Choose a default theme

You can change your theme from the menu

인공지능

Parent category

No parent

Subcategories

No items have been published yet.

Articles

멀티모달 인공지능은 텍스트·이미지·음성·영상 등 여러 형태의 정보를 다루는 AI입니다. 입력과 출력의 지원 범위, 각 형태의 표현을 연결하는 구조는 모델마다 다르며 관찰한 정보와 추론한 내용을 구별해야 합니다. 다른 이름: 멀티모달 AI · Multimodal AI 텍스트·이미지·음성·영상 등 서로 다른 형태의 정보를 모달리티라고 합니다. 멀티모달 시스템은 여러 형태를 함께 처리하거나 서로 다른 형태 사이에서 결과를 생성할 수

0

AI 에이전트는 목표에 따라 행동을 선택하고 결과를 관찰하며 다음 행동을 이어가는 시스템을 가리킵니다. 언어 모델과 외부 도구를 연결하는 구성이 가능하며 자율성·권한·종료 조건은 설계마다 다릅니다. 다른 이름: 인공지능 에이전트 · AI Agent 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. 도

0

검색 증강 생성은 외부 자료를 검색해 생성 과정에 활용하는 접근입니다. 대표적인 서비스는 검색한 문서 조각을 입력 문맥에 제공하며, 검색 결과의 품질과 답변의 근거 충실성을 각각 확인해야 합니다. 다른 이름: RAG · Retrieval-Augmented Generation 검색 증강 생성, RAG는 외부 자료를 검색하고 그 내용을 생성 과정에 활용하는 접근입니다. 대표적인 흐름은 질문→검색→관련 자료 제공→답변입니다. 빵집

0

컨텍스트 윈도는 모델이 한 번에 처리할 수 있도록 설정된 토큰 범위와 관련된 한도입니다. 입력·출력 한도의 관계는 구현에 따라 다르며, 긴 입력을 담을 수 있는 능력과 그 안의 정보를 정확하게 활용하는 능력은 구별됩니다. 다른 이름: 문맥 창 · Context Window · 컨텍스트 윈도우 모델이 답변할 때 참고하도록 제공된 메시지·자료·도구 결과 등을 문맥이라고 부를 수 있습니다. 서비스가 이전 대화를 함께 보내면 모델은

0

인공지능의 환각은 모델이 사실과 다르거나 제공된 근거로 뒷받침되지 않는 내용을 생성하는 현상을 가리킵니다. 연구마다 정의와 평가 범위가 다르며, 유창함·자신감·출처 표시만으로 사실성을 판단할 수 없습니다. 다른 이름: Hallucination · AI 환각 환각은 사실과 다르거나 주어진 근거로 뒷받침되지 않는 내용을 모델이 생성하는 현상을 가리킵니다. 존재하지 않는 출처, 잘못된 날짜, 원문에 없는 요약 내용 등이 사례입니다.

0

KV 캐시는 자기회귀 트랜스포머 추론에서 이전 토큰의 키·값 계산 결과를 저장해 재사용하는 방식입니다. 중복 계산을 줄이는 대신 메모리를 사용하며, 모델 가중치 학습이나 계정의 대화 보관 기능과 다릅니다. 다른 이름: Key-value Cache · 키·값 캐시 프리필은 이미 주어진 입력 토큰들을 처리하는 단계입니다. 대표적인 인과적 트랜스포머에서도 마스크를 지키면서 여러 입력 위치를 함께 계산할 수 있습니다. 마지막 위치 출

0

언어 모델의 샘플링은 다음 토큰 후보의 확률 분포에 따라 토큰을 선택하는 방법입니다. 가장 높은 점수의 후보를 고르는 탐욕적 선택과 구별되며, 온도나 후보 제한 설정이 결과의 분포에 영향을 줄 수 있습니다. 다른 이름: 토큰 샘플링 · Sampling 모델은 어휘의 토큰마다 로짓이라는 점수를 냅니다. 소프트맥스는 점수들을 양수이고 합이 1인 값으로 바꾸는 대표적인 함수입니다. 이를 다음 토큰의 확률 분포로 해석할 수 있습니다.

0

인간 피드백 기반 강화학습은 사람의 평가나 선호를 학습 신호로 활용해 모델을 조정하는 접근입니다. 대표적인 언어 모델 절차에서는 응답 비교로 보상 모델을 학습하고 그 보상을 이용해 강화학습을 수행합니다. 다른 이름: RLHF · Reinforcement Learning from Human Feedback SFT에서는 바람직한 응답 예시를 직접 보여줄 수 있습니다. 선호 학습에서는 같은 입력에 대한 여러 응답 중 어느 쪽을 더

0

지도 미세조정은 이미 학습한 모델에 지시·응답 등 목표 예시를 제공해 추가로 학습하는 방법입니다. 프롬프트에 예시를 넣는 문맥 학습과 달리 별도의 학습으로 매개변수를 조정합니다. 다른 이름: SFT · Supervised Fine-tuning 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 영업시

0

사전학습은 후속 작업에 활용할 기초 표현과 능력을 얻도록 모델을 먼저 학습하는 단계입니다. 언어 모델에서는 대량의 텍스트에서 예측 목표를 구성하는 방식이 널리 쓰이며, 이후 미세조정 등으로 적응시킬 수 있습니다. 다른 이름: Pretraining · Pre-training 자기회귀 언어 모델은 앞부분으로 다음 토큰을 예측하는 작업을 대량으로 반복할 수 있습니다. 원문 자체가 다음 토큰이라는 목표를 제공하므로 사람이 모든 문장에

0

대규모 언어 모델은 많은 데이터와 큰 모델 규모를 활용해 학습한 언어 모델을 가리킵니다. 규모의 경계가 하나로 고정된 용어는 아니며, 대표적인 생성형 LLM에서는 디코더 전용 트랜스포머가 널리 사용됩니다. 다른 이름: 대형 언어 모델 · LLM · Large Language Model 서비스는 사용자 질문과 필요한 대화 기록·지시를 모델 입력 형식으로 묶습니다. 토크나이저가 이를 토큰 ID로 바꾸고, 모델은 각 ID에 대응하는

0

트랜스포머 블록은 어텐션·피드포워드 계산·잔차 연결·정규화 등을 묶은 반복 계산 단위입니다. 부품의 순서와 종류는 모델에 따라 달라지며 원 논문의 배치를 모든 현대 모델에 그대로 적용할 수는 없습니다. 다른 이름: Transformer Block 대표적인 트랜스포머의 FFN은 각 위치의 벡터를 선형 변환과 비선형 활성화 등을 거쳐 바꿉니다. 기본 구조에서는 같은 FFN 매개변수를 여러 위치에 적용하지만 각 위치의 입력 값은 다

0

위치 인코딩은 시퀀스 안의 위치나 상대적 순서에 관한 정보를 모델 계산에 반영하는 방법입니다. 정보를 더하거나 회전 위치 표현을 사용하는 등 여러 방식이 있으며 접근 가능한 위치를 제한하는 마스크와 목적이 다릅니다. 다른 이름: Positional Encoding · 위치 정보 기본 어텐션 계산에 순서 단서를 별도로 주지 않으면 토큰의 위치 관계를 원하는 방식으로 다루기 어렵습니다. 위치 인코딩이나 회전 위치 임베딩 같은 방법

0

멀티헤드 어텐션은 여러 학습된 투영으로 어텐션을 수행하고 각 출력을 결합하는 구조입니다. 한 모델 안의 여러 표현 경로이며, 독립된 챗봇의 다수결이나 고정된 인간 전문가의 역할표와 같지 않습니다. 다른 이름: Multi-head Attention 멀티헤드 어텐션은 여러 Q·K·V 변환으로 어텐션 계산을 수행하고 결과를 결합합니다. 같은 입력이라도 다른 변환을 거쳐 서로 다른 관계를 반영할 가능성을 줍니다. 각 헤드에 정해진 전

0

어텐션의 쿼리 Q와 키 K는 관련도 점수 계산에 쓰이고 값 V는 그 점수에서 만든 가중치로 결합되는 표현입니다. 보통 학습된 변환으로 만들며, 셀프 어텐션에서는 같은 시퀀스에서 출발합니다. 다른 이름: QKV · Q·K·V · Query Key Value 쿼리 Q는 현재 위치가 어떤 정보와 관련되는지 계산할 때 쓰는 표현입니다. 키 K는 비교 대상 위치의 표현입니다. 표준 점곱 어텐션에서는 Q와 K를 비교해 점수를 만듭니다.

0

셀프 어텐션은 같은 시퀀스에서 얻은 표현들을 비교해 정보 결합의 비중을 만들고 값 벡터를 가중합하는 계산입니다. 사람의 주의나 외부 문서 검색과 동일한 개념이 아니며 가중치만으로 모델 판단 전체를 설명할 수 없습니다. 다른 이름: Self-attention · 자기 주의 셀프 어텐션에서는 각 위치의 표현을 바탕으로 다른 허용된 위치와의 관련도 점수를 구합니다. 이 점수를 가중치로 바꾼 뒤 해당 위치들의 정보 표현을 가중합합니다

0

트랜스포머는 어텐션과 위치별 변환 등을 중심으로 시퀀스를 처리하는 신경망 구조입니다. 2017년 원 논문은 인코더·디코더 구조를 제시했으며, 이후 인코더 전용·디코더 전용 등 여러 계열에 활용되었습니다. 다른 이름: Transformer 순환신경망은 순서대로 입력을 처리하면서 앞선 상태를 다음 계산에 전달합니다. 문장이나 시간에 따른 자료를 다루는 데 사용되어 왔습니다. LSTM처럼 정보를 유지하도록 개선한 구조도 있습니다.

0

자기지도학습은 데이터 자체의 구조에서 학습 목표를 구성하는 접근입니다. 언어의 다음 토큰 예측과 가린 토큰 복원은 대표적인 예이며, 사람이 자료를 준비하거나 목표를 설계하지 않는다는 뜻은 아닙니다. 다른 이름: Self-supervised Learning 다음 토큰 예측에서는 문장의 앞부분을 보고 실제로 이어진 토큰을 맞히도록 학습할 수 있습니다. 원문에 이어진 내용이 있으므로 사람이 매번 새로운 정답을 작성하지 않아도 됩니다

0

문맥 임베딩은 같은 토큰도 주변 문맥에 따라 다른 벡터 표현을 갖도록 처리한 결과입니다. '먹는 배'와 '항구의 배'처럼 문맥이 의미 해석에 주는 단서를 반영할 수 있으나 모호한 문장이 항상 해소되는 것은 아닙니다. 다른 이름: 문맥화 표현 · Contextual Embedding 단어의 의미와 문장 안에서의 역할은 앞뒤 표현에 영향을 받습니다. 대명사가 누구를 가리키는지, 어떤 사건이 먼저인지도 문맥을 통해 판단합니다. 토큰

0

기계학습에서 벡터는 여러 수치 특징을 순서대로 담아 계산하는 표현으로 널리 사용됩니다. 행렬과 함께 선형 변환·유사도 계산 등의 기초를 이루며, 벡터 공간과 유사도 기준을 맞춰 해석해야 합니다. 다른 이름: Vector · 숫자 벡터 가상의 상품을 [단맛, 크기] 두 점수로 표현해 [2, 3]이라고 적어봅시다. 두 숫자의 순서는 중요합니다. [3, 2]와는 다른 표현입니다. 실제 학습 임베딩의 축이 이런 해석 가능한 속성이라는

0

임베딩은 토큰·문장 등의 대상을 숫자 벡터로 표현하는 방법 또는 그 결과입니다. 학습 목적에 따라 유용한 관계를 반영할 수 있지만 각 좌표축에 사람이 정한 고정 의미가 반드시 있는 것은 아닙니다. 다른 이름: Embedding 토큰 임베딩은 각 토큰 ID에 대응하는 벡터를 사용합니다. 벡터는 여러 숫자를 순서대로 모은 것입니다. 간단한 설명에서는 2~3개 좌표로 그릴 수 있지만 실제 모델의 표현은 훨씬 많은 차원을 가질 수 있

0

자연어 처리의 토큰은 모델이 텍스트를 처리할 때 사용하는 단위입니다. 단어·문자·단어 조각 등으로 구성될 수 있으며 분할 방식은 토크나이저에 따라 달라집니다. 토큰 ID는 어휘 항목의 식별 번호입니다. 다른 이름: 토큰 · Token · 토크나이저 · Tokenizer 토큰은 문자 하나, 단어 전체, 단어의 일부, 공백을 포함한 조각 등 여러 형태일 수 있습니다. 어떤 조각을 쓰는지는 토크나이저에 따라 달라집니다. 한국어 한

0

언어 모델은 텍스트 시퀀스의 통계적 관계를 모델링하는 모델입니다. 대표적인 자기회귀 언어 모델은 앞선 토큰들을 조건으로 다음 토큰의 확률 분포를 계산하고 이를 반복해 텍스트를 생성합니다. 다른 이름: Language Model · LM 언어 모델은 텍스트의 통계적 관계를 모델링합니다. 대표적인 자기회귀 언어 모델은 앞선 토큰들을 보고 다음 토큰의 확률 분포를 계산합니다. 토큰은 텍스트 처리 단위입니다. '따뜻한' 다음에는 다양

0

GPU는 많은 연산을 병렬로 수행하는 데 활용되는 처리 장치입니다. 신경망의 행렬 연산과 잘 맞는 경우가 많지만 모든 작업에서 CPU보다 빠른 것은 아니며 메모리·데이터 이동·작업 형태도 성능에 영향을 줍니다. 다른 이름: 그래픽 처리 장치 · Graphics Processing Unit 신경망에서는 여러 입력과 가중치를 곱하고 더하는 계산을 큰 배열로 처리합니다. 이를 행렬 계산으로 묶으면 많은 연산을 효율적으로 수행할 수

0

오차 역전파는 합성된 계산의 연쇄법칙을 이용해 손실에 대한 매개변수의 기울기를 효율적으로 계산하는 방법입니다. 계산한 기울기로 실제 값을 갱신하는 옵티마이저 단계와 구별됩니다. 다른 이름: 역전파 · Backpropagation 입력에서 출력을 만들고 손실을 계산하는 순전파를 수행합니다. 이 과정의 중간 값은 나중에 변화율을 구하는 데 필요할 수 있습니다. '출력이 틀렸다'는 정보만 남기는 것이 아니라 어떤 계산을 거쳤는지가

0

경사하강법은 현재 매개변수에서 구한 기울기의 반대 방향으로 값을 갱신하는 최적화 방법입니다. 학습률이 이동 크기를 조절하며, 한 번의 갱신이나 전체 과정이 항상 최저 손실에 도달하는 것은 아닙니다. 다른 이름: Gradient Descent 모델의 값을 조금 바꾸면 손실이 어떻게 변하는지 계산할 수 있습니다. 여러 매개변수에 대한 변화율을 모은 것이 기울기, 즉 그래디언트입니다. 경사하강법은 손실을 줄이기 위해 대체로 기울기의

0

손실함수는 모델의 출력이 학습 목표와 얼마나 어긋나는지 등을 수치로 표현하는 함수입니다. 학습 알고리즘은 이 값을 줄이는 방향을 찾지만, 손실이 실제 서비스의 모든 목표를 그대로 대변하지는 않습니다. 다른 이름: Loss Function 손실함수는 모델의 출력이 학습 목표에서 얼마나 벗어났는지 계산하는 규칙입니다. 학습은 이 손실을 줄이는 방향으로 모델을 조정합니다. 어떤 손실을 고르는지는 무엇을 중요하게 여기는지와 관련됩니다

0

딥러닝은 여러 계산 층으로 이루어진 신경망을 활용하는 기계학습 접근입니다. 층 사이의 비선형 변환이 복잡한 관계를 표현하는 데 중요하며, 깊이가 늘어난다는 사실만으로 성능 향상이 보장되지는 않습니다. 다른 이름: Deep Learning · 심층 학습 입력층은 자료를 받고, 중간의 은닉층은 표현을 변환하며, 출력층은 문제에 필요한 결과를 만듭니다. 은닉층은 비밀스럽게 생각하는 공간이 아니라 입력·출력 사이의 계산 단계입니다.

0

인공 신경망은 가중치·편향·활성화 함수 등의 계산 단위를 연결한 모델입니다. 입력을 여러 단계의 표현으로 변환하며, 학습 과정에서 매개변수를 조정할 수 있습니다. 생물학적 뇌와 동일한 구조를 뜻하지 않습니다. 다른 이름: Neural Network · 신경망 단순한 계산 단위는 입력마다 가중치를 곱해 더하고 편향을 더합니다. 가중치는 입력이 결과에 반영되는 방향과 크기에 관여합니다. 편향은 입력과 별도로 더하는 조절값입니다.

0

정밀도는 양성으로 예측한 항목 중 실제 양성의 비율이고, 재현율은 실제 양성 중 모델이 찾아낸 비율입니다. 정확도만으로 드러나지 않는 분류 오류를 살펴보는 데 유용하며 분모가 0인 경우 처리 기준을 밝혀야 합니다. 다른 이름: Precision and Recall 정확도는 전체 사례 중 맞힌 비율입니다. 한 범주가 압도적으로 많으면 그 범주만 고르는 단순한 방법도 높은 정확도를 얻을 수 있습니다. 그래서 실제로 찾아야 할 사건

0

과적합은 모델이 훈련 자료의 특성이나 잡음에 지나치게 맞아 새로운 자료에서는 성능이 떨어지는 현상입니다. 훈련 성능만으로 판단하지 않고 분리된 검증·시험 자료에서 일반화 성능을 확인합니다. 다른 이름: Overfitting 과적합은 학습 자료의 세세한 특성이나 우연한 잡음까지 지나치게 맞추어 새로운 자료에서 성능이 떨어지는 현상입니다. 모델이 실제 문제의 규칙성보다 특정 배경·촬영 기기·자료의 우연에 의존할 수 있습니다. 반대

0

강화학습은 환경과 상호작용하는 행동의 결과와 보상을 이용해 행동 방식을 학습하는 접근입니다. 당장의 점수뿐 아니라 이후까지 이어지는 보상을 고려하며, 보상 설계가 실제 목적과 어긋날 수 있습니다. 다른 이름: Reinforcement Learning · RL 강화학습에서는 에이전트가 환경에서 행동하고 보상 신호를 받습니다. 현재 상황을 나타내는 상태, 선택할 행동, 결과에 따른 보상을 구별합니다. 목표는 보통 한 번의 점수보다

0

비지도학습은 사람이 지정한 정답 레이블 없이 데이터의 구조나 패턴을 찾는 학습 접근입니다. 비슷한 자료를 묶는 군집화가 한 예이며, 특징 선택과 유사도 기준에 따라 결과가 달라질 수 있습니다. 다른 이름: Unsupervised Learning 비지도학습은 주어진 정답 레이블 없이 자료의 구조나 패턴을 찾는 학습 방식입니다. 비슷한 사례를 묶는 군집화가 대표적인 예입니다. 고객의 구매 패턴이나 문서의 표현을 묶는 데 활용할 수

0

지도학습은 입력과 목표 출력의 예시를 이용해 둘 사이의 관계를 학습하는 방법입니다. 범주를 예측하는 분류와 수치를 예측하는 회귀가 대표적인 작업이며 새로운 자료에 대한 평가가 필요합니다. 다른 이름: Supervised Learning 지도학습은 입력 사례와 목표를 함께 이용해 모델을 조정합니다. 사진과 빵 이름, 날짜별 특징과 판매량이 그런 짝입니다. 모델의 출력과 목표의 차이를 기준으로 학습합니다. 이름표를 붙이는 작업이

0

데이터셋은 분석·학습·평가 등의 목적에 맞춰 모은 자료의 집합입니다. 지도학습에서는 입력 특징과 목표 레이블의 역할을 구별하며, 사용 시점에 알 수 없는 정보가 입력에 섞이지 않도록 관리해야 합니다. 다른 이름: 데이터 세트 · Dataset 내일 판매량을 예측하려면 과거의 하루하루를 사례로 모을 수 있습니다. 날짜·요일·날씨처럼 예측에 쓰는 정보를 특징이라고 하고, 맞히려는 실제 판매량을 목표값 또는 레이블이라고 부릅니다.

0

기계학습의 추론은 준비된 모델을 입력에 적용해 출력을 계산하는 과정입니다. 일반적인 추론은 가중치를 갱신하는 학습과 구별되며, 논리학에서 말하는 추론과 용어 범위가 다를 수 있습니다. 다른 이름: Inference · 모델 추론 학습에서는 자료와 목표를 이용해 모델의 내부 상태를 조정합니다. 신경망에서는 예측의 오차에 따라 가중치 같은 매개변수를 바꾸는 과정이 중심입니다. 어떤 자료와 목표를 쓰는지에 따라 배우는 내용도 달라집

0

인공지능의 역사는 기계가 지각·추론·학습·언어 등의 작업을 수행하도록 연구해 온 흐름입니다. 1955년 다트머스 연구 제안서와 1956년 연구 모임은 초기 분야 형성의 중요한 사건이며 이후 여러 방법이 함께 발전했습니다. 다른 이름: AI 역사 AI라는 연구 분야는 20세기 중반부터 형성되었습니다. 논리·탐색·게임·전문가 지식 같은 접근이 발전했고, 데이터에서 규칙성을 배우는 연구도 이어졌습니다. 기대가 커졌다가 한계와 비용

0

기계학습의 분류는 입력을 하나 이상의 범주와 연결하는 작업입니다. 사진에서 빵의 종류를 고르는 작업이 한 예이며, 연속적인 수량을 예측하는 회귀나 새 콘텐츠를 만드는 생성과 구별됩니다. 다른 이름: Classification 사진 분류는 주어진 사진이 어느 범주에 가까운지 판단하는 작업입니다. 모델은 단팥빵·크림빵·식빵 같은 후보에 점수를 매길 수 있습니다. 판매량 예측은 숫자를 추정한다는 점에서 결과 형태가 다릅니다. 어떤

0

생성형 인공지능은 텍스트·이미지·음성 등의 콘텐츠를 생성하는 AI를 가리킵니다. '생성형'은 수행 작업을 강조하는 말이며, '기계학습'이나 '딥러닝'이라는 방법상의 구분과 같은 분류 축은 아닙니다. 다른 이름: 생성형 AI · Generative AI 인공지능은 인식·추론·계획·언어 처리 등 다양한 과제를 다룹니다. 그 안에 데이터와 경험을 이용해 성능을 조정하는 머신러닝이 있습니다. 모든 AI 방법을 머신러닝 하나로 설명할

0

기계학습은 데이터에서 패턴이나 관계를 학습해 새로운 입력에 대한 예측·분류·생성 등에 사용하는 방법입니다. 사람이 모든 사례의 처리 규칙을 직접 작성하는 방식과 구별되며 실제 서비스에서는 두 방식을 함께 쓸 수 있습니다. 다른 이름: 머신러닝 · Machine Learning 규칙 기반 프로그램에서는 사람이 조건과 처리 방식을 명시합니다. 주문 수량이 0이면 결제하지 않게 하거나, 마감 시간이 지나면 주문 버튼을 잠그는 기능이

0