AI 용어집

AI 소식을 읽다 보면 만나는 용어를 처음 보는 사람도 이해할 수 있게 풀어 씁니다. 지금 261개.

이번 주 소식에 나온 용어

1. MoE5
2. 벤치마크5
3. MCP4
4. HBM3
5. 월드 모델3
6. Jev2
7. 사후 학습2
8. 샌드박스2

기본 개념

AI 소식을 읽기 위한 첫 단계 용어

• A/B 테스트입문 A/B Testing A/B 테스트는 사용자를 무작위로 두 무리로 나눠 한쪽에는 기존 버전(A), 다른 쪽에는 새 버전(B)을 보여 준 뒤, 어느 쪽이 더 좋은 결과를 내는지 실제 데이터로 비교하는 실험 방법이다.
• AGI입문 범용 인공지능 AGI(Artificial General Intelligence, 범용 인공지능)는 특정 일 하나가 아니라 사람이 하는 대부분의 지적인 일을 사람만큼 혹은 그 이상으로 해낼 수 있는 AI를 말한다. 아직 합의된 정확한 정의나 판정 기준은 없다.
• AI 에이전트입문 AI Agent AI 에이전트는 목표를 주면 스스로 계획을 세우고 도구를 사용해 여러 단계의 작업을 직접 수행하는 AI입니다. 답만 하는 챗봇에서 한발 더 나아가 '일을 처리하는' AI입니다.
• AI 플랫폼입문 AI Platform, ML 플랫폼 AI 플랫폼은 데이터 준비부터 모델 학습·배포·운영까지, AI를 만들고 서비스하는 데 필요한 도구와 인프라를 한곳에 모아 둔 공용 기반 환경이다. ML 플랫폼이라고도 부른다.
• EU AI법입문 EU AI Act EU AI법은 유럽연합(EU)이 만든 인공지능 규제 법이다. AI가 사람에게 끼칠 수 있는 위험이 얼마나 큰지에 따라 지켜야 할 의무를 다르게 정한다.
• LLM입문 대규모 언어 모델 LLM(대규모 언어 모델)은 아주 많은 글을 읽고 배워서 사람처럼 글을 이해하고 써 내는 AI 프로그램입니다. 질문에 답하고, 요약하고, 번역하고, 글을 쓰는 일을 합니다.
• SLM입문 소형 언어 모델 SLM(Small Language Model, 소형 언어 모델)은 파라미터 수가 비교적 적어 가볍고 빠르게 돌아가는 언어 모델이다. 정해진 크기 기준은 없고, 대형 LLM에 견주어 '작다'는 상대적인 표현이다.
• TTS입문 음성 합성 TTS(Text-to-Speech, 음성 합성)는 글자로 된 문장을 사람 목소리처럼 들리는 음성으로 바꿔 읽어 주는 기술입니다.
• 강화학습입문 Reinforcement learning 강화학습은 AI가 정답을 미리 배우는 대신, 스스로 행동해 보고 그 결과로 받은 보상(점수)을 바탕으로 더 좋은 행동을 찾아가도록 학습하는 방식이다.
• 교차 검증입문 Cross-Validation 교차 검증은 데이터를 여러 조각으로 나눈 뒤, 조각을 번갈아 평가용으로 쓰면서 모델을 여러 번 학습·평가해 성능을 더 믿을 만하게 재는 방법이다.
• 데이터 라벨링입문 Data Labeling, 어노테이션 데이터 라벨링은 사진·글·음성·영상 같은 원본 데이터에 '이것은 고양이다', '이 문장은 부정적이다'처럼 정답 표시(라벨)를 붙이는 작업이다. 어노테이션이라고도 부르며, AI가 무엇을 배워야 하는지 알려 주는 교재를 만드는 일이다.
• 딥러닝입문 Deep Learning 딥러닝은 사람 뇌의 신경망을 본뜬 인공 신경망을 여러 층으로 깊게 쌓아, 데이터에서 복잡한 패턴을 스스로 배우게 하는 머신러닝 방법입니다.
• 딥페이크입문 Deepfake 딥페이크는 AI로 실제 사람의 얼굴, 목소리, 행동을 진짜처럼 합성하거나 바꿔치기한 이미지·영상·음성이다. 딥러닝(deep learning)과 가짜(fake)를 합친 말이다.
• 머신러닝입문 Machine Learning, 기계학습 머신러닝(기계학습)은 사람이 규칙을 하나하나 정해 주는 대신, 컴퓨터가 많은 데이터를 보고 스스로 규칙(패턴)을 찾아내 예측이나 판단을 하도록 만드는 방법입니다.
• 멀티모달입문 Multimodal 멀티모달은 AI가 글뿐 아니라 이미지, 소리, 영상 등 여러 종류의 정보를 함께 이해하거나 만들어 낼 수 있는 성질을 말합니다.
• 바이브 코딩입문 Vibe Coding 바이브 코딩은 코드를 한 줄씩 직접 쓰지 않고, 만들고 싶은 것을 말로 설명해 AI가 코드를 쓰게 하는 프로그래밍 방식입니다. 사람은 결과물을 실행해 보고 마음에 들 때까지 말로 고쳐 달라고 요청합니다.
• 배치 처리입문 Batch Processing 배치 처리(Batch Processing)는 데이터를 일정 기간 모아 두었다가 정해진 시점에 한꺼번에 처리하는 방식이다. 매일 밤 하루치 매출을 집계하는 일이 대표적이다.
• 비지도 학습입문 Unsupervised Learning 비지도 학습은 정답이 붙지 않은 데이터만 주고, AI가 그 안에서 비슷한 것끼리 묶거나 숨은 구조를 스스로 찾아내게 하는 머신러닝 방식이다.
• 사전 학습입문 Pre-training 사전 학습은 AI 모델이 인터넷 글, 책, 코드 같은 아주 많은 데이터를 먼저 읽으며 언어와 세상에 대한 기본 지식을 익히는 첫 번째 학습 단계예요. 이 단계를 마친 모델을 바탕으로 이후 여러 용도에 맞게 다듬어요.
• 소버린 AI입문 Sovereign AI 소버린 AI는 한 나라(또는 기업)가 AI의 핵심 요소인 데이터, 컴퓨팅 인프라, 모델, 인재를 다른 나라나 외부 기업에 기대지 않고 스스로 통제할 수 있게 갖추려는 전략이다.
• 시스템 프롬프트입문 System Prompt 시스템 프롬프트는 사용자가 대화를 시작하기 전에 AI 모델에 미리 넣어 두는 기본 지시문입니다. 모델이 어떤 역할을 맡고, 어떤 말투로 답하고, 무엇을 하면 안 되는지를 정해 줍니다.
• 음성 인식입문 ASR, STT 음성 인식(ASR, Automatic Speech Recognition, STT라고도 함)은 사람이 말한 소리를 듣고 그 내용을 글자로 받아 적는 기술입니다.
• 인공 신경망입문 ANN, Artificial Neural Network 인공 신경망은 숫자를 받아 계산하는 작은 단위(뉴런)를 여러 층으로 연결하고, 데이터를 보며 연결 강도를 스스로 조정해 규칙을 배우는 계산 구조입니다. 오늘날 딥러닝과 LLM의 기본 뼈대입니다.
• 정형 데이터입문 Tabular Data, 표 데이터 정형 데이터는 행과 열이 정해진 표 형태로 정리된 데이터입니다. 엑셀 시트나 데이터베이스 테이블처럼 각 칸에 어떤 값이 들어갈지 미리 정해져 있습니다.
• 지도 학습입문 Supervised Learning 지도 학습은 문제와 정답이 짝지어진 데이터를 보여 주며, AI가 '이런 입력에는 이런 답'이라는 규칙을 스스로 익히게 하는 머신러닝 방식이다.
• 추천 시스템입문 Recommender System 추천 시스템은 사용자의 과거 행동과 콘텐츠의 특징을 바탕으로, 그 사람이 좋아할 만한 상품·영상·글 등을 골라 보여 주는 소프트웨어입니다.
• 컨텍스트 윈도입문 Context window 컨텍스트 윈도는 AI 모델이 한 번에 읽고 기억하며 다룰 수 있는 글의 최대 분량입니다. 보통 토큰 수로 표시합니다.
• 코딩 에이전트입문 Coding agent 코딩 에이전트는 사람이 말로 요청한 프로그래밍 작업을 LLM이 스스로 계획하고, 코드를 읽고 고치고 실행해 보며 끝까지 해내는 AI 프로그램이다.
• 탈옥입문 Jailbreak 탈옥은 AI 모델에 걸려 있는 안전 규칙을 교묘한 질문이나 상황 설정으로 우회해서, 원래라면 거절했을 답을 하게 만드는 것이다.
• 토큰입문 Token 토큰은 AI 언어 모델이 글을 처리할 때 쓰는 가장 작은 단위 조각입니다. 단어 하나일 수도 있고, 단어의 일부나 글자 몇 개일 수도 있습니다.
• 파라미터입문 Parameter, 매개변수 파라미터는 AI 모델이 학습하면서 스스로 조정하는 내부 숫자들입니다. 모델이 배운 지식과 판단 방식이 이 숫자들 속에 담겨 있습니다.
• 파운데이션 모델입문 Foundation model 파운데이션 모델은 아주 많은 데이터로 미리 폭넓게 학습해 두어서, 조금만 더 가르치거나 지시를 주면 여러 가지 일에 두루 쓸 수 있는 큰 AI 모델이다. 한 가지 일만 하는 모델과 달리 여러 서비스의 '토대'가 된다.
• 프롬프트입문 Prompt 프롬프트는 AI에게 무엇을 해 달라고 전달하는 입력 내용입니다. 질문, 지시, 예시, 참고 자료 등이 모두 프롬프트가 될 수 있습니다.
• 프롬프트 엔지니어링입문 Prompt Engineering 프롬프트 엔지니어링은 AI 모델이 원하는 답을 잘 내도록 질문이나 지시문(프롬프트)을 설계하고 다듬는 일입니다. 모델을 새로 학습시키지 않고 입력하는 글만 바꿔 결과를 개선하는 방법입니다.
• 환각입문 Hallucination 환각은 AI가 사실이 아니거나 근거 없는 내용을 마치 사실인 것처럼 자신 있게 만들어 내는 현상입니다.
• 회귀 분석입문 Regression 회귀 분석은 여러 입력 값과 결과 값 사이의 관계를 찾아, 새 입력이 들어왔을 때 집값·매출·온도처럼 연속된 숫자를 예측하는 방법이다. 지도 학습의 가장 기본적인 형태 중 하나다.
• 휴머노이드입문 Humanoid robot 휴머노이드는 머리·몸통·두 팔·두 다리처럼 사람과 비슷한 몸 구조를 가진 로봇이다. 사람이 쓰도록 만들어진 공간과 도구를 그대로 쓰는 것을 목표로 한다.

모델·생성

언어·생성·멀티모달·음성 모델

• ANN 검색심화 근사 최근접 이웃 검색, Approximate Nearest Neighbor ANN 검색(근사 최근접 이웃 검색, Approximate Nearest Neighbor)은 아주 많은 데이터 중에서 질문과 가장 비슷한 항목을 '정확히'가 아니라 '거의 정확하게' 대신 매우 빠르게 찾는 방법이다. 벡터 DB와 RAG 검색의 핵심 기술이다.
• CoT기초 Chain-of-Thought, 사고의 사슬 CoT(Chain-of-Thought, 사고의 사슬)는 AI 모델이 바로 답을 내지 않고, 중간 풀이 과정을 단계별로 글로 쓰면서 답에 이르게 하는 방식이다.
• Decision model기초 의사결정 모델 의사결정 모델은 문장을 지어내는 대신 미리 정해 둔 선택지 가운데 어느 쪽에 해당하는지를 확률로 판단하는 AI 모델이다. 예를 들어 이 글이 정책 위반인지 아닌지를 판정한다.
• GAN기초 생성적 적대 신경망, Generative Adversarial Network GAN(생성적 적대 신경망)은 가짜 데이터를 만드는 생성자와 진짜·가짜를 가려내는 판별자, 두 신경망을 서로 경쟁시켜 점점 진짜 같은 이미지 등을 만들어 내게 하는 방법이다.
• GraphRAG심화 그래프 RAG GraphRAG는 문서 속 사람·회사·개념 같은 대상과 그 관계를 '지식 그래프'로 정리한 다음, 이 구조를 활용해 AI가 질문에 답하도록 돕는 검색 증강 생성(RAG) 방식이다. 흩어진 정보를 서로 잇거나 문서 전체를 아우르는 질문에 특히 강하다.
• LoRA심화 저랭크 적응 LoRA(Low-Rank Adaptation, 저랭크 적응)는 거대한 AI 모델의 원래 파라미터는 그대로 두고, 옆에 아주 작은 추가 부품만 학습시켜 모델을 새 용도에 맞추는 파인튜닝 방법이다.
• MoE심화 전문가 혼합 MoE(Mixture of Experts, 전문가 혼합)는 모델 안에 '전문가'라 부르는 작은 신경망을 여러 개 두고, 입력마다 그중 일부만 골라 계산하게 하는 구조입니다. 모델 전체는 크게 만들면서도 한 번에 쓰는 계산량은 줄일 수 있습니다.
• RAG기초 검색 증강 생성 RAG(검색 증강 생성)는 AI가 답하기 전에 문서나 데이터베이스에서 관련 자료를 먼저 찾아보고, 찾은 내용을 근거로 답을 만드는 방식이다. 모델이 학습하지 않은 최신 정보나 회사 내부 정보도 답에 활용할 수 있다.
• RNN기초 순환 신경망, Recurrent Neural Network RNN(순환 신경망)은 문장·음성처럼 순서가 있는 데이터를 하나씩 차례로 읽으면서, 앞에서 본 내용을 '기억'으로 넘겨 다음 판단에 쓰는 인공 신경망이다.
• SFT기초 지도 미세조정 SFT(Supervised Fine-Tuning, 지도 미세조정)는 사전학습을 마친 언어 모델에 '지시문과 모범 답변' 짝으로 된 예시를 보여 주며, 원하는 방식으로 답하도록 추가로 학습시키는 것이다. 챗봇이 질문에 대화 형식으로 답하게 만드는 가장 기본적인 사후 학습 단계다.
• VLM기초 비전-언어 모델 VLM(Vision-Language Model, 비전-언어 모델)은 이미지나 영상을 보고 그 내용을 글로 설명하거나 관련 질문에 답할 수 있는 AI 모델이다. 언어 모델에 '눈'을 달아 준 형태의 멀티모달 모델이라고 볼 수 있다.
• 경사 하강법기초 Gradient Descent 경사 하강법(Gradient Descent)은 AI 모델이 틀린 정도(손실)를 줄이는 쪽으로 파라미터를 조금씩 고쳐 가며 학습하는 방법이다. 오늘날 딥러닝 모델 대부분이 이 방식이나 이를 바꾼 방식으로 학습한다.
• 구조화된 출력기초 Structured Output 구조화된 출력은 AI 모델이 자유로운 문장 대신 JSON처럼 정해진 틀(스키마)에 맞춘 데이터로 답하게 하는 기능입니다. 프로그램이 모델의 답을 바로 읽어서 쓸 수 있게 해 줍니다.
• 디퓨전 모델기초 Diffusion model, 확산 모델 디퓨전 모델(확산 모델)은 무작위 노이즈에서 출발해 노이즈를 조금씩 걷어 내면서 이미지·영상·소리 같은 데이터를 만드는 생성 AI 모델이다. 학습할 때는 노이즈가 섞인 데이터에서 그 노이즈를 알아맞히는 법을 배운다.
• 리랭커심화 Reranker, 재순위화 모델 리랭커는 검색으로 먼저 추려 낸 후보 문서들을 질문과 하나씩 꼼꼼히 비교해서, 정말 관련 있는 순서대로 다시 줄 세우는 모델입니다. 주로 RAG처럼 검색 결과를 AI에게 넘겨주는 시스템에서 '2차 심사' 역할을 합니다.
• 벡터 DB기초 Vector database, 벡터 데이터베이스 벡터 DB는 글·이미지 같은 데이터를 숫자 목록(벡터, 임베딩)으로 바꿔 저장해 두고, 질문과 '뜻이 가까운' 데이터를 빠르게 찾아 주는 데이터베이스다.
• 사후 학습기초 Post-training 사후 학습은 사전 학습을 마친 모델을 사람이 쓰기 좋게 다듬는 단계예요. 지시를 따르고, 대화하고, 안전하게 답하고, 추론하는 법 등을 추가로 가르쳐요.
• 상태 공간 모델심화 State space model, SSM 상태 공간 모델(SSM)은 글이나 소리 같은 긴 순서 데이터를 앞에서부터 하나씩 읽으며, 지금까지 본 내용을 크기가 정해진 '상태'라는 요약에 계속 덮어써 가며 처리하는 AI 모델 구조입니다. 트랜스포머를 대신하거나 보완하는 방식으로 주목받고 있습니다.
• 손실 함수기초 Loss Function 손실 함수는 AI 모델의 예측이 정답과 얼마나 다른지를 하나의 숫자로 계산하는 규칙입니다. 학습은 이 숫자(손실)를 최대한 줄이는 방향으로 모델을 조금씩 고쳐 가는 과정입니다.
• 스케일링 법칙기초 Scaling law 스케일링 법칙은 AI 모델의 크기(파라미터 수), 학습 데이터 양, 학습에 쓰는 계산량을 늘릴수록 모델 성능이 꽤 예측 가능한 방식으로 좋아진다는 경험적 규칙입니다.
• 시맨틱 검색기초 Semantic search, 의미 검색 시맨틱 검색은 검색어에 들어 있는 낱말이 문서에 그대로 있는지가 아니라, 검색어와 문서의 '뜻'이 얼마나 가까운지를 따져 결과를 찾아 주는 검색 방식이다.
• 어텐션심화 Attention 어텐션(Attention)은 AI 모델이 문장 같은 입력을 처리할 때, 지금 다루는 단어와 관련이 깊은 다른 단어에 더 큰 비중을 두고 정보를 모으는 방법입니다. 트랜스포머 구조의 핵심 부품입니다.
• 역전파기초 Backpropagation 역전파는 신경망이 낸 답과 정답의 차이(오차)를 출력층에서 입력층 쪽으로 거꾸로 전달하며, 각 가중치가 오차에 얼마나 책임이 있는지 계산하는 방법입니다. 이 값을 바탕으로 가중치를 고쳐 신경망을 학습시킵니다.
• 임베딩기초 Embedding 임베딩은 단어·문장·이미지 같은 데이터를 숫자 목록(벡터)으로 바꿔서, 뜻이 비슷한 것끼리 가까이 놓이도록 만든 표현이다. 컴퓨터는 이 숫자 사이의 거리를 재서 '얼마나 비슷한지'를 판단한다.
• 자기회귀 모델심화 Autoregressive model 자기회귀 모델(Autoregressive model)은 지금까지 만든 결과를 보고 바로 다음 한 조각을 예측하고, 그 조각을 다시 입력에 붙여 또 다음을 예측하는 방식을 반복해 결과를 만들어 내는 모델입니다. 오늘날 대부분의 LLM이 이 방식으로 글을 씁니다.
• 청킹기초 Chunking, 문서 분할 청킹은 AI가 긴 문서를 검색하고 활용할 수 있도록 문서를 '청크'라는 작은 조각으로 나누는 작업입니다. 주로 RAG처럼 AI가 외부 자료를 찾아 답하는 시스템을 만들 때 미리 거치는 준비 단계입니다.
• 추론 모델기초 Reasoning model 추론 모델은 질문을 받자마자 답하지 않고, 먼저 문제를 단계별로 따져 보는 '생각 과정'을 길게 거친 뒤 최종 답을 내도록 훈련된 대규모 언어 모델(LLM)입니다.
• 컨텍스트 엔지니어링기초 Context engineering 컨텍스트 엔지니어링은 AI 모델(LLM)이 답을 만들 때 보는 정보 전체를 설계하는 일이다. 지시문, 대화 기록, 검색한 문서, 도구 결과 가운데 무엇을 얼마나, 어떤 순서로 넣을지 정한다.
• 테스트 타임 컴퓨트심화 Test-time compute 테스트 타임 컴퓨트는 AI 모델이 학습을 마친 뒤 실제로 질문에 답하는 단계(추론 시점)에서 더 많은 계산을 써서 답의 품질을 높이는 것을 말합니다.
• 트랜스포머기초 Transformer 트랜스포머는 문장 속 단어(토큰)들이 서로 얼마나 관련 있는지를 한꺼번에 따져 보는 어텐션 방식을 중심으로 만든 인공 신경망 구조다. 오늘날 대부분의 LLM이 이 구조를 바탕으로 한다.
• 파인튜닝기초 Fine-tuning, 미세조정 파인튜닝(미세조정)은 이미 폭넓게 학습된 AI 모델을 특정 분야나 작업에 맞게 추가로 조금 더 학습시키는 것입니다.
• 퍼셉트론기초 Perceptron 퍼셉트론은 여러 입력에 각각 가중치를 곱해 더한 뒤, 그 합이 기준을 넘으면 1, 아니면 0을 내는 가장 단순한 인공 뉴런 모델입니다. 인공 신경망의 출발점이 된 기본 단위입니다.
• 하이브리드 검색심화 Hybrid search 하이브리드 검색은 서로 다른 검색 방식 두 가지 이상을 함께 돌린 뒤 결과를 하나의 순위 목록으로 합치는 기법입니다. 흔히 단어를 그대로 맞춰 보는 '키워드 검색'과 뜻이 비슷한 문서를 찾는 '의미 기반 검색'을 함께 씁니다.
• 활성화 함수기초 Activation Function 활성화 함수는 인공 신경망의 각 뉴런이 받은 신호를 다음 층으로 얼마나, 어떤 모양으로 넘길지 정하는 작은 변환 규칙입니다. 이 함수가 있어야 신경망이 단순한 직선 관계를 넘어 복잡한 패턴을 배울 수 있습니다.

인지·행동

보고 판단하고 움직이는 AI

• A2A심화 에이전트 간 프로토콜 A2A(Agent2Agent)는 서로 다른 회사나 도구로 만든 AI 에이전트들이 서로를 찾고, 일을 맡기고, 결과를 주고받을 수 있게 정한 공통 통신 규칙(프로토콜)입니다.
• CNN기초 합성곱 신경망, Convolutional Neural Network CNN(합성곱 신경망)은 이미지처럼 격자 모양으로 놓인 데이터에서 작은 창(필터)을 조금씩 옮겨 가며 무늬를 찾아내는 인공 신경망이다. 사진 속 물체를 알아보는 기술의 바탕으로 널리 쓰였다.
• DPO심화 직접 선호 최적화 DPO(Direct Preference Optimization, 직접 선호 최적화)는 사람이 두 답 중 더 낫다고 고른 선호 데이터를 이용해, 별도의 보상 모델이나 강화학습 단계 없이 LLM을 직접 학습시키는 방법이다.
• Function Calling기초 함수 호출 Function Calling(함수 호출)은 AI 모델이 질문에 답하려고 외부 프로그램의 기능(함수)을 써야 할 때, "어떤 함수를 어떤 값으로 실행해 달라"는 요청을 정해진 형식으로 만들어 내는 기능이다. 실제 실행은 모델이 아니라 그 모델을 쓰는 앱이 맡는다.
• JEPA심화 결합 임베딩 예측 아키텍처 (I-JEPA · V-JEPA) JEPA(결합 임베딩 예측 아키텍처)는 이미지나 영상에서 가려진 부분을 픽셀 그대로 그려 내는 대신, 그 부분의 '요약된 의미'(임베딩)를 예측하게 하여 AI가 세상을 이해하는 법을 스스로 배우게 하는 학습 방식이다.
• Jev기초 제브 · TypeSafe AI의 System One 의사결정 모델 Jev(제브)는 TypeSafe AI가 2026년 9월 15일 공개한 의사결정 전용 AI 모델로, 문장을 쓰는 대신 미리 정한 선택지 중 무엇이 맞는지를 확률과 함께 바로 돌려준다.
• MCP기초 모델 컨텍스트 프로토콜 MCP(Model Context Protocol, 모델 컨텍스트 프로토콜)는 AI 앱이 파일, 데이터베이스, 업무 도구 같은 외부 자원에 같은 방식으로 연결되도록 정해 둔 공개 규약이다. MCP에 맞춰 한 번 만든 연결 모듈은 MCP를 지원하는 여러 AI 앱에서 그대로 쓸 수 있다.
• RLHF심화 인간 피드백 강화학습 RLHF(인간 피드백 강화학습)는 사람이 AI의 여러 답변 중 어느 쪽이 더 나은지 고른 판단을 모아, 모델이 사람이 선호하는 방향으로 답하도록 강화학습으로 다듬는 방법이다.
• RLVR심화 검증 가능한 보상 강화학습 RLVR(Reinforcement Learning with Verifiable Rewards, 검증 가능한 보상 강화학습)은 정답 대조나 테스트 실행처럼 맞고 틀림을 자동으로 확인할 수 있는 기준을 보상으로 삼아 AI 모델을 강화학습하는 방법이다.
• Sim-to-Real심화 시뮬레이션에서 현실로 Sim-to-Real은 컴퓨터 속 가상 환경(시뮬레이션)에서 로봇이나 AI를 훈련시킨 뒤, 그 실력을 실제 현실 세계로 옮겨 쓰는 기법이다.
• VLA심화 비전-언어-행동 모델 VLA(Vision-Language-Action, 비전-언어-행동 모델)는 카메라로 본 장면과 사람이 말로 한 지시를 함께 이해해 로봇이 할 동작까지 바로 만들어 내는 AI 모델이다. 보고, 알아듣고, 몸을 움직이는 일을 모델 하나가 맡는다.
• World Action Model기초 월드 액션 모델 월드 액션 모델(WAM)은 앞으로 주변 상황이 어떻게 바뀔지 예측하는 월드 모델과 다음 행동을 정하는 기능을 하나로 묶은 AI 모델이다. 2026년 무렵 로봇·자율주행 연구에서 쓰이기 시작한 말이고, 아직 정의가 하나로 굳지는 않았다.
• 도구 사용기초 Tool use, Function calling 도구 사용은 AI 모델이 모든 답을 혼자 만들지 않고 검색, 계산기, 데이터베이스, 외부 API 같은 바깥 도구를 불러 쓰게 하는 기능이다. Function calling(함수 호출)이라고도 부른다.
• 멀티 에이전트기초 Multi-agent system 멀티 에이전트는 여러 AI 에이전트가 역할을 나눠 맡고 서로 결과를 주고받으며 하나의 큰 일을 함께 처리하는 방식이다. 한 에이전트가 모든 일을 혼자 하는 대신 팀처럼 일한다.
• 서브에이전트기초 Subagent 서브에이전트는 메인 AI 에이전트가 일부 작업을 맡기는 보조 에이전트입니다. 자기만의 컨텍스트에서 작업한 뒤 결과 요약만 메인 에이전트에 돌려줍니다.
• 스킬기초 Agent Skills 스킬(Agent Skills)은 AI 에이전트가 특정 작업을 잘 해내도록 지시문·스크립트·참고 자료를 한 폴더에 묶어 둔 '업무 매뉴얼 꾸러미'입니다. 에이전트는 이 꾸러미를 작업에 필요할 때만 꺼내 읽습니다.
• 에이전트 메모리기초 Agent Memory 에이전트 메모리는 AI 에이전트가 지금 대화나 작업에 필요한 정보, 그리고 지난 대화·작업에서 알게 된 것을 담아 두었다가 필요할 때 다시 꺼내 쓰게 하는 장치다. 모델 자체는 대화가 끝나면 아무것도 기억하지 못하므로, 바깥에서 기억을 따로 관리해 준다.
• 에이전틱 RAG심화 Agentic RAG 에이전틱 RAG는 AI 에이전트가 검색 과정을 스스로 계획하고 조절하는 RAG 방식이다. 무엇을 언제 다시 찾을지 AI가 직접 판단해서, 한 번 검색하고 끝내는 대신 여러 번 찾아보고 결과를 다듬은 뒤 답한다.
• 에이전틱 워크플로기초 Agentic Workflow 에이전틱 워크플로는 AI가 질문에 한 번 답하고 끝내는 대신, 목표를 받아 스스로 단계를 나누고, 도구를 쓰고, 결과를 점검해 고치는 과정을 반복하며 일을 끝까지 처리하는 작업 방식이다.
• 월드 모델심화 World model 월드 모델은 AI가 세상이 어떻게 돌아가는지를 머릿속 시뮬레이터처럼 익혀, '이렇게 하면 다음에 어떻게 될까'를 미리 예측하게 해 주는 모델이다.
• 컴퓨터 사용기초 Computer use 컴퓨터 사용은 AI가 사람처럼 화면을 보고 마우스를 클릭하거나 키보드로 입력해 컴퓨터 프로그램을 직접 조작하는 능력이에요. 전용 연결 장치(API)가 없는 프로그램도 다룰 수 있다는 점이 특징이에요.
• 하네스기초 Agent Harness, 에이전트 하네스 하네스는 AI 모델을 둘러싸고 있는 모델 밖의 모든 코드·설정·실행 장치입니다. 모델이 실제로 일하는 AI 에이전트가 되도록 돕고, 흔히 '에이전트 = 모델 + 하네스'라고 요약합니다.
• 휴먼 인 더 루프기초 Human-in-the-Loop, HITL 휴먼 인 더 루프(HITL)는 AI가 일을 처리하는 과정 중간에 사람이 끼어들어 확인·승인·수정을 하도록 설계하는 방식입니다. AI에게 모두 맡기지 않고 중요한 고비마다 사람이 판단합니다.

기반·응용

효율·평가와 과학 응용

• Active Learning심화 능동 학습 Active Learning(능동 학습)은 모델이 스스로 '이건 헷갈린다'고 판단한 데이터를 골라 사람에게 정답 라벨을 달아 달라고 요청하는 학습 방식이다. 라벨링 비용을 줄이면서 성능을 효율적으로 올리는 것이 목적이다.
• Distillation심화 지식 증류, Knowledge distillation Distillation(지식 증류)은 크고 성능 좋은 Teacher 모델의 답을 본보기로 삼아, 더 작고 빠른 Student 모델이 비슷한 성능을 내도록 학습시키는 방법이다.
• Evals기초 평가 세트, Evaluations Evals(평가, Evaluations)는 AI 모델이나 AI 기능이 원하는 대로 잘 작동하는지 미리 정해 둔 문제와 채점 기준으로 반복해서 확인하는 시험 세트이자 그 과정이다. 공개 벤치마크와 달리 보통 내 서비스와 내 업무에 맞춰 직접 만든다.
• KNN기초 k-최근접 이웃, k-Nearest Neighbors KNN(k-최근접 이웃, k-Nearest Neighbors)은 새 데이터가 들어오면 이미 알고 있는 데이터 중 가장 비슷한 k개를 찾아, 그 이웃들의 답을 보고 판단하는 방법이다. 따로 복잡한 학습 과정 없이 '비슷한 것끼리는 답도 비슷하다'는 생각에 기대는 가장 단순한 머신러닝 방법 중 하나다.
• LLM-as-a-Judge심화 LLM 평가자 LLM-as-a-Judge는 사람 대신 LLM(대규모 언어 모델)에게 다른 AI의 답변을 채점하거나 두 답변 중 더 나은 쪽을 고르게 하는 평가 방법이다.
• Strata기초 스트라타 Strata는 큰 LLM을 게이밍 PC에서 직접(로컬로) 돌리게 해 주는 AI 실행 애플리케이션이다. 2026년 10월 초 보도에 따르면 파라미터 1,250억(125B) 개 규모인 Qwen3.8-Flash-Next의 양자화 버전을 게이밍 GPU 한 대로 빠르게 돌릴 수 있다고 한다.
• Weak Supervision심화 약한 지도 학습 Weak Supervision(약한 지도 학습)은 사람이 데이터마다 정답을 하나하나 달지 않고, 규칙·키워드·기존 모델처럼 정확도가 들쭉날쭉한 여러 '약한' 단서로 정답(라벨)을 대량으로 만든 뒤 그걸로 모델을 학습시키는 방법이다.
• 과적합기초 Overfitting 과적합은 AI 모델이 학습 데이터에 지나치게 맞춰져, 배운 데이터에서는 성적이 좋지만 처음 보는 데이터에서는 성능이 크게 떨어지는 현상이다.
• 데이터 믹스심화 Data Mixture 데이터 믹스는 AI 모델을 학습시킬 때 웹 문서, 코드, 책, 수학, 여러 언어 같은 서로 다른 데이터를 어떤 비율로 섞을지 정한 조합입니다. 같은 양의 데이터라도 섞는 비율에 따라 모델의 능력이 달라집니다.
• 데이터 오염심화 Data contamination 데이터 오염은 AI 모델을 평가하는 시험 문제(벤치마크)가 모델의 학습 데이터에 섞여 들어가, 실력보다 점수가 부풀려지는 현상이다.
• 데이터 필터링심화 Data Filtering, 품질 필터링 데이터 필터링은 AI 모델을 학습시키기 전에 모아 둔 데이터에서 품질이 낮거나, 해롭거나, 쓸모없는 것을 골라내 버리는 작업이다. 무엇을 넣느냐만큼 무엇을 빼느냐가 모델 성능을 크게 좌우한다.
• 데이터셋 카드기초 Datasheets·Data Cards 데이터셋 카드는 데이터셋이 어디서 왔고, 무엇이 들어 있으며, 어디에 써도 되고 어디에는 쓰면 안 되는지를 정리한 설명 문서입니다. 데이터에 붙이는 '사용 설명서이자 성분표'입니다.
• 모델 붕괴심화 Model Collapse 모델 붕괴는 AI가 만든 데이터로 다음 AI를 거듭 학습시키면서, 모델이 점점 원래 세상의 다양한 모습을 잊고 결과물이 단조롭거나 엉뚱하게 변해 가는 현상이다.
• 벤치마크기초 Benchmark 벤치마크는 AI 모델의 능력을 같은 조건에서 비교하려고 만든 표준 시험 문제 모음과 채점 방식이다. 모델마다 같은 문제를 풀게 해서 점수로 실력을 견준다.
• 온톨로지기초 Ontology 온톨로지는 어떤 분야에 나오는 개념들을 정하고, 그 개념들이 어떤 성질을 갖고 서로 어떻게 연결되는지를 컴퓨터가 읽을 수 있게 정리한 '개념 지도'다.
• 지식 그래프기초 Knowledge graph 지식 그래프는 사람·장소·사건·개념 같은 '대상'을 점으로, 대상 사이의 관계를 선으로 이어 지식을 그물망처럼 저장하는 방식이다. 이렇게 하면 컴퓨터가 '무엇이 무엇과 어떻게 연결되는지' 읽고 따져 볼 수 있다.
• 추론(인퍼런스)기초 Inference 추론(인퍼런스)은 이미 학습을 마친 AI 모델에 새로운 입력을 넣어 실제 결과(답변, 이미지, 분류 등)를 얻어 내는 과정, 즉 모델을 '사용하는' 단계입니다.
• 커리큘럼 학습심화 Curriculum Learning 커리큘럼 학습은 AI 모델에게 학습 데이터를 아무 순서로나 주지 않고, 쉬운 것부터 어려운 것으로 차례를 정해 가르치는 학습 방법이다.
• 합성 데이터기초 Synthetic data 합성 데이터는 사람이 실제로 만들거나 수집한 데이터가 아니라, AI 모델이나 프로그램이 인공적으로 만들어 낸 데이터다. 주로 AI 모델을 학습시키거나 평가하는 데 쓴다.

보안·안전

AI 보안, 안전·정렬, 프라이버시·규제

• AI BOM심화 AI 부품 명세서 AI BOM(AI Bill of Materials, AI 부품 명세서)은 AI 시스템에 들어간 모델, 데이터셋, 라이브러리, 설정 등을 버전과 출처까지 빠짐없이 적어 둔 목록이다.
• AI 공급망 보안기초 AI Supply Chain Security AI 공급망 보안은 AI 시스템을 만드는 데 들어가는 외부 재료(데이터셋, 사전 학습된 모델, 라이브러리, 플러그인 등)가 오염되거나 변조되지 않았는지 확인하고 지키는 활동이다.
• AI 워터마크기초 AI watermarking AI 워터마크는 AI가 만든 글·이미지·음성·영상에 눈에 잘 띄지 않는 표식을 심어, 나중에 'AI가 만든 것'인지 확인할 수 있게 하는 기술이다.
• AI 위험 관리기초 AI Risk Management, NIST AI RMF AI 위험 관리는 AI 시스템이 만들 수 있는 피해(차별, 오작동, 개인정보 침해, 보안 사고 등)를 미리 찾아 평가하고 줄이도록 조직 차원에서 관리하는 활동이다. 미국 NIST가 낸 AI RMF가 대표적인 참고 틀이다.
• OWASP LLM Top 10기초 LLM 애플리케이션 10대 보안 위험 OWASP LLM Top 10은 LLM을 쓰는 앱·서비스에서 특히 자주, 크게 문제가 되는 보안 위험 10가지를 비영리 보안 커뮤니티 OWASP가 정리한 목록이다.
• 가드레일기초 Guardrail 가드레일은 AI 모델이 위험하거나 규칙에 어긋나는 내용을 입력받거나 내보내지 않도록, 모델 앞뒤에서 검사하고 막는 안전장치다.
• 간접 프롬프트 인젝션심화 Indirect Prompt Injection 간접 프롬프트 인젝션은 공격자가 웹페이지·이메일·문서 같은 외부 자료에 몰래 지시문을 숨겨 두고, AI가 그 자료를 읽을 때 그 지시를 따르게 만드는 공격이다. 사용자가 직접 악성 명령을 입력하지 않아도 일어난다.
• 개인정보 비식별화기초 PII Masking, De-identification 개인정보 비식별화는 이름·전화번호·주민등록번호처럼 특정 사람을 알아볼 수 있는 정보(PII, 개인 식별 정보)를 지우거나 다른 값으로 바꿔서 누구의 데이터인지 알 수 없게 만드는 것이다. AI 학습·분석에 데이터를 쓰기 전에 거치는 기본 보호 절차다.
• 기밀 컴퓨팅심화 Confidential Computing 기밀 컴퓨팅은 데이터가 계산되는 '사용 중' 상태에서도 하드웨어가 만든 격리 공간(TEE, 신뢰 실행 환경) 안에서 암호화된 채로 보호해, 클라우드 운영자나 서버 관리자조차 내용을 들여다볼 수 없게 하는 기술이다.
• 데이터 유출기초 Data Exfiltration 데이터 유출(Data Exfiltration)은 허가받지 않은 사람이나 프로그램이 조직 안의 데이터를 몰래 바깥으로 빼내는 것이다. AI 시대에는 AI 에이전트가 속아서 스스로 데이터를 외부로 보내는 경우가 새로운 위험으로 떠올랐다.
• 데이터 포이즈닝심화 Data Poisoning 데이터 포이즈닝은 AI가 배우는 학습 데이터에 일부러 잘못되거나 조작된 데이터를 섞어서, 모델이 틀린 판단을 하거나 공격자가 원하는 대로 움직이게 만드는 공격이다.
• 도구 포이즈닝심화 Tool Poisoning 도구 포이즈닝은 AI 에이전트가 쓰는 도구의 설명이나 메타데이터에 악성 지시를 숨겨, 에이전트가 그 지시를 따르게 만드는 공격이다. MCP처럼 외부 도구를 쉽게 연결하는 환경에서 특히 주목받는다.
• 레드팀기초 Red teaming 레드팀은 AI 모델의 약점을 찾기 위해 일부러 공격자 입장에서 모델을 속이고 오용해 보는 시험 활동이다.
• 머신 언러닝심화 Machine Unlearning 머신 언러닝은 이미 학습을 마친 AI 모델에서 특정 데이터(개인정보, 저작물, 위험한 지식 등)의 영향을 지워, 처음부터 그 데이터 없이 학습한 것처럼 만들려는 기술이다.
• 멤버십 추론 공격심화 Membership Inference Attack 멤버십 추론 공격은 어떤 데이터가 AI 모델의 학습에 쓰였는지를 모델의 반응만 보고 알아내려는 공격이다. 학습 데이터가 민감하면 '포함되었다'는 사실만으로도 개인정보가 드러날 수 있다.
• 모델 탈취심화 Model Extraction 모델 탈취(Model Extraction)는 공격자가 AI 모델에 질문을 대량으로 던지고 받은 답을 모아, 원래 모델과 비슷하게 동작하는 복제 모델을 만들어 내는 공격이다.
• 백도어 공격심화 Backdoor Attack 백도어 공격은 AI 모델에 몰래 '트리거'를 심어, 평소에는 정상처럼 작동하다가 특정 신호가 들어올 때만 공격자가 원하는 대로 움직이게 만드는 공격이다.
• 보상 해킹심화 Reward hacking 보상 해킹(Reward hacking)은 AI가 학습 중 받는 점수(보상)를 높이는 데만 집중한 나머지, 원래 의도한 목표는 이루지 않고 채점 방식의 허점을 파고드는 현상이다.
• 보안 AI기초 AI for Cybersecurity 보안 AI는 AI를 활용해 해킹 시도나 악성 코드, 이상한 접속 같은 보안 위협을 더 빨리 찾아내고 대응하는 기술이다. 반대로 공격자가 AI로 공격을 자동화하는 흐름까지 함께 가리킬 때도 있다.
• 샌드박스기초 Sandbox 샌드박스는 프로그램이나 AI 에이전트가 정해진 울타리 안에서만 움직이도록 따로 떼어 놓은 실행 환경입니다. 그 안에서 무엇을 하든 바깥의 중요한 파일이나 시스템에는 함부로 손댈 수 없습니다.
• 시스템 프롬프트 유출기초 System Prompt Leakage 시스템 프롬프트 유출은 AI 서비스가 몰래 따르도록 미리 넣어 둔 지시문(시스템 프롬프트)이 사용자 질문이나 공격으로 인해 겉으로 드러나는 것이다. 지시문 안에 비밀번호나 내부 규칙이 들어 있으면 그것까지 함께 새어 나간다.
• 아첨기초 Sycophancy 아첨(Sycophancy)은 AI 모델이 사실이나 올바른 판단보다 사용자가 듣고 싶어 할 것 같은 말을 우선해서 답하는 현상이다.
• 연합학습기초 Federated Learning 연합학습은 데이터를 한곳에 모으지 않고, 각 기기나 기관이 자기 데이터로 모델을 조금씩 학습한 뒤 그 '학습 결과(변경분)'만 모아 하나의 공용 모델을 만드는 방법이다.
• 적대적 예제기초 Adversarial Example 적대적 예제는 사람 눈에는 거의 차이가 없지만 AI 모델은 완전히 다르게 판단하도록 일부러 살짝 바꿔 놓은 입력이다. 모델을 속이려고 만든 '착시 문제'라고 보면 된다.
• 정렬기초 AI alignment 정렬(AI alignment)은 AI가 사람이 실제로 원하는 목표와 가치에 맞게 행동하도록 만드는 일이다. 시킨 일을 잘 하면서도 해롭거나 속이는 행동은 하지 않게 하는 것이 핵심이다.
• 제로 트러스트기초 Zero Trust 제로 트러스트(Zero Trust)는 '회사 안에 있으니 믿는다'는 생각을 버리고, 사람·기기·프로그램이 자원에 접근할 때마다 누구인지와 권한이 있는지를 매번 확인하는 보안 방식이다.
• 차분 프라이버시심화 Differential Privacy 차분 프라이버시는 데이터에 계산된 양만큼 '잡음'을 섞어서, 분석 결과만 보고는 특정 개인이 데이터에 들어 있었는지 알아낼 수 없게 만드는 수학적 개인정보 보호 방법이다.
• 최소 권한 원칙기초 Least Privilege 최소 권한 원칙(Least Privilege)은 사람이나 프로그램에게 맡은 일을 하는 데 꼭 필요한 만큼의 권한만 주는 보안 원칙이다. AI 에이전트에게도 필요한 도구와 데이터만 열어 주는 것을 뜻한다.
• 콘텐츠 모더레이션기초 Content Moderation 콘텐츠 모더레이션은 온라인 서비스에 올라오는 글·이미지·영상이나 AI가 만든 답변이 운영 정책을 어기는지 살펴보고, 문제가 있으면 가리거나 삭제하는 등 조치하는 일이다.
• 콘텐츠 출처 증명기초 Content Provenance, C2PA 콘텐츠 출처 증명은 사진·영상·글 같은 디지털 콘텐츠에 '누가, 어떤 도구로 만들고 어떻게 고쳤는지'를 기록하고, 그 기록이 바뀌지 않았음을 전자 서명으로 확인할 수 있게 하는 것이다. 대표 표준이 C2PA이며, 이 표준으로 붙인 기록을 흔히 '콘텐츠 자격 증명(Content Credentials)'이라 부른다.
• 프롬프트 인젝션기초 Prompt injection 프롬프트 인젝션은 AI 모델에 들어가는 글 속에 몰래 지시문을 끼워 넣어, 모델이 원래 지시 대신 공격자의 지시를 따르게 만드는 공격입니다.
• 학습 데이터 추출심화 Training Data Extraction 학습 데이터 추출은 AI 모델에 교묘한 입력을 넣어, 모델이 학습하면서 외워 버린 원문(개인정보·코드·문서 등)을 그대로 출력하게 만드는 공격이다.
• 해석 가능성심화 Interpretability 해석 가능성(Interpretability)은 AI 모델이 왜 그런 답을 냈는지, 모델 내부에서 실제로 어떤 계산이 일어나는지를 사람이 이해할 수 있게 밝혀내는 연구 분야다.

데이터·운영·플랫폼

데이터 엔지니어링, MLOps, 플랫폼·솔루션, 전통 ML

• BM25심화 키워드 검색 순위 함수 BM25는 검색어에 들어 있는 단어가 문서에 얼마나 자주, 얼마나 드물게 나오는지를 따져 문서마다 점수를 매기는 키워드 검색 순위 함수다. 오래전부터 검색 엔진의 기본 방식으로 쓰였고, 지금도 RAG의 핵심 부품으로 쓰인다.
• CDC심화 Change Data Capture, 변경 데이터 캡처 CDC(Change Data Capture, 변경 데이터 캡처)는 데이터베이스에서 새로 들어오거나 고쳐지거나 지워진 데이터만 골라내 다른 시스템으로 바로 전달하는 기술이다. 전체 데이터를 매번 통째로 복사하지 않고 '바뀐 부분'만 따라가게 해 준다.
• Entity Resolution심화 같은 대상 찾아 합치기 Entity Resolution(같은 대상 찾아 합치기)은 서로 다른 데이터 속에 이름·표기가 조금씩 다르게 적힌 기록들이 실제로는 같은 사람·회사·상품을 가리키는지 찾아내고 하나로 묶는 작업이다.
• ETL·ELT기초 추출·변환·적재 ETL·ELT는 여러 곳에 흩어진 데이터를 꺼내(Extract) 쓰기 좋은 형태로 바꾸고(Transform) 한곳에 옮겨 담는(Load) 작업 방식이다. 바꾸는 일을 담기 전에 하면 ETL, 담은 뒤에 하면 ELT라고 부른다.
• LLM 관측 가능성기초 LLM Observability LLM 관측 가능성은 LLM을 쓰는 서비스가 실제로 무엇을 입력받고, 어떤 단계를 거쳐, 무엇을 답했는지 기록하고 들여다볼 수 있게 하는 것입니다. 문제가 생겼을 때 원인을 찾고 품질·비용을 관리하는 데 씁니다.
• LLMOps기초 LLM Operations LLMOps는 LLM(대규모 언어 모델)을 쓰는 서비스를 만들고 운영할 때 필요한 관리 방법과 도구를 말합니다. MLOps를 바탕으로 하되, 프롬프트 관리·답변 품질 평가·비용 관리처럼 LLM에서 새로 생긴 일을 더한 것입니다.
• MLOps기초 Machine Learning Operations MLOps는 머신러닝 모델을 만들고, 서비스에 배포하고, 운영하면서 계속 고쳐 나가는 전 과정을 자동화하고 체계적으로 관리하는 방법입니다. 모델 개발(ML)과 운영(Ops)을 하나로 잇는다는 뜻입니다.
• OLAP기초 온라인 분석 처리 OLAP(온라인 분석 처리)는 쌓인 데이터를 기간·지역·상품 같은 여러 기준으로 묶고 합쳐서 빠르게 분석하는 데이터 처리 방식이다. 하나하나의 거래를 기록하는 것이 아니라 '지난 분기 지역별 매출은?' 같은 집계 질문에 답하는 데 맞춰져 있다.
• Text-to-SQL기초 자연어로 SQL 만들기 Text-to-SQL은 사람이 일상 언어로 한 질문을 데이터베이스가 알아듣는 질의 언어인 SQL로 바꿔 주는 기술이다. SQL을 몰라도 데이터에 직접 질문할 수 있다.
• 결정 트리기초 Decision Tree, 랜덤 포레스트 결정 트리는 예/아니오로 답할 수 있는 질문을 차례로 던져 데이터를 나누고, 마지막 갈래에서 답을 내는 예측 모델입니다. 결정 트리 여러 그루를 모아 투표로 답을 정하는 방식을 랜덤 포레스트라고 합니다.
• 그래디언트 부스팅기초 Gradient Boosting, XGBoost 그래디언트 부스팅은 작은 결정 트리를 하나씩 차례로 더하면서, 새 트리가 앞선 트리들이 틀린 만큼을 메우도록 학습시켜 강한 예측 모델을 만드는 기법입니다. XGBoost, LightGBM, CatBoost가 대표적인 구현입니다.
• 데이터 거버넌스기초 Data Governance 데이터 거버넌스는 조직이 가진 데이터를 누가, 어떤 규칙으로, 어떻게 관리하고 쓸지 정하고 지키게 하는 체계다. 데이터의 책임자, 접근 권한, 품질 기준, 보관·삭제 규칙 등을 모두 포함한다.
• 데이터 누수기초 Data Leakage 데이터 누수는 모델을 학습할 때 실제 사용 시점에는 알 수 없는 정보, 특히 시험용 데이터나 정답의 단서가 학습 과정에 섞여 들어가는 실수다. 이렇게 되면 평가 점수는 높게 나오지만 실제 서비스에서는 성능이 크게 떨어진다.
• 데이터 드리프트심화 Data Drift, 모델 드리프트 데이터 드리프트는 모델이 실제로 받는 데이터의 성질이 학습할 때의 데이터와 점점 달라지는 현상입니다. 이 때문에 처음엔 잘 맞던 모델의 예측이 시간이 지나며 조용히 틀려 갑니다.
• 데이터 레이크기초 Data Lake 데이터 레이크는 표 형태의 데이터부터 로그, 이미지, 문서까지 온갖 데이터를 원래 모습 그대로 값싸게 한곳에 모아 두는 대용량 저장소다. 미리 형식을 정하지 않고 일단 저장한 뒤, 쓸 때 필요한 방식으로 읽는다.
• 데이터 레이크하우스심화 Data Lakehouse, 데이터 레이크 데이터 레이크하우스는 무엇이든 원본 그대로 싸게 쌓아 두는 '데이터 레이크'와, 정리된 데이터를 빠르고 믿을 수 있게 분석하는 '데이터 웨어하우스'의 장점을 한 시스템에 합친 데이터 저장·분석 구조입니다.
• 데이터 리니지기초 Data Lineage, 데이터 계보 데이터 리니지는 데이터가 어디서 와서 어떤 처리를 거쳐 어디로 흘러갔는지를 기록하고 보여 주는 것이다. '데이터 계보'라고도 하며, 숫자 하나의 출처와 이동 경로를 거슬러 올라가 확인할 수 있게 해 준다.
• 데이터 메시심화 Data Mesh 데이터 메시는 회사 데이터를 중앙 데이터팀 한 곳이 모두 관리하는 대신, 데이터를 만드는 각 업무 조직(도메인)이 자기 데이터를 '제품'처럼 책임지고 내놓게 하는 조직·운영 방식이다.
• 데이터 버전 관리기초 Data Versioning 데이터 버전 관리는 데이터셋이 바뀔 때마다 그 상태를 기록해 두어, 언제든 특정 시점의 데이터를 다시 꺼내고 무엇이 바뀌었는지 비교할 수 있게 하는 것이다.
• 데이터 옵저버빌리티심화 Data Observability 데이터 옵저버빌리티는 데이터가 제때, 올바른 양과 형태로 들어오고 있는지 계속 지켜보다가 이상이 생기면 바로 알려 주고 원인을 추적할 수 있게 하는 것이다.
• 데이터 웨어하우스기초 Data Warehouse, DW 데이터 웨어하우스(DW)는 회사 곳곳의 데이터를 분석하기 좋은 형태로 정리해 한곳에 모아 둔 저장소입니다. 일상 업무를 처리하는 데이터베이스와 달리, 많은 데이터를 한꺼번에 집계하고 질문하는 데 맞춰져 있습니다.
• 데이터 증강기초 Data Augmentation 데이터 증강은 이미 가진 학습 데이터를 조금씩 바꾸거나 변형해서 새로운 학습 예시를 늘리는 것이다. 데이터를 새로 모으지 않고도 모델이 더 다양한 경우를 보고 배우게 해 준다.
• 데이터 카탈로그기초 Data Catalog 데이터 카탈로그는 회사 안에 어떤 데이터가 어디에 있고, 무슨 뜻이며, 누가 관리하고, 믿고 써도 되는지를 한곳에서 찾아볼 수 있게 정리한 목록이자 검색 서비스다.
• 데이터 컨트랙트심화 Data Contract 데이터 컨트랙트는 데이터를 만드는 쪽과 쓰는 쪽이 '이 데이터는 어떤 형식과 의미, 품질로 제공한다'는 약속을 문서와 코드로 정해 두는 것이다. 약속을 어기는 변경은 미리 잡아낸다.
• 데이터 파이프라인기초 Data Pipeline, ETL·ELT 데이터 파이프라인은 여러 곳에 흩어진 데이터를 모으고, 쓰기 좋게 다듬고, 필요한 저장소로 옮기는 일을 자동으로 이어 붙인 처리 흐름입니다. 단계 순서에 따라 ETL(추출→변환→적재)과 ELT(추출→적재→변환) 방식으로 나눕니다.
• 데이터 품질기초 Data Quality 데이터 품질은 데이터가 목적에 맞게 쓸 만큼 정확하고, 빠짐없고, 일관되고, 최신인지를 나타내는 정도다. 품질이 낮은 데이터로 만든 분석이나 AI 모델은 결과도 믿기 어렵다.
• 데이터 플라이휠기초 Data Flywheel 데이터 플라이휠은 서비스를 쓰는 사람이 늘수록 데이터가 쌓이고, 그 데이터로 AI가 좋아지면 다시 사용자가 늘어나는 선순환 구조를 말한다.
• 모델 레지스트리심화 Model Registry 모델 레지스트리는 학습을 마친 AI 모델을 버전별로 모아 두고, 각 모델이 어떤 데이터와 설정으로 만들어졌는지, 지금 어느 단계(검증 중·운영 중·보관)에 있는지를 기록·관리하는 중앙 저장소다.
• 스트림 처리기초 Stream Processing 스트림 처리(Stream Processing)는 데이터가 생겨나는 순간마다 끊임없이 받아서 곧바로 계산하고 결과를 내는 처리 방식이다. 데이터를 모아 두었다가 나중에 한꺼번에 처리하는 배치 처리와 대비된다.
• 시계열 예측기초 Time Series Forecasting 시계열 예측은 시간 순서대로 쌓인 데이터(매일 매출, 시간별 전력 사용량 등)의 과거 패턴을 분석해 앞으로의 값을 미리 내다보는 것입니다.
• 시맨틱 레이어심화 Semantic Layer 시맨틱 레이어는 '매출', '활성 사용자' 같은 업무 용어가 실제 데이터에서 무엇을 어떻게 계산한 값인지 한곳에 정의해 두는 중간 계층이다. 대시보드·스프레드시트·AI가 모두 이 정의를 거쳐 데이터를 꺼내므로 같은 질문에 같은 숫자가 나온다.
• 실험 추적기초 Experiment Tracking 실험 추적은 AI 모델을 학습할 때마다 어떤 데이터·코드·설정을 썼고 결과가 어땠는지를 자동으로 기록해, 나중에 비교하고 똑같이 재현할 수 있게 하는 작업이다.
• 이상 탐지기초 Anomaly Detection 이상 탐지(Anomaly Detection)는 대부분의 데이터가 보이는 '평소 패턴'을 익혀 두고, 그 패턴에서 크게 벗어난 드문 사례를 자동으로 찾아내는 머신러닝 기법입니다.
• 임베딩 파이프라인심화 Embedding Pipeline 임베딩 파이프라인은 문서를 모으고, 잘게 나누고, 임베딩(의미를 담은 숫자 목록)으로 바꿔 벡터 DB에 넣는 과정을 자동으로 이어 붙인 작업 흐름입니다. RAG나 시맨틱 검색이 제대로 동작하려면 이 준비가 먼저 되어 있어야 합니다.
• 중복 제거심화 Deduplication 중복 제거는 학습 데이터 안에 똑같거나 거의 똑같은 문서·문장·이미지가 여러 번 들어 있을 때 하나만 남기고 나머지를 걸러 내는 것이다. 특히 인터넷에서 대량으로 모은 LLM 학습 데이터를 정리할 때 필수 단계다.
• 컬럼형 저장심화 Columnar Storage 컬럼형 저장은 표 데이터를 행(한 줄) 단위가 아니라 열(컬럼) 단위로 모아 저장하는 방식이다. 특정 열 몇 개만 읽어 합계·평균을 내는 분석 작업을 훨씬 빠르고 싸게 만든다.
• 클래스 불균형기초 Class Imbalance 클래스 불균형은 분류 문제에서 어떤 정답 종류(클래스)는 데이터가 아주 많고 다른 종류는 아주 적은 상태를 말한다. 이 상태로 학습하면 모델이 많은 쪽만 맞히고 적지만 중요한 쪽을 놓치기 쉽다.
• 클러스터링기초 Clustering, 군집화 클러스터링(군집화)은 정답이 붙어 있지 않은 데이터를 서로 비슷한 것끼리 자동으로 묶어 여러 무리(클러스터)로 나누는 것이다. 비지도 학습의 대표적인 방법이다.
• 피처 스토어심화 Feature Store 피처 스토어는 머신러닝 모델이 쓰는 입력값(피처)을 한곳에서 만들고 저장해 두는 저장소입니다. 학습할 때와 실제 서비스에서 예측할 때 같은 값을 똑같은 방식으로 꺼내 쓸 수 있게 해 줍니다.
• 피처 엔지니어링기초 Feature Engineering 피처 엔지니어링은 원본 데이터를 머신러닝 모델이 패턴을 잘 찾을 수 있는 입력값(피처)으로 골라내고, 가공하고, 새로 만들어 내는 작업이다.

인프라·모델 활용

GPU·서빙·비용 같은 AI 인프라와, Hugging Face에서 모델을 고르고 읽을 때 만나는 용어

• AI 데이터센터입문 AI Data Center AI 데이터센터는 AI 학습·추론용 GPU 같은 가속기를 대량으로 모아 두고, 그에 맞는 전력·냉각·네트워크를 갖춘 시설이다.
• Base·Instruct 모델입문 Base vs. Instruct model Base 모델은 사전학습만 마쳐 주어진 글 뒤에 올 내용을 이어 쓰는 모델이고, Instruct 모델은 여기에 사후 학습을 더해 지시를 따르고 대화하도록 다듬은 모델이다.
• CUDA기초 쿠다, NVIDIA GPU 프로그래밍 플랫폼 CUDA는 NVIDIA가 만든 GPU 프로그래밍 플랫폼으로, GPU의 수많은 연산 장치를 AI 학습·추론 같은 일반 계산에 쓰도록 해 주는 소프트웨어 기반이다.
• FlashAttention심화 플래시 어텐션 FlashAttention은 트랜스포머의 어텐션 계산을 GPU 메모리 구조에 맞게 다시 짜서, 결과는 그대로 두면서 더 빠르고 메모리를 덜 쓰게 만든 계산 방법이다.
• FLOPS기초 부동소수점 연산 횟수 FLOPS는 컴퓨터가 1초에 할 수 있는 부동소수점(소수점이 있는 수) 연산 횟수로, AI 칩의 계산 속도를 나타내는 대표 단위다.
• GGUF기초 GGUF 파일 형식 GGUF는 llama.cpp 계열 도구에서 LLM을 돌리기 위해 쓰는 모델 파일 형식이다. 가중치와 함께 토크나이저·채팅 템플릿 같은 정보를 파일 하나에 담고, 양자화된 가중치를 주로 저장한다.
• GPTQ·AWQ심화 가중치 양자화 방식 GPTQ·AWQ는 이미 학습된 LLM의 가중치를 4비트 같은 적은 비트로 줄이는 대표적인 양자화 방식이다. 다시 학습하지 않고 약간의 샘플 데이터만으로 품질 손실을 줄이며 모델을 가볍게 만든다.
• GPU입문 그래픽 처리 장치 GPU(그래픽 처리 장치)는 원래 화면을 그리려고 만든 칩으로, 단순한 계산을 수천 개씩 동시에 처리하는 데 강하다. 이 특성 덕분에 오늘날 AI 모델을 학습시키고 돌리는 핵심 장비가 되었다.
• GPU 클라우드기초 GPU Cloud GPU 클라우드는 GPU 서버를 직접 사지 않고 클라우드 업체에서 시간 단위 등으로 빌려 AI 학습·추론에 쓰는 서비스다.
• HBM기초 고대역폭 메모리 HBM(High Bandwidth Memory, 고대역폭 메모리)은 메모리 칩 여러 장을 아파트처럼 위로 쌓고 GPU 같은 연산 칩 바로 옆에 붙여, 한 번에 아주 많은 데이터를 주고받을 수 있게 만든 메모리입니다.
• Hugging Face입문 허깅페이스 Hugging Face는 AI 모델·데이터셋·데모를 올리고 내려받는 온라인 저장소이자, 이를 쉽게 쓰게 해 주는 오픈소스 라이브러리를 만드는 회사다. 흔히 'AI 모델의 GitHub'로 불린다.
• KV 캐시심화 KV cache KV 캐시는 LLM이 글을 한 토큰씩 만들어 갈 때, 앞에서 이미 계산해 둔 중간 결과(Key와 Value)를 메모리에 저장해 두고 다시 쓰는 장치다.
• LLM 게이트웨이심화 LLM Gateway, AI Gateway LLM 게이트웨이는 여러 앱이 여러 AI 모델을 쓸 때 그 사이에 하나의 관문을 두고, 모든 요청이 이곳을 거쳐 가게 하는 중간 계층입니다. 이 관문에서 인증·모델 선택(라우팅)·비용 관리·기록·보안 검사를 한곳에 모아 처리합니다.
• NPU입문 신경망 처리 장치 NPU(Neural Processing Unit, 신경망 처리 장치)는 인공 신경망 계산만 빠르고 전기를 적게 쓰면서 처리하도록 따로 설계한 반도체 칩입니다. AI 모델을 돌리는 일에 특화된 '전용 계산기'라고 보면 됩니다.
• RoPE심화 회전 위치 임베딩 RoPE(Rotary Position Embedding, 회전 위치 임베딩)는 트랜스포머가 각 토큰이 문장의 몇 번째에 있는지 알 수 있도록, 위치에 따라 벡터를 일정 각도씩 회전시키는 방법이다. 지금 많은 LLM이 위치 정보를 다루는 기본 방식으로 쓴다.
• safetensors기초 세이프텐서, 모델 가중치 파일 형식 safetensors는 AI 모델의 가중치(학습으로 정해진 숫자들)를 안전하고 빠르게 저장·불러오도록 만든 파일 형식이다. 파일을 여는 것만으로 숨겨진 코드가 실행될 위험이 없다는 점이 가장 큰 특징이다.
• TPU기초 텐서 처리 장치 TPU(Tensor Processing Unit)는 구글이 딥러닝 계산, 특히 행렬 곱셈을 빠르게 하려고 직접 설계한 AI 전용 칩이다.
• TTFT기초 첫 토큰까지 걸리는 시간 TTFT(Time To First Token)는 사용자가 요청을 보낸 뒤 AI가 답의 첫 토큰(글자 조각)을 내놓기까지 걸리는 시간이다. 챗봇이 '반응이 빠르다'고 느끼게 하는 핵심 지표다.
• VRAM입문 GPU 메모리 VRAM은 GPU에 붙어 있는 전용 메모리로, 모델 가중치와 계산 중간값이 여기에 올라가야 GPU가 빠르게 계산할 수 있다.
• 로컬 LLM입문 Local LLM, llama.cpp·Ollama 로컬 LLM은 클라우드 API 대신 내 PC·노트북·사내 서버에 모델을 내려받아 직접 실행하는 언어 모델이다. llama.cpp, Ollama 같은 도구가 이 과정을 쉽게 해 준다.
• 리더보드입문 Leaderboard 리더보드는 여러 AI 모델을 같은 벤치마크나 사용자 투표로 평가해 순위표로 보여 주는 것이다. 모델을 고를 때 첫 후보를 추리는 지도 역할을 한다.
• 모델 라이선스입문 Model License 모델 라이선스는 AI 모델의 가중치를 누가, 어떤 목적으로, 어떤 조건에서 쓰고 고치고 다시 배포할 수 있는지 정한 이용 규칙이다. 특히 상업적으로 써도 되는지를 결정하므로 모델을 고를 때 가장 먼저 확인해야 한다.
• 모델 병렬화심화 Tensor·Pipeline Parallelism 모델 병렬화는 GPU 한 장에 다 들어가지 않는 큰 모델을 여러 GPU에 쪼개 싣고 함께 계산하게 하는 방법이다. 층 안의 계산을 나누는 텐서 병렬화(TP)와 층을 순서대로 나누는 파이프라인 병렬화(PP)가 대표적이다.
• 모델 병합심화 Model Merging 모델 병합은 같은 기본 모델에서 갈라져 나온 여러 파인튜닝 모델의 가중치를 섞어, 추가 학습 없이 각 모델의 장점을 합친 새 모델을 만드는 기법이다.
• 모델 서빙기초 Model Serving 모델 서빙은 학습을 마친 AI 모델을 서버에 올려, 앱이나 사용자가 보낸 요청을 받아 모델을 실행하고 결과를 돌려주도록 운영하는 일이다.
• 모델 카드입문 Model Card 모델 카드는 AI 모델이 무엇을 위해 만들어졌고, 어떤 데이터로 학습했으며, 어떻게 쓰고 무엇을 잘 못하는지 적은 설명서다. Hugging Face에서는 모델 페이지 첫 화면의 README가 모델 카드다.
• 분산 학습심화 Distributed Training 분산 학습은 모델 하나를 학습시키는 일을 여러 GPU나 여러 서버에 나눠 맡겨 함께 처리하는 방식이다. 모델이나 학습 데이터가 GPU 한 장에 다 들어가지 않거나, 한 장으로는 너무 오래 걸릴 때 쓴다.
• 양자화심화 Quantization 양자화(Quantization)는 AI 모델 안의 숫자(파라미터 등)를 더 적은 비트로 표현해, 모델을 작고 빠르게 만드는 기법입니다. 정밀도를 조금 낮추는 대신 메모리와 계산 비용을 크게 줄입니다.
• 연속 배칭심화 Continuous Batching 연속 배칭은 여러 사용자 요청을 묶어 GPU에서 함께 처리하되, 끝난 요청은 바로 빼고 기다리던 요청은 바로 끼워 넣어 GPU가 쉬지 않게 하는 서빙 기법이다.
• 오픈웨이트입문 Open weights 오픈웨이트는 AI 모델이 학습으로 얻은 내부 숫자(가중치)를 누구나 내려받아 쓸 수 있도록 공개하는 방식입니다. 자기 컴퓨터나 서버에서 직접 모델을 돌릴 수 있습니다.
• 온디바이스 AI입문 On-device AI 온디바이스 AI는 AI 모델을 인터넷 너머의 서버가 아니라 스마트폰·노트북·자동차 같은 기기 안에서 바로 돌리는 방식이다. 데이터를 밖으로 보내지 않고 기기에서 답을 만든다.
• 인터커넥트심화 Interconnect, NVLink·InfiniBand 인터커넥트는 여러 GPU와 서버를 서로 연결해 데이터를 주고받게 하는 고속 통신망으로, 서버 안에서는 NVLink, 서버 사이에서는 InfiniBand나 고속 이더넷이 대표적이다.
• 정밀도(FP32·BF16·FP8)기초 Numeric precision 정밀도는 AI 모델이 숫자 하나를 몇 비트로 저장·계산하느냐를 말하며, FP32·BF16·FP8처럼 비트 수가 적을수록 메모리와 계산이 줄지만 표현이 거칠어진다.
• 채팅 템플릿기초 Chat Template 채팅 템플릿은 시스템·사용자·어시스턴트 메시지로 이루어진 대화를, 모델이 학습 때 본 그대로의 문자열 형식(특수 토큰 포함)으로 바꿔 주는 규칙이다.
• 처리량(토큰/초)기초 Throughput, tokens per second 처리량(토큰/초)은 추론 서버가 1초에 만들어 내는 토큰 수로, 같은 장비로 얼마나 많은 일을 해낼 수 있는지 보여 주는 지표다. 서버 전체가 처리하는 양과 사용자 한 명이 느끼는 속도를 구분해서 봐야 한다.
• 체크포인트기초 Checkpoint 체크포인트는 모델을 학습하는 도중이나 끝난 뒤 특정 시점의 가중치(와 학습 상태)를 파일로 저장해 둔 것이다. 학습을 이어 하거나, 그 시점의 모델을 꺼내 쓰고 비교하는 데 쓴다.
• 추론 엔진기초 Inference Engine, vLLM·SGLang·TensorRT-LLM 추론 엔진은 학습이 끝난 AI 모델을 GPU 위에 올려 사용자 요청에 빠르고 효율적으로 답하게 해 주는 실행 소프트웨어다. 서버용으로 vLLM·SGLang·TensorRT-LLM, 개인 PC용으로 llama.cpp·Ollama 등이 널리 쓰인다.
• 추측 디코딩심화 Speculative decoding 추측 디코딩은 작은 모델이 다음에 올 토큰 여러 개를 미리 빠르게 추측하고, 큰 모델이 그 추측을 한꺼번에 검사해 맞는 부분만 받아들이는 방식으로 LLM의 답변 생성 속도를 높이는 기법이다.
• 쿠버네티스기초 Kubernetes, K8s 쿠버네티스는 컨테이너(프로그램과 실행 환경을 한 상자에 담은 것)를 여러 서버에 나눠 띄우고, 멈추면 다시 살리고, 사용량에 맞춰 늘리거나 줄이는 일을 자동으로 해 주는 오픈소스 관리 시스템이다. 흔히 K8s라고 줄여 쓴다.
• 토크나이저기초 Tokenizer 토크나이저는 글을 모델이 읽을 수 있는 토큰 조각과 번호로 바꾸고, 모델이 낸 번호를 다시 글로 돌려놓는 변환기다. 모델마다 자기 토크나이저가 정해져 있다.
• 토큰 과금입문 Token Pricing 토큰 과금은 AI 모델을 API로 쓸 때 주고받은 글의 양을 토큰 단위로 세어 요금을 매기는 방식이다. 보통 모델에 넣는 입력 토큰과 모델이 써 내는 출력 토큰의 단가가 따로 정해져 있다.
• 페이지드 어텐션심화 PagedAttention 페이지드 어텐션은 LLM이 답을 만드는 동안 쌓이는 KV 캐시를 작은 블록(페이지)으로 나눠, GPU 메모리 빈 곳에 필요한 만큼만 담는 메모리 관리 기법이다. 추론 엔진 vLLM이 이 기법으로 널리 알려졌다.
• 프롬프트 캐싱기초 Prompt caching 프롬프트 캐싱은 LLM에 매번 똑같이 들어가는 프롬프트 앞부분의 계산 결과를 저장해 두었다가 다음 요청에서 다시 쓰는 기술이다. 같은 내용을 처음부터 다시 계산하지 않아 응답이 빨라지고 비용도 줄어든다.
• 활성 파라미터기초 Active Parameters 활성 파라미터는 모델이 토큰 하나를 처리할 때 실제로 계산에 쓰는 파라미터 수다. MoE 모델은 전체 파라미터 중 일부만 골라 쓰기 때문에 전체 파라미터와 활성 파라미터가 크게 다르다.

산업 AI

의료·금융·제조·국방 등 산업 현장에서 AI를 쓸 때 만나는 용어

• AI 신약 개발기초 AI Drug Discovery AI 신약 개발은 머신러닝과 생성 AI로 질병의 원인이 되는 표적을 찾고, 약이 될 만한 물질을 설계·선별하고, 그 효과와 부작용을 미리 예측해 신약 개발을 더 빠르고 효율적으로 만드는 것이다.
• AI 튜터입문 AI Tutor AI 튜터는 학생 한 명 한 명의 질문에 답하고, 수준에 맞춰 설명과 문제를 바꿔 주는 AI 개인 과외 선생님이다. 주로 LLM을 바탕으로 대화하듯 학습을 돕는다.
• AI-RAN심화 AI 무선 접속망 AI-RAN은 휴대폰과 기지국을 잇는 무선 접속망(RAN, Radio Access Network)에 AI를 깊이 넣어, 망 운영을 AI로 똑똑하게 만들고 같은 기지국 컴퓨팅 자원에서 AI 서비스까지 돌리려는 통신망 설계 방식이다.
• AML기초 자금세탁방지 AML(Anti-Money Laundering, 자금세탁방지)은 범죄로 번 돈을 정상적인 돈처럼 보이게 세탁하는 것을 막기 위해, 금융회사가 고객을 확인하고 수상한 거래를 찾아 당국에 보고하는 제도와 기술을 말한다.
• C4ISR심화 지휘·통제·통신·정보·감시·정찰 C4ISR은 지휘(Command)·통제(Control)·통신(Communications)·컴퓨터(Computers)와 정보(Intelligence)·감시(Surveillance)·정찰(Reconnaissance)을 묶은 말로, 군이 상황을 파악하고 결정을 내려 부대에 전달하는 전체 정보·의사결정 체계를 가리킨다.
• CDSS기초 임상 의사결정 지원 시스템 CDSS(Clinical Decision Support System, 임상 의사결정 지원 시스템)는 의사·간호사가 진단이나 처방을 결정할 때 환자 정보와 의학 지식을 바탕으로 경고나 추천을 띄워 주는 소프트웨어다.
• EHR·FHIR기초 전자의무기록·의료 데이터 표준 EHR(전자의무기록)은 환자의 진료 기록을 디지털로 저장·관리하는 시스템이고, FHIR(파이어)는 서로 다른 EHR과 의료 앱이 데이터를 같은 형식으로 주고받게 해 주는 국제 표준이다.
• SaMD기초 의료기기 소프트웨어 SaMD(Software as a Medical Device)는 별도의 의료 장비에 들어 있지 않고 소프트웨어만으로 질병의 진단·치료·예방·관리 같은 의료 목적을 수행해 의료기기로 취급되는 프로그램이다.
• 경로 최적화기초 Route Optimization 경로 최적화는 여러 배송지·차량·시간 조건을 함께 고려해, 전체 이동 거리나 시간, 비용이 가장 적게 드는 운행 순서와 경로를 찾는 일이다.
• 단백질 구조 예측심화 Protein Structure Prediction 단백질 구조 예측은 단백질을 이루는 아미노산 순서만 보고, 그 단백질이 실제로 어떤 3차원 모양으로 접히는지를 계산으로 알아내는 것이다.
• 대안 데이터기초 Alternative Data 대안 데이터는 재무제표·주가·신용 기록 같은 전통적 금융 데이터 밖에서 얻는 정보로, 카드 결제 흐름, 위성 사진, 웹 트래픽, 통신비 납부 이력 등을 투자 판단이나 신용평가에 활용하는 것이다.
• 드론 군집기초 Drone Swarm 드론 군집은 여러 대의 드론이 서로 정보를 주고받으며 하나의 무리처럼 함께 움직이고 일을 나눠 맡는 운용 방식이다. 사람이 한 대씩 조종하지 않고, 무리 전체에 목표를 주면 드론들이 서로 맞춰 가며 움직인다.
• 디지털 병리심화 Digital Pathology 디지털 병리는 조직 슬라이드를 고해상도로 스캔해 디지털 이미지로 만들고, 그 이미지를 화면에서 판독·공유·분석하는 병리 진단 방식이다. AI 분석의 바탕이 되는 기술이기도 하다.
• 디지털 트윈기초 Digital Twin 디지털 트윈은 실제 공장·설비·도시·전력망 같은 대상을 컴퓨터 안에 똑같이 본뜬 가상 모델로, 실물의 데이터를 계속 받아 상태를 따라가며 미리 시험해 보는 데 쓰는 것이다.
• 로보어드바이저입문 Robo-advisor 로보어드바이저는 투자자의 목표와 위험 성향을 설문으로 파악한 뒤, 알고리즘이 자산 배분과 리밸런싱(비중 재조정)을 자동으로 해 주는 온라인 투자 자문·운용 서비스다.
• 리걸 AI기초 Legal AI, 리걸테크 리걸 AI는 판례·법령·계약서 같은 법률 문서를 찾고, 읽고, 요약하고, 초안을 쓰는 일을 AI로 돕는 기술이다. 변호사나 법무팀을 대신하기보다는 반복되는 문서 작업을 줄여 주는 도구로 주로 쓰인다.
• 모델 리스크 관리심화 Model Risk Management, MRM 모델 리스크 관리는 금융회사가 쓰는 신용평가·가격 산정·AI 모델이 틀리거나 잘못 쓰여 생기는 손실을 막기 위해, 모델의 개발·검증·승인·모니터링·폐기 전 과정을 관리하는 체계다.
• 비전 검사기초 AI Visual Inspection 비전 검사는 카메라로 찍은 제품 이미지를 AI가 보고 흠집·이물·조립 불량 같은 결함을 자동으로 찾아내는 품질 검사 방식이다.
• 수요 예측기초 Demand Forecasting 수요 예측은 과거 판매 기록과 날씨·행사·가격 같은 정보를 바탕으로 앞으로 어떤 상품이 언제, 어디서, 얼마나 팔릴지 미리 추정하는 일이다.
• 스마트 팩토리입문 Smart Factory 스마트 팩토리는 공장의 설비·센서·생산 관리 시스템을 데이터로 연결해, 생산 상황을 실시간으로 보고 AI와 자동화로 더 효율적으로 운영하는 공장이다.
• 신용평가 모델기초 Credit Scoring 신용평가 모델은 대출이나 카드를 신청한 사람·기업이 앞으로 돈을 제때 갚을 가능성을 데이터로 계산해 점수나 등급으로 나타내는 모델이다. 금융회사는 이 점수로 승인 여부·한도·금리를 정한다.
• 알고리즘 트레이딩기초 Algorithmic Trading 알고리즘 트레이딩은 언제, 무엇을, 얼마에, 얼마나 사고팔지를 미리 정한 규칙이나 모델에 맡겨 컴퓨터가 자동으로 주문을 내는 거래 방식이다.
• 예지 보전기초 Predictive Maintenance 예지 보전은 설비에 붙인 센서 데이터를 AI로 분석해 고장이 나기 전에 미리 징후를 찾아내고, 꼭 필요한 시점에 정비하는 방식이다.
• 위성 영상 분석기초 GEOINT, 지리공간 정보 위성 영상 분석(GEOINT, 지리공간 정보)은 위성·항공기·드론이 찍은 영상과 지도 데이터를 분석해 땅 위에서 무슨 일이 일어나는지 알아내는 것이다. 요즘은 AI가 방대한 영상에서 물체와 변화를 먼저 찾아내고 사람이 확인한다.
• 의료 LLM기초 Medical LLM 의료 LLM은 의학 지식과 진료 기록 같은 의료 데이터에 맞게 조정되어 의료 현장의 질문 답변, 문서 작성, 정보 요약을 돕는 대형 언어 모델이다.
• 의료 영상 AI기초 Medical Imaging AI 의료 영상 AI는 X선·CT·MRI·초음파 같은 의료 영상을 AI가 분석해 병변(병이 의심되는 부위)을 찾거나 판독을 돕는 기술이다. 최종 진단은 보통 의사가 내리고, AI는 '두 번째 눈' 역할을 한다.
• 의미 있는 인간 통제기초 Meaningful Human Control 의미 있는 인간 통제(Meaningful Human Control)는 AI나 자율 시스템이 무력을 쓰는 결정에 관여할 때, 사람이 형식적인 승인 버튼만 누르는 것이 아니라 실제로 이해하고 판단하며 책임질 수 있는 수준의 통제를 유지해야 한다는 원칙이다.
• 이상 거래 탐지기초 Fraud Detection, FDS 이상 거래 탐지는 카드 결제나 송금 같은 금융 거래 가운데 도용·사기처럼 평소와 다른 수상한 거래를 자동으로 골라내 막거나 확인하는 것이다. 금융권에서는 흔히 FDS(Fraud Detection System)라고 부른다.
• 이중 용도 기술기초 Dual-use AI 이중 용도 기술은 같은 기술이 민간의 평화적 목적에도, 군사나 해로운 목적에도 쓰일 수 있는 것을 말한다. AI는 대부분 범용 기술이라 이 성격이 특히 강하다.
• 자율 무기 체계기초 LAWS, Lethal Autonomous Weapon Systems 자율 무기 체계(LAWS, Lethal Autonomous Weapon Systems)는 한번 작동시키면 사람이 하나하나 승인하지 않아도 표적을 고르고 공격까지 할 수 있는 무기 체계를 말한다. 국제사회에서 규제 여부와 방식을 두고 논쟁이 계속되는 개념이다.
• 전력망 AI기초 Grid AI, 전력 수요 예측 전력망 AI는 전기를 얼마나 쓸지, 태양광·풍력이 얼마나 만들어질지를 예측하고, 설비 고장을 미리 찾아 전력망을 안정적으로 운영하도록 돕는 AI다.