AI for Everyone

SEARCH RESULTS

“기본”

40건

Korea AI Framework Act · 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법

정식 명칭은 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법으로, 줄여서 AI 기본법이라 부릅니다. 2025년 1월 21일 공포되고 2026년 1월 22일 시행된 한국의 포괄적 AI 법입니다. 채용·대출심사처럼 사람의 생명·신체 안전과 기본권에 중대한 영향을 줄 수 있는 분야를 고영향 인공지능으로 정의해 사전 고지와 안전성 확보 의무를 부과하고, 생성형 AI 결과물에는 AI가 만들었다는 표시를 요구합니다. 국내에서 AI 서비스를 만들거나 도입하는 기업의 준수 기준이 됩니다.

Attention Mechanism

어텐션 메커니즘

어텐션 메커니즘은 입력 데이터의 여러 부분에 서로 다른 가중치를 매겨, 지금 필요한 부분만 골라 보게 만드는 계산 방식입니다 [6]. 문장 전체를 고정 길이 벡터 하나로 압축하던 기존 구조의 병목을 없앤 것이 핵심입니다 [2]. 2014년 기계번역 연구에서 원문 가운데 관련 있는 부분을 모델이 자동으로 찾아내는 방식으로 처음 제안됐고 [2], 2017년 구글 연구진의 트랜스포머 논문이 순환·합성곱 구조를 걷어내고 어텐션만으로 모델을 구성하면서 오늘날 대형 언어모델의 기본 골격이 됐습니다 [1].

AI 리터러시

인공지능(AI)을 이해하고, 결과물을 비판적으로 평가하며, 기회와 위험을 알고 활용하는 데 필요한 지식·기술·태도를 뜻합니다. 2024년 제정된 EU AI Act가 제3조에서 이 개념을 법적으로 정의했고, 제4조는 AI를 쓰는 조직에 임직원의 AI 리터러시 확보 조치를 의무화했습니다(2025년 2월 적용 개시). 한국도 2026년 1월 AI기본법 시행으로 AI 인력 양성과 윤리 교육 시책의 법적 근거를 마련해, 개인의 소양을 넘어 조직의 준수 사항으로 확장되고 있습니다.

비엠 이십오

정보 검색 분야에서 쓰이는 Best Matching 25(베스트 매칭 25)의 약자로, 질의어와 문서의 단어 일치도를 점수로 매기는 키워드 기반 랭킹 함수입니다. 1970년대와 1980년대에 Robertson과 Spärck Jones 등이 세운 확률적 검색 모델을 잇는 TF-IDF 계열 기법입니다 [1]. 문서 길이 정규화를 맡는 b와 용어 빈도 포화를 맡는 k1, 두 파라미터가 점수를 조절합니다 [3]. Apache Lucene과 Elasticsearch, OpenSearch가 기본 스코어링으로 채택했습니다 [2]. RAG의 하이브리드 검색에서는 의미 기반 벡터 검색과 짝을 이룹니다 [4].

AI 워터마킹

AI Watermarking

AI가 만든 이미지·영상·텍스트에 사람 눈에는 보이지 않는 신호나 메타데이터를 심어, 나중에 AI 생성물임을 식별할 수 있게 하는 기술입니다. 구글 딥마인드의 SynthID처럼 픽셀·토큰 확률에 신호를 심는 방식과, C2PA 표준처럼 콘텐츠 출처·편집 이력을 메타데이터로 붙이는 방식이 대표적입니다. 한국 AI 기본법(2026년 1월 시행)과 EU AI법(2026년 8월 적용)이 생성물 표시를 의무화하면서 규제 준수 기술로 부상했습니다.

하이브리드 서치

키워드 기반 검색(BM25 같은 어휘 일치)과 의미 기반 벡터 검색을 함께 돌린 뒤, 두 결과를 하나의 순위로 합치는 검색 방식입니다. 정확한 단어·상품코드에 강한 키워드 검색과 동의어·자연어에 강한 벡터 검색의 약점을 서로 메웁니다. 두 점수를 합칠 때는 상호 순위 융합(RRF) 같은 방법을 씁니다. 오타·전문용어·자연어 질문이 섞여도 놓치지 않아, RAG와 상품 검색의 기본 구성으로 자리 잡았습니다.

Semantic Search

시맨틱 서치

단어의 철자 일치가 아니라 문장의 '의미'로 문서를 찾는 검색 방식입니다. 질문과 문서를 각각 벡터(임베딩)로 바꾼 뒤, 벡터 사이 거리가 가까운 것을 관련 있는 결과로 봅니다. 그래서 검색어와 겹치는 단어가 하나도 없어도 뜻이 통하면 찾아냅니다. 동의어·자연어 질문·오타에 강해 키워드 검색의 한계를 보완합니다. 문장 임베딩 기법과 벡터 데이터베이스가 발전하면서 실용화됐고, 지금은 RAG의 기본 검색 방식으로 쓰입니다.

어떤 데이터를 입력해도 정해진 길이의 고유한 결과값(해시)으로 변환하는 단방향 함수이며, 비밀번호 저장·파일 무결성 검증·블록체인의 기반이 되는 컴퓨터 과학의 기본 도구입니다.

암호화 (인크립션)

데이터를 비밀 키 없이는 읽을 수 없는 형태로 변환하는 보안 기술이며, 메시지 전송·파일 저장·결제 정보 보호의 핵심 기반이고 1970년대 미국 IBM·NSA가 표준화한 뒤 인터넷의 기본 인프라가 됐습니다.

Search Engine Optimization의 약자로, 구글·네이버 같은 검색 엔진에서 자사 사이트가 상위에 노출되도록 콘텐츠·기술 구조를 최적화하는 일이며 1990년대 후반 미국 IT 산업에서 시작된 디지털 마케팅의 기본 분야입니다.

비즈니스·마케팅

Minimum Viable Product의 약자로, '시장 가설을 검증할 수 있는 가장 작은 형태의 제품'을 의미하며 2008년 미국 스타트업 교과서 'Lean Startup'에서 표준화된 뒤 한국 스타트업의 가장 기본적인 출시 철학이 됐습니다.

비즈니스·마케팅

Annual Recurring Revenue의 약자로, 매년 반복적으로 들어오는 매출의 합계를 의미하며 SaaS 회사의 규모와 가치를 가장 표준적으로 보여 주는 지표이고 미국 SaaS 산업에서 회사 평가의 기본이 됐습니다.

비즈니스·마케팅

Software as a Service의 약자로, 한 번 사는 게 아니라 매월·매년 구독으로 사용하는 소프트웨어 판매 방식을 말하며 1999년 미국 Salesforce가 표준화한 뒤 25년이 지난 지금 거의 모든 IT 서비스의 기본 모델이 됐습니다.

비즈니스·마케팅

Extract(추출)·Transform(변환)·Load(적재)의 약자로, 여러 곳에 흩어진 데이터를 가져와 형식을 통일하고 분석용 데이터 창고에 적재하는 표준 데이터 처리 흐름이며 1980년대 미국 IT 산업에서 시작된 데이터 분석의 기본 절차입니다.

에스큐엘 또는 시퀄

Structured Query Language의 약자로, 1974년 미국 IBM 연구소에서 만들어진 데이터베이스에서 자료를 가져오고·저장하고·수정하는 표준 언어이며 50년이 지난 지금도 거의 모든 회사 데이터 분석의 기본 도구입니다.

ai.percent.ac처럼 사람이 외우기 쉬운 인터넷 주소를 말하며, 매년 일정 비용을 내고 글로벌 도메인 등록 기관(ICANN 인증 대행사)에서 임대해 사용하는 인터넷의 기본 자산입니다.

배포·인프라

Domain Name System의 약자로, 'ai.percent.ac' 같은 사람이 읽기 쉬운 도메인 이름을 컴퓨터가 이해하는 IP 주소(예: 76.76.21.21)로 변환해 주는 인터넷의 기본 인프라입니다.

배포·인프라

Overfitting(과적합)은 모델이 학습 데이터에는 잘 맞지만 처음 보는 새 데이터에서는 성능이 떨어지는 현상입니다. 데이터에 담긴 규칙 대신 잡음과 우연한 패턴까지 외운 결과입니다. 반대편에는 규칙 자체를 덜 배운 과소적합(underfitting)이 있습니다. 탐지는 학습에 쓰지 않은 검증 세트로 합니다. 학습 오차는 계속 내려가는데 검증 오차가 어느 시점부터 올라가는 학습·검증 곡선이 전형적인 신호입니다. 완화 기법으로는 정규화, 드롭아웃, 조기종료, 데이터 증강, 학습 데이터 확대가 쓰입니다.

AI 학습 분야에서 쓰이는 Direct Preference Optimization(직접 선호 최적화)의 약자로, 사람이 고른 더 나은 답과 덜 나은 답의 쌍을 모델에 직접 학습시켜 사람 선호에 맞추는 사후학습 기법입니다. 기존 RLHF는 선호 데이터로 보상 모델을 따로 만든 뒤 강화학습을 돌려야 했는데, DPO는 그 중간 단계를 없애고 한 번의 학습으로 처리합니다. 2023년 스탠퍼드대 연구진이 제안한 뒤 구현이 간단하고 학습이 안정적이라는 이유로 널리 쓰이며, SFT 다음 단계의 표준 선택지 중 하나로 자리 잡았습니다.

에스에프티

인공지능 학습 분야에서 쓰이는 Supervised Fine-Tuning(지도 미세조정)의 약자로, 사전학습을 마친 언어 모델에 사람이 만든 모범 질문·답변 쌍을 추가 학습시켜 지시를 따르게 만드는 사후학습 단계입니다. 원시 텍스트만 학습한 베이스 모델은 문장을 이어 쓸 뿐 지시 수행이 서툽니다. 그래서 SFT로 응답 형식과 태도를 먼저 가르친 뒤 RLHF나 DPO 같은 선호 최적화를 이어 적용하는 것이 표준 절차입니다. 오늘날 챗봇형 AI 대부분이 이 단계를 거쳐 만들어집니다.

Foundation Model

파운데이션 모델

대규모 데이터로 사전학습한 뒤 미세조정 등으로 다양한 하위 작업에 적응시켜 쓰는 범용 AI 모델입니다. 2021년 8월 스탠퍼드대 CRFM 연구진이 보고서 'On the Opportunities and Risks of Foundation Models'에서 개념을 정립했고, BERT·GPT-3·CLIP을 대표 사례로 들었습니다. 하나의 모델이 챗봇·번역·코딩 같은 여러 응용의 공통 기반이 된다는 뜻에서 '기반 모델'로 번역됩니다. EU AI법은 이 계열을 범용 AI(GPAI) 모델로 규정하고, 학습 연산량 10^25 FLOP을 넘으면 시스템적 위험 모델로 추정해 추가 의무를 부과합니다.

Reinforcement Learning

리인포스먼트 러닝 (강화학습)

머신러닝 분야에서 쓰이는 용어로, AI가 정답을 통째로 배우는 대신 직접 행동해 보고 보상(점수)을 받으며 시행착오로 최적의 전략을 스스로 익히는 학습 방법입니다. 지도학습이 정답지 달린 문제집이라면, 강화학습은 점수판만 보고 게임을 반복해 실력을 올리는 방식입니다. 2016년 알파고로 대중에게 알려졌고, ChatGPT를 사람 선호에 맞게 다듬은 RLHF, 2025년 딥시크 R1의 추론 능력 학습까지 현대 AI 성능 도약의 핵심 기법으로 쓰입니다.

데이터·DB 분야에서 쓰이는 용어로, 생성형 AI의 답변을 검증 가능한 외부 근거에 묶어 사실과 어긋나지 않게 만드는 기법입니다. Google 공식 문서는 모델에 특정 데이터 출처를 연결하면 답이 그 데이터에 매이면서 내용을 지어낼 가능성이 줄어든다고 설명합니다. 그라운딩은 상위 개념이고, 외부 지식베이스에서 근거 문서를 찾아 붙이는 검색 증강 생성(RAG)은 그라운딩을 구현하는 대표 기법입니다. 답에 출처 링크를 달아 나중에 근거를 되짚을 수 있게 하는 감사가능성도 함께 제공합니다.

Knowledge Distillation

널리지 디스틸레이션

큰 '교사(teacher)' 모델이 만든 출력 확률 분포를 작은 '학생(student)' 모델이 모방하도록 학습시켜, 성능은 최대한 유지하면서 크기를 줄이는 모델 경량화 기법입니다. 정답 라벨만 쓰는 대신, 교사 모델이 각 선택지에 매긴 확률(soft label)까지 신호로 넘겨주는 것이 핵심입니다. 그래서 학생 모델이 혼자 학습할 때보다 더 높은 성능에 도달하기도 합니다. 2015년 제프리 힌턴 연구진이 정리한 개념으로, 오늘날 소형 언어모델을 만드는 표준 방법의 하나입니다.

모델 미세조정 분야에서 쓰이는 Low-Rank Adaptation(저차원 적응)의 약자로, 사전학습된 가중치는 그대로 얼리고 각 층에 작은 저차원 행렬만 추가로 학습시키는 파라미터 효율적 미세조정 기법입니다. 전체 가중치를 다시 학습하지 않아 학습 비용과 저장 용량이 크게 줄어듭니다. 학습이 끝난 저차원 행렬은 원래 가중치에 합칠 수 있어 추론 속도도 그대로입니다. 2021년 마이크로소프트 연구진이 제안했고, 지금은 오픈소스 모델을 값싸게 특화시키는 표준 방법으로 쓰입니다.

Speculative Decoding

스페큘러티브 디코딩

작고 빠른 '초안(draft) 모델'이 다음 토큰 여러 개를 먼저 제안하면, 크고 정확한 본 모델이 이를 한 번에 검증해 맞은 부분까지 통째로 채택하는 추론 가속 기법입니다. 토큰을 하나씩 순서대로 생성하던 과정을 병렬 검증으로 바꿔 속도를 높입니다. 틀린 토큰이 나온 지점부터 본 모델이 다시 이어 씁니다. 최종 출력은 본 모델이 혼자 생성한 것과 동일하게 유지되는 것이 특징입니다. 2022년 구글 연구진이 정리했습니다.

퀀타이제이션

AI 모델의 가중치와 활성값을 32비트·16비트 부동소수점에서 8비트·4비트 정수 같은 낮은 정밀도로 바꿔 크기와 연산량을 줄이는 모델 경량화 기법입니다. 정밀도를 낮추면 메모리 사용량과 응답 지연이 함께 줄어, 같은 GPU에서 더 큰 모델을 올리거나 휴대폰에서 온디바이스로 구동할 수 있습니다. 학습을 마친 모델에 적용하는 사후 양자화(PTQ)와 학습 과정에 반영하는 양자화 인식 학습(QAT)으로 나뉩니다. 정확도 손실을 얼마나 억제하느냐가 관건입니다.

AI 모델 운영 분야에서 쓰이는 용어로, LLM 서비스가 단위 시간당 처리할 수 있는 토큰 양 또는 동시 요청 수를 가리키며, 보통 초당 토큰(TPS) 단위로 측정하는 성능 지표입니다.

AI 모델 운영 분야에서 쓰이는 용어로, 사용자가 LLM에 질문을 보낸 시점부터 첫 응답 글자가 화면에 뜨기까지 걸리는 시간(보통 ms 단위)을 가리키는 성능 지표입니다.

AI 모델 평가 분야에서 Princeton NLP팀이 2023년에 공개한 코딩 능력 벤치마크로, 실제 GitHub 이슈와 PR을 모아 LLM이 진짜 오픈소스 버그를 해결할 수 있는지 평가하는 표준 평가입니다.

AI 모델 평가 분야에서 쓰이는 용어로, 서로 다른 인공지능 모델의 성능을 같은 잣대로 비교하기 위해 표준화된 시험 문제집을 모아 정답률·점수로 줄을 세우는 평가 방식입니다.

클로즈드 모델

AI 모델 분야에서 쓰이는 용어로, 학습된 가중치를 공개하지 않고 회사가 API·자체 호스팅으로만 제공하는 LLM 운영 방식을 가리키며, GPT-5·Claude·Gemini 등이 대표적입니다.

오픈 웨이트

AI 모델 분야에서 쓰이는 용어로, 학습된 가중치 파일을 누구나 다운로드해 직접 실행·파인튜닝할 수 있도록 공개한 LLM 운영 방식을 가리키며, Llama·Mistral·Qwen 등이 대표적입니다.

AI 모델 분야에서 쓰이는 용어로, 학습 단계에서 모델이 데이터를 보고 직접 조정해 저장하는 내부 숫자값으로, 그 갯수가 흔히 "B(빌리언)" 단위로 표시되어 모델 크기를 가늠하는 기준이 됩니다.

AI 모델 분야에서 쓰이는 용어로, 인공지능 모델이 데이터를 입력받아 예측 오차를 줄이는 방향으로 내부 가중치를 반복해서 조정하는 학습 과정 전반을 가리키는 일반 표현입니다.

AI 모델 운영 분야에서 쓰이는 용어로, 이미 학습이 끝난 모델이 실제 입력을 받아 결과를 계산해 돌려주는 단계를 가리키며, 사용자가 ChatGPT 같은 서비스에서 답을 받는 순간이 모두 추론입니다.

AI 활용 분야에서 쓰이는 OCR(Optical Character Recognition, 광학 문자 인식)의 약자로, 이미지·스캔본·사진 속 글자를 컴퓨터가 텍스트로 인식해 검색·편집할 수 있게 변환하는 기술입니다.

AI 기초 분야에서 쓰이는 Natural Language Processing(자연어 처리)의 약자로, 사람이 쓰는 말과 글을 컴퓨터가 이해하고 다룰 수 있도록 분석·변환·생성하는 기술 분야입니다.

Reasoning Model

AI 모델 분야에서 쓰이는 용어로, 답을 곧장 내놓지 않고 풀이 과정을 내부적으로 길게 생각한 다음 응답하도록 추론 단계를 강화 학습한 LLM 계열입니다.

AI 에이전트

AI 활용 분야에서 쓰이는 Artificial Intelligence(인공지능) Agent의 줄임말로, 사람이 시킨 목표를 달성하기 위해 스스로 계획을 세우고 도구를 호출하며 결과를 검증하는 자율 작업 시스템입니다.

플레이북 1

워크플로우 AI 기본법 표시 의무, 사내 콘텐츠 점검 6단계

생성형 AI로 만든 자료에 표시를 붙여야 하는지, 인공지능 기본법 제31조를 기준으로 가르는 사내 점검표와 판정 프롬프트를 6단계로 정리했습니다. 계도기간 중에도 의무는 이미 시작됐습니다.

검색 · AI for Everyone