뜻: 많은 설명 축을 가진 데이터를 더 적은 축으로 옮겨 보면서 중요한 구조를 최대한 유지하려는 방법입니다. 즉 원래 데이터의 모든 숫자를 그대로 보존하기보다, 거리 관계나 분산 구조 같은 핵심 모양을 덜 복잡한 좌표계에 압축하는 접근입니다. 다시 말해 차원 축소는 정보를 버린다보다 사람과 모델이 더 읽기 쉬운 축으로 다시 펼친다는 쪽에 가깝습니다.
왜 중요한가: 복잡한 고차원 데이터는 사람이 직접 보기 어렵기 때문에, 시각화하거나 요약하려면 더 단순한 표현이 필요합니다. 차원 축소 개념이 있어야 정보를 일부 줄이더라도 구조를 더 잘 보이게 만든다는 판단을 이해할 수 있고, 임베딩 시각화와 군집 해석도 더 자연스럽게 읽을 수 있습니다. 또한 차원 축소를 이해해야 축을 줄인 그림이 곧 원본 데이터 전체를 완벽히 보여 주는 것은 아니라는 점도 함께 읽게 됩니다.
함께 볼 개념: 비지도학습(unsupervised learning), 차원(dimension), 표현(representation)
중심 Section: P1-8.2
등장 Section: P4-2.2, P4-index, P4-3.2, P4-7.2, P4-7.3, P4-7.4, P4-18.1, P4-18.2
뜻: 벡터가 가진 값의 개수 또는 좌표 축의 수를 가리키는 표현입니다. 점 하나를 선 위에 놓으면 1차원, 평면 위에 놓으면 2차원, 값이 아주 많아지면 고차원 벡터가 되듯이, 몇 개의 독립된 방향이나 자리로 대상을 표현하는가를 세는 말에 가깝습니다. 즉 차원은 데이터가 얼마나 많은 축 위에서 표현되는지를 말하는 구조 언어입니다.
왜 중요한가: 벡터와 행렬의 모양을 읽고 어떤 비교와 계산이 가능한지 판단하는 기준이 되기 때문입니다. 이 개념이 있어야 이미지, 임베딩, 표 데이터가 각각 몇 축과 몇 특징으로 표현되는지 읽을 수 있고, 차원이 커질수록 시각화와 검색이 왜 어려워지는지도 자연스럽게 이어집니다. 또한 차원을 이해해야 값이 많다는 사실과 표현 축이 많다는 사실을 구분하고, 고차원 문제에서 직관이 왜 쉽게 깨지는지도 함께 읽게 됩니다. 결국 차원은 데이터가 얼마나 큰가보다 데이터가 몇 개의 표현 축 위에 놓여 있는가를 읽게 하는 말입니다.
뜻: AI 출력이나 자동화 결과가 문제를 일으켰을 때 누가 검토했고 누가 설명하고 누가 수정할 책임이 있는지 분명히 하는 원칙입니다. 모델이 그랬다로 끝내지 않고, 시스템 설계와 운영의 책임 주체를 남기는 관점이라고 볼 수 있습니다. 더 넓게는 설계, 데이터 선택, 검토, 승인, 배포, 사후 대응의 각 단계에서 누가 어떤 판단을 맡았는지 추적 가능하게 두는 기준이기도 합니다.
왜 중요한가: 생성형 AI의 결과는 자연스럽게 보일 수 있어도, 고위험 사용 맥락에서는 책임 주체와 검토 절차가 없으면 피해를 막기 어렵기 때문입니다. 책임 구조가 있어야 로그, 승인, 검토 기록도 실제 의미를 갖습니다. 이 개념이 있어야 문제가 생겼을 때 단순히 사람을 탓하는 데서 멈추지 않고, 어떤 통제와 기록이 빠졌는지까지 함께 다시 보게 됩니다. 결국 책임은 사후 비난용 장치가 아니라, 사전에 역할과 검토 구조를 분명히 만드는 설계 원칙이기도 합니다.
함께 볼 개념: 인간 감독(human oversight), AI 시스템 안전성(safety)
뜻: 긴 문서나 긴 텍스트를 검색과 비교에 쓰기 좋게 더 작은 문단 단위나 조각으로 나눈 묶음입니다. 보통 한 문서 전체를 통째로 다루기보다, 질문과 직접 닿을 만한 부분을 더 잘 찾도록 쪼갠 검색 단위라고 볼 수 있습니다. 즉 청크는 문서를 잘라 버리는 일이 아니라, 검색 가능한 단위로 다시 포장하는 작업입니다.
왜 중요한가: 문서 전체를 한 번에 임베딩하면 질문과 직접 관련된 부분을 놓치거나, 너무 넓은 문맥이 한 벡터에 섞일 수 있습니다. 그래서 실제 검색과 RAG에서는 얼마나 크게 자를지, 어떻게 겹치게 자를지가 검색 품질과 근거 회수 품질을 함께 좌우합니다. 너무 작게 자르면 맥락이 잘려 의미가 약해지고, 너무 크게 자르면 잡음이 섞여 관련 문단을 끌어올리기 어려워질 수 있다는 점도 핵심입니다. 결국 청크를 이해해야 RAG 품질이 임베딩 모델만이 아니라 문서를 어떤 단위로 쪼개는지에도 크게 달려 있다는 점을 읽게 됩니다.
함께 볼 개념: 임베딩(embedding), 문서(document), 검색 증강 생성(retrieval-augmented generation, RAG)
중심 Section: P1-13.1
등장 Section: P1-13.2, P1-13.3, P1-14.2, P6-2.3, P6-2.4, P6-2.5, P6-13.1, P6-13.2
뜻: 질문 벡터나 기준 벡터와 가장 가깝게 위치한 후보입니다. 여기서 가깝다는 말은 보통 거리나 유사도 기준에 따라 계산된 가까움이지, 사람이 눈으로 보기 비슷하다는 뜻만은 아닙니다. 다시 말해 최근접 이웃은 이 입력과 가장 닮은 예시는 무엇인가를 수치 비교로 정한 결과입니다.
왜 중요한가: 유사도 검색이 모든 문서를 읽는 것이 아니라, 먼저 가장 가까운 관련 후보부터 고르는 과정이라는 점을 이해하게 해 줍니다. 이 개념이 있어야 검색과 분류에서 무엇을 근거 사례로 삼는가를 설명할 수 있고, 거리 기준을 바꾸면 결과가 왜 달라지는지도 읽을 수 있습니다. 또한 최근접 이웃을 이해해야 복잡한 규칙을 직접 세우지 않아도, 이미 있는 사례 가운데 가까운 것들을 근거로 새 입력을 해석하는 방식이 가능하다는 점도 자연스럽게 보게 됩니다. 더 나아가 전처리나 정규화가 바뀌면 가장 가까운 후보 자체가 달라질 수 있으므로, 최근접 이웃은 단순 결과가 아니라 입력 표현의 영향을 직접 드러내는 관찰 창이 되기도 합니다.
함께 볼 개념: 유사도 검색(similarity search), 거리(distance), 벡터 검색(vector search)
중심 Section: P1-13.2
등장 Section: P1-13.4, P4-12.1, P6-3.4, P7-2.1, P7-2.2
뜻: 사람이나 AI 에이전트나 도구가 현재 작업에 꼭 필요한 범위까지만 접근 권한을 갖도록 제한하는 보안 원칙입니다. 할 수 있으면 편하다가 아니라 꼭 필요한가를 먼저 묻는 원칙이며, 읽기와 쓰기, 내부와 외부 전송, 특정 폴더와 전체 시스템 접근을 세밀하게 나누어 여는 방식과 연결됩니다. 즉 최소 권한은 자동화를 막자는 말이 아니라, 피해가 커질 수 있는 범위를 처음부터 좁혀 두자는 설계 원칙입니다.
왜 중요한가: 생성형 AI 시스템은 검색, 파일 수정, 네트워크 호출, 배포처럼 실제 상태를 바꾸는 도구와 연결되기 쉬워, 넓은 권한 하나가 작은 실수를 큰 사고로 번지게 만들 수 있기 때문입니다. 이 개념이 있어야 권한이 있다와 지금 이 작업에 필요한 권한만 있다를 구분하게 되고, 승인 절차와 실행 범위 제한이 왜 함께 필요해지는지도 이해하게 됩니다. 또한 최소 권한을 이해해야 보안은 모델 출력 품질보다 먼저 시스템 행동 범위를 줄이는 설계 문제라는 점, 그리고 프롬프트 인젝션 같은 공격이 일어나도 피해 규모를 줄이는 마지막 방어선이 권한 제한이라는 점도 더 분명히 읽게 됩니다.
함께 볼 개념: 도구 실행 권한(permission), 보안(security), AI 에이전트(AI agent), 에이전트 도구 사용(tool use)
뜻: 여러 후보 가운데 기준과 제약을 고려해 더 나은 값을 찾는 문제입니다. 꼭 수학적으로 완벽한 정답 하나를 닫는 일만 뜻하지는 않고, 현재 목적 함수(objective function)를 더 좋게 만드는 방향으로 값을 조정해 가는 과정 전체를 가리키기도 합니다.
왜 중요한가: 학습을 정답 암기가 아니라 손실을 줄이는 값 탐색 과정으로 읽게 해 주기 때문입니다. 이 개념이 있어야 모델 학습, 경로 탐색, 자원 배분처럼 겉모습이 다른 문제들도 무엇을 좋다고 보고, 어떤 제약 아래서, 어떤 값을 조정하는가라는 공통 틀로 읽을 수 있습니다. 또한 최적화는 정답을 바로 계산한다보다 더 나은 쪽으로 점진적으로 이동한다는 사고를 요구하므로, 학습이 왜 반복 절차로 표현되는지도 함께 이해하게 됩니다. 결국 최적화는 모델이 어떻게 좋아지는가를 설명하는 가장 넓은 행동 틀입니다.
함께 볼 개념: 목적 함수(objective function), 경사하강법(gradient descent), 손실 함수(loss function)
중심 Section: P2-6.1
등장 Section: P2-1.1, P2-6.2, P2-6.3, P2-15.2, P4-3.1, P4-7.2, P4-7.3
뜻: 현재 사실에 맞는 규칙을 찾아 적용하는 장치입니다. 단순히 규칙을 저장해 두는 것이 아니라, 지금 어떤 사실이 참인가, 다음에 어떤 규칙을 적용할 수 있는가를 순서대로 따지며 결론을 만들어 가는 실행 장치라고 볼 수 있습니다. 즉 추론 엔진은 규칙을 읽어 두는 곳이 아니라, 규칙을 실제 결론 생성 절차로 움직이는 부분입니다.
왜 중요한가: 규칙 기반 시스템이 단순 규칙 목록이 아니라 적용 절차를 가진 시스템임을 보여 줍니다. 같은 규칙 집합이라도 어떤 사실부터 보고 어떤 규칙을 먼저 적용하느냐에 따라 결론 경로가 달라질 수 있어, 지식 표현과 실행 절차를 함께 이해하게 해 주는 핵심 개념입니다. 이 개념이 있어야 지식 기반은 저장소이고, 추론 엔진은 그 저장소를 실제로 움직이는 실행기라는 역할 차이도 분명해집니다. 결국 추론 엔진을 이해해야 규칙 기반 AI에서 무엇을 안다와 어떻게 결론에 도달한다를 분리해 읽게 됩니다.
함께 볼 개념: 규칙 기반 접근(rule-based approach), 지식 기반(knowledge base)
뜻: 문맥에 따라 두 뜻으로 쓰입니다. 기호 기반 AI에서는 주어진 지식에서 결론을 이끌어 내는 과정이고, 머신러닝에서는 학습된 모델을 새 입력에 실행해 출력을 얻는 과정일 수 있습니다. 이때 입력이 학습된 파라미터와 층을 지나 출력으로 계산되는 실행 방향을 순전파라고 부르기도 합니다. 한국어로는 둘 다 추론이라 부르지만, 영어로는 reasoning에 가까운 경우와 model inference에 가까운 경우를 나누어 읽어야 합니다.
왜 중요한가: 같은 한국어 표현이 서로 다른 영어 문맥을 가리킬 수 있어 혼동을 줄여야 합니다. 이 차이를 놓치면 모델이 추론한다는 말을 논리적 사고 과정과 실행 단계로 뒤섞어 이해하게 됩니다. 이 개념이 있어야 문서나 강의에서 추론이 나왔을 때 지금 말하는 것이 규칙 적용인지, 학습된 모델 실행인지, 생성 단계인지 먼저 구분하게 됩니다. 결국 추론은 번역어 하나만 보고 넘기기보다, 문맥과 영어 원어를 함께 확인해야 하는 대표적인 용어입니다.
함께 볼 개념: 추론 엔진(inference engine), 모델 훈련(model training), 예측(prediction), 생성(generation)
중심 Section: P1-5.3
등장 Section: P1-2.1, P1-3.2, P1-5.1, P1-5.2, P5-6.1, P5-6.3
뜻: 표본으로 모집단의 값이나 성질을 조심스럽게 짐작하는 일입니다. 즉 지금 손에 든 일부 데이터를 바탕으로, 전체가 어떨지를 수치나 규칙으로 가늠하는 과정입니다. 직접 전체를 다 볼 수 없기 때문에, 현재 관측에서 얻은 신호를 근거로 가장 그럴듯한 값을 세우는 판단 절차라고 볼 수 있습니다.
왜 중요한가: 우리가 가진 데이터와 점수는 현실 전체를 직접 본 결과가 아니라 일부 표본에서 계산한 근사치라는 점을 잊지 않게 해 주기 때문입니다. 이 감각이 있어야 현재 데이터셋 점수와 실제 환경 전체 성능을 구분하게 되고, 표본이 바뀌면 평균과 성능 평가도 흔들릴 수 있다는 점을 더 자연스럽게 받아들이게 됩니다. 예를 들어 테스트셋 정확도 92%는 항상 92%라는 확정 진실이 아니라, 지금 가진 표본에서 그렇게 보였다는 추정 결과입니다. 결국 추정 개념이 있어야 숫자를 결과 그 자체가 아니라, 오차와 불확실성을 가진 판단 근거로 읽게 됩니다.
뜻: 관찰된 데이터가 현재 모델 아래에서 가장 그럴듯하게 나오도록 파라미터를 찾는 추정 방식입니다. 로지스틱 회귀에서는 정답 class에 높은 확률을 주는 방향으로 파라미터를 고르는 말로 처음 읽을 수 있습니다.
왜 중요한가: 분류 학습을 단순히 맞힌 개수가 아니라 정답에 얼마나 높은 확률을 주었는가로 읽게 해 줍니다. MLE를 이해하면 log likelihood를 크게 만드는 설명과 log loss를 작게 만드는 설명이 같은 학습 목적을 반대 방향에서 말한다는 점을 연결할 수 있습니다.
함께 볼 개념: 로지스틱 회귀(logistic regression), 로그 손실(log loss), 우도(likelihood)
뜻: 사용자, 항목, 맥락 정보를 바탕으로 지금 보여 주거나 제안할 후보를 고르는 모델링 과제입니다. 핵심은 맞다/틀리다 하나를 고르는 것이 아니라, 여러 후보를 어떤 순서와 근거로 내놓을지를 정하는 데 있습니다. 따라서 추천 과제는 정답 하나 찾기보다 지금 이 사람에게 어떤 후보 묶음이 더 적절한가를 판단하는 문제에 가깝습니다.
왜 중요한가: 분류처럼 하나의 정답 범주를 맞히는 문제와 달리, 추천 과제는 보통 상위 몇 개를 어떤 순서로 먼저 보여 줄 것인가를 다루기 때문입니다. 이 차이를 이해해야 검색, 추천, 광고, 피드 정렬이 비슷해 보여도 서로 다른 평가 기준과 사용자 경험 문제를 가진다는 점을 읽을 수 있습니다. 또한 추천 과제는 보통 사용자가 무엇을 좋아할까를 예측하는 문제와 무엇을 먼저 노출할까를 결정하는 문제를 함께 품고 있어, 예측과 순위화가 결합된 구조로 읽는 감각을 만들어 줍니다. 같은 항목 집합이라도 어떤 사용자를 기준으로, 어떤 시점에, 어떤 목표로 보여 주느냐에 따라 추천 결과가 달라진다는 점을 이해하는 출발점이기도 합니다.
함께 볼 개념: 순위화(ranking), 생성(generation), 예측(prediction)
뜻: 현재 답변이나 생성 결과가 어떤 문서와 어떤 조각을 참고했는지 다시 따라갈 수 있게 남기는 출처 정보입니다. 단순 링크 모음이 아니라, 이 결과가 어떤 근거 경로를 거쳐 나왔고 어떤 자료 조각이 실제 판단에 쓰였는지를 되짚게 하는 연결 기록에 가깝습니다. 즉 출처 추적은 무엇을 봤는가만 적는 일이 아니라, 무엇을 실제로 근거로 삼았는가를 다시 복원할 수 있게 남기는 작업입니다.
왜 중요한가: RAG에서 문서를 붙였다고 끝나는 것이 아니라, 실제로 어떤 근거를 사용했는지 확인해야 검토와 책임 추적이 가능해지기 때문입니다. 출처 추적이 있어야 최신성 확인과 오류 수정도 더 빨라지고, 나중에 같은 답변이 왜 나왔는지 설명하거나 잘못된 근거를 교체하는 작업도 더 쉬워집니다. 이 개념이 있어야 단순 참고 링크와 실제 판단에 쓰인 근거 경로를 구분하게 되고, 답변 재검토도 훨씬 구체적으로 진행할 수 있습니다. 또한 출처 추적을 이해해야 문서를 검색했다는 사실과 그 문서의 어느 부분이 결론을 바꾸었는가를 다른 개념으로 읽게 되고, 책임 있는 AI 사용에서 로그, 검토, 최신성 확인이 왜 출처 정보와 함께 움직여야 하는지도 더 선명해집니다.
함께 볼 개념: 검증 근거(supporting evidence), 검색 증강 생성(retrieval-augmented generation, RAG), 인간 감독(human oversight)