있는 모델도 주로 호스팅 서비스로 제공될 수 있다.
Small language model (SLM): 기기 또는 저비용 환경에서 효율적으로 실행되면서 경쟁력 있는 품질을 갖춘 소형 언어 모델.
Speech recognition (ASR): 말소리 오디오를 자동으로 글 텍스트로 변환하는 것.
Synthetic data: 실제 데이터가 부족하거나 민감할 때 모델 학습·평가에 사용하는 인공 생성 데이터.
System prompt: 사용자 입력 전에 모델의 역할·규칙·행동을 정하는 숨겨진 지시.
Temperature: 모델 출력이 얼마나 무작위적이거나 예측 가능한지를 조절하는 샘플링 설정.
Text-to-image: 생성 모델을 사용해 글로 된 설명으로부터 이미지를 생성하는 것.
Text-to-video: 생성 모델을 사용해 자연어 설명으로 영상 클립을 만드는 것.
Token: 언어 모델이 읽고 생성하는 텍스트 단위로, 단어나 단어 조각 등.
Tool use (function calling): 작업을 완료하기 위해 모델이 외부 함수, API, 앱을 호출하는 능력.
Transformer: 어텐션에 기반한 신경망 아키텍처로, 현대 대부분의 언어·멀티모달 모델의 기반.
Vector database: 임베딩을 저장하고 유사도로 항목을 찾는 데이터베이스로, AI 앱의 검색에 자주 사용된다.
Vibe coding: 개발자가 자연어로 목표를 설명하고 AI가 코드를 생성하도록 하는 소프트웨어 개발 방식.
Voice cloning: 음성 복제는 어떤 사람이 말하는 녹음으로 합성 음성을 만들어, 새 텍스트를 그와 비슷한 목소리로 읽어 주는 기술이다. 방법에 따라 짧은 샘플부터 수시간 분량의 오디오까지 쓴다. 예: 내레이터가 한 번 몇 분만 녹음해 두면, 수정된 문장을 같은 목소리로 읽히기 위해 다시 녹음 일정을 잡지 않아도 된다. 음성 인식과 혼동하지 말 것. 인식은 오디오를 텍스트로 바꾸고, 복제는 텍스트를 특정 화자를 흉내 낸 오디오로 바꾼다.
World model: 환경의 내부 표현을 학습하여 시간에 따른 변화를 예측하는 AI 시스템.
Zero-shot learning: 프롬프트에서 예시를 전혀 보지 않고도 작업을 수행하는 모델의 능력.