AI·인공지능
사람의 지능이 필요한 일을 컴퓨터가 수행하도록 만드는 기술과 연구 분야입니다. 주변을 인식하고, 정보를 바탕으로 추론하며, 경험에서 학습해 목표에 맞는 행동을 선택합니다.
AI GLOSSARY
낯선 용어를 쉬운 말로.
강좌에서 반복해서 만나는 핵심 개념을 쉬운 정의와 실제 쓰임으로 정리했습니다. 처음 보는 용어는 여기서 먼저 확인하고, 레슨의 예제와 함께 다시 읽어보세요.
알고리즘
문제를 해결하기 위해 순서대로 실행하는 단계와 규칙의 모음입니다. 요리법처럼 입력을 받아 어떤 과정을 거쳐 결과를 만들지 구체적으로 설명합니다.
모델
데이터에서 발견한 관계와 패턴을 담아 새로운 입력의 결과를 계산하는 구조입니다. 학습이 끝난 모델은 분류, 예측, 생성 같은 실제 작업에 사용됩니다.
데이터
관찰하거나 기록한 숫자·문장·이미지·소리 등 모델이 학습하고 판단할 때 사용하는 정보입니다. 데이터의 양뿐 아니라 정확성, 다양성, 대표성도 중요합니다.
특징
모델이 예측할 때 참고하는 입력의 속성이나 관찰값입니다. 주택 가격을 예측한다면 면적과 위치가, 문서를 분류한다면 단어 빈도가 특징이 될 수 있습니다.
라벨
지도학습에서 각 학습 사례에 붙어 있는 정답 또는 목표 값입니다. 이메일의 ‘스팸’, 사진의 ‘고양이’, 주택의 실제 가격 등이 라벨의 예입니다.
지도학습
입력과 정답이 함께 있는 사례를 이용해 두 값의 관계를 배우는 방법입니다. 충분히 학습한 뒤에는 처음 보는 입력의 정답을 예측합니다.
비지도학습
미리 정해진 정답 없이 데이터 안의 구조와 패턴을 찾는 방법입니다. 비슷한 고객을 묶거나 평소와 다른 이상 사례를 발견할 때 활용합니다.
강화학습
행동한 결과로 받은 보상을 이용해 더 좋은 선택 방법을 배우는 방식입니다. 게임, 로봇 제어, 자원 배분처럼 연속적인 의사결정 문제에 사용됩니다.
분류
입력을 미리 정한 범주 가운데 하나 또는 여러 개로 나누는 예측 과제입니다. 스팸 판별, 질병 진단, 이미지 속 사물 인식이 대표적인 예입니다.
회귀
가격·수요·온도처럼 연속적으로 변하는 숫자를 예측하는 과제입니다. 입력 특징이 결과에 어느 정도 영향을 주는지 분석할 때도 사용합니다.
과적합
모델이 학습 데이터를 지나치게 외워 새로운 사례에서는 성능이 떨어지는 현상입니다. 검증 데이터, 규제, 데이터 확장 등을 이용해 줄일 수 있습니다.
일반화
학습에 사용하지 않은 새로운 사례에서도 모델의 성능이 유지되는 능력입니다. 좋은 모델은 학습 데이터의 세부 내용보다 문제의 공통 패턴을 배웁니다.
확률
어떤 사건이 일어날 불확실성을 0과 1 사이의 값으로 나타낸 것입니다. 0은 일어날 수 없음을, 1은 반드시 일어남을 의미합니다.
조건부 확률
특정 정보가 주어졌을 때 다른 사건이 일어날 가능성을 나타냅니다. 예를 들어 비가 온다는 조건에서 교통 체증이 발생할 확률을 계산할 수 있습니다.
베이즈 규칙
새로운 증거를 관찰했을 때 기존의 확률을 갱신하는 계산 방법입니다. 진단 검사, 스팸 필터, 위험 예측처럼 불확실한 정보를 다룰 때 유용합니다.
신경망
가중치가 있는 계산 단위인 뉴런을 여러 층으로 연결한 모델입니다. 이미지, 음성, 텍스트처럼 복잡한 데이터의 패턴을 단계적으로 학습합니다.
가중치
모델이 각 입력을 얼마나 중요하게 반영할지 나타내는 숫자입니다. 학습 과정에서는 예측 오차가 작아지는 방향으로 가중치가 반복해서 조정됩니다.
활성화 함수
뉴런이 계산한 가중합을 다음 층에 전달할 신호로 바꾸는 함수입니다. 비선형성을 더해 신경망이 단순한 직선보다 복잡한 관계를 학습하게 합니다.
역전파
출력에서 발생한 오차를 뒤쪽 층부터 앞쪽 층으로 전달해 각 가중치의 수정 방향을 계산하는 방법입니다. 신경망 학습의 핵심 절차입니다.
트랜스포머
어텐션을 이용해 문장이나 이미지의 여러 요소가 서로 어떤 관계인지 학습하는 신경망 구조입니다. 대규모 언어 모델과 생성형 AI의 기반으로 널리 사용됩니다.
생성형 AI
학습한 데이터의 패턴을 바탕으로 새로운 텍스트·이미지·음성·코드를 만드는 AI입니다. 결과가 항상 정확한 것은 아니므로 검토와 출처 확인이 필요합니다.
편향
데이터, 목표, 모델, 운영 과정 때문에 특정 집단이나 상황에 체계적으로 불리한 결과가 생기는 현상입니다. 데이터 구성과 평가 기준을 함께 점검해야 합니다.
설명 가능성
AI가 특정 결과를 낸 이유를 사람이 이해하고 검토할 수 있는 정도입니다. 중요한 의사결정에서는 정확도뿐 아니라 근거를 설명할 수 있는지도 중요합니다.