자주 듣는 AI 용어, 쉽게 알아보기

인공지능은 우리 세상을 변화시키고 있으며, 그 과정에서 인공지능의 작동 방식을 설명하기 위한 완전히 새로운 용어들을 만들어내고 있습니다. AI에 대해 단 몇 분만 읽어보더라도 LLM, RAG, RLHF 등 수십 가지 용어를 접하게 되며, 이는 노련한 기술 전문가조차도 낯설게 느낄 수 있습니다. 이 용어집은 그러한 전문 용어들의 난해함을 해소하기 위한 우리의 노력입니다. 해당 분야의 발전에 따라 정기적으로 업데이트되므로, 이 용어집이 설명하는 AI 시스템과 마찬가지로 '살아있는 문서'라고 생각하시면 됩니다.

AGI

인공 일반 지능(AGI)은 다소 모호한 개념입니다. 넓게 보면, 대부분의 작업은 아니더라도 광범위한 작업에서 평균적인 인간보다 더 뛰어난 능력을 가진 AI를 의미합니다. OpenAI의 CEO 샘 알트먼은 한때 AGI를 "동료로 고용할 수 있는 평범한 인간과 동등한 수준"이라고 묘사한 바 있습니다. 한편, OpenAI의 헌장은 AGI를 "경제적으로 가장 가치 있는 업무 대부분에서 인간을 능가하는 고도로 자율적인 시스템"으로 정의합니다. Google DeepMind는 약간 다른 관점을 가지고 있으며, AGI를 "대부분의 인지적 작업에서 적어도 인간만큼 능력이 있는 AI"로 보고 있습니다. 혼란스러우신가요? 걱정하지 마세요. AI 연구 최전선에 있는 전문가들도 종종 혼란스러워하니까요.

AI 에이전트

AI 에이전트는 AI를 활용해 사용자를 대신해 일련의 작업을 자율적으로 수행하는 도구입니다. 이는 기본적인 챗봇이 할 수 있는 범위를 넘어, 경비 처리, 여행 또는 식당 예약, 심지어 코드 작성 및 유지 관리와 같은 작업을 처리합니다. 하지만 앞서 언급했듯이, 이는 변화무쌍한 요소가 많은 신생 분야이므로 "AI 에이전트"라는 용어는 사람마다 다른 의미를 가질 수 있습니다. 구상된 기능을 완전히 구현하는 데 필요한 인프라는 아직 개발 중에 있습니다. 핵심적으로 이 개념은 여러 AI 모델을 활용하여 다단계 작업을 수행하는 자율 시스템을 의미합니다.

API 엔드포인트

API 엔드포인트를 소프트웨어 애플리케이션 뒷면에 있는 "버튼"으로 생각하면 됩니다. 다른 프로그램이 이 버튼을 눌러 특정 작업을 실행할 수 있습니다. 개발자는 이러한 인터페이스를 사용하여 통합 기능을 구축합니다. 예를 들어, 한 앱이 다른 앱에서 데이터를 가져오게 하거나, AI 에이전트가 사람의 수동 입력 없이도 타사 서비스를 직접 제어할 수 있게 하는 것이죠. 대부분의 스마트 홈 기기와 연결된 플랫폼에는 이러한 숨겨진 버튼이 마련되어 있지만, 일반 사용자는 이를 보거나 상호작용할 기회가 거의 없습니다. AI 에이전트가 점점 더 정교해짐에 따라, 이들은 이러한 엔드포인트를 스스로 발견하고 활용할 수 있는 능력이 점차 향상되고 있으며, 이를 통해 강력하고 때로는 놀라운 자동화의 가능성을 열어가고 있습니다.

사고의 사슬

간단한 질문이라면, 인간의 뇌는 별다른 의식적 사고 없이도 종종 답을 내놓을 수 있습니다. "기린과 고양이 중 어느 동물이 더 키가 클까요?"와 같은 질문이 그렇죠. 하지만 더 복잡한 문제의 경우, 중간 단계를 하나씩 풀어 나가기 위해 펜과 종이가 필요할 수도 있습니다. 예를 들어, 농부가 닭과 소를 합쳐 총 40마리, 다리는 120개라고 가정하면, 정답(닭 20마리, 소 20마리)을 구하기 위해 간단한 방정식을 적을 가능성이 높습니다.

AI 분야에서 대규모 언어 모델(LLM)의 추론 과정은 문제를 더 작은 중간 단계로 분해하여 최종 결과의 정확도를 높이는 것을 포함합니다. 이 접근 방식은 답을 도출하는 데 더 오랜 시간이 걸리지만, 특히 논리나 코딩 상황에서 결과가 더 정확할 가능성이 높습니다. 추론 모델은 기존의 LLM을 기반으로 개발되며, 강화 학습과 같은 기술을 통해 이러한 단계별 사고에 최적화됩니다.

(참조: 대규모 언어 모델)

이는 일반적인 "AI 에이전트"보다 더 구체적인 개념입니다. 코딩 에이전트는 소프트웨어 개발 목표를 달성하기 위해 단계별로 자율적으로 작업을 수행할 수 있는 특화된 프로그램입니다. 코딩 에이전트는 단순히 사람이 검토하고 삽입할 코드를 제안하는 데 그치지 않고, 코드를 직접 작성하고 테스트하며 디버깅할 수 있어, 일반적으로 개발자의 하루를 채우는 반복적이고 시행착오를 거치는 작업을 처리합니다. 이러한 에이전트는 전체 코드베이스 전반에서 작동하며, 최소한의 인간 감독 하에 버그를 식별하고, 테스트를 실행하며, 수정 사항을 배포할 수 있습니다. 마치 잠도 자지 않고 집중력을 잃지 않는 엄청나게 빠른 인턴을 고용하는 것과 같다고 생각하면 됩니다. 물론 다른 인턴과 마찬가지로, 최종 결과물은 여전히 사람이 검토해야 합니다.

컴퓨트

이 용어는 여러 의미를 가질 수 있지만, "컴퓨트(compute)"는 일반적으로 AI 모델이 작동하는 데 필요한 핵심적인 연산 능력을 의미합니다. 이러한 처리 능력은 AI 산업에 동력을 제공하여 강력한 모델의 훈련과 배포를 가능하게 합니다. 이 용어는 종종 이러한 연산 능력을 제공하는 하드웨어, 즉 현대 AI 생태계의 기반을 형성하는 GPU, CPU, TPU 및 기타 인프라와 같은 구성 요소를 지칭하는 약어로 사용됩니다.

딥 러닝

딥 러닝은 AI 알고리즘이 다층 인공 신경망(ANN) 구조로 구축되는, 자체 개선형 머신 러닝의 한 분야입니다. 이를 통해 딥 러닝은 선형 모델이나 의사 결정 트리와 같은 단순한 머신 러닝 시스템보다 더 복잡한 패턴과 관계를 식별할 수 있습니다. 딥 러닝 알고리즘의 설계는 인간 뇌의 상호 연결된 신경망에서 영감을 받았습니다.

딥 러닝 모델은 엔지니어가 특성을 미리 정의할 필요 없이 데이터 내의 핵심 특징을 스스로 식별할 수 있습니다. 또한 이러한 구조는 실수로부터 학습하고, 반복과 조정을 통해 시간이 지남에 따라 출력 결과를 개선하는 알고리즘을 지원합니다. 그러나 딥 러닝 시스템은 양호한 결과를 도출하기 위해 방대한 양의 데이터(수백만 개 이상의 데이터 포인트)가 필요합니다. 또한 일반적으로 단순한 기계 학습 알고리즘보다 훈련 시간이 더 오래 걸리므로 개발 비용이 더 많이 듭니다.

(참조: 신경망)

확산

확산(Diffusion)은 예술, 음악, 텍스트를 생성하는 많은 AI 모델의 핵심 기술입니다. 물리학에서 영감을 받은 확산 시스템은 사진이나 노래와 같은 데이터의 구조를 노이즈를 추가하여 점차 "파괴"하다가, 결국 알아볼 수 있는 것이 아무것도 남지 않을 때까지 진행합니다. 물리학에서 확산은 자발적이고 되돌릴 수 없는 현상입니다(커피에 녹은 설탕은 다시 큐브 형태로 돌아갈 수 없습니다). 하지만 AI 확산 시스템은 노이즈로부터 원본 데이터를 재구성하는 "역확산" 과정을 학습하는 것을 목표로 하며, 이를 통해 새로운 데이터를 처음부터 생성할 수 있는 능력을 얻습니다.

증류

증류(Distillation)는 대규모 AI 모델(‘교사’)의 지식을 더 작은 모델(‘학생’)로 이전하는 기술입니다. 개발자는 교사 모델에 쿼리를 보내고 그 출력을 기록하며, 때로는 데이터셋과 비교하여 정확도를 평가하기도 합니다. 이후 이러한 출력을 활용해 학생 모델을 훈련시켜 교사 모델의 동작을 모방하도록 합니다.

증류는 성능 저하를 최소화하면서 더 큰 모델을 기반으로 더 작고 효율적인 모델을 생성할 수 있습니다. 이는 OpenAI가 GPT-4의 더 빠른 버전인 GPT-4 Turbo를 개발한 방식일 가능성이 높습니다.

모든 AI 기업이 내부적으로 증류 기술을 활용하고 있지만, 일부 기업은 선도적인 모델에 뒤처지지 않기 위해 이 기술을 사용했을 수도 있습니다. 그러나 경쟁사의 모델에서 지식을 추출하는 행위는 일반적으로 AI API 및 챗봇 서비스의 이용 약관을 위반하는 것입니다.

파인 튜닝

이는 AI 모델이 원래 훈련된 주제를 넘어 특정 작업이나 영역에 대한 성능을 최적화하기 위해 추가로 훈련하는 것을 의미합니다. 이는 일반적으로 대상 영역과 관련된 새롭고 전문적인 데이터를 모델에 입력하여 수행됩니다.

많은 AI 스타트업은 상용 제품의 기반으로 대규모 언어 모델을 활용합니다. 이후 자체적인 도메인별 지식과 전문성을 바탕으로 모델을 미세 조정하여, 초기 훈련 과정을 보완함으로써 특정 분야나 작업에 대한 모델의 유용성을 높이는 것을 목표로 합니다.

(참조: 대규모 언어 모델 [LLM])

GAN

생성적 적대적 네트워크(GAN)는 생성형 AI, 특히 딥페이크(deepfakes) 도구를 포함한 사실적인 데이터 생성 분야에서 상당한 발전을 이끌어낸 기계 학습 프레임워크의 한 유형입니다. GAN은 서로 대립하는 두 개의 신경망으로 구성됩니다. 하나는(생성기) 훈련 데이터를 기반으로 출력을 생성하고, 다른 하나(판별기)는 그 출력을 평가합니다.

이 두 모델은 본질적으로 경쟁 관계로 프로그래밍되어 있습니다. 생성기는 판별기를 속일 만큼 설득력 있는 출력을 생성하려 하고, 판별기는 인공적으로 생성된 데이터를 식별하려 합니다. 이러한 대립적 과정은 추가적인 인간의 개입 없이도 AI 출력을 더욱 사실적으로 최적화할 수 있습니다. GAN은 범용 AI보다는 사실적인 사진이나 동영상 생성 같은 특정 용도에 가장 효과적입니다.

환각

환각(Hallucination)은 모델이 부정확하거나 조작된 정보를 생성할 때 AI 업계에서 사용하는 용어입니다. 이는 AI의 품질과 신뢰성에 있어 주요 과제입니다.

환각 현상은 건강 관련 질의에 대한 유해한 의학적 조언과 같이, 실제 세계에 잠재적 위험을 초래할 수 있는 오도적인 생성형 AI 출력을 만들어낼 수 있습니다.

이러한 AI 정보 조작 문제는 훈련 데이터의 공백에서 비롯된 것으로 여겨집니다. 환각 현상의 만연은 지식 격차를 줄이고 허위 정보의 위험을 최소화하기 위한 방안으로, 전문성이 더 좁은 도메인 특화 시스템인 보다 전문적이고 수직적인 AI 모델로의 추세를 이끌고 있습니다.

추론

추론은 훈련된 AI 모델을 실행하여 새로운 데이터로부터 예측을 하거나 결론을 도출하는 과정입니다. 중요한 점은 사전 훈련 없이는 추론이 불가능하다는 것입니다. 모델은 먼저 데이터셋에서 패턴을 학습해야만 그 지식을 바탕으로 효과적으로 추론할 수 있습니다.

스마트폰 프로세서부터 강력한 GPU, 맞춤형 AI 가속기에 이르기까지 다양한 유형의 하드웨어가 추론을 수행할 수 있습니다. 그러나 모든 하드웨어의 성능이 동등한 것은 아닙니다. 매우 대규모 모델의 경우, 고성능 AI 칩이 탑재된 클라우드 서버에 비해 일반 노트북에서 실행하는 데 비현실적으로 긴 시간이 소요될 것입니다.

[참조: 훈련]

대규모 언어 모델(LLM)

대규모 언어 모델(LLM)은 ChatGPT, Claude, 구글의 Gemini, 메타의 Llama, 마이크로소프트 코파일럿, 미스트랄의 Le Chat과 같은 인기 있는 AI 비서를 구동하는 모델입니다. AI 비서와 상호작용할 때, 사용자는 웹 브라우징이나 코드 인터프리터와 같은 다양한 도구의 도움을 받아 직접 요청을 처리하는 LLM과 소통하게 됩니다.

LLM은 수십억 개의 수치 매개변수(또는 가중치)로 구성된 딥 뉴럴 네트워크로, 단어와 구문 간의 관계를 학습하여 언어의 다차원적 표현, 즉 일종의 언어 지도를 생성합니다.

이러한 모델은 수십억 권의 책, 기사, 대본에 담긴 패턴을 분석하여 훈련됩니다. 사용자가 LLM에 프롬프트를 입력하면, 모델은 입력 내용에 가장 잘 부합하는 언어적 패턴을 생성합니다.

(참조: 신경망)

메모리 캐시

메모리 캐시는 추론(AI의 응답 생성)을 향상시키는 과정을 의미합니다. 본질적으로 캐싱은 추론을 더 효율적으로 만들기 위해 고안된 최적화 기법입니다. AI는 각각 전력을 소모하는 고강도 수학적 계산에 의존합니다. 캐싱은 향후 쿼리에서 재사용할 수 있도록 특정 연산 결과를 저장함으로써 모델이 수행해야 하는 계산 횟수를 줄여줍니다. 메모리 캐싱에는 여러 유형이 있으며, 트랜스포머 기반 모델의 경우 KV(키-값) 캐싱이 잘 알려진 예입니다. KV 캐싱은 답변을 생성하는 데 필요한 시간과 계산량을 줄여 효율성을 높이고 응답 속도를 향상시킵니다.

(참조: 추론)

신경망

신경망은 딥러닝의 기반이 되는 다층적 알고리즘 구조이며, 더 넓게는 대규모 언어 모델의 부상에 따른 생성형 AI 붐의 토대이기도 합니다.

데이터 처리 알고리즘을 위해 인간의 뇌에 있는 상호 연결된 뉴런에서 영감을 얻는 아이디어는 1940년대로 거슬러 올라가지만, 비디오 게임 산업에 힘입어 최근 그래픽 처리 장치(GPU)가 널리 보급되면서 이 이론의 잠재력이 비로소 제대로 발휘될 수 있게 되었습니다. 이러한 칩은 이전에는 불가능했던 훨씬 더 많은 층을 가진 알고리즘을 훈련하는 데 매우 적합함이 입증되었으며, 이를 통해 신경망 기반 AI 시스템은 음성 인식, 자율 주행, 신약 개발과 같은 분야에서 뛰어난 성능을 발휘할 수 있게 되었습니다.

(참조: 대규모 언어 모델 [LLM])

오픈 소스

오픈 소스란 기본 코드가 공개되어 누구나 사용, 검토 또는 수정할 수 있는 소프트웨어(또는 점점 더 많이 포함되는 AI 모델)를 의미합니다. AI 분야에서는 메타(Meta)의 Llama 모델군이 대표적인 예이며, 운영 체제 분야에서는 리눅스(Linux)가 역사적으로 대표적인 사례입니다. 오픈 소스 접근 방식은 전 세계의 연구자, 개발자 및 기업이 서로의 성과를 기반으로 발전할 수 있게 하여 진전을 가속화하고, 폐쇄형 시스템에서는 쉽게 제공할 수 없는 독립적인 안전성 감사를 가능하게 합니다. 비공개 소스란 코드가 비공개로 유지된다는 것을 의미합니다. 즉, OpenAI의 GPT 모델의 경우처럼 제품은 사용할 수 있지만 작동 원리는 확인할 수 없습니다. 이러한 구분은 AI 업계 내에서 핵심적인 논쟁거리가 되었습니다.

병렬화

병렬화란 작업을 순차적으로가 아니라 동시에 수행하는 것을 의미합니다. 마치 한 사람이 모든 단계를 차례대로 처리하는 대신, 열 명의 직원이 프로젝트의 서로 다른 부분을 동시에 처리하는 것과 같습니다. AI 분야에서 병렬화는 훈련과 추론 모두에 있어 근본적인 요소입니다. 최신 GPU는 수천 건의 계산을 병렬로 수행하도록 특별히 설계되었으며, 이것이 바로 GPU가 업계의 하드웨어 중추가 된 핵심 이유입니다. AI 시스템이 점점 더 복잡해지고 모델 규모가 커짐에 따라, 수많은 칩과 머신에 걸쳐 작업을 병렬화하는 능력은 모델을 얼마나 빠르고 비용 효율적으로 구축하고 배포할 수 있는지를 결정하는 결정적인 요소가 되었습니다. 더 나은 병렬화 전략에 대한 연구는 이제 그 자체로 하나의 연구 분야가 되었습니다.

RAMageddon

'RAMageddon'은 기술 산업을 휩쓸고 있는 심각한 추세를 가리키는 유머러스한 신조어입니다. 바로 우리가 매일 사용하는 거의 모든 기술 제품의 동력이 되는 랜덤 액세스 메모리(RAM) 칩의 공급 부족이 심화되고 있다는 사실입니다. AI 산업이 폭발적으로 성장함에 따라, 가장 강력하고 효율적인 AI를 구축하기 위해 경쟁하는 주요 기술 기업과 AI 연구소들은 데이터 센터에 사용할 RAM을 엄청난 양으로 구매하고 있어, 다른 업체들이 확보할 수 있는 물량은 거의 남아 있지 않습니다. 이러한 공급 병목 현상으로 인해 남아 있는 재고의 가격이 치솟고 있습니다.

이 영향은 게임 산업(기업들이 메모리 칩 부족으로 콘솔 가격을 인상한 분야), 가전 산업(부족 현상이 10년 넘게 가장 큰 스마트폰 출하량 감소를 초래할 수 있는 분야), 그리고 일반 기업 컴퓨팅 분야(기업들이 자체 데이터 센터에 충분한 RAM을 확보하는 데 어려움을 겪고 있는 분야) 등 다양한 산업에 걸쳐 있습니다. 가격 급등은 부족 현상이 해소될 때까지 지속될 것으로 예상되지만, 안타깝게도 조만간 상황이 나아질 조짐은 거의 보이지 않습니다.

강화 학습

강화 학습은 AI 시스템이 시행착오를 통해 학습하고 올바른 행동에 대해 보상을 받는 훈련 방법입니다. 이는 간식으로 반려동물을 훈련시키는 것과 유사하지만, 여기서 '반려동물'은 신경망이고 '간식'은 성공을 나타내는 수학적 신호입니다. 라벨이 지정된 예시들로 구성된 고정된 데이터셋을 기반으로 모델을 훈련시키는 지도 학습과 달리, 강화 학습은 모델이 환경을 탐색하고 행동을 취하며 피드백에 따라 지속적으로 행동을 업데이트할 수 있게 합니다. 이 접근 방식은 AI가 게임을 플레이하거나 로봇을 제어하도록 훈련하는 데 특히 효과적인 것으로 입증되었으며, 최근에는 대규모 언어 모델의 추론 능력을 향상시키는 데도 활용되고 있습니다. 인간 피드백을 활용한 강화 학습(RLHF)과 같은 기법은 이제 선도적인 AI 연구소들이 모델을 더 유용하고 정확하며 안전하게 미세 조정하는 데 핵심적인 역할을 하고 있습니다.

토큰

인간과 기계 간의 소통에는 명백한 어려움이 존재합니다. 인간은 자연어를 사용하는 반면, AI 프로그램은 복잡하고 데이터 기반의 알고리즘적 과정을 통해 작업을 수행하기 때문입니다. 토큰은 이러한 간극을 메워줍니다. 토큰은 인간-AI 소통의 기본 구성 요소로, 대규모 언어 모델(LLM)이 처리하거나 생성한 데이터의 개별 단위를 나타냅니다. 토큰화는 원본 텍스트를 언어 모델이 이해할 수 있는 소화된 단위로 분해하는 과정으로, 컴파일러가 인간의 언어를 컴퓨터용 이진 코드로 변환하는 방식과 유사합니다. 기업 환경에서는 토큰이 비용을 결정하기도 합니다. 대부분의 AI 기업은 LLM 사용량을 토큰 단위로 과금하므로, 기업이 더 많이 사용할수록 더 많은 비용을 지불하게 됩니다.

토큰 처리량

다시 말해, 토큰은 AI 언어 모델이 처리를 위해 언어를 분할하는 작은 텍스트 조각(주로 단어의 일부)이며, AI 워크로드를 이해하는 데 있어 대략 '단어'에 해당합니다. 처리량은 주어진 시간 내에 처리할 수 있는 양을 의미하므로, 토큰 처리량은 본질적으로 시스템이 동시에 처리할 수 있는 AI 작업량을 측정합니다. 높은 토큰 처리량은 AI 인프라 팀의 핵심 목표입니다. 이는 모델이 한 번에 몇 명의 사용자에게 서비스를 제공할 수 있는지, 그리고 각 사용자가 응답을 얼마나 빨리 받을 수 있는지를 결정하기 때문입니다. AI 연구원 안드레이 카르파티(Andrej Karpathy)는 자신의 AI 구독 서비스가 유휴 상태로 있을 때 불안감을 느낀다고 묘사한 바 있습니다. 이는 대학원 시절 비싸고 활용도가 낮은 하드웨어에 대해 가졌던 우려를 반영하는 것으로, 토큰 처리량을 극대화하는 것이 이 분야에서 집착이 된 이유를 잘 보여줍니다.

훈련

머신러닝 AI를 개발하는 과정에는 '훈련'이라는 단계가 포함됩니다. 간단히 말해, 이는 모델이 패턴을 학습하고 유용한 결과를 생성할 수 있도록 데이터를 모델에 입력하는 과정입니다. 이는 시스템이 데이터의 특성에 반응하여, 고양이 이미지를 식별하든 요청에 따라 하이쿠를 짓든 간에 원하는 목표에 맞춰 출력을 조정해 나가는 과정입니다.

훈련은 방대한 양의 데이터를 필요로 하기 때문에 비용이 많이 들 수 있으며, 필요한 데이터 양은 계속해서 증가하는 추세입니다. 그렇기 때문에 특정 데이터를 활용해 규칙 기반 AI를 미세 조정하는 것과 같은 하이브리드 접근 방식은 처음부터 다시 시작하지 않고도 비용을 관리하는 데 도움이 될 수 있습니다.

[참조: 추론]

전이 학습

사전 훈련된 AI 모델을 출발점으로 삼아, 서로 다르지만 일반적으로 관련성이 있는 새로운 작업을 위한 모델을 개발하는 기법입니다. 이를 통해 이전 훈련 과정에서 얻은 지식을 재사용할 수 있습니다.

전이 학습은 모델 개발 과정을 단축함으로써 효율성을 높일 수 있습니다. 또한 새로운 작업에 대한 데이터가 제한적인 경우에도 유용합니다. 그러나 이 접근 방식에는 한계가 있습니다. 일반화된 기능을 위해 전이 학습에 의존하는 모델은 특정 분야에서 우수한 성능을 발휘하기 위해 도메인별 데이터에 대한 추가 훈련이 필요할 가능성이 높습니다.

(참조: 파인 튜닝)

가중치

가중치는 AI 훈련의 핵심 요소입니다. 이는 훈련 데이터 내의 다양한 특징(또는 입력 변수)에 할당되는 중요도(또는 "가중치")를 결정함으로써 모델의 출력을 형성하기 때문입니다.

다시 말해, 가중치는 주어진 훈련 과제에 대해 데이터셋 내에서 무엇이 가장 중요한지를 정의하는 수치적 매개변수입니다. 가중치는 입력과 곱셈 연산을 통해 기능합니다. 모델 훈련은 일반적으로 무작위로 할당된 가중치로 시작되며, 모델이 반복적으로 학습하면서 목표값에 더 근접한 출력을 생성하도록 가중치가 조정됩니다.

예를 들어, 주택 가격을 예측하기 위해 과거 부동산 데이터로 훈련된 AI 모델은 침실 및 욕실 수, 부동산 유형(단독 주택 또는 연립 주택), 주차 가능 여부, 차고 등과 같은 특징에 대한 가중치를 가질 수 있습니다. 모델이 각 입력에 할당하는 가중치는 데이터셋을 기반으로 한 부동산 가치에 대한 해당 입력의 영향을 반영합니다.

검증 손실

검증 손실은 훈련 과정에서 AI 모델이 얼마나 잘 학습하고 있는지를 나타내는 지표로, 수치가 낮을수록 좋습니다. 연구자들은 이를 실시간 성적표처럼 면밀히 모니터링하며, 훈련 중단 시점 결정, 하이퍼파라미터 조정, 잠재적 문제 조사 등에 활용합니다. 이 지표가 파악하는 주요 문제 중 하나는 과적합(overfitting)으로, 모델이 일반화 가능한 패턴을 학습하기보다 훈련 데이터를 암기하는 상태를 말합니다. 이를 마치 학습 내용을 진정으로 이해하는 학생과 단순히 작년 시험 문제를 외운 학생의 차이로 생각하면 됩니다. 검증 손실은 모델이 어떤 경로를 따르고 있는지 밝혀주는 역할을 합니다.

이 기사는 새로운 정보가 있을 때마다 정기적으로 업데이트됩니다.