BuzzTrans · 60

쉬운 말로 보는 AI 용어

출시를 준비 중인 한국어 사전의 용어 60개를 소개해요. 용어를 선택하면 설명을 바로 공유할 수 있는 페이지가 열려요.

RAG: 질문마다 관련 자료를 먼저 찾아 답변에 참고하게 하는 방식으로, AI가 미리 배우지 않은 정보도 답에 활용할 수 있습니다.
RAG와 파인튜닝: RAG는 질문할 때 참고 자료를 건네는 방식이고, 파인튜닝은 예시를 더 가르쳐 AI가 답하는 방식 자체를 바꾸는 방법입니다.
지식 증류: 성능이 좋은 AI의 답이나 예측을 작은 AI에 가르쳐, 유용한 능력을 최대한 유지하면서 실행 비용을 줄이는 방법입니다.
토큰: AI가 글을 읽고 쓸 때 세는 작은 단위로, 단어보다 짧을 수도 있으며 처리 가능한 분량과 이용 요금을 계산하는 데 쓰입니다.
컨텍스트 윈도: 지시문, 참고 자료, 답변을 포함해 AI가 한 번에 다룰 수 있는 정보량의 한도로, 지난 대화를 영구히 기억하는 능력과는 다릅니다.
환각: AI가 지어낸 내용이나 틀린 정보를 사실인 것처럼 답하는 현상으로, 말투가 확신에 차 있거나 질문이 명확해도 발생할 수 있습니다.
AI: 음성 인식이나 글쓰기처럼 사람의 지적 활동과 관련된 일을 수행하도록 만든 소프트웨어로, 할 수 있는 일이 많다고 판단이 늘 옳은 것은 아닙니다.
모델: 입력을 받아 예측이나 답을 만들도록 학습된 AI의 핵심 부분으로, 버튼이나 파일 조작 같은 기능은 이를 둘러싼 앱이 맡습니다.
대규모 언어 모델: 방대한 글에서 언어를 다루는 법을 배운 AI로, 글을 쓰고 질문에 답할 수 있지만 모든 답이 사실이라는 뜻은 아닙니다.
생성형 AI: 기존 자료를 찾거나 분류하는 데 그치지 않고 새로운 글, 이미지, 소리 등을 만드는 AI입니다.
프롬프트: AI의 답변을 이끌기 위해 건네는 요청이나 자료로, 질문뿐 아니라 조건과 답변 예시도 포함합니다.
시스템 프롬프트: 앱이 AI의 기본 행동을 정하기 위해 설정하는 지시문으로, 일반적인 사용자 요청보다 우선하지만 반드시 지켜진다는 보장은 없습니다.
프롬프트 엔지니어링: AI 자체를 다시 학습시키지 않고 지시문, 예시, 참고 자료를 설계하고 시험해 답변을 개선하는 작업입니다.
퓨샷 프롬프팅: 원하는 답변의 예시를 몇 개 요청에 넣어, AI를 다시 학습시키지 않고 답변 형식을 알려주는 방법입니다.
제로샷 프롬프팅: 요청 안에 정답 예시를 넣지 않고 지시만으로 AI에 작업을 맡기는 방법입니다.
사고의 연쇄: 답에 도달하기까지 중간 생각을 단계적으로 이어가는 것으로, 문제 해결을 도울 수 있지만 답이 맞다는 증거는 아닙니다.
추론 모델: 최종 답을 내기 전에 문제를 풀어보는 데 더 많은 처리를 쓰도록 만든 AI로, 어려운 문제에 도움이 되는 대신 기다리는 시간이 길어질 수 있습니다.
파인튜닝: 이미 학습한 AI에 고른 예시를 추가로 가르쳐 특정 작업에 맞게 행동을 바꾸는 것으로, 한 질문에 참고 자료만 붙이는 것과는 다릅니다.
사전학습: AI를 특정 용도에 맞추기 전에 많은 예시를 통해 폭넓은 기본 능력을 익히게 하는 첫 학습 과정입니다.
추론: 이미 학습된 AI로 예측이나 답변을 만드는 과정으로, 내부 설정을 바꾸며 가르치는 학습과 구분됩니다.
학습: 예시와 결과에 대한 평가를 바탕으로 AI의 내부 설정을 바꿔, 이후의 예측이나 답변을 개선하는 과정입니다.
파라미터: AI가 학습하면서 조정하는 내부 숫자로, 개수가 많다는 사실만으로 유용성이나 정확성을 판단할 수는 없습니다.
가중치: 학습을 거쳐 저장된 AI 내부의 수치로, 입력에서 어떤 답을 만들지에 영향을 주지만 찾아 읽을 수 있는 사실 목록은 아닙니다.
임베딩: 글이나 이미지의 의미와 특징을 숫자 목록으로 나타내, 표현이 정확히 같지 않아도 비슷한 내용을 비교할 수 있게 하는 것입니다.
벡터 데이터베이스: 글이나 이미지를 나타내는 숫자 목록을 저장하고, 의미나 특징이 비슷한 항목을 빠르게 찾아주는 데이터베이스입니다.
의미 검색: 입력한 단어가 그대로 들어 있지 않아도 질문의 뜻과 관련된 자료를 찾아주는 검색 방식입니다.
청킹: 긴 문서를 작은 덩어리로 나눠, 매번 전체를 보내지 않고 필요한 부분만 찾아 쓸 수 있게 하는 작업입니다.
그라운딩: AI의 답변을 구체적인 자료나 근거에 연결해 확인하기 쉽게 하는 것으로, 원본 자료가 틀리면 답도 틀릴 수 있습니다.
컨텍스트: AI가 지금 답을 만들 때 참고하도록 주어진 대화, 지시문, 자료를 뜻하며, 다른 곳에 존재하는 모든 정보를 가리키지는 않습니다.
메모리: 나중의 대화에서도 쓰도록 앱이 저장해두는 정보로, 현재 요청에만 들어 있는 자료와는 다릅니다.
에이전트: 앱이 부여한 권한과 제한 안에서 목표를 향한 단계를 선택하고 도구를 사용해 작업을 진행하는 AI입니다.
챗봇: 메시지를 주고받으며 사용하는 소프트웨어로, 답변만 할 수도 있으며 대화 밖의 작업을 반드시 수행하는 것은 아닙니다.
도구 호출: AI가 앱에 일정 확인 같은 특정 기능의 실행을 요청하고, 돌아온 결과를 답변에 활용하는 방식입니다.
MCP: AI 앱을 외부 도구나 데이터에 연결하는 공통 규칙으로, 앱과 서비스의 조합마다 별도의 연결 방식을 만드는 수고를 줄여줍니다.
API: 사람이 화면을 클릭하지 않아도 소프트웨어끼리 데이터나 작업을 요청할 수 있도록 정해놓은 통로입니다.
API 키: 서비스를 사용하는 소프트웨어의 계정을 식별하는 비밀 문자열로, 요청 권한이나 요금 청구 계정과 연결될 수 있습니다.
SDK: 특정 서비스나 플랫폼용 소프트웨어를 만들기 쉽도록 미리 만든 코드와 설명 자료를 모아놓은 개발 도구 묶음입니다.
오픈 웨이트: AI가 학습한 수치를 내려받을 수 있도록 공개한 것으로, 학습 자료나 전체 제작 과정, 모든 용도의 사용 권한까지 공개됐다는 뜻은 아닙니다.
오픈 소스: 단순히 무료이거나 코드가 보이는 것을 넘어, 코드를 살펴보고 수정하고 다시 배포할 권리를 허용하는 조건으로 공개된 소프트웨어입니다.
온디바이스 AI: 작업을 외부 서버로 보내지 않고 내 휴대전화나 컴퓨터에서 실행하는 AI로, 앱의 다른 기능은 여전히 인터넷에 연결될 수 있습니다.
멀티모달: 글과 이미지처럼 여러 종류의 정보를 다룰 수 있다는 뜻으로, 모든 종류의 입력과 출력을 지원한다는 의미는 아닙니다.
비전 모델: 이미지나 영상에 무엇이 있는지 인식하거나 설명하는 AI로, 이미지를 새로 만드는 기능까지 있다는 뜻은 아닙니다.
이미지 생성: 지시나 참고 자료를 바탕으로 새 이미지를 만드는 것으로, 기존 그림을 찾거나 설명하는 것과는 다릅니다.
음성 합성: 글을 읽는 목소리로 바꾸는 기능으로, 그 자체가 글의 의미를 이해하는 능력을 더해주지는 않습니다.
음성 인식: 말소리를 글자로 옮기는 기능으로, 반드시 다른 언어로 번역하는 것은 아닙니다.
온도: AI가 다음에 쓸 말을 고를 때 선택의 다양성을 조절하는 값으로, 높이면 표현은 다채로워질 수 있지만 사실성이 높아지는 것은 아닙니다.
Top-p: 다음에 나올 글 조각의 후보를 가능성이 높은 순서로 합계가 설정값에 닿을 때까지 남기는 방식으로, 값이 낮을수록 대체로 선택지가 줄어듭니다.
응답 지연: 요청을 보낸 뒤 응답을 받기까지의 대기 시간으로, 첫 내용이 보일 때와 전체 답변이 끝날 때를 따로 측정하기도 합니다.
스트리밍: 답변이 도착하는 대로 조금씩 보여줘, 전체가 완성되기 전부터 읽을 수 있게 하는 방식입니다.
요청 제한: 일정 시간에 보낼 수 있는 요청 수나 데이터양의 상한으로, 계정에 잔액이 남아 있어도 도달할 수 있습니다.
벤치마크: 여러 시스템을 같은 조건에서 비교하기 위한 공통 시험으로, 점수가 높아도 내가 할 일에 더 적합하다는 보장은 없습니다.
평가: AI가 해야 할 일을 명확히 정하고, 잘 답하는 경우뿐 아니라 실수하기 쉬운 예시로도 결과를 확인하는 작업입니다.
과적합: AI가 학습 예시에 지나치게 맞춰져, 배운 예시에는 잘 답하지만 새로운 예시에는 잘 대응하지 못하는 상태입니다.
RLHF: 사람이 AI 답변을 비교하거나 점수를 매긴 결과를 이용해, 사람이 선호하는 답을 내도록 AI를 가르치는 방법입니다.
정렬: AI의 행동을 의도한 목표, 사람의 선호, 규칙에 가깝게 만드는 작업으로, 이것만으로 안전하거나 정확한 결과가 보장되지는 않습니다.
가드레일: 원치 않는 입력, 답변, 행동을 막기 위해 AI 주변에 두는 점검과 규칙으로, 놓치는 경우가 있는지 계속 시험해야 합니다.
프롬프트 주입: AI가 읽는 자료 안에 지시를 숨겨, 원래 작업을 무시하거나 다른 사람의 명령을 따르게 하려는 시도입니다.
양자화: AI가 학습한 숫자를 덜 정밀하게 저장해 필요한 메모리와 계산량을 줄이는 방법으로, 답변 품질이 낮아질 수도 있습니다.
LoRA: 기존 AI의 설정을 그대로 두고 소수의 추가 설정만 학습시켜 용도에 맞추는 방법으로, 전체를 바꾸는 것보다 대체로 메모리가 적게 듭니다.
GPU: 비슷한 계산을 한꺼번에 많이 처리하는 칩으로, 그래픽 처리뿐 아니라 AI를 학습시키거나 실행하는 데에도 널리 쓰입니다.