뜻: 모델과 도구의 실행을 감싸고, 단계별 기록과 평가를 가능하게 만드는 실행 장치입니다. 실험을 그냥 한 번 돌리는 데서 끝내지 않고, 같은 조건으로 다시 실행하고 결과를 비교할 수 있게 받쳐 주는 운영 틀이며, 입력 세트와 실행 규칙과 평가 절차를 한꺼번에 묶는 받침대에 가깝습니다. 즉 모델 자체가 아니라, 모델을 같은 방식으로 반복 측정하게 만드는 바깥 실행 골격이라고 볼 수 있습니다. 여기에는 보통 테스트 입력 묶음, 호출 규칙, 로그 수집, 추적 연결, 평가 결과 정리까지 함께 포함됩니다.
왜 중요한가: 에이전트형 작업에서 무엇이 실행되었고 어디서 실패했는지 다시 확인하고 비교할 수 있게 만듭니다. 하네스가 있어야 입력 세트, 실행 로그, 평가 결과를 같은 틀로 반복 수집할 수 있어, 모델 변경이나 프롬프트 변경의 영향을 더 체계적으로 비교할 수 있습니다. 이 개념이 있어야 단순 데모 실행과 반복 가능한 측정 환경을 분리해 읽게 되고, 운영 개선이 왜 기록과 평가 체계까지 포함해야 하는지도 더 분명해집니다. 또한 하네스를 이해해야 한 번 잘 됐다와 같은 조건에서 계속 같은 품질이 나온다를 구분하는 운영 감각도 더 선명해집니다. 결국 하네스는 결과를 예쁘게 보여 주는 포장 도구가 아니라, 변화 전후를 같은 기준으로 재는 비교 장치라는 점이 중요합니다.
함께 볼 개념: 에이전트(agent), 로그(log), 평가(evaluation), 추적(trace)
중심 Section: P6-15.2
등장 Section: P1-14.5, P1-15.1, P6-14.1, P6-15.1, P6-16.1, P6-17.2, P6-18.2
뜻: 모델이 학습되기 전에 사람이 먼저 정해 두는 설정값으로, 모델이 어떤 모양과 강도로 학습될지를 바깥에서 정하는 값입니다. 층 수, 학습률, 트리 깊이처럼 학습이 어떤 방식으로 진행될지를 정하는 제어 손잡이라고 생각할 수 있습니다. 즉 데이터에서 자동으로 배우는 값이 아니라, 사람이 실험을 통해 바깥에서 조절하는 설정 층입니다.
왜 중요한가: 데이터에서 학습되는 내부 파라미터와, 학습 전에 사람이 정하는 바깥 설정값을 구분해야 튜닝과 검증 절차를 올바르게 읽을 수 있습니다. 이 차이를 이해해야 모델이 스스로 배우는 것과 사람이 실험으로 정하는 것을 섞지 않게 됩니다. 또한 하이퍼파라미터를 이해해야 성능 차이가 모델 구조 자체 때문인지, 학습률이나 깊이 같은 바깥 설정 차이 때문인지 더 정확히 따져 보게 됩니다. 즉 하이퍼파라미터는 모델이 무엇을 배웠는가보다 어떤 조건에서 배우게 했는가를 설명하는 값입니다.
함께 볼 개념: 파라미터(parameter), 튜닝(tuning), 검증(validation)
뜻: 모델이 파라미터 업데이트를 준비하는 학습용 계산 규칙을 사용하고 있는 상태입니다. 이 상태에서는 dropout 같은 무작위 정규화가 켜지고, batch normalization도 현재 배치 통계를 사용하며, 역전파를 위한 중간 정보가 함께 준비됩니다. 즉 학습 모드는 같은 모델이라도 학습을 위해 일부 층의 동작 규칙을 바꾸어 쓰는 실행 상태입니다.
왜 중요한가: 같은 모델이라도 dropout이나 batch normalization처럼 일부 층은 학습 중과 평가 중 동작이 달라져, 손실 계산과 성능 측정 결과를 올바르게 읽으려면 모드 차이를 먼저 구분해야 하기 때문입니다. 이 개념이 있어야 모델 구조는 같지만 실행 규칙은 다를 수 있다는 점과, 학습 중 출력 흔들림이 꼭 오류를 뜻하지는 않는다는 점도 함께 이해하게 됩니다. 결국 학습 모드를 이해해야 같은 코드로 실행해도 목적이 학습인지 평가인지에 따라 결과 해석 기준이 달라진다는 점을 읽게 됩니다.
함께 볼 개념: 평가(evaluation), 드롭아웃(dropout), 검증(validation)
뜻: 넓게는 경험 이후 특정 과제의 성능이 나아지는 변화이고, 좁게는 과거 사례를 사용해 모델 내부 기준과 값을 조정하는 훈련 절차를 가리킬 수 있습니다. 문맥에 따라 배우는 현상을 뜻하기도 하고, 가중치를 실제로 업데이트하는 실행 단계를 뜻하기도 하므로 둘을 구분해 읽어야 합니다.
왜 중요한가: 한국어 학습이 learning과 training을 함께 번역하는 경우가 많아, 성능 개선이라는 넓은 뜻과 내부 값 조정 절차라는 좁은 뜻을 구분해 읽어야 하기 때문입니다. 이 차이를 알아야 모델이 학습했다는 말을 막연한 지능 향상으로 읽지 않고, 어떤 데이터와 손실을 기준으로 어떤 내부 값이 조정되었는지까지 더 구체적으로 생각할 수 있습니다. 또한 학습은 한 번의 계산이 아니라 손실 계산, 그래디언트 계산, 파라미터 업데이트가 반복되는 과정이라는 점도 함께 붙잡게 됩니다. 즉 학습을 이해해야 결과가 좋아졌다는 현상과 그 현상을 만드는 실제 업데이트 절차를 분리해 설명하게 됩니다.
함께 볼 개념: 파라미터(parameter), 적합(fitting), 추론(inference)
뜻: 모델이 데이터를 보면서 분류나 예측에 유용하도록 내부에서 함께 만들어 낸 표현입니다. 입력을 그대로 복사한 모습이 아니라, 현재 과제에 맞게 중요한 차이와 패턴이 더 잘 드러나도록 바뀐 내부 형태라고 볼 수 있습니다. 즉 원본 데이터의 겉모습이 아니라, 모델이 이 과제에는 이런 구분이 중요하다고 학습하며 스스로 재구성한 내부 좌표계에 가깝습니다. 다시 말해 학습된 표현은 표현 학습의 결과로 실제 모델 안에 자리 잡은 구체적 내부 표현입니다.
왜 중요한가: 사람이 특징을 직접 설계하던 방식과, 모델이 표현을 함께 학습하는 딥러닝 방식의 차이를 가장 직접적으로 보여 줍니다. 이 개념이 있어야 중간 층의 벡터가 왜 단순 저장값이 아니라 과제에 맞게 가공된 의미 공간으로 읽히는지 설명할 수 있습니다. 또한 학습된 표현을 이해해야 마지막 분류기나 생성기 성능 차이를 단순 출력층만의 차이로 보지 않고, 내부에서 어떤 구분이 더 잘 드러나게 되었는지까지 함께 읽게 됩니다. 결국 학습된 표현은 표현 학습이라는 과정과 그 결과 남은 내부 구조를 나누어 읽게 만드는 핵심 연결점입니다.
함께 볼 개념: 표현(representation), 표현 학습(representation learning), 수작업 특징(hand-crafted features)
뜻: 경사하강법에서 한 번에 얼마나 크게 움직일지 정하는 값입니다. 즉 손실을 줄이는 방향은 정해졌다고 할 때, 그 방향으로 얼만큼 한 번에 이동할지를 정하는 크기 조절 손잡이입니다. 쉽게 말해 학습률은 정답 쪽으로 움직이되 얼마나 성급하게 움직일 것인가를 정하는 값입니다.
왜 중요한가: 같은 방향 정보라도 너무 크게 움직이면 최솟값 근처를 지나치거나 학습이 흔들리고, 너무 작게 움직이면 지나치게 느려질 수 있습니다. 그래서 학습률은 단순 설정값이 아니라, 학습 안정성과 속도 사이의 균형을 잡는 핵심 하이퍼파라미터로 읽어야 합니다. 이 개념이 있어야 방향을 아는 것과 얼마나 크게 움직일지 정하는 것이 서로 다른 문제라는 점을 이해하게 되고, 같은 경사하강법도 왜 설정에 따라 전혀 다르게 보일 수 있는지 더 자연스럽게 읽게 됩니다. 또한 학습률을 이해해야 손실이 내려가지 않는 문제가 모델 구조가 아니라 업데이트 크기 문제일 수도 있다는 점을 진단하게 됩니다.
함께 볼 개념: 경사하강법(gradient descent), 그래디언트(gradient), 최적화(optimization)
뜻: 모델이 어떤 도구를 어떤 인자(arguments)로 호출해야 하는지 구조화된 형식으로 표현하게 하는 방식입니다. 단순히 이 도구를 써야 한다고 말하는 것이 아니라, 함수 이름과 입력 필드를 기계가 읽을 수 있는 형태로 분명히 적어 내는 단계라고 볼 수 있습니다. 즉 함수 호출은 자연어 의도와 실제 시스템 실행 사이를 잇는 인터페이스 층입니다.
왜 중요한가: 자연어 실행 요청을 이름과 인자가 분리된 검증 가능한 구조로 바꿔야 시스템이 허용 도구 확인, 인자 검증, 승인 요구를 안정적으로 처리할 수 있기 때문입니다. 이 개념이 있어야 자연어 의도와 실제 실행 명세를 분리해 읽게 되고, 안전한 자동화가 왜 구조화된 호출 형식에 의존하는지도 이해하게 됩니다. 예를 들어 날씨를 묻는 문장을 그대로 실행하는 것과 location, date 필드를 담은 구조화 호출을 만드는 것은 운영 안정성에서 큰 차이가 납니다. 결국 함수 호출을 이해해야 도구 사용이 단순 답변 생성이 아니라, 입력 계약을 가진 시스템 연동 문제라는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 도구 사용(tool use), 에이전트(agent), 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)
뜻: 입력을 받아 어떤 규칙에 따라 출력을 만드는 관계입니다. 수학에서는 입력-출력 대응 관계를 뜻하고, 프로그래밍에서는 그 관계를 코드로 묶어 재사용 가능한 계산 단위로 만든 것을 가리키기도 합니다. 즉 함수는 이 값을 넣으면 이런 값이 나온다는 대응 규칙을 명시적으로 다루는 가장 기본적인 틀입니다.
왜 중요한가: AI에서는 손실 함수, 활성화 함수, 예측 함수처럼 많은 개념이 함수 언어로 표현됩니다. 함수 감각이 있어야 무엇을 넣으면 무엇이 나오는가, 어떤 계산을 묶어 반복 사용하는가를 공통 구조로 읽을 수 있습니다. 또한 수학식의 함수와 Python의 함수가 완전히 다른 것이 아니라, 입력과 출력 관계를 더 명시적으로 다루는 같은 사고 틀이라는 점도 함께 이해하게 됩니다. 이 개념이 있어야 수학과 코드가 따로 노는 것이 아니라 같은 계산 구조를 다른 표현으로 적는 일이라는 감각도 생깁니다.
함께 볼 개념: 변수(variable), 식(expression), 모델(model)
중심 Section: P2-2.1
등장 Section: P2-4.2, P2-4.3, P2-6.2, P2-8.5, P2-10.3
뜻: 이미지의 작은 지역 패턴을 여러 층에서 반복적으로 읽고 조합해 더 높은 수준의 표현을 만드는 신경망 구조입니다. 처음에는 가장자리나 단순 무늬 같은 작은 단서를 읽고, 더 뒤 층으로 갈수록 부분 형태와 물체 수준 단서를 조합하는 계층 구조로 이해할 수 있습니다. 즉 CNN은 이미지를 한 번에 통째로 읽기보다, 작은 시각 단서를 단계적으로 쌓아 올리는 구조입니다.
왜 중요한가: 이미지 인식에서 선, 모서리, 부분 형태, 물체 수준의 단서를 계층적으로 다루는 딥러닝 구조를 이해하는 대표 사례입니다. 이 개념이 있어야 왜 이미지에서 완전연결층만 쓰지 않고, 지역 패턴을 반복적으로 읽는 구조가 강력했는지 설명할 수 있습니다. 또한 CNN을 이해해야 좋은 표현을 스스로 배운다는 말이 이미지에서는 어떻게 구현되었는지, 그리고 합성곱과 풀링이 왜 함께 등장하는지도 더 자연스럽게 연결됩니다.
함께 볼 개념: 이미지 인식(image recognition), 학습된 표현(learned representation), 알렉스넷(AlexNet)
뜻: 작은 필터를 입력 위로 움직이며 각 위치의 지역 패턴 반응 점수를 계산하는 연산입니다. 전체 이미지를 한 번에 다 섞기보다, 작은 창을 조금씩 옮기며 여기에 이런 패턴이 있는가를 반복 확인하는 계산이라고 볼 수 있습니다. 즉 합성곱은 같은 패턴 탐지 규칙을 이미지 여러 위치에 반복 적용하는 구조적 계산입니다.
왜 중요한가: CNN이 이미지 전체를 한 번에 섞지 않고 지역 패턴을 반복해서 읽는 핵심 계산입니다. 이 개념이 있어야 왜 합성곱이 위치가 조금 달라도 비슷한 패턴을 잡아내는 데 유리한지, 그리고 feature map이 어떻게 만들어지는지 더 자연스럽게 이해할 수 있습니다. 또한 합성곱을 이해해야 필터 하나가 곧 특정 시각 단서 검출기처럼 작동할 수 있다는 점도 읽게 됩니다. 결국 합성곱은 전체를 한 번에 이해한다보다 작은 지역 특징을 누적해 읽는다는 딥러닝 직관을 붙잡게 합니다.
함께 볼 개념: 합성곱 신경망(CNN, convolutional neural network), 풀링(pooling), feature map
뜻: 사건이나 자료에 사람이 의미를 붙여 설명한 문장입니다. 관찰된 사실을 그대로 다시 적는 것이 아니라, 그 사실이 왜 중요하고 어떤 뜻을 가진다고 볼지를 사람의 관점으로 연결한 설명이라고 이해하면 됩니다. 즉 해석은 무슨 일이 있었다를 넘어서 그 일을 어떻게 읽을 것인가를 붙이는 두 번째 층위의 문장입니다.
왜 중요한가: 뉴스와 보고서 읽기에서 사건 자체와 해석을 분리해야 과장과 단정을 줄일 수 있기 때문입니다. 이 개념이 있어야 무슨 일이 있었는가와 그 일을 어떻게 보아야 하는가를 따로 읽게 되고, 같은 사실에서도 서로 다른 관점이 붙을 수 있다는 점을 자연스럽게 이해하게 됩니다. 또한 해석을 이해해야 데이터 결과를 설명할 때도 숫자 자체와 그 숫자에 붙인 의미를 같은 것으로 섞지 않게 됩니다. 결국 해석은 사실을 부정하는 것이 아니라, 사실 위에 어떤 의미를 덧붙였는지 드러내는 읽기 장치입니다.
함께 볼 개념: 사실 주장(factual claim), 칼럼(column), 작업 가설(working hypothesis)
뜻: 키를 해시 방식으로 다루어 값을 빠르게 찾도록 조직한 자료구조입니다. 이름표를 바로 저장 위치 후보로 바꾸어, 순서대로 끝까지 훑지 않고도 원하는 값을 찾게 해 주는 구조라고 생각할 수 있습니다. 파이썬의 딕셔너리(dictionary)가 대표적인 예로, 사용자 ID -> 정보, 설정 이름 -> 설정값처럼 이름표 기반 대응 관계를 다루는 데 자주 쓰입니다.
왜 중요한가: 몇 번째인가보다 이 이름표에 대응하는 값이 무엇인가를 빠르게 찾고 갱신해야 하는 문제에서 왜 딕셔너리 같은 구조가 강한지 설명해 주기 때문입니다. 이 개념이 있어야 리스트처럼 순서를 따라 찾는 구조와, 키를 통해 거의 바로 접근하는 구조의 차이를 더 분명히 읽게 되고, 데이터 처리에서 ID 조회와 설정값 매핑이 왜 이런 구조에 잘 맞는지도 이해하게 됩니다. 또한 해시 테이블을 이해하면 빠르다는 말이 마법이 아니라, 키를 위치 후보로 바꾸는 계산 규칙 덕분이라는 점도 읽게 됩니다.
함께 볼 개념: 키(key), 자료구조(data structure), 연산(operation)
뜻: 표에서 한 사례, 한 관측, 한 샘플 단위를 가로로 나타낸 줄입니다. 다만 실제 데이터에서는 한 행이 바로 학습 샘플 1건일 수도 있고, 여러 행을 묶어야 하나의 사건이 되기도 합니다. 예를 들어 주문 데이터에서는 한 행이 주문 1건일 수 있지만, 로그 데이터에서는 여러 행이 모여 하나의 세션이나 사용자 행동 흐름을 이룰 수도 있습니다.
왜 중요한가: DataFrame을 읽을 때 한 행이 곧 최종 샘플 1건인지, 아니면 여러 행이 함께 하나의 동작이나 사례를 이루는지 먼저 구분해야 분석 단위를 올바르게 잡을 수 있기 때문입니다. 행 해석이 흔들리면 이후 집계, 라벨링, 데이터셋 구성도 함께 흔들립니다. 이 개념이 있어야 표를 볼 때 먼저 한 줄이 무엇을 대표하는가를 묻게 되고, 같은 데이터라도 행 단위 해석에 따라 완전히 다른 분석이 나올 수 있다는 점을 이해하게 됩니다. 즉 표를 읽는 첫 단계는 값을 보기 전에 이 한 줄이 현실의 무엇에 대응하는가를 정하는 일이라는 점을 붙잡게 됩니다.
뜻: 운영 신호나 실패 기록을 즉시 수정, 재현 확인, 다음 반복 개선처럼 바로 취해야 할 후속 행동의 종류에 따라 나눈 첫 번째 분류 칸입니다. 문제를 이론적으로 설명하는 범주라기보다, 지금 어떤 속도와 방식으로 다뤄야 하는지를 운영 문서에서 즉시 읽게 해 주는 행동 지향 분류라고 볼 수 있습니다. 즉 행동 구간은 무슨 문제인가보다 지금 어떻게 다룰 것인가를 먼저 닫아 주는 실행용 칸입니다.
왜 중요한가: 같은 운영 이슈라도 어떤 것은 독자 흐름을 바로 끊어 즉시 수정해야 하고, 어떤 것은 반영 지연이나 단발성 튐인지 먼저 다시 확인해야 하며, 어떤 것은 품질 개선 항목으로 다음 반복에 남겨도 되기 때문입니다. 이 개념이 있어야 실패 범주와 실제 후속 조치를 같은 말로 섞지 않게 되고, 운영 기록이 사건 목록에 머물지 않고 바로 다음 행동으로 이어집니다. 또한 행동 구간을 이해해야 우선순위와 개선 계획이 단순 중요도 판단이 아니라, 각 문제를 어떤 리듬으로 다룰지 정하는 구조라는 점도 더 또렷하게 읽게 됩니다.
함께 볼 개념: 다음 행동(next action), 우선순위(priority), 재현 확인(recheck), 개선 계획(improvement plan), 사건 기록(incident record)
뜻: 에이전트가 현재 상태에서 실제로 선택해 실행하는 조치입니다. 탐색과 강화학습에서는 환경에 영향을 주는 선택이고, 서비스형 에이전트에서는 검색, 파일 읽기, 패치, API 호출, 보고 같은 작업 단계가 될 수 있습니다. 즉 행동은 내부 계산이 아니라, 상태를 실제로 바꾸거나 새 정보를 끌어오는 바깥 실행 단위입니다.
왜 중요한가: 어떤 행동을 고르느냐에 따라 다음 상태, 관찰, 보상, 실패 가능성이 모두 달라지고, 서비스형 에이전트에서는 그 선택이 실제 시간·비용·권한 위험까지 함께 바꾸기 때문입니다. 이 개념이 있어야 생각과 실행을 구분하게 되고, 행동 후보를 어떻게 제한하고 구조화하느냐가 에이전트 성능과 안전성에 왜 직접 연결되는지도 더 분명하게 이해하게 됩니다. 또한 행동을 이해해야 같은 모델이라도 어떤 행동 집합을 허용했는가에 따라 가능한 성과와 위험이 크게 달라진다는 점도 읽게 됩니다.
함께 볼 개념: 상태(state), 정책(policy), 보상(reward), 관찰(observation)
뜻: 한쪽의 행과 다른 쪽의 열을 조합해 새로운 값을 만드는 계산입니다. 직관적으로는 입력 값 묶음과 가중치 묶음을 체계적으로 섞어 새 점수나 새 표현을 만드는 연산이라고 볼 수 있습니다. 즉 행렬 곱은 값들을 아무렇게나 곱하는 일이 아니라, 구조화된 입력을 구조화된 새 표현으로 바꾸는 규칙적 변환입니다.
왜 중요한가: 입력 벡터를 가중치와 결합해 새 표현이나 출력을 만드는 AI 계산의 기본 구조입니다. 행렬 곱 감각이 있어야 여러 샘플과 여러 특징을 한 번에 처리하는 신경망 계산을 개별 곱셈의 반복이 아니라 묶음 계산으로 이해할 수 있습니다. 또한 행렬 곱을 이해해야 shape이 왜 맞아야 하는지, 그리고 선형층이 왜 사실상 행렬 곱으로 표현된다고 말하는지도 더 선명하게 읽게 됩니다. 다시 말해 행렬 곱은 신경망이 많은 값을 한꺼번에 섞는 방식을 읽는 가장 기본적인 계산 언어입니다.
함께 볼 개념: 가중합(weighted sum), 행렬(matrix), 선형 변환(linear transformation)
뜻: 숫자를 행(row)과 열(column) 구조로 배열한 2차원 표현입니다. 벡터가 한 줄의 값 묶음이라면, 행렬은 그런 값 묶음이 여러 줄로 쌓인 구조라고 볼 수 있습니다. 즉 하나의 샘플과 하나의 특징을 넘어서, 여러 샘플과 여러 특징을 한꺼번에 담아 계산하는 기본 수학 그릇입니다.
왜 중요한가: 표 데이터, 미니배치 입력, 가중치 묶음은 자주 행렬 형태로 읽힙니다. 행렬 감각이 있어야 벡터 하나를 넘어서 여러 샘플과 여러 특징을 동시에 계산하는 구조를 이해할 수 있습니다. 이 개념이 있어야 딥러닝 계산을 숫자가 많다 수준이 아니라 행과 열이 어떤 역할로 묶여 있는가로 읽게 되고, shape 변화와 행렬 곱의 의미도 더 자연스럽게 연결됩니다. 또한 행렬을 이해해야 표처럼 생긴 데이터와 선형대수 계산 대상이 어떻게 이어지는지도 더 자연스럽게 받아들이게 됩니다.
함께 볼 개념: 벡터(vector), 행렬 곱(matrix multiplication), shape
뜻: 사용자가 실제로 상호작용하는 앱이나 실행 환경처럼, 여러 연결과 도구 사용을 바깥에서 감싸는 쪽 구성요소입니다. 사용자의 요청을 받아 어떤 클라이언트를 통해 어떤 서버와 연결할지, 어떤 도구 사용 정책과 승인 규칙을 적용할지를 조율하는 바깥쪽 실행 주체에 가깝습니다. 즉 호스트는 모델이나 서버 자체보다, 이들을 어떤 규칙으로 엮어 사용자 경험으로 내보낼지를 관리하는 상위 껍데기라고 볼 수 있습니다.
왜 중요한가: MCP 문맥에서는 서버와 직접 같은 뜻으로 쓰이지 않고, 여러 MCP 클라이언트를 소유하며 사용자 요청과 실행 정책을 함께 관리하는 바깥쪽 단위를 가리킵니다. 이 차이를 이해해야 사용자가 보는 앱, 연결을 여는 클라이언트, 도구를 제공하는 서버를 한 덩어리로 섞지 않고 시스템 구조를 설명할 수 있고, 실행 책임이 어디서 묶이는지도 더 분명해집니다. 또한 호스트를 이해해야 승인 정책, UI 흐름, 연결 관리 문제가 서버 기능 자체와는 다른 층위라는 점도 구분하게 됩니다.
함께 볼 개념: 클라이언트(client), 서버(server), 모델 컨텍스트 프로토콜(Model Context Protocol, MCP), 승인(approval)
뜻: 불확실한 상태나 결과를 확률, 조건부 확률, 분포 같은 형태로 표현하는 모델입니다. 단순히 점수를 매기는 데서 멈추지 않고, 그 숫자가 어떤 사건의 가능성이나 어떤 변수의 분포를 뜻하는지까지 함께 정의합니다. 다시 말해 얼마나 높다보다 무엇이 얼마나 그럴듯한가를 수학적으로 적는 모델이라고 볼 수 있습니다. 따라서 확률 모델은 숫자를 순위용 신호로만 두지 않고, 그 숫자의 해석 규칙까지 함께 묶어 둔 표현입니다.
왜 중요한가: 휴리스틱 점수와 달리 숫자가 무엇을 뜻하는지 더 엄격하게 정의하고, 근거가 바뀔 때 판단을 갱신하는 구조를 이해하게 해 주기 때문입니다. 그래서 규칙 기반 판단과 통계적 판단의 차이도 더 선명하게 드러납니다. 이 개념이 있어야 새로운 관측이 들어왔을 때 확률을 어떻게 업데이트할지, 그리고 왜 같은 0.8이라도 모델마다 의미가 다를 수 있는지 더 조심해서 읽게 됩니다. 예를 들어 위험 점수처럼 보이는 숫자도 어떤 것은 단순 우선순위 점수이고, 어떤 것은 실제 사건 가능성을 뜻하려는 확률 모델 출력일 수 있습니다.
함께 볼 개념: 확률(probability), 확률 추론(probabilistic reasoning), 보정(calibration), 확률 추정값(probability estimate), 휴리스틱(heuristic), 근거(evidence)
뜻: 불완전하거나 잡음이 있는 정보에서 가능한 결론이 얼마나 그럴듯한지 확률로 계산하는 추론 방식입니다. 즉 이 결론이 반드시 참인가를 묻기보다, 현재 정보로 볼 때 어느 결론이 더 가능성이 큰가를 따지는 접근입니다. 다시 말해 확률 추론은 확실한 정답을 바로 찍기보다, 불확실성 안에서 더 그럴듯한 설명을 고르는 사고방식입니다.
왜 중요한가: 참/거짓 규칙만으로는 다루기 어려운 현실 문제를 AI가 어떻게 판단하려 했는지 보여 주는 핵심 축입니다. 이 개념이 있어야 규칙 기반 추론과 확률 기반 판단의 차이, 그리고 불확실한 데이터에서 왜 점수나 분포가 필요한지 더 분명히 읽을 수 있습니다. 또한 확률 추론을 이해해야 정답이 하나로 닫히지 않는 상황에서 AI가 왜 확률적 언어로 판단을 표현하는지, 그리고 점수가 높다고 해도 불확실성이 완전히 사라진 것은 아니라는 점도 함께 읽게 됩니다.
함께 볼 개념: 확률(probability), 불확실성(uncertainty), 추론(inference)
중심 Section: P1-2.2
등장 Section: P1-index, P1-2.3, P1-3.1, P1-summary, P4-1.1
뜻: 특정 결과나 클래스가 맞을 가능성을 확률처럼 수치로 표현한 값입니다. 다만 이 값이 언제나 진짜 확률처럼 잘 맞는 것은 아니어서, 모델 출력 점수와 확률 추정값은 구분해서 읽어야 합니다. 겉으로는 둘 다 0과 1 사이 숫자여도, 어떤 것은 단순 순위 점수이고 어떤 것은 실제 빈도와 대응되도록 해석하려는 값일 수 있습니다. 즉 확률 추정값은 확률처럼 읽고 싶은 숫자이지, 자동으로 이미 믿어도 되는 확률은 아닙니다.
왜 중요한가: 점수처럼 보이는 수치가 실제 확률로 읽혀도 되는지, 보정이 필요한지 따로 확인하게 해 주기 때문입니다. 분류 결과를 임계값으로 행동에 연결할 때도 이 구분이 직접 중요해집니다. 이 개념이 있어야 0.9라는 숫자가 단순히 상대적으로 높은 점수인지, 정말 열 번 중 아홉 번 정도 맞는 수준인지 구분해서 읽게 됩니다. 결국 확률 추정값은 숫자가 있다보다 그 숫자를 행동 기준으로 써도 되는가를 묻게 만드는 표지입니다. 예를 들어 사람 검토 큐를 0.8 이상으로 자를 때는, 그 숫자가 후보 정렬용 점수인지 실제 위험 확률처럼 읽어도 되는지에 따라 운영 판단이 달라집니다.
함께 볼 개념: 확률(probability), 확률 모델(probabilistic model), 보정(calibration), 임계값(threshold), 사람 검토(human review)
뜻: 아직 확실하지 않은 상태를 0과 1 사이의 숫자로 표현하는 방법입니다. 어떤 결과가 반드시 일어난다는 뜻이 아니라, 가능한 결과들 가운데 특정 사건이 어느 정도 그럴듯한지를 수치로 적는 언어라고 볼 수 있습니다. 여러 결과가 있을 때는 각 가능성에 숫자를 나누어 붙여, 무엇이 더 가능해 보이는지 비교하게 해 주는 표현 체계이기도 합니다.
왜 중요한가: 예측, 위험, 분류 결과를 확실한 답이 아니라 가능성으로 읽게 해 주기 때문입니다. 이 감각이 있어야 점수, 빈도, 확률 추정값을 같은 숫자로 착각하지 않고 구분하게 됩니다. 또한 확률은 일어날지 안 일어날지를 단정하는 언어가 아니라, 아직 남아 있는 불확실성을 더 정교하게 비교하는 언어라는 점도 함께 이해하게 됩니다. AI에서는 모델 출력이 단순 정답이 아니라 여러 후보에 대한 상대적 가능성일 수 있다는 해석의 출발점이 됩니다.
함께 볼 개념: 불확실성(uncertainty), 사건(event), 분포(distribution), 확률 추정값(probability estimate), 추정(estimation)
뜻: 과정이나 행동 자체에 확률적 변동이 들어 있어 같은 조건에서도 결과가 조금씩 달라질 수 있는 성질 또는 과정입니다. 한 번의 결과만 무작위인 것이 아니라, 시간에 따라 이어지는 변화 전체가 확률적으로 전개되는 경우를 가리킵니다. 즉 확률적 과정은 개별 사건 하나보다 시간을 따라 흔들리며 전개되는 흐름 전체를 다루는 개념입니다.
왜 중요한가: 확률을 숫자 언어로 쓰는 일과, 과정 자체가 흔들릴 수 있는 성질을 구분해 읽게 해 줍니다. 이 개념이 있어야 한 번의 무작위 사건과 시간에 따라 확률적으로 진화하는 시스템을 다르게 이해할 수 있습니다. 또한 확률적 과정을 이해해야 강화학습 환경, 센서 잡음, 시계열 변동처럼 시간에 따라 결과가 흔들리는 문제를 더 적절한 층위에서 해석하게 됩니다. 결국 이 개념은 현재 상태만 보는 해석에서 시간을 따라 변하는 확률 구조를 읽는 해석으로 넘어가게 합니다.
함께 볼 개념: 확률(probability), 무작위(random), 비결정적(nondeterministic)
뜻: 근거가 없거나 틀린 내용을 그럴듯하고 자신 있게 생성하는 오류입니다. 문장이 매끄럽고 설득력 있어 보여도 사실 확인, 출처 확인, 최신성 확인이 빠져 있으면 환각일 수 있습니다. 핵심은 이상한 말만 환각이 아니라, 겉으로는 정상인데 내용이 비어 있거나 틀린 말도 환각이라는 점입니다.
왜 중요한가: 생성형 AI의 대표 위험을 이해하고, 자연스러운 문장과 정확한 문장을 구분하게 해 주기 때문입니다. 이 개념이 잡혀야 프롬프트 개선만으로 해결되는 문제와 검색, 검토, 사람 확인이 필요한 문제를 구분할 수 있고, 유창함이 사실성의 증거는 아니라는 점도 더 분명히 읽게 됩니다. 예를 들어 존재하지 않는 논문 제목, 잘못된 법 조항, 틀린 버전 정보도 문장 모양만 보면 자연스러울 수 있으므로, 환각 문제는 문체보다 근거 확인 체계의 문제로 읽어야 합니다.
함께 볼 개념: confabulation, 근거(evidence), 검토(review), 사실성(factuality), 프롬프트의 한계(limit of prompting)
뜻: 프로그램이 실행될 때 바깥 환경에서 함께 전달받는 이름표 붙은 설정값입니다. 코드 파일 안에 직접 적지 않고, 실행 시점 바깥에서 주입하는 설정 통로라고 볼 수 있습니다. 즉 프로그램 내부 로직과 별도로 이 실행에서는 어떤 키와 경로와 모드를 쓸 것인가를 바깥에서 정해 전달하는 방식입니다.
왜 중요한가: API 키, 경로, 실행 모드처럼 코드 본문 밖의 설정이 어떻게 전달되는지 이해해야 터미널 명령과 환경 점검을 올바르게 읽을 수 있기 때문입니다. 이 개념이 있어야 코드 로직과 배포·운영 설정을 분리해 이해할 수 있고, 같은 코드라도 환경 변수 값에 따라 왜 다른 동작을 할 수 있는지도 설명할 수 있습니다. 특히 비밀값을 소스코드에 직접 적지 않고 바깥에서 주입하는 이유, 그리고 로컬 실행과 배포 환경이 왜 서로 다른 설정을 가질 수 있는지도 자연스럽게 이어집니다. 또한 환경 변수를 이해해야 설정 파일을 읽는 일과 운영체제가 실행 시 전달하는 값을 구분하게 되어, 문제 원인을 코드 오류가 아니라 실행 환경 차이에서 찾는 감각도 더 빨리 생깁니다.
함께 볼 개념: 리다이렉션(redirection), 패스 환경 변수(PATH), 실행 환경(runtime)
뜻: 에이전트가 행동을 하고, 그 결과 상태 변화와 보상이 돌아오는 바깥 세계 또는 상호작용 대상입니다. 즉 환경은 에이전트 바깥에서 반응을 돌려주는 상대이며, 에이전트는 이 환경과 주고받으며 학습을 진행합니다.
왜 중요한가: 강화학습이 모델 내부 계산만이 아니라, 행동 이후 바깥 세계가 어떻게 반응하는지를 함께 다루는 문제라는 점을 보여 주기 때문입니다. 이 개념이 있어야 에이전트의 성능은 정책만으로 정해지는 것이 아니라, 어떤 환경에서 어떤 보상 규칙과 상태 전이를 만나느냐에도 크게 좌우된다는 점을 이해하게 됩니다. 즉 같은 행동도 환경이 다르면 전혀 다른 결과를 낳을 수 있다는 감각이 중요합니다. 또한 환경을 이해해야 모델이 나쁘다는 판단과 문제가 놓인 세계 규칙이 다르다는 상황을 분리해 읽게 됩니다. 다시 말해 환경은 에이전트가 풀어야 할 문제의 규칙 자체를 담는 바깥 조건입니다.
뜻: 모델의 한 층이나 계산 단계에서 현재 입력을 바탕으로 만들어진 중간 출력 값입니다. 입력이 네트워크를 지나가며 각 층에서 잠시 만들어 내는 내부 반응 값이라고 생각하면 됩니다. 즉 활성값은 최종 답이 아니라, 최종 답으로 가는 길목마다 잠깐씩 형성되는 내부 계산 흔적입니다. 말하자면 신경망이 지금 무엇에 반응하고 있는가를 보여 주는 중간 신호입니다.
왜 중요한가: 표현이 한 번에 완성되는 것이 아니라, 계산 도중 여러 단계의 중간 값으로 바뀌며 형성된다는 점을 이해하게 해 줍니다. 이 개념이 있어야 신경망을 정답 상자가 아니라 여러 중간 표현이 연쇄적으로 만들어지는 계산 과정으로 읽을 수 있습니다. 또한 활성값을 이해해야 층마다 무엇을 더 강하게 반응하고 있는지 해석하려는 시도가 왜 가능한지도 더 자연스럽게 이어집니다. 결국 활성값을 이해해야 신경망 내부 표현이 고정된 정답표가 아니라, 계산 도중 계속 바뀌는 중간 상태라는 점을 읽게 됩니다.
함께 볼 개념: 표현(representation), 벡터(vector), 파라미터(parameter)
중심 Section: P1-3.3
등장 Section: P1-4.3, P1-8.2, P3-6.1, P3-6.2, P5-10.1, P5-10.2
뜻: 선형 결합으로 만든 중간 점수를 실제 출력이나 다음 층 입력으로 바꾸는 규칙입니다. 즉 가중합 점수를 그대로 넘기지 않고, 비선형 변환을 한 번 거쳐 신경망의 반응 모양을 바꾸는 장치입니다. 쉽게 말해 활성화 함수는 단순 합산 점수를 더 표현력 있는 반응으로 바꾸는 굴절점 역할을 합니다.
왜 중요한가: 선형 결합만 반복하면 여러 층을 쌓아도 결국 표현력이 크게 늘지 않습니다. 활성화 함수가 들어가야 깊은 신경망이 더 복잡한 경계와 표현을 만들 수 있고, 깊게 쌓는 이유도 계산적으로 설명할 수 있습니다. 또한 활성화 함수의 선택에 따라 그래디언트 흐름과 학습 안정성도 달라지므로, 신경망 설계는 층을 몇 개 쌓는가뿐 아니라 각 층이 어떤 반응 곡선을 쓰는가까지 함께 읽어야 한다는 점을 붙잡게 됩니다. 즉 층 수만 늘린다고 충분하지 않고, 각 층이 어떤 비선형성을 갖는지가 함께 중요하다는 감각을 줍니다.
함께 볼 개념: 선형 결합(linear combination), 활성값(activation), 은닉층(hidden layer)
뜻: 지금까지 얻은 정보 기준으로 가장 좋아 보이는 행동을 선택하는 방식입니다. 이미 효과가 좋아 보이는 선택지를 반복 활용해 당장 더 높은 보상을 얻으려는 전략이라고 볼 수 있습니다. 즉 새 정보를 얻기보다, 현재까지의 학습 결과를 실제 성과로 바꾸는 쪽에 무게를 두는 선택입니다.
왜 중요한가: 새로운 시도를 줄이는 대신 현재 성과를 높이려는 선택이므로, 탐험과 함께 강화학습의 핵심 균형 문제를 이룹니다. 이 개념이 있어야 지금 당장 좋아 보이는 선택과 미래를 위해 새로운 선택을 시험하는 일이 왜 자주 충돌하는지 읽을 수 있습니다. 또한 활용을 이해해야 탐험이 너무 적으면 조기 수렴에 빠질 수 있지만, 활용이 너무 약하면 이미 배운 좋은 전략을 제대로 수확하지 못한다는 점도 함께 보게 됩니다. 즉 활용은 이미 배운 것을 얼마나 믿고 밀어붙일 것인가를 정하는 선택이라고도 볼 수 있습니다.
뜻: 프로젝트나 실행이 끝난 뒤 확인된 사실, 해석, 실패, 다음 질문을 구분해 남기는 정리 단계입니다. 단순 소감문이라기보다, 다음 반복에서 다시 쓸 수 있는 판단 근거를 정리하는 운영 기록이며, 무엇이 일어났는가에서 한 걸음 더 나아가 그래서 다음에는 무엇을 바꿀 것인가를 남기는 자리라고 볼 수 있습니다. 즉 회고는 과거를 요약하는 일인 동시에, 다음 실험 설계를 준비하는 단계이기도 합니다.
왜 중요한가: 결과만 적고 끝내지 않고, 무엇이 확정된 사실이고 무엇이 다음 반복에서 다시 봐야 할 문제인지 분리해야 학습과 개선이 반복 가능해집니다. 회고가 있어야 같은 실수를 줄이고, 어떤 변화가 실제로 효과가 있었는지도 더 정확히 축적할 수 있으며, 요청 실행 기록과 평가 결과를 다음 실험 설계로 연결할 수 있습니다. 이 개념이 있어야 실행이 끝난 뒤의 기록도 단순 보관이 아니라, 다음 실행을 더 좋게 만들기 위한 분석 단계라는 점이 분명해집니다. 또한 회고를 이해해야 잘됐다/안됐다 수준의 인상평과, 다시 활용 가능한 운영 지식을 남기는 일은 다르다는 점도 더 뚜렷해집니다. 특히 Part 7에서는 검토가 아직 확정하지 않은 항목을 다시 보는 확인이라면, 회고는 사실 -> 해석 -> 다음 질문 또는 실패 범주 -> 다음 조치로 다음 반복을 여는 정리라는 구분도 함께 붙잡아야 합니다.
함께 볼 개념: 검토(review), 요청 실행 기록(run record), 평가(evaluation), 재현성(reproducibility), 추적(trace)
중심 Section: P7-1.2
등장 Section: P7-index, P7-1.3, P7-2.2, P7-3.2, P7-7.2, P7-summary
뜻: 입력을 바탕으로 연속적인 수치 값이나 점수를 예측하는 모델링 과제입니다. 분류처럼 범주 이름을 고르는 것이 아니라, 가격, 온도, 수요량처럼 이어지는 수치 축 위의 값을 맞히는 문제라고 볼 수 있습니다. 출력이 숫자라는 점은 같아도, 단순 계산 결과를 내는 프로그램과 달리 회귀는 데이터에서 입력과 수치 결과 사이의 관계를 학습해 새로운 입력의 값을 추정합니다.
왜 중요한가: 현실의 많은 문제는 이 범주인가보다 얼마나 큰가를 묻기 때문에, 숫자 축 위에서 오차를 해석하는 별도 문제 유형이 필요하기 때문입니다. 이 개념이 있어야 분류의 맞다/틀리다 평가와 회귀의 얼마나 가까운가 평가를 구분하게 되고, 작은 오차와 큰 오차를 어떻게 다르게 벌점 줄지에 따라 손실 함수와 모델 선택이 달라진다는 점도 이해하게 됩니다. 또한 회귀를 이해해야 출력값이 연속 수치일 때 정확도(accuracy) 같은 분류 지표가 바로 맞지 않는 이유, 평균절대오차(MAE)나 평균제곱오차(MSE)처럼 거리를 재는 지표가 왜 등장하는지도 더 자연스럽게 읽게 됩니다.
함께 볼 개념: 분류(classification), 출력(output), 문제 정의(task definition)
뜻: 가능한 선택지나 경로 조합이 너무 빠르게 늘어나 전부를 직접 검토하기 어려워지는 현상입니다. 선택 하나가 더해질 때마다 경우의 수가 조금 늘어나는 것이 아니라, 조합 수가 급격히 불어나는 상황을 가리킵니다. 즉 문제가 조금만 커져도 계산량이 감당하기 어렵게 불어나는 구조적 어려움입니다.
왜 중요한가: 규칙만으로 답을 확정하기 어렵고, 탐색과 휴리스틱이 왜 필요한지 설명하는 대표 문제 조건이 됩니다. 이 개념이 있어야 컴퓨터가 빠르면 다 해볼 수 있다는 직관이 왜 자주 깨지는지, 그리고 근사적 판단 기준이 왜 실용적으로 중요해지는지 이해할 수 있습니다. 또한 후보 폭증을 이해해야 문제의 어려움이 구현 미숙이 아니라 경우의 수 구조 자체에서 올 수 있다는 점도 자연스럽게 받아들이게 됩니다. 결국 이 개념은 정확한 전수검사와 현실적인 시간 안의 근사 해결 사이에서 왜 절충이 필요한지를 보여 줍니다.
함께 볼 개념: 탐색(search), 휴리스틱(heuristic), 최적화(optimization)
뜻: 각 후보가 얼마나 유망해 보이는지 비교하기 위해 붙이는 상대적 점수입니다. 절대적인 정답 확률이라기보다, 여러 후보를 줄 세우기 위한 비교용 숫자라고 보는 편이 더 정확합니다. 즉 이 값이 0.8이니 80% 확률이다처럼 읽기보다, 다른 후보보다 먼저 볼 만하다는 신호로 읽어야 합니다.
왜 중요한가: 숫자가 있어도 그것이 곧 확률은 아니며, 우선순위를 정하는 점수일 수 있다는 점을 분명히 해 주기 때문입니다. 이 개념이 있어야 탐색에서 쓰는 점수와 모델이 내는 확률 추정값을 같은 의미로 오해하지 않게 되고, 더 크다는 비교만 중요할 수도 있고 그 숫자 자체의 해석은 제한적일 수 있다는 점도 이해하게 됩니다. 즉 휴리스틱 점수는 진실을 직접 말하는 숫자보다, 다음에 어디를 볼지 정하게 만드는 작업용 숫자에 가깝습니다. 또한 휴리스틱 점수를 이해해야 낮은 점수 후보를 완전히 버리는 전략이 언제 위험한지, 점수의 절대값보다 후보 순서가 더 중요한 상황이 많다는 점도 함께 읽게 됩니다.
함께 볼 개념: 휴리스틱(heuristic), 휴리스틱 함수(heuristic function), 확률 추정값(probability estimate)
뜻: 각 후보가 얼마나 유망한지 추정값이나 점수로 표현해 우선순위를 정하는 기준 함수입니다. 즉 탐색 중인 여러 상태를 숫자로 비교해 어느 쪽을 먼저 볼지 결정하게 만드는 계산 규칙입니다. 정답을 직접 계산하는 함수라기보다, 정답에 더 가까워 보이는 후보를 먼저 보게 하는 안내 함수에 가깝습니다.
왜 중요한가: 휴리스틱이 막연한 감이 아니라, 후보 비교 순서를 만드는 구체적 절차로 구현될 수 있음을 보여 줍니다. 이 개념이 있어야 탐색이 단순 무작위 시도가 아니라 유망도 점수에 따라 계산적으로 정렬될 수 있다는 점을 이해하게 됩니다. 또한 휴리스틱 함수를 이해해야 높은 점수가 곧 정답 보장이라는 뜻은 아니라는 점, 그리고 점수의 정확성보다 후보 순서를 얼마나 잘 정렬하느냐가 더 중요할 수 있다는 점도 함께 읽게 됩니다. 결국 휴리스틱 함수는 정답을 맞히는 공식보다 무엇부터 볼지 정하는 기준에 더 가깝습니다.
함께 볼 개념: 휴리스틱(heuristic), 탐색(search), 충분히 좋은 해(good-enough solution)
뜻: 정답을 바로 보장하지는 않지만 더 유망해 보이는 후보를 먼저 살펴보게 하는 경험적 기준입니다. 엄밀한 최적해 보장보다, 제한된 시간 안에 더 괜찮은 답을 빨리 찾도록 돕는 실용적 판단 규칙에 가깝습니다. 즉 휴리스틱은 항상 맞는 공식보다 지금 이 상황에서 먼저 써 볼 만한 판단 기준에 더 가까운 말입니다.
왜 중요한가: 가능한 경로와 조합이 너무 많아 전부 다 볼 수 없을 때 탐색 순서를 정하는 실용적 기준이 됩니다. 이 개념이 있어야 완벽한 정답 보장과 실제로 쓸 만한 답을 빨리 찾는 전략을 구분해 읽을 수 있습니다. 예를 들어 길 찾기에서는 목적지까지의 직선거리, 모델 선택에서는 해석이 쉬운 기준선 모델부터 먼저 보는 순서가 모두 휴리스틱이 될 수 있습니다. 결국 휴리스틱을 이해해야 AI에서 정확히 증명된 규칙과 제한된 시간 안에 먼저 시도하는 그럴듯한 기준이 다른 층위라는 점도 더 선명하게 읽게 됩니다.
뜻: 값을 여러 구간(bin)으로 나누고, 각 구간에 몇 개가 들어가는지 보여 주는 그래프입니다. 개별 점을 하나씩 보는 대신, 값이 어디에 많이 몰려 있고 어디가 드문지를 구간 단위로 읽게 해 주는 시각화라고 볼 수 있습니다. 막대가 붙어 있는 이유는 범주 막대그래프와 달리, 서로 이어진 수치 축을 구간으로 나누어 본다는 뜻을 드러내기 위해서입니다.
왜 중요한가: 평균 하나만으로는 보이지 않는 값의 몰림, 퍼짐, 치우침을 확인하게 해 주어 분포를 읽는 기본 시각화가 됩니다. 이 개념이 있어야 데이터가 한 덩어리인지, 여러 봉우리가 있는지, 이상값이 있는지를 숫자 요약만이 아니라 모양으로도 읽을 수 있습니다. 또한 구간을 어떻게 자르느냐에 따라 보이는 모양이 달라질 수 있다는 점을 이해해야, 히스토그램을 절대적인 진실이 아니라 분포를 읽기 위한 관찰 창으로 다루게 됩니다.
함께 볼 개념: 분포(distribution), 이상값(outlier), 그래프(plot)