1. AI의 기본 개념
| 용어 | 설명 |
| AI (Artificial Intelligence) | 인간이 하는 학습, 추론, 판단, 인식 등의 작업을 컴퓨터가 수행하도록 만드는 기술입니다. |
| 머신러닝 (Machine Learning) | 컴퓨터에게 규칙을 직접 하나하나 알려주는 대신, 데이터를 이용해 규칙이나 패턴을 스스로 학습하게 하는 방법입니다. |
| 딥러닝 (Deep Learning) | 머신러닝의 한 분야로, 여러 층의 **신경망(Neural Network)**을 이용해 복잡한 패턴을 학습합니다. |
| 모델 (Model) | 데이터를 학습한 결과로 만들어진 일종의 '규칙/패턴의 집합'입니다. 새로운 데이터가 들어오면 모델이 이를 바탕으로 결과를 만들어냅니다 |
| 알고리즘 (Algorithm) | 문제를 해결하기 위한 절차나 방법입니다. AI에서는 데이터를 학습하거나 결과를 예측하는 방법을 의미합니다. |
| 데이터 (Data) | AI가 학습하거나 판단하는 데 사용하는 정보입니다. 텍스트, 이미지, 음성, 숫자 등이 모두 데이터가 될 수 있습니다. |
2. 머신러닝을 이해하기 위한 용어
| 용어 | 설명 |
| 학습 (Training) | 데이터를 모델에 제공하여 패턴을 학습시키는 과정입니다. |
| 추론 (Inference) | 학습이 끝난 모델에 새로운 데이터를 넣어 결과를 얻는 과정입니다. |
| 훈련 데이터 (Training Data) | 모델을 학습시키는 데 사용하는 데이터입니다. |
| 검증 데이터 (Validation Data) | 학습 중 모델의 성능을 확인하고 설정을 조정하는 데 사용하는 데이터입니다. |
| 테스트 데이터 (Test Data) | 학습이 끝난 모델이 실제로 얼마나 잘 작동하는지 최종적으로 평가하기 위한 데이터입니다. |
| 특징 (Feature) | 데이터에서 모델이 판단에 활용하는 정보입니다. 예를 들어 집값을 예측한다면 면적, 위치, 방 개수 등이 특징이 될 수 있습니다. |
| 레이블 (Label) | 학습 데이터에서 모델이 맞혀야 하는 정답입니다. |
| 예측 (Prediction) | 모델이 입력 데이터를 바탕으로 만들어낸 결과입니다. |
| 손실 함수 (Loss Function) | 모델의 예측이 정답과 얼마나 다른지를 수치로 나타내는 함수입니다. |
| 정확도 (Accuracy) | 모델이 전체 예측 중 얼마나 정확하게 맞혔는지를 나타내는 지표입니다. |
3. 모델 학습에서 중요한 용어
| 용어 | 설명 |
| 파라미터 (Parameter) | 모델이 데이터를 학습하면서 스스로 조정하는 값입니다. 딥러닝에서는 주로 가중치와 편향을 의미합니다. |
| 가중치 (Weight) | 입력 데이터의 중요도를 나타내는 값입니다. |
| 편향 (Bias) | 모델이 보다 유연하게 결과를 조정할 수 있도록 추가되는 값입니다. |
| 하이퍼파라미터 (Hyperparameter) | 사람이 학습 전에 설정하는 값입니다. 학습률, 배치 크기, 에포크 등이 대표적입니다. |
| 학습률 (Learning Rate) | 모델이 학습하면서 파라미터를 얼마나 크게 변경할지를 결정하는 값입니다. |
| 에포크 (Epoch) | 전체 학습 데이터를 한 번 모두 사용하는 것을 의미합니다. |
| 배치 (Batch) | 한 번에 모델에 넣어 학습시키는 데이터 묶음입니다. |
| 과적합 (Overfitting) | 모델이 학습 데이터를 지나치게 외워 새로운 데이터에서는 성능이 떨어지는 현상입니다. |
| 과소적합 (Underfitting) | 모델이 충분히 학습하지 못해 학습 데이터에서도 제대로 성능을 내지 못하는 현상입니다. |
4. 신경망과 딥러닝 용어
| 용어 | 설명 |
| 신경망 (Neural Network) | 인간의 뇌 신경세포 구조에서 영감을 받아 만든 머신러닝 모델입니다. |
| 뉴런 (Neuron) | 신경망을 구성하는 기본적인 계산 단위입니다. |
| 레이어 (Layer) | 뉴런들을 층으로 묶은 것입니다. |
| 입력층 (Input Layer) | 데이터를 모델에 입력하는 층입니다. |
| 은릭층 (Hidden Layer) | 입력 데이터를 변환하고 특징을 추출하는 중간 층입니다. |
| 출력층 (Output Layer) | 최종적인 예측 결과를 만들어내는 층입니다. |
| 활성화 함수 (Activation Function) | 신경망의 각 뉴런에서 입력을 변환하는 함수입니다. ReLU, Sigmoid 등이 있습니다. |
| 역전파 (Backpropagation) | 모델의 오차를 뒤쪽에서 앞으로 전달하여 파라미터를 수정하는 학습 방법입니다. |
| 기울기 (Gradient) | 손실을 줄이기 위해 파라미터를 어느 방향으로 얼마나 변경해야 하는지를 나타내는 정보입니다. |
| 경사하강법 (Gradient Descent) | Gradient를 이용하여 손실이 작아지는 방향으로 파라미터를 업데이트하는 방법입니다. |
5. 생성형 AI를 공부할 때 꼭 알아야 하는 용어
| 용어 | 설명 |
| 생성형 AI (Generative AI) | 기존 데이터를 단순히 분류하는 것을 넘어 텍스트, 이미지, 음성, 영상, 코드 등을 새롭게 생성하는 AI입니다. |
| LLM (Large Language Model) | 방대한 텍스트 데이터를 학습하여 인간의 언어를 이해하고 생성하도록 만들어진 대규모 언어 모델입니다. |
| GPT | 대표적인 LLM 계열의 모델 및 모델군을 가리키는 이름입니다. |
| Transformer | 현재 LLM의 핵심이 되는 신경망 구조입니다. |
| Attention | 입력 데이터에서 어떤 부분에 더 집중해야 하는지를 계산하는 메커니즘입니다. |
| Self-Attention | 입력 데이터 내부의 여러 요소가 서로 어떤 관계를 가지는지를 계산하는 Attention 방식입니다. |
| 토큰 (Token) | LLM이 텍스트를 처리하기 위해 문장을 잘게 나눈 단위입니다. 단어 전체일 수도 있고 단어의 일부일 수도 있습니다. |
| 토큰화 (Tokenization) | 텍스트를 토큰 단위로 나누는 과정입니다. |
| 컨텍스트 (Context) | AI가 현재 답변을 만들 때 참고할 수 있는 앞뒤 정보입니다. |
| Context Window | 모델이 한 번에 참고할 수 있는 최대 토큰 범위입니다. |
| 프롬프트 (Prompt) | AI에게 원하는 작업이나 정보를 전달하기 위해 입력하는 명령 또는 내용입니다. |
| Prompt Engineering | 원하는 결과를 얻기 위해 프롬프트를 효과적으로 설계하는 방법입니다. |
| Temperature | 생성형 AI의 결과가 얼마나 다양하고 무작위적인지를 조절하는 설정값입니다. |
| 환각 (Hallucination) | AI가 사실이 아닌 내용을 실제 사실처럼 만들어내는 현상입니다. |
6. LLM을 깊게 이해하려면 알아야 할 용어
| 용어 | 설명 |
| 사전학습 (Pre-training) | 대규모 데이터를 사용하여 모델이 언어의 기본적인 패턴과 지식을 학습하는 과정입니다. |
| 파인튜닝 (Fine-tuning) | 이미 학습된 모델을 특정 목적이나 데이터에 맞게 추가 학습시키는 과정입니다. |
| Instruction Tuning | 사람이 원하는 지시를 잘 따르도록 모델을 추가 학습시키는 방법입니다. |
| RLHF | 인간의 피드백을 활용해 AI가 사람에게 더 유용한 답변을 하도록 조정하는 방법입니다. |
| 임베딩 (Embedding) | 텍스트 등의 데이터를 숫자 벡터로 변환하여 의미와 관계를 계산할 수 있도록 만드는 방법입니다. |
| 벡터 (Vector) | 데이터를 여러 숫자의 배열로 표현한 것입니다. AI에서는 데이터의 특징이나 의미를 수치적으로 표현할 때 사용합니다 |
| Vector Database | 임베딩된 벡터를 저장하고 서로 유사한 데이터를 빠르게 검색하기 위한 데이터베이스입니다. |
| RAG (Retrieval-Augmented Generation) | AI가 답변하기 전에 외부 자료를 검색하고 그 정보를 활용해 답변하도록 만드는 방식입니다. |
| 에이전트 (Agent) | AI가 단순히 답변하는 것을 넘어 목표를 달성하기 위해 도구를 사용하고 여러 작업을 수행하도록 만든 시스템입니다 |
| Tool Calling | AI가 외부 도구나 API를 호출하여 검색, 계산, 데이터 조회 등의 작업을 수행하는 기능입니다. |
7. AI를 실제 서비스에 적용할 때 나오는 용어
| 용어 | 설명 |
| API | 다른 프로그램이 AI 모델의 기능을 사용할 수 있도록 제공하는 연결 방법입니다. |
| Inference Server | 학습된 AI 모델을 실제 서비스에서 실행하고 요청에 답변하도록 하는 시스템입니다. |
| GPU | AI 모델의 대규모 병렬 계산에 매우 적합한 하드웨어입니다. |
| CUDA | NVIDIA GPU를 활용하여 병렬 계산 프로그램을 개발할 수 있도록 하는 플랫폼입니다. |
| Latency | AI가 요청을 받은 후 결과를 반환하기까지 걸리는 시간입니다. |
| Throughput | 일정 시간 동안 AI가 처리할 수 있는 요청이나 데이터의 양입니다. |
| 양자화 (Quantization) | 모델의 숫자 표현 정밀도를 낮춰 메모리 사용량과 연산량을 줄이는 기술입니다. |
| 지식증류 (Distillation) | 큰 모델의 지식을 작은 모델에게 학습시켜 작은 모델을 만드는 방법입니다. |
| Open Source Model | 모델의 코드나 가중치 등을 공개하여 다른 사람들이 활용하거나 수정할 수 있도록 한 모델입니다. |