뜻: Matplotlib에서 현재 Figure를 PNG 같은 이미지 파일로 저장하는 함수 호출입니다. 화면에 그린 그림을 눈앞의 출력에서 끝내지 않고 파일 자산으로 바꾸는 단계입니다. 즉 그려 본다에서 멈추지 않고 남겨 둔다로 넘어가는 저장 명령이라고 볼 수 있습니다.
왜 중요한가: 화면에서 한 번 본 그래프를 문서, 리포트, 실험 기록에 다시 쓰려면 결과를 파일로 남겨야 하고, 이 저장 단계가 그래프를 기록 자산으로 바꾸기 때문입니다. 즉 시각화가 잠깐 보기에서 재사용 가능한 기록으로 넘어가는 지점이기도 합니다. 이 개념이 있어야 실험 결과를 나중에 다시 검토하거나 비교할 때 화면 캡처에 의존하지 않고, 같은 코드에서 같은 자산을 다시 만들 수 있는 기록 흐름을 더 분명히 잡게 됩니다. 결국 savefig를 이해해야 시각화 코드가 화면 출력용인지, 문서와 실험 기록용 자산 생성까지 포함하는지 구분하게 됩니다.
함께 볼 개념: Figure, 재실행 가능한 기록(reproducible record), 그래프(plot)
뜻: 한 번의 reasoning 경로만 믿지 않고, 여러 후보 경로를 생성해 더 자주 모이는 결론을 채택하려는 프롬프트 전략입니다. 한 번 나온 답을 그대로 믿기보다, 여러 경로를 비교해 더 안정적으로 반복되는 결론을 고르려는 방식이라고 볼 수 있습니다. 즉 한 번의 사고흐름에 과하게 기대지 않고, 여러 번 풀어 본 뒤 더 자주 나오는 답을 택하는 전략입니다.
왜 중요한가: 한 번의 우연한 실수나 경로 흔들림을 줄이려는 전략이라는 점을 이해해야, 여러 후보 합의와 사실 보장을 같은 문제로 섞지 않게 됩니다. 이 개념이 있어야 경로 일관성을 높이는 전략과 외부 근거 확인을 구분해 읽을 수 있습니다. 또한 self-consistency를 이해해야 답이 자주 반복된다는 사실이 곧 외부 세계에서 참이라는 뜻은 아니라는 점도 함께 분명해집니다. 결국 self-consistency는 같은 모델 안의 반복 안정성을 높이는 전략이지 사실 검증 자체를 대신하는 장치는 아닙니다.
함께 볼 개념: Chain-of-thought(CoT), 프롬프트 엔지니어링(prompt engineering), 평가(evaluation)
뜻: 공백을 미리 단어 경계로 고정하지 않고, 문자열 전체에서 서브워드 조각을 학습해 토큰 단위를 만드는 토크나이저 계열입니다. 즉 단어를 먼저 나누고 다시 쪼개는 방식보다, 텍스트 전체에서 직접 쓸 만한 조각을 배우는 접근에 가깝습니다. 그래서 공백 규칙이 언어마다 다르거나 형태 변화가 많은 언어에서도 비교적 일관된 분절 단위를 만들기 쉽고, 문자 수준과 단어 수준 사이의 중간 조각을 잘 다룹니다.
왜 중요한가: 단어 경계가 공백에만 크게 의존하지 않는 언어에서도 일관된 분절 방식을 잡기 쉽습니다. 그래서 한국어처럼 조사와 어미 변화가 잦은 언어에서 토큰이 어떻게 나뉘는지 설명할 때 자주 등장하고, 단어 수와 토큰 수가 왜 다를 수 있는지도 더 자연스럽게 이해하게 해 줍니다. 또한 SentencePiece를 이해해야 토큰화가 영어 단어 경계 직관과 항상 같지 않으며, 같은 문장도 토크나이저 설계에 따라 전혀 다른 조각으로 나뉠 수 있다는 점을 보게 되고, 토큰 길이와 비용 감각도 함께 더 정확히 읽게 됩니다.
함께 볼 개념: 토큰화(tokenization), BPE(Byte Pair Encoding), WordPiece
뜻: Pandas에서 인덱스가 붙은 1차원 값 열을 나타내는 자료구조입니다. DataFrame의 한 열을 꺼냈을 때 자주 만나며, 표 전체보다 값 한 줄기에 가까운 구조입니다. 즉 Series는 행과 열이 있는 표보다 한 단계 단순한, 인덱스가 붙은 값 벡터에 가까운 형태입니다.
왜 중요한가: DataFrame에서 한 열을 고르면 결과가 다시 표 전체가 아니라 Series가 될 수 있어서, 같은 선택처럼 보여도 반환 구조가 어떻게 달라지는지 읽는 기준이 되기 때문입니다. 이 차이를 알아야 표 선택 뒤에 어떤 메서드와 집계가 가능한지도 자연스럽게 이해할 수 있습니다. 이 개념이 있어야 표의 한 열을 뽑았다는 일이 단순 잘라내기가 아니라, 더 좁은 차원의 자료구조로 내려오는 변화라는 점도 분명히 읽게 됩니다. 결국 Series를 이해해야 Pandas에서 한 열 선택이 반환 타입과 후속 연산 가능성까지 함께 바꾼다는 점을 읽게 됩니다.
뜻: 배열이나 텐서가 몇 차원이며 각 축에 값이 몇 개 들어 있는지를 보여 주는 모양 정보입니다. 숫자 묶음을 어떤 뜻인가보다 먼저 어떤 구조인가로 읽게 하는 표기라고 볼 수 있습니다. 즉 shape는 값 자체보다 행과 열이 몇 개인가, 배치가 포함됐는가처럼 계산 구조를 먼저 드러내는 요약표입니다.
왜 중요한가: 벡터, 행렬, 배치 계산에서 어떤 연산이 가능한지 가장 먼저 판단하게 해 주기 때문입니다. shape를 먼저 읽는 습관이 있어야 브로드캐스팅, 슬라이싱, 행렬 곱이 왜 가능한지 빠르게 판단할 수 있습니다. 즉 shape는 값 의미를 읽기 전, 계산이 성립하는 구조부터 확인하게 만드는 기본 점검표입니다. 또한 shape를 이해해야 같은 값 개수라도 배열 배치가 다르면 완전히 다른 연산 대상으로 읽어야 한다는 점도 자연스럽게 받아들이게 됩니다.
함께 볼 개념: 차원(dimension), 벡터(vector), 행렬(matrix)
중심 Section: P2-3.1
등장 Section: P2-3.6, P2-11.1, P2-11.2, P2-11.3, P2-12.1, P2-15.2, P5-9.2
뜻: 선택 결과가 원본 배열과 같은 데이터를 바라보고 있어 한쪽 변경이 다른 쪽에도 반영될 수 있는 상태입니다. 겉으로는 새 변수처럼 보여도 실제로는 같은 메모리 일부를 함께 참조하고 있는 관계라고 이해하면 됩니다. 즉 새 이름이 생겼어도 새 데이터가 생긴 것은 아닐 수 있다는 뜻입니다.
왜 중요한가: 결과가 새 변수에 담겼다고 해서 새 데이터가 만들어진 것은 아닐 수 있다는 점을 알려 주기 때문입니다. 이 개념이 있어야 NumPy 전처리에서 부분을 골랐을 뿐인데 원본이 함께 바뀌는 이유를 이해하게 되고, 언제는 메모리를 아끼는 장점이 되지만 언제는 디버깅을 어렵게 만드는 위험이 되는지도 함께 판단하게 됩니다. 또한 슬라이싱과 복사가 언제 같은 듯 보이지만 수정 부작용에서 결정적으로 달라지는지도 더 분명히 읽게 됩니다. 결국 원본 공유 뷰를 이해해야 메모리 효율과 수정 부작용을 함께 따져 보게 됩니다.
함께 볼 개념: 슬라이싱(slicing), 복사(copy), 불리언 마스크(boolean mask)
뜻: 모든 토큰 쌍을 같은 밀도로 보지 않고, 일부 연결만 선택적으로 남겨 계산 부담을 줄이려는 attention 설계 방향입니다. 즉 모든 위치가 서로를 전부 다 보는 기본 self-attention 대신, 가까운 위치나 중요한 위치만 우선 연결해 계산량을 줄이는 구조적 절충이라고 볼 수 있습니다.
왜 중요한가: 문맥이 길어질수록 attention 비교 수가 빠르게 늘어나기 때문에, 긴 입력을 다루기 위한 현실적 타협이 왜 필요한지 설명해 주기 때문입니다. 이 개념이 있어야 긴 문맥 처리에서 모든 관계를 다 본다와 계산 가능하게 일부 관계만 본다 사이의 절충을 읽게 되고, 긴 입력 지원이 단순 모델 크기 문제가 아니라 attention 구조 설계 문제이기도 하다는 점을 이해하게 됩니다. 또한 sparse attention을 이해하면 긴 문맥을 지원한다는 말이 단지 더 많이 넣는다는 뜻이 아니라, 어떤 관계를 남기고 어떤 관계를 생략할지 정하는 구조 선택이라는 점도 더 분명히 보게 됩니다.
함께 볼 개념: 멀티헤드 어텐션(multi-head attention), 문맥 창(context window), 롱 컨텍스트(long-context)
뜻: 배포나 운영 중 관찰된 문제를 날짜, 신호, 가능한 원인, 독자 영향, 다음 조치까지 묶어 남긴 운영 사건 단위 기록입니다. 단순 오류 메모가 아니라, 무슨 문제가 있었는가, 어디를 먼저 확인해야 하는가, 다음 반복에서 무엇을 바꿀 것인가를 다시 읽을 수 있게 만든 회고 원장에 가깝습니다. 즉 사건 기록은 실패 사실을 보관하는 데서 끝나지 않고, 다음 점검과 수정 순서를 여는 실행 기록입니다.
왜 중요한가: 같은 404라도 배포 미반영, 링크 경로 오류, 공개 반영 지연처럼 해석이 달라질 수 있어, 사건별로 신호와 확인 위치를 함께 남기지 않으면 다음 조치가 쉽게 흐려지기 때문입니다. 이 개념이 있어야 실패를 단순 나열하지 않고 범주, 우선순위, 확인 위치, 다음 행동까지 포함한 운영 회고로 남기게 됩니다. 또한 사건 기록을 이해해야 Part 7의 에이전트 run 기록, 실패 유형 분류, 배포 회고가 모두 사실 -> 해석 경계 -> 다음 조치 구조로 다시 묶일 수 있다는 점도 더 분명하게 읽게 됩니다.
함께 볼 개념: 실패(failure), 실패 유형(failure type), 상태 점검(status inspection), 다음 행동(next action), 회고(retrospective)
뜻: 관심 있는 결과들을 묶어 놓은 집합입니다. 예를 들어 주사위에서 짝수가 나온다는 사건은 2, 4, 6이라는 여러 개별 결과를 한 관심 주제로 묶어 놓은 표현입니다. 즉 사건은 낱개 결과를 그대로 세는 대신, 우리가 알고 싶은 조건 중심으로 묶어 읽는 단위입니다.
왜 중요한가: 확률 문제는 보통 하나의 미세한 결과보다 이 조건을 만족하는가를 묻기 때문에, 개별 결과들을 어떤 기준으로 한 덩어리로 묶는지가 해석의 출발점이 되기 때문입니다. 이 개념이 있어야 현실의 질문이 정확히 이 값인가보다 허용 범위를 넘었는가, 위험 구간에 들어갔는가 같은 사건 형태로 주어진다는 점을 이해하게 되고, 같은 표본공간도 무엇을 관심 사건으로 잡느냐에 따라 읽는 의미가 달라진다는 점도 자연스럽게 보게 됩니다. 결국 사건을 이해해야 확률은 무슨 결과가 나왔는가만이 아니라 어떤 조건이 성립했는가를 묻는 언어라는 점을 읽게 됩니다.
함께 볼 개념: 결과(outcome), 표본공간(sample space), 확률(probability)
뜻: 사람이 실제 맥락, 말투, 해석 적절성, 오해 가능성을 읽으며 품질을 판단하는 평가 방식입니다. 정답 문자열 일치보다, 사용자가 실제로 이 결과를 받아도 되는지를 더 넓게 살피는 평가에 가깝고, 여러 평가자가 기준표(rubric)를 맞춰 비교하기도 합니다. 즉 사람 평가는 점수 계산보다 이 결과가 실제 상황에서 어떤 의미를 갖는가를 읽는 데 강합니다.
왜 중요한가: 자동 평가가 잘 잡지 못하는 미묘한 품질 문제와 실제 사용 적합성을 확인하는 마지막 기준이 되기 때문입니다. 특히 생성형 AI에서는 사실성, 안전성, 도움 됨 여부가 함께 얽혀 있어 사람 평가가 빠지면 중요한 실패를 놓치기 쉽고, 반대로 사람 평가만 믿으면 비용과 일관성 문제가 커질 수 있어 자동 평가와의 역할 분담이 중요합니다. 또한 사람 평가를 이해해야 평가자 기준표와 합의 절차가 왜 필요한지, 사람 판단이라고 해서 자동으로 공정하고 일관적인 것은 아니라는 점도 읽게 됩니다.
함께 볼 개념: 평가(evaluation), 자동 평가(automatic evaluation), 검토(review), 사실성(factuality)
뜻: 데이터 안의 한 건을 이루는 관찰 사례입니다. 추상 개념을 실제 데이터 한 건이나 업무 한 장면으로 내려와 보이게 하는 학습용 단위로도 읽을 수 있습니다. 즉 사례는 이론에서 말한 입력과 출력이 실제로는 어떤 모습인가를 손에 잡히게 보여 주는 구체 한 건입니다.
왜 중요한가: 데이터가 단순 파일 모음이 아니라 입력과 출력이 연결된 사례 묶음이라는 점을 보여 줍니다. 사례를 통해서야 독자가 입력, 라벨, 출력이 실제로 어떤 모습인지 손에 잡히게 볼 수 있습니다. 또한 사례 단위로 생각해야 데이터셋 분할, 오류 분석, 라벨 품질 점검도 실제 한 건씩 다시 읽으며 진행된다는 점을 이해하게 되고, 평균 점수 뒤에 가려진 실패 양상도 한 사례씩 열어 봐야 드러난다는 점을 함께 읽게 됩니다. 즉 사례 개념이 분명해야 전체 평균 성능과 개별 실패 장면을 분리해 읽는 습관이 생깁니다.
함께 볼 개념: 데이터(data), 라벨(label), 입력(input), 샘플(sample)
뜻: 외부 자료와 근거로 확인되어야 하는 문장입니다. 단순 의견이나 비유가 아니라, 실제로 그런 일이 있었는가, 정말 그런 수치와 정의가 맞는가를 출처로 검증할 수 있어야 하는 진술이라고 볼 수 있습니다. 날짜, 수치, 제품 기능, 역사적 사건, 논문 내용처럼 확인 가능한 대상을 말할 때는 대부분 사실 주장에 해당합니다.
왜 중요한가: 개인적 직관이나 해석을 본문 사실처럼 단정하지 않게 해 주며, 출처 검토의 기준점이 되기 때문입니다. 이 개념이 있어야 같은 문장 안에서도 검증 가능한 사실, 그 사실에 대한 해석, 앞으로의 전망을 나누어 읽게 되고, AI 초안에서 무엇을 반드시 출처로 다시 확인해야 하는지도 더 분명해집니다. 결국 사실 주장을 먼저 골라낼 수 있어야 어디에 검증 노력을 집중할지도 결정할 수 있습니다. 다시 말해 사실 주장은 느낌상 맞아 보인다가 아니라 근거로 확인할 수 있다가 핵심인 문장입니다.
함께 볼 개념: 해석(interpretation), 작업 가설(working hypothesis), 예측(prediction)
뜻: 현재 입력이나 관찰 상태 가운데 규칙 적용의 근거로 사용하는 값이나 조건입니다. 즉 지금 참이라고 받아들이는 문장을 작업 메모처럼 들고 있다가, 그 위에 규칙을 적용해 다음 결론을 끌어내는 출발 재료라고 볼 수 있습니다. 예를 들어 열이 있다, 환자가 기침한다, 파일이 존재한다 같은 현재 상태 문장이 사실에 해당합니다. 여기서 사실은 철학적 절대진리라기보다, 현재 시스템이 입력으로 받아들인 상태 문장에 더 가깝습니다.
왜 중요한가: 규칙 기반 시스템은 추상적인 규칙만으로 동작하지 않고, 지금 어떤 상태가 참인지 나타내는 사실과 규칙을 연결해 결론을 내리기 때문입니다. 이 개념이 있어야 규칙은 일반 기준이고 사실은 현재 상황이라는 역할 차이를 분리하게 되며, 같은 규칙도 어떤 사실이 입력되느냐에 따라 다른 결론이 나온다는 점을 더 분명히 이해하게 됩니다. 또한 사실을 이해해야 일반 지식과 현재 관찰을 섞지 않고 읽게 되고, 규칙 시스템이 왜 입력 상태를 조금만 잘못 받아도 결론이 크게 달라질 수 있는지도 더 자연스럽게 보게 됩니다. 더 나아가 책 전체에서는 저작권이나 평가 문맥에서 사실 그 자체와 그 사실을 표현한 문장을 구분하는 감각으로도 이어집니다.
함께 볼 개념: 규칙 기반 시스템(rule-based system), 추론 엔진(inference engine), 지식 기반(knowledge base)
중심 Section: P1-3.1
등장 Section: P1-2.2, P1-15.2, P4-index, P4-summary, P4-15.3
뜻: 문장이 실제 사실과 맞는지, 핵심 주장에 오류나 왜곡이 없는지를 보는 기준입니다. 표현이 매끄러운가와는 다른 질문이며, 그럴듯하게 들리는가보다 검증 가능한 내용과 맞는가를 묻는 평가 축에 가깝습니다. 즉 사실성은 문장 스타일이 아니라, 그 문장이 외부 세계와 얼마나 정확하게 맞물리는지를 묻는 품질 기준입니다.
왜 중요한가: 자연스럽고 설득력 있는 문장이라도 사실과 다를 수 있으므로, 출력 품질과 정확성을 분리해 읽게 해 주기 때문입니다. 특히 생성형 AI에서는 문체가 좋아도 출처가 약하거나 최신 정보가 틀릴 수 있어, 사실성을 따로 점검해야 실제 사용 가능성을 판단할 수 있습니다. 이 개념이 있어야 도움이 되는 답과 사실에 맞는 답이 언제는 겹치고 언제는 어긋날 수 있는지 함께 보게 되고, 환각 문제를 단순 문체 문제가 아니라 검증 체계 문제로 읽게 됩니다.
함께 볼 개념: 근거(evidence), 환각(hallucination), 평가(evaluation)
뜻: 특정 과업을 바로 학습하기 전에, 큰 말뭉치에서 일반적인 언어 패턴과 표현을 먼저 학습하는 단계입니다. 한 업무를 잘하게 만들기보다, 다양한 문장 구조와 지식 표현을 넓게 접하게 해 범용적인 초기 능력을 만드는 준비 단계라고 볼 수 있습니다. 즉 사전학습은 이 일만 잘하는 모델을 만드는 첫 단계가 아니라, 여러 작업에 옮겨 갈 수 있는 공통 기반을 먼저 쌓는 과정입니다.
왜 중요한가: 현대 LLM이 개별 업무 데이터를 보기 전부터 범용적인 언어 감각과 표현을 갖게 되는 이유를 설명하는 핵심 절차이기 때문입니다. 이 개념이 있어야 왜 적은 예시만으로도 어느 정도 반응하는가, 왜 미세조정 없이도 기본 응답이 가능한가를 이해할 수 있고, 이후 적응 단계와의 역할 분담도 더 분명해집니다. 결국 사전학습을 이해해야 모델 능력의 상당 부분이 배포 직전 설정이 아니라, 대규모 일반 학습 단계에서 이미 형성된다는 점을 읽게 됩니다.
함께 볼 개념: 미세조정(fine-tuning), 문맥 내 학습(in-context learning), GPT
중심 Section: P1-11.3
등장 Section: P6-5.1, P6-5.2, P6-7.1, P6-7.2, P6-9.1, P6-19.1, P6-20.1
뜻: 각 샘플을 하나의 점으로 찍어 두 변수의 관계와 흩어짐을 보여 주는 그래프입니다. 한 점이 한 사례를 뜻하고, 점들의 모양 전체가 두 변수 사이 패턴을 드러내는 시각화라고 볼 수 있습니다. 즉 산점도는 값 하나의 높낮이보다, 점들이 어떤 구름 모양을 이루는가를 읽는 그래프입니다.
왜 중요한가: 두 값이 함께 커지거나 줄어드는지, 그리고 점들이 얼마나 퍼져 있는지를 한눈에 보게 해 주어 관계 후보를 빠르게 점검하게 만들기 때문입니다. 이 개념이 있어야 평균이나 상관계수 하나로는 놓치기 쉬운 군집, 이상치, 비선형 관계 후보도 먼저 눈으로 확인하게 되고, 수치 요약 전에 데이터 모양을 본다는 기본 습관도 함께 잡게 됩니다. 또한 산점도를 이해해야 같은 상관계수라도 실제 점 모양은 매우 다를 수 있다는 점도 더 자연스럽게 받아들이게 됩니다. 결국 산점도는 숫자 관계를 점들의 배치로 바꾸어 읽게 만드는 가장 기본적인 관계 시각화입니다.
뜻: 가장 가까운 후보 하나만이 아니라, 가까운 순서대로 k개 후보를 함께 가져오는 방식입니다. 즉 한 개 정답만 뽑기보다 먼저 볼 만한 후보 묶음 만들기에 더 가까운 선택 전략입니다. 여기서 중요한 점은 정답을 확정한다기보다, 다음 단계에서 검토하거나 조합할 후보 폭을 얼마나 열어 둘지 정한다는 데 있습니다.
왜 중요한가: 검색에서 관련 후보를 놓치지 않으려면 몇 개를 가져올지 정해야 하고, 너무 적거나 너무 많을 때의 trade-off를 이해해야 하기 때문입니다. 이 수가 달라지면 검색 품질, 검토 비용, RAG 맥락 길이도 함께 달라집니다. 예를 들어 top-1은 간단하지만 한 후보에 과하게 의존하기 쉽고, top-20은 관련성을 넓힐 수 있지만 잡음과 맥락 길이 소모도 함께 키울 수 있습니다. 결국 상위 k개를 이해해야 검색은 가장 비슷한 것 하나를 찍는 일이 아니라, 다음 생성이나 검토 단계에 넘길 후보 폭을 조절하는 설계 문제라는 점도 읽게 됩니다.
함께 볼 개념: 최근접 이웃(nearest neighbor), 순위화(ranking), 유사도 검색(similarity search), 문맥 창(context window)
뜻: 서비스나 배포가 현재 어느 단계까지 정상인지, 어디에서 멈췄는지, 무엇을 다시 확인해야 하는지를 단계별로 읽는 운영 확인 절차입니다. 단순히 된다/안 된다를 한 줄로 적는 것이 아니라, 빌드 상태, 배포 상태, 공개 주소, 최신 반영 여부처럼 서로 다른 상태 층위를 나누어 보는 점검이라고 이해하면 됩니다. 즉 상태 점검은 성공 선언이 아니라, 현재 운영 상태를 다시 읽기 위한 구조화된 확인 작업입니다.
왜 중요한가: 로컬 빌드 성공, CI 완료, 공개 페이지 정상 노출은 서로 다른 상태인데 이를 한 번에 섞어 보면 어디서 문제가 생겼는지 곧바로 흐려지기 때문입니다. 이 개념이 있어야 workflow 초록색과 독자가 최신 본문을 읽는다를 같은 말로 보지 않게 되고, 배포 뒤에도 무엇을 더 확인해야 하는지 운영 문서에 남기게 됩니다. 또한 상태 점검을 이해해야 배포 기록이 단순 완료 보고를 넘어서, 다음 재확인 시점과 검토 대상까지 포함한 살아 있는 점검표가 되어야 한다는 점도 더 또렷하게 보게 됩니다.
함께 볼 개념: 배포(deployment), 사건 기록(incident record), 다음 행동(next action), 검토(review), 최신성(recency)
뜻: 현재 상황에서 다음 행동 선택에 필요한 정보를 요약한 표현입니다. 강화학습에서는 환경의 현재 상황을 뜻하고, 에이전트 실행 문맥에서는 지금까지 읽은 자료, 실행 결과, 중간 판단을 포함한 작업 진행 상태를 뜻할 수 있습니다.
왜 중요한가: 탐색, 강화학습, 에이전트 실행 모두에서 지금 어디까지 왔고 무엇을 이미 확인했는지에 따라 다음 행동이 달라지기 때문입니다. 이 개념이 있어야 입력 하나를 바로 답으로 바꾸는 문제와 중간 상황을 계속 갱신하며 여러 단계를 밟는 문제를 구분하게 되고, 상태를 어떻게 요약하느냐에 따라 같은 환경에서도 전혀 다른 행동이 나올 수 있다는 점도 이해하게 됩니다. 결국 상태는 단순 기록이 아니라 다음 판단의 바탕이므로, 상태 표현 자체가 성능과 안정성에 직접 영향을 줍니다. 즉 상태는 지금 무엇을 알고 있는가를 다음 행동이 쓸 수 있는 형태로 정리한 표현입니다.
함께 볼 개념: 행동(action), 환경(environment), 정책(policy), 관찰(observation)
중심 Section: P1-7.1
등장 Section: P1-8.3, P1-14.3, P1-14.4, P1-14.5, P5-12.1, P5-12.2, P7-6.1, P7-6.2
뜻: 현재 질문에 답하기 위해 한 건으로 묶어 읽기로 정한 사례 단위입니다. 행 하나, 문서 하나, 이벤트 한 번처럼 모델이 한 번 본다고 셀 수 있는 기본 단위라고 이해하면 됩니다. Part 7에서는 이 샘플 경계가 곧 입력 단위와 비교 단위가 되어, 같은 로그라도 하루 전체를 샘플로 볼지 채널-일자를 샘플로 볼지에 따라 프로젝트 문서의 첫 문장이 달라집니다.
왜 중요한가: 같은 원천데이터라도 한 시점 기록을 샘플로 볼지, 동작 1회를 샘플로 볼지에 따라 뒤의 특징, 기준선, 출력 구조가 모두 달라지기 때문입니다. 샘플 단위가 흔들리면 데이터셋 크기와 라벨 의미도 함께 흔들립니다. 이 개념이 있어야 Part 7의 입력 단위 정의, 샘플별 비교표, 틀린 사례 목록이 모두 무엇을 한 건으로 셌는가 위에 서 있다는 점도 더 분명하게 읽게 됩니다. 결국 샘플은 데이터가 많다는 사실을 무엇을 한 건으로 볼 것인가라는 분석 단위로 닫아 주는 기준입니다.
함께 볼 개념: 표본(sample), 행(row), 데이터셋(dataset), 사례(example)
뜻: 모델이 계산한 후보 분포를 바탕으로 실제 출력 조각 하나를 선택하는 절차입니다. 즉 모델이 어떤 후보들이 얼마나 그럴듯한가를 계산한 뒤, 그 가운데 무엇을 실제로 꺼내 쓸지 정하는 마지막 선택 단계라고 볼 수 있습니다. 언어 모델에서는 다음 토큰 후보 중 하나를 고르는 일이 되고, 이미지 생성에서는 다음 단계의 잡음 제거 경로를 확률적으로 밟는 선택으로 이어질 수 있습니다.
왜 중요한가: 같은 입력에서도 생성 결과가 달라질 수 있는 이유와, 확률 분포 계산과 실제 출력 선택이 구분된다는 점을 이해하게 해 주기 때문입니다. 이 개념이 있어야 모델이 아는 후보 분포와 실제로 채택된 한 결과를 다른 개념으로 해석하게 됩니다. 또한 생성 품질이 언제나 모델 가중치만으로 결정되는 것이 아니라, 마지막 선택 절차의 설정에도 크게 영향을 받는다는 점을 읽게 해 주어 temperature나 top-k 같은 생성 설정의 역할도 더 분명히 이해하게 됩니다. 즉 샘플링을 이해해야 모델이 무엇을 알고 있는가와 그 가운데 실제로 무엇을 꺼내는가를 분리해 보게 되고, 같은 모델 비교에서도 생성 설정을 함께 기록해야 하는 이유가 선명해집니다.
함께 볼 개념: 다음 토큰 예측(next-token prediction), 토큰(token), 디퓨전 모델(diffusion model)
중심 Section: P5-15.3
등장 Section: P1-10.2, P5-15.1, P5-15.2, P6-6.1, P6-6.2
뜻: 전체 평균 하나로 덮지 않고, 각 샘플마다 기준 모델과 현재 모델의 예측, 정답, 실패 여부를 나란히 적어 차이를 읽게 만드는 표입니다. 즉 이번 모델이 전체로는 좋아졌는가보다 어떤 샘플에서 무엇이 달라졌는가를 직접 다시 열어 보는 비교 기록이라고 볼 수 있습니다. 평균 점수 뒤에 가려진 개별 실패 장면을 표 단위로 다시 드러내는 구조입니다.
왜 중요한가: 정확도나 평균 점수만으로는 어떤 샘플이 계속 틀리고 어떤 샘플은 새로 좋아졌는지 잘 보이지 않아, 다음 질문과 오류 사례 분석이 쉽게 막연해지기 때문입니다. 이 개념이 있어야 기준 모델과 개선 모델의 차이를 실제 사례 위에서 다시 확인하게 되고, 틀린 사례 목록과 오류 사례도 어디를 다시 봐야 하는가라는 더 구체적인 위치 정보 위에 서게 됩니다. 또한 샘플별 비교표를 이해해야 Part 7의 기준점 비교가 단순 점수 경쟁이 아니라, 실패 구조를 다음 반복 판단으로 넘기는 프로젝트 기록이라는 점도 더 분명하게 읽게 됩니다.
함께 볼 개념: 비교표(comparison table), 틀린 사례 목록(wrong-case list), 오류 사례(error case), 실행 요약(execution summary), 평가(evaluation)
뜻: 생성 속도만이 아니라 검토 비용, 실패 비용, 재작업 비용, 운영 비용까지 포함해 실제로 얼마나 효율적인지 보는 기준입니다. 즉 버튼을 눌렀을 때 첫 출력이 빨리 나오는가만이 아니라, 그 결과를 실제로 쓸 수 있는 상태까지 만드는 총시간과 총노력을 함께 보는 관점입니다. 다시 말해 생산성은 순간 속도보다 끝까지 완료하는 전체 비용에 더 가깝습니다.
왜 중요한가: AI 도구가 빠른 초안을 만든다는 이유만으로 전체 업무가 나아졌다고 착각하지 않게 해 주기 때문입니다. 이 개념이 있어야 처음 출력이 빠르다와 끝까지 완료하는 총비용이 낮다를 구분하게 되고, 초안 생성 이후의 검토·수정·재실행·승인 비용까지 포함해 도구 효율을 판단하게 됩니다. 예를 들어 10초 만에 초안을 만들어도 사람이 사실 확인과 형식 수정을 20분 동안 다시 해야 한다면, 그 작업은 체감상 빠를 수 있어도 전체 생산성은 높지 않을 수 있습니다. 결국 생산성을 이해해야 속도, 품질, 검토 가능성, 재사용성을 함께 놓고 AI 도구의 실제 가치를 평가하게 됩니다.
함께 볼 개념: 업무 자동화(work automation), 검토(review), 평가(evaluation)
뜻: 데이터에서 자주 나타나는 패턴과 후보 분포를 학습해, 새로운 샘플이나 다음 출력을 실제로 만들어 내는 모델 계열입니다. 단순히 입력을 라벨로 대응시키는 데서 멈추지 않고, 학습한 분포를 바탕으로 아직 없던 결과를 샘플 형태로 밖으로 꺼낼 수 있는 모델이라고 볼 수 있습니다.
왜 중요한가: 분류처럼 정해진 라벨을 고르는 문제와, 텍스트·이미지처럼 새 출력을 구성하는 문제를 구분해 읽게 해 주는 Part 5의 핵심 전환점이기 때문입니다. 이 개념이 있어야 모델이 무엇이 맞는가만 판단하는지, 아니면 무엇을 만들어 낼 수 있는가까지 다루는지를 분리해 읽게 되고, 생성 품질을 볼 때도 정확도 하나가 아니라 다양성, 일관성, 조건 충족 여부를 함께 보게 됩니다. 결국 생성 모델을 이해해야 출력의 자연스러움과 분포 적합성, 제어 가능성을 함께 읽는 평가 관점도 잡히게 됩니다.
함께 볼 개념: 생성(generation), 샘플링(sampling), 다음 토큰 예측(next-token prediction)
뜻: 지시, 조건, 예시, 맥락을 바탕으로 새 텍스트, 이미지, 음성, 코드 같은 결과를 만들어 내는 문제 유형입니다. 이미 정해진 보기에서 하나를 고르는 일이 아니라, 여러 작은 선택을 이어 붙여 새로운 출력을 구성하는 쪽에 더 가깝습니다. 즉 생성은 무엇이 맞는가를 고르는 문제라기보다, 어떤 결과를 실제로 만들어 낼 것인가를 순차적으로 결정하는 과정입니다.
왜 중요한가: 분류나 추천과 달리 정답 목록에서 하나를 고르는 것이 아니라 새 결과를 구성한다는 점에서 생성형 AI와 LLM 흐름을 읽는 출발점이 되기 때문입니다. 같은 출력이라도 생성은 선택 문제와 평가 기준이 다르다는 점을 먼저 구분하게 해 줍니다. 또한 생성은 한 단계의 판단이 아니라 여러 단계 선택이 이어진 결과이므로, 중간 샘플링 설정과 맥락 배치가 품질에 크게 영향을 준다는 점도 함께 이해해야 합니다.
함께 볼 개념: 추천(recommendation), 순위화(ranking), LLM(대규모 언어 모델), 샘플링(sampling), 다음 출력 생성(next-output generation)
중심 Section: P1-10.1
등장 Section: P1-1.2, P1-13.3, P5-15.1, P5-15.2, P5-15.3
뜻: 텍스트, 이미지, 음성, 영상, 코드처럼 새로운 콘텐츠를 만들어 내는 모델과 서비스 범주를 가리키는 말입니다. 특정 모델 구조 하나의 이름이 아니라, 정답을 고른다보다 새 결과를 만든다는 출력 성격을 중심으로 묶인 넓은 범주라고 볼 수 있습니다.
왜 중요한가: 딥러닝이라는 학습 방법, LLM이라는 모델 계열, 실제 서비스 경험을 한 덩어리로 섞지 않고 무엇을 생성하는가라는 출력 범주로 읽게 해 주기 때문입니다. 이 개념이 있어야 생성형 AI가 특정 모델 하나의 이름이 아니라, 여러 모델 계열과 응용 서비스를 묶는 넓은 범주라는 점을 이해하게 되고, 같은 생성형 AI 안에서도 텍스트 생성과 이미지 생성의 내부 구조가 다를 수 있다는 점도 더 자연스럽게 받아들이게 됩니다. 또한 생성형 AI를 이해해야 분류 모델 성능 평가와 생성 결과 평가가 왜 다른 기준을 필요로 하는지도 함께 연결됩니다.
함께 볼 개념: 생성(generation), 딥러닝(deep learning), LLM(대규모 언어 모델)
뜻: 요청을 받아 도구, 데이터, 기능을 제공하거나 처리 결과를 돌려주는 쪽 프로그램 또는 서비스입니다. 사용자가 직접 누르는 화면이라기보다, 바깥에서 들어온 요청에 응답하면서 필요한 기능이나 리소스를 내어주는 제공자 쪽 구성요소에 가깝습니다. 즉 서버는 누가 요청했는가보다 무엇을 제공하고 어떻게 응답하는가에 초점이 있는 역할입니다.
왜 중요한가: MCP처럼 연결 구조를 설명할 때는 앱 전체와 서버, 서버 안의 도구 제공 단위를 구분해야 권한 경계와 실행 책임을 올바르게 읽을 수 있기 때문입니다. 서버를 분리해 이해해야 사용자가 쓰는 제품과 그 제품이 연결하는 기능 제공자를 섞지 않게 되고, 어떤 시스템이 상태를 실제로 바꾸는지도 더 정확히 설명할 수 있습니다. 결국 서버를 이해해야 화면 뒤에 숨어 있는 기능 제공층과 사용자 접점 층을 분리해 시스템 구조를 읽게 됩니다.
함께 볼 개념: 클라이언트(client), 호스트(host), 모델 컨텍스트 프로토콜(Model Context Protocol, MCP), 도구(tool)
뜻: 데이터가 한 줄의 순서로 이어진다고 보고 다루는 구조입니다. 각 원소가 보통 앞뒤 위치 관계 속에서 읽히며, 처음부터 끝까지 또는 몇 번째인가 같은 질문이 기본이 되는 자료구조 범주라고 볼 수 있습니다.
왜 중요한가: 배열, 리스트, 스택, 큐처럼 순서와 위치가 핵심인 구조를 트리·그래프와 구분해 읽는 기준이 되기 때문입니다. 이 개념이 있어야 데이터를 앞에서부터 차례로 읽는 문제와 여러 갈래 연결을 따라가야 하는 문제를 다른 구조 선택 문제로 보게 되고, 같은 저장이라도 왜 선형 구조와 비선형 구조의 탐색 방식이 달라지는지도 더 쉽게 이해하게 됩니다. 또한 선형 구조에서는 몇 번째인가가 중요한 질문이 되지만, 그래프에서는 무엇과 연결되었는가가 더 중요해진다는 차이도 자연스럽게 잡게 됩니다. 결국 선형 구조는 순서가 곧 해석의 기본 축이 되는 자료구조 묶음입니다.
함께 볼 개념: 비선형 구조(non-linear structure), 배열(array), 자료구조(data structure)
뜻: 입력 특징과 연속 출력 사이의 관계를 직선 또는 평면처럼 가장 단순한 선형 형태로 먼저 읽어 보는 회귀 모델입니다. 특징이 하나면 직선, 여러 개면 고차원 평면처럼 입력이 조금 바뀌면 출력이 어느 방향으로 얼마나 달라지는가를 선형 규칙으로 표현하는 방식입니다.
왜 중요한가: 복잡한 모델로 가기 전에 입력과 출력이 대체로 직선 관계라면 어느 정도 설명되는가를 먼저 확인하게 해 주는 가장 기본적인 회귀 기준선이기 때문입니다. 이 개념이 있어야 회귀 문제에서 관계를 가장 단순한 형태로 먼저 읽는 이유를 이해하게 되고, 이후 더 복잡한 모델이 왜 필요한지도 직선으로는 설명되지 않는 패턴이 남는가라는 기준으로 비교하게 됩니다. 또 계수와 기울기를 통해 각 입력이 출력 변화에 어떤 방향으로 연결되는지 해석하는 출발점도 마련됩니다. 결국 선형회귀는 가장 단순한 설명이 어디까지 통하는가를 먼저 시험하는 기준선 역할을 합니다.
뜻: 어떤 사실과 어떤 규칙이 연결되어 현재 결론이 나왔는지 보여 주는 기능입니다. 단순히 답만 내놓는 것이 아니라, 이 사실이 참이었고 이 규칙이 적용되어 이런 결론이 나왔다는 경로를 사람이 다시 읽을 수 있게 보여 주는 장치입니다. 즉 결과만 보여 주는 시스템이 아니라, 결과가 나온 이유를 규칙 경로로 되짚을 수 있는 시스템이라고 볼 수 있습니다. 다시 말해 설명 기능은 정답 제시보다 판단 경로 공개에 더 가까운 기능입니다.
왜 중요한가: 규칙 기반 시스템의 강점인 설명 가능성이 어디서 나오는지 구체적으로 이해하게 해 주기 때문입니다. 이 개념이 있어야 규칙 기반 접근이 왜 감사(audit), 정책 검토, 책임 추적에 유리했는지, 반대로 데이터 기반 모델에서는 같은 수준 설명이 왜 더 어려운지도 비교해 읽을 수 있습니다. 또한 설명 기능을 이해해야 설명할 수 있다는 말이 단순 요약 문장을 붙이는 일이 아니라, 실제 판단 근거 경로를 재구성할 수 있는가의 문제라는 점도 더 분명해집니다. 그래서 이 항목은 오늘날 LLM 설명 가능성 논의와도 대비됩니다. 규칙 기반 시스템은 경로를 직접 보여 주기 쉽지만, 학습된 모델은 같은 수준의 근거 경로를 항상 그대로 드러내지 못할 수 있습니다.
함께 볼 개념: 규칙 기반 시스템(rule-based system), 추론 엔진(inference engine), 사실(fact)
뜻: 같은 시퀀스 안의 각 토큰이 다른 토큰들과의 관련도를 계산해 자기 표현을 갱신하는 attention 방식입니다. 즉 현재 위치의 표현을 만들 때 자기 자신만 보지 않고, 같은 문장 안의 다른 위치들을 얼마나 참고할지 가중치를 두어 다시 섞는 구조라고 볼 수 있습니다.
왜 중요한가: Transformer가 순차 recurrence 없이도 문맥 관계를 직접 계산할 수 있게 해 주는 핵심 메커니즘이기 때문입니다. 이 개념이 있어야 현재 토큰 표현이 자기 자신만이 아니라 문장 안의 다른 토큰들과의 관계를 반영해 바뀐다는 점을 이해하게 되고, 긴 문맥에서 어떤 단어가 어떤 단어를 참고하는지 설명하는 출발점도 잡게 됩니다. 또한 셀프 어텐션을 이해해야 문장을 앞에서 뒤로만 전달한다는 직관에서 벗어나, 시퀀스 안 여러 위치의 관계를 한 층 안에서 직접 섞는다는 Transformer의 차별점을 더 분명히 읽게 됩니다.
함께 볼 개념: 트랜스포머(Transformer), 어텐션(Attention), 위치 인코딩(positional encoding)
뜻: 셸에서 실행할 명령 여러 줄을 텍스트 파일에 묶어 둔 것입니다. Python 스크립트가 Python 문법을 담는 파일이라면, 셸 스크립트는 명령줄 절차를 묶은 파일에 가깝습니다. 즉 프로그램 내부 계산을 길게 적기보다, 어떤 명령을 어떤 순서와 환경에서 실행할지를 고정해 두는 자동화 절차 파일이라고 볼 수 있습니다.
왜 중요한가: 터미널에서 한 줄씩 치던 절차를 반복 가능한 파일로 바꾸고, 명령 연결과 환경 설정을 한 번에 읽게 해 주기 때문입니다. 이 개념이 있어야 설치 절차, 배포 절차, 데이터 준비 절차가 왜 코드 파일이 아니라 명령 흐름으로 배포되는지도 자연스럽게 이해됩니다. 또한 셸 스크립트는 무엇을 계산하나보다 어떤 도구들을 어떻게 이어 붙이나에 더 가깝기 때문에, Python 스크립트와 역할이 다르다는 점도 중요합니다. 결국 셸 스크립트는 운영 절차와 실행 재현성을 묶는 바깥 자동화 계층으로 읽는 편이 더 정확합니다.
뜻: 터미널 안에서 사용자가 입력한 명령을 읽고 해석해 실행하는 프로그램입니다. 사용자가 친 글자를 운영체제가 실행할 수 있는 작업으로 번역하는 해석기 층이라고 볼 수 있습니다. 즉 터미널 창이 입력을 보여 주는 표면이라면, 셸은 그 입력의 의미를 정해 실제 명령 실행으로 넘기는 안쪽 해석기입니다.
왜 중요한가: 같은 화면에서도 어떤 셸을 쓰는지에 따라 명령 해석 방식과 사용 가능한 문법이 달라질 수 있기 때문입니다. 그래서 터미널 화면이 같아 보여도, 실제로는 셸이 바뀌면 명령 의미와 스크립트 호환성도 바뀔 수 있습니다. 이 개념이 있어야 터미널에서 쳤다는 말만으로는 충분하지 않고, 어떤 셸 문법을 전제로 했는지도 함께 봐야 한다는 점을 이해하게 됩니다. 또한 파이프, 리다이렉션, 환경 변수 확장 같은 기능이 단순 운영체제 기능이 아니라 셸 해석과 밀접하다는 점도 자연스럽게 연결됩니다.
함께 볼 개념: 터미널(terminal), 작업 폴더(working directory), 명령(command)
뜻: 객체에 붙어 있는 값이나 상태 정보입니다. 보통 점 표기(.)로 접근하며, sample.text처럼 데이터를 바로 읽는 경우가 많습니다. 즉 속성은 객체가 지금 어떤 값을 갖고 있는가를 보여 주는 붙박이 정보에 가깝습니다.
왜 중요한가: 점 표기라고 해서 모두 같은 종류가 아닙니다. 어떤 것은 model.name처럼 값을 읽는 속성이고, 어떤 것은 model.fit()처럼 호출해야 하는 메서드입니다. 이 차이를 알아야 객체에서 지금 값을 보고 있는가, 동작을 실행하려는가를 구분할 수 있고, 괄호가 필요한지 여부도 문법이 아니라 의미로 이해할 수 있습니다. 이 개념이 있어야 라이브러리 문서를 읽을 때도 설정값을 확인하는 항목과 실제로 실행을 일으키는 기능을 더 빠르게 분리하게 됩니다. 결국 속성을 이해해야 객체 문법에서 읽는 정보와 실행하는 동작을 명확히 나누어 해석하게 됩니다.
뜻: 학습 반복이나 epoch가 진행될수록 손실값이 어떻게 변하는지 선 그래프로 나타낸 것입니다. 한 번의 숫자를 따로 보는 대신, 처음엔 빠르게 줄다가 완만해지는가, 갑자기 튀는가, 훈련과 검증이 갈라지는가처럼 학습의 시간 흐름을 눈으로 읽게 해 주는 기록입니다.
왜 중요한가: 손실이 줄어드는지, 흔들리는지, 검증 손실과 벌어지는지를 빠르게 확인하게 해 주어 학습 상태를 점검하는 가장 기본적인 시각화가 되기 때문입니다. 이 개념이 있어야 숫자 한 번의 결과보다 학습의 흐름 자체를 읽게 되고, 과적합, 학습 정체, 불안정한 진동처럼 서로 다른 문제 양상을 더 일찍 구분하게 됩니다. 예를 들어 훈련 손실만 계속 내려가고 검증 손실이 다시 올라가면, 계속 학습 중이라는 사실보다 일반화가 무너지고 있다는 신호를 먼저 읽어야 합니다. 결국 손실 곡선은 현재 점수보다 학습이 어떤 방향으로 흘러가고 있는가를 읽게 만드는 시간형 진단 도구입니다.
함께 볼 개념: 라인 플롯(line plot), 손실 함수(loss function), 정확도(accuracy)
뜻: 예측이 얼마나 틀렸는지를 학습에 사용할 수 있는 숫자로 바꾸는 함수입니다. 단순히 틀렸다고 말하는 데서 끝나지 않고, 얼마나 틀렸는지와 어떤 종류의 오류를 더 크게 벌줄지까지 숫자로 정리하는 기준이라고 볼 수 있습니다. 즉 손실 함수는 모델이 무엇을 나쁘다고 배울 것인가를 수치로 정해 주는 규칙이며, 학습의 방향키 역할을 합니다.
왜 중요한가: 학습이 무엇을 줄이려 하는지 정의하지 않으면 모델을 어느 방향으로 조정할지 정할 수 없기 때문입니다. 이 개념이 있어야 같은 정확도처럼 보여도 학습 중에는 왜 별도의 손실값을 계산하는지, 또 손실 설계가 달라지면 모델이 우선적으로 줄이려는 오류도 달라질 수 있다는 점을 이해하게 됩니다. 또한 손실 함수를 이해해야 평가 지표가 좋다와 학습 중 실제로 줄인 값이 무엇인가를 같은 것으로 섞지 않게 되고, 어떤 오류를 더 무겁게 볼지 자체가 모델 행동을 바꾼다는 점도 읽게 됩니다.
함께 볼 개념: 오차(error), 목적 함수(objective function), 경사하강법(gradient descent)
중심 Section: P2-6.2
등장 Section: P2-6.3, P2-13.2, P2-15.1, P5-4.1, P5-4.2
뜻: 값이나 수열이 어떤 한 값에 점점 가까워지는 현상입니다. 정확히 같은 값에 즉시 도달하지 않더라도, 반복할수록 변화 폭이 줄며 특정 값이나 상태 주변으로 모여 가는 흐름을 뜻합니다. 즉 수렴은 이제 거의 안정된 상태로 가는가를 보는 개념이지, 꼭 한 번에 딱 맞는 값에 도달해야만 하는 것은 아닙니다. 핵심은 오차가 즉시 0이 되는지보다, 반복할수록 흔들림이 줄어드는가에 있습니다.
왜 중요한가: 반복 계산이나 학습 과정이 계속 흔들리는가 아니면 어느 값 근처로 안정되어 가는가를 구분하는 핵심 질문이기 때문입니다. 이 개념이 있어야 극한을 수학 기호로만 보지 않고 실제 계산 절차의 안정 여부와 연결해 읽게 되고, 손실이 내려가다 멈추는 현상과 발산하거나 진동하는 현상도 서로 다른 상태로 구분해 해석하게 됩니다. 또한 수렴을 이해해야 학습 곡선이 완만해지는 현상을 단순 정체가 아니라, 안정된 지점으로 가까워지는 신호일 수도 있다는 점을 읽게 되고, 반복이 오래 걸린다고 해서 곧바로 실패라고 단정하지 않게 됩니다.
함께 볼 개념: 극한(limit), 변화율(rate of change), 최적화(optimization)
뜻: 사람이 미리 중요하다고 판단한 단서나 속성을 직접 설계해 만든 특징입니다. 예를 들어 모서리, 색 분포, 질감, 길이 같은 요소를 사람이 먼저 골라 숫자로 바꿔 넣는 방식이라고 볼 수 있습니다. 즉 모델이 무엇을 볼지 스스로 정하게 두기보다, 사람이 이 단서가 중요하다고 먼저 골라 넣는 입력 설계 방식입니다.
왜 중요한가: 딥러닝 이전 이미지 인식 흐름이 어떤 한계를 가졌는지, 그리고 표현 학습이 왜 중요한 전환이 되었는지 비교하게 해 주기 때문입니다. 이 개념이 있어야 사람이 먼저 만든 입력 단서와 모델이 중간층에서 스스로 배운 표현을 구분해 읽게 됩니다. 결국 수작업 특징은 무엇이 중요할지 사람이 먼저 정한다는 접근의 장단점을 드러내는 기준점입니다. 또한 수작업 특징을 이해해야 성능 차이가 단순 모델 복잡도 차이만이 아니라, 애초에 입력 단서를 누가 설계했는가의 차이에서 올 수 있다는 점도 보게 됩니다.
함께 볼 개념: 특징(feature), 이미지 인식(image recognition), 학습된 표현(learned representation)
뜻: 계산을 여러 번 반복하더라도 값과 gradient가 지나치게 커지거나 작아지지 않아, 학습이 감당 가능한 숫자 범위 안에서 계속 이어지는 성질입니다. 즉 수식은 맞더라도 실제 컴퓨터 숫자 범위 안에서 계산이 터지거나 사라지지 않게 유지되는 상태를 뜻합니다. 다시 말해 수치 안정성은 수학적으로 가능한 계산을 실제 기계에서도 무너지지 않게 구현하는 조건이라고 볼 수 있습니다.
왜 중요한가: 컴퓨터는 무한히 정확한 실수를 다루지 못하므로, 수학적으로는 맞는 계산도 실제 실행에서는 overflow, underflow, gradient 폭주 같은 문제로 무너질 수 있기 때문입니다. 이 개념이 있어야 초기화, 정규화, 학습률 조정이 단순 튜닝 요령이 아니라 계산 자체를 지속 가능하게 만드는 조건이라는 점을 이해하게 되고, 모델 구조는 맞는데 학습이 안 된다는 상황도 수치 문제로 다시 읽게 됩니다. 또한 softmax 계산 순서, 로그 변환 사용, 정규화 층 배치처럼 겉보기에는 사소한 구현 선택도 실제 학습 가능성을 크게 바꾼다는 점을 함께 이해하게 됩니다.
함께 볼 개념: 초기화(initialization), 배치 정규화(batch normalization), 역전파(backpropagation)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 추천(recommendation), 검색(search), 생성(generation)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 숨은 상태(hidden state), 장단기 메모리(LSTM, long short-term memory), 시퀀스 투 시퀀스(Seq2Seq)
뜻: 문맥에 따라 두 가지로 쓰입니다. 순환 신경망에서는 앞 입력 정보를 누적해 다음 계산으로 넘기는 내부 상태를 뜻하고, 노트북 문맥에서는 화면에 직접 보이지 않지만 다음 셀 실행에 영향을 주는 런타임 안의 값이나 설정을 뜻합니다. 공통점은 둘 다 겉으로 바로 보이지 않지만 다음 결과를 바꾸는 내부 기억이라는 점입니다.
왜 중요한가: 같은 hidden state라도 모델 내부 문맥과 실행 환경 문맥을 구분해야 RNN 설명과 노트북 재현성 설명을 혼동하지 않기 때문입니다. 이 개념이 있어야 보이지 않는 중간 상태가 왜 다음 출력에 큰 영향을 주는지 이해하게 되고, 겉으로 같은 입력인데 결과가 다르다는 현상을 모델의 문맥 기억 문제와 노트북 실행 순서 문제로 나누어 해석할 수 있게 됩니다. 결국 숨은 상태를 이해해야 보이는 입력만 같으면 같은 결과가 나온다는 단순한 직관이 왜 자주 깨지는지도 읽게 됩니다.
함께 볼 개념: 순환 신경망(RNN, recurrent neural network), 실행 순서(execution order), 런타임 상태(runtime state)
뜻: 숫자 하나로 표현되는 값입니다. 벡터가 여러 값을 가진 1차원 표현이라면, 스칼라는 더 이상 쪼개지지 않는 단일 수치 결과라고 볼 수 있습니다. 손실값, 평균, 확률 하나처럼 계산의 마지막에 비교와 판단 기준으로 쓰이는 한 숫자 결과가 대표적인 스칼라입니다.
왜 중요한가: 벡터와 행렬이 중간 계산을 풍부하게 담더라도, 학습과 평가에서는 손실, 확률, 평균처럼 결국 한 숫자로 요약된 판단값을 자주 사용하기 때문입니다. 이 개념이 있어야 큰 모양의 텐서 계산과 마지막 의사결정에 쓰이는 단일 수치를 구분하게 되고, 출력 전체와 그 출력을 대표해 비교하는 값이 서로 다른 층위라는 점도 더 분명히 읽게 됩니다. 또한 스칼라를 이해해야 모양이 큰 계산과 비교를 위한 최종 요약값이 어떻게 이어지는지 더 자연스럽게 연결됩니다. 결국 스칼라는 복잡한 계산을 마지막 판단으로 압축하는 가장 작은 수치 단위입니다.
뜻: 데이터 양, 모델 크기, 계산량이 함께 커지며 모델 능력과 운영 부담이 동시에 커지는 현상입니다. 단순히 파라미터 수만 늘어나는 일이 아니라, 학습 데이터, 하드웨어 자원, 추론 비용, 운영 복잡성까지 연쇄적으로 커지는 흐름을 함께 가리킵니다. 즉 스케일은 더 크게 만든다는 한 가지 변화가 아니라, 성능과 비용과 운영 조건이 함께 움직이는 확장 축입니다.
왜 중요한가: LLM 성능 향상을 큰 모델이 더 좋다는 한 문장으로만 보지 않고, 비용·지연 시간·데이터 검증 책임까지 함께 읽게 해 주기 때문입니다. 이 개념이 있어야 스케일 확장이 성능 향상 전략이면서 동시에 안전성, 접근성, 운영비를 바꾸는 선택이라는 점을 놓치지 않게 됩니다. 또한 스케일을 이해해야 같은 성능 향상이라도 더 많은 데이터, 더 큰 모델, 더 긴 문맥, 더 많은 GPU 중 무엇을 키운 결과인지 따로 읽게 됩니다.
함께 볼 개념: 사전학습(pretraining), 파라미터(parameter), 지연 시간(latency)
뜻: 여러 줄 코드를 파일로 저장해 한 번에 실행하도록 만든 프로그램 파일 또는 그 실행 방식입니다. 즉 즉석 입력을 넘어, 같은 절차를 다시 실행할 수 있게 고정한 코드 묶음입니다. 대화형 모드가 한 줄씩 시험하는 방식이라면, 스크립트는 그 절차를 순서대로 묶어 재실행 가능한 작업 단위로 만든 형태라고 볼 수 있습니다.
왜 중요한가: 대화형으로 시험한 코드를 반복 실행 가능한 형태로 옮기고, 학습 예제를 공유하거나 다시 돌릴 때 기본 단위가 되기 때문입니다. 스크립트 개념이 있어야 한 번 성공한 실험과 다시 돌릴 수 있는 작업의 차이를 분명히 읽을 수 있고, 실행 결과를 다시 검증하는 출발점도 마련됩니다. 또한 스크립트를 이해해야 학습 메모와 실제 실행 절차를 분리해 관리할 수 있고, 환경이 바뀌어도 같은 순서로 다시 확인하는 재현성 감각이 더 분명해집니다.
함께 볼 개념: Python 인터프리터(interpreter), 대화형 모드(interactive mode), 재현성(reproducibility)
뜻: 마지막에 넣은 값을 먼저 꺼내는 규칙으로 작동하는 자료구조 또는 추상 자료형입니다. 접시를 위로 차곡차곡 쌓아 맨 위 접시부터 다시 꺼내는 방식처럼, 나중에 들어온 것이 먼저 나온다는 LIFO 규칙이 핵심입니다. 즉 스택은 저장 자체보다 꺼내는 순서 규칙이 본질인 구조입니다.
왜 중요한가: 호출 흐름, 되돌리기, 임시 저장처럼 순서 규칙이 중요한 작업을 읽는 대표 예가 되기 때문입니다. 이 개념이 있어야 무엇을 저장하느냐만이 아니라 어떤 순서로 다시 꺼내는가가 문제 구조를 바꾼다는 점을 이해하게 되고, 함수 호출 스택이나 DFS 같은 후속 개념도 더 자연스럽게 이어서 읽게 됩니다. 결국 스택은 저장 공간 설명을 넘어서, 절차가 거꾸로 풀려 나오는 문제를 읽는 기본 틀입니다. 큐와 대비해 보면 최근 작업을 먼저 되돌리거나 처리하는 구조가 왜 필요한지도 더 선명해집니다.
함께 볼 개념: 큐(queue), 선형 구조(linear structure), 자료구조(data structure)
뜻: 이번 커밋에 포함할 변경을 먼저 골라 올려 두는 중간 공간입니다. 작업 폴더의 수정 전체가 아니라, 그중 이번 기록 단위에 넣을 것만 잠시 모아 두는 선별 구역에 가깝습니다. 즉 스테이징 영역은 작업 중인 파일 상태와 최종 이력 기록 사이에 놓인 선택 버퍼라고 볼 수 있습니다.
왜 중요한가: 바뀐 파일 전체를 무조건 한 번에 저장하지 않고, 의미 있는 변경 묶음만 선별해 커밋하게 만드는 핵심 단계이기 때문입니다. 이 개념이 있어야 저장은 했지만 아직 커밋에는 넣지 않은 수정과, 이번 커밋에 포함될 수정이 서로 다를 수 있다는 점을 이해하게 되고, 하나의 파일 안에서도 어떤 줄은 이번 커밋에 넣고 어떤 줄은 다음으로 미루는 판단이 왜 가능한지도 읽게 됩니다. 결국 스테이징 영역을 이해해야 Git 기록이 바뀐 파일 자동 저장이 아니라 의미 단위 선별 기록이라는 점을 읽게 됩니다.
뜻: 시작 위치와 끝 위치를 정해 배열이나 리스트의 연속된 구간을 남기는 선택 방식입니다. 하나의 점을 찍는 인덱싱과 달리, 범위를 잘라 부분 구조를 얻는 쪽에 가깝습니다. 즉 슬라이싱은 몇 번째 하나를 집는다보다 어느 구간을 남긴다는 선택에 더 가깝습니다.
왜 중요한가: NumPy에서는 값 하나를 읽는가와 부분 배열을 남기는가가 결과 shape와 원본 공유 여부를 바꿉니다. 슬라이싱을 이해해야 전처리 코드에서 어느 축을 어떻게 잘랐는지 정확히 읽을 수 있습니다. 이 개념이 있어야 같은 대괄호 문법 안에서도 일부 구간을 남긴다는 뜻이 계산 결과 구조를 어떻게 바꾸는지 함께 해석하게 됩니다. 또한 슬라이싱을 이해해야 범위를 남기는 선택이 단순 편의 문법이 아니라, 이후 shape와 수정 부작용까지 바꾸는 구조적 선택이라는 점도 읽게 됩니다.
함께 볼 개념: 인덱싱(indexing), 축(axis), shared view(원본 공유)
뜻: 어떤 행동은 자동 실행하고, 어떤 행동은 사람 승인 뒤에만 진행하고, 어떤 행동은 즉시 보류해야 하는지를 미리 정해 둔 운영 규칙입니다. 개별 승인 한 번의 yes/no 판단보다 더 넓은 층위에서, 위험한 행동 종류와 범위별 멈춤 기준을 반복 가능하게 적어 둔 정책이라고 볼 수 있습니다. 즉 승인 정책은 이번에 허용할까를 넘어 어떤 종류의 실행을 원칙적으로 어떻게 다룰까를 정하는 기준표입니다.
왜 중요한가: 같은 도구라도 읽기 단계인지 변경 단계인지, 테스트 범위인지 프로덕션 범위인지에 따라 자동화 가능성이 크게 달라지므로, 매번 즉흥적으로 승인 여부를 정하면 운영 일관성이 무너지기 때문입니다. 이 개념이 있어야 승인과 보류를 사람 기분이 아니라 반복 가능한 규칙으로 남기게 되고, 실행 가능하다와 자동 실행해도 된다를 분리해 읽게 됩니다. 또한 승인 정책을 이해해야 blocked 상태가 단순 실패가 아니라 정책상 멈춤일 수 있다는 점, 그리고 실행 범위와 로그, 다음 행동까지 한 묶음으로 설계해야 한다는 점도 더 분명히 보게 됩니다.
함께 볼 개념: 승인(approval), 권한(permission), 실행 범위(scope), 보류 상태(hold state), 로그(log)
뜻: 도구 실행이나 상태 변경 전에 사람이나 정책이 그 행동을 허용할지 확인하는 절차입니다. 권한이 미리 정해 둔 허용 범위라면, 승인은 그 범위 안에서도 지금 이 행동을 실제로 진행할지 묻는 실행 전 확인 단계에 가깝습니다.
왜 중요한가: AI 서비스가 제안한 행동이 실제 이메일 전송, 파일 수정, 결제 같은 결과로 이어질 때는 실행 전 검토 지점이 있어야 피해를 줄일 수 있기 때문입니다. 이 절차가 있어야 자동화 속도와 통제 가능성 사이의 균형을 잡을 수 있고, 같은 권한을 가진 도구라도 어떤 행동은 매번 다시 확인해야 하는 이유를 설명할 수 있습니다. 이 개념이 있어야 권한이 있다는 사실만으로 곧바로 실행해도 된다고 보지 않게 되고, 사람 검토가 어디에 개입해야 하는지도 더 구체적으로 설계하게 됩니다. 결국 승인은 할 수 있는가와 별도로 지금 실제로 해도 되는가를 묻는 안전 장치입니다.
함께 볼 개념: 도구 사용(tool use), 도구 호출(tool call), 오케스트레이션(orchestration), 권한(permission), 인간 감독(human oversight)
뜻: 숫자나 표 데이터를 선, 점, 막대, 구간 같은 시각적 모양으로 바꾸어 확인하는 과정입니다. 단순히 보기 좋게 꾸미는 일이 아니라, 숫자만으로는 잘 안 보이던 변화와 관계를 눈으로 비교 가능한 형태로 바꾸는 해석 과정이라고 볼 수 있습니다.
왜 중요한가: 표에서 바로 드러나지 않는 변화, 관계, 분포를 더 빨리 읽게 해 주며, 이후 실험 해석과 기록 작성의 출발점이 되기 때문입니다. 이 개념이 있어야 시각화가 단순 꾸미기가 아니라 무슨 패턴을 먼저 관찰할 것인가를 정하는 분석 도구라는 점을 이해하게 되고, 선 그래프·산점도·히스토그램처럼 형식 선택 자체도 질문에 따라 달라져야 한다는 판단으로 이어집니다. 또한 시각화를 이해해야 같은 데이터라도 어떤 그래프를 고르느냐에 따라 보이는 패턴과 놓치는 패턴이 달라질 수 있다는 점도 더 분명히 읽게 됩니다.
뜻: 같은 모양의 덧셈을 여러 번 반복하라는 합 기호입니다. i=1부터 n까지 더하라처럼, 인덱스가 바뀌며 같은 형태의 항을 차례로 모두 모은다는 뜻을 짧게 적는 표기라고 볼 수 있습니다. 즉 긴 덧셈을 줄여 쓰는 기호이면서, 어떤 규칙으로 많은 값을 하나의 결과로 모으는지도 함께 보여 주는 표현입니다.
왜 중요한가: 평균, 손실 합계, 확률 계산처럼 여러 항을 한 규칙으로 모아야 하는 수식을 아주 자주 만나기 때문입니다. 이 기호를 읽을 수 있어야 긴 덧셈을 단순 암호처럼 보지 않고 어떤 항을 어떤 인덱스 범위에 걸쳐 반복해 더하는가로 풀어 읽게 되고, 배치 평균이나 전체 손실처럼 많은 값을 하나의 스칼라로 모으는 과정도 더 자연스럽게 해석하게 됩니다. 또한 시그마를 이해해야 수식이 길어져도 계산 흐름을 잃지 않고, 개별 항의 의미와 전체 요약값의 의미를 함께 따라가게 됩니다.
뜻: 미래에 가능한 여러 경로를 나누어 설명하는 형식입니다. 하나의 확정 결론을 단정하기보다, 어떤 조건이 붙으면 어떤 방향으로 전개될 수 있는지를 분기 형태로 정리한 전망 틀이라고 볼 수 있습니다. 즉 시나리오는 정답 하나를 맞힌다보다 가능한 전개 경로를 조건과 함께 펼쳐 본다는 분석 방식에 가깝습니다.
왜 중요한가: 확정 예측과 가능성 검토를 구분해 전망 자료를 더 안전하게 읽게 해 주기 때문입니다. 이 개념이 있어야 이렇게 될 것이다라는 단정과 이런 조건이면 이런 경로도 가능하다는 분석을 분리해 읽게 되고, 전망 자료를 읽을 때도 단일 결론보다 가정과 분기 조건을 먼저 확인하는 습관이 생깁니다. 또한 시나리오를 이해해야 예측 자료를 볼 때 결과 문장만 소비하지 않고, 어떤 조건이 바뀌면 다른 경로가 열리는지도 함께 읽게 됩니다. 결국 시나리오는 미래를 맞힌다보다 미래의 갈림길을 조건과 함께 펼쳐 본다는 형식입니다.
함께 볼 개념: 미래 전망(forecast), 예측(prediction), 지표(indicator)
뜻: 모델뿐 아니라 입력 처리, 규칙, 사람 검토, 저장, 실행 절차까지 포함한 전체 구조입니다. 즉 AI가 실제로 동작하는 현장은 모델 하나가 아니라, 여러 구성 요소가 연결된 운영 단위 전체를 뜻하는 경우가 많습니다. 사용자가 보는 결과는 보통 이 전체 시스템의 산출물이지, 모델 단독 산출물이 아닙니다.
왜 중요한가: 실제 문제에서는 모델 성능 하나만 좋아도 끝나는 일이 드물고, 입력 품질, 상태 관리, 권한 구조, 사람 검토, 배포 경로가 함께 맞물려 결과를 만들기 때문입니다. 이 개념이 있어야 모델이 좋다와 시스템이 잘 작동한다를 같은 말로 보지 않게 되고, 어디서 오류가 생겼는지 찾을 때도 모델 바깥의 연결부와 운영 절차를 함께 점검하게 됩니다. 또한 시스템 관점이 있어야 같은 모델을 써도 검색 연결, 승인 절차, 캐시 정책에 따라 전혀 다른 사용자 경험과 위험 수준이 나온다는 점을 더 분명히 읽게 됩니다.
뜻: 입력 시퀀스를 받아 다른 출력 시퀀스를 순서대로 생성하도록 학습하는 구조입니다. 문장 하나를 받아 다른 문장으로 바꾸거나, 입력 기록을 받아 요약된 출력 순서로 바꾸는 순서열 대 순서열 변환 구조라고 볼 수 있습니다. 즉 Seq2Seq는 입력도 순서열이고 출력도 순서열인 문제를 한 구조로 다루려는 모델 관점입니다.
왜 중요한가: 언어를 입력 순서와 출력 순서의 대응 문제로 다루는 흐름을 보여 주며, LLM 이전 언어 생성 구조의 중요한 전 단계를 이해하게 해 주기 때문입니다. 이 개념이 있어야 번역, 요약, 질의응답처럼 입력 하나를 받아 다른 시퀀스를 만든다는 과제가 어떻게 모델 구조로 표현되었는지 읽게 되고, 인코더-디코더와 어텐션이 왜 등장했는지도 더 자연스럽게 이어집니다. 결국 Seq2Seq를 이해해야 생성 문제를 자유 생성만이 아니라 입력 시퀀스를 다른 출력 시퀀스로 바꾸는 변환으로도 읽게 됩니다.
함께 볼 개념: 인코더-디코더(Encoder-Decoder), 어텐션(Attention), 트랜스포머(Transformer)
뜻: 값, 변수, 연산, 함수 호출을 조합해 계산이나 관계를 적어 놓은 표현입니다. 식은 평가되면 하나의 값이 되거나, 현재 값들 사이의 계산 규칙을 드러냅니다. 즉 식은 어떻게 계산할 것인가를 한 덩어리로 적어 둔 최소 계산 단위라고 볼 수 있으며, 문장 전체보다 더 작은 계산 조각입니다.
왜 중요한가: AI 수식과 Python 코드 모두 긴 절차를 작은 식들로 쪼개 읽습니다. 식을 읽는 감각이 있어야 지금 계산되는 값, 아직 정의 단계인 관계, 다음 단계로 넘길 결과를 구분할 수 있습니다. 또한 식은 여러 값을 한 번에 엮어 새 값을 만드는 최소 계산 단위이므로, 복잡한 코드와 수식을 더 작은 조각으로 나눠 이해하는 기본 도구가 됩니다. 이 개념이 있어야 긴 코드 줄도 여러 식이 어떻게 이어지는가로 분해해 읽게 되고, 수식이 복잡해 보여도 어느 부분이 새 값을 만드는 핵심 조각인지 더 안정적으로 따라가게 됩니다.
뜻: 여러 실패 사례를 그대로 흩어 두지 않고, 반복되는 문제 구조에 따라 몇 가지 범주로 묶어 다시 읽는 분류 틀입니다. 검색 실패, 권한 문제, 빌드 실패, 공개 확인 실패처럼 어디서 무엇이 어긋났는가를 반복 가능한 이름으로 붙여 두는 방식이라고 볼 수 있습니다. 즉 실패 유형은 단일 사건 설명이 아니라, 비슷한 실패들을 다음 회고와 개선 계획에 다시 쓸 수 있게 만드는 정리 단위입니다.
왜 중요한가: 실패를 한 건씩 감상문처럼 남기면 다음 프로젝트에서 같은 문제가 다시 나타나도 비교와 우선순위 판단이 어려워지기 때문입니다. 이 개념이 있어야 실패했다에서 멈추지 않고, 어떤 실패가 전처리 문제인지, 어떤 실패가 배포 경로 문제인지, 어떤 실패가 근거 부족 문제인지를 분리해 기록하게 됩니다. 또한 실패 유형을 이해해야 회고 문서가 과거 설명을 넘어서 다음 요구사항 목록으로 이어지고, Part 7의 비교 실험, 에이전트 실행 기록, 배포 회고가 같은 언어로 연결된다는 점도 더 분명하게 읽게 됩니다.
함께 볼 개념: 실패(failure), 평가(evaluation), 사건 기록(incident record), 다음 행동(next action), 프로젝트(project)
뜻: 실행을 실제로 시도했지만 기능적으로 끝나지 못했거나, 기대한 결과 조건을 충족하지 못한 상태입니다. 단순히 결과가 마음에 들지 않는다는 인상보다, 오류 로그, timeout, 잘못된 출력, 누락된 근거처럼 무엇이 작동하지 않았는가를 다시 읽을 수 있어야 실패라고 부를 수 있습니다. 즉 실패는 막연한 불만이 아니라, 다시 분류하고 수정 지점을 찾을 수 있는 형태로 남겨야 하는 문제 상태입니다.
왜 중요한가: AI 프로젝트와 운영 run에서는 실패를 숨기면 다음 요구사항과 검증 기준이 생기지 않고, 보류 상태와 같은 다른 미완료 상태까지 함께 흐려지기 때문입니다. 이 개념이 있어야 승인 대기와 기능 고장을 같은 칸에 넣지 않게 되고, 검색 실패, 환각, 권한 문제, 비용 문제처럼 반복되는 실패 유형을 따로 이름 붙여 회고하게 됩니다. 또한 실패를 이해해야 기록, 평가, 다음 행동이 왜 한 묶음으로 남아야 하는지, 그리고 좋은 프로젝트 문서가 성공 화면만이 아니라 실패 구조까지 보존해야 한다는 점도 더 분명하게 읽게 됩니다.
함께 볼 개념: 보류 상태(hold state), 요청 실행 기록(run record), 평가(evaluation), 재시도(retry), 다음 행동(next action)
중심 Section: P7-6.2
등장 Section: P1-14.6, P1-16.3, P7-6.1, P7-6.3, P7-7.2
뜻: 현재 요청이나 자동화가 실제로 영향을 줄 수 있는 대상과 경계를 미리 정해 둔 제한 조건입니다. 어떤 폴더까지 수정 가능한지, 어떤 서비스까지만 호출 가능한지, 어떤 단계에서 멈춰야 하는지처럼 이번 실행이 어디까지 닿아도 되는가를 닫아 두는 선에 가깝습니다. 즉 권한이 가능한 행동의 종류를 정한다면, 실행 범위는 그 행동이 미치는 대상과 경로를 더 좁혀 두는 운영 경계입니다.
왜 중요한가: 같은 쓰기 권한이 있어도 전체 저장소를 바꾸는 것과 특정 임시 폴더만 바꾸는 것은 위험 규모가 크게 다르므로, 권한만으로는 실제 위험을 충분히 설명하지 못하기 때문입니다. 이 개념이 있어야 허용된 도구와 허용된 대상 범위를 분리해 읽게 되고, 승인 절차도 무슨 행동인가뿐 아니라 어디까지 영향을 주는가를 함께 묻게 됩니다. 또한 실행 범위를 이해해야 과도한 권한을 줄이는 일이 단순 yes/no 허용 문제가 아니라, 같은 도구라도 더 좁은 범위에서만 작동하게 만드는 세밀한 설계 문제라는 점도 더 분명하게 보게 됩니다.
함께 볼 개념: 권한(permission), 최소 권한(least privilege), 승인(approval), 에이전트(agent), 도구 사용(tool use)
뜻: 노트북에서 셀들이 실제로 어떤 순서로 실행되었는지를 가리키는 기록입니다. 문서에 보이는 배치 순서와는 별개로, 런타임 상태를 실제로 만든 시간 순서라고 볼 수 있습니다. 즉 실행 순서는 화면에서 위에 있느냐보다 무엇이 먼저 상태를 바꿨느냐를 알려 주는 정보입니다.
왜 중요한가: 화면에 보이는 위아래 순서와 실제 실행 순서가 다르면 같은 노트북도 다시 실행했을 때 다른 결과가 나올 수 있기 때문입니다. 노트북 오류를 읽을 때는 코드 내용만이 아니라 실행 순서도 함께 봐야 하는 이유가 여기 있습니다. 이 개념이 있어야 정의 셀을 건너뛰고 아래 셀만 다시 실행한 문제를 문법 오류와 구분해 읽을 수 있습니다. 또한 실행 순서를 이해해야 출력이 맞아 보인다고 해서 현재 코드와 상태가 일치한다고 바로 단정하지 않게 됩니다. 결국 실행 순서는 노트북이 문서이면서 동시에 상태를 가진 실행 기록이라는 점을 드러냅니다.
함께 볼 개념: 노트북(notebook), 숨은 상태(hidden state), 재실행 가능한 기록(reproducible record)
뜻: 한 번의 실행에서 질문, 입력 규모, 기준 모델 결과, 현재 모델 결과, 실패 샘플, 추가 검토 대상을 짧은 구조로 다시 묶어 남긴 요약 기록입니다. 전체 코드나 로그를 다시 열지 않아도 이번 실행에서 무엇을 돌렸고 어떤 결과가 나왔는가를 한눈에 읽게 만드는 최소 실행 묶음이라고 볼 수 있습니다. 즉 실행 요약은 긴 실행 흔적을 사람이 바로 다시 읽을 수 있는 비교 가능한 단위로 압축한 기록입니다.
왜 중요한가: 모델 실험과 검색 실험은 같은 프로젝트 안에서도 입력 수, 기준점, 실패 샘플이 쉽게 달라지므로, 최소 실행 결과를 따로 묶지 않으면 다음 비교와 재실험 판단이 흐려지기 때문입니다. 이 개념이 있어야 전체 점수만 남기지 않고, 학습 샘플 수, 평가 샘플 수, baseline 결과, 오류 샘플처럼 해석에 필요한 실행 문맥을 함께 남기게 됩니다. 또한 실행 요약을 이해해야 Part 7의 비교 실험이 단순 로그 출력이 아니라, 다음 회고와 개선 계획이 기대는 기준 기록이라는 점도 더 분명하게 읽게 됩니다.
함께 볼 개념: 요청 실행 기록(run record), 기준 모델(baseline model), 오류 사례(error case), 검토 요약(review summary), 회고(retrospective)
중심 Section: P7-2.1
등장 Section: P7-index, P7-3.1, P7-4.1, P7-5.1, P7-summary
뜻: 문서나 회고에서 형식 이름만 적지 않고, 실제로 무엇을 돌렸고 무엇을 비교했고 무엇을 확인하는 단계인지 한눈에 보이게 만드는 실행 맥락 단위입니다. 예를 들어 기준점 비교, 오류 사례 검토, 배포 점검처럼 독자가 지금 보고 있는 표와 로그가 어떤 작업 순간에 속하는지 드러내는 이름표라고 볼 수 있습니다. 즉 실행 장면은 문서 구조를 실제 작업 흐름에 다시 묶어 주는 서술 단위입니다.
왜 중요한가: 같은 비교표나 요약표라도 어느 장면에서 나온 것인지 흐리면 숫자와 해석을 다시 읽기 어려워지고, 문서가 형식 목록처럼 보이기 쉽기 때문입니다. 이 개념이 있어야 표가 있다보다 지금은 기준 모델과 비교하는 장면인가, 실패 샘플을 검토하는 장면인가를 먼저 구분하게 되고, 프로젝트 문서를 다시 실행 가능한 기록으로 읽게 됩니다. 또한 실행 장면을 이해해야 Part 7의 프로젝트 글쓰기가 템플릿 채우기가 아니라, 실제 실행 흐름을 독자가 다시 따라갈 수 있게 배치하는 작업이라는 점도 더 분명하게 읽게 됩니다.
함께 볼 개념: 실행 요약(execution summary), 비교표(comparison table), 회고(retrospective), 요청 실행 기록(run record), 검토(review)
뜻: 모델 호출, 도구 실행, 파일 접근, 설정, 권한처럼 실제 작업이 돌아가는 조건 전체를 가리키는 말입니다. 코드나 모델 자체 바깥에서, 실행 가능 범위와 연결 능력을 함께 정하는 바깥 껍질에 가깝습니다. 예를 들어 같은 에이전트라도 네트워크가 막혀 있는지, 로컬 파일 쓰기가 되는지, 어떤 승인 정책이 걸려 있는지에 따라 사실상 다른 실행 환경에서 일하는 셈입니다.
왜 중요한가: 같은 모델과 같은 프롬프트라도 어떤 파일에 접근할 수 있는지, 어떤 도구가 연결되어 있는지, 어떤 제한 안에서 실행되는지에 따라 결과와 위험이 크게 달라지기 때문입니다. 그래서 실행 환경은 단순 기술 배경이 아니라 품질과 안전을 함께 바꾸는 조건입니다. 이 개념이 있어야 모델이 못했다는 문제와 환경이 허용하지 않았다는 문제를 구분해 해석할 수 있습니다. 또한 실행 환경을 분리해 이해해야 권한, 재현성, 안전성 문제를 모두 모델 성능 탓으로 돌리지 않고, 운영 설계 문제로도 정확히 읽게 됩니다.
함께 볼 개념: 하네스(harness), 재현성(reproducibility), 호스트(host)
뜻: 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.
왜 중요한가: 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.
함께 볼 개념: 로컬 환경(local environment), 가상환경(virtual environment), 의존성(dependency)