The only AI glossary you’ll need this year

개요

인공지능(AI) 분야의 급속한 발전과 함께 등장하는 새로운 전문 용어들을 명확하게 이해할 수 있도록 돕기 위해, 본 콘텐츠는 LLM, RAG, RLHF 등 AI 관련 핵심 용어들을 쉬운 영어 설명과 함께 제공한다.

주요 내용

* AGI (Artificial General Intelligence): 인간의 대부분의 작업 수행 능력을 넘어서는 AI를 지칭하며, 전문가들 사이에서도 정의에 대한 약간의 차이가 존재한다.
* AI Agent: 단순히 챗봇 기능을 넘어선 복잡한 작업을 대신 수행하는 AI 도구로, 여러 AI 시스템을 활용하여 다단계 작업을 자동화할 수 있다.
* API Endpoints: 다른 프로그램이 특정 기능을 실행하도록 상호작용할 수 있게 하는 소프트웨어의 인터페이스 역할을 한다.
* Chain of Thought (CoT): 대규모 언어 모델(LLM)이 복잡한 문제를 단계별로 분해하여 더 정확하고 논리적인 답변을 생성하도록 하는 추론 방식이다.
* Coding Agents: 소프트웨어 개발을 위해 코드를 작성, 테스트, 디버깅하는 등 자율적으로 목표를 달성하는 전문 AI 에이전트이다.
* Compute: AI 모델의 학습 및 배포에 필수적인 GPU, CPU, TPU 등의 컴퓨팅 파워를 의미한다.
* Deep Learning: 인간의 뇌 신경망 구조에서 영감을 받은 다층 신경망을 사용하여 복잡한 데이터 패턴을 학습하는 머신러닝의 하위 분야이다.
* Diffusion: 노이즈를 추가하여 데이터를 점진적으로 파괴한 후, 이 과정을 역으로 학습하여 원본 데이터를 복원하는 생성 모델의 핵심 기술이다.
* Distillation: 크고 복잡한 '교사' 모델의 지식을 작고 효율적인 '학생' 모델로 압축하는 기법이다.
* Fine-tuning: 이미 학습된 AI 모델을 특정 작업이나 분야에 최적화하기 위해 추가적인 맞춤형 데이터로 재학습시키는 과정이다.
* GAN (Generative Adversarial Network): 생성자와 판별자라는 두 개의 신경망이 경쟁하며 더욱 사실적인 데이터를 생성하는 생성 AI 프레임워크이다.
* Hallucination: AI 모델이 부정확하거나 사실이 아닌 정보를 생성하는 현상으로, 훈련 데이터의 부족이나 편향으로 인해 발생할 수 있다.
* Inference: 학습된 AI 모델이 새로운 데이터에 대해 예측이나 결론을 도출하는 과정이다.
* Large Language Model (LLM): ChatGPT, Gemini 등과 같이 인간의 언어를 이해하고 생성하는 데 특화된 대규모 딥러닝 모델이다.
* Memory Cache: AI 모델의 추론 과정을 효율화하기 위해 반복적인 계산 결과를 저장하여 응답 속도를 높이는 기술이다.
* Model Context Protocol (MCP): AI 모델이 외부 도구 및 데이터와 쉽게 연결될 수 있도록 하는 개방형 표준 프로토콜이다.
* Mixture of Experts (MoE): 단일 신경망을 여러 개의 전문화된 '전문가'로 분할하고, 작업에 따라 일부 전문가만 활성화하여 효율성과 확장성을 높이는 모델 아키텍처이다.
* Neural Network: 인간의 뇌 신경망 구조에서 영감을 받아 데이터를 처리하고 학습하는 다층 알고리즘 구조이다.
* Open Source: AI 모델 또는 소프트웨어의 소스 코드가 공개되어 누구나 사용, 검토, 수정할 수 있는 접근 방식이다.
* Parallelization: 여러 작업을 동시에 처리하여 AI 모델의 학습 및 추론 속도를 높이는 기술로, GPU의 핵심 기능이다.
* RAMageddon: AI 산업의 폭발적인 성장으로 인한 RAM 칩의 수요 증가로 공급 부족 및 가격 상승이 발생하는 현상이다.
* Recursive Self-Improvement (RSI): AI 모델이 인간의 개입 없이 스스로를 개선하여 능력을 기하급수적으로 향상시키는 개념이다.
* Reinforcement Learning: AI 시스템이 시행착오와 보상 체계를 통해 학습하는 방식이며, RLHF는 인간 피드백을 통한 강화 학습으로 모델의 정확성과 안전성을 향상시킨다.
* Token: 인간 언어를 AI가 이해하고 처리할 수 있는 작은 데이터 조각으로 분할한 단위이며, LLM 사용 비용 산정의 기준이 되기도 한다.
* Token Throughput: 특정 시간 동안 AI 시스템이 처리할 수 있는 토큰의 양을 나타내는 지표로, AI 인프라의 핵심 성능 측정치이다.
* Training: AI 모델이 데이터의 패턴을 학습하여 유용한 출력을 생성하도록 하는 과정이다.
* Transfer Learning: 이전에 학습된 모델의 지식을 다른 관련 작업에 적용하여 새로운 모델을 개발하는 효율적인 기법이다.
* Validation Loss: AI 모델 학습 중 모델의 성능을 측정하는 지표로, 낮을수록 좋다. 과적합(overfitting)을 방지하는 데 활용된다.
* Weights: AI 모델 학습 시 데이터의 각 특징(feature)에 부여되는 중요도를 나타내는 수치적 매개변수이며, 모델의 최종 출력에 영향을 미친다.

시사점

AI 기술의 발전에 따라 새롭게 등장하는 다양한 용어들을 이해하는 것은 관련 분야 종사자뿐만 아니라 일반 사용자에게도 AI 생태계를 파악하고 미래 기술을 예측하는 데 필수적이다. 본 콘텐츠는 이러한 용어들을 체계적으로 정리하여 AI에 대한 접근성을 높이고, 실질적인 기술 이해 및 활용에 도움을 줄 수 있다.