LLM이란
오늘의 카드: LLM 기본 개념을 익혀봅니다.
자세히 보기SEARCH THE WIKI
통합 검색
용어, 오늘의 카드, 검증된 프롬프트를 한 번에 찾아보세요.
전체 콘텐츠50개
토큰 이해하기
텍스트가 토큰으로 어떻게 쪼개지는지 살펴봅니다.
자세히 보기임베딩과 유사도
임베딩으로 의미적 유사도를 계산하는 원리.
자세히 보기RAG 파이프라인
검색 증강 생성이 동작하는 흐름.
자세히 보기좋은 프롬프트 작성법
프롬프트 엔지니어링 기본 원칙.
자세히 보기Temperature 조절
창의성과 일관성 사이 균형 잡기.
자세히 보기AI 에이전트 맛보기
도구를 호출하는 에이전트의 기본 구조.
자세히 보기왜 다음 단어 맞히기만으로 똑똑해질까
LLM은 '다음 단어가 뭘까'라는 단순한 게임을 수십억 번 반복해서 훈련됩니다. 정답 레이블을 따로 만들 필요 없이 텍스트 자체가 정답이 되는 자기 지도 학습이라, 인터넷 규모의 데이터를 그대로 훈련에 쓸 수 있는 것이 핵심입니다.
자세히 보기쿼리, 키, 값 — 어텐션의 3형제
셀프 어텐션은 토큰마다 쿼리(내가 찾는 것), 키(내가 가진 것), 값(실제 내용) 세 벡터를 만듭니다. 쿼리와 키를 비교해 '얼마나 관련 있는지'를 구하고, 그 비율만큼 값을 섞어서 문맥이 반영된 새 표현을 만드는 것이 전체 과정입니다.
자세히 보기미래를 보면 안 되는 이유
GPT는 왼쪽에서 오른쪽으로 한 단어씩 글을 씁니다. 만약 훈련 중에 미래 단어를 미리 볼 수 있다면 '커닝'을 하는 셈이라 실전에서는 못 쓰는 모델이 됩니다. 코잘 어텐션은 미래 위치의 점수를 음의 무한대로 가려서 이 커닝 자체를 원천 차단합니다.
자세히 보기모르는 단어가 없는 토크나이저
일반 사전식 토크나이저는 처음 보는 단어를 만나면 <unk> 같은 대체 토큰으로 뭉개버립니다. BPE는 단어를 더 작은 조각(부분단어)이나 심지어 알파벳 한 글자까지 쪼갤 수 있어서, 사실상 모든 단어를 어떻게든 표현할 수 있습니다.
자세히 보기숫자로 바뀐 단어, 임베딩
컴퓨터는 '고양이'라는 글자를 이해하지 못해도, [0.2, -1.3, 0.7...] 같은 숫자 벡터는 계산할 수 있습니다. 임베딩은 바로 이 변환을 담당하며, 훈련이 진행될수록 의미가 비슷한 단어의 벡터가 서로 가까워지도록 조정됩니다.
자세히 보기숏컷 하나로 깊은 모델이 안 무너지는 이유
층을 아주 깊게 쌓으면 학습 신호(기울기)가 앞쪽까지 전달되다가 사라져버리는 문제가 생깁니다. 숏컷(잔차) 연결은 입력을 몇 개 층 건너뛰어 출력에 그대로 더해주는 지름길을 놔줘서, 신호가 끊기지 않고 끝까지 전달되게 합니다.
자세히 보기온도를 올리면 생기는 일
생성 온도를 낮추면 모델은 가장 확률 높은 단어만 고르는 안전한 선택을 반복합니다. 온도를 올리면 확률이 낮은 단어도 뽑힐 기회가 생겨 표현이 다채로워지지만, 너무 높이면 문법이 무너지거나 엉뚱한 문장이 나올 수 있습니다.
자세히 보기지시 미세튜닝 vs 분류 미세튜닝
분류 미세튜닝은 '스팸이다/아니다'처럼 정해진 몇 개의 답 중 하나만 고르도록 특화 훈련합니다. 지시 미세튜닝은 반대로 훨씬 폭넓은 지시문을 이해하고 자유롭게 응답하도록 훈련해서, 하나의 모델로 번역·요약·질의응답 등 다양한 작업을 처리하게 만듭니다.
자세히 보기GPT-2도 크기가 여러 개
가장 작은 GPT-2는 파라미터 1억 2,400만 개, 어텐션 헤드 12개, 임베딩 768차원입니다. 가장 큰 버전은 파라미터 15억 5,800만 개로 10배가 넘죠. 놀랍게도 핵심 구조는 완전히 동일하고, 반복되는 트랜스포머 블록 개수와 임베딩 차원만 다릅니다.
자세히 보기LoRA, 가벼운 미세 튜닝의 비결
LLM 전체를 다시 훈련하려면 원본 모델만큼 큰 메모리가 필요합니다. LoRA는 원래 가중치는 그대로 얼려두고, 그 옆에 붙인 아주 작은 저순위 행렬 한 쌍만 학습해서 개인용 GPU로도 미세 튜닝을 가능하게 만든 기법입니다.
자세히 보기사슬 사고 (Chain of Thought)
복잡한 문제를 해결할 때 모델이 단계별 추론 과정을 거치도록 유도하는 기법입니다. 단계별로 차근차근 생각해보자 같은 문구를 사용해 중간 해석을 명시적으로 유도하면, 논리적 오류를 줄이고 복잡한 작업의 정확도를 크게 높일 수 있습니다.
자세히 보기구성성을 위한 메타학습
모델에게 개념을 조합하는 힘을 가르치는 학습 기법이다. 새로운 상황을 마주했을 때, 이미 배운 조각들을 적절히 섞어 의미와 추론을 만들도록 돕는다. 단순 반복이 아니라 개념 재조합을 통해 일반화 성능을 끌어올리는 데 사용할 수 있다.
자세히 보기AI 옵저버빌리티
AI 옵저버빌리티는 에이전트, LLM, 마이크로서비스를 하나의 상관 맵으로 묶어 실시간으로 추적하는 관측 체계다. 추론에서 코드 실행까지 연결해 논리 이탈과 할루시네이션을 찾고, 정확도와 비용을 동시에 관리한다.
자세히 보기컨텍스트 윈도우, 한 번에 읽는 한계
모델이 한 번의 요청에서 다룰 수 있는 토큰의 범위가 정해져요. 범위를 넘으면 앞 내용이 버려집니다. 긴 대화와 문서 처리 설계의 출발점이 됩니다.
자세히 보기RAG vs 미세 튜닝, 어느 쪽인가
새 지식이 자주 바뀌면 RAG, 톤과 형식을 고치면 미세 튜닝을 검토합니다. RAG는 지식 업데이트가 쉽고 튜닝은 반응성이 커요. 데이터의 성격이 방향을 정합니다.
자세히 보기vLLM, 대규모 모델 추론 엔진
2023년 공개된 추론 프레임워크예요. KV 캐시를 페이지 단위로 관리해 메모리를 효율적으로 써요. 동시 요청 처리량이 높아요.
자세히 보기MLOps, 모델을 돌리는 운영의 일
모델을 만들어 배포하고 지켜보는 전 과정을 자동화하는 실천이에요. 버전 관리, 재학습, 모니터링이 핵심이에요. 한 번의 학습이 아니라 흐름이 중요하게 됩니다.
자세히 보기데이터 드리프트, 배포 후 품질이 떨어지면
배포 후 입력 데이터의 분포가 바뀌면 품질이 떨어질 수 있어요. 입력과 출력을 정기적으로 점검해야 해요. 변한 데이터를 재학습에 쓰는 게 일반적입니다.
자세히 보기한국어 모델, 왜 부족할까
대부분의 대규모 데이터는 영어에 치우져 있어요. 한국어 데이터는 상대적으로 적어요. 그래서 한국어 전용 모델을 만드는 연구가 진행됩니다.
자세히 보기미세 튜닝, 모델을 내 과제로 맞춤
사전 학습 모델에 추가 데이터를 줘 과업을 맞춥니다. 전체 튜닝은 비싸고, LoRA 같은 방법은 가볍게 할 수 있어요. 데이터가 충분해야 효과가 커져요.
자세히 보기증류, 큰 모델을 작은 것으로
큰 모델의 출력을 작은 모델이 배웁니다. 출력은 품질 좋고 비용이 적게 드는 모델로 바뀌어요. 서비스 비용 최적화에 쓰입니다.
자세히 보기프롬프트가 왜 중요한가
같은 모델이라도 프롬프트에 따라 결과가 달라져요. 역할, 목표, 형식, 제약이 명확할수록 결과가 좋아집니다. 프롬프트 작성은 기술이 아니라 설계에요.
자세히 보기스케일링 법칙, 크기와 손실의 관계
일정한 조건에서 파라미터, 데이터, 연산량을 늘리면 손실이 거듭제곱 법칙에 가깝게 줄어드는 경향이 관찰됩니다. 이를 스케일링 법칙이라고 해요. 모든 능력이 자동으로 좋아진다는 보장은 아니므로 과제별 평가가 필요합니다.
자세히 보기에이전트 옵저버빌리티, 실행을 추적해요
에이전트는 여러 단계로 실행되므로 각 단계를 봐야 해요. 실패한 단계를 찾아야 디버깅이 가능합니다. 실행 추적과 로깅 설계가 필수입니다.
자세히 보기이미지 분류, 카테고리 문제
이미지를 특정 범주로 나누는 작업이에요. 합성곱 신경망이 이 영역을 지배했습니다. 이미지넷 데이터셋은 연구의 표준 무대가 되었죠.
자세히 보기벡터 DB, 의미를 찾아내는 데이터베이스
유사도 검색에 최적화된 저장소예요. 수천 만 개의 벡터에서도 가까이를 찾습니다. RAG 파이프라인의 핵심 구성요소입니다.
자세히 보기FlashAttention, 메모리를 절약하는 어텐션
2022년 제안된 기법으로 어텐션 계산을 블록 단위로 나눠 메모리를 줄여요. 2023년 FlashAttention-2가 더 효율적인 버전을 냈어요. 대규모 모델 추론의 표준이 됐습니다.
자세히 보기과대 적합, 과소 적합의 의미
과대 적합은 데이터를 너무 잘 외워서 새 데이터에 약해지는 상태예요. 반면 과소 적합은 데이터의 패턴을 제대로 배우지 못한 상태입니다. 두 상태 사이에서 균형점을 찾는 일이 모델 조율의 본질이에요.
자세히 보기비전 트랜스포머, 이미지를 패치로
이미지를 작은 조각으로 쪼개어 트랜스포머의 입력으로 줍니다. 2020년 제안된 방식은 이미지 인식의 새 흐름이 되었어요. 멀티모달 모델의 기반이에요.
자세히 보기온도 스케일링, 확률의 보정값
출력 확률의 기울기를 맞춰 신뢰도를 높이는 기법이에요. 분류 모델의 확률이 실제로 맞는지 판단할 때 필요합니다. 추측 확정이 중요한 과제를 위해 존재합니다.
자세히 보기학습이란 결국 오차를 줄이는 반복이에요
모델의 출력을 확인해 손실을 계산하고, 손실이 줄어드는 방향으로 파라미터를 고칩니다. 이 과정을 반복하면 훈련 데이터의 패턴을 더 잘 예측하게 됩니다. 반복적인 최적화가 학습의 핵심이에요.
자세히 보기안전, 출력 필터링
모델의 출력을 다시 검사하는 단계예요. 민감한 내용을 걸러내거나 형식을 검증합니다. 출력이 그대로 서비스되지 않도록 하는 단계입니다.
자세히 보기양자화, 정밀도를 낮추는 대신 가볍게
32비트 실수수를 8비트, 4비트로 낮추면 메모리가 줄어요. 정밀도 손실이 없지만 대부분은 품질을 유지합니다. 추천 메모리에서 성능을 좌우하는 기술입니다.
자세히 보기훈련, 검증, 테스트 데이터는 역할을 나눠야 해요
훈련 데이터로 배우고, 검증 데이터로 성능을 확인하며, 테스트 데이터로 최종 점검합니다. 테스트 데이터에 미리 섞이면 과대 적합 위험이 커집니다. 데이터 역할을 나누는 습관이 신뢰도를 좌우합니다.
자세히 보기BERT, 양방향으로 문장을 읽는 모델
2018년 공개된 모델은 앞뒤 문맥을 함께 봅니다. 비어 토큰을 채우는 과제로 사전 학습했어요. 분류나 요약 같은 이해 과제에서 강했습니다.
자세히 보기전문가 혼합, 필요한 전문가만 깨워요
모델 안의 여러 회로 중 일부만 활성화하는 구조예요. 전체 파라미터는 크지만 한 번에 쓰는 건 적어요. 비용 대비 성능이 좋은 설계죠.
자세히 보기모델 버전 고정, 변경이 배포다
모델은 버전을 가져요. 같은 입력도 결과가 달라질 수 있어요. 버전을 고정하고 갱신은 의도적으로 하세요. A/B 비교도 이 기반 위에서 가능합니다.
자세히 보기창발적 능력, 크기가 크면 새 기능이 생겨요
모델 규모가 커질 때 일부 평가 능력이 급격히 좋아지는 것처럼 보이는 현상을 창발적 능력이라 부릅니다. 평가 지표를 바꾸면 향상이 더 연속적으로 보인다는 반론도 있어요. 따라서 '갑자기 생긴 능력'인지는 아직 연구와 논쟁의 대상입니다.
자세히 보기연속 배치 처리, 동시 요청 처리
요청이 끝나면 그 자리에 새 요청을 넣어서 GPU를 비워두지 않아요. 처리량이 크게 올라요. 대규모 추론 서비스의 기본 설계입니다.
자세히 보기손실 함수, 오차를 측정하는 규칙
손실 함수는 예측이 답과 얼마나 다른지를 숫자로 줍니다. 손실이 작아지는 방향으로 모델이 조정됩니다. 과제를 바꾼다면 이 측정 방식도 바꾸는 게 맞아요.
자세히 보기시드 값, 생성의 재현 가능성
시드는 난수 생성의 시작점을 고정해 출력 변동을 줄이는 설정입니다. 같은 모델, 입력, 실행 환경을 함께 고정하면 재현성이 높아져요. 서버나 연산 방식이 달라지면 같은 시드도 결과를 완전히 보장하지는 않습니다.
자세히 보기가중치 제거(Pruning), 불필요한 가중치를 빼요
가중치 중 기여가 낮은 부분을 없애 모델을 줄입니다. 연산이 빨라지고 메모리가 줄어요. 적절한 기준을 찾는 게 핵심이에요.
자세히 보기데이터 라벨, 답지를 만드는 일
지도 학습의 답지는 사람이 직접 만듭니다. 라벨의 품질이 모델의 상한을 정해요. 라벨링 기준은 명확하고 일관되어야 합니다.
자세히 보기