Concept Glossary: R¶

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

random¶

Meaning: 후보 가운데 하나를 임의로 고르거나, 표본을 정해진 패턴 없이 뽑는 선택 방식입니다. 핵심은 아무 생각 없이 대충 고른다가 아니라, 특정 후보를 미리 편애하지 않도록 선택 기회를 분산하는 절차라는 점에 있습니다. 즉 무작위는 결과의 성질이라기보다, 선택을 수행하는 방법 쪽에 더 가까운 말입니다.
Why it matters: 확률적 과정(stochastic process)이나 비결정성(nondeterministic)과 구분해, 언제 선택 방식을 말하고 언제 과정의 성질을 말하는지 분리하게 해 주기 때문입니다. 이 개념이 있어야 결과가 매번 같지 않다는 사실을 곧바로 규칙이 없다로 오해하지 않고, 탐험(exploration), 표본 추출(sampling), 초기화(initialization)처럼 일부 단계에서 의도적으로 무작위 선택을 넣는 이유도 이해하게 됩니다. 예를 들어 강화학습에서는 지금 가장 좋아 보이는 행동만 반복하면 새로운 전략을 못 찾을 수 있으므로, 일부러 무작위 선택을 섞어 더 넓은 행동 공간을 탐색합니다. 결국 무작위를 이해해야 예측 불가능하다와 편향을 줄이기 위해 일부러 고르게 뽑는다를 같은 말로 보지 않게 됩니다.
Related concepts: nondeterministic, probability, stochastic process
Core Section: P1-6.2

random forest¶

Meaning: 여러 결정트리를 서로 조금씩 다르게 학습시켜 그 예측을 합쳐 더 안정적인 결과를 만드는 앙상블 모델입니다. 각 트리가 데이터 일부와 특징 일부를 다르게 보도록 만들어, 하나의 트리에만 과하게 의존하지 않게 하는 방식이라고 볼 수 있습니다. 즉 같은 문제를 보는 작은 트리 여러 개의 집단 판단으로 이해하면 됩니다.
Why it matters: 하나의 트리가 흔들리기 쉬운 문제를 여러 트리의 합의로 줄이는 대표적 방식입니다. 이 개념이 있어야 왜 단일 결정트리보다 예측이 더 안정적일 수 있는지, 그리고 해석은 쉬운 단위와 성능은 더 안정적인 집합이 어떻게 결합되는지 설명할 수 있습니다. 또한 랜덤포레스트를 이해해야 여러 모델을 순차 보정하는 방식인 그래디언트 부스팅과 달리, 서로 조금씩 다른 트리를 병렬적으로 모아 평균내는 사고라는 점도 더 선명히 구분하게 됩니다.
Related concepts: decision tree, ensemble, bootstrap
Core Section: P4-15.1
Appears in: P4-15.2, P4-15.3

ranking¶

Meaning: 여러 후보를 점수나 우선순위 기준으로 줄 세우는 문제 유형입니다. 정답 하나를 바로 고르기보다, 후보들을 무엇을 먼저 보여 줄 것인가의 순서로 재배치하는 문제라고 이해하면 됩니다. 즉 순위화의 핵심은 개별 후보의 절대 점수보다, 후보들 사이의 상대적 앞뒤 관계를 잘 정하는 데 있습니다.
Why it matters: 검색 결과, 추천 목록, 문서 후보처럼 무엇을 먼저 보여 줄지 정하는 문제는 단순 분류와 다른 구조를 가진다는 점을 보여 주기 때문입니다. 이 개념이 있어야 정답 하나를 맞히는가보다 상위 몇 개를 어떤 순서로 보여 주는가가 더 중요한 문제를 따로 읽게 되고, 검색과 추천에서 정확도만이 아니라 상위 노출 품질이 왜 핵심 지표가 되는지도 이해하게 됩니다. 특히 사용자는 보통 첫 페이지나 상위 몇 개만 보기 때문에, 순위화는 맞혔는가보다 먼저 보여 준 것이 충분히 유용한가를 평가하는 관점으로 이어집니다.
Related concepts: recommendation, search, generation
Core Section: P1-13.2
Appears in: P1-1.2

rate limit¶

Meaning: 짧은 시간 안에 보낼 수 있는 요청 수나 토큰 수를 제한하는 사용 규칙입니다. 시스템을 무한히 두드릴 수 없도록 정한 운영 한계이며, 서비스 보호와 자원 배분을 위해 두는 속도 상한선에 가깝습니다. 즉 레이트 리밋은 가능한가/불가능한가의 문제가 아니라, 얼마나 자주 호출해도 되는가를 정하는 운영 경계입니다.
Why it matters: 서비스 장애처럼 보이는 실패가 실제로는 호출 한도 초과일 수 있어, 재시도와 대기 정책, 요청 설계를 이 제한에 맞춰야 하기 때문입니다. 이 개념이 있어야 모델이 틀렸다는 문제와 너무 자주 불렀다는 문제를 분리해 읽을 수 있고, 처리량을 늘리려는 시도와 허용 한도 사이의 긴장도 함께 이해하게 됩니다. 또한 레이트 리밋을 이해해야 실패 대응이 무조건 재시도가 아니라, 속도 조절과 호출 분산 설계 문제일 수 있다는 점도 읽게 됩니다.
Related concepts: retry, throughput, cost, latency
Core Section: P1-14.6
Appears in: P1-14.5

rate of change¶

Meaning: 입력이 얼마나 바뀌었을 때 출력이 얼마나 바뀌는지 비교한 비율입니다. 단순히 값의 크기만 보는 것이 아니라, 입력을 조금 움직였을 때 결과가 얼마나 민감하게 따라 변하는지를 읽는 기준이라고 볼 수 있습니다. 즉 변화율은 얼마나 크다보다 얼마나 빠르게 달라진다를 묻는 방식입니다.
Why it matters: 기울기, 평균 변화율, 미분, 그래디언트를 같은 변화 질문 안에서 읽게 해 주기 때문입니다. 이 개념이 있어야 값이 얼마인가만이 아니라 값이 얼마나 빠르게 바뀌는가를 따로 읽게 되고, 손실 감소 속도나 함수의 민감도를 해석할 때도 같은 질문 틀을 유지하게 됩니다. 즉 변화율은 정적인 숫자 읽기에서, 변화하는 관계 읽기로 넘어가는 가장 기본적인 발판이며, 같은 함수값이라도 주변에서 얼마나 급하게 움직이는지까지 함께 해석하게 해 줍니다. 결국 변화율은 값 자체보다 변화하는 방식을 읽는 수학 언어의 출발점입니다.
Related concepts: slope, derivative, limit
Core Section: P2-4.2
Appears in: P2-4.3, P2-4.4

recency¶

Meaning: 어떤 정보가 지금 시점에도 여전히 유효한지, 최근 변화가 반영되어 있는지를 보는 기준입니다. 과거에는 사실이었던 정보라도 현재 기준에서는 이미 바뀌었을 수 있다는 시간 축 점검을 뜻하며, 내용 자체의 정확성과는 다른 종류의 확인입니다. 즉 최신성은 문장의 사실 여부만이 아니라, 그 사실이 어느 시점 기준의 사실인지를 함께 묻는 질문입니다.
Why it matters: 제품 기능, 가격, 정책, 법률, 모델 사양처럼 바뀔 수 있는 정보는 사실성만으로 충분하지 않고 시점 검토가 함께 필요하기 때문입니다. 그래서 최신성은 맞는 말인가와 별개로 지금도 맞는 말인가를 묻는 기준이며, 검색 결과를 붙였더라도 문서 날짜와 확인 시점을 함께 읽어야 하는 이유를 설명해 줍니다. 이 개념이 있어야 오래된 정답을 현재 정답으로 오인하는 문제를 따로 보게 되고, 검색·출처 확인이 끝나도 마지막에 날짜를 다시 확인해야 하는 이유를 더 분명히 이해하게 됩니다.
Related concepts: factuality, evidence, evaluation, provenance, search
Core Section: P1-12.3
Appears in: P1-13.1, P1-13.3

recheck¶

Meaning: 관찰된 문제를 곧바로 원인 확정이나 즉시 수정 대상으로 단정하지 않고, 시간을 두고 다시 발생하는지와 어떤 조건에서 반복되는지 먼저 확인하는 점검 단계입니다. 공개 반영 지연, 캐시, 표본이 적은 단발 튐처럼 문제처럼 보이지만 아직 해석이 덜 닫힌 신호를 다룰 때 쓰는 보수적 확인 절차라고 볼 수 있습니다. 즉 재현 확인은 문제를 미루는 핑계가 아니라, 성급한 수정으로 더 큰 혼선을 만들지 않기 위한 중간 검증 단계입니다.
Why it matters: 같은 운영 신호라도 어떤 것은 곧바로 경로를 고치면 닫히지만, 어떤 것은 반영 지연이나 일시적 흔들림일 수 있어 우선 행동을 잘못 잡으면 회고와 수정 순서가 함께 흔들리기 때문입니다. 이 개념이 있어야 즉시 수정과 다음 반복 개선 사이에 먼저 다시 확인해야 하는 문제를 따로 세우게 되고, 단발 실패와 반복 실패를 더 조심해서 구분하게 됩니다. 또한 재현 확인을 이해해야 상태 점검, 우선순위, 다음 행동이 모두 확정된 고장만이 아니라 아직 해석 경계가 남은 신호까지 포함해 운영 판단을 짜야 한다는 점도 더 또렷하게 보게 됩니다.
Related concepts: status inspection, priority, next action, reproducibility, failure type
Core Section: P7-7.3
Appears in: P7-2.3, P7-7.1

recognition¶

Meaning: 이미지, 음성, 텍스트, 센서 데이터 같은 입력에서 대상, 상태, 의미를 알아보는 문제 유형입니다. 핵심은 새로운 내용을 만들어 내는 것이 아니라, 이미 들어온 입력 안에 무엇이 있는가, 어떤 상태인가, 무슨 뜻으로 읽어야 하는가를 판별하는 데 있습니다. 즉 인식은 입력을 생성하는 일이 아니라 해석하는 일에 더 가깝습니다.
Why it matters: AI가 현실 입력을 그냥 저장하는 것이 아니라, 그 안에서 무엇을 알아차리고 이름 붙일지를 다루는 출발점이 되기 때문입니다. 이 개념이 있어야 생성과 예측만으로 AI를 이해하지 않고, 현실 세계 입력을 해석하는 문제 축이 따로 있다는 점을 보게 됩니다. 또한 인식은 종종 분류, 탐지, 태깅, 상태 판단 같은 여러 세부 문제의 상위 범주로 읽힌다는 점도 함께 이해하게 됩니다. 결국 인식을 이해해야 AI 문제를 만드는 문제와 알아보는 문제로 구분해 읽게 됩니다.
Related concepts: classification, prediction, input
Core Section: P1-1.2

recommendation¶

Meaning: 사용자, 항목, 맥락 정보를 바탕으로 지금 보여 주거나 제안할 후보를 고르는 문제 유형입니다. 핵심은 맞다/틀리다 하나를 고르는 것이 아니라, 여러 후보를 어떤 순서와 근거로 내놓을지를 정하는 데 있습니다. 따라서 추천은 정답 하나 찾기보다 지금 이 사람에게 어떤 후보 묶음이 더 적절한가를 판단하는 문제에 가깝습니다.
Why it matters: 분류처럼 하나의 정답 범주를 맞히는 문제와 달리, 추천은 보통 상위 몇 개를 어떤 순서로 먼저 보여 줄 것인가를 다루기 때문입니다. 이 차이를 이해해야 검색, 추천, 광고, 피드 정렬이 비슷해 보여도 서로 다른 평가 기준과 사용자 경험 문제를 가진다는 점을 읽을 수 있습니다. 또한 추천은 보통 사용자가 무엇을 좋아할까를 예측하는 문제와 무엇을 먼저 노출할까를 결정하는 문제를 함께 품고 있어, 예측과 순위화가 결합된 구조로 읽는 감각을 만들어 줍니다. 같은 항목 집합이라도 어떤 사용자를 기준으로, 어떤 시점에, 어떤 목표로 보여 주느냐에 따라 추천 결과가 달라진다는 점을 이해하는 출발점이기도 합니다.
Related concepts: ranking, generation, prediction
Core Section: P1-1.2

redirection¶

Meaning: 명령의 출력이 향하는 곳이나 입력을 읽어 오는 곳을 화면 대신 파일 같은 다른 대상으로 바꾸는 표기입니다. 즉 명령 자체보다 결과가 어디로 흐르는가를 바꾸는 셸 문법입니다. 화면에 보이기만 하던 결과를 파일로 저장하거나, 파일 내용을 키보드 입력 대신 명령에 넘길 때 주로 쓰는 흐름 제어 장치라고 볼 수 있습니다.
Why it matters: 터미널 명령이 단순히 화면에 결과를 보여 주는지, 아니면 파일을 만들고 덮어쓰고 다른 명령의 입력으로 넘기는지 먼저 읽게 해 주기 때문입니다. 같은 명령어라도 리다이렉션이 붙으면 단순 조회가 아니라 파일 변경이나 입력 경로 변경이 되어 의미가 크게 달라집니다. 이 개념이 있어야 무슨 명령을 썼는가뿐 아니라 결과가 어디로 흘러갔는가까지 함께 해석하게 됩니다. 초심자에게 특히 중요한 이유는, 화면에는 조용해 보여도 실제로는 파일이 바뀌고 있을 수 있다는 점을 읽게 해 주기 때문입니다.
Related concepts: pipe, shell script, environment variable
Core Section: P2-7.8
Appears in: P2-7.9, P2-12.3

reference¶

Meaning: 둘 이상의 이름이 같은 객체를 함께 가리키는 상태입니다. 값이 두 개 복제된 것이 아니라, 같은 대상을 여러 이름표가 함께 보고 있는 상황입니다. 즉 변수 이름이 하나 더 생겼다고 해서 데이터가 자동으로 복제되는 것은 아니라는 점을 보여 주는 개념입니다. 말하자면 참조는 복사본이 늘어난 것이 아니라 같은 원본을 보는 창이 늘어난 것에 가깝습니다.
Why it matters: 리스트나 딕셔너리를 한쪽에서 바꿨을 때 다른 이름으로 본 결과도 함께 바뀌는 이유를 읽는 기준이 되기 때문입니다. 참조 개념이 있어야 대입, 얕은 복사, 깊은 복사의 차이를 자연스럽게 설명할 수 있습니다. 또한 참조를 이해해야 값을 바꿨다와 같은 객체를 다른 이름으로 보고 있었다를 구분하게 되어, 파이썬에서 생기는 많은 변경 버그를 더 정확히 해석하게 됩니다. 결국 참조를 이해해야 변경이 값 자체의 변화인지 같은 객체 공유의 결과인지 분리해 읽게 됩니다.
Related concepts: assignment, shallow copy, object
Core Section: P2-8.7
Appears in: P2-11.4, P2-14.2

regression¶

Meaning: 입력을 바탕으로 연속적인 수치 값이나 점수를 예측하는 모델링 과제입니다. 분류처럼 범주 이름을 고르는 것이 아니라, 가격, 온도, 수요량처럼 이어지는 수치 축 위의 값을 맞히는 문제라고 볼 수 있습니다. 출력이 숫자라는 점은 같아도, 단순 계산 결과를 내는 프로그램과 달리 회귀는 데이터에서 입력과 수치 결과 사이의 관계를 학습해 새로운 입력의 값을 추정합니다.
Why it matters: 현실의 많은 문제는 이 범주인가보다 얼마나 큰가를 묻기 때문에, 숫자 축 위에서 오차를 해석하는 별도 문제 유형이 필요하기 때문입니다. 이 개념이 있어야 분류의 맞다/틀리다 평가와 회귀의 얼마나 가까운가 평가를 구분하게 되고, 작은 오차와 큰 오차를 어떻게 다르게 벌점 줄지에 따라 손실 함수와 모델 선택이 달라진다는 점도 이해하게 됩니다. 또한 회귀를 이해해야 출력값이 연속 수치일 때 정확도(accuracy) 같은 분류 지표가 바로 맞지 않는 이유, 평균절대오차(MAE)나 평균제곱오차(MSE)처럼 거리를 재는 지표가 왜 등장하는지도 더 자연스럽게 읽게 됩니다.
Related concepts: classification, output, task definition
Core Section: P1-8.1
Appears in: P1-4.4

regularization¶

Meaning: 모델이 학습 데이터에만 과하게 맞추지 않도록, 학습 과정에 제약이나 추가 비용을 넣어 더 단순하고 일반화되는 해를 선호하게 만드는 생각입니다. 즉 훈련 데이터를 더 잘 맞춘다는 목표만 두지 않고, 너무 복잡하거나 불안정한 해는 덜 좋아하도록 학습 기준을 조정하는 방식이라고 볼 수 있습니다. 다시 말해 정규화는 성능을 올리는 기술이면서 동시에 복잡도를 통제하는 장치입니다.
Why it matters: 훈련 성능이 높아도 새 데이터에서 무너질 수 있다는 문제를 줄이려면, 손실을 낮추는 것뿐 아니라 어떤 방식의 해를 덜 선호할지 함께 정해야 하기 때문입니다. 이 개념이 있어야 학습이 더 잘 맞추기만의 문제가 아니라 너무 복잡한 해를 피하기의 문제이기도 하다는 점을 이해하게 됩니다. 예를 들어 가중치를 지나치게 크게 키우거나 데이터의 작은 흔들림까지 따라가는 해를 덜 선호하게 만들면, 훈련 점수는 조금 덜 좋아 보여도 일반화는 오히려 나아질 수 있습니다. 결국 정규화를 이해해야 훈련 점수 최고가 항상 좋은 모델을 뜻하지는 않는다는 점도 더 분명하게 읽게 됩니다.
Related concepts: overfitting, generalization, dropout
Core Section: P5-8.1
Appears in: P5-8.2

reinforcement learning¶

Meaning: 상태에서 행동을 선택하고, 그 행동 결과로 돌아오는 보상을 통해 더 나은 정책을 학습하는 방식입니다. 즉 정답 라벨을 미리 받는 대신, 행동 이후에 돌아온 좋고 나쁨의 신호를 바탕으로 점차 더 나은 선택 습관을 만들어 가는 학습입니다. 한 번의 선택이 바로 끝나지 않고, 지금 행동이 나중 상태와 미래 보상까지 바꾼다는 점이 핵심입니다.
Why it matters: 지도학습의 라벨 문제나 비지도학습의 구조 발견 문제와 달리, 행동의 결과를 따라가며 장기 성과를 높이는 문제 설정이 따로 있다는 점을 보여 주기 때문입니다. 이 개념이 있어야 지금 당장 맞혔는가보다 연속된 선택 끝에 얼마나 좋은 결과를 얻었는가가 중요한 문제를 따로 읽을 수 있습니다. 예를 들어 게임에서 지금 당장 작은 점수를 얻는 행동보다, 몇 번 뒤 더 큰 보상으로 이어지는 행동이 더 좋은 선택일 수 있다는 감각이 강화학습의 출발점입니다.
Related concepts: reward, policy, reinforcement learning agent
Core Section: P4-2.3
Appears in: P1-8.3, P4-19.1, P4-19.2, P4-19.3, P4-19.4

reinforcement learning agent¶

Meaning: 강화학습에서 현재 상태나 관측을 바탕으로 행동을 선택하고, 보상을 받으며 정책을 바꿔 가는 주체입니다. 여기서 에이전트는 단순 실행자라기보다, 환경과 상호작용하며 경험을 쌓고 그 경험으로 다음 행동 기준을 바꾸는 학습 주체입니다. 즉 답을 한 번 출력하고 끝나는 존재가 아니라, 행동-관찰-보상-갱신의 순환 안에서 계속 바뀌는 행위자라고 볼 수 있습니다.
Why it matters: 도구 호출과 작업 흐름을 잇는 서비스형 에이전트와 달리, 강화학습에서는 환경 안에서 행동 결과를 통해 학습이 진행된다는 점을 분명히 구분하게 해 주기 때문입니다. 이 개념이 있어야 같은 agent라는 단어가 제품형 AI 에이전트와 학습 이론 속 에이전트에서 전혀 다른 층위로 쓰인다는 점을 놓치지 않게 됩니다. 예를 들어 체스 프로그램의 다음 수 선택 주체와, 문서 검색 후 요약을 이어 가는 서비스형 에이전트는 둘 다 agent라고 부를 수 있지만 작동 층위와 학습 방식은 크게 다릅니다.
Related concepts: reinforcement learning, action, reward
Core Section: P1-8.3
Appears in: P1-7.1

repository¶

Meaning: 커밋 이력과 파일 상태가 함께 기록되는 Git의 관리 공간입니다. 단순 파일 폴더라기보다, 현재 상태와 그 상태에 이르기까지의 기록을 함께 관리하는 프로젝트 단위라고 볼 수 있습니다. 즉 저장소는 파일이 놓인 위치만이 아니라, 변경 이력과 브랜치 구조까지 포함한 작업 공간입니다. 보통 작업 디렉터리와 .git 내부 기록이 합쳐져 하나의 저장소를 이룬다고 이해하면 됩니다.
Why it matters: 지금 작업 중인 파일과 이미 기록으로 남긴 변경을 구분해 이해해야, 어떤 상태가 현재 작업장에 있고 어떤 상태가 이력으로 남았는지 명확히 읽을 수 있기 때문입니다. 이 개념이 있어야 현재 파일 묶음과 이력까지 포함한 프로젝트 상태를 다른 개념으로 읽게 되고, 같은 폴더처럼 보여도 Git 저장소 여부에 따라 추적 가능성과 협업 방식이 달라진다는 점도 더 분명히 이해하게 됩니다. 또한 저장소를 기준으로 브랜치, 원격 저장소, 커밋 비교가 모두 연결되므로, Git 명령이 어느 파일이 아니라 어느 프로젝트 상태를 다루는지 이해하는 출발점이 됩니다.
Related concepts: Git, commit, staging area
Core Section: P2-14.1
Appears in: P2-14.2, P6-3.1

representation¶

Meaning: 입력을 모델이 다룰 수 있게 바꾼 내부 형태입니다. 원본 데이터 그 자체라기보다, 현재 문제에 유용한 차이와 관계가 더 잘 드러나도록 재구성된 계산용 모습이라고 볼 수 있습니다. 즉 표현은 세상을 그대로 복사한 모습보다 현재 과제를 위해 다시 정리된 내부 좌표계에 가깝습니다. 다시 말해 표현은 입력의 외형보다, 모델이 실제로 계산에 쓰기 좋게 바꾼 내부 버전입니다.
Why it matters: 딥러닝과 표현 학습을 이해하려면 사람이 읽는 입력과 모델이 계산하는 내부 형태를 구분해야 합니다. 특징이 입력 단서라는 말이라면 표현은 그 단서가 모델 안에서 어떤 구조로 다시 조직되었는가를 보여 주는 쪽에 더 가깝습니다. 또한 표현을 이해해야 같은 이미지, 같은 문장도 모델 안에서는 전혀 다른 계산 가능 형태로 바뀌어 다뤄진다는 점, 그리고 좋은 표현이 있으면 이후 분류나 생성 문제가 더 쉬워질 수 있다는 점도 함께 읽게 됩니다. 결국 표현을 이해해야 입력 자체가 중요하다와 입력을 어떤 내부 구조로 바꾸었는가가 중요하다를 분리해 보게 됩니다.
Related concepts: feature, vector, activation, embedding, representation learning
Core Section: P1-3.3
Appears in: P1-2.3, P1-4.3, P1-8.2, P3-6.1, P3-6.2, P5-10.1, P5-10.2

representation learning¶

Meaning: 모델이 입력을 더 유용한 내부 표현으로 바꾸는 방식을 데이터에서 함께 학습하는 접근입니다. 사람이 규칙과 특징을 미리 다 설계하기보다, 학습 과정에서 어떤 표현이 현재 과제에 도움이 되는지 모델이 스스로 찾아가게 하는 관점입니다. 즉 좋은 특징을 사람이 골라 준다보다 좋은 내부 좌표계를 모델이 데이터에서 배운다는 쪽에 더 가깝습니다. 다시 말해 표현 학습은 답만 맞히는 것이 아니라, 답을 더 쉽게 맞히게 하는 내부 표현까지 함께 만드는 학습입니다.
Why it matters: 사람이 특징을 직접 설계하는 흐름과 딥러닝의 차이를 이해하게 해 줍니다. 이 개념이 있어야 딥러닝의 강점이 단순히 층이 많다가 아니라, 과제에 맞는 내부 표현을 함께 만들어 간다는 데 있다는 점을 더 정확히 읽을 수 있습니다. 또한 같은 원본 데이터라도 어떤 표현이 학습되었는지에 따라 이후 분류기나 생성기가 다루는 문제 자체가 쉬워지거나 어려워질 수 있어, 성능 차이를 마지막 출력층만의 차이로 보지 않게 됩니다. 결국 표현 학습은 딥러닝이 왜 입력 전처리 도구가 아니라, 문제를 다시 보이게 만드는 표현 기계로 읽히는지 설명하는 핵심 관점입니다. 또한 표현 학습을 이해해야 좋은 모델이란 출력층이 강한 모델만이 아니라 중간 표현을 잘 만드는 모델일 수도 있다는 점을 함께 보게 됩니다.
Related concepts: deep learning, feature, representation
Core Section: P1-3.3
Appears in: P1-2.3, P1-9.1, P5-10.1, P5-10.2

reproducibility¶

Meaning: 같은 코드와 같은 조건을 다시 준비했을 때 비슷한 실행 결과를 다시 얻을 수 있는 성질입니다. 한 번 우연히 성공한 실행이 아니라, 어떤 입력과 환경과 절차로 결과가 나왔는지 다시 설명하고 다시 재현할 수 있는 상태를 뜻합니다. 따라서 재현성은 코드 파일 하나의 문제가 아니라, 데이터 버전, 의존성, 실행 순서, 설정값, 평가 절차까지 함께 묶인 조건의 문제입니다. Part 7에서는 특히 어떤 입력 파일을 읽었고, 어떤 평가 기록을 남겼고, 다음 조치를 어디에 적었는지까지 이어져야 재현성이 실제 프로젝트 문서 수준에서 성립합니다.
Why it matters: 학습 예제를 나중에 다시 돌리거나 다른 사람에게 전달할 때 코드만이 아니라 환경, 데이터, 실행 순서도 함께 관리해야 한다는 점을 드러내기 때문입니다. 재현성이 있어야 오류 수정, 비교 실험, 협업 검토도 의미를 가집니다. 이 개념이 있어야 이번에는 됐다와 다음에도 다시 된다를 구분하게 되고, 로그와 요청 실행 기록이 왜 단순 부가물이 아니라 핵심 운영 자산인지도 함께 이해하게 됩니다. 또한 재현성을 이해해야 비슷한 답이 나왔다와 같은 조건에서 검증 가능한 절차가 남아 있다를 분리하게 되고, 보기 좋은 데모와 비교 가능한 실험의 차이도 더 분명히 읽게 됩니다. 특히 Part 7의 회고 문서에서는 재현성이 있어야 무슨 일이 있었는가, 다음에 무엇을 할 것인가가 같은 실행 기반 위에서 다시 연결됩니다.
Related concepts: dependency, version pinning, requirements.txt
Core Section: P2-7.5
Appears in: P1-12.3, P1-14.5, P1-14.6, P7-3.2, P7-7.2

reproducible record¶

Meaning: 다른 사람이 같은 순서로 다시 실행해도 비슷한 결과와 해석에 도달할 수 있도록 정리된 노트북 기록입니다. 단순 메모가 아니라, 셀 순서, 필요한 입력, 핵심 출력, 환경 조건까지 함께 남겨 어떻게 다시 확인할 수 있는가가 보이는 기록 형식입니다. 즉 보기 좋은 설명 문서이면서도, 같은 실험을 다시 따라가 볼 수 있어야 재실행 가능한 기록이라고 부를 수 있습니다. 다시 말해 무엇을 배웠는가뿐 아니라 어떻게 다시 확인할 수 있는가가 함께 남아 있어야 합니다. Part 7의 프로젝트 문맥에서는 입력 파일, 평가 기록, 다음 조치까지 연결돼 다음 사람이 같은 실패 구조를 다시 읽고 이어서 수정할 수 있어야 비로소 재실행 가능한 기록이라고 볼 수 있습니다.
Why it matters: 노트북을 일회성 메모가 아니라 다시 검증할 수 있는 학습 문서로 다뤄야 협업과 복습이 가능해지기 때문입니다. 실행 순서, 출력, 환경 정보가 정리되어 있어야 기록이 실제로 재사용됩니다. 이 개념이 있어야 보기 좋게 적힌 노트북과 실제로 다시 돌려 볼 수 있는 노트북을 구분하게 되고, 왜 마크다운 설명만이 아니라 셀 실행 순서와 의존성 정보까지 함께 남겨야 하는지도 자연스럽게 이해하게 됩니다. 또한 재실행 가능한 기록을 이해해야 결과 캡처만 남기는 일과, 다음 사람이 검증 가능한 작업 문서를 남기는 일이 다르다는 점도 분명해집니다. 특히 Part 7에서는 결과 표 하나보다 입력 파일, 평가 기록, 조치 흐름이 함께 남아야 같은 프로젝트 문서를 다시 실행 가능한 회고 기록으로 읽을 수 있다는 점도 더 선명하게 보게 됩니다.
Related concepts: reproducibility, execution order, notebook
Core Section: P2-10.3
Appears in: P2-13.3, P7-3.2, P7-7.2

requirements.txt¶

Meaning: 프로젝트에 필요한 패키지 목록과 버전을 기록하는 대표적인 텍스트 파일입니다. 실행 환경을 그대로 복사하지 않더라도, 어떤 의존성을 다시 설치해야 하는지 적어 두는 설치 명세에 가깝습니다. 즉 소스코드 옆에 놓이는 이 코드를 돌리려면 무엇을 설치해야 하는가에 대한 최소한의 환경 설명서라고 볼 수 있습니다.
Why it matters: 가상환경 자체를 통째로 공유하지 않아도, 어떤 패키지를 어떤 버전 범위로 다시 설치해야 하는지 전달하는 출발점이 되기 때문입니다. 재현성은 코드 파일만으로 생기지 않고, 이런 의존성 기록이 함께 있어야 가까워집니다. 이 개념이 있어야 코드는 같은데 왜 실행 결과가 다르지라는 질문을 코드 논리뿐 아니라 패키지 버전과 설치 상태 문제로도 나누어 보게 됩니다. 협업에서도 내 컴퓨터에서는 된다를 줄이려면 코드와 함께 이런 설치 명세가 남아 있어야 한다는 점이 핵심입니다.
Related concepts: dependency, version pinning, reproducibility
Core Section: P2-7.5
Appears in: P2-7.7

residual connection¶

Meaning: 새 계산 결과만 다음 층으로 넘기지 않고, 원래 입력 표현도 함께 더해 정보 흐름을 유지하는 연결 방식입니다. 즉 매 층이 이전 표현을 완전히 덮어쓰는 대신, 원래 정보가 우회 경로로 함께 지나가게 하는 구조라고 볼 수 있습니다.
Why it matters: 깊은 신경망에서 앞 표현이 완전히 덮어써지지 않게 도와, Transformer 블록이 반복되어도 학습과 정보 전달이 덜 흔들리게 만들기 때문입니다. 이 개념이 있어야 층을 많이 쌓는다고 해서 매번 새 표현만 남기는 것이 아니라, 이전 표현을 우회 경로로 함께 전달해 학습을 안정화한다는 점을 읽게 됩니다. 결국 잔차 연결은 깊이를 늘리면서도 정보 손실을 줄이기 위한 구조적 안전장치이며, 깊은 모델이 왜 이전 표현을 완전히 버리지 않으려 하는지도 함께 보여 줍니다. 다시 말해 새 계산을 더하되 원래 길을 끊지 않는 구조라는 점이 핵심입니다.
Related concepts: Transformer, layer normalization, feed-forward network
Core Section: P5-14.1
Appears in: P5-14.2

resource¶

Meaning: 모델이나 앱이 읽을 수 있도록 제공되는 문서, 파일, 레코드, 응답 같은 맥락 데이터입니다. 무엇인가를 실행하는 기능이 아니라, 판단과 생성에 참고할 입력 재료를 제공하는 쪽에 가깝습니다. 쉽게 말해 리소스는 행동 버튼보다는 읽을거리와 참고자료에 가까운 외부 입력 단위입니다.
Why it matters: 외부 연결에서 무엇을 실행할 수 있는가와 무엇을 읽을 수 있는가를 구분해야 RAG, 상태 확인, 도구 실행의 경계를 더 분명히 설명할 수 있기 때문입니다. 이 차이를 알아야 읽기 전용 연결과 상태 변경 연결의 위험을 혼동하지 않게 됩니다. 또한 리소스 개념이 있어야 모델이 내부 파라미터만으로 답한 것과 바깥 자료를 참고해 답한 것을 구분하게 됩니다. 결국 리소스는 모델 성능 자체를 늘리는 장치라기보다, 현재 질문에 맞는 외부 맥락을 안전하게 주입하는 통로라는 점이 핵심입니다.
Related concepts: tool, prompt, Model Context Protocol, MCP, retrieval-augmented generation, RAG
Core Section: P1-14.4
Appears in: P1-14.3, P1-14.5

result interpretation table¶

Meaning: 요약값, 관찰된 사실, 그 사실에서 이어지는 해석, 다음 질문을 한 표 안에 나누어 적어 계산 결과와 해석 문장을 섞이지 않게 만드는 표입니다. 수치 결과를 그대로 복사해 두는 표가 아니라, 무엇을 봤고, 그것을 어떻게 읽었고, 그래서 무엇을 더 확인할 것인가를 같은 자리에 다시 정리하는 해석용 구조라고 볼 수 있습니다. 즉 결과 해석 표는 숫자 출력과 사람 판단 사이의 중간 다리입니다.
Why it matters: 같은 수치를 보더라도 사실과 해석과 다음 조치를 한 문장에 섞어 쓰면 무엇이 관찰이고 무엇이 판단인지 금방 흐려지기 때문입니다. 이 개념이 있어야 요약값 자체, 그 값이 의미하는 변화, 추가로 확인할 채널이나 샘플을 따로 적게 되고, 비교표와 회고 문장이 더 투명하게 연결됩니다. 또한 결과 해석 표를 이해해야 Part 7의 분석 프로젝트가 계산 실습에서 끝나지 않고 사실 -> 해석 -> 다음 질문 구조를 문서에 남기는 훈련이라는 점도 더 선명하게 읽게 됩니다.
Related concepts: interpretation, comparison table, next question, retrospective, indicator
Core Section: P7-1.1
Appears in: P7-1.3, P7-summary

retrieval-augmented generation, RAG¶

Meaning: 질문과 관련된 외부 자료를 먼저 찾고, 그 결과를 모델 입력 맥락에 붙여 답변을 생성하는 구조입니다. 핵심은 검색과 생성이 분리된 두 단계라는 점이며, 모델이 원래 알고 있던 것과 방금 가져온 근거를 함께 쓰게 만듭니다. 쉽게 말해 먼저 자료를 찾아 책상 위에 펼쳐 놓고, 그 자료를 보며 답안을 쓰게 하는 방식이라고 볼 수 있습니다.
Why it matters: 모델이 내부 파라미터만으로 답하는 한계를 줄이고, 최신 자료나 조직 문서를 근거로 쓰게 만드는 대표 방식이기 때문입니다. 동시에 검색 품질, 청크 구성, 출처 추적이 나쁘면 생성 단계만 좋아도 전체 답변 품질이 흔들린다는 점을 보여 줍니다. 이 개념이 있어야 검색을 붙였다는 사실만으로 답이 자동으로 믿을 만해지는 것은 아니고, 어떤 자료를 어떻게 붙였는지까지 함께 봐야 한다는 점을 이해하게 됩니다. 예를 들어 사내 정책을 묻는 질문에 오래된 문서를 가져오면, 생성 문장이 아무리 매끄러워도 실제로는 잘못된 답을 그럴듯하게 포장할 수 있습니다.
Related concepts: embedding, similarity search, tool, provenance, non-parametric memory
Core Section: P1-13.3
Appears in: P1-14.1, P1-14.2, P1-14.3, P6-9.3, P6-11.1, P6-11.2, P6-12.1, P7-5.1, P7-5.2

retrospective¶

Meaning: 프로젝트나 실행이 끝난 뒤 확인된 사실, 해석, 실패, 다음 질문을 구분해 남기는 정리 단계입니다. 단순 소감문이라기보다, 다음 반복에서 다시 쓸 수 있는 판단 근거를 정리하는 운영 기록이며, 무엇이 일어났는가에서 한 걸음 더 나아가 그래서 다음에는 무엇을 바꿀 것인가를 남기는 자리라고 볼 수 있습니다. 즉 회고는 과거를 요약하는 일인 동시에, 다음 실험 설계를 준비하는 단계이기도 합니다.
Why it matters: 결과만 적고 끝내지 않고, 무엇이 확정된 사실이고 무엇이 다음 반복에서 다시 봐야 할 문제인지 분리해야 학습과 개선이 반복 가능해집니다. 회고가 있어야 같은 실수를 줄이고, 어떤 변화가 실제로 효과가 있었는지도 더 정확히 축적할 수 있으며, 요청 실행 기록과 평가 결과를 다음 실험 설계로 연결할 수 있습니다. 이 개념이 있어야 실행이 끝난 뒤의 기록도 단순 보관이 아니라, 다음 실행을 더 좋게 만들기 위한 분석 단계라는 점이 분명해집니다. 또한 회고를 이해해야 잘됐다/안됐다 수준의 인상평과, 다시 활용 가능한 운영 지식을 남기는 일은 다르다는 점도 더 뚜렷해집니다. 특히 Part 7에서는 검토가 아직 확정하지 않은 항목을 다시 보는 확인이라면, 회고는 사실 -> 해석 -> 다음 질문 또는 실패 범주 -> 다음 조치로 다음 반복을 여는 정리라는 구분도 함께 붙잡아야 합니다.
Related concepts: review, run record, evaluation, reproducibility, trace
Core Section: P7-1.2
Appears in: P7-index, P7-1.3, P7-2.2, P7-3.2, P7-7.2, P7-summary

retry¶

Meaning: 요청이나 작업이 실패했을 때 같은 작업을 다시 실행하는 정책입니다. 한 번 실패했다고 곧바로 완전 실패로 처리하지 않고, 어떤 실패는 잠깐 기다렸다가 다시 시도해 볼 가치가 있다는 운영 판단을 코드로 옮긴 장치라고 볼 수 있습니다. 즉 재시도는 실패를 무시한다가 아니라, 실패 원인이 일시적인지 구분해 다시 기회를 주는 제어 전략입니다.
Why it matters: 외부 API, 네트워크, 레이트 리밋 같은 문제는 일시적일 수 있지만, 무작정 반복하면 비용과 실패를 더 키울 수도 있어 재시도 규칙 자체가 설계 조건이 되기 때문입니다. 이 개념이 있어야 다시 해 본다가 단순 끈기가 아니라, 횟수 제한, 대기 간격, 중단 조건을 함께 짜야 하는 운영 규칙이라는 점을 이해하게 됩니다. 결국 재시도는 안정성을 높이는 장치이면서도, 잘못 설계하면 중복 요청과 비용 폭증을 부르는 위험 요소라는 점을 같이 읽어야 합니다.
Related concepts: rate limit, latency, operation, stop condition
Core Section: P1-14.6
Appears in: P1-14.5

return value¶

Meaning: 함수가 계산을 마친 뒤 바깥으로 돌려주는 결과 값입니다. 화면에 보여 주는 출력과 같을 수도 있지만, 더 중요한 점은 다음 계산에서 다시 사용할 수 있는 값으로 돌려준다는 데 있습니다. 즉 반환값은 사람에게 보여 주는 정보라기보다 다음 코드가 이어서 사용할 재료라는 성격이 더 강합니다.
Why it matters: 초심자는 print된 화면 결과와 함수의 반환값을 자주 같은 것으로 오해합니다. 반환값 개념이 있어야 함수 호출 결과를 변수에 저장하고, 여러 계산을 연결하는 데이터 흐름을 읽을 수 있습니다. 이 개념이 있어야 보여 주기 위한 출력과 다음 계산으로 넘길 값을 구분하게 되고, 함수가 계산 블록으로 조립되는 이유도 더 자연스럽게 이해하게 됩니다. 또한 반환값을 이해해야 함수가 화면에 아무것도 출력하지 않아도 유용한 계산을 했을 수 있다는 점, 반대로 화면에 뭔가 보여 줘도 반환값은 없을 수 있다는 점도 구분하게 됩니다.
Related concepts: function, parameter, argument
Core Section: P2-8.5
Appears in: P2-10.3, P5-6.2

review¶

Meaning: AI가 만든 결과를 사람이 다시 읽고, 근거와 표현, 범위, 책임 조건을 확인하는 절차입니다. 단순 교정이 아니라, 이 결과를 실제로 써도 되는지 판단하는 품질·안전 점검에 더 가깝고, 필요하면 수정·보류·재실행을 결정하는 운영 판단까지 포함합니다. 즉 검토는 문장이 자연스러운가만이 아니라 근거가 충분한가, 권한과 책임 조건에 맞는가, 지금 이 맥락에 실제로 써도 되는가를 함께 묻는 단계입니다.
Why it matters: 빠른 초안과 실제로 쓸 수 있는 결과를 구분하게 해 주며, 자동화의 책임 경계를 세우기 때문입니다. 생성 속도가 빨라질수록 검토는 선택 사항이 아니라 피해를 줄이는 핵심 단계가 됩니다. 이 개념이 있어야 자동 생성이 끝났다와 업무가 끝났다를 같은 말로 보지 않게 되고, 사람 평가와 책임 있는 배포 사이의 연결도 더 분명하게 이해하게 됩니다. 또한 검토를 이해해야 모델 출력 평가와 실제 배포 판단이 같은 말이 아니며, 사실성, 최신성, 안전성, 법적 조건을 서로 다른 질문으로 나누어 다시 확인해야 한다는 점도 더 선명하게 읽게 됩니다.
Related concepts: productivity, evidence review, evaluation, evidence, accountability
Core Section: P1-10.3
Appears in: P1-16.2, P3-9.2, P7-1.2, P7-3.2, P7-5.1, P7-5.2, P7-6.2, P7-7.2

review queue¶

Meaning: 비교 리포트에서 드러난 변화들 가운데 사람이 무엇부터 먼저 볼지 우선순위를 붙여 정렬한 운영 선택용 산출물입니다. 즉 차이를 전부 한 번에 처리하지 않고, 위험도·중요도·확신도에 따라 먼저 볼 항목을 줄 세운 검토 대기열이라고 볼 수 있습니다. 따라서 검토 후보 큐는 단순 목록이 아니라, 제한된 검토 자원을 어디에 먼저 쓸지 결정하는 운영용 정렬 결과입니다.
Why it matters: 모든 차이를 곧바로 예측 문제나 확정 라벨로 올릴 수는 없으므로, 변화 해석과 운영 행동 사이에 무엇을 먼저 검토할 것인가를 정하는 중간 구조가 필요하기 때문입니다. 이 개념이 있어야 자동 비교 결과와 사람 검토 자원이 바로 1:1로 이어지지 않고, 그 사이에 우선순위 운영 단계가 필요하다는 점을 이해하게 됩니다. 결국 검토 후보 큐를 이해해야 자동화 시스템에서도 사람 검토는 전부 본다보다 어떤 순서로 본다가 더 핵심적인 설계 문제가 된다는 점을 읽게 됩니다.
Related concepts: comparison report, output structure, target candidate
Core Section: P3-9.3
Appears in: P3-1.3, P3-4.2, P3-8.1, P3-8.2, P3-8.3, P3-8.4, P3-8.5, P3-9.1, P3-9.2, P3-9.4, P3-9.5, P3-9.6, P3-summary

review summary¶

Meaning: 검토 과정에서 확인된 상태, 남은 문제, blocked 또는 failure 단계, 추가 승인 필요 항목, 재시도 필요 항목을 짧은 구조로 다시 묶은 요약 기록입니다. 긴 실행 로그 전체를 다시 읽지 않아도 무엇이 끝났고 무엇이 아직 남았는가를 한 번에 파악하게 만드는 운영용 압축본이라고 볼 수 있습니다. 즉 검토 요약은 검토 사실을 축약하는 데서 끝나지 않고, 다음 행동을 정하기 위한 현재 상태 표지 역할을 합니다.
Why it matters: 검토 기록이 길어질수록 사람은 전체 로그를 매번 처음부터 다시 읽기 어렵고, 어떤 단계가 막혔는지와 어떤 조치가 필요한지가 쉽게 흐려지기 때문입니다. 이 개념이 있어야 완료 단계, 실패 단계, 승인 대기 단계를 한눈에 분리하게 되고, 상태 점검과 개선 계획도 긴 서술 대신 구조화된 요약 위에서 다시 시작하게 됩니다. 또한 검토 요약을 이해해야 Part 7의 운영 회고가 단순 실행 일지가 아니라, 현재 상태를 압축해 다음 조치를 여는 문서 구조라는 점도 더 분명하게 읽게 됩니다.
Related concepts: review, status inspection, hold state, next action, improvement plan
Core Section: P7-6.2
Appears in: P7-index, P7-4.2, P7-7.1, P7-summary

review target¶

Meaning: 점수나 요약표 전체를 다 다시 보는 대신, 다음 반복에서 먼저 추적하고 다시 읽어야 한다고 명시적으로 표시해 둔 샘플, 문장, 링크, 신호 같은 구체 사례입니다. 막연한 문제가 있었다보다 더 좁은 단위로, 무엇을 왜 다시 볼지까지 함께 남겨 둔 재검토 표적이라고 볼 수 있습니다. 즉 검토 대상은 회고 분위기를 적는 말이 아니라, 다음 확인이 실제로 시작될 위치를 가리키는 실행 표지입니다.
Why it matters: 오류 분석과 운영 회고가 사례 단위로 다시 닫히지 않으면, 다음 반복에서 무엇을 먼저 다시 볼지 흐려지고 같은 문제를 다시 찾기도 어려워지기 때문입니다. 이 개념이 있어야 낮은 coverage 문장, 404 링크, 약한 결함 샘플처럼 왜 다시 봐야 하는가가 분명한 항목을 별도로 고정하게 되고, 점수표와 실제 실패 사례를 같은 문서 안에서 연결하게 됩니다. 또한 검토 대상을 이해해야 검토 후보 큐, 우선순위, 개선 계획이 모두 구체 사례 위에 서야 한다는 점도 더 선명하게 읽게 됩니다.
Related concepts: review, error case, priority, improvement plan, review queue
Core Section: P7-4.2
Appears in: P7-3.2, P7-7.1

review-target sample¶

Meaning: 여러 샘플 가운데 다음 반복에서 우선 다시 읽어야 한다고 특정 ID나 문장으로 고정해 둔 샘플입니다. 넓은 의미의 검토 대상(review target)이 문장, 링크, 로그 신호까지 포함할 수 있다면, 검토 대상 샘플은 그중에서도 실제 샘플 단위 사례로 좁혀 둔 재검토 표지라고 볼 수 있습니다. 즉 검토 대상 샘플은 다음 실험이나 분석에서 가장 먼저 다시 열 샘플 위치를 문서 안에 명시한 기록입니다.
Why it matters: coverage가 낮거나, 확신 차이가 작거나, 특정 표현이 흔들린 샘플을 따로 묶어 두지 않으면 다음 반복에서 무엇을 먼저 다시 볼지 금방 흐려지기 때문입니다. 이 개념이 있어야 오류 샘플 전체와 우선 재검토 샘플을 구분하게 되고, 검토 요약과 평가 기록도 어디서부터 다시 시작할 것인가라는 실제 순서 위에 서게 됩니다. 또한 검토 대상 샘플을 이해해야 Part 7의 입력 해석과 오류 분석이 단순 점수 확인이 아니라, 다시 볼 샘플 위치를 고정하는 프로젝트 기록이라는 점도 더 선명하게 읽게 됩니다.
Related concepts: review target, follow-up review sample, error sample, evaluation record, priority
Core Section: P7-4.2
Appears in: P7-3.2, P7-summary

reward¶

Meaning: 행동 결과가 목표에 얼마나 도움이 되었는지를 수치로 돌려주는 피드백 신호입니다. 즉 환경이 이 선택은 목표에 도움이 되었는가를 간단한 숫자로 요약해 돌려주는 평가라고 볼 수 있습니다.
Why it matters: 강화학습에서 학습 신호는 미리 붙은 라벨이 아니라 행동 이후의 결과 평가라는 점을 분명히 해 주기 때문입니다. 이 개념이 있어야 분류 문제의 정답 라벨과 강화학습의 피드백이 같은 종류가 아니라는 점을 이해하게 되고, 에이전트가 즉시 정답을 받는 대신 결과를 통해 행동 기준을 조정한다는 흐름도 자연스럽게 읽게 됩니다. 또한 보상을 이해해야 당장 점수가 높다와 장기적으로 더 좋은 결과를 낳는다가 다를 수 있다는 점, 그래서 보상 설계가 잘못되면 엉뚱한 행동을 학습할 수도 있다는 점도 읽게 됩니다. 결국 보상은 단순 점수판이 아니라, 에이전트 행동을 원하는 방향으로 끌어가는 설계 도구이기도 합니다.
Related concepts: reinforcement learning, policy, environment
Core Section: P1-8.3
Appears in: P4-index, P4-2.3, P4-19.1, P4-19.2, P4-19.3, P4-19.5, P4-summary

rights and responsibility¶

Why it matters: 결과가 유용해 보여도 공개, 배포, 실사용 단계에서는 법적 권리와 책임 주체를 따로 점검해야 하기 때문입니다. 이 개념이 있어야 모델이 만들었다는 사실이 책임 회피 근거가 되지 않는다는 점을 이해하게 되고, 누구의 데이터와 표현을 썼는지, 누가 검토했고, 누가 배포 결정을 내렸는지를 함께 묻는 흐름으로 이어집니다. 또한 권리와 책임을 분리해 보지 않아야 성능이 좋다는 이유만으로 활용 가능성을 곧바로 승인하지 않고, 활용 조건과 책임 경계까지 함께 설계하게 됩니다.
Related concepts: copyright, accountability, human oversight
Core Section: P1-10.3
Appears in: P1-15.1

RNN, recurrent neural network¶

Meaning: 이전 단계의 숨은 상태를 다음 계산에 넘기며 순서가 있는 데이터를 처리하는 신경망 구조입니다. 앞에서 본 정보를 작은 작업 메모처럼 들고 다음 토큰이나 다음 시점 계산으로 넘기는 방식이라고 이해하면 됩니다. 즉 RNN은 입력 전체를 한꺼번에 보기보다, 순서를 따라 한 칸씩 읽으며 내부 상태에 정보를 누적하는 구조입니다.
Why it matters: 언어와 시계열처럼 순서가 중요한 데이터를 신경망이 어떻게 누적 처리하려 했는지 보여 주는 대표적인 출발점이기 때문입니다. 이 개념이 있어야 입력을 한 번에 던져 처리하는 구조와, 앞에서 본 정보를 숨은 상태에 누적하며 다음 토큰을 읽는 구조를 구분할 수 있고, 나중에 트랜스포머가 왜 다른 방식으로 긴 문맥 문제를 다루게 되었는지도 비교해서 이해하게 됩니다. 결국 RNN을 이해해야 순서 정보는 어떻게 기억되는가라는 질문에 대한 초기 신경망 답변을 읽을 수 있습니다.
Related concepts: hidden state, LSTM, long short-term memory, Seq2Seq
Core Section: P1-11.2
Appears in: P5-12.1, P5-12.2

row¶

Meaning: 표에서 한 사례, 한 관측, 한 샘플 단위를 가로로 나타낸 줄입니다. 다만 실제 데이터에서는 한 행이 바로 학습 샘플 1건일 수도 있고, 여러 행을 묶어야 하나의 사건이 되기도 합니다. 예를 들어 주문 데이터에서는 한 행이 주문 1건일 수 있지만, 로그 데이터에서는 여러 행이 모여 하나의 세션이나 사용자 행동 흐름을 이룰 수도 있습니다.
Why it matters: DataFrame을 읽을 때 한 행이 곧 최종 샘플 1건인지, 아니면 여러 행이 함께 하나의 동작이나 사례를 이루는지 먼저 구분해야 분석 단위를 올바르게 잡을 수 있기 때문입니다. 행 해석이 흔들리면 이후 집계, 라벨링, 데이터셋 구성도 함께 흔들립니다. 이 개념이 있어야 표를 볼 때 먼저 한 줄이 무엇을 대표하는가를 묻게 되고, 같은 데이터라도 행 단위 해석에 따라 완전히 다른 분석이 나올 수 있다는 점을 이해하게 됩니다. 즉 표를 읽는 첫 단계는 값을 보기 전에 이 한 줄이 현실의 무엇에 대응하는가를 정하는 일이라는 점을 붙잡게 됩니다.
Related concepts: column, DataFrame, dataset
Core Section: P2-12.1
Appears in: P3-4.1

rule-based system¶

Meaning: 현재 사실과 사람이 작성한 규칙을 대조해 결론이나 행동을 정하는 시스템입니다. 학습된 수치 파라미터가 스스로 경계를 만드는 방식이라기보다, 사람이 이 조건이면 이렇게 하라는 판단 기준을 명시적으로 적어 두고 그 규칙을 적용하는 구조에 가깝습니다. 따라서 입력이 어떻게 규칙과 맞물렸는지 추적하기 쉽지만, 규칙에 적히지 않은 예외 상황에는 쉽게 약해질 수 있습니다.
Why it matters: 설명 가능성, 통제 가능성, 정책·권한·절차 자동화의 강점과 한계를 이해하는 출발점이 됩니다. 이 개념이 있어야 머신러닝 모델이 데이터를 통해 경향을 배우는 방식과, 규칙 기반 시스템이 사람이 쓴 지식을 그대로 실행하는 방식을 분리해 이해할 수 있습니다. 예를 들어 권한이 없으면 배포 금지 같은 운영 통제는 규칙 기반으로 분명하게 다루기 좋지만, 사진 속 동물이 개인지 고양이인지처럼 경계가 흐린 인식 문제는 규칙만으로 처리하기 어렵다는 차이도 함께 읽게 됩니다.
Related concepts: symbolic AI, inference engine
Core Section: P1-3.1
Appears in: P1-2.1

run record¶

Meaning: 한 요청이 어떤 입력, 근거, 도구 호출, 평가 상태, 다음 조치를 거쳐 처리되었는지 묶어서 남긴 실행 단위 기록입니다. 단순 결과 저장이 아니라, 이 결과가 어떤 과정을 거쳐 나왔는가를 요청 하나 기준으로 되짚는 묶음 기록에 가깝고, 하나의 실행을 다시 읽기 위한 최소 단위라고 볼 수 있습니다. 로그 한 줄이 부분 장면이라면, 요청 실행 기록은 그 장면들을 한 번의 요청 흐름으로 묶어 주는 실행 묶음입니다.
Why it matters: 검색 실패, 근거 부족, 실행 실패, 사람 검토 필요 여부를 요청 단위로 다시 읽어야 다음 수정과 회고가 실제로 가능해지기 때문입니다. 이 개념이 있어야 개별 로그 조각과 전체 요청 흐름을 분리해 읽게 되고, 무엇을 고치면 다음 실행이 나아질지 더 구체적으로 판단할 수 있습니다. 또한 좋은 요청 실행 기록이 있어야 평가 결과와 운영 문제를 같은 실행 단위에서 연결해 해석할 수 있고, 단순 에러 메시지 모음이 아니라 어디서 판단이 바뀌었는가까지 추적하게 됩니다. 즉 run record는 결과 보관함이 아니라, 다음 개선을 위해 실행 경로를 다시 읽는 복원 지도에 가깝습니다.
Related concepts: harness, evaluation, reproducibility, trace, retrospective
Core Section: P6-18.2
Appears in: P6-18.1, P7-6.1, P7-6.2

runtime¶

Meaning: 코드가 실제로 실행되는 자리와 그 자리에 연결된 Python, 패키지, 설정의 묶음입니다. 소스 코드 바깥에서, 그 코드가 실제로 어떻게 동작할지를 결정하는 조건 전체라고 볼 수 있습니다. 즉 실행 환경은 코드가 적힌 내용이 아니라 그 코드가 실제로 굴러가는 조건 쪽을 가리킵니다.
Why it matters: 코드 자체가 같아도 실행 환경이 다르면 결과가 달라지거나 아예 실행되지 않을 수 있기 때문입니다. 그래서 오류를 읽을 때도 코드만 보는 것이 아니라, 어떤 런타임에서 돌렸는지를 함께 확인해야 합니다. 이 개념이 있어야 코드는 맞는데 왜 안 되지라는 상황을 패키지 버전, 경로, 설정 차이 문제로 다시 읽게 되고, 재현성 점검도 소스 파일 비교만으로 끝나지 않는다는 점을 자연스럽게 이해하게 됩니다. 결국 실행 환경을 이해해야 버그의 원인을 프로그램 로직과 환경 조건으로 나누어 진단하게 됩니다.
Related concepts: local environment, virtual environment, dependency
Core Section: P2-7.1
Appears in: P2-10.2, P2-10.3

runtime state¶

Meaning: 현재 실행 중인 노트북 환경 안에 메모리, 변수, 불러온 모듈, 설정처럼 이미 올라가 있는 상태입니다. 파일에 적힌 코드와 별도로, 지금 세션 안에 살아 있는 실행 흔적 전체라고 볼 수 있습니다. 즉 런타임 상태는 적혀 있는 코드가 아니라 실제로 실행한 뒤 남아 있는 현재 문맥입니다.
Why it matters: 파일 내용만 봐서는 알 수 없는 실행 맥락이 남아 있어, 노트북을 처음부터 다시 돌리면 다른 결과가 나오는 이유를 설명해 주기 때문입니다. 노트북 재현성이 흔들리는 대표 원인이 바로 이 런타임 상태입니다. 예를 들어 위 셀에서 데이터를 미리 바꾸거나 변수를 덮어쓴 뒤 아래 셀만 다시 실행하면, 코드 줄은 같아도 결과는 달라질 수 있습니다. 결국 런타임 상태를 이해해야 코드가 같다와 실행 조건이 같다를 같은 말로 보지 않게 되고, 재실행 가능한 기록이 왜 셀 순서와 초기화까지 함께 관리해야 하는지도 더 분명히 읽게 됩니다.
Related concepts: hidden state, execution order, runtime
Core Section: P2-10.3
Appears in: P2-10.1, P2-10.2