뜻: 행과 열 라벨이 붙어 있고, 서로 다른 타입의 열을 함께 담을 수 있는 Pandas의 2차원 표 형식 데이터 구조입니다. 계산용 배열이라기보다 사례와 변수로 읽는 표에 더 가까운 구조입니다. 즉 DataFrame은 숫자 계산만을 위한 격자보다, 의미가 붙은 표 데이터를 다루기 위한 작업판에 가깝습니다.
왜 중요한가: NumPy 배열이 계산 가능한 모양을 보여 준다면, DataFrame은 같은 데이터를 사례와 변수의 표로 읽게 해 주어 이후 선택, 필터링, 집계, 데이터셋 준비의 기준 구조가 되기 때문입니다. 결국 Part 2의 표 실습에서는 행이 무엇을 뜻하는가, 열이 무엇을 뜻하는가를 붙잡는 중심 구조이기도 합니다. 이 개념이 있어야 표 전체를 한 번에 보는 시선과 특정 열, 특정 행, 특정 조건만 뽑아 보는 시선을 자연스럽게 오가게 됩니다. 결국 DataFrame을 이해해야 같은 데이터도 계산 배열이 아니라 해석 가능한 표로 읽는 관점을 잡게 됩니다.
뜻: NumPy 배열 안 값이 어떤 데이터 타입으로 저장되는지를 나타내는 정보입니다. 값의 종류가 무엇인지, 그리고 계산이 어떤 수치 규칙으로 진행될지를 함께 알려 주는 표지입니다. 단순 라벨이 아니라 이 배열을 메모리에 어떻게 담고 어떤 방식으로 계산할까를 결정하는 실행 조건의 일부라고 볼 수 있습니다. 예를 들어 같은 숫자 배열이라도 int, float32, uint8는 저장 방식과 계산 성질이 서로 다릅니다.
왜 중요한가: 같은 배열이라도 정수형인지 실수형인지에 따라 계산 결과와 메모리 해석이 달라질 수 있어서, 배열을 읽을 때 shape와 함께 먼저 확인해야 하기 때문입니다. 특히 나눗셈, 형변환, 메모리 사용량 해석에서 dtype 차이가 바로 드러납니다. 예를 들어 이미지 데이터를 uint8로 둘지 float32로 바꿀지에 따라 메모리 크기와 계산 결과 해석이 함께 달라집니다. 초심자는 배열 값만 보고 같은 데이터라고 생각하기 쉽지만, dtype까지 봐야 왜 같은 코드가 다른 결과를 내는지 더 정확히 설명할 수 있습니다.
뜻: 현재 비교, 검토, 실패 해석을 마친 뒤 바로 이어서 무엇을 더 확인하거나 바꿔 봐야 하는지를 한 문장으로 좁힌 후속 탐색 질문입니다. 막연한 호기심이 아니라, 이번 결과가 남긴 불확실성이나 경계 사례를 다음 반복의 실험 조건으로 바꾸는 연결 고리라고 볼 수 있습니다. 즉 다음 질문은 회고의 마지막 문장이면서, 다음 실행의 첫 입력이기도 합니다.
왜 중요한가: 비교표와 오류 사례가 남아 있어도 이를 그래서 무엇을 더 확인해야 하는가로 닫지 않으면 프로젝트 기록이 과거 설명에서 멈추고 다음 반복의 출발점이 흐려지기 때문입니다. 이 개념이 있어야 실패를 단순 오답 목록으로 두지 않고, 더 모을 사례, 더 바꿀 특징, 더 좁힐 범위 같은 실험 질문으로 다시 묶게 됩니다. 또한 다음 질문을 이해해야 Part 7의 회고가 감상문이 아니라 사실 -> 해석 -> 다음 질문 구조로 이어지는 작업 문서라는 점도 더 또렷하게 읽게 됩니다.
함께 볼 개념: 회고(retrospective), 오류 사례(error case), 검토(review), 개선 계획(improvement plan), 작업 가설(working hypothesis)
중심 Section: P7-2.2
등장 Section: P7-index, P7-1.1, P7-1.3, P7-2.1, P7-2.3, P7-5.3, P7-summary
뜻: 앞에서 만들어진 출력과 현재 조건을 바탕으로 작은 출력 조각을 이어 가며 산출물을 구성하는 직관입니다. 텍스트, 코드, 일부 구조화 출력이 모두 한 번에 완성본을 꺼낸다기보다 부분 결과를 계속 이어 붙이며 완성해 간다는 관점입니다. 즉 생성은 통째 결과를 미리 꺼내는 마법이라기보다, 직전까지의 결과를 조건으로 삼는 연속적 확장 과정에 가깝습니다.
왜 중요한가: 생성형 AI가 완성된 결과를 한 번에 꺼내는 것처럼 보이더라도, 실제로는 반복적 생성 과정으로 이해하는 출발점이 되기 때문입니다. 이 개념이 있어야 중간 한 조각의 선택이 뒤 문맥 전체에 영향을 준다는 점, 그리고 생성 품질이 누적 과정의 결과라는 점을 읽을 수 있습니다. 또한 다음 출력 생성을 이해해야 텍스트 생성, 코드 생성, JSON 생성이 겉보기 형식은 달라도 모두 직전 상태를 이어 가는 과정이라는 공통 구조 위에 놓여 있다는 점도 함께 보게 됩니다.
함께 볼 개념: 다음 토큰 예측(next-token prediction), 샘플링(sampling), 생성(generation)
뜻: 현재 문맥을 바탕으로 다음에 올 토큰 후보들의 분포를 계산하고 그중 하나를 이어 가는 생성 방식입니다. 한 문장 전체를 미리 완성해 두는 것이 아니라, 현재까지의 문맥에서 다음 한 조각이 무엇일 가능성이 큰가를 계속 다시 묻는 과정입니다. 그래서 생성은 한 번에 끝나는 답안 출력이라기보다, 짧은 선택을 매우 많이 이어 붙여 문장을 만들어 가는 절차라고 볼 수 있습니다.
왜 중요한가: LLM 텍스트 생성이 문장을 통째로 꺼내는 방식이 아니라, 토큰 단위의 순차 생성으로 이해된다는 점을 가장 직접적으로 보여 주기 때문입니다. 이 개념이 있어야 temperature, 샘플링, context window, 토큰화 같은 여러 설정이 왜 실제 생성 결과를 바꾸는지 더 자연스럽게 이어집니다. 또한 앞쪽에서 선택한 토큰이 뒤쪽 선택의 문맥이 되므로, 초기 몇 단계의 차이가 문장 전체 분위기와 내용에 연쇄적으로 영향을 준다는 점도 이해하게 됩니다.
함께 볼 개념: 토큰(token), 언어 모델링(language modeling), 샘플링(sampling)
중심 Section: P6-6.1
등장 Section: P1-10.2, P5-15.1, P5-15.2, P6-5.1, P6-6.2
뜻: 현재 상태, 관찰, 정책 판정, 실패 기록을 읽은 뒤 지금 시점에서 가장 안전하고 유의미하게 이어 가야 할 바로 다음 조치입니다. 막연한 장기 계획 전체가 아니라, 현재 실행을 어디서 멈추고 무엇으로 이어야 하는지를 닫아 주는 한 단계 판단에 가깝습니다. 즉 다음 행동은 무엇이 문제였는가를 읽은 뒤 그래서 지금 무엇을 해야 하는가를 실행 가능 문장으로 바꾸는 연결 고리입니다.
왜 중요한가: 보류 상태와 failure를 기록만 해 두고 다음 행동으로 연결하지 않으면 운영 회고가 설명 메모로 끝나고 실제 개선으로 이어지지 않기 때문입니다. 이 개념이 있어야 승인 요청, 재시도, 사람 보고, 범위 축소처럼 서로 다른 후속 조치를 상태별로 구분하게 되고, 문제가 있었다와 그래서 무엇을 바꿀 것인가를 분리해 읽게 됩니다. 또한 다음 행동을 이해해야 계획, 관찰, 상태, 승인 정책이 모두 현재 실행의 다음 한 걸음으로 수렴해야 한다는 점도 더 분명하게 보게 됩니다.
함께 볼 개념: 관찰(observation), 상태(state), 보류 상태(hold state), 승인 정책(approval policy), 재시도(retry)
뜻: 퍼셉트론 같은 계산 단위를 여러 층으로 쌓아 중간 표현을 단계적으로 만드는 신경망 구조입니다. 앞 층이 만든 표현을 다음 층이 다시 가공하면서, 단순한 신호에서 더 추상적인 특징으로 올라가는 구조라고 이해하면 됩니다. 즉 다층 신경망은 한 번 바로 분류한다보다 여러 단계의 중간 표현을 거쳐 판단한다는 구조에 가깝습니다.
왜 중요한가: 단일 퍼셉트론이 만들 수 없는 더 복잡한 경계와 표현을 설명할 수 있어, 딥러닝이 깊어지는 이유를 보여 주기 때문입니다. 이 개념이 있어야 층이 많아진다는 말이 단순 계산 반복이 아니라, 표현 수준을 단계적으로 바꾸는 일이라는 점이 드러납니다. 또한 다층 신경망을 이해해야 깊다는 표현이 단순히 파라미터 수가 많다는 뜻이 아니라, 중간 표현 변환 단계가 여러 층으로 쌓였다는 뜻이라는 점도 더 분명해집니다. 결국 다층 신경망은 한 번의 선형 판단을 여러 단계 표현 변환으로 확장한 기본 구조입니다.
함께 볼 개념: 퍼셉트론(perceptron), 은닉층(hidden layer), 활성화 함수(activation function)
뜻: 이름을 어떤 값이나 객체에 연결하는 동작입니다. 새 이름표를 붙이는 일이지, 항상 새 사본을 만드는 일은 아닙니다. 즉 값을 통째로 옮겨 담는다기보다 이 이름이 이제 이 대상을 가리킨다고 연결하는 동작에 가깝습니다. 특히 Python에서는 mutable 객체를 다룰 때 이 연결 의미를 놓치면 복사된 줄 알았는데 같이 바뀌는 상황을 자주 만나게 됩니다.
왜 중요한가: 대입이 자동 복사를 뜻하지 않는다는 점을 이해해야 같은 객체를 여러 이름이 함께 볼 수 있는 상황을 읽을 수 있기 때문입니다. 이 감각이 있어야 리스트나 딕셔너리를 바꿨을 때 왜 다른 변수에서도 함께 바뀌어 보이는지 설명할 수 있습니다. 결국 대입은 변수 문법 하나가 아니라, 참조와 복사, 객체 공유를 구분하는 출발점입니다. 초심자에게는 =를 수학의 등호처럼 읽지 않고, 프로그램 상태를 바꾸는 연결 문법으로 읽는 전환점이 되기도 합니다.
뜻: 다음 토큰을 생성하는 LLM 위에 지시 따르기, 대화 형식 유지, 안전 조정, 인터페이스 계층이 더해져 사용자가 질문-응답 시스템처럼 경험하는 형태입니다. 즉 기반 모델 하나만이 아니라, 대화 규칙과 제품 동작이 함께 붙어 대화 상대처럼 보이는 사용 경험을 만든 결과물에 가깝습니다. 다시 말해 대화형 LLM은 언어 모델과 대화 제품이 겹쳐진 층위의 개념입니다.
왜 중요한가: 오늘날 사용자가 만나는 챗봇 경험이 단순 자동완성 모델 하나로 닫히지 않고, 조정과 제품 계층이 함께 붙은 결과라는 점을 이해하게 해 주기 때문입니다. 이 개념이 있어야 LLM과 챗봇 제품을 같은 것으로 섞지 않고, 모델 능력과 제품 설계 책임을 나누어 볼 수 있습니다. 예를 들어 같은 기반 모델이라도 시스템 프롬프트, 안전 정책, 도구 연결, UI 흐름이 달라지면 사용자가 느끼는 대화 품질은 크게 달라질 수 있습니다. 또한 대화형 LLM을 이해해야 자연스럽게 답한다는 특성이 모델 내부 능력인지, 아니면 대화 형식과 조정 규칙이 만든 결과인지 더 조심해서 구분하게 됩니다.
함께 볼 개념: GPT, 사전학습(pretraining), 지시 튜닝(instruction tuning)
뜻: 한 줄씩 명령을 입력하고 바로 결과를 확인하는 실행 방식입니다. 결과를 보면서 다음 입력을 바꾸는 즉석 실험 흐름에 더 가깝고, 지금 이 자리에서 바로 확인해 본다는 성격이 강합니다. 즉 대화형 모드는 완성된 프로그램을 한 번에 돌리는 방식보다, 짧은 질문과 짧은 답을 주고받는 실행 형태입니다.
왜 중요한가: 작은 계산을 빠르게 시험하는 흐름과 파일로 남겨 반복 실행하는 스크립트 흐름을 구분하는 기준이 되기 때문입니다. 즉 대화형 모드는 빠른 확인에는 강하지만 반복 가능한 기록에는 약하다는 차이를 드러내고, 노트북·REPL·스크립트가 왜 서로 다른 학습 도구인지도 이해하게 해 줍니다. 예를 들어 2+2, 문자열 처리 한 줄, 배열 shape 확인 같은 작업은 대화형 모드에서 빠르게 시험하기 좋지만, 여러 단계를 다시 재현해야 하는 실험은 스크립트나 노트북 기록이 더 적합합니다. 결국 대화형 모드를 이해해야 당장 확인하기 좋은 실행과 다시 돌리기 좋은 실행을 분리해 선택하게 됩니다.
함께 볼 개념: Python 인터프리터(interpreter), 스크립트(script), 프롬프트(prompt)
뜻: 예측 시점에는 알 수 없는 정보가 학습 과정에 미리 섞여 들어가 평가를 부당하게 좋게 만드는 문제입니다. 모델이 진짜로 패턴을 배운 것이 아니라, 미래 정보나 정답에 너무 가까운 힌트를 몰래 본 상태라고 이해하면 됩니다. 즉 데이터 누수는 성능 향상이 아니라, 실험 경계가 무너져 공정한 평가가 깨진 상태에 가깝습니다.
왜 중요한가: 테스트 데이터에서 배운 기준이나 정답과 너무 가까운 열이 입력에 섞이면 모델 성능을 잘못 해석하게 되므로, 데이터 분리와 전처리 순서를 올바르게 잡는 핵심 이유가 되기 때문입니다. 이 개념이 있어야 점수가 높다는 사실만 보고 모델을 신뢰하지 않고, 그 점수가 공정한 절차에서 나온 것인지 먼저 점검하게 됩니다. 또한 데이터 누수를 이해해야 모델 구조를 바꾸기 전에 실험 설계와 특징 구성 자체를 의심해야 하는 상황을 더 빨리 알아차리게 됩니다.
함께 볼 개념: 데이터셋(dataset), 검증(validation), 타깃(target)
뜻: 원천데이터를 그대로 두지 않고, 질문에 답할 수 있는 샘플, 특징, 비교, 출력 구조로 다시 설계하는 과정입니다. 단순 전처리보다 더 바깥 단계에서, 무엇을 한 건의 사례로 볼지와 어떤 결과 형식으로 문제를 닫을지를 정하는 작업에 가깝습니다. 즉 데이터 모델링은 데이터를 깨끗하게 만든다보다 무슨 문제로 바꾸어 읽을지 설계한다에 더 가까운 단계입니다.
왜 중요한가: 저장된 기록이 많다는 사실과 학습 가능한 문제 구조가 준비되었다는 사실을 구분하게 해 주며, Part 3 전체의 읽기 순서를 잡는 바깥 개념이기 때문입니다. 이 단계가 흔들리면 뒤의 데이터셋 구성, 기준선 설정, 평가 방식도 함께 흔들립니다. 또한 데이터 모델링을 이해해야 좋은 모델을 고른다보다 먼저 지금 어떤 문제를 만들고 있는가를 점검하게 되고, 비교 리포트 같은 비예측형 출력 구조도 같은 설계 축 위에서 읽게 됩니다.
함께 볼 개념: 데이터셋(dataset), 샘플(sample), 비교 리포트(comparison report), 출력 구조(output structure), 문제 정의(task definition)
중심 Section: P3-1.1
등장 Section: P3-index, P3-1.2, P3-1.3, P3-2.1, P3-2.2, P3-3.1, P3-3.2, P3-summary
뜻: 가능한 단어 조합이나 상태에 비해 실제로 관찰된 사례가 너무 적어서 확률이나 가중치를 안정적으로 추정하기 어려운 문제입니다. 조합 수는 매우 큰데 실제 데이터는 듬성듬성 비어 있어, 조금만 문맥이 길어져도 처음 보는 경우가 빠르게 늘어나는 상황이라고 볼 수 있습니다. 즉 데이터 개수만 보는 것이 아니라, 가능한 경우의 수에 비해 얼마나 촘촘하게 채워져 있는지를 함께 봐야 한다는 뜻입니다.
왜 중요한가: 엔그램 같은 초기 언어 모델이 짧은 문맥을 넘어가면 왜 빠르게 한계에 부딪히는지 보여 주고, 더 나은 일반화와 벡터 표현이 왜 필요했는지 설명하기 때문입니다. 이 개념이 있어야 데이터가 많아 보여도 조합 공간이 훨씬 더 크면 여전히 희소성 문제가 남는다는 점을 이해하게 됩니다. 결국 희소성은 데이터가 적다는 막연한 말보다, 관찰하지 못한 경우가 너무 많아 직접 세기 기반 접근이 흔들린다는 구조적 문제를 드러냅니다.
함께 볼 개념: 엔그램(n-gram), 말뭉치(corpus), 통계적 언어 모델(statistical language model)
뜻: 학습 단계에서는 모델이 패턴을 배우는 사례의 모음이고, 서비스 단계에서는 모델이 참고할 근거 자료, 상태 정보, 사용자 입력 같은 정보 자원을 함께 가리킵니다. 같은 데이터라는 말이라도 학습 재료, 평가 재료, 검색 재료, 운영 기록처럼 역할이 다를 수 있습니다.
왜 중요한가: 같은 data라도 학습용 데이터셋, 검색용 문서, 상태 저장 정보가 맡는 역할이 다르다는 점을 구분해야 모델 학습과 실제 서비스 구조를 섞지 않게 되기 때문입니다. 이 구분이 있어야 모델이 안다와 시스템이 참고한다를 분리해서 설명할 수 있습니다. 또한 데이터는 단순히 많을수록 좋다는 양의 문제가 아니라, 어떤 데이터를 어떤 목적으로 쓰는지가 달라지면 품질 기준과 책임 조건도 함께 달라진다는 점을 이해하게 합니다. 결국 데이터는 하나의 물건 이름이 아니라, 어떤 역할로 쓰이는 정보인가를 함께 물어야 제대로 읽히는 개념입니다.
함께 볼 개념: 입력(input), 출력(output), 라벨(label), 사례(example), 상태(state), 리소스(resource)
뜻: 학습이나 평가를 위해 정리한 샘플과 변수의 묶음입니다. 원천데이터를 그대로 옮겨 놓은 표가 아니라, 특정 질문에 답할 수 있도록 입력 열, 타깃 열, 분할 기준까지 포함해 다시 구성한 작업용 데이터라고 볼 수 있습니다. 즉 데이터셋은 데이터가 많다는 상태보다, 무엇을 한 건으로 보고 무엇을 답으로 삼을지 정리했다는 문제 설정이 반영된 자료입니다.
왜 중요한가: 같은 표도 어떤 열을 입력으로 남기고 어떤 열을 정답으로 둘지에 따라 전혀 다른 학습 문제로 바뀌므로, 원본 표를 목적에 맞는 데이터셋으로 다시 구성하는 관점이 필요하기 때문입니다. 데이터셋을 어떻게 짜느냐가 모델보다 먼저 성능과 해석 가능성을 크게 좌우합니다. 또한 데이터셋을 이해해야 모델 성능 문제가 알고리즘 선택만이 아니라, 애초에 어떤 샘플 경계와 열 구성을 만들었는지의 문제일 수도 있다는 점을 읽게 됩니다.
함께 볼 개념: DataFrame, 특징(feature), 타깃(target), 샘플(sample), 문제 정의(task definition)
뜻: 모델이 직접 처리할 수 없는 조회, 계산, 저장, 수정, 전송 같은 일을 위해 외부 시스템 기능을 호출해 쓰는 구조입니다. 단순히 답변 안에 정보를 적는 것과 달리, 바깥 시스템에 실제 요청을 보내 상태를 읽거나 바꾸는 단계가 포함됩니다. 즉 도구 사용은 말로 설명하는 일에서 바깥 세계에 행동을 일으키는 일로 넘어가는 구조입니다.
왜 중요한가: 문서를 읽어 답을 만드는 일과 외부 세계에 실제 조회·수정·전송을 일으키는 일은 책임과 위험이 전혀 다르기 때문입니다. 이 개념이 있어야 RAG처럼 정보를 참고하는 구조와, 함수 호출이나 파일 수정처럼 상태를 바꾸는 구조를 구분하게 되고, 권한·승인·실패 복구가 왜 도구 사용 단계에서 중요해지는지도 자연스럽게 이해하게 됩니다. 결국 도구 사용을 이해해야 에이전트의 능력을 똑똑한 답변이 아니라 권한을 가진 실행 구조까지 포함해 읽게 됩니다.
함께 볼 개념: 도구(tool), 도구 호출(tool call), 오케스트레이션(orchestration), 권한(permission), 승인(approval)
뜻: 어떤 도구를 어떤 인자로 실행할지 이름과 입력값을 정해 외부 기능 실행 요청을 만드는 단계입니다. 자연어 의도를 실제 실행 가능한 구조로 바꾸는 번역 단계라고 볼 수 있습니다. 즉 검색해 줘 같은 말이 시스템 안에서는 어느 도구를 어떤 형식으로 부를지로 다시 표현되는 순간이 도구 호출입니다.
왜 중요한가: 모델이 도구를 쓴다고 말해도 실제 시스템은 이름, 인자, 형식이 맞아야만 실행할 수 있기 때문입니다. 이 단계를 분리해 이해해야 자연어 의도와 실행 명세를 같은 것으로 혼동하지 않게 되고, 인자 검증, 승인 요구, 실행 실패 처리, 재시도 지점을 어디에 둘지도 더 명확하게 설계할 수 있습니다. 또한 도구 호출을 이해해야 실패가 모델이 틀렸다가 아니라 호출 형식이 맞지 않았다에서 올 수 있다는 점도 더 자연스럽게 설명하게 됩니다.
함께 볼 개념: 도구 사용(tool use), 도구(tool), 승인(approval), 함수 호출(function calling)
뜻: 모델 밖의 시스템 기능을 조회하거나 실행하기 위해 연결하는 수단입니다. 파일 읽기, 검색, API 호출, 데이터베이스 조회처럼 언어 생성만으로는 할 수 없는 일을 시스템 차원에서 맡는 외부 기능이라고 볼 수 있습니다. 즉 도구는 모델의 내부 지식을 늘리는 장치라기보다, 바깥 세계와 실제로 상호작용하게 만드는 실행 통로에 가깝습니다.
왜 중요한가: AI 서비스가 답변 생성에 그치지 않고 파일 수정, API 호출, 상태 조회 같은 실제 작업으로 이어질 때 핵심이 됩니다. 이 개념이 있어야 모델이 안다와 시스템이 조회했다를 구분하고, 응답 생성과 실제 실행을 다른 개념으로 설명할 수 있습니다. 또한 도구를 이해해야 실패가 모델 추론 한계에서 온 것인지, 연결된 외부 시스템 조회 실패에서 온 것인지도 더 정확히 나누어 읽게 됩니다. 결국 도구는 말을 잘하는 능력을 실제 행동 능력으로 바꾸는 연결 지점입니다.
함께 볼 개념: 앱(application), 에이전트(agent), 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)
뜻: 학습 중 일부 노드 출력이나 연결을 무작위로 쉬게 만들어, 모델이 특정 경로에 과하게 의존하지 않도록 하는 정규화 기법입니다. 매번 똑같은 내부 경로만 믿지 못하게 만들어, 여러 특징이 더 고르게 쓰이도록 압박하는 장치라고 볼 수 있습니다. 쉽게 말해 학습 때 일부 회로를 일부러 잠깐 끊어 두어, 모델이 한 가지 편한 요령만 외우지 못하게 만드는 방식입니다.
왜 중요한가: 큰 네트워크가 훈련 데이터의 쉬운 지름길만 외우지 않게 만들고, 학습 모드와 평가 모드가 왜 다르게 동작하는지도 함께 이해하게 해 주기 때문입니다. 이 개념이 있어야 학습 중의 일부 무작위성이 왜 일반화에는 도움이 되지만, 평가 시에는 꺼 두어야 하는지도 이해하기 쉬워집니다. 결국 드롭아웃은 단순 잡음 추가가 아니라, 과적합을 줄이기 위해 학습 경로를 일부러 덜 안정적으로 만드는 전략으로 읽어야 합니다.
함께 볼 개념: 정규화(regularization), 일반화(generalization), 학습 모드(training mode)
뜻: AI 결과나 자동화가 사람, 조직, 절차에 실제 피해를 만들지 않도록 제한하고 검토하는 조건입니다. 단순히 위험한 단어를 막는 수준이 아니라, 잘못된 판단, 과신, 권한 오남용, 개인정보 노출, 검토 없는 자동 실행처럼 디지털 환경에서 생기는 피해 경로 전체를 함께 봅니다. 즉 디지털 안전성은 무슨 말을 했는가만이 아니라 그 말과 행동이 시스템 안에서 어떤 결과를 일으키는가를 묻는 개념입니다.
왜 중요한가: AI의 오류가 문장 품질 문제로 끝나지 않고 실제 의사결정, 추천, 실행 피해로 이어질 수 있기 때문입니다. 특히 도구 사용과 자동화가 붙는 순간 안전성은 응답 예절이나 유해 표현 차단만의 문제가 아니라, 어떤 행동 권한을 어디까지 위임할지 정하는 실행 통제 문제이기도 합니다. 이 개념이 있어야 불쾌한 답을 줄이기와 실제 피해를 줄이기를 같은 말로 보지 않게 되고, 잘못된 실행, 과도한 권한, 검토 없는 자동화를 안전 설계의 핵심 위험으로 함께 읽게 됩니다.
함께 볼 개념: 편향(bias), 책임(accountability), 인간 감독(human oversight), 권한(permission)
뜻: 현재까지의 문맥과 내부 표현을 바탕으로 다음 토큰이나 출력 시퀀스를 만들어 가는 구성 요소입니다. 핵심은 입력을 이해해 두는 쪽보다, 그 이해를 바탕으로 실제 출력 조각을 차례대로 펼쳐 내는 생성 담당 부분이라는 점입니다. 즉 디코더는 무엇을 읽었는가보다 이제 무엇을 이어서 말할 것인가를 책임지는 쪽 구조입니다.
왜 중요한가: Seq2Seq의 출력 생성 구조와 GPT 계열의 다음 토큰 생성 흐름을 구분해 이해하는 핵심 기준이 되기 때문입니다. 이 개념이 있어야 같은 Transformer 계열 안에서도 입력을 해석하는 역할과 출력을 이어 가는 역할이 다를 수 있음을 읽게 됩니다. 또한 디코더를 이해해야 번역, 요약, 대화 생성처럼 출력이 한 번에 완성되는 것이 아니라, 이전까지 생성한 결과를 조건으로 삼아 한 조각씩 이어진다는 점도 자연스럽게 붙잡게 됩니다.
함께 볼 개념: 인코더(encoder), 인코더-디코더(Encoder-Decoder), GPT
뜻: 노이즈가 많은 상태에서 시작해 여러 단계를 거치며 점진적으로 의미 있는 이미지나 표현으로 복원하는 생성 모델 계열입니다. 무작위에 가까운 출발점에서 조금씩 잡음을 덜어 내며 구조를 드러내는, 정제형 생성 직관에 더 가깝습니다. 즉 한 번에 완성본을 뽑기보다, 거친 상태를 여러 번 다듬어 결과를 만들어 가는 생성 흐름이라고 볼 수 있습니다.
왜 중요한가: 이미지 생성은 텍스트처럼 단순한 다음 토큰 이어 붙이기만으로 설명하기 어렵고, 점진적 복원이라는 다른 생성 직관이 중요하다는 점을 보여 주기 때문입니다. 이 개념이 있어야 생성 모델이 모두 같은 방식으로 작동하지 않고, 데이터 형태에 따라 생성 경로가 크게 달라질 수 있다는 점을 읽을 수 있습니다. 또한 디퓨전 모델을 이해해야 생성 품질이 한 번의 선택이 아니라 여러 정제 단계의 누적 결과일 수 있다는 점도 자연스럽게 받아들이게 됩니다.
함께 볼 개념: 생성(generation), 다음 출력 생성(next-output generation), 샘플링(sampling)
뜻: 키(key)를 기준으로 값을 찾도록 구성한 매핑 자료구조입니다. 몇 번째 값인가보다 어떤 이름표를 가진 값인가가 중요할 때 자주 씁니다. 즉 딕셔너리는 순서보다 이름 대응이 중심인 자료구조라고 볼 수 있으며, 하나의 값 묶음을 속성 이름 -> 실제 값 구조로 읽게 합니다.
왜 중요한가: 리스트는 위치로 읽고 딕셔너리는 이름으로 읽습니다. 이 차이를 알아야 설정값 묶음, JSON 응답, 메타데이터처럼 필드 이름이 중요한 데이터를 올바르게 해석할 수 있습니다. 이 개념이 있어야 같은 중괄호 구조를 단순 값 묶음이 아니라 이름 있는 속성 집합으로 읽게 되고, API 응답과 설정 파일을 다룰 때 무엇이 무엇을 뜻하는지 더 안정적으로 해석하게 됩니다. 또한 딕셔너리를 이해해야 같은 데이터 묶음이라도 위치 기반 접근과 이름 기반 접근이 완전히 다른 읽기 방식을 만든다는 점도 함께 보게 되고, 왜 필드 이름 오타가 위치 오류와 다른 종류의 문제인지도 더 자연스럽게 이해하게 됩니다.
뜻: 여러 층의 신경망을 사용해 표현과 예측 기준을 함께 학습하는 접근입니다. 사람이 특징을 일일이 손으로 설계하기보다, 여러 층을 거치며 중간 표현 자체를 데이터에서 배우게 하는 학습 패러다임이라고 볼 수 있습니다. 즉 딥러닝은 깊은 층 구조와 표현 학습이 결합된 머신러닝 흐름입니다.
왜 중요한가: 사람이 특징을 많이 설계하던 흐름에서 표현 학습 중심으로 이동한 변화를 보여 줍니다. 이 개념이 있어야 왜 신경망이 단순 분류기 하나가 아니라, 입력을 더 유용한 표현으로 바꾸는 연속 과정으로 이해되는지 분명해집니다. 또한 딥러닝을 이해해야 이것이 AI 전체와 같은 말이 아니라, 머신러닝 안에서도 신경망 중심의 특정 접근이라는 점을 구분하게 됩니다. 결국 딥러닝은 모델이 크다는 인상보다 입력 표현을 여러 층을 통해 함께 학습한다는 구조적 특징으로 읽어야 더 정확합니다.
함께 볼 개념: 표현 학습(representation learning), 파라미터(parameter), 특징(feature)