AI 개념
- 인공지능(AI, Artificial Intelligence): 가장 큰 범주로, 인간의 지능을 모방하거나 특정 작업을 수행하는 컴퓨터 시스템을 포괄합니다.
- 머신러닝(ML, Machine Learning): AI의 하위 분야로, 데이터를 통해 명시적 프로그래밍 없이 학습하는 알고리즘을 다룹니다.
- 딥러닝(DL, Deep Learning): ML의 하위 분야로, 인공신경망(Artificial Neural Network)을 활용해 복잡한 패턴을 학습합니다.
AI 관련 용어
- 데이터(Data): AI의 원재료. 예: 텍스트, 이미지, 숫자.
- 알고리즘(Algorithm): 데이터를 처리하는 규칙이나 절차.
- 모델(Model): 학습된 결과물. 예: "고양이 인식 모델".
- 학습(Training): 데이터를 통해 패턴을 익히는 과정
- 추론(Inference), 예측(Prediction), 예보(Forecast):
- 추론(Inference): 학습된 모델이 새로운 데이터를 보고 결론을 내리는 과정. 예: "고양이 사진을 보고 '고양이'라고 판단".
- 예측(Prediction): 미래나 현재 결과를 추정. 예: "내일 비가 올까?".
- 예보(Forecast): 시계열 데이터를 기반으로 미래 값을 예측. 예: "판매량 예보".
- >> 실제로는 구별없이 쓰임. 학습된 모델을 활용하여 새로운 데이터에 대한 출력값을 내는 것임
- 평가(Evaluation): 모델 성능 측정.
- 파라미터(Parameter): 모델이 학습 중 데이터로 조정하는 값(예: 가중치, 편향).
- 빅데이터(Big Data): 방대한 양과 다양한 데이터.
- 클라우드 컴퓨팅(Cloud Computing): 인터넷을 통해 서버, 저장소, 컴퓨팅 자원을 제공하는 서비스
- GPU(Graphics Processing Unit): 그래픽 처리를 위한 하드웨어(AI에서 병렬 계산에 사용)
- 피처(Feature): 데이터의 학습 속성.
- 레이블(Label)/Target: 정답 데이터.
- 하이퍼파라미터(Hyperparameter): 모델 학습 전에 사람이 설정하는 값(예: 학습률, 레이어 수).
- 좁은 AI(Narrow AI): 특정 작업에 특화 (현재 대부분의 AI).
- 일반 AI(General AI, AGI): 인간처럼 범용적인 지능 (연구 중).
- 초지능(Superintelligence): 인간을 초월하는 지능 (미래 개념).
딥러닝 관련 용어 (LLM 포함)
- Fine-tuning(미세 조정): 사전 학습된 모델(Pre-trained Model)을 특정 작업에 맞게 추가 학습시키는 과정. 예: LLM을 특정 도메인에 맞춰 조정.
- Pre-training(사전 학습): 대량의 일반 데이터로 모델을 미리 학습시키는 단계.
- Transfer Learning(전이 학습): 한 작업에서 학습된 모델을 다른 작업에 재활용.
- Backpropagation(역전파): 신경망 학습에서 오류를 줄이는 알고리즘.
- Epoch(에포크): 전체 데이터를 한 번 학습하는 사이클.
- Batch(배치): 한 번에 처리하는 데이터 묶음 크기.
- Overfitting(과적합): 학습 데이터에 지나치게 맞춰져 새로운 데이터에서 성능 저하.
- Dropout(드롭아웃): 과적합 방지를 위해 학습 중 일부 뉴런을 무작위로 제외.
- Transformer(트랜스포머): LLM의 핵심 구조, 문맥 이해에 강력.
- Attention(어텐션): 입력 데이터의 중요한 부분에 집중하는 메커니즘.
- LLM(Large Language Model, 대규모 언어 모델): 방대한 텍스트 데이터로 학습된 딥러닝 모델. 예: ChatGPT, Grok.
- 프롬프트(Prompt): LLM에 입력하는 질문이나 지시문. 예: "AI에 대해 설명해줘".
- 토큰(Token): LLM이 텍스트를 처리할 때 나눠진 단위(단어, 문자 등).
* Grok을 활용하여 작성되었습니다.