1. 인공 지능의 구분
ㅇ ANI (Artificial Narrow Intelligence) : 약 인공 지능 (Weak AI)
- 특정 작업에 특화된 인공 지능 (현재 우리가 접하는 대부분의 인공지능 시스템)
ㅇ AGI (Artificial General Intelligence) : 강 인공 지능 (Strong AI)
- 인간과 동등하거나 뛰어넘는 지능을 가진 인공 지능 (아직까지 이론적인 개념에 가까움)
ㅇ ASI (Artificial Super Intelligence)
- 인간 지능을 훨씬 능가하는 초 지능 (철학,미래학적 논의 단계)
2. 인공 지능의 언어,지식 기반 모델
ㅇ LLM (대규모 언어 모델, Large Language Model)
- 거대한 양의 텍스트 데이터를 바탕으로, 단어,문장,문맥 패턴을 학습한 언어 생성 모델
ㅇ GPT (Generative Pre-trained Transformer)
- Transformer 기반으로, "사전 학습 → 특정 작업용 미세조정" 방식의 대표적 언어 모델
. OpenAI가 제안 (GPT-1 : 2018)
ㅇ Tokenization (토큰화)
- 텍스트를 모델이 처리 가능한 단위(토큰)로 분할
ㅇ Embedding (임베딩)
- 단어,이미지,음성 등을 의미 기반의 벡터 공간으로 매핑
. 모델이 "의미적 유사성"을 수학적으로 계산할 수 있게 해줌
ㅇ Context Window (컨텍스트 윈도우)
- 모델이 한 번에 기억하고 처리할 수 있는 최대 토큰 길이
3. 인공 지능의 모델 구조 및 생성 모델
ㅇ Transformer (트랜스포머 구조)
- 자연어 처리,멀티모달 모델의 표준 구조
. Self-attention을 사용해 문맥을 학습
. CNN/RNN 구조 보다 병렬 처리 효율이 높아 대규모 학습에 적합
ㅇ Generative Model (생성 모델)
- 학습한 패턴을 이용해, 새로운 텍스트,이미지,음성 등을 생성하는 모델
ㅇ GAN (Generative Adversarial Network, 생성적 적대 신경망)
- 두 개의 신경망(Generator vs Discriminator)이 적대적(Adversarial)으로 경쟁하며 학습해,
. 현실과 유사한 새로운 데이터를 생성하는 모델 구조
* 2014년 Ian Goodfellow가 제안한 대표적 생성 모델
ㅇ Diffusion Model (확산 모델)
- 노이즈 → 점진적 제거 방식으로 고 품질 이미지 생성
. 이미지 생성 분야의 최신 주류 모델
ㅇ Latent Space (잠재 공간)
- 모델이 내부적으로 의미를, "벡터 공간"에 배치해 표현하는 공간
. 생성 모델의 "의미 좌표계" 역할
4. 인공 지능의 학습 및 최적화
ㅇ Adversarial Learning (적대적 학습)
- 적대자(공격자)를 설정해, 모델이 견고하도록 학습시키는 방식
ㅇ Transfer Learning (전이 학습)
- 기존에 학습된 모델의 지식을, 새로운 작업에 재활용하는 방식
ㅇ Fine-tuning (파인 튜닝)
- 사전 학습 모델을, 특정 도메인 데이터로 추가 학습해. "특화 모델"로 만드는 과정
ㅇ RLHF (Reinforcement Learning from Human Feedback)
- 인간 피드백을 활용해, 모델의 출력을, "사람이 선호하는 방향"으로 조정
. ChatGPT 등 최신 LLM 학습의 핵심 과정
ㅇ Knowledge Distillation (지식 증류)
- 큰 모델(Teacher)의 지식을, 작은 모델(Student)에 압축하여 전달하는 방식
. 경량화,온디바이스 AI에 활용
5. 인공 지능의 사용,입력 기술
ㅇ Prompt Engineering (프롬프트 엔지니어링)
- LLM에 적절한 입력(프롬프트)을 구성하여 원하는 출력을 얻는 기법
ㅇ Inference (추론)
- 학습된 모델에 입력을 넣어, 실제 결과를 생성하는 과정을 일컬음
. 지연 시간, 효율성 등과 관련됨
6. 인공 지능의 위험,한계 요소
ㅇ Hallucination (환각)
- AI가 사실이 아닌 내용을 "그럴듯하게 만들어내는" 현상
. LLM(대규모 언어 모델)의 대표적 문제
ㅇ Bias (편향)
- 데이터 또는 모델이 특정 패턴이나 집단에 대해, 불공정하거나 왜곡된 결과를 내는 문제
ㅇ Explainability (설명가능성)
- AI가 왜 그런 답변을 했는지 해석 가능성 정도
. 의료,법률 등 규제 분야에서 중요