AI 용어들을 정리했습니다. AI 기업들과 업무를 진행하게 될때 알아야 할 키워드입니다. 아래 용어들은 다양한 유튜브 영상 등을 시청하며 나온 키워드들을 중심으로 선정했습니다.
AI 용어 모음
| 번호 | 용어 | 분류 | 설명 | 예 | 기타 |
| 1 | 인공지능 (Artificial Intelligence) | 개념 | – 기계가 사람처럼 사고하거나 판단하는 것처럼 보이는 기술 – 입력을 받아 출력을 계산하는 복잡한 시스템 | 챗봇, 얼굴 인식, 자율주행 | |
| 2 | 머신러닝 (Machine Learning) | 개념 | – 인공지능의 하위 분야로 데이터를 통해 스스로 규칙을 학습하는 AI 기술 – 사람이 직접 규칙을 만들지 않아도 됨 | 이메일 스팸 분류, 추천 시스템 | |
| 3 | 딥러닝 (Deep Learning) | 모델 구조 | – 머신러닝의 하위 분야로 인공신경망을 기반으로 한 머신러닝 기법 – 복잡한 데이터 구조와 패턴 학습에 강함 – 현재 유행하는 LMM 등 대부분의 AI 기술에 딥러닝이 사용됨 | 음성 인식, 이미지 분류, 자율주행 | |
| 4 | 파운데이션 모델 (Foundation Model) | 모델 | – 대규모 데이터로 사전 학습되어 다양한 작업에 범용적으로 적용 가능한 모델 – 다양한 하위 작업에 전이 학습 가능 | GPT, PaLM, LLaMA | Stanford에서 2021년 제안된 개념 |
| 5 | 생성 모델 (Generative Model) | 모델 | – 기존 데이터를 학습하여 새로운 데이터를 생성하는 AI – 현실적인 텍스트나 이미지 생성 가능 | 딥페이크, 이미지 생성 AI | |
| 6 | LLM (Large Language Model) | 모델 | – 대규모 텍스트 데이터를 학습하여 문맥과 언어 구조를 이해하는 모델 – 다양한 언어 태스크에 활용됨 | GPT, Claude, 번역기 | Transformer 구조 기반 |
| 7 | LMM (Large Multimodal Model) | 모델 | – 텍스트, 이미지, 음성 등 다양한 모달을 함께 처리하는 대형 모델 – 멀티모달 기반의 이해와 생성 능력 보유 | GPT-4V, Gemini | |
| 8 | LAM (Large Action Model) | 모델 | – 사용자의 명령을 이해하고 여러 앱/툴에서 직접 행동을 수행하는 AI – 도구 실행형 AI | OpenAI GPT-4 + 액션 툴 | |
| 9 | 할루시네이션 (Hallucination) | 문제 현상 | – AI가 실제와 다른 그럴듯한 허위 정보를 생성하는 현상 – 생성형 AI의 주요 문제 중 하나 | 사실 아닌 내용을 진짜처럼 생성 | |
| 10 | 오버피팅 (Overfitting) | 문제 현상 | – 학습 데이터에만 너무 맞춰져서 새로운 데이터에 성능이 떨어지는 현상 – 일반화 능력 부족 상태 | 기출문제만 외운 학생 | |
| 11 | AX (AI eXperience) | 활용 전략 | – 사용자 경험을 중심으로 한 AI 설계 개념 – UX에 AI 기능이 자연스럽게 녹아들도록 설계 | AI 추천, AI 자동 입력 기능 | |
| 12 | RAG (Retrieval-Augmented Generation) | AI 아키텍처 | – 검색 시스템과 생성형 AI를 결합해 문서를 참고하며 응답 생성 – 외부 지식 활용으로 최신성 보완 | PDF 검색 + GPT 응답 | |
| 13 | 자연어 처리(NLP : Natural Language Processing) | 기술 분야 | – 인간 언어를 이해하고 처리하는 기술 분야 – 문장 분석, 요약, 번역 등 다양한 작업 포함 | ChatGPT, 번역기 | |
| 14 | 인공신경망 (Artificial Neural Network) | 모델 구조 | – 뇌의 뉴런 구조를 모방한 계산 구조 – 딥러닝의 기본 단위가 되는 모델 – 입력, 은닉, 출력층으로 구성 – 인공신경망’은 ‘뉴럴 네트워크’와 같은 뜻이며, 용어만 다르게 사용됨 | 이미지 분류, 음성 인식 | 1950년대 개념 등장, 1980년대 재조명 |
| 15 | 트랜스포머 (Transformer) | 모델 구조 | – 문장 내 단어 간 관계를 효율적으로 학습하는 모델 구조 – 병렬 처리에 유리하고 LLM의 기반이 되는 구조 | GPT, BERT | 2017년 Google 논문 ‘Attention is All You Need’에서 제안 |
| 16 | 아키텍처 (Architecture) | 모델 구조 | – AI 모델의 구조적 설계 방식 – 레이어 수, 연결 방식, 연산 흐름 등을 포함 | 트랜스포머, CNN, RNN | |
| 17 | 파라미터 (Parameter) | 모델 구성 | – 모델이 학습한 내용이 저장된 가중치 값 – 모델의 ‘기억’ 역할 | 수백억 개 파라미터를 가진 GPT-3 | |
| 18 | 피드포워드 (Feedforward) | 모델 흐름 | – 입력 → 은닉층 → 출력층으로 순방향 흐름 – 순환 없이 단방향으로 계산 진행 | MLP 구조 | |
| 19 | 전이 학습 (Transfer Learning) | 학습 전략 | – 기존에 학습한 모델을 다른 유사한 작업에 재사용하는 기법 – 학습 시간을 단축하고 데이터가 부족한 상황에서 유용 | 이미지넷 모델을 활용해 의료 영상 진단 | |
| 20 | 파인튜닝 (Fine-tuning) | 학습 전략 | – 전이 학습된 모델을 특정 작업에 맞게 미세 조정하는 방식 – 소량의 도메인 특화 데이터로 성능 향상 가능 | GPT에 고객 대응 대화 데이터를 추가 학습 | |
| 21 | 사전학습 (Pretraining) | 학습 전략 | – 대량의 일반 데이터를 먼저 학습해 언어나 이미지의 일반 지식을 습득하는 단계 – 이후 특정 작업에 파인튜닝 | 위키피디아를 기반으로 LLM 학습 | |
| 22 | 지도 학습 (Supervised Learning) | 학습 방식 | – 입력과 정답 라벨이 함께 제공되는 데이터를 기반으로 학습 – 분류 및 회귀 문제에 주로 사용됨 | 고양이/개 이미지 분류, 이메일 스팸 필터링 | |
| 23 | 강화 학습 (Reinforcement Learning) | 학습 방식 | – 정답 없이 보상을 통해 최적의 행동을 학습하는 방식 – 시도와 실패를 반복하며 전략을 발전시킴 | 게임 AI, 로봇 팔 제어 | |
| 24 | 비지도 학습 (Unsupervised Learning) | 학습 방식 | – 정답 라벨 없이 데이터 내 구조나 패턴을 학습하는 방식 – 데이터 분류, 군집화 등에 활용됨 | 고객 세그먼트 분석, 뉴스 기사 분류 | |
| 25 | 모방 학습 (Imitation Learning) | 학습 방식 | – 전문가의 행동을 관찰하고 이를 모방하며 학습 – 지도 학습과 강화 학습의 중간 형태 | 자율주행차가 운전 패턴 학습 | |
| 26 | 역전파 (Backpropagation) | 학습 방식 | – 출력과 실제값의 차이를 계산해 가중치를 조정하는 알고리즘 – 딥러닝 학습의 핵심 | 딥러닝 학습 중 오차 전파 | |
| 27 | 인간 피드백을 반영한 강화학습(RHF : Reinforcement Learning with Human Feedback) | 학습 전략 | – 사람의 평가 결과를 학습에 반영하여, AI가 더 인간 친화적인 응답을 생성하도록 유도하는 강화 학습 기법 – LLM 응답 품질 개선에 사용 | ChatGPT 학습 과정 중 사용 | |
| 28 | 로지스틱 회귀 (Logistic Regression) | 기초 모델 | – 확률을 기반으로 이진 분류를 수행하는 기본적인 머신러닝 모델 – 학습이 빠르고 해석이 쉬움 | 스팸 메일 분류 | |
| 29 | 선형 회귀 (Linear Regression) | 기초 모델 | – 입력 변수와 출력 변수 간의 선형 관계를 모델링하는 회귀 모델 – 가장 기본적인 예측 모델 중 하나 | 집값 예측 | |
| 30 | 활성화 함수 (Activation Function) | 계산 구성요소 | – 뉴런의 출력 신호를 결정하는 비선형 함수 – 딥러닝의 비선형 표현력을 가능하게 함 | ReLU, Sigmoid | |
| 31 | 어텐션 (Attention) | 계산 구조 | – 입력 중 중요한 부분에 가중치를 부여해 집중하는 메커니즘 – 문맥 이해, 번역, 요약 등에 활용 | 문장에서 핵심 단어 집중 | |
| 32 | Self-Attention | 계산 구조 | – 트랜스포머 모델에서 각 단어가 문장 내 다른 단어와의 관계를 스스로 파악하는 메커니즘. 문맥 이해에 핵심 역할 | 문장 내 단어 간 관계 분석 | |
| 33 | 벡터 (Vector) | 데이터 구조 | – 숫자들의 1차원 배열로, AI 연산의 기본 단위 – 단어, 이미지, 음성 등 다양한 형태로 변환 가능 | [1.2, -0.3, 5.1] | |
| 34 | 텐서 (Tensor) | 데이터 구조 | – 벡터, 행렬보다 확장된 3차원 이상의 다차원 배열 구조 – 딥러닝에서 입력, 출력, 가중치 등 모든 데이터를 텐서로 처리 | 이미지(가로, 세로, 채널) = 3차원 텐서 | |
| 35 | 행렬 (Matrix) | 데이터 구조 | – 숫자들이 2차원으로 정렬된 배열 – 벡터보다 구조가 복잡하며, 이미지/연산 등 다양한 형태로 활용 | 이미지 픽셀 배열 | |
| 36 | 정규화 기법 (Regularization) | 데이터 처리 | – 모델의 복잡도를 제어해 과적합을 방지하는 기법 – 파라미터 크기를 제한해 학습 안정성과 속도 향상에 기여 | L1/L2 정규화, 드롭아웃 | |
| 37 | 샘플링 (Sampling) | 데이터 처리 | – 전체 데이터 중 일부를 선택해 처리하거나 추출하는 방식 – 학습 속도와 효율 향상에 사용 | 미니배치 학습, 확률 기반 텍스트 생성 | |
| 38 | 희석 (Diffusion) | 생성 모델 방식 | – 이미지나 음성을 점차 무작위로 흐리게 한 뒤 이를 되살려 생성하는 방식 – 이미지, 오디오 등에서 활용 | Stable Diffusion, DALL·E | |
| 39 | 하이퍼파라미터 (Hyperparameter) | 설정값 | – 사람이 사전에 설정하는 학습 관련 변수들 – 모델의 학습 방식과 성능에 큰 영향 | 학습률, 배치 크기, 레이어 수 | |
| 40 | 학습률 (Learning Rate) | 설정값 | – 경사 하강법에서 파라미터를 얼마나 크게 조정할지 결정하는 값 – 너무 크면 발산, 너무 작으면 수렴이 느려짐 | 0.1, 0.01, 0.001 등 | |
| 41 | 오픈소스 (Open Source) | 소프트웨어 라이선스 | – 누구나 사용할 수 있도록 소스 코드를 공개한 소프트웨어 – AI 모델도 오픈소스로 공개되며 연구·개발에 기여 | LLaMA, BLOOM | |
| 42 | 추론 (Inference) | 실행 단계 | – 학습된 모델이 새로운 입력에 대해 결과를 예측하는 과정 – 실제 서비스 단계에서 사용되는 기능 | 챗봇에 질문을 넣으면 답을 반환 | |
| 43 | 토큰 (Token) | 언어 처리 단위 | – AI 모델이 문장을 처리하기 위해 나누는 가장 작은 단위로 단어, 음절, 문자 등으로 분할 가능 | ‘안녕하세요’ → [안, 녕, 하, 세, 요] | |
| 44 | 프롬프트 (Prompt) | 입력 방식 | – 생성형 AI에게 입력하는 지시 또는 질문 – 모델이 어떤 응답을 생성할지 결정하는 주요 요소 | “이메일 제목 써줘”, “5줄 요약해줘” | |
| 45 | 소버린 AI (Sovereign AI) | 정책/전략 | – 특정 국가나 조직이 독립적으로 개발, 통제하는 AI 시스템 – 데이터 주권과 보안, 전략적 자율성을 위한 접근 | 중국, 러시아의 자체 LLM 개발 | |
| 46 | 경사 하강법 (Gradient Descent) | 최적화 방법 | – 손실 함수를 최소화하도록 파라미터를 조정하는 알고리즘 – 학습의 핵심 최적화 기법 | 학습 중 가중치 조정 | |
| 47 | 모델 평가 지표 | 평가기준 | – 모델의 성능을 수치적으로 평가하는 방법 – 손실 함수와 정확도를 함께 고려해 분석 | 정확도, 손실값, F1 Score 등 | |
| 48 | 손실 함수 (Loss Function) | 평가 기준 | – 모델의 예측값과 실제값의 차이를 수치화해 학습 기준으로 사용 – 값이 작을수록 예측 정확도가 높음 | MSE, Cross-Entropy | |
| 49 | 정확도 (Accuracy) | 평가 지표 | – 전체 예측 중 정답 비율을 백분율로 표현하는 평가 지표 중 하나 – 모델의 정확성을 간단히 평가할 수 있음 | 90% 정확도 = 100개 중 90개 정답 | |
| 50 | CPU(Central Processing Unit) | 하드웨어 | – 컴퓨터의 기본 연산 장치로 대부분의 일반 작업을 수행 – 복잡한 AI 연산에는 속도와 병렬성의 한계 존재 | 문서 편집, 웹 서핑 | |
| 51 | GPU(Graphics Processing Unit) | 하드웨어 | – 대량의 병렬 계산에 특화된 장치로, AI 학습과 추론에 필수적 – 행렬 연산이 많은 딥러닝에서 성능 발휘 | AI 서버, 게임 그래픽 처리 | |
| 52 | 에폭 (Epoch) | 학습 반복 횟수 | – 전체 데이터를 한 번 학습한 횟수를 의미함 – 에폭 수가 많을수록 학습 기회는 많아지지만 과적합 가능성도 있음 | 1에폭=전체 데이터를 한번 학습 | |
| 53 | 배치 (Batch) | 학습 처리 단위 | – 전체 학습 데이터를 여러 작은 묶음으로 나누어 학습하는 방식 – 메모리 절약 및 계산 효율을 높임 | 100개씩 묶어 처리 |
(끝)
거북이 미디어 전략 연구소장은 미디어의 온라인 수익화와 전략에 주요 관심을 가지고 있습니다.
저는 Publisher side에서 2015년부터 모바일과 PC 광고를 담당했습니다. 2022년부터 국내 포털을 담당하고 있습니다.
▲ 강의 이력
구글 디지털 성장 프로그램의 광고 워크샵 게스트 스피커(21년 6월)
구글 서치콘솔, 네이버 서치어드바이저, MS 웹마스터 도구 사용법(24년 8월 한국 언론진흥재단 미디어교육원)