AI 용어 해설 (ABC순 정리)

AI 용어 해설 (ABC순 정리)

1. AGI (Artificial General Intelligence)

  • 인간처럼 광범위한 지적 작업을 자율적으로 수행할 수 있는 고차원 AI.

  • 현재는 이론적 수준에 머물러 있으며, 오픈AI는 이를 "대부분의 경제적 작업에서 인간을 능가하는 자율 시스템"으로 정의.

2. AI Agent (AI 에이전트)

  • 주어진 목표를 향해 자율적으로 행동하는 AI 프로그램.

  • 예: 고객 상담 챗봇, 음성 비서, 로봇 조작 AI.

3. AI Bias (AI 편향)

  • 학습 데이터의 불균형으로 인해 특정 집단에 대해 편견을 드러내는 AI의 성향.

  • 예: 채용 알고리즘이 특정 성별을 선호하거나 소수 인종을 배제하는 경우.

4. AI Diet (AI 다이어트)

  • 데이터나 모델 크기를 줄여 효율성과 친환경성을 확보하려는 전략.

  • 유사 개념: Data Diet는 중복·불필요 데이터를 제거하여 모델 학습을 최적화.

5. AI Governance (AI 거버넌스)

  • AI의 개발, 운용, 규제, 윤리 등을 종합적으로 관리하는 체계.

  • 투명성, 공정성, 책임성을 확보하기 위한 법·정책적 대응 포함.

6. AI Legacy (AI 레거시)

  • 기존 시스템과 AI 기술 통합 중 발생하는 기술적 부작용이나 호환성 문제.

  • 예: 오래된 데이터베이스가 최신 AI와 맞지 않아 성능 저하.

7. AI Sovereignty (AI 주권)

  • 자국 또는 조직이 AI 기술과 데이터를 자율적으로 통제하고 보호하려는 전략.

  • 예: 유럽연합의 AI법안 및 데이터 국지화 정책.

8. AI TRiSM (Trust, Risk, and Security Management)

  • AI 시스템의 신뢰성, 위험 요소, 보안을 통합적으로 관리하는 접근.

  • 기업과 정부 기관의 AI 활용에 있어 필수 전략.

9. Artificial Intelligence (AI)

  • 인간의 지능을 모방하는 컴퓨터 시스템.

  • 예: 대화형 비서, 자율주행차, 의료 진단 AI 등 다양한 분야에서 활용됨.

10. Bio-Inspired AI (생체모방 AI)

  • 자연계 생물의 구조나 행동에서 영감을 받아 설계된 AI 시스템.

  • 예: 개미 군집 알고리즘, 신경망 모방 딥러닝.

11. Blue-Collar AI (블루칼라 AI)

  • 제조업, 물류 등 노동집약 산업에서 활용되는 AI.

  • 예: 공장 자동화 로봇, 창고 분류 시스템.

12. Computer Vision (컴퓨터 비전)

  • 컴퓨터가 시각 정보를 분석하고 이해할 수 있도록 하는 기술.

  • 예: 얼굴 인식, 영상 분석, 교통 감시 시스템.

13. Deep Learning (딥러닝)

  • 다층 신경망을 활용한 기계학습의 하위 분야.

  • 이미지 인식, 음성 인식, 언어 번역 등에서 탁월한 성능을 보임.

14. Edge AI Farm (엣지 AI 팜)

  • 각 디바이스(엣지)에서 독립적으로 AI를 학습·처리하는 분산 시스템.

  • 예: 공장 내 장비가 서버 없이 스스로 데이터 분석 및 제어.

15. Embodied AI (체화된 AI)

  • AI가 물리 세계에 구현되어 환경과 상호작용하는 형태.

  • 예: 로봇, 자율주행차, 가상현실 내 에이전트.

16. Federated Learning (연합 학습)

  • 데이터가 중앙 서버로 이동하지 않고, 각 장치에서 모델을 학습하는 방식.

  • 개인 정보 보호에 유리하며 의료, 금융 등에서 활용도 높음.

17. Fine-tuning (파인튜닝)

  • 사전 학습된 AI 모델을 특정 작업에 맞게 추가 학습시키는 과정.

  • 예: GPT 모델을 특정 기업 데이터에 맞춰 재학습.

18. Foundation Model (파운데이션 모델)

  • 방대한 데이터로 사전 학습되어 여러 작업에 적용 가능한 범용 AI.

  • 예: GPT, Claude, Gemini 등 다용도 LLM이 이에 해당.

19. Generative AI (생성형 AI)

  • 텍스트, 이미지, 음악 등 새로운 콘텐츠를 생성하는 AI 기술.

  • 예: ChatGPT, DALL·E, Sora 등.

20. GPT (Generative Pre-trained Transformer)

  • 자연어 이해·생성에 특화된 대규모 언어 모델.

  • Pre-trained(사전학습) + Transformer(문맥 이해 구조)를 조합한 구조.

21. Guardrail (가드레일)

  • AI가 위험하거나 부적절한 결과를 생성하지 않도록 제한하는 정책/장치.

  • 예: 욕설, 폭력, 편향된 표현 제거 필터.

22. Knowledge Graph (지식 그래프)

  • 개체와 관계를 그래프 형태로 표현한 구조화된 데이터 시스템.

  • 예: "세종대왕" —(출생지)→ "한양" —(국가)→ "조선"

23. Large Language Model (LLM)

  • 수십억~수조 개의 매개변수를 학습한 대규모 언어 모델.

  • 예: GPT-4, Claude 3, Gemini 1.5 등.

24. Machine Learning (ML)

  • 데이터로부터 자동으로 학습하여 예측·분류·추론 등을 수행하는 기술.

  • AI의 핵심 하위 분야.

25. Multi-Modal AI (멀티모달 AI)

  • 텍스트, 이미지, 음성, 영상 등 다양한 입력을 동시에 처리하는 AI.

  • 예: Gemini, GPT-4o, DALL·E 등.

26. Natural Language Processing (NLP)

  • 인간 언어를 이해, 해석, 생성하는 기술.

  • 예: 기계 번역, 질문응답, 음성비서 등.

27. Orchestration (오케스트레이션)

  • 다양한 AI 구성 요소나 모델을 연동·조정하여 하나의 시스템으로 통합 운영.

  • 예: 검색 → 요약 → 번역 흐름을 자동화.

28. Parameter (파라미터)

  • AI 모델이 학습하면서 조정하는 변수.

  • 예: GPT-3는 1750억 개, GPT-4는 수조 단위의 파라미터를 가짐.

29. Prompt Chaining (프롬프트 체이닝)

  • 여러 프롬프트를 순차적으로 연결해 복잡한 작업을 수행하는 방식.

  • 예: 요약 → 질문 생성 → 응답 생성 등 단계별 처리.

30. Prompt Engineering (프롬프트 엔지니어링)

  • AI가 원하는 출력을 내도록 입력 문장을 정교하게 설계하는 기술.

  • 생성형 AI 시대의 핵심 역량 중 하나.

31. PromptOps (프롬프트옵스)

  • 기업 또는 조직 단위에서 프롬프트를 관리하고 최적화하는 운영 체계.

  • 생성형 AI의 반복적 활용에서 품질 안정성을 높이는 데 활용됨.

32. Red Teaming (레드 팀)

  • AI 시스템의 오류, 취약성, 윤리적 위험을 발견하기 위한 구조화된 테스트 방식.

  • 안전한 AI 운영을 위한 필수 절차.

33. Reinforcement Learning (강화 학습)

  • AI가 보상/처벌을 기반으로 환경과 상호작용하며 학습하는 방식.

  • 예: 알파고, 로봇 자율 탐색, 자율주행 시뮬레이션.

34. Retrieval-Augmented Generation (RAG)

  • 검색 기반 정보(외부 문서 등)를 생성형 AI에 연동해 더 정확하고 사실적인 응답을 생성.

  • 최신 정보 활용이나 기업 문서 자동화 등에 적합.

35. Sentient AI (센티언트 AI)

  • 자각, 감정, 의지를 가진 것으로 간주되는 AI.

  • 현재는 영화나 철학적 논의의 수준(예: 영화 《Her》의 AI).

36. Shadow AI (섀도우 AI)

  • 조직 내에서 공식 승인 없이 개인이 도입해 사용하는 AI 시스템.

  • 보안, 통제, 품질 문제를 야기할 수 있음.

37. Slop (슬롭)

  • AI가 생성한 콘텐츠 중 품질이 낮거나 무의미한 결과물.
  • 예: 중복성 짙은 기사, 의미 없는 그림, 부정확한 설명 등.

38. Temperature

  • AI가 생성하는 콘텐츠의 창의성 정도를 조절하는 하이퍼파라미터.
  • 낮을수록 정확하고 반복적, 높을수록 창의적이고 예측 불가.

39. Token (토큰)

  • 텍스트를 AI가 처리하기 위한 기본 단위(단어, 조각 등).
  • 예: "AI is great!" → “AI” / “is” / “great” / “!” → 총 4개 토큰.

40. X-risk (Existential Risk from AI)

  • AI 기술이 통제를 벗어나 인류 전체에 위협이 되는 실존적 위험.

  • 예: 무기화된 AI, 권력 독점 AI, 악의적 사용 등.

41. Zero-shot Learning (제로샷 러닝)

  • 학습하지 않은 작업을 유사성 기반으로 수행하는 AI 능력.

  • 예: 처음 보는 언어 구조를 기존 지식으로 이해하고 번역.

Comments

Post a Comment

Popular posts from this blog

🧑‍🏫[칼럼] 미래 인재상, T자형 하이브리드로 설계하라

미래 인재상, T자형 하이브리드로 설계하라 – AI 시대, '내 역할'을 새롭게 정의하는 사람만이 살아남는다.  –   1. AI가 바꾸는 일터의 풍경 요즘 일터 곳곳에서 AI 기술이 빠르게 도입되고 있다. 반복적이고 단순한 일은 자동화되고, 정해진 답이 있는 문제는 AI가 더 빠르고 정확하게 처리한다. 이런 변화 속에서 많은 이들이 불안해한다. "그럼 나는 어떻게 살아남아야 할까?" 이 질문에 대한 답은 점점 분명해지고 있다. 이제는 정답을 아는 것만으로는 부족하다. AI 시대에 중요한 것은 정답이 없는 문제에 대응하는 능력, 그리고 여러 분야를 연결하고 해석하는 융합적 사고력이다. 이 새로운 시대가 요구하는 인재상은 바로 'T자형 하이브리드 인재'이다.   2. 왜 융합형 사고가 중요해질까? 많은 기업들이 AI를 통해 일하는 방식을 근본적으로 바꾸고 있다. 스타벅스, JP모건, 존디어 같은 글로벌 기업들은 직원들의 전문 지식을 AI 시스템에 학습시켜 조직 전체에 활용하려는 전략을 펼치고 있다. 이로 인해 단순히 '경험 많은 전문가'라는 타이틀만으로는 경쟁력을 유지하기 어려워졌다. 하지만 여전히 사람만이 잘할 수 있는 영역이 존재한다. 불확실한 상황에서의 판단, 서로 다른 입장의 조율, 고객과의 감정적 연결, 조직 내 신뢰 형성 등은 AI가 대체하기 어려운 일이다. 이러한 복잡하고 정형화되지 않은 문제를 해결하는 능력은 T자형 인재의 핵심적인 역량이다.   3. T자형 인재란 무엇인가? T자형 인재는 한 분야에 깊은 전문성을 갖추는 동시에, 여러 분야를 연결하고 협업할 수 있는 융합적 역량을 지닌 사람을 말한다. T자의 세로 줄은 마케팅, 법률, 공학, 디자인 등 특정 분야에서의 깊이 있는 전문성을 의미한다. 가로 줄은 디지털 이해력, 데이터 분석 능력, 커뮤니케이션, 협업 능력처럼 다양한 분야를 아우르며 융합적으로 사고할 수 있는 능력이다. 특히 중요한 것은 기술과 기술, 사람과 기술 사이를 연결...
Read more

[인사이트] "연구용 AI"의 등장과 연구 패러다임의 변화

Image
(과학 연구를 보조하거나 수행하는 연구용 AI) 연구용 AI의 등장과 연구 패러다임의 변화 최근 오픈AI, 구글 등 빅테크 기업들이 잇달아 연구용 AI를 출시하면서 과학 연구 분야에 큰 영향을 미치고 된다. 1. "연구용 AI"의 개념 연구용 AI란, 과학 연구를 보조하거나 수행하는 인공지능(AI) 시스템을 의미한다. 일반적인 AI가 텍스트 생성, 이미지 분석, 언어 모델링 등 다양한 작업을 수행하는 것과 달리, 연구용 AI는 과학적 탐구와 연구 과정에서 실질적인 역할을 하는 AI를 말한다. 2. 연구용 AI의 주요 기능  1) 가설 생성 및 검증 AI가 과학적 가설을 스스로 생성하고 검토하여 연구 방향을 제안한다. 구글의 "공동 과학자(co-scientist)"는 연구자의 피드백을 반영해 최적의 실험 전략을 도출한다.    2) 데이터 분석 및 요약 논문, 실험 데이터, 기존 연구 자료를 분석하여 중요한 패턴과 인사이트를 도출한다. 연구자들이 수년에 걸쳐 연구한 내용을 며칠 내로 정리할 수 있다.   3) 실험 설계 및 최적화 AI가 실험 조건을 최적화하여 연구의 효율성을 높인다. 신약 개발 과정에서 약물 후보 물질을 탐색하는 데 활용된다.    4) 논문 작성 및 연구 보고서 자동 생성 연구자가 작성한 초안을 AI가 보완하거나, 연구 결과를 정리하여 논문 형식으로 출력할 수 있다. 일부 연구자들은 AI를 활용해 논문을 완성하고 학술지에 제출하기도 했다. 3. 연구용 AI의 성과   1) 오픈AI ‘딥리서치’(Deep Research) AI가 연구 과정을 지원하는 기술로, 연구 논문 리서치를 수행하며, 기존 연구 방식보다 높은 창의성과 정확도를 기록했다. 박사급 연구원이 몇 주간 수행해야 할 연구를 8분 만에 끝낸 사례가 있다. ‘인류 최후의 시험’(HLE) 벤치마크에서 26.6%의 정답률을 기록하며, 기존보다 두 배 이상 향상된 성과를 보였다.   2) 구글 ‘공동 과학...
Read more

AI의 기반 : 데이터부터 시작하라

Image
* 이 내용은 " 단기 성과와 장기 성장 사이 ··· AI 투자의 딜레마" (CIO, 2025.2.19) 칼럼을 기초로 주로 데이터 부문의 내용을 중심으로 작성한 것입니다. 실질적인 AI 전략을 수립하기 위해 가장 먼저 투자해야 할 요소는 데이터 품질이다 . 데이터 품질이 확보되지 않으면 데이터에 대한 신뢰도도 확보될 수 없다 . ML , Gen   AI, 에이전틱 AI 의 신뢰성을 확보하기 위한 기본 전제는 바로 고품질의 데이터이다 . AI 가 데이터를 통해 가치를 창출할 수 있다. 하지만 데이터가 부실하면 그 결과 역시 신뢰할 수 없을 것이다 .   오라일리 (O’Reilly) 의 조사 에 따르면 , 48% 의 기업이 데이터 정확성을 유지하기 위해 머신러닝 , 데이터 분석 , AI 도구를 활용하고 있다 . 이는 AI 이니셔티브를 위해 탄탄한 데이터 기반이 필수 적임을 보여준다 . 클릭 (Qlik) 의 조사 에서는 21% 의 기업이 신뢰할 수 있는 데이터를 확보하지 못해 AI 도입에 어려움을 겪고 있다고 한다 . 이는 안정적인 데이터 플랫폼 구축의 필요성 을 강조하는 결과이다 . ‘ 데이터의 중력 (Data Gravity) ’ 개념에서 데이터가 한 곳에 모이면 그곳이 중심지가 되지만 그 데이터의 품질을 깊이 검증하지 않고 신뢰하는 경향이 있다고 한다. 실제로 중복성과 일관성이 부족해  신뢰할 수 없는 데이터가 저장소에 생성되는 것이다. 그래서  데이터 단절과 부정확성으로 인해 비즈니스 의사결정의 질이 떨어질 수밖에 없다 . 데이터 과학과 머신러닝에 투자하기 전에  데이터를 먼저 정제하고 통합하는 과정이 우선이다. 그냥 진행하면 오히려 데이터 품질과 신뢰 문제를 더욱 악화시킬 수 있다 . 데이터의 의미적 모델을 추상화하고 , 분석 도구에서 활용할 수 있는 비즈니스 준비된 데이터 계층을 구성해야 한다 . 데이터 품질과 신뢰도가 확보되지 않은 상태에서 머신러닝 알고리즘과 모델 개발을 위해 데이터 과학 자원에 투자하는 것은...
Read more