주요 AI 용어 설명: LLM에서 환각까지

인공 지능의 세계는 방대하고 복잡합니다. 이 분야의 전문가들은 종종 자신의 작업을 설명하기 위해 전문 용어를 사용합니다. 그렇기 때문에 AI 산업에 대한 보도에는 이러한 전문 용어가 포함되어 있습니다. 이 용어집은 기사에서 접하게 될 주요 단어와 문구를 명확하게 설명하기 위해 작성되었습니다.

연구자들이 새로운 방법을 개발하고 최첨단 AI의 새로운 안전 문제를 파악함에 따라 이 가이드를 정기적으로 업데이트할 예정입니다.

AGI

인공 일반 지능 또는 AGI는 광범위하고 자주 논란이 되는 용어입니다. 일반적으로 다양한 작업에서 인간의 능력을 뛰어넘는 AI를 설명합니다. OpenAI의 샘 알트먼은 "동료로 고용할 수 있는 중간 수준의 인간"이라고 설명했으며, OpenAI의 헌장에서는 AGI를 "가장 경제적으로 가치 있는 작업에서 인간을 능가하는 고도로 자율적인 시스템"으로 정의하고 있습니다. 구글 딥마인드는 약간 다른 견해를 제시하며 "적어도 대부분의 인지적 작업에서 인간만큼의 능력을 가진 AI"라고 정의합니다. 이 개념은 선도적인 AI 연구자들 사이에서도 여전히 유동적입니다.

AI 에이전트

AI 에이전트는 AI를 활용하여 단순한 챗봇 상호작용을 넘어 다단계 작업을 자율적으로 실행하는 도구입니다. 여기에는 경비 청구, 여행 예약, 코드 관리 등이 포함될 수 있습니다. 진화하는 분야인 만큼 'AI 에이전트'의 정의는 다양할 수 있으며, 필요한 인프라도 계속 발전하고 있습니다. 기본적으로 복잡한 목표를 달성하기 위해 여러 AI 모델을 조정할 수 있는 자율 시스템을 의미합니다.

생각의 사슬

인간은 간단한 질문에는 즉각적으로 대답할 수 있지만 복잡한 문제는 여러 단계로 나눠서 풀어야 하는 경우가 많습니다. 예를 들어 농장의 동물에 관한 논리 퍼즐을 풀려면 중간 계산이 필요합니다.

AI에서 연쇄 추론은 대규모 언어 모델이 문제를 더 작은 논리적 단계로 분해하는 기법입니다. 이 프로세스는 속도가 느리지만 특히 논리나 코딩 작업에서 정확도를 크게 높여줍니다. 전문 추론 모델은 기존 LLM을 기반으로 구축되며 강화 학습을 통해 이러한 단계별 사고에 최적화되어 있습니다.

(참조: 대규모 언어 모델)

테크크런치 세션에 참여하세요: AI

OpenAI, Anthropic, Cohere의 연사가 참여하는 최고의 AI 업계 이벤트에서 자리를 확보하세요. 한정된 기간 동안 전문가 강연, 워크샵, 강력한 네트워킹을 제공하는 종일 패스를 단 $292에 구매할 수 있습니다.

테크크런치 세션에 참가하세요: AI

TC 세션에서 1,200명 이상의 의사 결정권자에게 혁신을 선보이세요: AI. 5월 9일 이전 또는 잔여 부스가 있는 동안 저렴하게 부스를 확보하세요.

딥 러닝

다층 인공 신경망으로 AI 알고리즘을 구축하는 머신러닝의 정교한 분야입니다. 이 아키텍처를 통해 의사 결정 트리와 같은 단순한 모델을 훨씬 뛰어넘어 복잡한 패턴과 상관관계를 식별할 수 있습니다. 인간의 뇌에서 영감을 받은 딥러닝 모델은 사람이 직접 정의할 필요 없이 데이터에서 주요 특징을 자율적으로 학습합니다. 반복과 오류 수정을 통해 개선됩니다.

그러나 이러한 모델은 학습을 위해 방대한 데이터 세트(수백만 개 이상)와 상당한 컴퓨팅 리소스가 필요하므로 기존 머신 러닝에 비해 개발 비용이 더 많이 듭니다.

(참조: 신경망)

확산

확산은 예술, 음악, 텍스트를 생성하는 많은 최신 AI 모델의 핵심 기술입니다. 물리학에서 영감을 받은 이 시스템은 이미지나 사운드와 같은 데이터에 노이즈를 서서히 추가하여 원래의 구조가 완전히 가려질 때까지 만듭니다. 자연의 돌이킬 수 없는 과정과 달리, AI 확산 모델은 이러한 파괴를 역으로 학습하여 노이즈에서 일관된 데이터를 재구성함으로써 강력한 생성 능력을 부여합니다.

증류

증류는 대규모 AI 모델에서 소규모 모델로 지식을 이전하는 '교사-학생' 기법입니다. 개발자는 교사 모델에 쿼리하고 그 결과를 기록한 다음, 학생 모델이 교사의 행동을 모방하도록 훈련하는 데 사용합니다. 이 프로세스를 통해 성능 손실을 최소화하면서 더 작고 빠르며 효율적인 모델을 만들 수 있으며, 이 방법은 GPT-4 Turbo와 같은 버전에서 주로 사용됩니다.

내부적으로 일반적으로 사용되지만 경쟁사 모델에서 추출하는 것은 일반적으로 API 서비스 약관을 위반하므로 업계에서 윤리적 및 법적 고려 사항이 제기됩니다.

미세 조정

특정 작업이나 도메인에 맞게 성능을 특화하기 위해 기존 AI 모델을 추가로 학습시키는 것을 말합니다. 여기에는 모델에 새로운 작업 지향 데이터를 공급하는 것이 포함됩니다. 많은 AI 스타트업은 범용 대규모 언어 모델로 시작한 다음 법률이나 의학 등 특정 분야에 대한 유용성을 높이기 위해 독점 데이터로 미세 조정합니다.

(참조: 대규모 언어 모델[LLM])

GAN

생성적 적대적 네트워크(GAN)는 딥페이크 등 사실적인 데이터 생성의 발전을 이끄는 머신 러닝 프레임워크입니다. 이 프레임워크는 데이터를 생성하는 생성기와 진위 여부를 평가하는 판별기라는 두 개의 신경망을 경쟁적으로 사용합니다. 이 적대적인 프로세스를 통해 제너레이터는 사람의 지속적인 개입 없이도 점점 더 사실적인 결과물을 만들어냅니다. GAN은 이미지 생성과 같은 집중적인 애플리케이션에는 탁월하지만 범용 AI에는 적합하지 않습니다.

환각

환각은 AI 모델이 부정확하거나 조작된 정보를 생성하는 경우를 가리키는 업계 용어입니다. 이는 AI의 신뢰성과 안전성에 있어 주요 과제입니다. 잘못된 출력은 유해한 의료 조언을 제공하는 등 실제 위험을 초래할 수 있습니다. 대부분의 GenAI 도구에는 면책 조항이 포함되어 있지만, 특히 광범위한 기초 모델의 경우 학습 데이터에 내재된 격차로 인해 문제가 지속되고 있습니다. 이 문제로 인해 오류를 줄이기 위해 더 좁고 잘 정의된 지식 영역 내에서 작동하는 보다 전문적이고 수직적인 AI 모델이 개발되고 있습니다.

추론

추론은 학습된 AI 모델을 사용하여 새로운 데이터로부터 예측을 하거나 결론을 도출하는 프로세스입니다. 추론은 학습 다음 단계인 적용 단계입니다. 추론은 스마트폰부터 특수 AI 칩이 탑재된 클라우드 서버까지 다양한 하드웨어에서 실행할 수 있지만 성능은 매우 다양합니다. 대규모 모델은 전용 고성능 시스템에 비해 일반 소비자 하드웨어에서 느리게 실행됩니다.

[참조: 학습]

대규모 언어 모델(LLM)

대규모 언어 모델, 즉 LLM은 ChatGPT, Claude, Gemini와 같은 인기 있는 AI 어시스턴트를 구동합니다. 이러한 도구와 상호 작용할 때는 웹 브라우징과 같은 기능으로 증강된 LLM을 사용하게 됩니다. 기본 모델(예: OpenAI의 GPT)과 소비자 제품(예: ChatGPT)은 서로 다른 이름을 가질 수 있습니다.

LLM은 방대한 양의 텍스트에서 패턴을 학습하는 수십억 개의 매개변수가 있는 심층 신경망입니다. 이 네트워크는 복잡하고 다차원적인 언어 표현을 구축합니다. 메시지가 표시되면 학습 중에 학습한 통계 패턴을 기반으로 가장 가능성이 높은 단어 순서를 예측하여 응답을 생성합니다.

(참조: 신경망)

신경망

신경망은 딥 러닝과 최신 AI 붐의 기본이 되는 계층화된 알고리즘 구조입니다. 1940년대부터 개념적으로는 인간의 뇌에서 영감을 받았지만, 게임 업계에서 GPU가 등장하면서 실질적인 힘을 발휘하기 시작했습니다. 이러한 칩은 여러 계층으로 구성된 네트워크를 효율적으로 학습시켜 음성 인식, 자율 주행, 생성 AI와 같은 분야에서 획기적인 발전을 이룰 수 있게 해줍니다.

(참조: 대규모 언어 모델[LLM])

트레이닝

트레이닝은 머신러닝 모델에 데이터를 공급하여 패턴을 학습하고 결과를 개선할 수 있도록 하는 프로세스입니다. 처음에 모델은 난수 구조에 불과하지만 학습을 통해 이미지 식별이나 텍스트 작성과 같은 기능적인 도구로 변화합니다. 이 과정은 방대한 양의 데이터와 컴퓨팅 파워를 필요로 하는 리소스 집약적일 수 있습니다. 규칙 기반 시스템을 미세 조정하는 등의 하이브리드 접근 방식을 사용하면 이러한 비용을 관리하는 데 도움이 될 수 있습니다.

[참조: 추론]

전이 학습

한 작업에 대해 학습된 모델을 관련성이 있지만 다른 작업의 시작점으로 사용하는 기법입니다. 이전에 학습한 지식을 활용하므로 특히 새 작업에 대한 데이터가 제한되어 있는 경우 시간과 리소스를 절약할 수 있습니다. 그러나 이 모델이 제대로 작동하려면 일반적으로 새 도메인의 특정 데이터에 대한 추가 학습이 필요합니다.

(참조: 미세 조정)

가중치

가중치는 학습 중에 다양한 입력 기능의 중요성을 결정하는 AI 모델 내의 핵심적인 수치 매개변수입니다. 처음에는 무작위로 설정되며 모델이 학습함에 따라 체계적으로 조정되어 최종 출력을 형성합니다. 예를 들어, 주택 가격을 예측하는 모델에서는 침실 수나 위치와 같은 특징에 대해 가중치를 학습하여 학습 데이터를 기반으로 최종 가격에 미치는 영향을 정량화합니다.