Concept Glossary: P¶

This page lists English glossary entries for this letter. Entry bodies are generated from per-term source files with includes.

package¶

Meaning: Python에서 import해 가져다 쓸 수 있도록 배포된 코드 묶음입니다. 언어 자체에 기본 포함된 것이 아니라, 필요에 따라 설치하고 불러와 쓰는 기능 단위에 가깝습니다. 즉 Python은 바탕 언어이고, 패키지는 그 위에 필요한 기능을 덧붙이는 부품 묶음이라고 이해하면 됩니다.
Why it matters: NumPy, Pandas 같은 실습 도구를 Python 언어 자체와 구분해 이해해야 설치와 사용 단계를 올바르게 나눌 수 있기 때문입니다. 패키지 개념이 있어야 문법 오류와 설치되지 않은 도구 오류를 따로 읽을 수 있습니다. 또한 패키지를 이해해야 코드는 맞는데 import가 안 된다는 상황을 언어 문제보다 환경 문제로 해석하게 되고, 프로젝트마다 필요한 의존성 목록을 관리해야 하는 이유도 자연스럽게 이어집니다. 초심자에게는 Python을 설치했다와 필요한 패키지까지 준비됐다가 다른 말이라는 점을 이해하는 기준이기도 합니다.
Related concepts: virtual environment, pip, dependency
Core Section: P2-7.4
Appears in: P2-7.5, P2-10.1, P2-10.2

parallel processing¶

Meaning: 서로 비슷하거나 독립적인 여러 계산을 한 줄로 차례대로 하지 않고, 여러 계산 자원에 나누어 동시에 처리하는 방식입니다. 핵심은 무조건 빨리 돌린다가 아니라, 같은 종류의 계산을 한꺼번에 묶어 계산기 구조에 맞게 배치하는 데 있습니다. 그래서 병렬 처리는 알고리즘 아이디어와 하드웨어 활용 방식이 만나는 지점이라고 볼 수 있습니다.
Why it matters: 딥러닝 계산은 같은 연산을 많은 데이터 조각과 많은 파라미터에 반복 적용하는 경우가 많아, 한 번에 많이 처리할수록 유리한 구조라는 점을 읽어야 GPU와 텐서 연산의 장점이 함께 연결되기 때문입니다. 이 개념이 있어야 속도 차이를 단순한 기계 성능 차이로 보지 않고, 문제를 어떤 형태의 계산으로 바꾸었는지가 효율을 좌우한다는 점도 이해하게 됩니다. 예를 들어 샘플 하나씩 순서대로 처리하던 계산을 행렬 곱 한 번으로 바꾸면, 같은 수학이라도 실제 실행 시간과 자원 사용 패턴은 크게 달라질 수 있습니다.
Related concepts: graphics processing unit, batch, matrix multiplication
Core Section: P5-9.1
Appears in: P5-14.2

parameter¶

Meaning: 함수를 정의할 때 입력 자리를 나타내기 위해 적는 이름입니다. 아직 실제 값이 들어오기 전, 이 함수는 이런 자리에 값을 받는다고 약속해 두는 이름표라고 볼 수 있습니다. 즉 매개변수는 호출 시점의 실제 값이 아니라, 그 값을 받아 둘 자리를 미리 정의한 이름입니다.
Why it matters: 실제로 넘겨지는 인자와 함수 안에서 사용할 입력 이름을 구분해야 함수의 입력 계약을 정확히 읽을 수 있기 때문입니다. 이 개념이 있어야 함수 정의를 볼 때 무엇을 받을 준비를 해 두었는가와 실제 호출에서 무엇이 들어왔는가를 분리하게 되고, 코드 예시를 읽을 때도 입력 규칙을 더 안정적으로 따라가게 됩니다. 또한 매개변수를 이해해야 모델 파라미터(parameter)와 함수 매개변수(parameter)가 전혀 다른 층위의 말이라는 점도 더 분명히 구분하게 됩니다.
Related concepts: argument, function, return value
Core Section: P2-8.5
Appears in: P2-8.6, P2-10.3, P2-15.2

parametric memory¶

Meaning: Parametric memory is the internal knowledge compressed into a model's parameters during training. It is closer to patterns and tendencies absorbed into weights than to a database that stores original sentences for later lookup.
Why it matters: Parametric memory separates what a model already carries in its parameters from material newly retrieved from external documents. This distinction is central to understanding RAG and why updating model weights differs from replacing or refreshing documents.
Related concepts: non-parametric memory, retrieval-augmented generation, RAG, parameter
Core Section: P1-13.3

partial derivative¶

Meaning: A partial derivative is the rate of change computed by varying one input while holding the other inputs fixed. It lets a multivariable problem be examined one variable or direction at a time.
Why it matters: Gradients in models with many parameters depend on reading sensitivity in each direction. This concept separates total change from the effect of one parameter and explains why backpropagation can provide parameter-level update signals.
Related concepts: derivative, gradient, parameter
Core Section: P2-4.3
Appears in: P2-4.4, P2-6.3

partial observability¶

Meaning: 전체 상태 가운데 지금 보이는 일부 정보만 가지고 판단해야 하는 조건입니다. 세계 전체는 더 크지만, 현재 관찰 창에는 그 일부 신호만 들어오는 상황이라고 이해하면 됩니다. 즉 정보가 아예 없는 경우와 달리, 일부는 보이지만 전체는 가려져 있는 상태입니다.
Why it matters: 관측된 입력이 곧 전체 현실은 아니라는 점을 분리해 읽게 해 주어, 왜 메모리, 추가 관측, 추정, 사람 확인이 필요한지 설명해 주기 때문입니다. 이 개념이 있어야 지금 보이는 신호가 약해서 틀린가와 애초에 중요한 부분이 안 보이는가를 구분하게 되고, 에이전트·센서·대화 시스템에서 현재 문맥만으로 답을 확정하기 어려운 이유도 더 선명하게 이해하게 됩니다. 결국 부분 관측은 모델 성능 문제가 아니라 정보 조건의 한계일 수 있다는 점을 붙잡게 합니다. 예를 들어 자율주행 차량이 도로 전체가 아니라 현재 센서가 비추는 일부만 보고 있다면, 판단 오류는 규칙이 나빠서가 아니라 관찰 창 자체가 제한된 데서 나올 수 있습니다.
Related concepts: incomplete information, noise, search
Core Section: P1-6.1
Appears in: P1-6.2

PATH¶

Meaning: PATH is the list of locations a terminal checks when it tries to find an executable from a command name. When a user types a short name such as python, pip, or git, the shell searches these directories in order.
Why it matters: PATH separates the program is not installed from the program exists but the shell cannot find it. It also explains why virtual environments and multiple installed versions can cause the same command name to run different executables in different environments.
Related concepts: environment variable, interpreter, terminal
Core Section: P2-7.9
Appears in: P2-10.2, P2-10.3

perceptron¶

Meaning: A perceptron is a simple neural-network decision unit that multiplies several inputs by weights, adds them, adds a bias, and produces an output from the result. It is a basic form of mix inputs into a score, then decide a response from that score.
Why it matters: The perceptron is a starting point for understanding what neural networks compute. Weights, bias, linear combination, and activation all appear here before being stacked into multilayer networks.
Related concepts: weight, bias, linear combination, activation function
Core Section: P5-1.1
Appears in: P5-1.2, P5-2.1

permission¶

Meaning: Permission is the executable scope allowed for a tool or action. The same capability can have different permission levels, such as read-only access, write access, or the ability to cause real external changes. Permission defines a boundary before execution and is separate from approval, which asks whether a specific action should proceed now.
Why it matters: The same tool call can carry different risk depending on whether it reads, writes, or deploys. This concept separates can execute from is allowed to execute, which clarifies operational judgment and responsibility. It also explains why permission boundaries and approval steps are both needed.
Related concepts: approval, tool use, log, accountability
Core Section: P7-6.2
Appears in: P6-13.1, P6-15.2, P6-17.2, P7-6.1

personal learning¶

Meaning: Personal learning is the process of recovering understanding by relearning forgotten concepts, organizing questions, and checking evidence. It is closer to identifying what is missing and filling those gaps again than to simple memorization.
Why it matters: Personal learning shows a practical use of AI as a relearning aid rather than an answer machine. It shifts attention from what answer should I memorize? to what question path helps rebuild understanding? It also separates using AI to replace an answer from using AI to recover concepts and organize explanations.
Related concepts: documentation, working hypothesis, evidence review
Core Section: P1-16.1

pip¶

Meaning: Python 패키지를 설치하고 관리할 때 자주 쓰는 도구입니다. Python 언어 자체의 일부라기보다, 바깥에서 필요한 라이브러리를 내려받고 현재 환경에 연결해 주는 패키지 관리자에 가깝습니다. 즉 코드를 실행하는 도구라기보다 실행에 필요한 부품을 환경에 붙이는 도구라고 이해하는 편이 정확합니다.
Why it matters: 패키지 설치가 Python 코드 안이 아니라 터미널 명령과 실행 환경 관리의 문제라는 점을 보여 줍니다. 이 개념이 있어야 문법 문제, 패키지 미설치 문제, 가상환경이 다른 문제를 분리해서 읽을 수 있습니다. 또한 pip를 이해해야 설치는 성공했는데 다른 환경에 설치된 경우를 해석하게 되고, 어느 인터프리터의 pip인가를 함께 확인해야 하는 이유도 자연스럽게 이어집니다. 초심자에게는 코드가 틀렸다와 환경이 비어 있다를 구분하는 첫 관문이기도 합니다.
Related concepts: package, virtual environment, requirements.txt
Core Section: P2-7.4
Appears in: P2-7.5, P2-10.2, P2-12.3

pipe¶

Meaning: 한 명령의 출력을 다음 명령의 입력으로 넘기는 연결 표기입니다. 즉 명령을 나란히 쓰는 것이 아니라, 앞 단계 결과를 뒤 단계 재료로 흘려보내는 셸 연결입니다. 결과를 화면에만 보여 주고 끝내는가가 아니라 다음 명령이 바로 이어 받아 처리하는가를 결정하는 흐름 표기라고 볼 수 있습니다.
Why it matters: 긴 출력 처리와 여러 단계 명령 연결을 문서에서 읽을 때 결과가 어떻게 흘러가는지 이해하게 해 줍니다. 파이프를 읽을 수 있어야 여러 작은 명령이 하나의 처리 흐름으로 묶이는 이유가 보이고, 파일에 저장하는 일과 출력을 바로 다음 단계로 넘기는 일도 구분해 이해할 수 있습니다. 또한 파이프를 이해해야 복잡한 셸 명령을 앞 단계가 무엇을 만들고 뒤 단계가 무엇을 소비하는가의 연쇄로 읽게 되어, 명령어 문법을 외우는 것보다 처리 흐름을 파악하는 데 더 도움이 됩니다.
Related concepts: redirection, shell script, terminal
Core Section: P2-7.8
Appears in: P2-12.3

plot¶

Meaning: 숫자나 표 데이터를 선, 점, 막대, 구간 같은 시각적 모양으로 바꾸어 보여 주는 그림입니다. 같은 숫자 집합이라도 어떤 축에 놓고 어떤 표식으로 그리느냐에 따라, 독자가 먼저 읽게 되는 관계가 달라집니다. 즉 그래프는 숫자를 보기 좋게 꾸미는 그림이 아니라, 숫자 관계를 눈으로 읽게 바꾼 표현 방식입니다.
Why it matters: 표에서는 바로 드러나지 않는 변화, 관계, 분포를 더 빨리 읽게 해 주어, 계산과 표 해석 다음 단계의 시각적 점검 도구가 되기 때문입니다. 이 개념이 있어야 값을 계산했다와 패턴을 읽었다 사이에 시각화라는 중간 해석 단계가 있다는 점이 분명해지고, 어떤 그래프를 고르느냐에 따라 독자가 먼저 보게 되는 관계도 달라진다는 점을 이해하게 됩니다. 즉 그래프는 단순 장식이 아니라, 숫자에서 무엇을 먼저 읽게 할지 정하는 해석 장치입니다.
Related concepts: visualization, Figure, Axes
Core Section: P2-13.1
Appears in: P2-13.2, P2-13.3, P2-15.1

policy¶

Meaning: 현재 상태나 관측을 보고 어떤 행동을 선택할지 정하는 기준 또는 함수입니다. 한 번의 정답을 찍는 규칙이라기보다, 상황이 달라질 때마다 어떤 행동 습관을 유지할지를 정하는 반복적 선택 기준에 가깝습니다. 즉 정책은 이 상황이면 이 행동이라는 대응표일 수도 있고, 각 행동의 확률을 정하는 규칙일 수도 있습니다.
Why it matters: 강화학습이 한 번의 정답을 맞히는 문제가 아니라, 상황이 달라져도 반복해서 괜찮은 행동을 고르는 방식을 배우는 문제라는 점을 가장 직접적으로 보여 주기 때문입니다. 이 개념이 있어야 이번 한 번 잘 맞히는가와 여러 단계에서 일관되게 좋은 선택을 하는가를 구분해 읽게 되고, 상태 표현이 달라지면 정책도 함께 달라져야 한다는 점도 자연스럽게 이해하게 됩니다. 또한 정책을 이해해야 모델이 직접 예측하는 것이 값인지 행동 점수인지 행동 확률인지에 따라 학습 방식이 달라진다는 점도 더 쉽게 연결됩니다.
Related concepts: reinforcement learning, state, action
Core Section: P1-8.3
Appears in: P1-14.3, P4-2.3, P4-11.1, P4-19.1, P4-19.2

policy-based reinforcement learning¶

Meaning: 상태와 행동의 값을 먼저 점수표로 만드는 대신, 어떤 행동을 선택할 정책 자체를 직접 조정하며 더 큰 보상을 얻도록 학습하는 강화학습 접근입니다. 즉 상황별 점수를 계산한 뒤 고른다보다 행동 규칙 자체를 바로 바꾼다는 쪽에 더 가깝습니다. 현재 상태에서 어떤 행동을 어느 확률로 고를지 직접 출력하는 정책을 조금씩 업데이트한다고 생각하면 됩니다.
Why it matters: 값(value)을 거쳐 행동을 고르는 관점과 달리, 행동 방식을 직접 최적화하는 강화학습 계보를 따로 읽게 해 주기 때문입니다. 이 개념이 있어야 value-based 방법과 policy-based 방법이 같은 강화학습 안에서도 무엇을 직접 학습 대상으로 삼는지가 다르다는 점을 분명히 이해할 수 있습니다. 또한 정책 자체를 바로 조정하는 접근이 연속 행동 공간이나 확률적 행동 선택과 어떻게 연결되는지도 더 자연스럽게 읽게 됩니다. 즉 어떤 행동이 좋은가를 점수로 매길 것인가와 행동 규칙을 바로 다듬을 것인가라는 두 관점을 비교하는 기준점이 됩니다.
Related concepts: reinforcement learning, policy, policy gradient
Core Section: P4-19.2
Appears in: P4-2.3, P4-19.3, P4-19.4

pooling¶

Meaning: Pooling is an operation that summarizes local responses in a feature map and passes them forward in a smaller, compressed form. It may keep the maximum value in a small region or average values to reduce detailed position information while preserving key responses.
Why it matters: Pooling reduces spatial size while retaining important local signals, helping CNNs read larger visual cues step by step. It explains the tradeoff between reducing resolution and preserving useful patterns.
Related concepts: convolution, feature map, CNN, convolutional neural network
Core Section: P5-11.2

population¶

Meaning: A population is the full set of subjects we want to understand. It is not the few data points currently in hand, but the broader set that the data is assumed to represent.
Why it matters: Estimation and error can only be interpreted correctly when it is clear what the sample is part of. This concept prevents treating a dataset as the whole reality and encourages asking how far results can be generalized.
Related concepts: sample, estimation, error
Core Section: P2-5.3
Appears in: P2-5.4, P2-6.1

positional encoding¶

Meaning: Positional encoding is information that tells a model where a token appears in a sequence, separate from the token's own meaning vector. It lets the model distinguish whether the same word appears near the beginning, middle, or end of a sentence.
Why it matters: Positional encoding is a basic mechanism that lets Transformers reflect word order without recurrent processing. Even if self-attention compares tokens well, order is hard to distinguish unless position information is supplied. This concept joins what token is this? with where is it placed?
Related concepts: Transformer, self-attention, token
Core Section: P1-11.3
Appears in: P6-4.3

prediction¶

Meaning: Prediction is estimating a next value, state, category, or event from given input or current information. In machine learning, both regression and classification can be understood as forms of prediction. The concept includes not only what will happen later?, but also which result does this input correspond to?
Why it matters: Prediction helps distinguish problem types by asking what kind of result is being estimated from the available input. It also prevents treating prediction only as future forecasting. The output may be a number, category, ranked option, or action choice, and those differences lead to different tasks.
Related concepts: classification, regression, forecast, probability estimate
Core Section: P1-10.1
Appears in: P1-17.1, P1-17.3

preprocessing¶

Meaning: Preprocessing is the preparation step that makes input representations more stable before they enter a model, such as handling missing values, scaling features, or encoding categories. It turns raw data into a form the current model can compute with.
Why it matters: The same model can behave very differently depending on how its inputs are prepared. Preprocessing affects distance calculations, training stability, and evaluation results. This concept prevents treating we used data and we prepared data in a model-readable form as the same thing.
Related concepts: feature, feature selection, data leakage
Core Section: P4-7.2
Appears in: P4-7.3, P4-9.2, P4-12.2

pretraining¶

Meaning: Pretraining is the stage in which a model first learns broad language patterns and representations from a large corpus before being adapted to a specific task. It builds a general foundation that can transfer to many tasks, rather than training the model for only one job from the start.
Why it matters: Pretraining explains why modern LLMs can show general language ability before seeing task-specific examples. It helps separate the broad capability formed during large-scale training from later adaptation stages such as fine-tuning or in-context learning.
Related concepts: fine-tuning, in-context learning, GPT
Core Section: P1-11.3
Appears in: P6-5.1, P6-5.2, P6-7.1, P6-7.2, P6-9.1, P6-19.1, P6-20.1

priority¶

Meaning: Priority is the ordering criterion that decides which issue, candidate, or check item should be handled first. It turns factors such as reader impact, reproducibility, repair cost, and scope into an operational order for action.
Why it matters: When many failure records or operational signals appear, treating them all at the same speed mixes urgent fixes with items that can wait for later iteration. Priority turns comparison results, inspections, and retrospectives into next actions rather than leaving them as undifferentiated lists.
Related concepts: next action, failure type, incident record, retrospective, operation
Core Section: P7-7.3
Appears in: P7-1.3, P7-7.2

privacy¶

Meaning: 개인을 식별하거나 추적할 수 있는 정보와, 그 정보가 다뤄지는 방식에 대한 보호 요구입니다. 이름, 연락처처럼 직접 드러나는 정보만이 아니라, 여러 조각을 합치면 특정 사람을 다시 알아볼 수 있는 기록과 맥락까지 함께 포함될 수 있습니다. 따라서 개인정보는 민감한 단어 몇 개를 가리는 일로만 닫히지 않고, 수집, 저장, 검색, 재사용, 출력 전주기에서 다시 식별 가능성을 계속 점검해야 하는 문제입니다.
Why it matters: AI 입력, 검색 문서, 로그, 평가 데이터에는 개인 관련 정보가 섞이기 쉬워, 한 번 시스템 안으로 들어오면 저장, 검색, 재노출 과정 전체에서 위험이 커질 수 있기 때문입니다. 이 개념이 있어야 모델 성능을 높이기 위해 데이터를 더 모은다는 판단과 그 데이터를 어디까지 써도 되는가를 분리해 읽게 되고, 개인정보 보호가 단순 법무 이슈가 아니라 수집, 저장, 출력, 운영 전부에 걸친 설계 문제라는 점도 이해하게 됩니다. 예를 들어 프롬프트 입력창에 들어온 상담 기록은 답변 생성에만 쓰일 것처럼 보여도, 로그 보관, 검색 색인, 평가 샘플 재사용, 디버깅 기록 공유 단계까지 모두 다시 점검해야 합니다.
Related concepts: security, sensitive information, log
Core Section: P1-15.3

probabilistic model¶

Meaning: 불확실한 상태나 결과를 확률, 조건부 확률, 분포 같은 형태로 표현하는 모델입니다. 단순히 점수를 매기는 데서 멈추지 않고, 그 숫자가 어떤 사건의 가능성이나 어떤 변수의 분포를 뜻하는지까지 함께 정의합니다. 다시 말해 얼마나 높다보다 무엇이 얼마나 그럴듯한가를 수학적으로 적는 모델이라고 볼 수 있습니다. 따라서 확률 모델은 숫자를 순위용 신호로만 두지 않고, 그 숫자의 해석 규칙까지 함께 묶어 둔 표현입니다.
Why it matters: 휴리스틱 점수와 달리 숫자가 무엇을 뜻하는지 더 엄격하게 정의하고, 근거가 바뀔 때 판단을 갱신하는 구조를 이해하게 해 주기 때문입니다. 그래서 규칙 기반 판단과 통계적 판단의 차이도 더 선명하게 드러납니다. 이 개념이 있어야 새로운 관측이 들어왔을 때 확률을 어떻게 업데이트할지, 그리고 왜 같은 0.8이라도 모델마다 의미가 다를 수 있는지 더 조심해서 읽게 됩니다. 예를 들어 위험 점수처럼 보이는 숫자도 어떤 것은 단순 우선순위 점수이고, 어떤 것은 실제 사건 가능성을 뜻하려는 확률 모델 출력일 수 있습니다.
Related concepts: probability, probabilistic reasoning, calibration, probability estimate, heuristic, evidence
Core Section: P1-7.3
Appears in: P1-7.2, P1-7.4, P4-1.2, P1-summary

probabilistic reasoning¶

Meaning: 불완전하거나 잡음이 있는 정보에서 가능한 결론이 얼마나 그럴듯한지 확률로 계산하는 추론 방식입니다. 즉 이 결론이 반드시 참인가를 묻기보다, 현재 정보로 볼 때 어느 결론이 더 가능성이 큰가를 따지는 접근입니다. 다시 말해 확률 추론은 확실한 정답을 바로 찍기보다, 불확실성 안에서 더 그럴듯한 설명을 고르는 사고방식입니다.
Why it matters: 참/거짓 규칙만으로는 다루기 어려운 현실 문제를 AI가 어떻게 판단하려 했는지 보여 주는 핵심 축입니다. 이 개념이 있어야 규칙 기반 추론과 확률 기반 판단의 차이, 그리고 불확실한 데이터에서 왜 점수나 분포가 필요한지 더 분명히 읽을 수 있습니다. 또한 확률 추론을 이해해야 정답이 하나로 닫히지 않는 상황에서 AI가 왜 확률적 언어로 판단을 표현하는지, 그리고 점수가 높다고 해도 불확실성이 완전히 사라진 것은 아니라는 점도 함께 읽게 됩니다.
Related concepts: probability, uncertainty, inference
Core Section: P1-2.2
Appears in: P1-index, P1-2.3, P1-3.1, P1-summary, P4-1.1

probability¶

Meaning: 아직 확실하지 않은 상태를 0과 1 사이의 숫자로 표현하는 방법입니다. 어떤 결과가 반드시 일어난다는 뜻이 아니라, 가능한 결과들 가운데 특정 사건이 어느 정도 그럴듯한지를 수치로 적는 언어라고 볼 수 있습니다. 여러 결과가 있을 때는 각 가능성에 숫자를 나누어 붙여, 무엇이 더 가능해 보이는지 비교하게 해 주는 표현 체계이기도 합니다.
Why it matters: 예측, 위험, 분류 결과를 확실한 답이 아니라 가능성으로 읽게 해 주기 때문입니다. 이 감각이 있어야 점수, 빈도, 확률 추정값을 같은 숫자로 착각하지 않고 구분하게 됩니다. 또한 확률은 일어날지 안 일어날지를 단정하는 언어가 아니라, 아직 남아 있는 불확실성을 더 정교하게 비교하는 언어라는 점도 함께 이해하게 됩니다. AI에서는 모델 출력이 단순 정답이 아니라 여러 후보에 대한 상대적 가능성일 수 있다는 해석의 출발점이 됩니다.
Related concepts: uncertainty, event, distribution, probability estimate, estimation
Core Section: P2-5.1
Appears in: P1-6.2, P2-5.2, P2-5.3, P2-6.2

probability estimate¶

Meaning: 특정 결과나 클래스가 맞을 가능성을 확률처럼 수치로 표현한 값입니다. 다만 이 값이 언제나 진짜 확률처럼 잘 맞는 것은 아니어서, 모델 출력 점수와 확률 추정값은 구분해서 읽어야 합니다. 겉으로는 둘 다 0과 1 사이 숫자여도, 어떤 것은 단순 순위 점수이고 어떤 것은 실제 빈도와 대응되도록 해석하려는 값일 수 있습니다. 즉 확률 추정값은 확률처럼 읽고 싶은 숫자이지, 자동으로 이미 믿어도 되는 확률은 아닙니다.
Why it matters: 점수처럼 보이는 수치가 실제 확률로 읽혀도 되는지, 보정이 필요한지 따로 확인하게 해 주기 때문입니다. 분류 결과를 임계값으로 행동에 연결할 때도 이 구분이 직접 중요해집니다. 이 개념이 있어야 0.9라는 숫자가 단순히 상대적으로 높은 점수인지, 정말 열 번 중 아홉 번 정도 맞는 수준인지 구분해서 읽게 됩니다. 결국 확률 추정값은 숫자가 있다보다 그 숫자를 행동 기준으로 써도 되는가를 묻게 만드는 표지입니다. 예를 들어 사람 검토 큐를 0.8 이상으로 자를 때는, 그 숫자가 후보 정렬용 점수인지 실제 위험 확률처럼 읽어도 되는지에 따라 운영 판단이 달라집니다.
Related concepts: probability, probabilistic model, calibration, threshold, human review
Core Section: P1-7.3
Appears in: P1-6.3, P4-6.4, P4-15.3

productivity¶

Meaning: Productivity is a measure of real efficiency that includes not only generation speed, but also review cost, failure cost, rework cost, and operating cost. It asks how much time and effort are needed to reach a usable final result, not only how quickly the first output appears.
Why it matters: Fast drafts do not automatically improve the whole work process. This concept separates the first output was fast from the total cost to finish was low, and evaluates AI tools by speed, quality, reviewability, and reuse together.
Related concepts: work automation, review, evaluation
Core Section: P1-16.2

prompt¶

Meaning: A prompt is the full input given to a model to produce the current response. It includes not only a one-line question, but also instructions, context, examples, constraints, and output format. It is best understood as a designed bundle of current task conditions.
Why it matters: Prompting is the basic way to adjust the conditions of the current output without retraining the model. This concept separates changing the model itself from changing the input conditions for one response. It also explains why the same model can respond differently depending on context, examples, and requested format.
Related concepts: instruction, context, in-context learning
Core Section: P1-12.1
Appears in: P6-9.1, P6-9.3

prompt engineering¶

Meaning: Prompt engineering is the practical work of designing instructions, context, examples, and formats, then observing current model behavior and adjusting it more reliably. It is not just writing polished sentences; it is an iterative experiment that changes input conditions based on observed failures.
Why it matters: Prompt engineering is often the fastest first handle for experimentation because it does not require retraining the model. It also helps separate problems that can be reduced through prompting from problems that need retrieval, tool use, model changes, or workflow redesign.
Related concepts: prompt, instruction, instruction tuning
Core Section: P6-10.1

prompt injection¶

Meaning: Prompt injection is an attack in which hidden instructions in user input or external documents try to override or bypass the original system instructions and cause unintended model or agent behavior. The key risk is that text that appears to be content can act as an instruction that changes behavior.
Why it matters: In AI systems connected to search, browsing, file reading, or tool use, external documents can become inputs for action decisions. A hidden instruction can therefore lead to permission abuse or information leakage. This concept explains why least privilege, approvals, execution boundaries, and logs are needed alongside model capability.
Related concepts: security, least privilege, permission, retrieval-augmented generation, RAG, tool use
Core Section: P1-15.3
Appears in: P1-10.3, P1-14.2, P1-14.4, P1-14.5

prompt structuring¶

Meaning: Prompt structuring is the practice of separating roles inside a prompt, such as task, context, examples, constraints, and output format. Instead of placing everything in one block, it arranges information so the role of each part is visible.
Why it matters: In long requests, separating instructions from reference information improves reproducibility and reviewability. It also helps explain why prompt quality is not just a matter of one well-written sentence, but of making the internal roles of the input clear.
Related concepts: prompt, instruction, context
Core Section: P1-12.2

provenance¶

Meaning: Provenance is source-tracking information that makes it possible to trace which documents and passages influenced an answer or generated result. It is not just a list of links; it records the evidence path behind the result and which material was actually used for judgment.
Why it matters: In RAG, attaching documents is not enough. Review and accountability require knowing which evidence was used. Provenance makes freshness checks, error correction, and later explanation easier by separating generic references from the evidence path that shaped the answer.
Related concepts: evidence, retrieval-augmented generation, RAG, review, log, recency
Core Section: P1-13.3