AI 에이전트
도구를 사용해 목표를 수행하는 시스템
자세히 보기AI GLOSSARY
어려운 AI 용어를
쉬운 말로.
핵심만 빠르게 훑고, 필요한 만큼 깊게 읽을 수 있는 AI 용어 사전입니다.
AI 옵저버빌리티
모델과 에이전트, 마이크로서비스를 하나의 상관 맵으로 연결해 실시간으로 동작을 관찰하고 오류를 추적하는 관측 체계
자세히 보기AutoGen
마이크로소프트의 오픈소스 멀티에이전트 대화 프레임워크로, 에이전트 간 비동기 메시징과 이벤트 기반 상호작용을 지원한다.
자세히 보기BERT
문장 안의 빈칸을 채우도록 훈련되어 분류·이해 작업에 강한 트랜스포머 모델
자세히 보기Dynamic LLM-Agent Network (DyLAN)
여러 LLM 에이전트가 수평적으로 정보를 공유하고 기여도에 따라 구성원을 교체하는 동적 다중 에이전트 구조이다.
자세히 보기GPT (Generative Pretrained Transformer)
트랜스포머의 디코더 부분만 사용해 한 번에 한 단어씩 텍스트를 생성하는 모델
자세히 보기LLM (대규모 언어 모델)
대량의 텍스트로 훈련되어 사람의 언어를 이해·생성하는 신경망 모델
자세히 보기LLM 가이드 적대형 배우-평론가 (LAAC)
대규모 언어 모델을 참고 정책으로 활용하여 추천 시스템의 다양성과 새로움을 강화하는 강화학습 알고리즘입니다. 기존 강화학습의 무작위 탐색 한계를 극복하고, 언어 모델의 지식을 통해 사용자 관심사와 부합하는 새로운 아이템을 탐색합니다.
자세히 보기LLM-as-a-Judge
고성능 추론 모델이 작은 생산 모델의 출력을 대신 평가하는 자동 평가 방식이다.
자세히 보기LoRA (저순위 적응)
원본 가중치는 그대로 두고 작은 저순위 행렬만 추가로 학습하는 효율적인 미세 튜닝 기법
자세히 보기RAG (검색 증강 생성)
외부 지식 소스에서 관련 정보를 실시간으로 검색해 생성 과정에 반영하는 하이브리드 AI 아키텍처
자세히 보기RAG (검색 증강 생성)
외부 지식 검색과 텍스트 생성을 결합해 최신·근거 있는 답을 만드는 방법
자세히 보기RNN (순환 신경망)
이전 단계의 출력을 다음 단계의 입력으로 사용하는, 트랜스포머 이전의 순차 처리 신경망
자세히 보기Temperature
출력의 무작위성 조절 파라미터
자세히 보기Top-k 샘플링
확률이 가장 높은 k개의 후보 안에서만 다음 단어를 무작위로 고르는 방법
자세히 보기구성성을 위한 메타학습
모델이 배운 개념을 조합해 새로운 상황에 적용하는 구성 일반화 능력을 강화하는 메타학습 기법이다.
자세히 보기그래프 데이터베이스 (Graph Database)
검색 증강 생성 파이프라인에서 벡터 저장소와 대안으로 사용되는 외부 지식 저장 및 검색 기술이다.
자세히 보기드롭아웃 (Dropout)
훈련 중 은닉층의 일부 유닛을 임의로 꺼서 과대적합을 막는 정규화 기법
자세히 보기멀티 헤드 어텐션 (Multi-Head Attention)
여러 개의 어텐션을 병렬로 두어 서로 다른 종류의 관계를 동시에 포착
자세히 보기미세 튜닝 (Fine-tuning)
사전 훈련된 모델을 레이블이 있는 작은 데이터셋으로 추가 학습시키는 것
자세히 보기바이트 페어 인코딩 (BPE)
자주 등장하는 글자 조합을 점진적으로 합쳐 어휘를 만드는 토큰화 기법
자세히 보기벡터 DB
임베딩을 저장·검색하는 데이터베이스
자세히 보기사슬 사고 (Chain of Thought)
대형 언어 모델이 복잡한 문제를 해결할 때 단계별 추론 과정을 거치도록 유도하는 프롬프트 기법입니다.
자세히 보기사전 훈련 (Pretraining)
레이블 없는 대량의 텍스트에서 다음 단어 예측으로 모델을 훈련하는 첫 단계
자세히 보기셀프 어텐션 (Self-Attention)
문장 안의 각 단어가 같은 문장의 다른 단어들과 관계를 계산하는 어텐션
자세히 보기숏컷 연결 / 잔차 연결 (Shortcut Connection)
층의 입력을 출력에 그대로 더해 깊은 신경망의 기울기 소실을 완화하는 기법
자세히 보기시스템 프롬프트
모델의 기본 행동을 정의하는 지시문
자세히 보기어텐션 메커니즘 (Attention Mechanism)
출력을 만들 때 입력의 어느 부분이 중요한지 가중치로 계산하는 방법
자세히 보기에이전트 프레임워크 (Agent Framework)
AI가 목표를 달성하기 위해 자율적으로 계획을 수립하고, 외부 도구를 호출하며, 기억을 유지하고 환경 변화에 적응하도록 지원하는 소프트웨어 아키텍처.
자세히 보기연속 학습 (Continual Learning)
데이터나 작업이 순차적으로 들어오는 환경에서, 새 지식을 학습하면서도 이전에 습득한 지식의 손실(파국적 망각)을 줄이려는 머신러닝 방법론.
자세히 보기온도 스케일링 (Temperature Scaling)
텍스트 생성 시 다양성과 일관성 사이의 균형을 조절하는 방법
자세히 보기위치 인코딩 (Positional Encoding)
토큰의 순서 정보를 임베딩에 더해주는 방법
자세히 보기인스턴스 분할
픽셀 단위로 이미지의 각 부분을 클래스로 분류하는 작업에서 한 걸음 더 나아가, 동일한 클래스에 속하더라도 서로 다른 개체들을 개별적으로 식별하고 경계선을 정확히 추출하는 컴퓨터 비전 기술이다.
자세히 보기인코더-디코더 (Encoder-Decoder)
입력을 이해하는 부분과 출력을 생성하는 부분을 나눈 신경망 구조
자세히 보기임베딩 (Embedding)
단어나 토큰 같은 이산적인 데이터를 연속적인 숫자 벡터로 바꾸는 방법
자세히 보기자기회귀 모델 (Autoregressive Model)
이전에 만든 출력을 다시 입력으로 사용해 다음 출력을 예측하는 모델
자세히 보기제로샷
예시 없이 태스크 수행
자세히 보기제로샷 / 퓨샷 학습 (Zero-shot / Few-shot Learning)
예시 없이(제로샷), 또는 아주 적은 예시만으로(퓨샷) 새 작업을 수행하는 능력
자세히 보기창발적 행동 (Emergent Behavior)
명시적으로 훈련받지 않았는데도 모델 규모가 커지면서 저절로 나타나는 능력
자세히 보기층 정규화 (Layer Normalization)
각 층의 출력값 분포를 평균 0, 분산 1 근처로 맞춰 훈련을 안정시키는 기법
자세히 보기컨텍스트 윈도우
모델이 한 번에 참조 가능한 범위
자세히 보기코잘 어텐션 (Causal Attention)
미래 토큰을 미리 참조하지 못하게 마스킹하는 어텐션 방식
자세히 보기크로스 엔트로피 손실 (Cross-Entropy Loss)
모델이 예측한 확률과 실제 정답 사이의 차이를 측정하는 손실 함수
자세히 보기토큰
텍스트를 쪼갠 최소 단위
자세히 보기토큰화 (Tokenization)
텍스트를 모델이 다룰 수 있는 단위(토큰)로 쪼개는 전처리 과정
자세히 보기트랜스포머 (Transformer)
어텐션 메커니즘만으로 문장 전체를 한 번에 처리하는 신경망 구조
자세히 보기파운데이션 모델 (Foundation Model)
사전 훈련만 마치고 아직 특정 작업에 특화되지 않은 범용 모델
자세히 보기퓨샷
몇 개 예시로 태스크 유도
자세히 보기프롬프트 엔지니어링
모델 입력을 설계하는 기술
자세히 보기피드 포워드 네트워크 (Feed-Forward Network)
트랜스포머 블록 안에서 각 토큰을 독립적으로 변환하는 완전 연결 층
자세히 보기할루시네이션
모델이 사실이 아닌 내용을 생성
자세히 보기함수 호출
모델이 외부 함수를 호출하는 기능
자세히 보기