So you’ve heard these AI terms and nodded along; let’s fix that

개요

인공지능(AI) 분야의 발전과 함께 등장하는 다양한 기술 용어들을 명확하게 이해하고, AI 기술의 작동 방식과 적용 가능성을 깊이 있게 파악하는 데 도움을 주는 용어 해설입니다.

주요 내용

* AGI (Artificial General Intelligence): 인간처럼 다양한 인지 작업에서 평균 이상의 능력을 발휘하는 AI를 의미하며, 전문가들 사이에서도 정의에 대한 이견이 존재합니다.
* AI Agent: 경비 처리, 예약, 코딩 등 사용자를 대신하여 일련의 작업을 수행하는 AI 도구로, 여러 AI 시스템을 활용하여 다단계 작업을 자율적으로 수행할 수 있습니다.
* API Endpoints: 다른 프로그램이 특정 기능을 수행하도록 요청할 수 있는 소프트웨어의 인터페이스로, AI Agent가 외부 서비스를 제어하는 데 사용될 수 있습니다.
* Chain of Thought: 복잡한 문제를 여러 단계의 중간 단계로 분해하여 AI 모델의 추론 과정을 명확히 하고 결과의 정확성을 높이는 기법입니다.
* Coding Agents: 코드를 작성, 테스트, 디버깅하는 등 소프트웨어 개발 작업을 자율적으로 수행하는 특화된 AI Agent입니다.
* Compute: AI 모델의 학습 및 배포에 필요한 GPU, CPU, TPU 등 연산 능력을 제공하는 하드웨어 자원을 의미합니다.
* Deep Learning: 다층 신경망 구조를 활용하여 복잡한 데이터 상관관계를 학습하고, 인간의 개입 없이 데이터 특징을 스스로 추출하며 오류로부터 학습하는 머신러닝의 한 분야입니다.
* Diffusion: 노이즈를 추가하여 데이터 구조를 점진적으로 파괴한 후, 이를 복원하는 '역확산' 과정을 학습하여 이미지, 음악, 텍스트 등을 생성하는 기술입니다.
* Distillation: 큰 '교사' 모델의 지식을 작은 '학생' 모델로 전달하여 더 작고 효율적인 모델을 만드는 기법으로, GPT-4 Turbo와 같은 모델 개발에 활용될 수 있습니다.
* Fine-tuning: 특정 작업이나 영역에 대한 성능 최적화를 위해 AI 모델에 추가적인 특수 데이터를 학습시키는 과정입니다.
* GAN (Generative Adversarial Network): 생성자와 판별자라는 두 개의 신경망이 경쟁적으로 학습하여 사실적인 데이터를 생성하는 모델로, 딥페이크 기술 등에 활용됩니다.
* Hallucination: AI 모델이 잘못된 정보를 생성하는 현상으로, 학습 데이터의 부족으로 발생하며 특화된 AI 모델 개발의 동기가 됩니다.
* Inference: 학습된 AI 모델을 사용하여 새로운 데이터에 대한 예측 또는 결론을 도출하는 과정입니다.
* LLM (Large Language Model): ChatGPT, Gemini 등 AI 어시스턴트에 사용되는 모델로, 대규모 텍스트 데이터를 학습하여 언어의 패턴과 관계를 이해하고 텍스트를 생성합니다.
* Memory Cache: AI 모델이 사용자 질의에 응답하는 추론 과정을 효율화하기 위해 이전에 계산된 결과를 저장하는 기술입니다.
* Neural Network: 인간 두뇌의 뉴런 연결 구조에서 영감을 받은 다층 알고리즘 구조로, 딥러닝 및 생성 AI의 기반이 됩니다.
* Open Source: AI 모델의 기반 코드가 공개되어 누구나 사용, 검토, 수정할 수 있는 형태로, 협업과 발전을 가속화합니다.
* Parallelization: 여러 계산이나 작업을 동시에 수행하는 기법으로, AI 모델의 학습 및 추론 속도를 높이는 데 중요합니다.
* RAMageddon: AI 산업의 폭발적인 성장으로 인한 RAM 칩의 부족 및 가격 상승 현상을 지칭합니다.
* Recursive Self-Improvement: AI 모델이 인간의 개입 없이 스스로를 개선하여 성능을 기하급수적으로 향상시키는 개념입니다.
* Reinforcement Learning: AI 시스템이 시행착오를 통해 보상을 받으며 학습하는 방식으로, 게임 플레이, 로봇 제어, LLM 추론 능력 향상 등에 활용됩니다.
* Token: 인간과 AI 간의 통신에서 데이터를 처리하는 기본 단위로, LLM 사용 비용 산정의 기준이 되기도 합니다.
* Token Throughput: 단위 시간당 AI 시스템이 처리할 수 있는 토큰의 양으로, 동시 사용자 수와 응답 속도에 영향을 미칩니다.
* Training: AI 모델이 데이터를 학습하여 패턴을 인식하고 유용한 출력을 생성하는 과정입니다.
* Transfer Learning: 이전에 학습된 모델을 새로운 관련 작업의 시작점으로 활용하여 개발 효율성을 높이는 기법입니다.
* Validation Loss: AI 모델 학습 중 성능을 나타내는 지표로, 낮을수록 모델이 데이터를 잘 학습하고 있음을 의미하며 과적합(Overfitting) 여부를 판단하는 데 사용됩니다.
* Weights: AI 모델 학습 시 데이터의 각 특징(Feature)에 부여되는 중요도로, 모델의 최종 출력에 영향을 미칩니다.

시사점

이 용어집은 AI 기술의 핵심 개념을 명확히 함으로써, 관련 분야의 정보 격차를 줄이고 AI 기술의 발전 추세와 잠재적 영향을 더 깊이 이해하는 데 기여합니다. AI 기술의 복잡성을 해소하고 실무 적용 가능성을 탐색하는 데 있어 중요한 기초 자료 역할을 합니다.