
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

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