뜻: 기반 모델 층 사이에 작은 추가 모듈을 넣어, 전체 본체를 크게 다시 학습하지 않고도 목적 적응을 시도하는 효율적 조정 방식입니다. 즉 원래 모델 본체를 크게 건드리기보다, 필요한 변화를 중간 보조 블록에 모아 반영하는 접근이라고 볼 수 있습니다. 그래서 본체를 공유한 채 여러 적응 모듈을 갈아 끼우는 발상과도 잘 연결됩니다.
왜 중요한가: LoRA와 비슷한 문제의식에서 출발하지만 어디에 추가 구조를 두는지가 다르다는 점을 구분해야 효율적 조정 선택지를 섞지 않게 되기 때문입니다. 이 개념이 있어야 효율적 조정이 하나의 방법만 뜻하는 것이 아니라, 본체를 얼마나 고정할지와 추가 구조를 어디에 둘지를 달리하는 여러 계열이 있다는 점을 이해하게 되고, 방법 이름만이 아니라 구조 차이까지 읽게 됩니다. 결국 adapter를 이해하면 효율적 조정이라는 넓은 범주 안에서도 업데이트 방식과 저장 단위, 추론 시 결합 방식이 서로 다를 수 있다는 점을 더 실제적으로 보게 됩니다.
뜻: 컴퓨터 시스템, 기계, 알고리즘이 인간 지능과 관련된 일부 기능을 수행하도록 연구·개발한 넓은 분야이자, 그런 기능을 구현한 시스템을 함께 가리키는 말입니다. 규칙 기반 판단, 검색, 학습, 생성, 계획 같은 여러 접근을 모두 품는 상위 범주이며, 특정 모델 이름이나 특정 유행 기술과 같은 말은 아닙니다.
왜 중요한가: 머신러닝, 딥러닝, 생성형 AI, LLM을 모두 같은 뜻처럼 섞지 않고, 어떤 층위의 문제와 시스템을 말하는지 구분하는 출발점이 되기 때문입니다. 이 개념이 있어야 AI를 쓴다는 말이 하나의 기술만 뜻하는 것이 아니라, 규칙 기반 접근부터 학습 기반 모델, 사용자 앱까지 여러 층을 포괄할 수 있다는 점을 이해하게 됩니다. 결국 AI는 개별 모델 이름보다 더 넓은 문제 영역과 시스템 범주를 붙잡는 말입니다. 또한 이 상위 개념이 분명해야 AI가 발전했다는 말이 모델 성능 향상인지, 제품 사용성 향상인지, 자동화 범위 확장인지 더 정확히 나누어 읽을 수 있습니다.
함께 볼 개념: 머신러닝(machine learning), 딥러닝(deep learning), 생성형 AI(generative AI), LLM(대규모 언어 모델)
뜻: 여러 입력에서 프롬프트 결과를 평가하고 비교하면서, 프롬프트 표현과 구조를 반복적으로 자동 개선하려는 접근입니다. 사람이 일일이 문장을 바꾸어 보는 대신, 평가 기준을 두고 후보 프롬프트를 자동 탐색하는 실험 루프에 가깝습니다. 즉 프롬프트 작성도 한 번의 문장 감각이 아니라, 탐색 가능한 최적화 문제처럼 다루는 방식입니다.
왜 중요한가: 사람이 손으로 조금씩 고치던 프롬프트 실험을 평가 루프와 함께 더 체계적으로 돌리는 방향을 이해하게 해 줍니다. 이 개념이 있어야 프롬프트 설계도 감각만이 아니라 후보 생성-평가-선택 절차로 운영할 수 있다는 점을 읽을 수 있습니다. 또한 automatic prompt optimization을 이해해야 좋은 프롬프트를 찾는 일이 곧 좋은 평가 기준을 세우는 일과 묶여 있다는 점도 자연스럽게 드러납니다. 결국 automatic prompt optimization은 좋은 문장을 떠올리는 일을 평가 가능한 탐색 문제로 바꾸어 다루는 접근입니다.
함께 볼 개념: 프롬프트 엔지니어링(prompt engineering), 평가(evaluation), self-consistency
뜻: Matplotlib에서 실제 데이터가 그려지는 개별 좌표 영역 한 칸입니다. 이름은 복수형처럼 보여도 보통 그래프 한 칸에 더 가깝게 이해하면 됩니다. 선, 점, 막대, 축 라벨, 범례가 실제로 붙는 자리가 바로 Axes입니다. 즉 Axes는 그림 전체 안에서 데이터가 실제로 놓이는 개별 작업 구역입니다.
왜 중요한가: 한 Figure 안에 여러 그래프를 나란히 둘 때 어떤 선이나 점이 어느 그래프 칸에 그려지는지 구분하는 기준이 되기 때문입니다. Axes를 알아야 제목, 축 라벨, 선 추가 같은 명령이 전체 그림이 아니라 특정 그래프 칸에 적용된다는 점이 분명해집니다. 예를 들어 왼쪽 그래프에는 손실 곡선을, 오른쪽 그래프에는 정확도 곡선을 넣는 식의 배치는 Figure 하나 안의 여러 Axes를 다루는 작업입니다. 결국 Axes를 이해해야 Matplotlib 코드가 전체 그림 설정인지 개별 그래프 칸 설정인지 구분하게 됩니다.
뜻: 대규모 텍스트 데이터를 바탕으로 다음 토큰 예측을 학습해, 문장 이어쓰기와 생성 능력을 보이는 언어 모델 계열입니다. 핵심은 문법 규칙을 손으로 적어 넣는 시스템이 아니라, 많은 언어 사용 사례에서 다음 표현이 어떻게 이어지는지 통계적으로 학습한 거대한 신경망이라는 점입니다. 따라서 LLM은 언어를 다루는 생성 모델을 가리키는 말이지, 챗봇 제품 전체나 AI 전체를 뜻하는 포괄어로 쓰면 층위가 섞이기 쉽습니다.
왜 중요한가: 오늘날 사용자가 가장 자주 만나는 생성형 AI 경험의 중심이지만, 동시에 기반 모델, 대화형 제품, 도구 연결 시스템을 구분하는 출발점이기 때문입니다. 이 개념이 있어야 LLM이 스스로 모든 최신 사실을 항상 알고 있는 것처럼 오해하지 않고, 학습된 파라미터 기반 생성과 검색·도구 사용·운영 계층이 맡는 역할을 나누어 보게 됩니다. 또한 같은 생성형 AI라도 이미지 생성 모델, 음성 생성 모델과 무엇이 다른지, 그리고 같은 언어 모델이라도 GPT 계열과 BERT 계열이 왜 쓰임이 다른지도 더 자연스럽게 이어집니다.
함께 볼 개념: 생성형 AI(generative AI), 머신러닝(machine learning), 딥러닝(deep learning), GPT, 대화형 LLM(conversational LLM)
뜻: NumPy가 기본으로 사용하는 다차원 배열 자료구조입니다. 순서 있는 값 보관 구조를 넘어, 같은 타입의 숫자를 빠르게 계산하기 위한 배열 중심 구조라고 볼 수 있습니다. 즉 숫자를 담아 둔 통이면서 동시에, 축과 모양 정보를 바탕으로 대량 계산을 수행하는 계산 객체이기도 합니다.
왜 중요한가: Python 리스트와 달리 shape, ndim, dtype 같은 속성을 가진 계산용 배열이라는 점을 이해해야 이후 인덱싱, 축, 브로드캐스팅 설명이 자연스럽게 이어지기 때문입니다. 리스트를 여러 겹 넣은 것과 계산 가능한 배열 객체를 구분하는 핵심 표제어이기도 합니다. 또한 ndarray를 이해해야 왜 넘파이 연산이 값 하나씩 반복하는 코드보다 훨씬 큰 묶음 계산으로 읽히는지, 그리고 배열 모양이 계산 가능성을 직접 바꾼다는 점도 더 분명해집니다.
뜻: NumPy 배열이 몇 차원으로 이루어져 있는지를 나타내는 값입니다. 즉 shape의 각 축 개수를 한 숫자로 요약한 정보입니다. 값의 총개수와는 다른 질문으로, 이 배열을 몇 개의 축으로 읽어야 하는가를 먼저 알려 주는 표지라고 볼 수 있습니다. 다시 말해 ndim은 배열의 축 개수만 빠르게 알려 주는 가장 압축된 구조 정보입니다.
왜 중요한가: 같은 숫자 묶음도 1차원 벡터인지 2차원 행렬인지에 따라 읽는 방식과 가능한 계산이 달라지므로, 배열 해석의 가장 기본 점검 지점이 되기 때문입니다. 값이 몇 개인가와 축이 몇 개인가를 분리해 읽게 해 주는 표지이기도 합니다. 이 개념이 있어야 같은 데이터 개수라도 (6,)와 (2, 3)이 왜 다른 계산 대상으로 읽히는지, 브로드캐스팅과 축 연산도 왜 ndim 확인에서 출발하는지 더 자연스럽게 이해하게 됩니다. 초심자는 배열 길이만 보려 하기 쉬운데, ndim을 먼저 보는 습관이 있어야 계산 오류를 더 빨리 줄일 수 있습니다.
뜻: 클래스를 나누는 경계와 가장 가까운 사례들 사이의 여유 폭(margin)을 크게 만드는 방향으로 경계를 찾는 분류 모델입니다. 단순히 두 집단을 가르기만 하는 선보다, 경계 주변에 얼마나 안전한 간격을 둘 수 있는가를 함께 따지는 방식이라고 볼 수 있습니다.
왜 중요한가: 단순히 선을 긋는 것이 아니라, 경계의 안정성을 함께 고려하는 분류 직관을 보여 주기 때문입니다. 이 개념이 있어야 훈련 데이터를 겨우 가르는 경계와 새 데이터에도 더 버틸 가능성이 있는 경계를 구분하게 되고, 분류 문제에서 왜 가장 가까운 사례들의 위치가 전체 일반화 감각에 중요해지는지도 더 자연스럽게 읽게 됩니다. 또한 SVM을 이해해야 분류가 단순 정확도 경쟁만이 아니라, 경계가 얼마나 안정적으로 놓였는가를 따지는 문제이기도 하다는 점을 보게 됩니다. 결국 SVM은 어떻게 나눌까뿐 아니라 얼마나 여유 있게 나눌까를 함께 묻는 분류기입니다.
함께 볼 개념: margin, 결정 경계(decision boundary), 커널(kernel)
뜻: 전체 vocabulary 효율을 기준으로 서브워드 조각을 고르며, 드문 단어도 여러 조각으로 안정적으로 표현하려는 토크나이저 계열입니다. 이미 있는 조각들을 어떻게 조합하면 어휘 전체를 더 효율적으로 덮을 수 있을지에 더 신경 쓰는 방식이라고 볼 수 있습니다. 단어를 통째로 다 외우기보다, 자주 재사용되는 조각을 잘 고른 뒤 그 조각들로 새로운 단어를 분해해 읽게 하는 전략입니다.
왜 중요한가: BPE와 비슷해 보여도 조각을 고르는 기준이 달라 같은 문장에서도 토큰 수와 분절 감각이 달라질 수 있음을 보여 줍니다. 이 개념이 있어야 토크나이저마다 같은 텍스트를 다른 계산 단위로 읽을 수 있고, 그 차이가 모델 입력 길이와 비용에도 영향을 준다는 점을 이해하게 됩니다. 특히 사전학습 모델 문서를 읽을 때 어떤 토크나이저를 썼는가가 단순 구현 세부가 아니라 입력 표현 자체를 바꾸는 선택이라는 점을 분명하게 해 줍니다.
함께 볼 개념: 토큰화(tokenization), BPE(Byte Pair Encoding), SentencePiece
뜻: Pandas에서 행과 열을 정수 위치 기준으로 고를 때 쓰는 선택 도구입니다. loc가 라벨 선택이라면, iloc는 배열처럼 위치를 기준으로 고르는 방식입니다. 즉 세 번째 행, 두 번째 열처럼 순서를 기준으로 집어내고 싶을 때 쓰는 접근자라고 보면 됩니다.
왜 중요한가: 라벨 이름이 아니라 몇 번째 위치인지로 선택해야 할 때 loc와 기준을 분리해 읽어야, 표 선택 코드의 의도를 더 정확히 해석할 수 있기 때문입니다. 이 구분이 있어야 DataFrame을 표처럼 읽는 순간과 배열처럼 읽는 순간을 나눌 수 있습니다. 또한 iloc는 인덱스 라벨이 숫자처럼 보여도 실제로는 위치를 본다는 점을 분명히 하여, 초심자가 가장 자주 하는 선택 기준 혼동을 줄여 줍니다. 결국 iloc를 이해해야 표 데이터 선택에서 이름으로 고르는가, 위치로 고르는가를 코드 수준에서 명확히 구분하게 됩니다.
뜻: AI 결과나 자동화가 사람, 조직, 절차에 피해를 만들지 않도록 제한하고 검토하는 조건입니다. 여기에는 물리적 위험뿐 아니라 잘못된 정보 제공, 과도한 자동화, 권한 남용, 검토 없는 실행, 특정 집단에 대한 반복적 불이익처럼 디지털 환경에서 발생하는 피해도 함께 포함됩니다. 즉 안전성은 고장 나지 않는가만이 아니라 누구에게 어떤 종류의 피해를 만들 수 있는가를 묻는 넓은 운영 개념입니다.
왜 중요한가: 안전성은 물리적 사고만이 아니라 잘못된 추천, 과신, 권한 있는 도구의 오작동처럼 현실 행동과 제도적 판단으로 이어지는 위험을 함께 다뤄야 하기 때문입니다. 이 개념이 있어야 정확하면 안전하다고 단순화하지 않고, 평균 성능과 집단별 피해 분포, 권한 구조, 인간 감독까지 포함한 운영 조건으로 위험을 읽게 됩니다. 또한 안전성은 모델 한 번의 출력 품질만이 아니라, 어떤 환경에서 누구에게 어떤 행동 권한을 주었는지까지 묻는 시스템 수준 질문이라는 점이 분명해야 합니다.
함께 볼 개념: 편향(bias), 책임(accountability), 인간 감독(human oversight)
중심 Section: P1-15.1
등장 Section: P1-10.3, P1-12.3, P1-summary, P6-5.2, P6-9.2, P6-16.1
뜻: 2012년 ImageNet 대회에서 깊은 합성곱 신경망(CNN)과 GPU 학습의 강한 성능을 널리 각인시킨 대표 모델입니다. 단순히 CNN 하나의 이름이라기보다, 큰 데이터셋, 깊은 신경망, 대규모 계산 자원이 함께 결합될 때 어떤 성능 도약이 가능한지 보여 준 상징적 사례라고 볼 수 있습니다.
왜 중요한가: 딥러닝이 이미지 인식에서 연구 주제를 넘어 실질적 전환점으로 읽히게 된 역사적 사례를 보여 주기 때문입니다. 이 개념이 있어야 딥러닝이 왜 갑자기 중요해졌는가를 막연한 유행이 아니라, 데이터 규모, GPU 계산, 깊은 CNN 조합이 성능 격차로 드러난 사건으로 읽게 됩니다. 또한 알렉스넷을 이해해야 이후 모델들이 단순히 층 수만 늘린 것이 아니라, 표현 학습이 수작업 특징을 크게 대체할 수 있다는 확신 위에서 발전했다는 점도 더 선명하게 보게 됩니다. 결국 알렉스넷은 개별 모델 이름이면서도, 딥러닝 확산을 설명하는 역사적 전환점이라는 두 층위로 읽어야 합니다.
함께 볼 개념: 딥러닝(deep learning), 합성곱 신경망(CNN, convolutional neural network), 학습된 표현(learned representation)
뜻: 사용자가 요청을 보내고 결과를 확인하는 표면과 그 흐름을 담당하는 구성요소입니다. 모델 하나만 뜻하는 것이 아니라, 입력 수집, 출력 표시, 승인, 오류 처리, 기록 같은 사용자 접점을 함께 감싸는 제품 층에 가깝고, 실제 사용 경험은 보통 이 층에서 시작되고 끝납니다. 따라서 앱은 모델을 포장한 화면 정도가 아니라, 모델을 어떤 상황에서 어떻게 쓰게 만들지 결정하는 상호작용 설계 층이라고 볼 수 있습니다.
왜 중요한가: 사용자는 모델이 아니라 앱이 설계한 입력 수집, 표시, 승인, 오류 처리 흐름을 통해 AI 서비스를 경험하기 때문입니다. 따라서 실제 품질은 모델 능력뿐 아니라 앱이 어떤 흐름을 짜 놓았는지에도 크게 좌우되며, 같은 모델도 앱 설계가 다르면 신뢰감, 오작동 체감, 검토 가능성이 크게 달라집니다. 이 개념이 있어야 모델을 바꾸지 않아도 제품 경험은 크게 바뀔 수 있다는 점을 이해하게 되고, 반대로 좋은 모델이 있어도 앱 흐름이 나쁘면 실제 서비스 품질이 떨어질 수 있다는 점도 더 분명해집니다.
함께 볼 개념: 모델(model), 도구(tool), 오케스트레이션(orchestration), 에이전트(agent)
뜻: 바깥 컨테이너만 새로 만들고 안쪽 중첩 값은 그대로 공유할 수 있는 복사 방식입니다. 즉 겉 껍데기는 새로 생기지만, 안쪽 리스트나 딕셔너리 같은 하위 객체는 여전히 원본과 연결되어 있을 수 있습니다. 말하자면 얕은 복사는 겉은 새것, 속은 일부 공유인 복사입니다.
왜 중요한가: 중첩 리스트나 딕셔너리에서 복사본을 바꿨는데 원본도 함께 바뀌는 이유를 설명하는 핵심 기준이기 때문입니다. 이 개념이 있어야 복사했다는 말이 항상 완전한 분리를 뜻하는 것은 아니라는 점을 이해하게 되고, 중첩 구조에서는 어느 수준까지 새 객체가 만들어졌는지를 따로 점검하게 됩니다. 또한 얕은 복사를 이해해야 표면상 안전해 보이는 수정이 실제로는 공유된 안쪽 데이터까지 건드릴 수 있다는 점을 읽게 되어, 실험용 사본과 원본 보존을 더 조심해서 다루게 됩니다. 결국 얕은 복사는 복사본이 있다와 완전히 독립적이다가 같은 말이 아니라는 점을 가장 직접적으로 보여 줍니다.
함께 볼 개념: 깊은 복사(deep copy), 참조(reference), 리스트(list)
뜻: 출력을 만들 때 입력 시퀀스의 여러 위치 가운데 지금 더 관련 있는 부분을 가중치로 참고하는 구조입니다. 모든 입력을 똑같이 보지 않고, 현재 계산에 더 중요한 위치를 선택적으로 더 강하게 반영하는 방식이라고 볼 수 있습니다. 즉 attention은 전부 같은 비중으로 압축한다보다 지금 필요한 부분을 더 크게 본다는 선택적 참조 구조에 가깝습니다.
왜 중요한가: 긴 입력을 하나의 고정된 벡터에만 담는 병목을 줄이며, Transformer 이전과 이후 언어 모델 구조를 이해하는 핵심 전환점이기 때문입니다. 이 개념이 잡혀야 셀프 어텐션, 멀티헤드 어텐션, 롱 컨텍스트 문제도 같은 흐름 위에서 읽힙니다. 또한 어텐션을 이해해야 모델이 입력을 단순 저장하는 것이 아니라, 현재 작업에 따라 참고 위치를 다르게 배분한다는 점도 더 자연스럽게 설명하게 됩니다.
함께 볼 개념: 시퀀스 투 시퀀스(Seq2Seq), 트랜스포머(Transformer), 언어 모델링(language modeling), 셀프 어텐션(self-attention), 고정 길이 벡터(fixed-length vector)
중심 Section: P1-11.2
등장 Section: P1-9.3, P5-12.2, P5-13.1, P5-13.2, P5-14.1, P5-14.2
뜻: 현재 vocabulary나 토큰화 규칙 기준으로 학습 어휘 안에 잡히지 않아 낯선 입력으로 남는 단어 또는 토큰입니다. 사람이 보기에는 분명 의미 있는 표현인데, 모델 입장에서는 익숙한 단위로 잘게 읽히지 않거나 거의 알 수 없는 조각으로 남는 상태라고 볼 수 있습니다. 즉 OOV는 문장이 이상하다보다 입력 표현이 현재 어휘 체계 밖에 있다는 신호에 가깝습니다.
왜 중요한가: 문장을 분류하거나 검색할 때 OOV가 많으면 모델이 실제로 읽은 입력이 줄어들어, 오답을 단순 규칙 문제로만 해석하지 않고 입력 표현 문제로 다시 보게 해 주기 때문입니다. 이 개념이 있어야 성능 저하를 모델 능력 부족만이 아니라 토크나이저와 vocabulary 설계 문제로도 읽게 됩니다. 예를 들어 도메인 특수 용어, 신조어, 제품 코드가 많으면 문장 자체는 명확해도 모델은 중요한 단서를 잘게 깨진 낯선 조각으로만 볼 수 있습니다. 결국 OOV를 이해해야 모델이 왜 못 읽었는가를 성능 문제 이전에 입력 단위 보존 문제로 점검하게 됩니다.
함께 볼 개념: 토큰화(tokenization), 토큰 커버리지(token coverage), 임베딩(embedding)
뜻: 앞의 단어나 토큰 문맥을 바탕으로 다음에 올 표현의 가능성을 계산하거나, 단어열 전체에 확률을 부여하는 모델입니다. 즉 언어를 단순 규칙 모음으로 보는 대신, 어떤 표현이 얼마나 자연스럽게 이어지는가를 확률 문제로 다루는 모델 계열이라고 볼 수 있습니다. 그래서 언어 모델의 핵심은 정답 문장 하나를 외우는 데 있지 않고, 가능한 표현들의 분포를 다루는 데 있습니다.
왜 중요한가: LLM을 갑자기 등장한 챗봇이 아니라, 언어를 확률적으로 예측하고 평가하려는 오래된 문제 설정 위에서 읽게 해 주는 가장 직접적인 출발점이기 때문입니다. 이 개념이 있어야 챗봇 대화 경험을 넘어, 문장 생성과 다음 토큰 예측이 같은 뿌리에서 나온다는 점을 이해하게 되고, 통계적 언어 모델에서 신경망 언어 모델, 다시 LLM으로 이어지는 계보도 더 선명하게 보게 됩니다. 또한 언어 모델은 곧바로 대화형 제품을 뜻하는 것이 아니라, 그 위에 지시 튜닝과 도구 연결, UI가 더해져 오늘날의 챗봇 경험이 만들어진다는 점도 함께 구분하게 됩니다.
함께 볼 개념: 언어 모델링(language modeling), 통계적 언어 모델(statistical language model), 토큰(token)
중심 Section: P1-11.1
등장 Section: P1-10.2, P1-11.2, P1-11.3, P6-19.1, P6-19.2
뜻: 단어나 토큰의 순서를 바탕으로 다음에 올 표현의 확률을 다루는 문제입니다. 문장을 무슨 뜻인가만이 아니라 어떤 순서가 얼마나 자주 이어지는가라는 확률적 예측 문제로 바꾸어 다루는 설정이라고 볼 수 있습니다. 다시 말해 언어 모델링은 언어를 정답 문장 암기가 아니라, 시퀀스 분포를 추정하는 문제로 바꾸는 관점입니다.
왜 중요한가: LLM의 직접 계보가 이미지 생성이나 단순 대화 UI가 아니라, 언어 시퀀스를 확률적으로 다루는 문제 설정에 놓여 있다는 점을 보여 주는 출발점이기 때문입니다. 이 개념이 있어야 언어를 안다는 말을 막연한 이해가 아니라, 순서 있는 토큰열의 가능성을 모델링하는 계산 문제로 읽게 되고, 다음 토큰 예측이 왜 현대 LLM 설명의 핵심 축이 되는지도 자연스럽게 이어집니다. 또한 언어 모델링을 이해해야 통계적 빈도 기반 접근, RNN 계열 접근, Transformer 기반 접근이 서로 다른 모델이라도 같은 문제 틀 위에 놓인다는 점을 더 선명하게 보게 됩니다.
함께 볼 개념: 직접 계보(direct lineage), 트랜스포머(Transformer), 임베딩(embedding)
뜻: 사람이 반복하던 업무 흐름의 일부 단계를 AI나 스크립트에 맡겨 처리 시간을 줄이려는 적용 방식입니다. 핵심은 사람의 일 전체를 한 번에 없애는 발상보다, 현재 흐름을 더 작은 단계로 쪼개 어느 부분을 자동화할지 정하는 운영 설계에 가깝습니다. 그래서 업무 자동화는 기술 문제이면서 동시에 경계 설정 문제이기도 합니다.
왜 중요한가: AI 적용을 막연한 전면 대체가 아니라 단계 분해와 책임 분리의 문제로 보게 해 주기 때문입니다. 이 개념이 있어야 자동화 대상이 직업 전체가 아니라 입력 정리, 초안 작성, 검색, 검토 보조 같은 부분 단계일 수 있다는 점을 이해하게 되고, 사람 검토를 어디에 남길지까지 함께 설계해야 한다는 점도 읽게 됩니다. 또한 자동화는 빠르게 돌린다는 뜻만이 아니라, 실패했을 때 누가 멈추고 수정할지까지 정해야 실제 업무에 안전하게 들어갈 수 있다는 점을 함께 보여 줍니다.
함께 볼 개념: 검색(search), 검토(review), 생산성(productivity)
뜻: 목표를 받아 상태를 확인하고, 다음 행동을 선택하고, 실행 결과를 반영하며 여러 단계 작업을 이어 가는 실행 구조입니다. 한 번 답을 내는 모델 호출보다, 확인-행동-관찰-갱신의 반복 루프가 있다는 점이 핵심입니다. 여기서 말하는 에이전트는 보통 검색, 도구 호출, 검토, 재시도처럼 여러 단계를 운영하는 서비스형 또는 시스템형 구조를 가리킵니다.
왜 중요한가: 챗봇의 한 번 답변과, 검색·도구 호출·검증을 이어 가는 서비스형 작업 구조를 구분하게 해 주기 때문입니다. 이 차이를 알아야 에이전트 품질을 모델 품질 하나로만 판단하지 않게 됩니다. 이 개념이 있어야 모델이 똑똑하다와 작업을 끝까지 운영한다를 같은 말로 보지 않게 되고, 실패 원인이 계획, 도구 선택, 상태 추적, 종료 조건 중 어디에 있었는지도 더 분해해서 보게 됩니다. 또한 강화학습 에이전트처럼 학습 이론 속 주체와는 다른 층위의 용례라는 점을 함께 구분해야 혼동이 줄어듭니다.
함께 볼 개념: 도구(tool), 오케스트레이션(orchestration), 하네스(harness), 관찰(observation), 종료 조건(stop condition)
뜻: 학습 데이터 전체를 한 번 끝까지 본 반복 횟수입니다. step이 업데이트 한 번을 세고, batch가 한 번에 함께 넣는 샘플 묶음을 가리킨다면, 에폭은 그 묶음들을 모두 지나 데이터셋 한 바퀴를 돌았는지를 세는 더 큰 반복 단위입니다.
왜 중요한가: 학습 로그에서 step 2000, batch size 32, epoch 4가 서로 다른 대상을 센다는 점을 구분해야 학습 진행 상황을 덜 헷갈리기 때문입니다. 이 개념이 있어야 업데이트 횟수와 데이터 전체 순환 횟수를 같은 말로 섞지 않게 되고, 손실 곡선과 정확도 곡선을 읽을 때도 지금 몇 번의 업데이트가 있었는가와 데이터를 몇 바퀴 돌았는가를 함께 해석하게 됩니다. 또한 에폭을 이해해야 조기 종료, 검증 손실 비교, 학습 정체 판단이 왜 step 수만이 아니라 데이터 전체 반복 기준으로도 자주 기록되는지 자연스럽게 이어집니다.
함께 볼 개념: 배치(batch), 학습(training), 손실 곡선(loss curve), 정확도(accuracy)
뜻: 연속해서 붙어 있는 n개의 단어, 문자, 토큰 단위를 묶어 보는 표현이며, 초기 통계적 언어 모델에서는 이 짧은 문맥으로 다음 단어 확률을 추정했습니다. 예를 들어 bigram은 두 개씩, trigram은 세 개씩 이어진 조각을 본다는 뜻입니다.
왜 중요한가: 언어 모델이 처음부터 긴 문맥 의미를 이해한 것이 아니라, 먼저 가까이 붙어 나온 조각이 얼마나 자주 함께 나타나는가를 세는 방식에서 출발했다는 점을 보여 주기 때문입니다. 이 개념이 있어야 통계적 언어 모델의 직관과 함께, 문맥 창이 짧아질수록 멀리 떨어진 의존 관계를 놓치고 데이터 희소성 문제가 커진다는 한계도 더 자연스럽게 이해하게 됩니다. 결국 엔그램을 이해해야 현대 LLM 이전의 언어 모델이 무엇을 셌고 어디서 막혔는지, 그리고 왜 더 긴 문맥과 더 풍부한 표현을 다루는 구조가 필요해졌는지도 이어서 읽게 됩니다.
함께 볼 개념: 언어 모델(language model), 통계적 언어 모델(statistical language model), 데이터 희소성(sparsity)
뜻: 그래프에서 노드와 노드 사이의 연결을 나타내는 선 또는 관계 단위입니다. 단순한 선처럼 보이지만, 실제로는 친구이다, 링크한다, 의존한다, 비슷하다처럼 어떤 관계가 성립하는 방식을 담는 데이터 항목입니다. 따라서 엣지는 그림 장식이 아니라, 노드 사이에 어떤 의미를 기록했는지를 담는 핵심 데이터 단위입니다.
왜 중요한가: 어떤 대상이 서로 연결되어 있는지, 그리고 그 연결에 방향이나 가중치가 있는지를 읽는 핵심 단위이기 때문입니다. 노드만 보면 대상 목록에 머물지만, 엣지를 읽어야 관계망의 흐름과 영향 경로를 해석할 수 있습니다. 이 개념이 있어야 그래프가 단순 그림이 아니라 어떤 관계를 데이터로 삼았는가를 담는 구조라는 점도 이해하게 됩니다. 결국 같은 노드 집합이라도 엣지를 어떻게 정의하느냐에 따라 전혀 다른 문제 표현이 된다는 점을 잡게 해 줍니다.
뜻: 출력 쪽에서 계산된 손실이 각 파라미터에 얼마나 영향을 주는지 뒤에서 앞으로 계산하는 절차입니다. 더 정확히는 계산 그래프를 따라 연쇄 법칙을 적용해, 최종 오차가 중간 활성값과 가중치에 어떻게 나뉘어 전달되는지 구하는 과정입니다. 즉 마지막에 나온 틀림의 정도를 거꾸로 추적해, 각 층이 그 틀림에 얼마나 기여했는지 나누어 계산하는 방식입니다.
왜 중요한가: 손실을 줄이려면 각 가중치를 어느 방향으로 얼마나 바꿔야 하는지 알아야 하고, 그 gradient를 효율적으로 계산하는 핵심 절차가 역전파이기 때문입니다. 이 개념이 잡혀야 신경망이 스스로 배운다는 말을 막연한 자동 조정이 아니라, 오차를 각 층의 수정 신호로 되돌려 보내는 계산 절차로 이해할 수 있습니다. 또한 층이 깊어져도 학습이 가능한 이유가 무작정 반복이 아니라, 각 연결의 기여도를 체계적으로 계산해 주는 절차 덕분이라는 점도 분명해집니다.
함께 볼 개념: 그래디언트(gradient), 손실 함수(loss function), 연쇄 법칙(chain rule)
뜻: 자료구조나 값 위에서 수행하는 접근, 검색, 추가, 삭제, 순회 같은 작업입니다. 같은 데이터를 갖고 있어도 맨 뒤에 붙이기, 중간에 끼워 넣기, 이름으로 찾기, 모든 항목을 한 번씩 보기는 서로 다른 연산이고, 자료구조는 이 연산들 가운데 무엇을 자주 할지에 맞춰 선택됩니다.
왜 중요한가: 같은 데이터라도 어떤 연산을 자주 하는지에 따라 더 자연스러운 자료구조 선택이 달라지기 때문입니다. 이 개념이 있어야 자료구조를 어떤 모양으로 저장했는가만으로 보지 않고, 무슨 작업을 얼마나 자주 할 것인가와 연결해 읽게 됩니다. 예를 들어 목록을 처음부터 끝까지 훑는 일은 배열이 자연스럽지만, 관계선을 따라 이웃 노드를 계속 따라가는 일은 그래프 연산 관점이 더 중요합니다. 결국 연산 관점이 있어야 배열, 해시 기반 구조, 그래프 구조가 왜 서로 다른 상황에서 유리한지 더 실제적으로 이해하게 됩니다.
함께 볼 개념: 자료구조(data structure), 배열(array), 추상 자료형(abstract data type)
뜻: 표에서 하나의 변수나 속성을 아래로 모아 놓은 세로줄입니다. DataFrame에서는 보통 한 열이 하나의 특징, 상태, 속성, 정답 후보를 뜻합니다. 즉 여러 사례를 가로로 비교할 때, 같은 종류의 정보를 세로로 모아 읽게 만드는 기본 축이라고 볼 수 있습니다.
왜 중요한가: DataFrame을 읽을 때 어떤 열을 입력으로 쓰고 어떤 열을 정답으로 둘지, 또 어떤 열을 비교하고 집계할지를 결정하는 기본 단위이기 때문입니다. 결국 표 데이터 실습의 많은 판단은 어느 열이 무엇을 의미하는가를 분명히 하는 데서 시작됩니다. 이 개념이 있어야 같은 표를 보더라도 행은 사례, 열은 변수라는 읽기 축을 놓치지 않게 되고, 열 선택과 열 변환이 왜 데이터 준비의 핵심 작업인지도 더 잘 이해하게 됩니다. 또한 열을 이해해야 같은 표 안에서도 어떤 열은 입력, 어떤 열은 메타데이터, 어떤 열은 타깃 후보인지 서로 다른 역할로 나뉠 수 있다는 점도 자연스럽게 보게 됩니다.
뜻: 기존 규칙이나 일반적 패턴으로는 잘 처리되지 않는 특별한 사례입니다. 평소에는 잘 맞던 규칙이 어떤 조건에서는 갑자기 어긋나게 만드는 경계 사례라고 볼 수 있습니다. 즉 예외는 단순한 오류 메시지가 아니라, 지금까지 세운 일반 규칙이 어디서 깨지는가를 드러내는 사례입니다.
왜 중요한가: 규칙 집합이 현실 문제에서 빠르게 복잡해지는 핵심 원인 중 하나이며, 언제 규칙만으로 닫히지 않는지 읽게 해 주기 때문입니다. 이 개념이 있어야 규칙을 하나 더 추가하면 되지 않을까라는 직관이 왜 금방 관리 불가능한 분기 폭증으로 이어지는지 이해하게 되고, 탐색, 확률, 학습 기반 접근이 등장한 배경도 더 자연스럽게 연결됩니다. 예를 들어 고객 문의를 키워드 규칙으로만 분류할 때 대부분은 잘 나뉘어도, 풍자 표현이나 복합 요청처럼 예외가 조금씩 늘어나면 규칙 추가만으로는 전체 구조가 급격히 복잡해집니다. 결국 예외를 이해해야 틀린 사례가 단순 실수인지, 아니면 표현 방식 전체를 다시 바꿔야 한다는 신호인지도 구분하게 됩니다.
함께 볼 개념: 규칙 기반 시스템(rule-based system), 불완전한 정보(incomplete information), 잡음(noise)
뜻: 주어진 입력이나 현재 정보에서 다음 값, 상태, 범주, 사건이 어떻게 될지 추정하는 일입니다. 머신러닝에서는 숫자를 맞히는 회귀와 범주를 맞히는 분류를 모두 넓게 보면 예측의 하위 형태로 읽을 수 있습니다. 즉 예측은 앞으로 무슨 일이 벌어질까뿐 아니라 이 입력은 어떤 결과에 해당할까까지 포함하는 넓은 문제 틀입니다.
왜 중요한가: 머신러닝에서는 분류와 회귀도 넓게 보면 예측 문제로 읽히므로, 입력과 현재 정보를 바탕으로 어떤 결과를 추정하는가를 문제 유형 차원에서 먼저 구분해야 하기 때문입니다. 또 예측을 미래 전망과 같은 말로 뭉개지지 않게 해 줍니다. 이 개념이 있어야 무엇을 알아차리는가를 묻는 인식, 무엇을 추천할까를 묻는 순위화, 무엇을 실제로 할까를 묻는 제어를 각각 다른 문제로 구분해 읽을 수 있습니다. 결국 예측을 이해해야 같은 추정 행위도 출력이 숫자인지, 범주인지, 행동 선택인지에 따라 다른 문제로 갈라진다는 점을 읽게 됩니다.
함께 볼 개념: 분류(classification), 회귀(regression), 미래 전망(forecast), 확률 추정값(probability estimate)
뜻: 모델, 검색, 실행, 배포 결과에서 예상과 달리 흔들린 구체 사례 하나를 다시 추적할 수 있게 기록한 항목입니다. 단순히 틀렸다는 결론만 적는 것이 아니라, 어떤 샘플이었는지, 실제 결과와 예측 결과가 어떻게 갈렸는지, 다음에 무엇을 다시 봐야 하는지까지 함께 남긴 사례 단위 기록이라고 볼 수 있습니다. 즉 오류 사례는 점수표 바깥에서 실패 구조를 다시 읽게 만드는 대표 장면입니다.
왜 중요한가: 정확도나 평균 점수만으로는 어떤 샘플에서 왜 흔들렸는지 보이지 않아, 다음 데이터 보강이나 표현 수정, 구조 선택 질문이 쉽게 막연해지기 때문입니다. 이 개념이 있어야 점수가 낮다와 이 샘플에서 어떤 종류의 실패가 났다를 분리해 읽게 되고, 비교표와 회고 문장이 실제 사례에 발을 딛게 됩니다. 또한 오류 사례를 이해해야 Part 7의 비교 실험이 단순 모델 순위표가 아니라, 실패를 다음 질문으로 바꾸는 프로젝트 기록이라는 점도 더 또렷하게 보게 됩니다.
함께 볼 개념: 검토 대상(review target), 구조 계열 가설(structural hypothesis), 실패 유형(failure type), 평가(evaluation), 회고(retrospective)
뜻: 평가나 실행 과정에서 예측이 틀렸거나 기대와 다르게 흔들린 개별 샘플입니다. 오류 사례(error case)가 실패 원인과 다음 조치까지 더 넓게 묶은 기록이라면, 오류 샘플은 그 기록의 출발점이 되는 개별 실패 사례 한 건이라고 볼 수 있습니다. 즉 오류 샘플은 점수표 뒤에 숨어 있는 실제 오답 위치를 다시 찾게 만드는 최소 단위입니다.
왜 중요한가: 정확도나 평균 점수만으로는 무엇이 틀렸는지 보이지 않아, 다음 분석과 수정이 막연해지기 때문입니다. 이 개념이 있어야 어떤 문장, 어떤 이미지, 어떤 로그 구간이 흔들렸는지를 다시 고정하게 되고, 틀린 사례 목록과 샘플별 비교표도 단순 표가 아니라 실제 실패 위치를 가리키는 기록이 됩니다. 또한 오류 샘플을 이해해야 Part 7의 학습 로그와 평가 기록이 몇 점이 나왔는가를 넘어서 어디서 흔들렸는가를 남기는 문서라는 점도 더 분명하게 읽게 됩니다.
함께 볼 개념: 틀린 사례 목록(wrong-case list), 오류 사례(error case), 샘플별 비교표(sample-by-sample comparison table), 평가 기록(evaluation record), 검토 대상 샘플(review-target sample)
뜻: 추정값이나 예측값과 실제 값 사이의 차이입니다. 핵심은 틀렸는가만이 아니라 얼마나, 어느 방향으로 벗어났는가를 함께 보는 데 있습니다. 그래서 오차는 단순 실패 표시가 아니라, 예측이 얼마나 빗나갔는지 측정하는 수치적 차이로 읽어야 합니다.
왜 중요한가: 모델 평가와 통계 추정이 모두 완전히 맞는 것이 아니라 차이를 줄이고 해석하는 과정임을 보여 주기 때문입니다. 이 개념이 있어야 손실 함수가 왜 필요한지, 그리고 큰 오차와 작은 오차를 다르게 다루는 이유도 함께 이해하게 됩니다. 또한 오차의 부호와 크기를 함께 보면 항상 한쪽으로 치우쳐 틀리는가와 무작위로 흔들리는가를 구분하게 되어, 단순 성능 저하와 체계적 편향을 더 분명히 읽게 됩니다. 결국 오차를 읽을 수 있어야 모델이 좋다/나쁘다를 넘어서 어떤 방식으로 빗나가는가까지 진단하게 됩니다.
뜻: 모델, 데이터, 도구, 앱을 어떤 순서와 조건으로 연결해 하나의 작업 흐름으로 만드는 조정 방식입니다. 무엇을 먼저 확인하고, 언제 검색하고, 언제 도구를 쓰고, 언제 멈추고, 실패했을 때 어떻게 다음 단계로 넘길지를 짜는 제어 층이라고 볼 수 있습니다.
왜 중요한가: 실제 서비스 품질은 모델 하나의 능력보다 언제 무엇을 연결하고 어디서 멈추는가에 크게 좌우되기 때문입니다. 같은 모델도 오케스트레이션이 다르면 비용, 속도, 안전성, 실패 양상이 크게 달라지고, 특히 검색-생성-검토-승인처럼 여러 단계를 거치는 서비스일수록 이 제어 층이 사실상 시스템 행동을 결정합니다. 이 개념이 있어야 모델 성능 문제와 흐름 설계 문제를 분리해 읽게 되고, 실패를 줄이는 일이 종종 모델 교체보다 흐름 재설계에서 시작된다는 점도 이해하게 됩니다. 결국 오케스트레이션은 좋은 부품을 넘어서 좋은 흐름을 설계하는 문제입니다.
함께 볼 개념: 앱(application), 에이전트(agent), 모델 컨텍스트 프로토콜(Model Context Protocol, MCP), 도구 사용(tool use), 종료 조건(stop condition)
뜻: 역전파로 계산한 gradient를 바탕으로 파라미터를 실제로 어떻게 업데이트할지 정하는 규칙 또는 절차입니다. gradient가 어느 방향으로 줄어들까를 알려 준다면, 옵티마이저는 그 방향으로 얼마나, 어떤 방식으로 움직일까를 정하는 실행 규칙이라고 볼 수 있습니다. 그래서 학습은 손실 함수와 gradient만으로 끝나지 않고, 마지막 이동 규칙이 하나 더 필요합니다.
왜 중요한가: 손실과 gradient만 알아서는 학습이 끝나지 않고, 실제 이동 보폭과 업데이트 방식이 학습 속도와 안정성을 크게 바꾸기 때문입니다. 이 개념이 있어야 어느 방향으로 가야 하는가와 얼마나 어떻게 이동할 것인가를 분리해 읽게 되고, 같은 모델도 SGD, Adam 같은 업데이트 규칙에 따라 학습 곡선이 달라질 수 있다는 점을 이해하게 됩니다. 또한 옵티마이저는 단순 속도 조절기가 아니라, 진동을 줄일지, 과거 이동 정보를 얼마나 반영할지, 희소한 gradient를 어떻게 다룰지 같은 학습 성향까지 바꾸는 선택입니다. 결국 같은 모델 구조라도 어떤 옵티마이저를 쓰느냐에 따라 실제 학습 경험은 꽤 다르게 나타날 수 있습니다.
함께 볼 개념: 그래디언트(gradient), 학습률(learning rate), 손실 함수(loss function)
뜻: 가능한 경우를 빠짐없이 하나씩 모두 살펴보는 탐색 방식입니다. 즉 후보를 미리 줄이거나 우선순위를 두지 않고, 정답이 있을 만한 모든 경로를 끝까지 다 확인하는 접근입니다. 말하자면 완전 탐색은 혹시 빠뜨린 경우가 없도록 전부 본다는 가장 직선적인 탐색 태도입니다.
왜 중요한가: 모든 경우를 직접 확인하므로 정답 보장 측면에서는 가장 단순하고 분명한 기준선이 되지만, 경우의 수가 조금만 커져도 계산량이 급격히 늘어난다는 한계를 함께 보여 주기 때문입니다. 이 개념이 있어야 휴리스틱, 가지치기, 근사 해법이 왜 등장하는지 이해하게 되고, 가능한가와 현실 시간 안에 가능한가를 구분해 읽게 됩니다. 또한 완전 탐색을 이해해야 어떤 방법이 빠른 대신 일부를 건너뛴다고 말할 때, 정확히 무엇을 포기하고 무엇을 얻는지 비교 기준도 더 분명해집니다.
함께 볼 개념: 탐색(search), 탐색 공간(search space), 계산 한계(computational limit)
뜻: 여러 값과 관찰을 한 자리에서 빠르게 훑을 수 있도록 핵심 열만 남겨 압축한 표입니다. 원본 데이터 전체를 다시 보여 주는 표가 아니라, 현재 질문에 답하는 데 필요한 집계값, 비교값, 메모를 먼저 모아 놓은 읽기용 표라고 볼 수 있습니다. 즉 요약표는 계산 결과를 줄여 적는 데서 끝나지 않고, 다음 해석과 비교가 기대는 첫 번째 읽기 창 역할을 합니다.
왜 중요한가: 원본 표가 길어질수록 어디서 차이가 났는지와 어떤 단위를 비교하고 있는지가 금방 흐려져, 질문에 맞는 핵심 열만 남긴 중간 표가 필요하기 때문입니다. 이 개념이 있어야 집계 결과와 비교표, 결과 해석 표의 역할을 나누어 읽게 되고, 숫자가 있다와 지금 질문에 답하는 구조로 정리돼 있다를 같은 말로 보지 않게 됩니다. 또한 요약표를 이해해야 Part 7의 분석 시작이 전체 데이터 나열이 아니라, 무엇을 한 건으로 보고 어떤 신호를 먼저 읽을지 정리하는 문서 작업이라는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 집계(aggregation), 비교표(comparison table), 결과 해석 표(result interpretation table), 샘플(sample), 지표(indicator)
뜻: 한 요청이 어떤 입력, 근거, 도구 호출, 평가 상태, 다음 조치를 거쳐 처리되었는지 묶어서 남긴 실행 단위 기록입니다. 단순 결과 저장이 아니라, 이 결과가 어떤 과정을 거쳐 나왔는가를 요청 하나 기준으로 되짚는 묶음 기록에 가깝고, 하나의 실행을 다시 읽기 위한 최소 단위라고 볼 수 있습니다. 로그 한 줄이 부분 장면이라면, 요청 실행 기록은 그 장면들을 한 번의 요청 흐름으로 묶어 주는 실행 묶음입니다.
왜 중요한가: 검색 실패, 근거 부족, 실행 실패, 사람 검토 필요 여부를 요청 단위로 다시 읽어야 다음 수정과 회고가 실제로 가능해지기 때문입니다. 이 개념이 있어야 개별 로그 조각과 전체 요청 흐름을 분리해 읽게 되고, 무엇을 고치면 다음 실행이 나아질지 더 구체적으로 판단할 수 있습니다. 또한 좋은 요청 실행 기록이 있어야 평가 결과와 운영 문제를 같은 실행 단위에서 연결해 해석할 수 있고, 단순 에러 메시지 모음이 아니라 어디서 판단이 바뀌었는가까지 추적하게 됩니다. 즉 run record는 결과 보관함이 아니라, 다음 개선을 위해 실행 경로를 다시 읽는 복원 지도에 가깝습니다.
함께 볼 개념: 하네스(harness), 평가(evaluation), 재현성(reproducibility), 추적(trace), 회고(retrospective)
뜻: 객체 검출을 바운딩 박스와 클래스 확률을 한 번에 예측하는 단일 신경망 문제로 재구성한 대표 모델 계열입니다. 즉 화면 안의 물체 후보를 따로 뽑고 그 뒤에 분류기를 붙이는 식보다, 어디에 무엇이 있는가를 한 번의 예측 구조 안에서 함께 다루려는 접근이라고 볼 수 있습니다. 그래서 YOLO는 검출 문제를 더 직접적인 end-to-end 예측 문제로 바꾼 상징적 사례입니다.
왜 중요한가: 후보 생성과 분류를 여러 단계로 나누던 검출 파이프라인을 end-to-end 학습 구조로 바꾸는 전환을 상징하기 때문입니다. 이 개념이 있어야 객체 검출이 먼저 후보를 찾고 나중에 분류한다는 전통 흐름에서 한 번에 위치와 종류를 함께 예측한다는 흐름으로 바뀐 이유를 읽게 되고, 속도와 구조 단순화가 왜 중요한지 이해하게 됩니다. 또한 YOLO는 이미지 분류와 달리 출력이 하나의 라벨이 아니라 다수의 위치-종류 후보 묶음이라는 점을 더 분명히 보여 주는 예이기도 합니다.
함께 볼 개념: 객체 검출(object detection), 바운딩 박스(bounding box), 합성곱 신경망(CNN, convolutional neural network)
뜻: 여러 문제, 후보, 점검 항목 가운데 무엇을 먼저 보고 무엇을 나중에 다룰지 정한 순서 기준입니다. 단순 중요도 인상보다, 독자 영향, 재현 가능성, 수정 비용, 범위 같은 판단 기준을 반영해 실제 행동 순서를 정리한 운영용 서열이라고 볼 수 있습니다. 즉 우선순위는 무엇이 더 큰 문제인가를 넘어서 그래서 지금 무엇부터 할 것인가를 닫아 주는 정렬 기준입니다.
왜 중요한가: 실패 기록과 운영 신호가 여러 건 모였을 때 이를 모두 같은 속도로 다루면 즉시 수정해야 할 문제와 다음 반복 개선으로 미뤄도 되는 문제가 섞여 버리기 때문입니다. 이 개념이 있어야 404 링크 같은 즉시 수정 대상, 반영 지연처럼 재현 확인이 먼저인 대상, 품질 개선처럼 다음 반복으로 넘길 대상을 더 분명히 구분하게 됩니다. 또한 우선순위를 이해해야 비교 실험, 운영 점검, 회고 문장이 모두 다음 행동으로 이어질 수 있고, 프로젝트 기록이 단순 목록이 아니라 실제 작업 순서를 가진 계획표가 된다는 점도 더 또렷하게 보게 됩니다.
함께 볼 개념: 다음 행동(next action), 실패 유형(failure type), 사건 기록(incident record), 회고(retrospective), 운영(operation)
뜻: 서비스를 한 번 실행하는 데서 끝내지 않고, 반복 사용 속에서 비용, 오류, 속도, 품질을 계속 관찰하고 조정하는 일입니다. 모델 성능을 확인하는 것만이 아니라, 실패가 어디서 나고 어떤 제한 때문에 병목이 생기며 어떤 기록을 남겨야 하는지까지 함께 다루는 지속 관리 층에 가깝습니다. 즉 개발이 만들기라면 운영은 계속 굴러가게 만들기에 더 가까운 문제입니다.
왜 중요한가: AI 서비스는 모델 품질만 맞는다고 끝나지 않고, 실패 대응과 예산, 사용 경험을 함께 관리해야 오래 유지할 수 있기 때문입니다. 이 개념이 있어야 좋은 모델을 골랐다와 서비스가 안정적으로 굴러간다를 같은 문제로 보지 않게 되고, 레이트 리밋, 재시도, 로그, 평가를 모두 운영 판단의 한 묶음으로 읽게 됩니다. 또한 운영을 이해해야 같은 성능 수치라도 비용이 과도하거나 재시도가 잦으면 실제 서비스 품질은 나빠질 수 있다는 점도 더 구체적으로 보게 됩니다.
함께 볼 개념: 비용(cost), 지연 시간(latency), 하네스(harness), 재시도(retry)
뜻: 단어가 함께 나타나는 문맥을 바탕으로 단어 임베딩을 효율적으로 학습하는 대표적인 방법 계열입니다. 즉 단어 뜻을 사전식으로 적어 넣는 대신, 함께 등장한 주변 단어 패턴에서 단어 벡터를 배우는 접근입니다.
왜 중요한가: 단어 뜻을 사람이 직접 적지 않아도, 사용 맥락에서 벡터 표현을 학습할 수 있다는 직관을 널리 각인시킨 사례이기 때문입니다. 이 개념이 있어야 임베딩이 사전식 정의를 사람이 손으로 넣은 결과가 아니라, 함께 등장한 문맥 통계에서 나온 학습 결과일 수 있다는 점을 이해하게 되고, 분산 표현이 왜 단어 유사성 일반화에 강한지도 더 자연스럽게 읽게 됩니다. 또한 word2vec은 현대 LLM의 문맥적 표현 전체를 설명하지는 못하지만, 단어를 벡터 공간에 놓고 비슷한 단어를 가깝게 배운다는 감각을 처음 붙잡는 중요한 전 단계입니다. 결국 워드투벡은 단어 의미를 숫자 벡터로 배운다는 현대 표현 학습 감각의 출발점입니다.
함께 볼 개념: 임베딩(embedding), 분산 표현(distributed representation), 말뭉치(corpus)
뜻: 이전 오디오 샘플들을 조건으로 삼아 raw audio waveform을 순차적으로 생성하는 확률적 신경망 모델입니다. 즉 사람이 먼저 정리한 음향 특징을 조합하는 방식이 아니라, 실제 파형 값 자체를 다음 샘플 예측 문제로 다루는 생성 구조라고 볼 수 있습니다. 그래서 WaveNet은 음성을 사람이 해석한 특징 묶음보다 직접 생성할 신호 시퀀스로 읽는 전환을 보여 줍니다.
왜 중요한가: 사람이 미리 만든 음향 특징만이 아니라 파형 자체를 생성 모델의 대상으로 삼아, 딥러닝이 음성 생성 문제를 어떻게 다시 구성했는지 보여 주기 때문입니다. 이 개념이 있어야 음성 생성이 단순 텍스트 후처리가 아니라, 오디오 신호 자체를 직접 모델링하는 문제로 확장되었다는 점을 이해하게 됩니다. 또한 WaveNet은 LLM의 직접 계보라기보다, 딥러닝이 복잡한 순차 신호도 end-to-end로 생성할 수 있다는 신뢰를 키운 주변 근거라는 점에서 읽는 편이 더 정확합니다.
함께 볼 개념: 음성 생성(speech generation), TTS(text-to-speech), 딥러닝(deep learning)
뜻: 토큰 자체의 의미 벡터와 별도로, 그 토큰이 시퀀스의 어느 위치에 있는지 알려 주는 정보입니다. 즉 같은 단어라도 문장 맨 앞에 있는지, 중간에 있는지, 뒤에 있는지를 모델이 구분할 수 있게 덧붙이는 위치 정보라고 볼 수 있습니다.
왜 중요한가: Transformer가 순차 recurrence 없이도 단어 순서를 반영할 수 있게 해 주는 기본 장치이기 때문입니다. 이 개념이 있어야 self-attention이 토큰들 사이 관계를 잘 본다고 해도, 순서 정보가 따로 들어가지 않으면 누가 먼저 왔는가를 구분하기 어렵다는 점을 이해하게 됩니다. 결국 위치 인코딩은 무슨 토큰인가와 어디에 놓였는가를 함께 읽게 만드는 장치입니다. 또한 위치 인코딩을 이해해야 토큰 의미 정보만으로는 문장 순서를 충분히 설명할 수 없다는 점도 더 분명히 읽게 됩니다.
함께 볼 개념: 트랜스포머(Transformer), 셀프 어텐션(self-attention), 토큰(token)
뜻: 질문이나 문서의 벡터 표현과 가까운 다른 벡터를 찾아 관련 후보를 고르는 방식입니다. 문자열이 정확히 같은지를 찾기보다, 의미적으로 비슷한 후보를 표현 공간에서 가깝게 찾는 검색에 가깝습니다. 즉 같은 단어가 있는가보다 비슷한 뜻과 맥락인가를 기준으로 문서 조각이나 예시를 끌어오는 검색 방식이라고 볼 수 있습니다.
왜 중요한가: RAG에서 질문과 관련된 문서 조각을 찾는 핵심 단계이며, 임베딩을 실제 검색 흐름으로 연결하기 때문입니다. 이 개념이 있어야 임베딩이 단순 저장 형식이 아니라 검색 가능한 표현이라는 점이 분명해집니다. 또한 유사도 검색을 이해해야 키워드 검색과 벡터 검색이 경쟁 관계만은 아니라는 점, 어떤 문제에서는 둘을 함께 써야 더 안정적인 검색이 된다는 점도 자연스럽게 읽게 됩니다. 결국 유사도 검색은 정확히 같은 표현 찾기보다 가까운 의미의 후보 찾기에 강한 검색이라는 점이 핵심입니다.
함께 볼 개념: 임베딩(embedding), 검색 증강 생성(retrieval-augmented generation, RAG), 벡터(vector), 유사도(similarity), 상위 k개(top-k)
뜻: 두 벡터나 두 표현이 얼마나 비슷한 방향이나 특성을 가지는지 보는 비교 기준입니다. 같은 단어를 쓰지 않아도 의미상 가까운지, 같은 문맥에서 비슷하게 쓰였는지를 수치로 비교하는 기준이라고 볼 수 있습니다. 벡터 공간에서는 절대 위치보다 두 표현이 얼마나 비슷한 방향을 향하는지가 중요할 때가 많습니다.
왜 중요한가: 유사도 검색이 단순 문자열 일치가 아니라, 표현 공간에서 얼마나 가깝게 쓰였는지를 기준으로 후보를 고른다는 점을 이해하게 해 주기 때문입니다. 거리와 유사도를 함께 알아야 가깝다는 말이 무엇을 뜻하는지 더 정확히 읽힙니다. 또한 유사도를 이해해야 높은 유사도 값이 곧 사실 정답을 뜻하는 것은 아니라는 점, 비슷한 표현을 찾는 일과 옳은 근거를 찾는 일이 완전히 같은 작업은 아니라는 점도 구분하게 됩니다. 결국 유사도는 같은가를 묻는 기준이 아니라 얼마나 비슷한가를 수치화하는 기준입니다.
함께 볼 개념: 거리(distance), 코사인 유사도(cosine similarity), 유사도 검색(similarity search), 벡터 공간(vector space)
뜻: 입력층과 출력층 사이에서 중간 표현을 만드는 신경망 층입니다. 바깥에서 직접 정답으로 읽히는 층은 아니지만, 입력을 더 유용한 내부 특징으로 바꾸는 계산 단계라고 볼 수 있습니다. 즉 은닉층은 정답을 바로 내는 층이 아니라, 그 정답에 이르기 전에 필요한 내부 표현을 만드는 작업 층입니다.
왜 중요한가: 딥러닝이 단순 입력-출력 대응을 넘어 더 복잡한 특징과 경계를 학습하는 이유를 설명할 때 핵심 구조가 되기 때문입니다. 은닉층 개념이 있어야 깊어진다는 말이 층 수만 늘어난다는 뜻이 아니라, 중간 표현을 여러 단계로 바꾸어 간다는 뜻으로 읽힙니다. 예를 들어 이미지에서는 가장자리 같은 단서가 더 뒤 층에서 부분 형태와 객체 수준 표현으로 바뀌는데, 이런 중간 변환의 핵심 자리가 은닉층입니다. 결국 은닉층을 이해해야 신경망이 입력을 곧바로 답으로 바꾸는 것이 아니라, 내부 표현을 여러 번 다시 만들며 판단한다는 점도 더 또렷하게 보게 됩니다.
함께 볼 개념: 퍼셉트론(perceptron), 다층 신경망(multilayer neural network), 활성화 함수(activation function)
뜻: 시간 순서로 이어진 오디오 신호를 새로 만들어 내는 문제 유형입니다. 텍스트처럼 토큰 몇 개를 고르는 일이 아니라, 시간축을 따라 연속적으로 변하는 소리 파형이나 음향 특징을 실제로 구성하는 생성 문제라고 볼 수 있습니다. 즉 음성 생성은 소리 내용을 고른다보다 들릴 수 있는 신호를 만들어 낸다에 더 가깝습니다.
왜 중요한가: 딥러닝이 이미지 분류를 넘어 순차적 파형 생성 같은 다른 출력 구조로 확장된 흐름을 보여 주는 대표 사례이기 때문입니다. 이 개념이 있어야 생성이 텍스트나 이미지에만 국한된 문제가 아니라, 시간축을 가진 연속 신호를 다루는 문제로도 확장된다는 점을 이해하게 되고, TTS와 일반 음성 생성의 경계도 더 또렷하게 읽게 됩니다. 예를 들어 TTS는 입력 텍스트가 주어진 상태에서 그 문장을 읽는 음성을 만드는 문제지만, 음성 생성은 더 넓게는 특정 스타일의 음향 신호나 발화 흐름 자체를 만드는 문제까지 포함할 수 있습니다. 결국 음성 생성을 이해해야 생성형 AI의 범위를 텍스트 중심으로만 좁혀 보지 않게 되고, 오디오라는 다른 출력 층위의 특수성도 함께 읽게 됩니다.
함께 볼 개념: 웨이브넷(WaveNet), TTS(text-to-speech), 생성(generation)
뜻: 내 코드가 실행되기 위해 기대고 있는 외부 패키지나 환경 조건입니다. 내가 직접 쓴 코드 바깥에 있지만, 실행을 위해 함께 있어야 하는 구성요소 전체를 뜻합니다. 즉 의존성은 내 코드 안에는 없지만, 내 코드가 기대고 서 있는 바깥 구성요소라고 이해하면 됩니다.
왜 중요한가: 코드 파일만 있어도 바로 실행되리라고 오해하지 않고, 무엇을 추가로 준비해야 하는지 분명히 보게 해 주기 때문입니다. 의존성을 모르면 설치 문제와 코드 논리 문제를 구분하기 어렵고, 같은 코드를 받아도 누구는 실행되고 누구는 실패하는 이유도 설명하기 힘들어집니다. 이 개념이 있어야 재현성은 코드 복사만으로 끝나지 않고, 필요한 패키지와 환경 조건까지 함께 맞춰야 가까워진다는 점을 이해하게 됩니다. 결국 의존성을 읽을 수 있어야 프로그램이 왜 안 도는가를 코드 오류만이 아니라 환경 준비 문제로도 진단하게 됩니다.
함께 볼 개념: 패키지(package), 재현성(reproducibility), 리콰이어먼트 파일(requirements.txt)
뜻: 입력 이미지에 무엇이 있는지, 어떤 범주에 속하는지 예측하는 문제 유형입니다. 사진 전체를 보고 하나의 라벨을 붙이는 분류부터, 장면 안의 물체와 상태를 읽는 더 넓은 시각 인식 문제의 출발점으로 볼 수 있습니다. 즉 이미지 인식은 픽셀 배열을 사람에게 의미 있는 시각 범주로 연결하는 문제라고 볼 수 있습니다.
왜 중요한가: 딥러닝이 수작업 특징 설계에서 표현 학습 중심으로 전환되는 흐름을 가장 선명하게 보여 준 대표 사례이기 때문입니다. 이 개념이 있어야 픽셀 자체는 숫자 배열이지만, 학습은 그 안에서 모서리, 질감, 형태, 객체 같은 더 높은 수준 표현을 스스로 잡아 갈 수 있다는 점을 이해하게 됩니다. 또한 이미지를 본다는 일상 표현이 실제로는 분류, 검출, 분할처럼 더 세분된 문제들로 나뉠 수 있다는 감각도 얻게 됩니다. 결국 이미지 인식을 이해해야 그림을 본다는 말이 실제로는 여러 시각 문제 유형으로 분해된다는 점을 읽게 됩니다.
함께 볼 개념: 합성곱 신경망(CNN, convolutional neural network), 수작업 특징(hand-crafted features), 학습된 표현(learned representation)
중심 Section: P1-9.1
등장 Section: P1-9.2, P1-9.3, P1-10.1, P5-2.1, P5-11.1, P5-11.2
뜻: 전체 값 흐름에서 다른 값들에 비해 유난히 멀리 떨어져 보이는 값입니다. 다만 눈에 띄게 튄다는 사실만으로 자동으로 잘못된 값이라고 결론내릴 수는 없고, 입력 실수일 수도 있고 드문 실제 사건일 수도 있으며, 아예 중요한 위험 신호일 수도 있습니다.
왜 중요한가: 이상값은 입력 오류, 측정 문제, 매우 드문 실제 사례 가운데 어느 쪽일 수 있어, 그냥 버릴 값인지 중요한 경고 신호인지 먼저 구분해야 하기 때문입니다. 이 개념이 있어야 분포를 볼 때 평균 근처의 일반 패턴만 보지 않고, 극단값이 전체 해석과 모델 학습에 어떤 영향을 주는지도 함께 따지게 됩니다. 특히 작은 데이터셋에서는 몇 개의 이상값만으로도 평균, 분산, 회귀선이 크게 흔들릴 수 있다는 점을 붙잡게 됩니다. 결국 이상값 해석은 튀는 값을 지운다가 아니라, 왜 튀는가를 먼저 묻는 절차입니다.
함께 볼 개념: 분포(distribution), 그래프(plot), 히스토그램(histogram)
뜻: 값을 하나씩 차례대로 꺼내는 방식으로 순회할 수 있는 대상입니다. 리스트만이 아니라 문자열, 딕셔너리, 파일 객체, 생성기처럼 for문에 넣어 반복할 수 있는 것은 모두 이터러블로 볼 수 있습니다. 즉 이터러블은 자료형 이름보다 하나씩 꺼내며 순회할 수 있는가라는 공통 성질로 묶인 대상 집합입니다.
왜 중요한가: 반복할 수 있다는 공통 성질을 기준으로 보면, 서로 다른 자료형도 같은 반복 문법으로 다룰 수 있다는 점이 보입니다. 이 개념이 있어야 Python의 반복이 특정 자료형 전용 기능이 아니라, 하나씩 꺼낼 수 있는 대상 전반에 적용되는 약속이라는 점을 이해할 수 있습니다. 또한 이터러블을 이해해야 리스트, 문자열, 파일 객체가 생김새는 달라도 같은 반복 구조 안에서 처리될 수 있다는 점도 더 자연스럽게 읽게 됩니다. 결국 이터러블은 자료형 이름보다 반복 가능성이라는 공통 성질로 대상을 묶어 읽게 합니다.
뜻: 이터러블에서 다음 값을 하나씩 실제로 꺼내 주는 반복 장치입니다. 이터러블이 반복 가능한 대상이라면, 이터레이터는 그 대상을 실제로 한 칸씩 전진시키며 값을 내주는 실행 주체에 가깝습니다. 즉 자료 전체 그 자체라기보다, 지금 어디까지 읽었는가를 품고 앞으로 진행하는 읽기 장치라고 볼 수 있습니다.
왜 중요한가: for문은 눈에 보이지 않게 이터레이터를 만들어 값을 하나씩 받아 옵니다. 이 차이를 이해해야 반복이 한 번 지나가면 소진되는 경우, 파일이나 생성기처럼 순차적으로만 읽히는 경우, 같은 데이터를 다시 반복하려면 왜 새 이터레이터가 필요한지 자연스럽게 설명할 수 있습니다. 또한 이터레이터를 이해해야 반복이 단순 문법이 아니라, 값을 하나씩 요청하고 상태를 전진시키는 실행 모델이라는 점도 더 분명히 읽게 됩니다. 결국 이터레이터는 반복 가능한 자료와 실제로 한 칸씩 읽는 실행자를 구분하게 만드는 핵심 개념입니다.
뜻: 사람이 AI 결과를 실제로 검토하고, 필요하면 멈추고, 다시 판단할 수 있게 만드는 구조입니다. 단순히 사람이 마지막에 이름만 붙이는 절차가 아니라, 중단, 수정, 반려 권한이 실제로 살아 있는 통제 구조를 뜻합니다. 즉 인간 감독은 자동화 바깥에서 비판하는 태도만이 아니라, 실제 시스템 안에 사람 개입 지점을 설계하는 문제입니다.
왜 중요한가: 고위험 판단과 자동화에서 형식적 승인만으로는 피해를 막기 어렵기 때문입니다. 사람의 개입 지점이 실질적이어야 안전성과 책임이 문서상 구호에 그치지 않습니다. 이 개념이 있어야 사람이 있다는 사실과 사람이 실제로 멈추고 수정할 수 있다는 조건을 구분하게 됩니다. 또한 인간 감독을 이해해야 검토자가 언제 개입하는지, 무엇을 보고 판단하는지, 실제로 중단 권한이 있는지까지 함께 설계해야 한다는 점도 더 분명히 읽게 됩니다.
함께 볼 개념: 디지털 안전성(safety), 책임(accountability), 하네스(harness), 승인(approval)
뜻: 순서가 있는 묶음에서 몇 번째 값인지를 가리키는 위치 번호입니다. 다만 Pandas 문맥에서는 단순 위치 번호가 아니라, 행을 식별하는 이름표 역할도 함께 할 수 있습니다. 즉 인덱스는 문맥에 따라 위치를 뜻할 수도 있고 식별 라벨을 뜻할 수도 있어 구분이 필요합니다.
왜 중요한가: 리스트, 문자열, 배열에서 어떤 값을 꺼내는지 읽는 가장 기본 기준이 되기 때문입니다. 또 표 데이터에서는 위치 인덱스와 행 라벨이 섞일 수 있어, 이 차이를 잡아야 loc와 iloc를 제대로 읽을 수 있습니다. 이 개념이 있어야 첫 번째 줄을 고르는 것과 이름이 A인 줄을 고르는 것이 전혀 다른 선택일 수 있다는 점을 이해하게 되고, 표 선택 오류도 훨씬 줄어듭니다. 결국 인덱스를 이해해야 같은 숫자 표기라도 순번인지 이름표인지 먼저 해석하는 습관이 생깁니다.
뜻: 배열이나 리스트에서 하나의 정확한 위치를 지정해 값을 고르는 읽기 방식입니다. 보통 몇 번째 값인가를 직접 찍어 읽는 선택이라고 볼 수 있으며, 구간을 남기는 슬라이싱과 달리 특정 자리 하나를 집는 데 초점이 있습니다. 즉 인덱싱은 범위를 남긴다보다 이 자리 값을 집는다에 가까운 접근입니다.
왜 중요한가: 인덱싱은 점 하나를 고르는 읽기이고, 슬라이싱은 구간을 남기는 읽기입니다. 이 차이를 모르면 NumPy에서 값 하나가 나온 것인지, 행이나 열 전체가 남은 것인지 해석이 흔들리기 쉽습니다. 이 개념이 있어야 같은 배열 접근 문법도 결과가 스칼라인지 부분 배열인지 먼저 구분하게 되고, 전처리 코드에서 무엇을 뽑았는가와 shape가 어떻게 바뀌었는가를 함께 읽게 됩니다. 결국 인덱싱을 이해해야 배열 접근 결과가 값 하나인지 구조 일부인지 코드 수준에서 정확히 해석하게 됩니다.
뜻: 이미지, 음성, 텍스트, 센서 데이터 같은 입력에서 대상, 상태, 의미를 알아보는 문제 유형입니다. 핵심은 새로운 내용을 만들어 내는 것이 아니라, 이미 들어온 입력 안에 무엇이 있는가, 어떤 상태인가, 무슨 뜻으로 읽어야 하는가를 판별하는 데 있습니다. 즉 인식은 입력을 생성하는 일이 아니라 해석하는 일에 더 가깝습니다.
왜 중요한가: AI가 현실 입력을 그냥 저장하는 것이 아니라, 그 안에서 무엇을 알아차리고 이름 붙일지를 다루는 출발점이 되기 때문입니다. 이 개념이 있어야 생성과 예측만으로 AI를 이해하지 않고, 현실 세계 입력을 해석하는 문제 축이 따로 있다는 점을 보게 됩니다. 또한 인식은 종종 분류, 탐지, 태깅, 상태 판단 같은 여러 세부 문제의 상위 범주로 읽힌다는 점도 함께 이해하게 됩니다. 결국 인식을 이해해야 AI 문제를 만드는 문제와 알아보는 문제로 구분해 읽게 됩니다.
함께 볼 개념: 분류(classification), 예측(prediction), 입력(input)
뜻: 필요한 범위 안에서 외부 표현의 일부를 출처와 함께 가져와 설명, 비평, 검토에 사용하는 일입니다. 핵심은 남의 표현을 통째로 대신 쓰는 것이 아니라, 내 설명이 중심인 상태에서 꼭 필요한 부분만 보조 근거로 끌어오는 데 있습니다. 즉 인용은 자료를 참고했다는 막연한 말보다 더 좁고 엄격한 사용 방식입니다.
왜 중요한가: 공개 배포 원고에서 자료를 보수적으로 사용하면서도 검증 가능한 근거를 제시하려면 인용의 경계를 구분해야 하기 때문입니다. 이 개념이 있어야 출처를 달았다는 사실만으로 모든 재사용이 정당화되는 것은 아니라는 점을 이해하게 되고, 내 설명이 중심인지 외부 표현이 중심인지도 함께 점검하게 됩니다. 예를 들어 개념 차이를 설명하기 위해 논문 한 문장을 짧게 가져오는 것과, 교재의 설명 단락을 길게 옮겨 적는 것은 모두 출처가 있다고 해도 같은 성격의 사용이 아닙니다. 결국 인용을 이해해야 근거 제시와 표현 재사용을 같은 말로 섞지 않게 되고, 저작권과 출처 검토를 더 신중하게 연결하게 됩니다.
함께 볼 개념: 저작권(copyright), 표현(representation), 출처 표시(attribution)
뜻: 함수를 실제로 호출할 때 넘기는 값입니다. 함수 정의 쪽 이름인 매개변수(parameter)에 실제 값을 채워 넣는 호출 시점의 입력이라고 볼 수 있습니다. 예를 들어 함수 정의에는 x 같은 이름이 보이지만, 호출할 때는 3, "hello", 다른 변수값처럼 구체적인 값이 인자로 들어갑니다.
왜 중요한가: 함수가 무엇을 받도록 정의되어 있는가와 지금 이 호출에서 실제로 무엇을 넘겼는가는 다른 질문이기 때문입니다. 이 구분이 있어야 함수 시그니처와 실제 실행 예시를 혼동하지 않게 되고, 같은 함수라도 어떤 인자를 넣느냐에 따라 출력과 부작용이 달라질 수 있다는 점도 더 분명히 읽게 됩니다. 결국 인자는 함수 정의를 실제 실행으로 연결하는 구체 값이라는 감각을 잡게 해 줍니다. 초심자에게는 오류 메시지에서 잘못된 인자와 매개변수 정의를 구분해 읽는 데도 꼭 필요한 개념입니다.
함께 볼 개념: 매개변수(parameter), 함수(function), 반환값(return value)
뜻: 시스템이 누구인지, 접근해도 되는지, 이 요청이 유효한지를 확인할 때 쓰는 비밀번호, API 키, 토큰(token), 쿠키(cookie) 같은 증명 수단입니다. 단순 참고 정보가 아니라, 이 값이 있으면 실제 계정, 세션, 외부 서비스 권한을 대신 행사할 수 있다는 점이 핵심입니다. 즉 인증 정보는 설명용 데이터가 아니라 곧바로 접근 권한으로 이어질 수 있는 작동 값입니다.
왜 중요한가: 생성형 AI 입력, 로그, 테스트 출력에 이런 값이 섞이면 단순 정보 노출을 넘어서 실제 계정 탈취나 외부 서비스 오남용으로 이어질 수 있기 때문입니다. 이 개념이 있어야 개인정보는 아니지만 절대 넣으면 안 되는 값이 있다는 점을 이해하게 되고, 비밀 정보와 민감 정보를 더 구체적인 실행 위험과 연결해 읽게 됩니다. 또한 인증 정보를 이해해야 입력 금지 규칙, 마스킹, 비저장 원칙, 최소 권한 설계가 왜 단순 보수성이 아니라 실제 피해를 줄이는 기본선인지도 더 분명하게 보게 됩니다.
함께 볼 개념: 민감 정보(sensitive information), 비밀 정보(confidential information), 보안(security), 로그(log), 권한(permission)
뜻: 입력 전체를 읽어 문맥이 반영된 내부 표현을 만드는 구성 요소입니다. 바깥의 문장이나 시퀀스를 바로 최종 답으로 내보내기보다, 먼저 모델이 다루기 좋은 내부 벡터 표현으로 바꾸는 읽기 단계라고 이해할 수 있습니다. 즉 인코더는 원본 기호열을 그대로 들고 가기보다, 이후 계산이 활용할 수 있는 요약된 표현 층으로 바꾸는 해석 장치입니다.
왜 중요한가: BERT 계열과 Encoder-Decoder 구조를 이해할 때, 입력을 어떻게 표현으로 바꾸는지 설명하는 핵심 역할이기 때문입니다. 이 개념이 있어야 입력을 읽는 부분과 출력을 만들어 내는 부분을 분리해 볼 수 있고, 인코더 중심 모델과 디코더 중심 모델의 역할 차이도 더 분명히 이해할 수 있습니다. 또한 인코더를 이해해야 분류, 검색, 의미 비교처럼 좋은 내부 표현을 만드는 일이 중심인 과제와, 실제 문장을 이어 생성하는 과제를 다른 층위로 설명하게 됩니다.
함께 볼 개념: 디코더(decoder), 인코더-디코더(Encoder-Decoder), 문맥적 표현(contextual representation)
뜻: 입력 시퀀스를 읽어 내부 표현으로 압축하는 부분과, 그 표현을 바탕으로 출력 시퀀스를 생성하는 부분을 나눈 구조입니다. 즉 먼저 읽고, 그다음 그 읽은 내용을 바탕으로 새 시퀀스를 만든다는 두 단계 구조를 명시적으로 나눈 방식입니다.
왜 중요한가: 번역과 요약처럼 입력을 읽고 다른 형태의 출력을 만든다는 문제를 신경망이 어떻게 나누어 처리했는지 가장 분명하게 보여 주기 때문입니다. 이 개념이 있어야 입력을 이해하는 단계와 출력을 생성하는 단계를 분리해 읽게 되고, 왜 초기 Seq2Seq에서 고정 길이 벡터 병목이 생겼는지, 또 attention이 왜 필요한 보강으로 등장했는지도 자연스럽게 이어집니다. 또한 인코더-디코더를 이해해야 BERT류, GPT류, 번역기류 모델이 같은 언어 모델 계보 안에서도 입력 처리와 출력 생성의 배치를 어떻게 다르게 잡았는지 비교하기 쉬워집니다.
함께 볼 개념: 시퀀스 투 시퀀스(Seq2Seq), 고정 길이 벡터(fixed-length vector), 어텐션(Attention)
뜻: 코드를 읽고 즉시 실행해 주는 프로그램입니다. Chapter 7에서는 주로 Python 인터프리터를 가리키며, 작성된 코드를 실제 실행 결과로 연결하는 주체입니다. 즉 인터프리터는 코드 파일을 단순 보관하는 것이 아니라, 지금 읽은 코드를 계산과 오류 처리로 바꾸는 실행 층입니다.
왜 중요한가: 터미널 명령과 Python 코드, 대화형 실행과 스크립트 실행을 같은 흐름으로 묶어 이해하는 기준이 되기 때문입니다. 인터프리터를 알아야 코드를 쓴다와 코드가 돌아간다 사이에 어떤 실행 주체가 있는지 보입니다. 이 개념이 있어야 파일 자체와 그 파일을 실제로 읽어 실행하는 프로그램을 구분하게 되고, 같은 코드라도 어떤 인터프리터와 환경에서 돌리는지에 따라 결과가 달라질 수 있다는 점도 더 자연스럽게 읽게 됩니다. 초심자에게는 .py 파일과 python 명령이 왜 다른 층위인지 이해하는 핵심 연결점이기도 합니다.
함께 볼 개념: 스크립트(script), 대화형 모드(interactive mode), 실행 환경(runtime)
뜻: 비슷한 조건과 기준에서 출력의 판단 축과 표현 방향이 크게 흔들리지 않는 성질입니다. 같은 질문을 조금 바꾸거나 비슷한 사례를 여러 개 넣어도 답의 기준선이 크게 무너지지 않는 안정성에 가깝고, 결과의 분위기보다 판단 규칙이 얼마나 유지되는가를 보는 기준이라고 할 수 있습니다.
왜 중요한가: 한 번 좋아 보이는 답만으로는 품질을 판단하기 어렵고, 여러 입력에서도 같은 기준을 유지하는지 봐야 실제 활용 가능성을 읽을 수 있기 때문입니다. 이 개념이 있어야 우연히 잘 나온 한 답과 반복해도 비슷하게 믿을 만한 답을 구분하게 되고, 품질 판단이 단발성 인상에 머물지 않게 됩니다. 특히 생성형 AI에서는 유창한 문장과 안정된 판단이 같은 말이 아니므로, 일관성은 별도 점검 축으로 남겨 두어야 합니다. 결국 일관성은 답을 한 번 잘했다보다 같은 기준으로 계속 답할 수 있다를 묻는 품질 기준입니다.
함께 볼 개념: 평가(evaluation), 재현성(reproducibility), 프롬프트의 한계(limit of prompting), 품질(quality), 사람 평가(human evaluation)
뜻: 학습하지 않은 새 데이터에도 어느 정도 맞는 관계를 찾는 상태입니다. 즉 훈련 때 본 사례를 그대로 외우는 것이 아니라, 처음 보는 사례에도 통할 만큼 더 넓은 규칙이나 패턴을 붙잡았다는 뜻에 가깝습니다. 핵심은 훈련 데이터에 맞았다를 넘어서 비슷한 새 상황에도 이어질 수 있다는 데 있습니다.
왜 중요한가: 학습이 단순 암기와 다르다는 점을 설명하는 핵심 기준입니다. 이 개념이 있어야 훈련 점수가 좋아도 왜 검증과 테스트가 따로 필요한지, 그리고 과적합과 과소적합이 결국 일반화 실패의 서로 다른 모습이라는 점도 함께 이해하게 됩니다. 또한 모델 평가가 얼마나 잘 외웠는가보다 처음 보는 사례에도 얼마나 버티는가를 묻는 일이라는 점을 더 분명하게 만들어 줍니다. 결국 일반화를 이해해야 성능이란 훈련 데이터 적합도가 아니라, 새로운 상황에서도 유지되는지까지 포함한 개념이라는 점을 읽게 됩니다.
뜻: 출력 숫자를 실제 행동으로 바꿀 때 기준선으로 사용하는 값입니다. 같은 점수라도 어디서 잘라 자동 처리할지, 사람 검토로 돌릴지, 경고를 띄울지를 정하는 경계선이라고 볼 수 있습니다. 즉 임계값은 모델이 계산한 점수 위에 추가로 놓이는 운영 판단 장치일 수 있습니다.
왜 중요한가: 모델이 낸 점수나 확률 그 자체와, 그 숫자를 바탕으로 자동 처리·보류·사람 검토를 가르는 운영 기준을 분리해 읽게 해 주기 때문입니다. 이 개념이 있어야 0.8이 나왔다는 예측 결과와 0.8 이상이면 승인한다는 운영 판단을 같은 말로 보지 않게 되고, 임계값을 어디에 두느냐에 따라 오탐과 미탐, 자동화 범위, 사람 검토 부담이 함께 달라진다는 점도 이해하게 됩니다. 또한 threshold를 바꾸는 일은 모델을 다시 학습하는 일과 다를 수 있으므로, 성능 문제와 정책 문제를 섞지 않고 읽는 데도 중요합니다.
함께 볼 개념: 확률 추정값(probability estimate), 보정(calibration), 분류(classification)
중심 Section: P1-7.3
등장 Section: P1-7.2, P4-11.1, P4-11.2, P4-15.3, P7-7.4
뜻: 텍스트, 토큰, 문장, 문서 같은 입력을 모델과 검색 시스템이 비교할 수 있는 벡터 표현으로 바꾸는 방식입니다. 사람이 읽는 기호를 바로 계산하는 대신, 비슷한 의미나 용법이 가까운 위치에 놓이도록 수치 공간에 옮겨 놓는 표현층이라고 볼 수 있습니다. 즉 임베딩은 원래 표현을 버리는 것이 아니라, 비교와 계산에 더 잘 맞는 좌표 표현으로 다시 바꾸는 단계입니다.
왜 중요한가: 단어와 토큰을 조밀한 벡터 표현으로 바꿔 비슷한 문맥의 일반화를 가능하게 하고, 뒤에서는 유사도 검색과 RAG의 출발점이 되기 때문입니다. 임베딩을 단순 저장 형식이 아니라 의미 비교를 가능하게 하는 표현 장치로 이해해야 벡터 검색도 자연스럽게 이어집니다. 또한 임베딩을 이해해야 같은 문장을 문자열 일치가 아니라 의미적 가까움으로 비교하는 방식이 왜 가능한지도 더 분명히 읽게 됩니다.
함께 볼 개념: 분산 표현(distributed representation), 유사도 검색(similarity search), 워드투벡(word2vec), 벡터(vector), 표현(representation)
뜻: 현재 프로젝트나 분석에서 무엇을 한 건의 입력으로 묶어 읽을지 정한 기준입니다. 행 하나를 그대로 입력으로 볼 수도 있고, 여러 행을 묶어 채널-일자나 세션 같은 더 큰 단위를 하나의 입력으로 볼 수도 있습니다. 즉 입력 단위는 데이터를 받는 기술 형식이 아니라, 질문에 맞게 사례 경계를 어디서 자를지 정하는 분석 설계 기준입니다.
왜 중요한가: 같은 원천 표라도 입력 단위를 어떻게 잡느냐에 따라 요약값, 비교표, 기준선, 오류 사례가 전부 달라져 뒤의 해석까지 함께 흔들리기 때문입니다. 이 개념이 있어야 데이터가 있다와 질문에 맞는 한 건의 입력이 정해졌다를 같은 말로 보지 않게 되고, 전체 문제와 특정 채널 문제, 하루 단위 변화와 세션 단위 변화를 더 정확히 가르게 됩니다. 또한 입력 단위를 이해해야 Part 7의 분석 시작이 모델 선택보다 먼저 무엇을 한 건으로 볼 것인가를 고정하는 작업이라는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 샘플(sample), 행(row), 요약표(summary table), 비교표(comparison table), 문제 정의(task definition)
뜻: 이번 실습이나 실행에서 실제로 읽어 들이는 원본 데이터 파일, 설정 파일, 로그 파일처럼 입력의 출발점을 이루는 파일입니다. 추상적인 입력 데이터가 아니라, 독자가 같은 실행을 다시 따라가려 할 때 무엇을 먼저 열어야 하는가를 가리키는 구체 경로 단위라고 볼 수 있습니다. 즉 입력 파일은 실행 재현의 첫 관문 역할을 하는 실제 입력 자원입니다.
왜 중요한가: 같은 질문과 같은 코드라도 어떤 파일을 읽었는지 흐리면 결과 해석과 재실행이 금방 어긋나고, 입력 단위 정의도 공중에 뜨기 쉽기 때문입니다. 이 개념이 있어야 어떤 표를 보고 시작했는가와 그 표를 어떤 단위로 다시 묶었는가를 구분하게 되고, Part 7의 각 절이 왜 거의 모두 입력 파일 절을 먼저 두는지도 더 자연스럽게 읽게 됩니다. 또한 입력 파일을 이해해야 프로젝트 문서가 결과만 적는 메모가 아니라, 다시 실행 가능한 경로를 남기는 기록이라는 점도 더 분명하게 보게 됩니다.
함께 볼 개념: 입력(input), 입력 단위(input unit), 요청 실행 기록(run record), 재현성(reproducibility), 작업 폴더(working directory)
중심 Section: P7-1.1
등장 Section: P7-1.3, P7-2.1, P7-3.1, P7-4.1, P7-5.1, P7-6.1, P7-7.1
뜻: 모델이 실제로 받는 정보입니다. 원천데이터 전체가 아니라, 현재 한 번의 계산에서 모델에게 실제로 보여 주는 값 묶음이라고 보는 편이 더 정확합니다. 즉 입력은 바깥 현실 전체가 아니라, 그 현실에서 잘라 내어 이번 계산 안으로 들여온 관찰값입니다.
왜 중요한가: 모델이 무엇을 근거로 판단할 수 있는지는 어떤 입력을 보여 주는지에 달려 있습니다. 같은 현실 문제도 입력을 어떻게 자르느냐에 따라 모델이 볼 수 있는 단서와 한계가 크게 달라집니다. 이 개념이 있어야 원래 데이터에 정보가 있다는 사실과 모델이 실제로 그 정보를 받는다는 사실을 구분하게 되고, 전처리와 특징 설계가 왜 성능에 직접 영향을 주는지도 더 분명히 이해하게 됩니다. 또한 입력을 이해해야 성능 문제를 모델이 부족하다보다 모델이 애초에 무엇을 보았는가의 질문으로 다시 점검하게 됩니다.
함께 볼 개념: 출력(output), 데이터(data), 모델(model), 특징(feature), 문제 정의(task definition)