뜻: 파일 자체보다 변경 이력과 설명을 기록하고 추적하는 분산 버전 관리 도구입니다. 지금 보이는 파일 한 장만 저장하는 것이 아니라, 어떤 상태가 언제 왜 만들어졌는가를 이력 단위로 관리하는 작업 도구라고 볼 수 있습니다. 각 작업자가 자기 컴퓨터에서도 이력을 갖고 비교하고 되돌릴 수 있다는 점에서 단순 클라우드 저장과 성격이 다릅니다.
왜 중요한가: 문서, 코드, 이미지, 메모가 함께 바뀌는 프로젝트에서 무엇을 왜 바꿨는지 다시 설명하고, 특정 시점의 상태를 되짚는 기본 장치가 되기 때문입니다. 이 개념이 있어야 단순 파일 저장과 협업 가능한 변경 관리가 어떻게 다른지, 그리고 배포 전 검토 흐름이 왜 버전 관리 위에 서는지 이해하게 됩니다. 결국 Git은 최신 파일 하나를 남기는 도구가 아니라, 변경의 이유와 순서를 남기는 도구라는 감각이 중요합니다.
함께 볼 개념: 버전 관리(version control), 커밋(commit), 저장소(repository)
뜻: 같은 범주 값을 가진 행끼리 먼저 묶은 뒤, 각 묶음별로 개수나 평균 같은 요약값을 계산하는 Pandas 방식입니다. 즉 표를 한 줄씩 읽기에서 집단별로 읽기로 바꾸는 도구라고 볼 수 있습니다. 예를 들어 주문 표를 고객별, 지역별, 월별로 다시 묶어 보면, 원본 행만 볼 때는 안 보이던 경향이 드러납니다.
왜 중요한가: 전체 표를 한 번에 보는 대신, 지역별·상태별처럼 같은 범주를 기준으로 다시 읽어야 패턴이 드러나는 경우가 많기 때문입니다. 무엇을 묶을 것인가를 정하는 순간 질문 자체가 바뀌므로, groupby는 단순 문법보다 해석 단위 선택에 더 가깝습니다. 이 개념이 있어야 평균 하나를 계산했다는 사실보다 어떤 묶음 기준으로 평균을 냈는가가 해석의 핵심이라는 점을 놓치지 않게 됩니다. 결국 groupby는 숫자를 내는 도구이기 전에 어떤 집단을 비교할 것인가를 정하는 사고 도구이기도 합니다.
함께 볼 개념: 집계(aggregation), 필터링(filtering), 열(column)
뜻: 프로젝트마다 Python과 패키지를 분리해 둘 수 있도록 만든 독립 실행 공간입니다. 같은 컴퓨터 안에서도 프로젝트별로 다른 의존성 조합을 따로 유지하게 해 주는 작은 격리 상자에 가깝습니다. 시스템 전체 Python을 하나만 쓰는 대신, 프로젝트별로 이 작업은 이 인터프리터와 이 패키지 묶음으로 돈다고 분리해 두는 방식입니다.
왜 중요한가: 프로젝트별 패키지 충돌을 줄이고, 어떤 환경에 설치했고 어떤 환경에서 실행했는지 더 분명히 관리할 수 있기 때문입니다. 가상환경 개념이 있어야 내 컴퓨터에는 되는데 다른 프로젝트에서는 안 된다는 상황을 구조적으로 이해할 수 있습니다. 예를 들어 한 프로젝트는 pandas 최신판을 쓰고 다른 프로젝트는 예전판을 써야 할 때, 가상환경이 없으면 서로의 실행 조건을 쉽게 깨뜨릴 수 있습니다. 결국 가상환경은 한 컴퓨터에서 여러 프로젝트를 서로 덜 망가뜨리며 공존시키는 기본 격리 장치입니다.
함께 볼 개념: 로컬 환경(local environment), 실행 환경(runtime), 패키지(package)
뜻: 모델 안에서 어떤 입력 값이나 중간 값이 출력 계산에 얼마나 크게 반영될지를 정하는 파라미터입니다. 같은 입력이라도 어떤 신호는 더 크게, 어떤 신호는 더 약하게 통과시키도록 정하는 중요도 조절값에 가깝습니다. 즉 가중치는 입력과 출력 사이 연결 강도를 수치로 정한 조정 손잡이라고 볼 수 있습니다.
왜 중요한가: 딥러닝과 머신러닝에서 학습은 결국 이런 가중치를 조정해 입력-출력 관계를 바꾸는 과정이므로, 모델이 무엇을 얼마나 반영하는지 읽는 가장 기본적인 손잡이가 되기 때문입니다. 이 개념이 있어야 모델이 배운다는 말을 막연한 지능 증가가 아니라, 계산 연결마다 반영 비율이 바뀌는 과정으로 더 구체적으로 이해할 수 있습니다. 또한 가중치를 이해해야 모델 변화가 어떤 연결이 더 중요해졌는가의 누적으로 일어난다는 점도 더 분명히 읽게 됩니다.
함께 볼 개념: 파라미터(parameter), 활성값(activation), 학습(training)
뜻: 그래프에서 한 노드와 다른 노드를 잇는 간선에 붙어, 거리, 비용, 강도, 중요도 같은 관계 크기를 나타내는 값입니다. 여기서의 가중치는 신경망 파라미터처럼 학습되는 내부 계수일 수도 있지만, 많은 그래프 문제에서는 관계의 세기나 비용을 적어 둔 데이터 값으로 쓰입니다. 즉 간선 가중치는 연결이 있는가를 넘어서 그 연결이 얼마나 큰 의미를 갖는가를 수치로 붙인 정보입니다.
왜 중요한가: 같은 연결이라도 모두 같은 의미가 아니라, 얼마나 가깝고 얼마나 비싸고 얼마나 강한지를 숫자로 다르게 읽어야 추천, 경로 탐색, 관계 분석의 기준이 분명해지기 때문입니다. 이 개념이 있어야 연결 여부만 보는 그래프와 연결의 크기까지 함께 계산하는 그래프 문제를 분리해 이해할 수 있습니다. 결국 간선 가중치를 이해해야 그래프를 단순 연결 그림이 아니라, 관계 강도와 비용까지 담는 정량 구조로 읽게 됩니다.
함께 볼 개념: 그래프(graph), 가중치(weight), 방향 그래프(directed graph)
뜻: 계산이 실제로 다루는 데이터 그 자체입니다. 숫자 하나일 수도 있고, 문자열, 리스트, 딕셔너리, 배열, 함수 호출 결과처럼 더 큰 구조일 수도 있습니다. 즉 값은 이름표가 아니라, 계산이 실제로 받아서 비교하고 저장하고 바꾸는 대상입니다.
왜 중요한가: 변수는 값을 가리키고, 식은 값을 계산하고, 함수는 값을 받아 새 값을 돌려줍니다. Python과 수식 읽기의 대부분은 결국 지금 무엇이 값으로 취급되는가를 구분하는 일에서 시작됩니다. 이 개념이 있어야 이름과 실제 데이터, 계산식과 계산 결과를 분리해 읽게 되고, 같은 값이 여러 이름으로 참조될 수 있다는 점도 더 자연스럽게 이해하게 됩니다. 또한 값을 이해해야 무엇을 계산하고 있는가를 이름이 아니라 실제 데이터 층위에서 따라가게 됩니다. 초심자에게는 변수 이름과 그 안에 들어 있는 실제 내용을 분리해 읽는 첫 기준이기도 합니다.
함께 볼 개념: 변수(variable), 타입(type), 반환값(return value)
중심 Section: P2-8.1
등장 Section: P2-8.2, P2-8.3, P2-8.5, P2-8.6, P2-12.1
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 강화학습(reinforcement learning), 행동(action), 보상(reward)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 보상(reward), 정책(policy), 강화학습 에이전트(reinforcement learning agent)
중심 Section: P4-2.3
등장 Section: P1-8.3, P4-19.1, P4-19.2, P4-19.3, P4-19.4
뜻: 회고와 실패 기록에서 확인된 문제를 다음 반복에서 실제로 어떤 순서로 바꿀지 적어 둔 실행 목록입니다. 막연한 반성문이 아니라, 무엇을 먼저 고칠 것인가, 무엇을 다음 반복으로 넘길 것인가, 어떤 점검을 추가할 것인가를 작업 단위로 다시 정리한 계획표에 가깝습니다. 즉 개선 계획은 과거 기록을 미래 작업으로 번역하는 중간 문서입니다.
왜 중요한가: 실패 기록과 검토 요약이 남아 있어도 이를 실제 수정 순서와 작업 항목으로 다시 묶지 않으면 회고가 메모로 끝나고 다음 반복이 쉽게 흐려지기 때문입니다. 이 개념이 있어야 우선순위 1 문제와 장기 개선 항목을 분리하게 되고, 관찰된 문제와 이번 주에 바로 바꿀 일을 같은 칸에 섞지 않게 됩니다. 또한 개선 계획을 이해해야 Part 7의 비교 실험, 텍스트 검토, 에이전트 run, 배포 회고가 모두 결국 다음 반복을 어떻게 열 것인가로 수렴한다는 점도 더 또렷하게 읽게 됩니다.
함께 볼 개념: 회고(retrospective), 우선순위(priority), 다음 행동(next action), 실패 유형(failure type), 사건 기록(incident record)
뜻: 스스로 잊은 개념을 다시 익히고, 질문과 근거를 정리하며 이해를 회복하는 학습 과정입니다. 단순 암기보다 무엇을 모르고 있는지 드러내고, 그 빈칸을 다시 메우는 과정에 더 가까운 재학습 흐름이라고 볼 수 있습니다.
왜 중요한가: AI를 정답 기계가 아니라, 잊은 개념을 다시 떠올리고 질문을 정리하며 근거를 대조하는 재학습 보조 도구로 쓰는 가장 현실적인 장면을 보여 주기 때문입니다. 이 개념이 있어야 무엇을 외워서 끝내는가보다 어떤 질문 흐름으로 이해를 복구하는가에 초점을 맞추게 되고, 초안 생성과 근거 검토를 함께 묶는 학습 방식도 더 자연스럽게 이해하게 됩니다. 또한 개인 학습을 이해해야 동일한 AI 도구라도 시험 정답을 대신 받는 용도와, 개념 복구와 설명 정리에 쓰는 용도가 다르다는 점도 더 분명하게 구분하게 됩니다. 결국 개인 학습은 답을 받는 일보다 이해 구조를 다시 세우는 일에 더 가깝습니다.
함께 볼 개념: 문서화(documentation), 작업 가설(working hypothesis), 근거 확인(evidence review)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 보안(security), 민감 정보(sensitive information), 로그(log)
뜻: 이미지 안에 무엇이 있는지뿐 아니라, 그 물체가 어디에 있는지도 함께 예측하는 문제 유형입니다. 즉 고양이가 있다에서 멈추지 않고, 어느 위치에 어떤 크기로 있는가까지 함께 답해야 하는 시각 문제입니다. 한 장면에 물체가 하나만 있는지 여러 개가 있는지, 서로 얼마나 겹치는지까지 함께 다루게 되는 경우가 많습니다. 그래서 출력은 보통 라벨 하나가 아니라 물체별 범주 + 위치 정보의 묶음 여러 개로 읽어야 합니다.
왜 중요한가: 이미지 분류보다 더 복잡한 출력 구조를 다루며, 딥러닝이 위치와 범주를 함께 예측하는 방향으로 확장된 대표 사례이기 때문입니다. 이 개념이 있어야 분류, 검출, 분할(segmentation)이 모두 비슷한 이미지 문제처럼 보여도 출력 요구가 서로 다르다는 점을 분명히 구분할 수 있습니다. 예를 들어 사진에 강아지가 있는가를 묻는 문제와 강아지가 왼쪽 아래에 어디까지 차지하는가를 묻는 문제는 같은 이미지 입력을 써도 전혀 다른 출력 구조를 요구합니다. 또한 객체 검출을 이해해야 YOLO 같은 모델이 왜 여러 단계 파이프라인을 하나의 예측 문제로 다시 묶었다고 설명되는지도 자연스럽게 이어집니다.
함께 볼 개념: 바운딩 박스(bounding box), YOLO, 이미지 인식(image recognition), 출력 구조(output structure)
뜻: Python이 메모리 안에서 다루는 실제 값의 대상입니다. 숫자, 문자열, 리스트, DataFrame, 모델 인스턴스처럼 눈에 보이는 거의 모든 값은 객체로 볼 수 있고, 각 객체는 자기 타입에 맞는 데이터와 동작을 함께 가집니다. 즉 객체는 단순 데이터 덩어리가 아니라, 어떤 값인가와 무엇을 할 수 있는가가 함께 묶인 실행 대상입니다.
왜 중요한가: 변수 이름만 보면 비슷해 보여도, 실제로는 어떤 객체가 들어 있느냐에 따라 쓸 수 있는 속성과 메서드가 달라집니다. 이 감각이 있어야 같은 값처럼 보이는 이름이 아니라 어떤 종류의 대상인가를 기준으로 코드를 읽게 되고, 라이브러리 사용법도 더 안정적으로 해석할 수 있습니다. 또한 객체를 이해해야 값 복사, 참조 공유, 메서드 호출 같은 Python 동작을 이름 수준이 아니라 실제 대상 수준에서 더 정확히 읽게 됩니다.
뜻: 두 벡터가 표현 공간에서 얼마나 떨어져 있는지 보는 비교 기준입니다. 값이 작을수록 보통 더 비슷하거나 더 가까운 후보로 읽히며, 검색에서는 이 거리를 기준으로 후보 순서를 정하게 됩니다. 즉 거리는 얼마나 닮았는가를 막연한 느낌이 아니라, 계산 가능한 차이 크기로 바꾸는 수치 언어입니다.
왜 중요한가: 유사도와 함께 검색 후보를 정렬하는 기본 감각을 제공하며, 가까운 후보를 찾는다는 말을 수치 비교 관점으로 이해하게 해 주기 때문입니다. 유사도와 거리는 같은 현상을 서로 다른 방향에서 설명하는 경우가 많아 둘을 함께 읽을 수 있어야 합니다. 또한 어떤 거리 기준을 쓰느냐에 따라 무엇을 비슷하다고 볼 것인가가 달라질 수 있어, 검색 품질이 단순 모델 성능만이 아니라 비교 기준 선택에도 달려 있다는 점을 이해하게 됩니다. 결국 거리는 가깝다는 말을 구현 가능한 계산 규칙으로 바꿔 주는 기준입니다.
함께 볼 개념: 유사도(similarity), 최근접 이웃(nearest neighbor), 벡터 공간(vector space), 유사도 검색(similarity search)
뜻: 많은 벡터나 문서 가운데 관련 후보를 더 빨리 찾기 위해 미리 만들어 두는 검색용 구조입니다. 원본 데이터를 그대로 쌓아 두는 저장 층이 아니라, 나중에 찾을 때 어떤 후보부터 비교하고 어떤 경로로 좁혀 갈지를 미리 조직해 둔 탐색 층에 가깝습니다. 책 맨 뒤의 색인처럼 무엇을 어디서부터 찾아볼지를 빠르게 안내하는 장치라고 생각하면 이해하기 쉽습니다.
왜 중요한가: 모든 벡터를 매번 처음부터 비교하지 않고도 가까운 후보를 빠르게 좁힐 수 있어, 대규모 벡터 검색이 실제 서비스에서 가능해지기 때문입니다. 같은 임베딩을 써도 인덱스 구조에 따라 속도, 메모리 사용, 검색 누락 가능성이 함께 달라지므로, 검색 품질은 모델과 표현뿐 아니라 인덱스 설계의 영향도 크게 받습니다. 이 개념이 있어야 좋은 임베딩을 만들었다와 실제로 빠르고 안정적으로 찾는다를 같은 문제로 보지 않게 됩니다.
함께 볼 개념: 유사도 검색(similarity search), 근사 최근접 이웃(ANN, approximate nearest neighbor), 벡터 데이터베이스(vector database)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 임베딩(embedding), 유사도 검색(similarity search), 도구(tool), 출처 추적(provenance), 비파라메트릭 메모리(non-parametric memory)
뜻: 사람이 바로 읽어 볼 자료나 작업 후보를 찾기 위해 문서, 웹, 기록, 파일 목록을 살펴보는 일반적인 찾기 활동입니다. 정확한 답을 즉시 내는 행위라기보다, 다음 판단에 쓸 후보를 모으는 넓은 단계라고 볼 수 있습니다. 즉 검색은 결론을 바로 확정한다보다 먼저 볼 만한 자료를 줄인다는 단계에 더 가깝습니다.
왜 중요한가: 실무 보조에서는 검색 결과가 곧 최종 답이 아니라, 다음 검토와 판단으로 이어질 후보 집합을 만드는 단계이기 때문입니다. 이 개념이 있어야 검색은 답변 자체가 아니라 답변을 더 잘 만들기 위한 재료 수집일 수 있고, 사람 검색과 시스템 검색을 같은 흐름 안에서 연결해 읽을 수 있습니다. 또한 검색을 이해해야 찾았다는 사실과 그 자료가 실제로 적절한 근거라는 판단이 서로 다른 단계라는 점도 함께 읽게 됩니다. 결국 검색은 답을 낸다보다 답을 만들 재료를 먼저 좁힌다는 작업으로 읽는 편이 더 정확합니다.
함께 볼 개념: 업무 자동화(work automation), 검토(review), 정보 검색(information retrieval), 검색 증강 생성(retrieval-augmented generation, RAG)
뜻: 여러 설정이나 전처리 선택을 비교 점검하기 위해 학습 과정 중간에 따로 확인하는 데이터 또는 절차입니다. 학습 자체를 위한 데이터와, 설정을 고르기 위한 확인 단계를 분리해 두는 역할을 맡습니다.
왜 중요한가: 학습에 직접 쓴 데이터만으로 판단하면 과적합을 놓치기 쉬워, 설정을 고르는 단계와 마지막 테스트 단계를 분리해 읽어야 하기 때문입니다. 그래서 검증은 모델을 고르는 자리에 더 가깝고, 테스트는 최종 확인 자리에 더 가깝습니다. 이 개념이 있어야 학습 도중 점수를 계속 보는 일이 곧 정답 유출은 아니라는 점과, 반대로 검증 점수에 맞춰 지나치게 반복 조정하면 또 다른 과적합이 생길 수 있다는 점도 함께 이해하게 됩니다. 또한 검증은 한 번만 보는 의식이 아니라, 하이퍼파라미터와 전처리 선택을 비교하는 반복 판단 지점이라는 점도 붙잡게 됩니다.
함께 볼 개념: 테스트(test), 데이터 누수(data leakage), 일반화(generalization), 평가(evaluation)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 검토 대상(review target), 추가 검토 샘플(follow-up review sample), 오류 샘플(error sample), 평가 기록(evaluation record), 우선순위(priority)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 검토(review), 오류 사례(error case), 우선순위(priority), 개선 계획(improvement plan), 검토 후보 큐(review queue)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 검토(review), 상태 점검(status inspection), 보류 상태(hold state), 다음 행동(next action), 개선 계획(improvement plan)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 비교 리포트(comparison report), 출력 구조(output structure), 목표 라벨 후보(target candidate)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 생산성(productivity), 근거 확인(evidence review), 평가(evaluation), 근거(evidence), 책임(accountability)
중심 Section: P1-10.3
등장 Section: P1-16.2, P3-9.2, P7-1.2, P7-3.2, P7-5.1, P7-5.2, P7-6.2, P7-7.2
뜻: 순환 신경망에서 정보를 얼마나 남기고 얼마나 갱신할지 게이트로 조절해 긴 문맥을 더 안정적으로 다루려는 구조입니다. 기본 RNN보다 무엇을 기억하고 무엇을 잊을지를 더 분명히 조절하도록 만든 간소화된 메모리 장치라고 볼 수 있습니다. LSTM보다 구조가 조금 단순하지만, 순서 정보와 최근 문맥을 더 안정적으로 이어 가려는 목적은 비슷합니다.
왜 중요한가: 기본 RNN의 긴 의존성 한계를 완화하려는 대표적인 변형으로, LSTM과 함께 순차 모델 발전 흐름을 이해하게 해 주기 때문입니다. 이 개념이 있어야 순차 모델의 발전이 단순 층 추가가 아니라, 기억과 갱신 방식을 더 정교하게 만든 과정이었다는 점을 읽을 수 있습니다. 즉 GRU는 더 깊게 쌓는다보다 어떻게 기억을 조절할까라는 질문에 대한 한 답으로 읽어야 합니다. 또한 GRU를 이해해야 구조를 조금 단순하게 하면서도 긴 문맥 문제를 어느 정도 완화하려는 절충 설계가 가능하다는 점도 보게 됩니다.
함께 볼 개념: 순환 신경망(RNN, recurrent neural network), 장단기 메모리(LSTM, long short-term memory), 숨은 상태(hidden state)
뜻: 어떤 도구, 프로세스, 서버, 파일 접근이 다른 시스템이나 민감 자원 전체에 곧바로 번지지 않도록 경계를 나누어 두는 보호 방식입니다. 같은 실행 환경에 모든 권한과 자원을 섞어 두지 않고, 위험한 능력은 더 좁은 공간과 더 적은 연결 안에서만 작동하게 만드는 설계라고 볼 수 있습니다. 즉 격리는 사용 여부만 통제하는 것이 아니라, 문제가 생겨도 영향이 번지는 범위를 구조적으로 잘라 두는 장치입니다.
왜 중요한가: 권한과 승인만으로는 허용된 실행 내부에서 생긴 오류나 공격이 다른 자원으로 번지는 것을 완전히 막지 못하므로, 실행 경계 자체를 나누는 추가 방어선이 필요하기 때문입니다. 이 개념이 있어야 외부 능력을 연결할 때 쓸 수 있는가뿐 아니라 어디까지 퍼질 수 있는가를 함께 묻게 되고, MCP 서버나 에이전트 도구 연결을 더 안전하게 읽게 됩니다. 또한 격리를 이해해야 최소 권한, 실행 범위, 로그, 보안이 왜 따로따로가 아니라 서로 겹쳐야 하는 안전 설계인지도 더 또렷하게 보게 됩니다.
함께 볼 개념: 권한(permission), 실행 범위(scope), 최소 권한(least privilege), 보안(security), 에이전트(agent)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 해석(interpretation), 비교표(comparison table), 다음 질문(next question), 회고(retrospective), 지표(indicator)
뜻: 한 번의 시행에서 실제로 나올 수 있는 개별 결과입니다. 동전 던지기에서는 앞면, 뒷면이 각각 결과가 되고, 주사위에서는 1, 2, 3처럼 하나하나의 가능한 값이 결과가 됩니다. 즉 결과는 확률 문제를 이루는 가장 작은 낱개 경우라고 볼 수 있습니다.
왜 중요한가: 사건과 표본공간을 구분하고, 확률을 무엇에 붙이는지 분명히 하는 가장 작은 단위이기 때문입니다. 이 개념이 있어야 짝수가 나온다처럼 여러 결과를 묶은 사건과, 그 사건을 이루는 낱개 결과를 혼동하지 않게 됩니다. 또한 같은 현실 장면도 한 번의 결과를 무엇으로 보느냐에 따라 확률 문제 자체가 달라질 수 있어, 문제 정의와 결과 정의가 함께 맞물린다는 점도 자연스럽게 이해하게 됩니다. 결국 결과를 이해해야 확률이 어떤 낱개 경우들 위에 정의되는가를 먼저 따져 보게 됩니다.
함께 볼 개념: 사건(event), 표본공간(sample space), 확률(probability)
뜻: 입력에 대해 질문을 순차적으로 나누며 예측에 도달하는 트리 기반 모델 계열입니다. 이 조건이 맞는가를 반복해 가지를 따라 내려가며 마지막 잎 노드에서 예측을 내리는 구조라고 볼 수 있습니다. 즉 하나의 복잡한 공식을 한 번에 계산하기보다, 데이터를 여러 기준으로 잘라 가며 비슷한 사례들을 같은 잎으로 모으는 방식입니다.
왜 중요한가: 조건문처럼 읽히는 구조 덕분에 분류와 회귀에서 모두 직관적인 출발점을 제공합니다. 동시에 트리가 깊어질수록 훈련 데이터의 우연한 패턴까지 외워 버리기 쉬워, 해석 가능성과 과적합 위험이 함께 드러나는 대표 사례로 읽을 수 있습니다. 이 개념이 있어야 설명하기 쉬운 모델이 곧 항상 잘 일반화하는 모델은 아니라는 점을 이해하게 되고, 가지치기나 깊이 제한 같은 제약이 왜 필요한지도 더 자연스럽게 읽게 됩니다. 또한 결정트리를 이해하면 모델이 전체 평균 하나로 예측하는 것이 아니라, 질문 순서를 바꾸며 입력 공간을 구획하는 방식으로 규칙을 만든다는 점도 분명해집니다.
뜻: 운영 신호를 watch, review, action처럼 검토 강도와 대응 속도에 따라 한 단계 더 세분화해 두는 등급 체계입니다. 첫 행동 구간이 지금 고칠 것인가, 다시 확인할 것인가, 다음 반복으로 넘길 것인가를 나누는 큰 칸이라면, 경고 등급은 그 안에서 어떤 신호를 더 앞쪽 검토 대기열에 둘지 정하는 더 미세한 운영 분류라고 볼 수 있습니다. 즉 경고 등급은 문제의 참거짓을 확정하는 라벨이 아니라, 운영자가 어디에 먼저 주의를 기울여야 하는지 정하는 관찰 우선순위 표지입니다.
왜 중요한가: gap 하나만 크다고 바로 action으로 올리면 표본 수가 적거나 반복성이 낮은 단발성 튐을 실제 고장처럼 과잉 해석할 수 있고, 반대로 독자 영향이 큰 반복 신호를 너무 늦게 다룰 위험도 있기 때문입니다. 이 개념이 있어야 차이값, 반복성, 최근성, 독자 영향이 함께 검토 강도를 바꾼다는 점을 이해하게 되고, 운영 문서에서 값이 크다와 지금 바로 본다를 같은 말로 보지 않게 됩니다. 또한 경고 등급을 이해해야 행동 구간, 우선순위, 재현 확인이 한 번의 분류로 끝나는 것이 아니라, 운영 신호가 쌓일수록 더 촘촘한 검토 순서 체계로 이어져야 한다는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 행동 구간(action bucket), 우선순위(priority), 재현 확인(recheck), 상태 점검(status inspection), 사건 기록(incident record)
뜻: 손실이 줄어드는 방향으로 파라미터를 조금씩 바꾸는 반복 최적화 방법입니다. 현재 위치에서 가장 가파르게 내려가는 방향의 반대로 한 걸음씩 움직이며 더 낮은 손실 지점을 찾는 과정으로 이해하면 됩니다. 즉 한 번에 정답 파라미터를 찍는 방식이 아니라, 방향 신호를 보고 조금씩 갱신하며 더 나은 지점으로 내려가는 절차입니다.
왜 중요한가: 그래디언트가 실제 학습에서 어떻게 사용되는지 보여 주는 가장 대표적인 연결 고리이기 때문입니다. 이 개념이 있어야 학습이 정답을 한 번에 계산하는 일이 아니라, 손실 지형 위를 반복적으로 이동하는 탐색 과정이라는 점이 선명해집니다. 예를 들어 지금 손실이 높은 위치에 있어도 최솟값을 바로 알 수는 없지만, 현재 어느 방향으로 움직이면 더 낮아질 가능성이 큰지는 그래디언트가 알려 줄 수 있습니다. 결국 경사하강법을 이해해야 학습이 수식을 한 번 풀어 끝내는 일보다 방향을 보고 반복적으로 조정하는 일에 더 가깝다는 점도 분명해집니다.
함께 볼 개념: 그래디언트(gradient), 최적화(optimization), 학습률(learning rate)
뜻: 모델의 연산과 값 의존 관계를 노드와 연결로 펼쳐 놓아, 순전파와 역전파 흐름을 읽게 하는 표현입니다. 큰 수식을 한 덩어리로 두지 않고 곱하기, 더하기, 활성화 같은 작은 계산 블록과 그 연결 순서로 다시 그린 그림에 가깝습니다. 즉 계산 그래프는 무엇을 먼저 계산하고, 그 결과가 다음 어디로 들어가는가를 눈에 보이게 펼친 지도라고 볼 수 있습니다.
왜 중요한가: 큰 수식 하나로 보이면 추상적인 계산을 작은 연산 블록으로 나누어 보고, 자동미분이 gradient를 어떻게 조직하는지도 이해하게 해 주기 때문입니다. 이 개념이 있어야 역전파가 마법처럼 일어나는 것이 아니라, 연결된 계산 경로를 따라 기여도를 되돌려 보내는 절차라는 점을 더 구체적으로 읽을 수 있습니다. 또한 어떤 중간값을 저장해야 하는지, 어떤 연산이 앞선 결과에 의존하는지도 함께 드러나므로 학습 계산의 순서를 구조적으로 이해하게 됩니다.
함께 볼 개념: 역전파(backpropagation), 그래디언트(gradient), 자동미분(automatic differentiation)
뜻: 가능한 후보가 너무 빠르게 늘어나 모든 경우를 현실적인 시간과 자원 안에 다 살펴보기 어려운 상태입니다. 핵심은 컴퓨터를 조금 더 빠르게 만들면 풀린다는 수준이 아니라, 문제 크기가 커질수록 필요한 계산량이 너무 급격히 불어난다는 점에 있습니다. 즉 문제의 본질이 단순한 구현 속도 부족이 아니라, 경우의 수 폭발 자체에 있는 상황입니다.
왜 중요한가: 단순히 컴퓨터가 느린 문제가 아니라, 탐색 공간 자체가 너무 커질 수 있다는 점을 이해해야 휴리스틱과 가지치기의 필요를 정확히 읽을 수 있기 때문입니다. 이 개념이 있어야 완전 탐색이 이론적으로는 가능해도 실제 시스템에서는 왜 근사 해법과 우선순위 전략이 필요해지는지 설명할 수 있습니다. 예를 들어 가능한 경로를 전부 따져 볼 수는 있어도, 실제 서비스 응답 시간 안에 끝내려면 일부 후보를 먼저 보고 나머지는 과감히 버리는 전략이 필요합니다.
함께 볼 개념: 탐색(search), 탐색 공간(search space), 완전 탐색(exhaustive search)
중심 Section: P1-7.1
등장 Section: P1-index, P1-6.1, P1-7.2, P1-7.4, P1-8.1
뜻: 입력 길이와 상관없이 항상 같은 차원 크기로 압축해 만든 벡터 표현입니다. 짧은 문장이든 긴 문장이든 하나의 같은 크기 통에 요약해서 담는 방식이라고 생각하면 됩니다. 입력이 길어져도 출력 벡터 길이는 늘어나지 않으므로, 많은 정보를 제한된 자리 안에 눌러 담는 구조라고 볼 수 있습니다. 즉 입력 길이가 달라도 모델 바깥에서는 늘 같은 크기의 표현 하나만 받게 되는 압축 방식입니다.
왜 중요한가: 초기 Encoder-Decoder 구조에서는 긴 입력 전체를 하나의 고정 길이 벡터에 담아야 해서 정보 병목이 왜 생겼는지 이해하는 핵심 기준이 되기 때문입니다. 이 개념이 있어야 attention이 왜 전부 한 번에 압축하지 말고 필요한 위치를 다시 보자는 방향으로 나아갔는지도 이해하기 쉬워집니다. 예를 들어 아주 긴 문장의 앞부분 정보가 뒤쪽 번역에 계속 중요할 때, 하나의 작은 벡터에만 모두 넣으려 하면 세부 정보가 쉽게 희미해질 수 있습니다. 결국 고정 길이 벡터를 이해해야 문장을 표현으로 요약한다는 말의 장점과 한계, 그리고 긴 문맥 처리 구조가 왜 바뀌었는지를 함께 읽게 됩니다.
함께 볼 개념: 인코더-디코더(Encoder-Decoder), 어텐션(Attention), 벡터(vector)
뜻: 에이전트나 자동화 시스템이 현재 작업 목적에 비해 지나치게 넓은 실행 권한과 행동 자율성을 가진 상태입니다. 단순히 도구가 많다는 뜻이 아니라, 읽기만 필요한 작업인데 쓰기와 전송과 배포까지 열려 있거나, 확인 단계가 필요한데 곧바로 실행까지 이어질 수 있는 상태를 가리킵니다. 즉 과도한 권한은 할 수 있는 일이 해야 하는 일보다 너무 넓게 열려 있는 구조적 위험입니다.
왜 중요한가: 생성형 AI는 한 번의 판단 오류나 입력 공격이 곧바로 실제 상태 변경으로 이어질 수 있어, 권한 과잉이 작은 실수를 큰 사고로 확대하기 때문입니다. 이 개념이 있어야 모델의 지능 수준과 별개로, 시스템이 허용한 실행 자율성 자체가 위험 원인이 될 수 있다는 점을 이해하게 됩니다. 또한 과도한 권한을 이해해야 최소 권한, 실행 범위 제한, 명시적 승인, 중단 권한 같은 장치들이 왜 편의를 줄이는 부가 절차가 아니라 사고 규모를 줄이는 핵심 안전장치인지도 더 선명하게 읽게 됩니다.
함께 볼 개념: 최소 권한(least privilege), 실행 범위(scope), 승인(approval), 보안(security), 에이전트(agent)
뜻: 데이터 안의 관계를 충분히 배우지 못해 학습 데이터와 새 데이터 모두에서 성능이 약한 상태입니다. 모델이 너무 단순하거나 학습이 충분히 진행되지 않아, 아직 중요한 패턴 자체를 붙잡지 못한 상태라고 볼 수 있습니다. 쉽게 말해 문제를 너무 대충 본 탓에, 훈련 때 본 예시에서도 기본 규칙을 제대로 설명하지 못하는 상황입니다.
왜 중요한가: 학습이 잘 안 된 경우와 너무 많이 맞춘 경우를 구분할 때 필요합니다. 이 개념이 있어야 성능이 낮다고 해서 무조건 과적합을 의심하지 않고, 모델 용량 부족인지 학습 부족인지도 따로 따져 보게 됩니다. 또한 과소적합은 더 일반적이라서 좋은 상태가 아니라, 아직 기본 패턴조차 충분히 설명하지 못한 상태라는 점을 보여 주어 모델 단순화와 성능 저하를 같은 말로 섞지 않게 합니다. 결국 과적합과 과소적합은 둘 다 문제지만, 원인과 손보는 방향이 다르다는 점을 함께 읽어야 합니다.
함께 볼 개념: 일반화(generalization), 과적합(overfitting), 모델 복잡도(model complexity)
뜻: 학습 데이터에 너무 맞춰져 새 데이터에서는 성능이 떨어지는 상태입니다. 훈련 때 본 사례의 우연한 흔들림이나 잡음까지 함께 외워 버려, 익숙한 문제에는 강하지만 처음 보는 문제에는 약한 상태라고 이해할 수 있습니다. 즉 진짜로 반복되는 패턴뿐 아니라, 훈련 데이터에만 있던 사소한 흔들림까지 중요한 규칙처럼 배워 버린 상황입니다.
왜 중요한가: 데이터에서 패턴을 배운다는 것이 단순 암기가 아님을 설명할 때 핵심이 됩니다. 이 개념이 있어야 훈련 점수와 검증 점수를 따로 보는 이유, 모델이 복잡해질수록 왜 정규화와 조기 종료가 필요해지는지 자연스럽게 이어집니다. 또한 훈련 성능이 높다와 실제로 잘 쓴다가 같은 말이 아니라는 점을 분명히 해 주므로, 모델 비교 기준을 학습 점수 하나로 닫지 않게 됩니다. 예를 들어 모의고사 문제만 외운 학생이 처음 보는 실전 문제에는 약한 상황과 비슷하게 읽으면 이해가 쉽습니다.
함께 볼 개념: 일반화(generalization), 과소적합(underfitting), 정규화(regularization)
대표 반대 개념: 과소적합(underfitting), 일반화(generalization)
중심 Section: P4-5.1
등장 Section: P1-3.2, P4-5.2, P4-14.2, P4-16.2, P5-8.1, P5-8.2
뜻: 행동을 실행한 뒤 새로 얻은 정보나 결과입니다. 강화학습에서는 환경이 돌려주는 다음 화면, 수치, 신호가 될 수 있고, 서비스형 에이전트에서는 검색 결과, 오류 메시지, 파일 내용, 테스트 출력처럼 다음 판단에 쓰일 새 정보가 됩니다.
왜 중요한가: 여러 단계 문제에서는 한 번 행동한 뒤 무엇을 새로 알게 되었는지가 다음 행동과 종료 판단을 바로 바꾸기 때문입니다. 검색 결과, 오류 메시지, 도구 실행 결과, 테스트 결과는 모두 관찰이 되어 다음 상태를 갱신하고 계획을 수정하게 만듭니다. 이 개념이 있어야 에이전트 실행을 한 번 답하는 일이 아니라 행동하고 관찰하고 다시 선택하는 반복 구조로 읽게 됩니다. 또한 관찰을 이해해야 행동은 했지만 새 정보가 거의 없는 경우와 작은 행동 하나로 중요한 단서가 생긴 경우를 구분하게 되어, 어떤 행동이 정보 획득 측면에서 가치가 큰지도 더 잘 해석하게 됩니다.
뜻: 현재 실패 사례를 보고 다음에는 어떤 모델 구조 계열을 먼저 의심하거나 검토할 것인가를 임시 설명 형태로 정리한 가설입니다. 확정된 원인 진단이 아니라, 데이터 범위 문제인지, 입력 표현 문제인지, CNN·순차 모델·attention 계열 중 어느 질문이 더 직접적인지 다음 반복의 구조 선택 질문으로 좁혀 두는 메모라고 볼 수 있습니다. 즉 구조 계열 가설은 당장 이 구조가 정답이다가 아니라 어느 구조 질문을 먼저 열 것인가를 정하는 임시 작업 가설입니다.
왜 중요한가: 오류 사례를 단순 오답 표시로만 남기면 모델을 바꿔야 한다는 막연한 결론으로 쉽게 뛰게 되고, 데이터 부족과 표현 손실, 구조 한계를 서로 섞어 읽게 되기 때문입니다. 이 개념이 있어야 같은 실패도 데이터 가설, 표현 가설, 모델 가설로 나누어 적게 되고, 왜 어떤 경우에는 CNN이 먼저 떠오르고 어떤 경우에는 더 넓은 문맥 구조를 뒤에 검토해야 하는지도 더 분명하게 남길 수 있습니다. 또한 구조 계열 가설을 이해해야 Part 7의 회고 문장이 확정 원인 보고가 아니라, 다음 실험 설계를 여는 검토 문서라는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 오류 사례(error case), 검토 대상(review target), 작업 가설(working hypothesis), 표현(representation), 구조(structure)
뜻: 데이터 안에 숨어 있는 관계, 반복 패턴, 묶임, 축의 배열 방식입니다. 겉으로는 숫자나 항목의 모음처럼 보여도, 그 안에 어떤 항목이 함께 움직이고 무엇이 갈라지고 어떤 축을 따라 정리되는지가 바로 구조입니다. 따라서 구조는 데이터가 생긴 모양만이 아니라, 무엇을 가까운 것으로 보고 무엇을 다른 것으로 읽을지 정하는 관계의 틀이라고 볼 수 있습니다.
왜 중요한가: 비지도학습이 라벨 대신 무엇을 찾으려 하는지 설명하는 가장 넓은 기준이기 때문입니다. 이 개념이 있어야 군집화, 차원 축소, 표현 학습이 서로 다른 기법이어도 모두 데이터 안의 구조를 더 잘 드러내려는 시도라는 공통점을 읽을 수 있습니다. 또한 구조를 본다는 말이 단순히 모양이 있다는 느낌이 아니라, 어떤 관계를 남기고 어떤 차이를 무시할지 정하는 해석 선택이라는 점도 함께 이해하게 됩니다. 예를 들어 고객 데이터를 볼 때도 단순 평균만 보면 안 보이던 묶음이, 가까운 이웃 관계나 공통 행동 패턴을 기준으로 보면 새로운 구조로 드러날 수 있습니다.
함께 볼 개념: 비지도학습(unsupervised learning), 군집화(clustering), 표현(representation)
중심 Section: P1-8.2
등장 Section: P1-5.1, P4-6.2, P4-17.3, P4-18.1, P4-18.2
뜻: 미리 정답 라벨을 주지 않은 데이터 안에서 비슷한 항목끼리 묶음을 찾는 문제 유형입니다. 사람이 먼저 이름표를 주는 것이 아니라, 데이터 자체의 가까움과 패턴을 바탕으로 자연스럽게 함께 놓일 만한 그룹을 찾는 접근입니다. 즉 군집화는 무엇을 맞힐까보다 데이터가 스스로 어떻게 갈라져 보이는가를 먼저 묻는 문제에 가깝습니다.
왜 중요한가: 분류처럼 정답을 맞히는 문제와 달리, 데이터 안의 구조를 먼저 발견하는 질문이 따로 있다는 점을 보여 주기 때문입니다. 이 개념이 있어야 비지도학습이 정답이 없는 학습이라는 소극적 설명을 넘어서, 숨은 구조를 찾는 학습이라는 적극적 목표를 가진다는 점이 드러납니다. 또한 군집화를 이해해야 결과 번호 자체가 의미를 보장하는 것은 아니며, 묶음 뒤에 사람 해석이 다시 붙어야 한다는 점도 함께 읽게 됩니다.
함께 볼 개념: 분류(classification), 예측(prediction), 데이터셋(dataset)
중심 Section: P4-17.1
등장 Section: P1-1.2, P1-8.2, P4-2.2, P4-17.2, P4-18.2
뜻: 생성 결과를 사용할 때 저작권, 개인정보, 비밀 정보, 설명 책임, 배포 책임 같은 검토 항목을 함께 보는 관점입니다. 핵심은 쓸 수 있는가와 누가 책임지는가를 분리하지 않는 데 있습니다. 즉 권리와 책임은 결과물 자체의 품질만이 아니라, 그 결과를 만들고 검토하고 배포한 과정 전체를 함께 점검하는 운영 기준입니다.
왜 중요한가: 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.
함께 볼 개념: 저작권(copyright), 책임(accountability), 인간 감독(human oversight)
뜻: 어떤 도구나 동작을 어디까지 허용할지 정한 실행 가능 범위입니다. 같은 기능이라도 읽기만 가능한가, 수정까지 가능한가, 외부 세계에 실제 변화를 일으킬 수 있는가처럼 허용 범위가 층위별로 나뉠 수 있고, 누가 어떤 조건에서 그 범위를 갖는지도 함께 정해집니다. 즉 권한은 실행 전에 미리 잘라 둔 가능 범위이며, 개별 행동을 그때그때 허락할지 묻는 승인과는 다른 층위의 통제 장치입니다.
왜 중요한가: 같은 도구 호출도 읽기, 쓰기, 배포처럼 위험도와 허용 범위가 다르므로, 실행할 수 있다와 실행해도 된다를 구분해야 운영 판단과 책임 경계가 분명해지기 때문입니다. 이 구분이 있어야 모델 능력과 제도적 허용 범위를 섞지 않게 되고, 승인 절차가 왜 권한과 별개로 또 필요한지도 이해하게 됩니다. 결국 권한은 가능한 행동의 바깥 경계를 정하는 장치이고, 안전성과 검토는 그 경계 안에서 지금 무엇을 실제로 할지 다시 판단하는 장치라는 점이 함께 읽혀야 합니다. 또한 권한을 이해해야 작은 프롬프트 실수도 넓은 쓰기 권한과 결합하면 큰 피해로 이어질 수 있다는 점도 더 분명하게 보게 됩니다.
함께 볼 개념: 승인(approval), 도구 사용(tool use), 로그(log), 책임(accountability)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 기호 기반 AI(symbolic AI), 추론 엔진(inference engine)
뜻: 앞 단계가 남긴 오차를 다음 단계가 순차적으로 보정하도록 여러 약한 모델을 쌓아 가는 앙상블 방식입니다. 한 번에 완벽한 큰 모델을 만드는 대신, 이전 모델이 놓친 부분을 다음 모델이 조금씩 메우도록 이어 붙이는 접근이라고 볼 수 있습니다. 보통 작은 결정트리를 여러 개 차례로 더해 가며, 각 단계는 현재까지의 예측에서 남은 잔차(residual)를 줄이는 쪽으로 학습됩니다.
왜 중요한가: 표 형식 데이터에서 강한 성능 후보가 자주 되는 동시에, 과적합과 튜닝 민감성도 함께 보여 주는 대표 사례입니다. 이 개념이 있어야 왜 작은 트리를 여러 개 쌓는 방식이 단일 트리보다 강력할 수 있는지, 또 왜 학습률과 트리 수 같은 설정이 중요해지는지도 이해할 수 있습니다. 또한 그래디언트 부스팅은 오류를 한 번에 없앤다보다 남은 오류를 점진적으로 줄인다는 사고를 잘 보여 주어, 앙상블이 단순 다수결이 아니라 순차 보정 구조일 수도 있다는 점도 함께 읽게 됩니다. 즉 여러 모델을 쓴다는 공통점만으로 랜덤 포레스트와 같은 방식이라고 보면 안 되고, 독립적으로 많이 만든 뒤 평균내는가와 앞 단계 실수를 뒤 단계가 고치는가를 구분해 읽어야 합니다.
함께 볼 개념: 앙상블(ensemble), 잔차(residual), 하이퍼파라미터(hyperparameter)
뜻: 여러 편미분을 순서 있게 모은 벡터로, 각 방향의 변화율 정보를 함께 담은 표현입니다. 어떤 값을 조금 움직였을 때 손실이 어느 방향으로 얼마나 민감하게 변하는지를 한꺼번에 담은 방향 안내표에 가깝습니다. 즉 한 변수의 기울기 하나가 아니라, 많은 파라미터를 각각 어느 쪽으로 조정해야 할지를 동시에 적어 둔 신호라고 볼 수 있습니다.
왜 중요한가: 학습에서 손실을 줄이는 방향을 읽고 경사하강법과 역전파를 이해하는 핵심 개념이기 때문입니다. 이 개념이 있어야 파라미터를 왜 임의로 바꾸지 않고, 손실이 줄어드는 방향을 따라 조금씩 갱신하는지 설명할 수 있습니다. 예를 들어 파라미터가 수천 개면, 각 값을 올릴지 내릴지에 대한 방향 정보가 함께 있어야 실제 업데이트가 가능해집니다. 결국 그래디언트를 이해해야 학습이 막연히 더 좋아지게 조정한다는 말이 아니라, 손실을 줄이는 방향 신호를 따라 수치를 바꾸는 계산 과정이라는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 편미분(partial derivative), 벡터(vector), 학습(training)
중심 Section: P2-4.3
등장 Section: P2-4.4, P2-6.3, P5-5.1, P5-5.2, P5-6.1, P5-7.1
뜻: 가까운 벡터들을 노드와 연결 관계처럼 묶어 두고, 그 연결을 따라가며 검색 후보를 좁히는 방식입니다. 시작점에서 모든 후보를 한꺼번에 비교하는 대신, 가까워 보이는 이웃을 따라 이동하며 더 유망한 영역으로 들어가는 탐색 전략이라고 볼 수 있습니다. 즉 이 방식의 핵심은 거리 계산을 덜 한다보다 가까운 이웃 관계를 미리 구조로 저장해 둔다에 있습니다.
왜 중요한가: 모든 벡터를 매번 직접 비교하지 않고도 가까운 영역으로 빠르게 이동할 수 있어, 대규모 근사 최근접 검색의 직관을 이해하게 해 주기 때문입니다. 이 개념이 있어야 검색 인덱스가 단순 저장소가 아니라, 가까운 후보를 더 빨리 찾기 위한 탐색 구조라는 점이 분명해집니다. 또한 HNSW 같은 이름을 외우기 전에, 왜 연결을 따라가는 구조가 전수 비교보다 빠를 수 있는지 먼저 설명할 수 있게 됩니다.
함께 볼 개념: 그래프(graph), 근사 최근접 이웃(ANN, approximate nearest neighbor), 검색 인덱스(search index), 전체 비교(brute-force search)
뜻: 대상을 노드로 두고 그 사이의 관계를 엣지로 연결해 표현하는 구조입니다. 핵심은 항목 하나하나의 속성만 적는 것이 아니라, 무엇이 무엇과 어떻게 이어져 있는가를 데이터의 중심으로 두는 표현 방식이라는 점입니다. 즉 그래프는 대상 목록보다 연결 관계를 앞세워 세상을 표현하는 구조라고 볼 수 있습니다.
왜 중요한가: 표처럼 항목을 줄 맞춰 보는 것이 아니라, 연결을 따라가야 의미가 드러나는 데이터를 읽는 기본 감각이 되기 때문입니다. 이 개념이 있어야 친구 관계, 링크 구조, 의존성, 추천 연결처럼 관계 자체가 문제의 핵심인 데이터를 테이블과 다른 눈으로 읽을 수 있습니다. 또한 같은 대상 집합이라도 무엇이 연결되어 있는가를 중심에 두면 탐색, 영향 전파, 이웃 찾기 같은 전혀 다른 질문이 가능해진다는 점도 이해하게 됩니다. 결국 그래프를 이해해야 데이터 표현이 값 표에서 관계망으로 바뀔 때 질문 자체도 달라진다는 점을 읽게 됩니다.
뜻: 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.
왜 중요한가: 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.
뜻: 결과를 점수, 통과/실패, 기준 충족 여부처럼 실행 가능한 방식으로 판정하는 평가 장치입니다. 사람이 직접 읽어 판정할 수도 있고, 규칙 기반 검사기나 별도 평가 모델 형태로 구현될 수도 있지만, 핵심은 같은 입력이면 같은 채점 절차를 다시 돌릴 수 있다는 점입니다. 즉 그레이더는 단순 의견이 아니라, 비교와 반복 실행을 가능하게 만드는 판정 규칙의 형태입니다.
왜 중요한가: 생성형 AI처럼 정답이 하나로 고정되지 않는 문제에서는 사람이 말로만 평가 기준을 설명하는 것에서 멈추지 않고, 반복 실행 가능한 판정 기준으로 바꿔야 비교와 회귀 확인이 가능해지기 때문입니다. 이 개념이 있어야 좋아 보인다는 인상과 같은 기준으로 다시 채점된다는 운영 가능성을 분리해 읽을 수 있고, 자동 평가가 실제로 무엇을 측정하고 무엇을 놓칠 수 있는지도 더 분명히 보입니다. 예를 들어 답변이 출처를 포함했는가, 금지 표현을 피했는가, 필수 필드를 모두 채웠는가는 그레이더로 비교적 반복 가능하게 확인할 수 있지만, 설명이 정말 설득력 있는지는 별도 사람 검토가 더 필요할 수 있습니다.
함께 볼 개념: 평가(evaluation), 자동 평가(automatic evaluation), 하네스(harness), 재현성(reproducibility)
뜻: 입력이 어떤 값에 가까워질 때 함수값이 어디로 가까워지는지 보는 표기입니다. 실제로 그 점에 정확히 도달했는가보다, 그 근처로 갈수록 값이 어떤 방향으로 다가가는가를 읽는 수학적 관찰 도구에 가깝습니다. 즉 한 점을 딱 찍어 읽는 도구라기보다, 그 점 주변에서 값의 흐름이 어떻게 모여드는지 살피는 언어라고 볼 수 있습니다.
왜 중요한가: 작은 변화의 경향, 변화율, 미분을 읽는 수학 언어의 출발점이 되기 때문입니다. 이 개념이 있어야 순간 변화율과 연속성 같은 아이디어가 왜 단순 대입만으로는 설명되지 않는지 이해할 수 있습니다. 예를 들어 분모가 0이 되어 바로 계산할 수 없는 식도, 그 점에 가까워질 때 전체 값이 어떤 수로 접근하는지를 보면 중요한 성질을 읽어 낼 수 있습니다. 결국 극한은 정확히 그 점의 값과 그 점으로 다가갈 때의 흐름을 구분해 읽게 만드는 핵심 장치입니다.
함께 볼 개념: 수렴(convergence), 함수(function), 변화율(rate of change)
뜻: AI 초안이나 검색 결과를 그대로 믿지 않고, 현재 주장에 맞는 자료인지 다시 대조해 보는 검토 과정입니다. 단순히 링크를 하나 붙이거나 문서 제목을 찾는 데서 끝나는 것이 아니라, 출처의 신뢰도, 주장과 자료의 실제 대응 관계, 확인 시점까지 함께 점검하는 절차에 가깝습니다. 즉 근거 확인은 자료를 찾았다보다 그 자료가 지금 이 문장을 정말 떠받치는가를 다시 묻는 단계입니다.
왜 중요한가: 생성형 AI는 그럴듯한 초안을 빠르게 만들 수 있지만, 사실 주장과 법적 판단, 최신 정보, 수치 설명은 여전히 별도 검증이 필요하기 때문입니다. 이 개념이 있어야 검색, 요약, 생성이 끝났다고 해서 곧바로 검토까지 끝난 것으로 보지 않게 되고, 후보 자료 수집과 실제 주장 검증을 다른 작업으로 나누어 읽게 됩니다. 또한 근거 확인을 이해해야 같은 출처를 보더라도 어떤 문장은 충분히 뒷받침되고 어떤 문장은 여전히 과장일 수 있다는 점, 그리고 사람 검토와 출처 추적이 왜 마지막 단계까지 남아 있어야 하는지도 더 분명하게 읽게 됩니다.
함께 볼 개념: 검토(review), 근거(evidence), 출처 추적(provenance), 사실성(factuality), 최신성(recency)
중심 Section: P1-16.1
등장 Section: P1-10.3, P1-12.3, P1-16.2, P7-5.1, P7-5.2
뜻: 현재 판단을 바꾸거나 더 정교하게 만드는 관측 정보와 단서입니다. 문장 하나를 그럴듯하게 만드는 배경 장식이 아니라, 지금 내린 결론을 실제로 지지하거나 약화시키는 자료를 뜻합니다. 중요한 점은 근거가 있다는 사실보다, 그 근거가 지금 주장과 실제로 어떻게 연결되는지가 더 본질이라는 점입니다. 즉 근거는 링크나 인용 이름표 자체가 아니라, 이 자료가 지금 이 주장에 왜 해당하는가를 설명할 수 있어야 비로소 근거 역할을 합니다.
왜 중요한가: 불확실한 상태에서도 새 관측이 들어오면 결론의 그럴듯함이 어떻게 바뀌는지 읽게 해 주기 때문입니다. 생성형 AI 문맥에서는 자연스러운 답변과 근거 있는 답변을 구분하는 기준점이기도 합니다. 이 개념이 있어야 말이 그럴듯하다와 실제로 뒷받침되는 자료가 있다를 분리하게 되고, 검토 과정에서도 무엇을 다시 확인해야 하는지 더 선명해집니다. 예를 들어 논문 제목 하나만 붙이는 것은 충분한 근거가 아닐 수 있고, 실제로 그 논문이 지금 주장한 정의나 수치를 지지하는지까지 확인해야 합니다. 또한 근거를 이해해야 관련 있어 보이는 자료와 현재 결론을 직접 떠받치는 자료를 구분하게 되고, 검색 결과를 많이 붙이는 일과 실제 주장을 검증하는 일을 같은 것으로 보지 않게 됩니다.
함께 볼 개념: 불확실성(uncertainty), 확률(probability), 확률 추론(probabilistic reasoning), 출처 추적(provenance), 검토(review)
뜻: 정확히 가장 가까운 벡터를 항상 찾기보다, 충분히 가까운 후보를 빠르게 찾도록 설계한 검색 방식입니다. 절대 최선 하나를 보장하는 대신, 실제 서비스에서 쓸 만큼 좋은 후보를 더 짧은 시간에 찾는 쪽으로 설계한 절충형 검색이라고 이해하면 됩니다. 즉 조금 덜 완벽해도 훨씬 빨리 찾는 선택을 의도적으로 받아들이는 방식입니다.
왜 중요한가: 벡터가 매우 많을 때 속도와 품질 사이의 절충이 필요하다는 점을 보여 주며, 실제 벡터 검색 구현의 핵심 선택 기준이 되기 때문입니다. 이 개념이 있어야 검색 품질이 조금만 달라도 비용과 지연 시간이 크게 달라질 수 있다는 운영 현실을 함께 읽게 됩니다. 예를 들어 수천 개가 아니라 수억 개 벡터를 다룰 때는, 매번 정확한 최적해를 찾는 것보다 응답 시간을 지키는 쪽이 서비스 전체 품질에 더 중요할 수 있습니다.
함께 볼 개념: 최근접 이웃(nearest neighbor), 검색 인덱스(search index), 벡터 데이터베이스(vector database)
뜻: 입력 변화에 비해 출력이 얼마나 변하는지를 그래프 위에서 읽는 값입니다. 선이 가파를수록 작은 입력 변화에 출력이 크게 달라지고, 완만할수록 변화가 작다는 직관을 숫자로 붙잡는 방식이라고 볼 수 있습니다. 즉 기울기는 얼마나 빠르게 변하고 있는가를 그림과 숫자 사이에서 이어 주는 표현입니다.
왜 중요한가: 변화율, 평균 변화율, 미분을 시각적으로 연결하는 가장 쉬운 손잡이이기 때문입니다. 이 개념이 있어야 그래프 모양과 수식 속 변화율이 따로 노는 것이 아니라 같은 현상을 다른 언어로 본 것임을 이해할 수 있고, 선이 가파르다는 직관을 정량적 비교로 바꾸어 읽게 됩니다. 즉 기울기는 그림에서 보이는 변화 감각을 계산 가능한 질문으로 옮기는 첫 단계입니다. 결국 기울기를 이해해야 함수 그래프를 단순 모양이 아니라, 입력 변화에 대한 반응 속도를 담은 표현으로 읽게 됩니다.
함께 볼 개념: 변화율(rate of change), 미분(derivative), 접선(tangent line)
뜻: 복잡한 모델이 정말 의미 있는 개선을 만들었는지 확인하기 위해 먼저 두는 가장 단순한 비교용 모델이나 점수 기준입니다. 단순하지만 해석 가능한 출발점을 먼저 세워 두고, 그 위에서 복잡성을 추가할 가치가 있는지 보는 장치라고 할 수 있습니다. Part 7의 프로젝트 문맥에서는 가장 단순한 기준도 어디까지 맞는가를 먼저 남겨 두는 실행 기록의 첫 비교 대상이라고 볼 수 있습니다.
왜 중요한가: 점수가 높아 보여도 쉬운 문제 덕분인지 실제 모델링 덕분인지 구분하려면, 후보 모델이 최소한 넘어야 할 출발점을 먼저 고정해야 하기 때문입니다. 기준 모델이 없으면 복잡한 방법이 실제로 나아진 것인지 설명하기 어려워집니다. 이 개념이 있어야 정확도 숫자만 남기지 않고, 기준 모델이 틀린 샘플과 새 모델이 바꾼 샘플을 함께 비교하게 되어 Part 7의 실행 요약과 틀린 사례 목록도 더 살아납니다.
함께 볼 개념: 평가(evaluation), 기준선(baseline), 모델 선택(model selection), 문제 정의(task definition)
뜻: 최근 변화와 비교하기 위해 평소 상태로 간주하고 따로 묶어 읽는 시간 구간이나 관측 구간입니다. 단순히 예전 데이터 전부를 뜻하는 것이 아니라, 현재 질문에 맞게 비교 기준으로 삼기로 정한 참조 구간이라고 볼 수 있습니다. 즉 기준선 구간은 언제와 비교하고 있는가를 문서 안에 명시해 주는 시간 축 기준점입니다.
왜 중요한가: 기준선이 있어도 어느 기간을 평소 상태로 삼았는지 흐리면 같은 수치 변화도 과장되거나 축소되어 읽힐 수 있기 때문입니다. 이 개념이 있어야 최근 구간과 기준선 구간의 샘플 수, 계절성, 이벤트 영향, 채널 구성을 함께 점검하게 되고, 좋아졌다 또는 벗어났다는 말이 실제로 어떤 비교 창 위에서 나온 해석인지 다시 확인하게 됩니다. 또한 기준선 구간을 이해해야 Part 7의 로그 분석과 운영 경고가 단일 숫자 비교가 아니라, 어떤 참조 기간을 잡았는지까지 포함한 비교 설계라는 점도 더 또렷하게 읽게 됩니다.
함께 볼 개념: 기준선(baseline), 샘플(sample), 비교표(comparison table), 지표(indicator), 회고(retrospective)
뜻: 지금 상태를 그냥 절대값으로 읽지 않고, 평소 구간이나 비교 대상과 나란히 놓아 변화와 차이를 읽기 위해 먼저 두는 참조 기준입니다. 숫자 하나를 단독으로 읽지 않고, 무엇과 비교해 달라졌는지를 말하게 만드는 기준점이라고 볼 수 있습니다.
왜 중요한가: 최근 구간이나 특정 사건의 수치만 따로 보면 무엇이 달라졌는지 말하기 어렵기 때문에, 같은 단위의 평소 구조나 비교 집단을 함께 두어야 차이 문장과 비교 리포트가 성립하기 때문입니다. 운영 데이터와 모델 점수를 해석할 때 모두 공통으로 필요한 읽기 틀이기도 합니다. 이 개념이 있어야 점수가 높다는 절대값만 보지 않고, 무엇과 비교해 얼마나 나아졌는가를 먼저 묻게 되어 과장된 해석을 줄이게 됩니다. 또한 기준선을 이해해야 Part 7의 분석 프로젝트가 숫자 계산보다 먼저 비교 바닥선을 고정하는 문서 작업이라는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 비교 리포트(comparison report), 출력 구조(output structure), 기준 모델(baseline model), 평가(evaluation)
뜻: 기호, 규칙, 논리, 명시적 지식 표현을 사용해 문제를 풀려는 AI 접근입니다. 데이터를 많이 보여 주어 경향을 배우게 하기보다, 사람이 이해 가능한 개념과 규칙을 기호 형태로 적어 두고 그 조작으로 추론하려는 흐름이라고 볼 수 있습니다. 즉 패턴을 수치적으로 익힌다보다 개념과 규칙을 명시적으로 적어 둔다는 쪽에 더 가까운 전통입니다.
왜 중요한가: 머신러닝 이전의 대표 흐름을 이해하고, 명시적 규칙과 지식 표현의 위치를 잡는 데 필요합니다. 이 개념이 있어야 현대 AI를 설명할 때도 모든 AI가 곧 통계적 학습은 아니라는 점, 그리고 설명 가능성과 일반화 방식이 서로 다른 두 전통이 있었다는 점을 분명히 읽을 수 있습니다. 또한 규칙 기반 시스템과 전문가 시스템이 왜 자연스럽게 이 계보 안에서 등장했는지도 함께 연결됩니다. 결국 기호 기반 AI를 이해해야 AI가 배운다는 말과 AI가 규칙을 적용한다는 말을 같은 의미로 섞지 않게 됩니다.
함께 볼 개념: 규칙 기반 시스템(rule-based system), 지식 표현(knowledge representation)
중심 Section: P1-2.1
등장 Section: P1-index, P1-2.3, P1-3.1, P1-8.1, P1-11.1, P1-summary
뜻: 중첩된 내부 값까지 새로 만들어 원본과 분리하는 복사 방식입니다. 겉 바깥 묶음만이 아니라, 그 안쪽 리스트나 딕셔너리까지 따로 새로 만드는 복사라고 볼 수 있습니다. 즉 깊은 복사는 겉만 새 상자가 아니라 안쪽 내용물까지 새로 분리한 사본을 만드는 방식입니다. 원본과 복사본이 같은 내부 객체를 공유하지 않도록 끊어 놓는다는 점이 핵심입니다.
왜 중요한가: 안쪽 구조까지 독립된 사본이 필요한 데이터 전처리 상황에서 원본 보존 여부를 판단하는 기준이 되기 때문입니다. 얕은 복사와 달리 내부 객체까지 끊어 놓는다는 점을 알아야 수정 부작용을 제대로 예상할 수 있습니다. 이 개념이 있어야 전처리 전에 원본을 안전하게 보존해야 할 때 어떤 복사 방식이 필요한지도 더 정확히 판단하게 되고, 겉보기에는 복사했는데도 안쪽 값이 함께 바뀌는 혼란을 줄이게 됩니다. 특히 실험용 데이터를 여러 방식으로 변형해 비교할 때 원본이 함께 오염되면 결과 해석 자체가 흔들리므로, 깊은 복사는 재현 가능한 실험을 위한 안전장치로도 중요합니다.
함께 볼 개념: 얕은 복사(shallow copy), 참조(reference), 리스트(list)