용어집

정확도는 모델이 올바르게 예측한 비율입니다. 공식, top-1 및 top-5 정확도, 불균형 데이터에서의 정확도 역설, 더 나은 지표를 다룹니다.

액션 청킹에서는 로봇 정책이 한 번의 관측으로 미래 액션 시퀀스를 예측하여 오류 누적을 줄입니다. ACT, 스무딩, VLA를 다룹니다.

액션 인식 또는 인간 행동 인식(HAR)은 시간에 따른 움직임을 모델링해 동영상 속 사람이 무엇을 하는지 분류합니다. 방법, 데이터셋, 코드를 다룹니다.

활성화 함수는 뉴런이 가중 입력에 적용하는 비선형 함수로, 신경망이 곡선 형태의 패턴을 학습하도록 합니다. 일반적인 활성화 함수들을 비교합니다.

액티브 러닝을 사용하면 모델이 다음에 사람이 레이블링할 비레이블 샘플을 선택하여 더 적은 레이블로 목표 정확도에 도달할 수 있습니다. 쿼리 전략과 코드를 다룹니다.

Adam은 모멘텀과 최근 그래디언트 크기에 따라 조정되는 매개변수별 스텝 크기를 결합합니다. 업데이트 규칙, 기본값, AdamW, Adam과 SGD의 비교를 다룹니다.

적대적 공격은 AI 모델이 높은 확신도로 실패하도록 작고 대개 눈에 띄지 않는 입력 변경을 가합니다. FGSM의 작동 방식, 공격 유형, 방어를 다룹니다.

감성 컴퓨팅은 인간의 감정을 감지하고 이에 반응하는 시스템을 구축합니다. 신호, 데이터셋, 실제 활용 사례와 마주한 과학적·법적 한계를 다룹니다.

에이전트 평가는 AI 에이전트가 여러 단계로 이루어진 작업을 정확하고 안정적으로 완료하는지 테스트하고, 반복 시행을 통해 최종 결과와 트랜스크립트를 평가합니다.

에이전트 하네스는 모델을 AI 에이전트로 만드는 주변 코드입니다. 에이전트의 작업을 실행하는 루프, 도구, 컨텍스트, 메모리, 권한, 검사를 포함합니다.

에이전트 샌드박싱은 AI 에이전트의 명령과 생성된 코드를 파일, 네트워크, 자격 증명, 컴퓨팅 리소스를 제한하는 격리된 환경에서 실행합니다.

Agent Skills는 SKILL.md 파일을 중심으로 구성된 지침, 스크립트, 참조 파일 폴더이며, AI 에이전트가 작업에 필요할 때 불러옵니다.

Agent2Agent(A2A) 프로토콜은 서로 다른 공급업체의 AI 에이전트가 서로를 발견하고, 작업을 위임하며, 결과를 반환할 수 있도록 하는 개방형 표준입니다.

에이전틱 코딩은 AI 에이전트가 코드베이스를 읽고, 파일을 수정하고, 테스트를 실행하고, 실패를 수정한 뒤 검토를 위한 변경 사항을 반환하는 소프트웨어 개발 방식입니다.

에이전틱 커머스는 AI 에이전트가 ACP, UCP, AP2 같은 프로토콜을 사용해 정해진 한도 내에서 구매자를 대신해 상품을 검색하고 비교하며 결제하는 매매 방식입니다.

에이전틱 RAG에서는 AI 에이전트가 검색을 주도합니다. 검색을 계획하고, 도구를 선택하고, 결과를 확인한 뒤 답변할 수 있을 때까지 다시 검색합니다.

에이전틱 워크플로는 작업을 여러 단계로 나눕니다. 언어 모델은 한 번에 답하는 대신 계획을 세우고, 도구를 호출하고, 자체 출력을 확인하고, 수정합니다.

AI 에이전트는 환경을 관찰하고, 액션을 선택하고, 도구를 통해 실행하는 루프를 반복해 작업을 완료함으로써 목표를 추구합니다. 에이전트의 작동 방식을 살펴봅니다.

AI 에이전트 오케스트레이션은 작업의 각 단계를 어떤 에이전트, 모델 또는 도구가 처리할지, 각 에이전트가 어떤 컨텍스트를 볼지, 결과를 어떻게 통합할지 결정합니다.

AI 토론에서는 두 모델이 상반된 답변을 주장하고 더 약한 심판 모델이 승자를 선택합니다. 2018년 제안의 작동 방식, 실험 결과, 한계를 다룹니다.

AI 윤리는 공정성, 개인정보 보호, 투명성, 책임성과 같은 도덕 원칙을 AI의 개발과 사용에 적용합니다. 프레임워크, 쟁점, 법률을 다룹니다.

AI 팩토리는 데이터 라벨링과 학습부터 배포 및 모니터링까지, 대규모로 데이터를 AI 결과물로 전환하는 인프라와 워크플로를 의미합니다.

AI 게이트웨이는 애플리케이션과 AI 모델 사이의 프록시로, 공급업체별 API를 통합하고 라우팅, 대체 처리, 토큰 예산, 캐싱, 로깅을 추가합니다.

AI 거버넌스는 누가 AI 시스템을 개발하고 승인하며 폐기할 수 있는지, 그리고 어떤 증거를 근거로 하는지를 결정합니다. NIST AI RMF, ISO/IEC 42001, EU AI Act 및 핵심 통제를 살펴보세요.

AI 가드레일은 프롬프트 인젝션 필터부터 도구 호출의 스키마 검사까지, 안전하지 않은 입력, 출력, 액션을 차단하는 AI 모델 주변의 검사 장치입니다.

AI 리터러시는 AI를 이해하고, 비판적으로 검토하고, 효과적으로 활용하는 데 필요한 지식과 판단력입니다. 핵심 역량, 학교 프레임워크, EU AI Act 제4조를 다룹니다.

AI 정신증은 챗봇과 장시간 대화하는 동안 형성되거나 심화되는 망상을 가리킵니다. 근거가 보여 주는 것, 발생 원인, 안전장치를 다룹니다.

AI 레드팀은 모의 공격자와 악용 시나리오로 AI 시스템을 공격해 탈옥, 데이터 유출, 유해한 출력, 견고성 실패를 찾아냅니다.

AI 안전성은 오용, 목표 불일치, 실수 또는 낯선 입력에 대한 취약한 동작으로 AI 시스템이 피해를 일으키지 않도록 하는 분야입니다.

AI 슬롭은 클릭과 광고 수익을 위해 생성형 AI로 대량 생산된 저품질 콘텐츠입니다. 용어의 유래, 확산 이유, 감지 방법을 다룹니다.

AI 아첨은 정확성을 희생하면서 모델이 사용자에게 동의하거나 아부하는 현상입니다. 선호도 학습이 이를 유발하는 이유, 해악, 테스트 방법을 다룹니다.

트랜스크립트 기반 컷 편집, 자동 리프레이밍, 피사체 마스크, 객체 제거, 모자이크 처리 등 AI 동영상 편집을 뒷받침하는 모델과 자동 편집이 실패하는 경우를 다룹니다.

AI 워싱은 제품의 AI 역량을 오해의 소지가 있게 과장하여 실제 성능, 사람의 개입, 주장을 뒷받침하는 근거를 가리는 행위입니다.

AI 워터마킹은 생성된 이미지, 텍스트, 오디오, 동영상에 기계가 감지할 수 있는 신호를 숨깁니다. SynthID와 그린리스트 방식의 작동 원리와 한계를 다룹니다.

알고리즘 편향은 특정 집단에 불이익을 주는 체계적이고 반복 가능한 자동 의사결정 오류입니다. 세 가지 발생 원인, 주요 사례, 상충 관계를 다룹니다.

정렬 위장은 AI 모델이 자신의 선호를 유지하기 위해 동의하지 않는 학습에도 따르는 현상으로, 2024년 Claude 3 Opus에서 처음 관찰되었습니다.

앵커 박스는 고정된 크기와 종횡비를 가진 사전 정의 박스로, 검출기가 객체에 맞게 위치와 크기를 조정합니다. 크기 설정, 매칭, 사용 방법을 다룹니다.

앵커 기반 검출기는 Faster R-CNN, SSD, RetinaNet, YOLOv5처럼 객체를 사전 정의된 앵커 박스 기준의 오프셋으로 예측합니다. 작동 방식과 비교를 다룹니다.

앵커 프리 검출기는 사전 정의된 앵커 박스 없이 포인트나 키포인트를 기준으로 박스를 예측합니다. FCOS, CenterNet, 최신 YOLO 모델의 객체 탐지 방식을 다룹니다.

이상 탐지는 정상 패턴에서 벗어나는 데이터 포인트, 이벤트 또는 이미지 영역을 표시합니다. 이상 유형, 주요 방법, 시각 검사, 코드를 다룹니다.

AUC는 ROC 곡선을 0에서 1 사이의 단일 점수로 나타냅니다. 이 점수는 분류기가 무작위 양성을 무작위 음성보다 높은 순위로 매길 확률입니다. 코드와 함께 ROC AUC와 PR AUC를 비교합니다.

인공 일반 지능(AGI)은 거의 모든 인지 작업에서 인간과 대등한 가상의 AI입니다. 정의, 수준, 테스트, AGI와 ANI의 비교를 다룹니다.

인공지능(AI)은 기계가 인지하고, 추론하고, 학습하고, 행동하도록 만드는 분야입니다. 역사, 주요 접근 방식, 유형, 활용 사례를 다룹니다.

인공 협소 지능(ANI), 즉 약한 AI는 하나의 작업에는 능숙하지만 그 기술을 다른 작업으로 전이할 수 없습니다. 작동 방식, 사례, ANI와 AGI의 비교를 다룹니다.

어텐션 메커니즘은 쿼리, 키, 값을 사용해 관련성에 따라 입력 특징에 가중치를 부여합니다. 수학적 원리, 어텐션 유형, 어텐션과 컨볼루션의 비교를 다룹니다.

어텐션 싱크는 대개 첫 번째에 위치하며 남는 어텐션 가중치를 흡수하는 토큰입니다. 이를 캐싱하면 LLM이 매우 긴 스트림에서도 안정적으로 작동합니다.

Auto-GPT는 2023년에 공개된 오픈소스 프로그램으로, GPT-4가 계획 수립, 도구 명령, 메모리를 반복하는 루프에서 스스로 프롬프트를 생성해 목표를 추구하도록 했습니다.

오토인코더는 레이블 없이 데이터를 압축해 간결한 코드로 만들고 다시 복원하도록 학습합니다. 구조, 변형, 이상 탐지, 코드를 다룹니다.

자동 머신러닝(AutoML)은 모델 선택, 하이퍼파라미터 튜닝, 특징 준비를 자동화합니다. 탐색 방식, 도구, YOLO 튜닝을 다룹니다.

자율주행차는 주변 환경을 감지하고 인간의 개입을 거의 또는 전혀 받지 않고 주행합니다. 센서, 자율주행 스택, SAE 수준, 실제 배포를 다룹니다.