AI — 237개 용어

인간 수준의 범용 지능을 가진 AI. 특정 태스크가 아닌 모든 인지 작업을 수행 가능한 가상적 목표.

텍스트·이미지 같은 비정형 데이터를 고차원 벡터(숫자 배열)로 변환한 표현. 의미가 비슷하면 벡터도 가깝다.

적응형 학습률 + 모멘텀을 결합한 최적화 알고리즘. 딥러닝 실무의 표준 선택.

에이전트 간 통신 표준. Google이 제안. MCP와 상호 보완.

전체 예측 중 맞춘 비율. 클래스 불균형 시 오해를 유발할 수 있음.

LLM에 외부 지식을 주입해 답변 품질을 높이는 표준 패턴. 질문 → 벡터 검색 → 관련 문서 → 프롬프트에 포함 → LLM 생성.

신경망 뉴런의 비선형 변환. ReLU·GELU·Sigmoid·Tanh.

LLM이 검색 여부·범위·재검색을 스스로 판단하는 RAG. 도구 사용과 결합.

LLM이 도구 호출·작업 분해·상태 유지를 통해 자율적으로 목표를 수행하는 시스템. 2026년 핫 키워드.

사전 학습된 모델을 자체 데이터로 추가 학습해 특정 도메인·스타일에 맞추는 기법.

대규모 텍스트로 학습된 대형 언어 모델. GPT, Claude, Gemini 등이 대표적.

AI 에이전트와 외부 도구·데이터를 연결하는 표준 프로토콜. Anthropic이 제안, 업계 확산 중.

AI 시스템이 인간 의도·가치에 부합하게 동작하도록 만드는 연구 분야.

LLM이 사실이 아닌 내용을 그럴듯하게 생성하는 현상. RAG·툴 사용·체크 루프로 완화 가능.

Anthropic이 제안한 RAG 개선. 각 청크에 문서 맥락을 덧붙여 임베딩.

Microsoft의 Gradient Boosting. XGBoost보다 빠르고 메모리 효율적.

2026 LLM 스택: 모델 API·로컬 런타임·프레임워크·벡터DB·에이전트 플랫폼.

Intel이 시작한 컴퓨터 비전 오픈소스 라이브러리. C++·Python 등 지원.

문법·스키마·정규식에 맞는 출력을 강제 생성. logit biasing.

LLM에게 원하는 출력을 끌어내기 위한 지시문 설계 기술. Few-shot·CoT·role prompting 등 패턴이 존재한다.

시퀀스 데이터에 재귀적으로 상태를 전달하는 신경망. Transformer에 밀린 역사적 모델.

LLM이 텍스트를 처리하는 최소 단위. 한글은 대략 1글자 ≈ 1~2 토큰, 영어는 1단어 ≈ 1.3 토큰.

누적 확률 p 이하의 토큰 후보만 남기고 그 중에서 샘플링하는 방식. 품질과 다양성 균형에 유리.

2017년 Google이 발표한 "Attention is All You Need" 논문의 신경망 아키텍처. 현대 LLM의 기반.

벡터 임베딩을 저장하고 코사인 유사도 등으로 빠르게 최근접 검색하는 DB. Pinecone·Weaviate·Qdrant·pgvector·Redis 8 등.

AI에게 자연어로 지시해 대부분의 코드를 만드는 방식. Andrej Karpathy가 명명.

음성을 텍스트로 변환하는 기술. Whisper·Google Speech·Azure 등.

시퀀스 내 토큰들이 서로를 참조하며 중요도(가중치)를 학습하는 메커니즘. Transformer의 핵심.

Google이 2018년 공개한 양방향 Transformer 인코더. 분류·검색·임베딩에 강점, 현재도 NLP 백본으로 활약.

LLM이 최종 답 이전에 단계별 추론 과정을 명시적으로 서술하게 유도하는 프롬프트 기법. 수학·논리 문제에서 정확도를 크게 높인다.

Anthropic의 터미널 기반 AI 코딩 에이전트. 저장소 전체 리팩터링·테스트·PR 작성에 강점.

Anthropic이 2026년 4월 공개한 사이버보안 특화 LLM 클래스. 취약점 탐지·대규모 코드 분석·공격 체인 추론에 특화.

LLM이 한 번에 처리할 수 있는 최대 토큰 수. Claude Opus 4.7은 200K~1M, Gemini는 최대 2M.

노이즈에서 점진적으로 이미지를 복원하는 방식의 생성 모델. DALL-E, Stable Diffusion, Midjourney의 기반.

큰 모델(teacher)의 출력을 작은 모델(student)이 따라 하도록 학습시켜 성능을 최대한 유지하며 크기를 줄이는 기법.

몇 개(보통 1~10개)의 예시만 제공해 모델이 새 작업을 수행하게 하는 방식. 파인튜닝 없이 in-context 학습.

OpenAI가 개발한 대규모 자기회귀 LLM 시리즈. GPT-3, 3.5, 4, 5.4로 이어지며 LLM 시대를 열었다.

학습된 모델이 새 입력에 대해 출력을 생성하는 과정. 학습(training)과 구분되는 운영 단계.

대형 모델 전체가 아닌 작은 어댑터 행렬만 학습해 메모리·시간을 크게 절감하는 파인튜닝 기법.

텍스트·이미지·음성·영상 등 여러 종류의 입력을 함께 처리하는 모델. GPT-4o, Claude Opus, Gemini가 대표적.

모델 가중치의 정밀도를 낮춰(예: 16bit → 4bit) 메모리·속도를 개선하는 기법. 로컬 LLM 구동의 핵심.

답변 전에 긴 내부 추론을 거치도록 학습된 LLM. OpenAI o1/o3, Claude Mythos 계열이 대표.

사람의 선호도로 보상 모델을 학습하고, 이를 강화학습으로 LLM에 주입해 "사람이 좋아하는" 응답을 생성하게 하는 기법.

특정 플랫폼·서비스 개발에 필요한 도구·라이브러리 묶음. AI SDK는 LLM API 호출을 쉽게 하는 프레임워크.

LLM 샘플링 시 출력 무작위성을 조절하는 파라미터. 0이면 결정적, 1 이상이면 창의적·예측 불가.

LLM이 외부 함수·API를 호출하도록 하는 기능. 에이전트 구현의 핵심. MCP가 표준화 주도.

학습 단계에서 본 적 없는 작업을 예시 없이 바로 수행하는 능력. 대형 LLM의 핵심 역량.

AI 시스템이 인류에게 해를 끼치지 않도록 하는 연구 분야. 단기·장기 위험 모두 포함.

Claude 모델을 만드는 AI 회사. 2021년 OpenAI 출신이 창업. 안전성 연구 중심.

초등 과학 객관식 벤치마크. 추론 능력 평가.