뜻: 벡터들이 놓여 서로의 위치 관계를 비교할 수 있는 표현 공간입니다. 각 벡터를 좌표 하나처럼 두고, 거리와 방향을 통해 대상들 사이의 닮음과 차이를 읽는 추상적 좌표계라고 볼 수 있습니다. 즉 벡터 공간은 벡터를 숫자 묶음으로만 보지 않고 위치 관계를 가진 점처럼 읽게 만드는 틀입니다.
왜 중요한가: 임베딩을 숫자 목록이 아니라 서로 가까운 것과 먼 것을 비교할 수 있는 좌표계로 읽게 해 주기 때문입니다. 이 개념이 있어야 검색과 추천에서 가까움이 왜 중요한 신호가 되는지 이해하게 되고, 같은 벡터라도 절대값보다 다른 벡터와의 상대적 위치 관계가 더 중요할 수 있다는 점도 자연스럽게 받아들이게 됩니다. 결국 벡터 공간 개념이 있어야 비슷하다는 말을 막연한 직관이 아니라, 공간 안의 거리와 방향 관계로 읽게 됩니다. 다시 말해 벡터 공간은 의미 비교를 좌표 비교로 바꾸어 주는 공통 무대입니다.
함께 볼 개념: 벡터(vector), 임베딩(embedding), 유사도 검색(similarity search)
뜻: 임베딩 벡터를 저장하고, 검색 인덱스와 메타데이터, 필터링, 업데이트를 함께 관리하는 검색용 시스템입니다. 즉 단순히 벡터 몇 개를 보관하는 저장소가 아니라, 실제 검색 서비스에 필요한 조회와 운영 기능을 묶어 둔 인프라 계층이라고 볼 수 있습니다.
왜 중요한가: RAG 구현에서 중요한 것은 벡터 비교 알고리즘 하나가 아니라, 저장, 메타데이터 필터링, 권한, 갱신, 운영을 함께 다루는 전체 시스템이라는 점을 보여 주기 때문입니다. 이 개념이 있어야 가까운 벡터를 찾는다는 수학적 문제와 실제 서비스에서 어떤 문서를 안전하게, 빠르게, 최신 상태로 꺼내 쓸 것인가라는 운영 문제를 함께 읽게 됩니다. 즉 벡터 데이터베이스는 검색 알고리즘의 부속품이 아니라, 검색 품질과 운영 품질을 같이 떠받치는 계층이라는 감각을 만들어 줍니다. 결국 벡터 데이터베이스는 벡터 저장소보다 벡터 검색 서비스 인프라에 더 가깝습니다.
함께 볼 개념: 검색 인덱스(search index), 근사 최근접 이웃(ANN, approximate nearest neighbor), 문서 검색 메타데이터(metadata)
뜻: 텍스트나 문서를 임베딩 벡터로 바꾼 뒤, 벡터 공간에서 가까운 후보를 찾는 검색 방식입니다. 유사도 검색과 밀접하지만, 실제 구현 문맥에서는 벡터 저장, 인덱스, 필터링, 검색 설정까지 포함해 말하는 경우가 많습니다.
왜 중요한가: 임베딩 설명이 실제 서비스 검색 구조로 이어지는 지점이기 때문입니다. 벡터 검색을 이해해야 텍스트를 벡터로 바꾼다에서 끝나지 않고, 그 벡터를 저장하고 빠르게 찾는 구현 문제가 따로 있다는 점을 볼 수 있습니다. 또한 벡터 검색은 키워드 검색과 다른 기준으로 후보를 찾으므로, 검색 결과를 검토할 때 어떤 방식으로 뽑힌 후보인지 구분해야 합니다. 데이터가 커지면 모든 후보를 끝까지 비교하는 방식과 충분히 가까운 후보를 빠르게 찾는 방식 사이의 절충도 함께 보게 됩니다.
함께 볼 개념: 임베딩(embedding), 유사도 검색(similarity search), 검색 인덱스(search index), 벡터 데이터베이스(vector database)
뜻: 벡터, 공간, 함수, 변화율을 함께 다루는 수학 체계입니다. AI 입문에서는 편미분, 방향도함수, 그래디언트가 어떤 더 큰 수학 언어 안에 놓이는지 알려 주는 배경 이름으로 이해하면 됩니다. 즉 벡터해석은 한 변수 함수의 미분을 여러 방향과 공간 위의 변화로 확장해 보는 분야입니다.
왜 중요한가: 그래디언트가 고등학교 미분 기억만으로 낯설게 느껴지는 이유를 설명해 주기 때문입니다. 벡터해석을 구분하면 그래디언트, 스칼라장, 벡터장 같은 표현이 갑자기 나온 새 용어가 아니라, 공간 위의 변화율을 읽는 체계 안의 말이라는 점을 볼 수 있습니다. 여기서는 전체 이론보다 용어의 위치를 잡는 데 사용합니다.
함께 볼 개념: 그래디언트(gradient), 편미분(partial derivative), 벡터(vector)
뜻: 순서가 있는 여러 값을 한 묶음으로 담은 표현입니다. 수학에서는 크기와 방향을 가진 대상으로 읽고, AI 문맥에서는 한 대상을 여러 숫자로 표현한 1차원 수치 묶음이라는 뜻으로 자주 씁니다. 즉 벡터는 여러 숫자를 나열한 목록이면서도, 하나의 대상을 표현하는 통합 단위로 읽어야 합니다.
왜 중요한가: 리스트와 비슷해 보여도 벡터는 단순 보관 구조보다 계산과 표현에 더 가깝기 때문입니다. 특징 벡터, 임베딩 벡터, 그래디언트 벡터처럼 무엇을 여러 차원 숫자로 나타냈는가를 읽는 기본 단위가 되고, 같은 차원 수를 가진 벡터끼리는 거리, 방향, 내적 같은 연산으로 비교할 수 있다는 점도 함께 중요합니다. 이 개념이 있어야 AI에서 많은 대상이 결국 숫자 배열이 아니라 비교와 계산이 가능한 표현으로 다뤄진다는 점을 이해하게 됩니다. 결국 벡터를 이해해야 숫자 여러 개를 분리된 값들이 아니라 하나의 표현으로 읽게 됩니다.
함께 볼 개념: 행렬(matrix), 차원(dimension), 표현(representation)
뜻: 반복 계산을 Python for 문 대신 배열 연산 하나로 표현하는 방식입니다. 사람 눈에는 하나씩 반복하지 않았는데 어떻게 전체 계산이 되지?처럼 보일 수 있지만, 실제로는 같은 계산 규칙을 배열의 각 위치나 각 축에 한꺼번에 적용하도록 계산 단위를 올려 적는 표현입니다.
왜 중요한가: 같은 계산을 배열 단위 문법으로 읽어야 NumPy와 이후 머신러닝 코드의 핵심 흐름을 빠르게 파악할 수 있기 때문입니다. 이 개념이 있어야 한 원소씩 처리한다는 사고에서 배열 전체에 같은 계산을 한 번에 적용한다는 사고로 넘어가게 되고, 속도 향상뿐 아니라 코드 구조가 더 짧고 명확해지는 이유도 함께 이해하게 됩니다. 예를 들어 모든 점수에 5점을 더하는 일을 반복문으로 하나씩 돌리는 대신 scores + 5처럼 적을 수 있다는 감각이 바로 벡터화의 출발점입니다. 결국 벡터화는 단순 최적화 기법이 아니라, 계산 단위를 원소에서 배열로 올려 읽는 표현 전환입니다.
뜻: 값을 가리키기 위해 붙인 이름입니다. 변수 자체가 값 그 자체라기보다, 현재 어떤 값을 참조하거나 담고 있는 이름표에 가깝습니다. 즉 변수는 데이터를 새로 만드는 것이 아니라, 계산 과정에서 값을 다시 부르고 넘기기 쉽게 붙여 두는 표식입니다.
왜 중요한가: x, loss, prediction 같은 이름이 무엇을 가리키는지 놓치면 수식과 코드를 함께 읽기 어렵습니다. 변수 감각이 있어야 같은 값이 어디서 만들어지고 어디로 전달되는지 추적할 수 있습니다. 이 개념이 있어야 이름표와 실제 데이터를 분리해 읽게 되고, 변수 재할당이나 중간 계산 저장이 왜 필요한지도 더 자연스럽게 이해하게 됩니다. 또한 변수를 이해해야 코드가 길어질수록 지금 이 이름이 무엇을 가리키는가를 놓치지 않고 따라갈 수 있습니다. 초심자에게는 이름이 바뀌었다와 값이 바뀌었다를 구분하는 출발점이기도 합니다.
뜻: 원저작물을 단순히 대체하거나 같은 목적으로 반복하는 것이 아니라, 새로운 목적이나 성격으로 바꾸어 쓰는 이용이라는 주장 또는 판단 요소입니다. 주로 미국 fair use 논의에서 중요하게 다뤄집니다.
왜 중요한가: 생성형 AI 개발자는 모델 학습이 원문을 그대로 제공하려는 것이 아니라 통계적 패턴을 배우는 변형적 이용이라고 주장할 수 있습니다. 이 개념을 알아야 해당 주장이 곧바로 결론이 아니라, 시장 영향과 출력 유사성 등과 함께 다뤄지는 쟁점임을 이해할 수 있습니다.
함께 볼 개념: 공정 이용(fair use), 학습 데이터(training data), 시장 대체(market substitution)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 미분(derivative), 그래디언트(gradient), 함수(function)
뜻: 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.
왜 중요한가: 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, 강화학습 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 학습하거나 안전 제약을 피해 갈 수도 있다는 점도 읽게 됩니다.
함께 볼 개념: 강화학습(reinforcement learning), 강화학습 정책(reinforcement learning policy), 강화학습 환경(reinforcement learning environment)
중심 Section: P1-8.3
등장 Section: P1-5.1, P4-index, P4-2.3, P4-19.1, P4-19.2, P4-19.3, P4-19.5, P4-summary
뜻: AI 시스템이 입력, 출력, 권한, 연결된 도구, 저장된 데이터 경로에서 악용되거나 손상되지 않도록 보호하는 조건입니다. 단순히 비밀번호를 잘 숨기는 문제를 넘어서, 프롬프트 인젝션, 과도한 권한, 민감 정보 유출, 잘못된 도구 실행처럼 시스템 전체가 공격이나 오용에 얼마나 취약한지를 함께 보는 운영 개념입니다. 즉 보안은 모델이 똑똑한가보다 이 시스템이 악의적 입력과 잘못된 실행에 얼마나 버틸 수 있는가를 묻는 질문에 가깝습니다.
왜 중요한가: 생성형 AI는 문서 요약에만 머무르지 않고 검색, 코드 실행, 파일 수정, 외부 API 호출과 연결되기 쉬워, 작은 입력 조작이 실제 권한 남용과 정보 유출로 이어질 수 있기 때문입니다. 이 개념이 있어야 품질 문제와 보안 문제를 섞지 않게 되고, 잘못된 답변과 위험한 실행이 서로 다른 층위의 실패라는 점을 이해하게 됩니다. 또한 보안을 이해해야 권한을 줄인다, 승인을 둔다, 로그를 남긴다, 민감 정보를 막는다 같은 장치들이 왜 별도 부가 기능이 아니라 기본 설계 조건인지도 더 분명하게 읽게 됩니다.
함께 볼 개념: 개인정보(privacy), 민감 정보(sensitive information), 도구 실행 권한(permission), 최소 권한(least privilege)
뜻: 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.
왜 중요한가: 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, AI 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.
함께 볼 개념: 불완전한 정보(incomplete information), 잡음(noise), 상태공간 탐색(search)
뜻: 입력 사례를 미리 정해 둔 범주나 라벨 가운데 하나로 나누는 문제 유형입니다. 결과가 새 문장을 만들어 내는 것이 아니라, 정해진 선택지 집합 안에서 어느 쪽에 넣을지를 판단하는 문제라고 볼 수 있습니다. 즉 분류의 핵심은 답을 자유롭게 만드는 것이 아니라, 이미 정의된 범주 체계 안에서 사례의 소속을 결정하는 데 있습니다.
왜 중요한가: 스팸 판별, 이상 상태 경고, 승인 보류처럼 많은 AI 실무 문제가 결국 어떤 범주를 고르는 질문으로 바뀐다는 점을 보여 주기 때문입니다. 또 같은 예측 문제라도 회귀, 군집화, 생성과 무엇이 다른지 구분하는 기준이 됩니다. 이 개념이 있어야 모델 출력이 연속값인지, 범주 선택인지에 따라 평가 방식과 후속 의사결정이 달라진다는 점도 읽게 됩니다. 또한 분류는 범주 정의가 먼저 있어야 하므로, 문제 설정 단계에서 무엇을 구분할지 정하는 일이 모델 선택만큼 중요하다는 점도 드러냅니다.
함께 볼 개념: 군집화(clustering), 예측(prediction), 지도학습 라벨(supervised learning label), 회귀(regression), 임계값(threshold)
뜻: 하나의 단어나 대상을 하나의 기호로만 두지 않고, 여러 수치 차원에 걸친 벡터로 표현하는 방식입니다. 한 차원이 한 의미를 전부 담당하는 식이라기보다, 여러 차원이 조금씩 역할을 나누어 하나의 개념 성질을 함께 담는 표현이라고 볼 수 있습니다. 그래서 의미가 한 칸에 고정된 번호표라기보다, 여러 좌표에 나뉘어 퍼져 있는 상태에 가깝습니다. 즉 분산 표현은 개념 하나 = 기호 하나보다 개념 하나 = 여러 좌표의 조합에 더 가까운 표현 방식입니다.
왜 중요한가: 하나의 개념 성질이 여러 차원에 나뉘어 담기므로, 처음 본 표현도 비슷한 문맥과 부분적으로 닮아 있으면 가까운 위치로 해석하게 만들기 때문입니다. 이 개념이 있어야 단어와 개체를 딱 하나의 번호표로 다루는 방식보다 훨씬 더 유연한 일반화가 가능해지는 이유를 이해하게 되고, 임베딩과 신경망 언어 모델이 왜 희소한 기호표보다 풍부한 연속 표현을 선호하는지도 읽게 됩니다. 예를 들어 비슷한 직업, 비슷한 문법 역할, 비슷한 사용 맥락이 여러 차원에 나뉘어 반영되면, 완전히 같은 단어가 아니어도 공간상 가까운 표현으로 처리될 수 있습니다. 또한 분산 표현을 이해해야 의미가 한 칸에 박힌 상징과, 여러 축에 퍼져 근접성으로 비교되는 현대 표현 방식을 더 분명히 구분하게 됩니다.
함께 볼 개념: 임베딩(embedding), 벡터(vector), 말뭉치(corpus)
중심 Section: P1-11.1
등장 Section: P1-9.3, P1-13.1, P5-2.2, P6-3.1, P6-20.2
뜻: 값들이 평균 주변에서 얼마나 퍼져 있는지를 나타내는 값입니다. 같은 평균을 가진 데이터라도 값들이 중심 근처에 촘촘히 모여 있는지, 멀리 흩어져 있는지를 한 숫자로 요약한 퍼짐의 정도라고 볼 수 있습니다. 즉 분산은 대표값이 어디쯤인가와는 다른 질문으로, 그 주변에서 얼마나 흔들리는가를 수치로 붙잡는 도구입니다.
왜 중요한가: 평균이 같아도 데이터의 퍼짐과 안정성이 다를 수 있음을 드러내기 때문입니다. 이 개념이 있어야 대표값이 같다는 사실만으로 두 데이터가 비슷하다고 단정하지 않게 되고, 예측 오차나 성능 점수의 흔들림도 중심값뿐 아니라 퍼짐과 함께 읽어야 한다는 점을 이해하게 됩니다. 또한 분산을 이해해야 평균 하나만 보면 안정적으로 보이는 데이터와, 실제로는 큰 흔들림을 가진 데이터를 구분하게 됩니다. 결국 분산은 대표값의 위치만이 아니라 값들의 안정성을 함께 보게 만드는 핵심 지표입니다.
함께 볼 개념: 평균(mean), 표준편차(standard deviation), 분포(distribution)
중심 Section: P2-5.2
등장 Section: P2-5.3, P2-5.4, P2-5.5, P2-13.2, P4-18.1
뜻: 값들이 어디에 몰리고 얼마나 퍼져 있는지 보여 주는 전체 모양입니다. 단순히 무슨 값이 있다를 넘어서, 어떤 구간에 값이 많이 모이는지, 한쪽으로 치우쳤는지, 여러 봉우리가 있는지까지 함께 드러내는 데이터의 전체 모습이라고 볼 수 있습니다. 즉 분포는 개별 값 목록보다 값들이 전체적으로 어떤 형태를 이루는가를 읽는 관점이며, 중심과 퍼짐과 치우침을 한꺼번에 보게 합니다.
왜 중요한가: 데이터 묶음을 단순 목록이 아니라 중심과 퍼짐을 가진 구조로 읽게 해 주기 때문입니다. 이 개념이 있어야 평균 하나만으로는 놓치는 치우침, 이상값, 여러 집단의 섞임을 함께 보게 되고, 같은 모델 점수라도 어떤 사례들에서 흔들리는지 더 입체적으로 해석하게 됩니다. 또한 분포를 이해해야 대표값 하나가 비슷해 보여도 실제 데이터 모양은 크게 다를 수 있다는 점도 자연스럽게 받아들이게 되고, 그래프를 볼 때도 값 하나보다 전체 모양을 먼저 읽는 습관이 생깁니다.
함께 볼 개념: 확률(probability), 평균(mean), 분산(variance)
중심 Section: P2-5.2
등장 Section: P2-5.3, P2-5.4, P2-5.5, P2-13.1, P2-13.2, P4-6.3
뜻: 판단이나 선택에 필요한 상태 정보가 처음부터 모두 주어지지 않은 상황입니다. 규칙이나 목표가 있더라도, 결정을 위해 알아야 할 사실 일부가 애초에 제공되지 않은 조건이라고 볼 수 있습니다. 즉 문제는 있는데, 그 문제를 닫는 데 필요한 입력이 처음부터 비어 있는 상태입니다.
왜 중요한가: 규칙이 있어도 핵심 정보가 빠져 있으면 결과를 확정하기 어렵고, 확률·탐색·사람 검토 같은 보완 접근이 왜 필요한지 설명해 주기 때문입니다. 이 개념이 있어야 규칙이 부족한가와 정보가 부족한가를 구분해 읽게 되고, 같은 문제라도 더 많은 관측이 들어오면 판단 방식이 달라질 수 있다는 점도 자연스럽게 이해하게 됩니다. 예를 들어 고객 문의만 있고 주문 기록이 전혀 없으면, 문제는 규칙의 부재가 아니라 입력 사실의 부재일 수 있습니다. 이런 구분이 있어야 규칙을 더 쓰는 방향과 추가 관측이나 검색을 붙이는 방향을 다르게 선택하게 됩니다.
함께 볼 개념: 부분 관측(partial observability), 불확실성(uncertainty), 규칙 기반 시스템(rule-based system)
뜻: 현재 정보만으로 하나의 상태나 결과를 확정할 수 없고 여러 가능성을 함께 고려해야 하는 상태입니다. 모른다는 사실을 감추지 않고, 가능한 경우들과 그 가능성 크기를 함께 다뤄야 하는 판단 조건이라고 볼 수 있습니다. 즉 불확실성은 아직 정보가 부족하다는 상태를 체계적으로 다루기 위한 개념입니다.
왜 중요한가: 실제 문제에서는 모른다를 오류로만 보지 않고, 어느 정도 확신할 수 있는지와 어떤 경우를 더 조심해야 하는지 함께 판단해야 하기 때문입니다. 이 개념이 있어야 예측 결과를 단일 답 하나로만 읽지 않고 확률, 신뢰도, 위험, 추가 확인 필요성을 함께 보게 되고, 사람 검토와 자동화 경계를 정하는 기준도 더 자연스럽게 세우게 됩니다. AI 시스템 운영에서도 불확실성을 읽을 수 있어야 자동 응답으로 넘길지, 사람 검토를 붙일지, 추가 정보를 먼저 요청할지를 나누게 됩니다.
함께 볼 개념: 확률(probability), 불완전한 정보(incomplete information), 잡음(noise)
뜻: shape가 호환되는 작은 배열이나 스칼라를 더 큰 배열 계산에 맞춰 적용하는 배열 계산 규칙입니다. 같은 값을 무작정 복사해 늘리는 것이라기보다, 모양이 맞는 방향으로 값이 퍼져 적용된다는 계산 해석 규칙이라고 이해하면 됩니다. 즉 실제로 거대한 복사본을 손으로 만드는 직관보다는, 계산기가 축의 길이를 맞춰 읽는 방식이라고 보는 편이 더 정확합니다.
왜 중요한가: 배열 전체에 같은 보정값을 더하거나 특징별 연산을 한 번에 적용할 때, 반복문 없이도 어떤 계산이 일어나는지 읽는 기준이 되기 때문입니다. 이 개념이 있어야 배열 계산 코드가 짧게 적혀 있어도 실제로 어떤 축을 따라 값이 퍼져 적용되는지 해석할 수 있습니다. 예를 들어 (3, 4) 배열에 (4,) 벡터를 더하면 각 행에 같은 4개 값이 적용되고, (3, 1) 벡터를 더하면 각 열보다 각 행 쪽 보정처럼 읽히게 됩니다. 결국 브로드캐스팅은 왜 계산은 되는데 내가 기대한 축과 다르게 적용되지?라는 질문에 답하는 핵심 shape 해석 규칙입니다.
뜻: 같은 입력이나 상태에서도 결과가 하나로 고정되지 않을 수 있는 성질입니다. 하나의 규칙 경로만 있는 것이 아니라, 여러 다음 상태나 결과 가능성이 열려 있는 조건이라고 볼 수 있습니다. 즉 비결정성은 반드시 하나의 다음 결과로 닫히지 않는다는 구조를 가리키며, 곧바로 무작위 선택을 뜻하는 것은 아닙니다.
왜 중요한가: 규칙이 모자라서 여러 경로가 가능한 경우, 무작위 요소가 들어간 경우, 외부 상태에 따라 실행이 달라지는 경우를 한데 섞지 않고 읽는 출발점이 되기 때문입니다. 이 개념이 있어야 정답이 하나로 결정되지 않는다는 말이 언제는 탐색 문제를 뜻하고 언제는 확률적 생성이나 시스템 실행 차이를 뜻하는지 더 조심해서 구분하게 됩니다. 또한 비결정성을 이해해야 결과가 여러 개일 수 있다와 그중 하나를 무작위로 고른다를 다른 층위로 읽게 됩니다.
함께 볼 개념: 확률(probability), 확률적 과정(stochastic process), 불확실성(uncertainty)
뜻: 법적 개인정보는 아니더라도 외부로 노출되면 조직, 고객, 계약, 운영에 실질적 피해를 줄 수 있어 보호해야 하는 내부 정보입니다. 계약서 초안, 미공개 코드, 내부 회의록, 고객 명단, 비밀키(secret), 제품 출시 전 계획처럼 조직 바깥으로 나가면 안 되는 정보가 여기에 해당합니다. 즉 비밀 정보는 개인을 식별하는가보다 업무상 비공개로 유지해야 하는가를 더 강하게 묻는 범주입니다.
왜 중요한가: 생성형 AI 입력과 로그는 개인 정보뿐 아니라 조직의 내부 정보도 쉽게 복제하고 재노출할 수 있어, 개인정보 보호만으로는 실제 위험을 다 설명하지 못하기 때문입니다. 이 개념이 있어야 개인정보는 아니니 넣어도 된다는 식의 오해를 줄이게 되고, 회사 문서와 비밀키, 내부 운영 정보가 왜 별도 보호 대상인지 더 분명하게 읽게 됩니다. 또한 비밀 정보를 이해해야 민감 정보, 보안, 권한 관리가 왜 함께 설계되어야 하는지, 그리고 AI 초안 생성 편의가 곧바로 내부 자료 공유 허용을 뜻하지 않는다는 점도 더 분명히 보게 됩니다.
함께 볼 개념: 민감 정보(sensitive information), 보안(security), 개인정보(privacy), 도구 실행 권한(permission)
뜻: 사람이 미리 붙인 라벨 없이 데이터 안의 구조나 묶음, 표현을 찾으려는 학습 방식입니다. 즉 정답이 무엇인가를 바로 맞히는 대신, 사례들이 어떻게 비슷하고 어떻게 갈라지는지 먼저 읽으려는 문제 설정이라고 볼 수 있습니다. 다시 말해 비지도학습은 답을 외우는 학습보다, 데이터 안에 숨어 있는 질서를 드러내는 학습에 더 가깝습니다.
왜 중요한가: 지도학습처럼 정답 라벨을 맞히는 문제와 달리, 데이터 자체의 관계를 발견하는 질문이 따로 있다는 점을 보여 주기 때문입니다. 이 개념이 있어야 학습이 반드시 정답 맞히기만 뜻하는 것은 아니라는 점을 이해하게 되고, 군집화·차원 축소·표현 학습처럼 데이터 구조를 먼저 읽는 문제들이 별도 축으로 존재한다는 점도 자연스럽게 이어집니다. 예를 들어 고객 데이터에 라벨이 없어도 비슷한 행동 패턴끼리 먼저 묶어 보면, 이후 어떤 집단을 먼저 해석하거나 검토할지 새로운 질문이 생길 수 있습니다. 결국 비지도학습을 이해해야 라벨이 없으니 아무것도 못 한다가 아니라 라벨 없이도 먼저 볼 수 있는 구조가 있다는 관점으로 넘어가게 됩니다.
함께 볼 개념: 표현(representation), 군집화(clustering), 차원 축소(dimensionality reduction)
중심 Section: P1-8.2
등장 Section: P1-5.1, P4-index, P4-2.2, P4-17.1, P4-17.2, P4-18.1, P4-18.2, P4-2.3