AI for Everyone

SEARCH RESULTS

“학습”

40건

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.

AI 모델 학습 분야에서 쓰이는 용어로, LLM이 대량의 웹·책·코드 텍스트를 미리 읽으며 단어 사이의 통계 관계를 익히는 첫 번째 학습 단계로, 모델의 기초 언어 능력이 만들어지는 과정입니다.

Self-Consistency

셀프 컨시스턴시

Self-Consistency는 같은 질문에 대해 여러 개의 추론 경로를 뽑아 최종 답의 다수결을 취하는 디코딩·프롬프팅 기법입니다. 사고사슬 프롬프트는 그대로 두고, 탐욕적 디코딩 대신 온도를 높인 표본추출로 서로 다른 풀이를 여러 개 만든 뒤 가장 많이 나온 답을 고릅니다 [1]. 복잡한 문제라도 정답은 하나로 모인다는 가정에 기대므로, 답이 고정된 집합에서 나오는 수학과 논리 과제에 맞습니다. 추가 학습이나 사람 주석은 필요 없지만, 비용은 표본 수에 거의 비례해 늘어납니다 [1].

프롬프트·AI 활용

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].

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.

모델 컬랩스

AI가 생성한 데이터를 다음 세대 모델이 반복 학습할 때 성능과 다양성이 점차 무너지는 현상입니다. 2024년 7월 네이처에 실린 옥스퍼드대 등 연구진의 논문이 대표적으로, 언어 모델이 자기 출력물로 세대를 거듭해 학습하자 드물게 등장하는 정보부터 사라지고 결국 무의미한 문장을 내놓았습니다. 웹에 AI 생성 콘텐츠가 쌓일수록 다음 모델의 학습 데이터가 오염될 수 있어, 사람이 만든 원본 데이터의 확보와 데이터 출처 관리가 AI 산업의 과제로 떠올랐습니다.

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.

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.

인공지능 분야에서 쓰이는 Vision-Language Model(비전-언어 모델)의 약자로, 이미지와 텍스트를 함께 입력받아 텍스트로 답하는 멀티모달 모델입니다. 보통 이미지를 이해하는 비전 인코더, 두 표현을 정렬하는 프로젝터, 답을 생성하는 언어 모델을 이어 붙인 구조입니다. 2021년 OpenAI가 이미지-텍스트 쌍 4억 개로 학습한 CLIP으로 기반을 열었고, 2023년 GPT-4V 공개로 상용화가 본격화됐습니다. 문서 판독, 차트 해석, 화면을 보고 조작하는 에이전트의 눈 역할까지 활용 범위가 넓어지고 있습니다.

모델·서비스

Federated Learning

페더레이티드 러닝

데이터를 중앙 서버로 모으지 않고 각 기기·기관에 둔 채, 로컬에서 계산한 모델 업데이트만 모아 공동 모델을 만드는 분산 기계학습 방식입니다. 한국어로는 연합학습이라고 부릅니다. 2016년 Google 연구진이 FedAvg 알고리즘 논문에서 처음 명명했습니다. 원본 데이터가 밖으로 나가지 않아 개인정보·기밀이 걸린 모바일·의료·금융 분야에서 주로 쓰입니다. 데이터 반출 없이 여러 기관이 협력해 하나의 모델을 키울 수 있다는 점이 핵심 가치입니다.

소버린 에이아이

AI 정책·산업 분야에서 쓰이는 용어로, 한 국가가 자국의 인프라·데이터·인력·제도로 AI 개발과 운영 역량을 확보해 외국 기술 의존을 줄이려는 전략, 또는 그렇게 확보한 AI 역량 자체를 가리킵니다. 데이터센터와 GPU 같은 컴퓨팅 자원, 자국어 데이터로 학습한 파운데이션 모델, 이를 다룰 인재를 국가 단위로 갖추는 것이 핵심입니다. 2024년 엔비디아가 각국 정부에 개념을 확산시켰고, 한국도 독자 AI 파운데이션 모델 프로젝트 등으로 국가 AI 정책의 기조로 삼고 있습니다.

피지컬 에이아이

로보틱스·제조 분야에서 쓰이는 용어로, 화면 속에서 글과 이미지를 만드는 생성형 AI를 넘어 로봇·자율주행차·스마트팩토리처럼 물리 세계를 인식하고 움직이는 기계에 탑재되는 AI를 가리킵니다. 물리 법칙과 3차원 공간을 이해하는 월드 모델을 기반으로 기계가 보고(인식), 판단하고(추론), 움직이는(행동) 전 과정을 학습합니다. 2025년 CES에서 엔비디아가 '로보틱스의 ChatGPT 모먼트'를 선언하며 산업 화두로 떠올랐고, 휴머노이드 로봇과 자율 제조 투자로 이어지고 있습니다.

테스트 타임 컴퓨트

Test-Time Compute

AI 트렌드 분야에서 쓰이는 용어로, 모델을 더 크게 학습시키는 대신 답을 내는 추론 시점에 연산을 더 써서 성능을 끌어올리는 방식입니다. 모델이 답하기 전에 사고 사슬을 길게 돌리거나 여러 후보를 만들어 검증하는 식으로 추론 연산을 늘립니다. OpenAI는 o1이 학습 시점 연산뿐 아니라 생각하는 시간을 늘릴수록 성능이 꾸준히 좋아졌다고 밝혔습니다. 다만 효과는 문제 난이도에 따라 달라서, 모든 문제에서 똑같이 이득이 나지는 않습니다.

AI 트렌드 분야에서 쓰이는 용어로, 에이전트가 환경의 작동 방식과 미래 변화를 내부 표현으로 학습해 다음에 무슨 일이 일어날지 예측·시뮬레이션하는 모델입니다. 원류는 2018년 Ha와 Schmidhuber의 World Models 연구입니다. 이 연구는 환경의 압축된 표현을 비지도로 빠르게 학습할 수 있음을 보였습니다. 자율주행 기업 Wayve는 월드 모델을 환경과 그 미래 동역학의 표현을 학습해 주행 판단에 쓰는 것이라고 정의합니다. 최근에는 게임 환경 생성, 자율주행, 로보틱스로 응용이 넓어지고 있습니다.

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.

Human-in-the-Loop

휴먼 인 더 루프

자동화·노코드 분야에서 쓰이는 Human-in-the-loop(사람이 개입하는 순환 구조)의 약자로, AI나 자동화가 혼자 끝내지 않고 중요한 길목마다 사람이 검토·승인·교정하도록 사람을 작업 순환 안에 두는 방식입니다. AWS 공식 문서는 자동화 과정의 결정적 지점에 사람의 판단을 끼워 넣는 것이라고 설명합니다. 사람은 학습 데이터 라벨링, 모델 출력 평가, 확신이 낮은 사례 처리 같은 여러 지점에서 개입합니다. 목표는 정확성과 신뢰성을 높이되 사람 개입 비용을 최소화하는 균형입니다.

자동화·노코드

보안·윤리·거버넌스 분야에서 쓰이는 용어로, 모델을 다시 학습시키지 않고 입력과 출력을 실행 시점에 통제해 위험한 응답을 걸러내는 외부 안전장치입니다. 유해 주제 회피, 정해진 대화 흐름 준수, 특정 형식 강제 같은 규칙을 모델과 별개로 설정합니다. 구현은 크게 두 갈래입니다. 규칙과 대화 흐름을 코드로 짜두는 프로그래머블 레일 방식과, 입력과 출력을 안전·위험으로 분류하는 모델 기반 세이프가드 방식으로 나뉩니다. 학습 단계의 정렬과 달리 운영 중에 언제든 고쳐 쓸 수 있는 점이 특징입니다.

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.

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 활용 분야에서 쓰이는 용어로, 학습 데이터·모델 설계·운영 환경에 들어 있는 사회적 불균형이 인공지능 출력에 그대로 반영돼 특정 집단에 불리하게 작동하는 현상을 통칭하는 표현입니다.

AI 모델 학습 분야에서 쓰이는 RLAIF(Reinforcement Learning from AI Feedback, 인공지능 피드백 기반 강화학습)의 약자로, 사람 대신 다른 LLM이 답안 두 개 중 더 나은 쪽을 골라 보상을 만들어 모델을 학습시키는 방법입니다.

AI 모델 학습 분야에서 쓰이는 Reinforcement Learning from Human Feedback(인간 피드백 기반 강화학습)의 약자로, 사람이 모델 답변 중 더 좋은 쪽을 골라준 기록을 보상으로 삼아 모델 행동을 다듬는 학습 방법입니다.

얼라인먼트

AI 활용 분야에서 쓰이는 용어로, 인공지능 시스템이 만든 행동·답변이 사람이 의도한 가치·목표와 일치하도록 학습 시점부터 조정하는 연구·기술 분야를 가리킵니다.

Recommender System

추천 시스템

AI 활용 분야에서 쓰이는 용어로, 사용자의 과거 행동·취향 데이터를 학습해 다음에 좋아할 만한 상품·콘텐츠·사람을 자동으로 추천해 주는 AI 시스템 전반을 가리킵니다.

비즈니스·마케팅

AI 활용 개발도구 분야에서 이스라엘 Tabnine이 2013년에 창업해 운영하는 IDE 통합 AI 코딩 도우미로, 기업 내부 코드만으로 학습한 자체 모델을 제공해 보안·규제 환경에서 쓸 수 있는 자동완성 도구입니다.

AI 개발도구

Constitutional AI

컨스티튜셔널 AI

AI 모델 학습 분야에서 Anthropic이 2022년에 공개한 RLHF 대체 기법으로, 사람이 매번 답안을 평가하는 대신 미리 정의된 원칙(헌법)에 따라 AI가 스스로 자기 답변을 비판·수정하도록 학습시키는 방식입니다.

AI 인프라 분야에서 미국 Together AI가 2022년에 창업해 운영하는 오픈모델 추론·학습 클라우드로, Llama·Mistral·Qwen 같은 오픈웨이트 모델을 API 한 줄로 호출해 쓸 수 있게 해줍니다.

모델·서비스

AI 활용 서비스 분야에서 OpenAI가 2022년 11월에 공개한 대화형 인공지능 서비스로, GPT(Generative Pre-trained Transformer, 생성형 사전 학습 변환기) 계열 모델을 채팅 인터페이스로 제공합니다.

모델·서비스

AI 모델 분야에서 중국 DeepSeek사가 2024~2025년에 공개한 LLM(Large Language Model, 거대 언어 모델) 시리즈로, 미국 플래그십 모델 수준 성능을 훨씬 적은 학습 비용으로 달성한 추론·코딩 특화 오픈웨이트 모델입니다.

모델·서비스

AI 모델 분야에서 미국 xAI가 공개한 Grok 시리즈 4세대 LLM(Large Language Model, 거대 언어 모델)으로, X(구 Twitter) 실시간 데이터를 학습·참조해 시사·검색 강점을 가진 추론 모델 라인입니다.

모델·서비스

AI 모델 분야에서 OpenAI가 2026년에 공개한 GPT(Generative Pre-trained Transformer, 생성형 사전 학습 변환기) 계열 5세대 후속 모델로, 추론·멀티모달·도구 호출이 통합된 플래그십 LLM입니다.

모델·서비스

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.

Reasoning Model

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

플레이북 3

케이스 스터디 언어학습 앱 듀오링고의 AI 콘텐츠 전환

듀오링고는 GPT-4 튜터 '맥스'와 생성형 AI '공유 콘텐츠' 방식으로 코스 제작을 자동화해 148개를 한 번에 냈습니다. 'AI 우선' 방침과 이후 되돌림까지 수치로 정리합니다.

리소스 사내 AI 교육에 바로 쓰는 무료 강의 3개

OpenAI Academy의 업무용 무료 강의 세 개를 소요 시간·수료증 기준과 함께 정리했습니다. 온보딩과 팀 학습에 바로 넣을 수 있는 계획 프롬프트도 함께 넣었습니다.

리소스 마이크로소프트가 만든 무료 생성형 AI 강의 21개

마이크로소프트 클라우드 아드보켓 팀이 만든 21개 강의 저장소입니다. 개념 설명과 파이썬 실습, 한국어 자동 번역까지 갖춰 개인 학습과 사내 스터디 커리큘럼으로 바로 쓸 수 있습니다.

검색 · AI for Everyone