6건
머신러닝
Machine Learning (ML)
AI 기초 분야에서 쓰이는 Machine Learning(기계 학습)의 약자로, 데이터로부터 규칙을 스스로 찾아내도록 컴퓨터를 학습시키는 인공지능 핵심 기법입니다.
기본
MLOps
엠엘옵스
AI 운영 분야에서 쓰이는 Machine Learning Operations(머신러닝 운영)의 약자로, 모델을 만드는 단계보다 배포·모니터링·재학습을 계속 굴리는 데 무게를 둔 운영 체계입니다. DevOps에서 파생됐지만 코드 외에 데이터와 모델이라는 두 축이 더 붙습니다. 구성요소는 데이터 파이프라인, 피처 스토어, 모델 레지스트리, CI/CD, 모니터링, 데이터 드리프트 감지입니다. Google Cloud는 수작업 단계인 레벨 0부터 파이프라인 자동화 레벨 1, CI/CD 자동화 레벨 2까지 성숙도를 나눕니다 [1].
개발
Data Drift
데이터 드리프트
운영 중인 머신러닝 모델에 들어오는 입력 데이터의 통계적 분포가 학습 시점과 달라지는 현상입니다. 코로나19 같은 외부 충격, 계절성, 사용자 행동 변화가 원인이 되며, 모델은 그대로여도 예측 정확도가 조용히 떨어집니다. 입력과 정답의 관계 자체가 바뀌는 콘셉트 드리프트와 구분해서 씁니다. 배포 후 모니터링과 재학습 주기를 설계하는 MLOps의 핵심 근거가 되는 개념입니다.
데이터·DB
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.
기본
Data Labeling
데이터 라벨링
데이터·DB 분야에서 쓰이는 용어로, 원시 데이터에 의미나 정답 태그를 붙여 머신러닝이 그 라벨로 학습할 수 있게 만드는 작업입니다. Scale AI 공식 가이드는 지도학습이 대량의 라벨 데이터로 모델을 학습시켜 분류나 예측을 하게 한다고 설명합니다. 모델 성능은 데이터와 라벨의 품질에 좌우됩니다. 그래서 자주 간과되지만 머신러닝에서 결정적인 작업으로 꼽힙니다. 최근에는 사람 라벨링에 머신러닝을 결합해 일부를 자동화하기도 합니다.
데이터·DB
Hugging Face
허깅페이스
AI 개발도구 분야에서 2016년에 설립된 Hugging Face가 운영하는 모델·데이터셋 공유 플랫폼으로, 누구나 머신러닝 모델을 업로드하고 사용·파인튜닝할 수 있도록 라이브러리와 호스팅 인프라를 제공합니다.
모델·서비스