Choose a default theme

You can change your theme from the menu

Search results · 24+

재킷 두 벌과 구두 두 켤레를 앞에 놓았다. 이름과 가격만으로 순위를 정하는 대신 눈으로 볼 것, 표시로 확인할 것, 직접 입고 신을 것을 나누어 비교해 본다. 가상 인물이 직접 입고 신어 본 조건을 기록한다. 구두 A의 안정감은 이 인물의 착화 결과이며 신발 종류 전체의 성능을 뜻하지 않는다. · AI로 제작한 학습용 예시 가상으로 실내 모임에 참석한 뒤 대중교통으로 이동하는 날을 생각한다. 주최자의 복장 안내, 앉아 있을

옷장에는 물건이 많은데 다음 주에 입을 조합이 바로 떠오르지 않는다. 개수를 줄이거나 새로 늘리기 전에, 어떤 장면에서 무엇을 사용하는지부터 기록해 본다. 안 입는 이유를 구분하고 생활 일정에 대입해 본 뒤, 실제로 부족한 역할을 찾는다. · AI로 제작한 학습용 예시 상의 몇 벌과 신발 몇 켤레가 있다는 목록에 실제 사용 장면을 더한다. 자주 가는 장소, 실내외 이동, 세탁과 건조에 쓸 수 있는 시간을 함께 적으면 무엇이 충

남색 재킷과 남색 바지를 붙여 보았는데 생각보다 다르게 보인다. 색 이름이 같아도 밝기, 광택, 조직과 무늬가 같다는 뜻은 아니다. 같은 남색의 광택과 조직을 비교하고, 무늬가 가까이와 멀리에서 어떻게 보이는지 살핀다. · AI로 제작한 학습용 예시 먼저 두 옷을 같은 빛 아래 나란히 놓아 본다. 어느 쪽이 더 밝거나 어둡게 보이는지, 빛을 받을 때 반짝임이 두드러지는지, 가까이서 조직이 드러나는지 순서대로 살핀다. 남색이라는

오전에는 사내 회의, 점심 무렵에는 전시 방문, 오후에는 약 한 시간의 도보 이동이 있다. 세 장면에 맞는 옷을 각각 따로 고르기 전에 하루의 이동과 바꿔 입을 수 있는 조건을 연결해 본다. 사내 회의·전시 방문·약 한 시간의 도보 이동을 연결해 옷차림과 준비물을 고른다. · AI로 제작한 학습용 예시 회의라고 모두 같은 정장이 필요한 것은 아니고 전시 방문이라고 모두 같은 격식을 요구하지도 않는다. 장소와 주최자의 구체적인

단추 하나가 빠진 재킷과 굽이 닳은 신발을 모두 수명이 끝난 물건으로 묶을 필요는 없다. 어느 부위가 어떤 상태인지 먼저 나누면 수선 상담도 구체적으로 할 수 있다. 재킷과 신발의 손상 부위를 나누어 살피고, 수선 견적과 앞으로 쓸 계획을 비교한다. · AI로 제작한 학습용 예시 빠진 단추, 풀린 밑단, 닳은 굽, 손상된 안감은 서로 다른 작업을 요구한다. 겉으로 작은 손상처럼 보여도 바탕 천이나 안쪽 부품까지 약해졌다면 단순

현관에 놓인 매끈한 가죽 구두, 스웨이드 신발, 직물 운동화에 같은 세척제를 한 번에 쓰려 한다. 먼저 해결할 것은 세제 선택보다 각각의 표면과 관리 안내를 구별하는 일이다. 스웨이드·매끈한 가죽·직물 신발의 표면을 비교하고 각각의 관리 안내를 확인한다. · AI로 제작한 학습용 예시 가죽이라는 큰 범주 안에도 매끈한 마감, 기모가 드러난 표면, 코팅된 표면 등 차이가 있다. 같은 색이어도 다른 약제와 도구가 필요할 수 있다.

세탁을 마쳤다고 관리가 끝난 것은 아니다. 물기를 어떻게 줄이고, 어떤 모양으로 말리고, 언제 옷장에 넣는지가 다음 착용 상태에 영향을 준다. 세탁이 가능한 니트도 건조 허용 조건을 따로 읽고 형태를 받쳐 말린다. · AI로 제작한 학습용 예시 기계세탁을 할 수 있는 니트라도 건조기 사용 조건은 별도로 확인해야 한다. Woolmark는 건조기 사용 표시가 있는 울 제품과 그렇지 않은 제품을 구별해 안내한다. 울이라는 소재명 하

같은 울이라고 적힌 재킷과 니트가 서로 다른 세탁 지침을 가질 수 있다. 섬유의 이름은 재료를 알려 주고, 취급 표시는 여러 재료로 완성된 옷을 어떻게 다룰지 알려 준다. 같은 울 소재라도 재킷과 니트의 완제품 관리 안내는 다를 수 있다. · AI로 제작한 학습용 예시 옷에는 겉감 외에 안감, 심지, 실, 단추, 지퍼, 프린트와 장식 등이 함께 들어간다. 겉감이 물에 견디더라도 다른 부품이나 완성된 형태가 같은 처리에 적합하다

신발을 고를 때 굽이 얼마나 높은지만 보고 있지는 않은가? 뮬과 스트랩 샌들에서 시작해, 닫힌 형태의 펌프스와 플랫까지 발을 덮고 붙잡는 위치를 비교해 본다. 전시장의 돌바닥에서 뮬과 스트랩 샌들의 고정 위치와 굽 형태를 비교한다. · AI로 제작한 학습용 예시 샌들은 발을 덮는 부분 사이가 열려 있고 스트랩 등으로 고정하는 여러 형태를 포함한다. 뮬은 뒤꿈치 부분이 열린 형태를 가리키며 앞코가 닫힌 제품도 열려 있는 제품도

빗길에 신을 신발을 찾을 때 물이 스며드는 문제와 바닥에서 미끄러지는 문제를 나누어야 한다. 한 가지 성능이 다른 성능까지 자동으로 해결해 주지는 않는다. 갑피가 물을 막는 성질과 밑창의 접지는 서로 다른 확인 항목이다. · AI로 제작한 학습용 예시 발수는 표면에서 물이 쉽게 퍼져 젖기보다 물방울로 맺혀 흘러내리도록 돕는 성질이나 처리이다. 방수는 물의 침투를 막는 구조와 성능에 관한 말이다. 발수 표면을 보았다고 신발 전체

운동화처럼 보이는 신발이라도 달리기, 옆으로 방향을 바꾸는 운동, 일상 외출에서 요구되는 역할은 다르다. 먼저 할 동작을 정하면 상품 설명을 읽는 순서가 보인다. 전진 달리기와 코트의 방향 전환을 비교하고, 실제 운동에 맞는 신발 용도를 찾는다. · AI로 제작한 학습용 예시 달리기는 앞으로 나아가는 움직임이 반복된다. 코트 운동에는 옆걸음과 멈춤·방향 전환이 자주 들어가고, 실내 훈련은 수행하는 동작에 따라 필요한 조건이 달

같은 치수의 신발 두 켤레를 신었는데 하나는 발등이 눌리고 다른 하나는 뒤꿈치가 들린다. 숫자가 같아도 발이 들어가는 공간까지 같은 것은 아니다. 같은 표시 치수라도 안쪽 형태와 걸을 때의 맞음새는 다를 수 있다. · AI로 제작한 학습용 예시 신발의 표시 치수는 비교를 시작할 단서이다. 그러나 길이 표시만으로 앞코의 모양, 발볼, 발등 높이, 뒤꿈치를 감싸는 폭을 모두 알 수는 없다. 같은 브랜드에서도 모델과 라스트가 다르면

처음에는 'AI가 뭐야?'라는 질문으로 시작했습니다. 이제 빵집 도우미에게 '이번 주 공지를 보고 비 오는 날 준비할 일을 정리해줘'라고 말했을 때 어떤 일이 일어날 수 있는지, 처음부터 끝까지 직접 설명해 봅니다. 개발 단계에서 사전학습·SFT·선호 학습 등의 방법으로 모델의 가중치를 조정할 수 있습니다. 모든 모델이 같은 단계를 거치는 것은 아니지만 학습과 답변 실행은 구별됩니다. 사용자가 질문하는 일반적인 추론에서는 준비

빵 사진을 보여주며 '어느 쪽이 더 많이 구워졌어?'라고 묻거나 음성으로 주문을 받아 적게 할 수 있습니다. 텍스트·이미지·음성·영상 같은 정보의 형태를 모달리티라고 합니다. 멀티모달 시스템은 여러 형태를 함께 처리하거나 다른 형태의 결과를 생성합니다. 모든 모델이 모든 입력과 출력을 지원하는 것은 아닙니다. 이미지를 보고 텍스트로 답하는 모델, 음성을 받아 음성으로 응답하는 모델 등 지원 범위와 구조가 다릅니다. 이미지를 조

AI가 '합계를 계산했습니다'라고 썼습니다. 실제 계산기를 쓴 것인지, 문장으로 계산 결과를 생성한 것인지 어떻게 다를까요? 도구 호출을 지원하는 모델은 사용할 도구 이름과 입력값 등을 정해진 형식으로 출력할 수 있습니다. 주변 프로그램이 그 요청을 읽고 실제 계산기·검색기·파일 기능 등을 실행합니다. 도구 실행 결과는 다시 모델 입력으로 전달되어 설명이나 다음 행동에 사용될 수 있습니다. '호출하려고 했다', '실행되었다',

민지가 '이번 주 신메뉴 안내문을 바탕으로 손님 질문에 답해줘'라고 부탁합니다. 모델이 이미 배웠는지 기대하는 대신 관련 문서를 찾아 입력에 넣어줄 수 있습니다. 검색 증강 생성, RAG는 외부 자료를 검색하고 그 내용을 생성 과정에 활용하는 접근입니다. 대표적인 흐름은 질문→검색→관련 자료 제공→답변입니다. 빵집 공지를 여러 조각으로 나누어 저장하고 질문과 관련된 조각을 찾을 수 있습니다. 키워드 검색·벡터 검색·재순위화 등

어제 빵집 이름을 알려줬더니 오늘도 기억하는 것 같습니다. 그러면 모델의 가중치에 우리 가게 이름이 새겨진 걸까요? 문맥은 답변할 때 주어진 메시지·자료·도구 결과입니다. 서비스가 다시 보내 준 이전 대화도 여기에 포함됩니다. 같은 대화방에 모든 기록이 보인다고 해서 그 전체가 매번 모델 입력으로 들어가는 것은 아닙니다. 길이 제한이나 서비스 정책에 따라 일부만 포함하거나 요약할 수 있습니다. 컨텍스트 윈도는 모델이 한 번에

AI가 어떤 논문의 제목·저자·발표 연도를 또박또박 알려줬습니다. 그런데 검색해 보니 그런 논문을 찾을 수 없습니다. 이 시리즈에서 환각은 사실과 다르거나 주어진 근거로 뒷받침되지 않는 내용을 모델이 생성하는 현상을 가리킵니다. 존재하지 않는 출처, 잘못된 날짜, 원문에 없는 요약 내용 등이 사례입니다. 사람을 속이려는 의도를 가졌다고 가정할 필요는 없습니다. 모델이 어떤 방식으로 틀리는지 관찰하고 줄이는 것이 실용적인 문제입

긴 자료를 붙이면 답변을 시작하기까지 기다리게 되고, 답변이 시작된 뒤에는 글자가 차례로 나타납니다. 프리필은 이미 주어진 입력 토큰들을 처리하는 단계입니다. 대표적인 인과적 트랜스포머에서도 마스크를 지키면서 여러 입력 위치를 함께 계산할 수 있습니다. 마지막 위치 출력에서 다음 토큰을 선택할 준비를 합니다. 입력 길이가 길면 처리할 양과 메모리 요구가 늘어날 수 있습니다. 실제 대기 시간에는 모델 계산뿐 아니라 서버 대기·통

같은 질문을 두 번 했는데 답변 표현이 달라졌습니다. 모델은 어휘의 토큰마다 로짓이라는 점수를 냅니다. 소프트맥스는 점수들을 양수이고 합이 1인 값으로 바꾸는 대표적인 함수입니다. 이를 다음 토큰의 확률 분포로 해석할 수 있습니다. 여기서 확률은 문맥 뒤에 특정 토큰이 이어질 가능성에 대한 모델의 분포입니다. 문장 전체가 사실일 확률이나 답변을 믿어도 될 확률과 같은 뜻이 아닙니다. 탐욕적 선택은 확률이 가장 높은 토큰을 택합

같은 질문에 답변 두 개가 나왔습니다. 하나는 길지만 질문을 놓쳤고, 다른 하나는 짧고 정확하게 도움을 줍니다. 어떤 답변을 더 선호하는지 비교한 자료도 학습에 활용할 수 있습니다. SFT는 바람직한 답변을 예시로 주고, 선호 학습은 여러 답변 중 어떤 것을 더 좋게 보았는지 알려 줍니다. 사람의 평가 기준은 친절함·도움·지시 준수·안전성 등 여러 요소를 포함할 수 있습니다. 평가자를 어떻게 선정하고 어떤 기준을 제시하는지에

민지는 빵집 도우미가 질문에 짧고 친절하게 답했으면 합니다. 사전학습 모델에게 좋은 질문·답변 예시를 보여주며 행동을 가르치는 방법이 있습니다. SFT는 미리 학습된 모델에 지시와 바람직한 응답 등의 예시를 제공해 추가로 학습하는 방식입니다. 어떤 입력에 어떤 응답을 내도록 할지 구체적인 사례를 통해 조정합니다. 예를 들어 영업시간 질문에는 확인된 시간만 답하고, 모르는 내용은 확인이 필요하다고 말하는 예시를 만들 수 있습니다

같은 구조의 신경망을 만들었다고 곧바로 한국어로 대화할 수 있을까요? 계산 경로가 있어도 그 안의 수많은 값은 학습으로 정해야 합니다. 자기회귀 사전학습은 앞부분으로 다음 토큰을 맞히는 일을 대량으로 반복합니다. 정답은 원문에 있습니다. 예측과 목표의 차이에서 손실을 구하고, 역전파로 기울기를 계산하며, 옵티마이저로 가중치를 바꿉니다. 수집한 자료를 그대로 모두 넣는 것으로 끝나지 않습니다. 중복·잡음·품질·언어 구성·사용 권

민지의 질문이 화면에 나타났습니다. “비 오는 날 빵집은 무엇을 준비하면 좋을까?” 이제 이 문장을 따라 모델 안으로 들어가 봅니다. 서비스는 사용자 질문과 필요한 대화 기록·지시를 모델 입력 형식으로 묶습니다. 토크나이저가 이를 토큰 ID로 바꾸고, 모델은 각 ID에 대응하는 임베딩 벡터를 가져옵니다. ID는 항목을 가리키는 번호이고 임베딩은 계산에 쓰는 숫자 묶음입니다. 둘을 같은 것으로 보지 않습니다. 순서 정보도 모델이