참고

용어집

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

AI agent: 모델을 사용해 여러 단계의 작업을 계획·수행하며, 종종 도구를 호출하는 시스템.
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.
Context window: 모델이 한 번에 고려할 수 있는 최대 텍스트 양(토큰 단위).
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 등 데이터의 의미적 측면을 담아내는 수치 벡터 표현.
Few-shot learning: 모델을 재학습하는 대신 프롬프트에 소수의 예시를 넣어 유도하는 방법.
Fine-tuning: 사전 학습된 모델을 더 좁은 데이터셋으로 추가 학습해 특정 작업이나 도메인에 맞추는 것.
Foundation model: 광범위한 데이터로 학습되어 다양한 하위 작업에 적응시킬 수 있는 대형 모델.
Hallucination: 모델이 유창하지만 사실과 다르거나 근거 없는 텍스트를 생성하는 현상.
Inference: 모델을 학습시키는 것과 달리, 학습된 모델을 실행해 출력을 얻는 것.
Large language model (LLM): 언어를 예측하고 생성하도록 대량의 텍스트로 학습된 신경망.
Mixture of experts (MoE): 계산을 절약하기 위해 각 입력을 일부 전문 하위 네트워크로 라우팅하는 모델 아키텍처.
Multimodal: 텍스트와 이미지처럼 두 가지 이상의 데이터 유형을 처리하거나 생성할 수 있는 모델을 가리키는 말.
Open weights: 다른 사람이 모델을 실행하거나 변형할 수 있도록 공개된 모델 매개변수.
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): 관련 문서를 검색해 모델에 제공함으로써 답변의 근거를 마련하는 기법.
Speech recognition (ASR): 말소리 오디오를 자동으로 글 텍스트로 변환하는 것.
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.
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.