[AI 인사이트] Stanford HAI AI Glossary : 꼭 알아야 할 91개 AI 용어 총정리

1955년 스탠퍼드 최초의 AI 교수 존 매카시(John McCarthy)가 명명한 용어로, "지능적인 기계를 만드는 과학과 공학"으로 정의됩니다. 인간의 학습·추론·의사결정 능력을 컴퓨터로 구현하려는 시도를 포함합니다.

특정 과제만 잘하는 좁은 AI와 달리, 인간 수준 또는 그 이상으로 다양한 영역에서 학습·추론·지식 응용이 가능한 AI입니다.

스스로 목표를 해석하고, 계획을 세우며, 도구를 사용해 행동을 조정하는 자율적·반자율적 AI 시스템입니다.

AI 개발·배포의 전 과정에서 인간의 필요·가치·복지를 최우선에 두는 접근법입니다.

초기 AI 접근법으로, 명시적으로 프로그램된 규칙·논리·전문가 지식에 의존했습니다. 현대의 데이터 학습 방식(ML)과 대조됩니다.

1950년 앨런 튜링이 제안한, 기계의 지능 여부를 판별하는 척도로, 상대가 사람인지 기계인지 구분하지 못하면 통과로 봅니다.

특정 도메인에서 if-then 규칙 등의 지식 기반을 활용하여 인간 전문가의 의사결정 능력을 모방하도록 설계된 프로그램입니다.

AI 등의 기술이 명시적인 인간의 지시와 설정된 매개변수에 따라 특정 작업을 자동으로 수행하는 것을 말합니다.

명시적 규칙을 코딩하지 않고, 데이터로부터 컴퓨터가 스스로 패턴을 학습해 의사결정 능력을 향상시키는 AI 분야입니다.

입력과 정답(라벨)이 짝지어진 데이터로 모델을 훈련시키는 방식입니다.

정답이 없는 데이터에서 모델이 스스로 패턴·구조를 발견하는 방식입니다.

모델이 원시 데이터 자체로부터 퍼즐을 만들고 답을 맞혀가며 스스로 학습하는 방법입니다.

AI 에이전트가 특정 환경 속에서 행동하고, 보상과 벌점을 받으며 시행착오를 통해 성능을 높이는 방식입니다.

극히 적은 훈련 예시만으로도 새로운 작업을 인식하고 수행하는 접근법입니다.

명시적으로 훈련받은 적 없는 카테고리를 일반적인 지식만으로 수행하는 능력입니다.

한 작업에서 학습한 모델을 다른 관련 과제의 출발점으로 재사용하는 기법입니다.

사전학습된 모델을 특정 도메인이나 태스크에 맞춘 데이터로 추가 훈련시키는 과정입니다.

유사한 예시는 가깝게, 다른 예시는 멀게 비교하며 데이터의 특징을 이해하는 학습 기법입니다.

데이터가 중앙 서버로 이동하지 않고, 여러 분산된 기기에서 각각 모델을 학습시키는 안전한 접근법입니다.

인간 뇌의 뉴런 구조에서 영감을 받은 계층화된 인공 뉴런들의 연결망입니다.

복잡한 패턴을 자동으로 학습하기 위해 여러 층(deep)으로 구성된 신경망을 사용하는 ML의 하위 분야입니다.

출력을 만들 때 입력의 어느 부분에 주목할지 집중(focus)하는 방법을 돕는 기법입니다.

순차적이 아닌 '어텐션'을 사용하여 모든 데이터 간의 관계를 동시에 처리하는 현대 AI의 핵심 신경망입니다.

노이즈를 더했다가 역과정으로 빼면서 새로운 이미지 등을 생성하는 기술입니다.

인공 뉴런 간 연결의 강도를 결정하는 수치적 파라미터로, 모델이 정보를 처리하는 방식을 형성합니다.

네트워크를 거꾸로 추적하여 어떤 부분에서 오류가 났는지 파악하며 실수로부터 배우는 학습 알고리즘입니다.

모델 내부의 변수로, 학습 과정에서 지속적으로 조정되고 결정됩니다.

학습이 시작되기 전에 미리 사람이 설정해두는 학습 환경 관련 변수입니다.

모델의 예측이 실제 정답과 비교하여 얼마나 틀렸는지(손실)를 수치화하는 수학적 함수입니다.

실수를 줄이고 모델의 설정을 조정하여 점점 더 나은 성능을 낼 수 있도록 돕는 최적화 방법론입니다.

생성자와 판별자라는 두 신경망이 서로 경쟁하며 지극히 사실적인 합성 데이터를 만들어내는 아키텍처입니다.

언어 처리에 특화되었던 트랜스포머 아키텍처를 이미지 처리 및 분석에 적용한 기술입니다.

대규모 데이터로 훈련되어 여러 하위 과제에 적응(기반 역할)할 수 있는 대규모 AI 모델입니다.

텍스트·이미지·음성 등 여러 형태의 데이터를 동시에 이해하고 생성하는 지능형 시스템입니다.

언어 모델이 답을 생성하기 전에 외부의 최신 정보를 검색하여 참조하게 함으로써 출력 품질을 높이는 기법입니다.

AI가 사실이 아니거나 오해의 소지가 있는 내용을 마치 사실인 것처럼 당당하게 생성하는 현상입니다.

원하는 결과를 얻기 위해 지시문(프롬프트)을 정교하게 다듬고 설계하는 기술입니다.

방대한 텍스트 데이터를 훈련하여 인간과 유사한 언어를 이해하고 생성하는 AI 시스템입니다.

텍스트, 이미지, 음악, 코드, 비디오 등의 새로운 콘텐츠를 창작할 수 있는 AI 시스템을 일컫습니다.

입력 프롬프트에 따라 사람 같은 텍스트를 생성하는, 트랜스포머 아키텍처 기반의 대형 언어 모델 제품군입니다.

악의적인 입력을 사용하여 LLM이 원래 의도와 다르게 작동하도록 유도하는 일종의 해킹/보안 공격입니다.

AI 시스템이 한 번의 작업(프롬프트 처리) 동안 동시에 기억하고 처리할 수 있는 정보(텍스트 등)의 허용량입니다.

복잡한 문제를 해결하기 위해 논리적이고 단계적인 사고 과정을 생성하도록 설계된 특화 AI입니다.

모델의 크기, 데이터 양, 컴퓨팅 자원이 증가함에 따라 AI 성능이 일관되게 향상된다는 수학적 예측 관계입니다.

AI가 처리할 수 있도록 텍스트를 단어, 음절, 문자 등 더 작은 단위(토큰)로 쪼개는 과정입니다.

컴퓨터가 이미지나 비디오에서 의미 있는 시각적 정보를 식별하고 이해하도록 돕는 분야입니다.

기계가 인간의 언어를 이해, 해석 및 생성할 수 있도록 연구하는 핵심 AI 하위 분야입니다.

엔지니어링, 컴퓨터 과학, 인공지능을 결합하여 물리적 환경에서 작업을 수행하는 기계를 설계하는 분야입니다.

텍스트나 음성 대화를 통해 인간과의 소통을 시뮬레이션하도록 설계된 프로그램입니다.

데이터, 통계적 기법, ML 모델을 결합하여 미래의 결과나 동향을 예측하는 방식입니다.

물체가 공간에서 어떻게 관계를 맺고 상호작용하는지 3차원 물리적 세계를 이해하고 추론하는 능력입니다.

문제를 해결하거나 특정 작업을 완료하기 위한 단계별 지침이나 규칙의 집합(요리 레시피와 유사)입니다.

데이터의 분류와 회귀에 사용되는 직관적이고 단순한 형태의 머신러닝 알고리즘입니다.

최종 결론에 도달할 때까지 다양한 특성을 기준으로 예/아니오 질문을 던지며 데이터를 분할하는 알고리즘입니다.

여러 개의 모델을 결합하여, 개별 모델보다 더 강력하고 정확한 예측을 만들어내는 기술입니다.

변수들 사이의 인과관계와 확률을 그래픽 모델(지도 형태)로 표현하여 상호 영향을 보여주는 모델입니다.

미래의 발생 확률이 과거의 역사가 아닌 오직 '현재의 상태'에만 의존하는 연속적인 사건을 설명하는 수학적 모델입니다.

가장 중요한 정보는 유지하면서 변수의 수를 줄여 복잡한 데이터를 단순화하는 기법입니다.

전통적인 방식으로 처리하기엔 너무 방대하지만, AI를 통해 숨겨진 패턴과 트렌드를 발견할 수 있는 대규모 데이터입니다.

통계적 방법론과 기계 학습을 이용해 거대한 데이터에서 패턴이나 유용한 정보를 발굴해내는 과정입니다.

새로운 데이터를 수집하는 대신, 기존 데이터를 약간 변형(크롭, 회전 등)시켜 훈련 데이터의 양을 인위적으로 늘리는 기술입니다.

머신러닝 모델이 과제를 수행하는 방법을 배우는 과정에서 입력으로 사용되는 예시 데이터들의 모음입니다.

실제 환경에서 수집한 것이 아니라, 알고리즘이나 시뮬레이션 모델을 통해 인위적으로 만들어진 데이터입니다.

텍스트나 이미지 등 복잡한 데이터를, 컴퓨터가 특징과 의미를 계산할 수 있는 '숫자 벡터(배열)' 형태로 변환한 것입니다.

데이터의 가장 본질적인 패턴과 특징만을 남겨 낮은 차원으로 압축해 낸 수학적 추상 공간을 의미합니다.

텍스트나 이미지 등의 임베딩(고차원 벡터) 데이터를 저장하고 매우 빠르게 유사도를 검색할 수 있도록 최적화된 DB입니다.

객체(Entity)와 그 객체들 사이의 관계를 연결된 네트워크 형태로 구조화하여 표현하는 데이터베이스입니다.

다차원으로 구성된 숫자를 담는 컨테이너로, 스프레드시트의 매우 고차원적인 버전이라 할 수 있습니다.

단어, 구, 문장 간의 상호 관계를 분석하여 언어에 내포된 '진짜 의미'를 파악하는 과정입니다.

데이터 수집 및 준비에서부터 모델 훈련, 테스트, 배포에 이르는 AI 시스템 구축의 전체적인 단계를 의미합니다.

머신러닝 모델을 실제 운영 환경에 안정적으로 배포하고 유지/관리하기 위한 ML, 소프트웨어 엔지니어링, DevOps의 결합입니다.

거대 언어 모델(LLM)을 기반으로 한 애플리케이션의 전체 생애 주기를 프로덕션 환경에서 관리하는 실무 관행입니다.

패턴을 이해하거나 예측을 수행하기 위해 현실 세계의 시스템이나 관계를 수학적, 컴퓨팅적으로 단순화한 표현입니다.

실제 세계의 데이터가 초기 훈련 데이터와 달라지면서, 시간이 지남에 따라 모델의 성능이 저하되는 현상입니다.

모델이 훈련 데이터의 무작위 노이즈나 오류까지 너무 완벽하게 암기하여, 오히려 새로운 데이터에는 성능이 떨어지는 현상입니다.

원래 그래픽 렌더링을 위해 설계되었으나, 병렬 연산에 뛰어나 AI의 방대한 수학적 연산을 빠르게 처리하는 핵심 칩입니다.

이미 훈련이 끝난 AI 모델이 이전에 본 적 없는 '새로운 데이터'를 받아 예측이나 결정을 내리는 실행 과정입니다.

내부 코드가 제한되어 있어 일반 대중이 조회하거나 수정, 사용할 수 없는 독점적인 소프트웨어입니다.

소프트웨어의 원본 디자인 및 '청사진'이 자유롭게 공개되어 누구나 사용하고 개선할 수 있는 형태입니다.

학습 데이터나 코드가 모두 공개되진 않았더라도, 누구나 다운로드할 수 있도록 모델의 핵심인 '가중치'가 공개된 AI 모델입니다.

AI 시스템의 행동과 목표를 인간의 가치관, 의도, 규범과 일치시키는(Align) 과정입니다.

의사결정 과정을 알 수 없는 블랙박스 대신, AI가 왜 그런 결론을 내렸는지 인간이 이해할 수 있게 근거를 제공하는 기법입니다.

AI의 역량과 한계를 이해하고 비판적으로 사고하여, 책임감 있고 생산적으로 AI와 협업할 수 있는 능력입니다.

이미지 인식, 코드 작성, 질의응답 등 특정 과제에서 AI 모델의 성능을 일관되게 측정하고 비교하는 표준화된 테스트입니다.

AI가 예상치 못한 상황에서도 안정적으로 작동하며, 강력한 권한을 가지더라도 사회에 해를 끼치지 않도록 보장하는 연구 분야입니다.

시스템이 특정 개인이나 그룹에 대해 불리하거나 차별적인 결과를 편파적으로 생성하는 현상입니다.

인간의 가치, 투명성, 공정성 및 사회적 복지에 부합하도록 설계, 개발 및 배포되는 인공지능을 일컫습니다.

사람들이 컴퓨터 시스템을 작동시키고 원활하게 소통하며 상호작용하는 과정에 대한 연구입니다.

AI가 단독으로 처리하는 것이 아니라, 작동 과정 내에 인간의 확인, 피드백 또는 개입을 필수로 포함하는 시스템입니다.

AI 모델이 어떻게 특정 결정이나 예측 결과에 도달했는지 인간의 수준에서 얼마나 파악하고 이해할 수 있는지의 척도입니다.

윤리적이고 안전한 AI 개발과 사용을 주도하는 가이드라인, 프레임워크 및 기업의 실천 정책입니다.