전체 문서(색인)

현재 검토 완료된 백과 문서는 1600개다.

ㄱㄲㄴㄷㄹㅁㅂㅅㅆㅇㅈㅊㅋㅌㅍㅎABCDFGHIJKLMNOPQRSTUWXYZ기타

ㄱ

• 가드레일AI 시스템의 입력·출력·도구 행동과 운영 상태를 정책에 맞게 제한·검사·기록하는 다층 안전 통제 장치다.
• 가드레일 커버리지 행렬가드레일 커버리지 행렬은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 가명화가명화는 직접 식별자를 별도 관리되는 대체값으로 바꾸어 추가 정보 없이는 개인과 연결하기 어렵게 하는 처리다.
• 가산 어텐션가산 어텐션은 질의와 키를 별도 선형 변환한 뒤 비선형 함수와 점수 벡터로 정렬 점수를 계산하는 어텐션 방식이다.
• 가설가설은 입력에서 출력을 예측하기 위해 학습 알고리즘이 후보로 고려하는 하나의 함수나 규칙이다.
• 가설 공간가설 공간은 학습 알고리즘이 선택할 수 있는 모든 후보 함수나 모델의 집합이다.
• 가설검정가설 검정은 관측 데이터가 귀무가설과 얼마나 양립하는지 정해진 오류 통제 규칙으로 판단하는 통계 절차다.
• 가속기 메모리가속기 메모리는 GPU·TPU·NPU가 모델 가중치, 활성값과 캐시를 저장하고 계산 장치에 공급하는 메모리 계층이다.
• 가속기 메모리 계층가속기 메모리 계층은 레지스터, 온칩 공유 메모리·캐시, 고대역폭 장치 메모리와 호스트 메모리로 이어지는 저장 단계다.
• 가속기 인터커넥트가속기 인터커넥트는 GPU·NPU 같은 가속기 사이에서 텐서와 동기화 정보를 고속으로 전달하는 연결 기술이다.
• 가우스 과정가우스 과정은 함수의 임의 유한 개 지점 값이 다변량 정규분포를 이루도록 정의한 비모수 베이즈 모델이다.
• 가중치신경망에서 입력 신호의 영향력을 조절하며 학습 과정에서 손실을 줄이는 방향으로 갱신되는 수치형 매개변수다.
• 가중치 감쇠가중치 감쇠는 최적화 갱신에서 가중치 크기를 지속적으로 줄여 지나치게 큰 파라미터를 억제하는 정규화 방식이다.
• 가중치 전용 양자화가중치 전용 양자화는 모델 가중치만 낮은 비트로 저장·계산하고 활성값은 상대적으로 높은 정밀도로 유지하는 방식이다.
• 가치 함수 손실가치 함수 손실은 상태나 상태-행동의 예상 누적 보상 예측과 목표 반환값 사이의 오차를 측정하는 손실이다.
• 간접 프롬프트 인젝션모델이 읽는 웹·문서·메일·도구 결과 같은 외부 데이터에 악성 지시를 숨겨 애플리케이션의 행동을 바꾸려는 공격이다.
• 감독 에이전트감독 에이전트는 목표를 하위 작업으로 나누고 작업 에이전트의 배정·진행·결과를 통제하는 상위 역할이다.
• 감지-사고-행동 순환센서 입력을 수집하고 해석한 뒤 행동을 선택해 환경에 적용하는 세 단계 제어 모형이다.
• 강화학습에이전트가 환경과 상호작용하며 누적 보상을 높이는 행동 정책을 학습하는 방식이다.
• 개념 드리프트개념 드리프트는 시간에 따라 입력과 목표 사이의 관계가 바뀌어 과거 데이터로 학습한 모델의 예측 규칙이 덜 맞게 되는 현상이다.
• 개념 활성화 벡터개념 활성화 벡터는 신경망의 중간 표현 공간에서 사람이 정의한 개념의 방향을 학습해 출력이 그 개념에 얼마나 민감한지 측정하는 도구다.
• 개방형 신경망 교환 형식개방형 신경망 교환 형식은 서로 다른 프레임워크와 런타임 사이에서 모델 그래프와 가중치를 전달하기 위한 ONNX 표준이다.
• 개방형 어휘 객체 탐지개방형 어휘 객체 탐지는 학습 때 고정된 클래스 목록을 넘어 텍스트로 제시한 새로운 범주의 위치와 이름을 예측한다.
• 개별 채점 평가 설계개별 채점 평가 설계는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 개별 LLM 심사개별 LLM 심사은 평가 모델이 한 응답을 독립적으로 보고 절대 등급이나 수치 점수를 부여하는 방식이다.
• 개인 식별 정보개인 식별 정보는 단독 또는 다른 정보와 결합해 특정 개인을 직접·간접적으로 식별할 수 있는 정보다.
• 개인정보 감사개인정보 감사는 데이터 수명주기와 시스템 동작이 명시된 개인정보 원칙·정책·법적 요구를 지키는지 증거로 점검하는 절차다.
• 개인정보 공격개인정보 공격은 모델·출력·기울기·API 응답을 이용해 개인의 참여 여부나 민감한 속성·원본 정보를 추론하려는 공격이다.
• 개인정보 보호AI 시스템이 개인 데이터를 수집·처리·저장·공개할 때 권리와 위험을 관리하는 원칙이다.
• 개인정보 보호 학습개인정보 보호 학습은 모델 효용을 유지하면서 개별 학습 사례의 노출과 추론 위험을 줄이는 학습 방법군이다.
• 개체 연결개체 연결은 텍스트의 개체 언급을 지식베이스의 고유 항목에 대응시키거나 연결 불가로 판정하는 작업이다.
• 객체 탐지이미지나 영상에서 관심 객체의 종류와 위치를 경계 상자 같은 공간 좌표로 함께 예측하는 컴퓨터 비전 과제다.
• 거리 공간거리 공간은 집합과 함께 비음수성·동일성·대칭성·삼각부등식을 만족하는 거리 함수를 갖는 수학적 구조다.
• 거리 지표 선택거리 지표 선택은 임베딩 공간에서 어떤 유사도 함수가 과제의 관련성과 인덱스 구조에 맞는지 결정하는 과정이다.
• 거리 학습거리 학습은 같은 의미의 표본은 가깝고 다른 의미의 표본은 멀어지도록 표현 공간의 거리 함수나 임베딩을 학습하는 방법이다.
• 검색 결과 다양성검색 결과 다양성은 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 결과 중복 제거검색 결과 중복 제거는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 결과 출처검색 결과 출처는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 결합 트랜스포머검색 결합 트랜스포머는 외부 코퍼스에서 찾은 이웃 문맥을 모델 계산에 통합해 매개변수 밖의 정보를 사용하는 구조다.
• 검색 결합 프롬프트검색 결합 프롬프트는 검색된 문서를 모델의 답변 근거로 제공하도록 문맥 배치, 인용 규칙과 불충분 정보 처리를 정의한 입력 형식이다.
• 검색 대체 전략검색 대체 전략은 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 문맥검색 문맥은 질의에 응답하기 위해 검색 시스템이 선택해 생성 모델에 제공하는 문서 조각과 메타데이터의 집합이다.
• 검색 색인 마이그레이션검색 색인 마이그레이션은 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 용량 계획검색 용량 계획은 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 적중률검색 적중률은 질의의 상위 k 결과 안에 하나 이상의 정답 또는 관련 항목이 포함된 비율이다.
• 검색 접근 제어검색 접근 제어는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 증강 생성외부 자료를 검색해 그 결과를 생성 모델의 문맥으로 제공하는 구조다.
• 검색 질의 라우팅검색 질의 라우팅은 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 캐시 무효화검색 캐시 무효화는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 콘텐츠 신뢰검색 콘텐츠 신뢰는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 평가검색 평가는 질의에 대해 관련 문서가 결과 목록의 적절한 위치에 나타나는지를 측정하는 과정이다.
• 검색 품질 SLO검색 품질 SLO은 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 검색 필터링검색 필터링은 의미 또는 키워드 검색 전후에 메타데이터·권한·시간·품질 조건으로 후보 문서를 제한하는 과정이다.
• 검색기질의와 관련된 문서나 청크 후보를 저장소에서 찾는 구성 요소다.
• 검증 데이터셋검증 데이터셋은 모델 학습 중 하이퍼파라미터 선택과 조기 종료에 사용하지만 가중치 직접 학습에는 쓰지 않는 분할이다.
• 검증 손실검증 손실은 학습에 사용하지 않은 고정 검증 집합에서 현재 모델의 목적 함수 값을 계산한 지표다.
• 검증 에이전트검증 에이전트는 주장이나 작업 결과가 명세, 외부 근거 또는 실행 가능한 검사와 일치하는지 확인하는 에이전트다.
• 게이트 순환 유닛게이트 순환 유닛은 갱신 게이트와 리셋 게이트로 이전 상태와 새 후보 상태를 혼합하는 순환 신경망 구조다.
• 견고성 평가 그리드견고성 평가 그리드는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 결과 보상 모델결과 보상 모델은 생성 과정 전체보다 최종 산출물의 정확성이나 선호도를 입력으로 평가하는 모델이다.
• 결정 트리결정 트리는 특성 조건으로 데이터를 재귀적으로 분할해 잎에서 범주나 수치를 예측하는 비모수 지도학습 모형이다.
• 결정적 추론결정적 추론은 같은 모델·입력·설정·실행 환경에서 반복할 때 같은 출력을 산출하도록 통제된 추론 방식이다.
• 결합 엔트로피결합 엔트로피는 둘 이상의 확률변수 값을 함께 관측하기 전의 전체 평균 불확실성이다.
• 결합확률분포결합확률분포는 둘 이상의 확률변수가 동시에 특정 값을 취하는 가능성을 하나의 분포로 나타낸 것이다.
• 경로 매개변수경로 매개변수는 URL 경로의 일부를 변수로 사용해 특정 자원이나 계층을 식별하는 API 입력이다.
• 경사하강법손실 함수의 기울기 반대 방향으로 파라미터를 반복 갱신하는 최적화 방법이다.
• 계산 그래프계산을 값과 연산 노드, 의존 관계의 방향성 그래프로 표현한 구조다.
• 계산 비용계산 비용은 AI 작업이 소비한 프로세서 시간, 메모리, 저장소, 네트워크와 에너지에 가격을 적용한 총 자원 비용이다.
• 계산 최적 학습계산 최적 학습은 고정된 총 계산 예산에서 모델 크기와 학습 토큰 수를 배분해 손실을 최소화하는 학습 설계다.
• 계산지능계산지능은 신경망, 진화 계산, 퍼지 시스템처럼 적응과 근사 계산을 활용해 복잡한 문제를 푸는 접근 계열이다.
• 계층별 관련성 전파계층별 관련성 전파는 모델 출력 점수를 보존 규칙에 따라 뒤쪽 층에서 입력 특징까지 재분배하는 설명 기법이다.
• 계층적 과제 네트워크계층적 과제 네트워크는 복잡한 목표를 미리 정의한 방법 규칙에 따라 더 작은 작업으로 반복 분해하는 계획 표현이다.
• 계층적 군집화계층적 군집화는 데이터 집단을 단계적으로 합치거나 나누어 중첩된 군집 관계를 덴드로그램으로 표현하는 방법이다.
• 계층적 탐색 가능 소세계 그래프계층적 탐색 가능 소세계 그래프는 벡터를 여러 층의 근접 그래프로 연결해 근사 최근접 이웃을 빠르게 찾는 인덱스다.
• 계층형 트랜스포머계층형 트랜스포머는 토큰, 문장, 문서처럼 서로 다른 해상도의 표현을 단계적으로 계산하고 결합하는 구조다.
• 계획목표를 하위 단계와 실행 순서로 분해하고 필요에 따라 계획을 수정하는 과정이다.
• 계획 검증계획 검증은 생성된 행동 순서가 전제조건·안전 제약·목표 조건을 만족하는지 실행 전에 확인하는 과정이다.
• 계획 평가계획 평가는 목표를 달성하기 위해 만든 행동 순서가 타당하고 효율적이며 제약을 지키는지를 측정한다.
• 계획 후 실행계획 후 실행은 목표를 먼저 여러 하위 과제로 분해한 다음 실행기가 각 단계를 수행하고 결과에 따라 계획을 수정하는 에이전트 방식이다.
• 계획자 에이전트계획자 에이전트는 목표를 실행 가능한 단계로 분해하고 선후 관계, 필요한 정보와 도구를 정하는 에이전트다.
• 고대역폭 메모리고대역폭 메모리는 넓은 인터페이스와 적층 구조로 가속기에 높은 데이터 전송률을 제공하는 메모리 기술이다.
• 고유분해고유분해는 행렬을 고유벡터 행렬과 고윳값 대각행렬의 곱으로 나타내는 분해다.
• 고윳값과 고유벡터고윳값과 고유벡터는 선형 변환 뒤에도 방향이 유지되고 크기만 특정 배수로 변하는 벡터와 그 배수다.
• 고전적 인공지능명시적인 기호, 논리, 규칙, 탐색과 지식 표현을 중심으로 한 고전적 인공지능 연구 전통을 가리키는 표현이다.
• 고차원 기하학고차원 기하학은 차원이 큰 벡터 공간에서 거리·각도·부피·확률 질량이 보이는 비직관적 성질을 다루는 영역이다.
• 곡선 아래 면적성능 곡선 아래의 면적을 하나의 수로 요약한 값이며 어떤 곡선과 적분 규칙을 사용했는지 함께 명시해야 한다.
• 골든 세트 거버넌스골든 세트 거버넌스는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 곱 양자화곱 양자화는 고차원 벡터를 여러 부분공간으로 나누고 각 부분을 작은 코드북의 중심점 번호로 압축하는 방법이다.
• 공간 추론공간 추론은 객체의 위치, 방향, 거리, 포함과 이동 관계를 표현하고 보이지 않는 관계를 도출하는 능력이다.
• 공동 임베딩 공간공동 임베딩 공간은 서로 다른 모달리티의 의미적으로 대응하는 항목을 비교할 수 있도록 같은 벡터 공간에 배치한 표현 체계다.
• 공분산공분산은 두 확률변수가 각자의 평균에서 같은 방향 또는 반대 방향으로 함께 변하는 정도를 나타낸 값이다.
• 공유 에이전트 메모리공유 에이전트 메모리는 여러 에이전트가 공동으로 읽거나 갱신하는 사실, 작업 상태와 경험 저장소다.
• 공정성 지표공정성 지표는 집단 또는 개인 사이의 예측 결과와 오류 차이를 특정 규범 기준으로 수치화한 측정값이다.
• 공짜 점심 없음 정리공짜 점심 없음 정리는 모든 가능한 문제 분포를 평균하면 어떤 학습 알고리즘도 다른 알고리즘보다 항상 우월할 수 없다는 결과다.
• 과도한 자율성과도한 자율성은 AI 시스템에 필요한 범위를 넘는 기능, 권한 또는 독립 실행 능력을 부여해 피해 가능성이 커지는 위험이다.
• 과소적합과소적합은 모델이 학습 데이터의 주요 구조조차 충분히 표현하거나 최적화하지 못해 학습과 평가 오차가 모두 큰 상태다.
• 과적합과적합은 모델이 학습 데이터의 우연한 세부와 잡음까지 맞춰 새 데이터에서 성능이 떨어지는 상태다.
• 과정 보상 모델과정 보상 모델은 최종 답뿐 아니라 문제 해결의 각 중간 단계가 올바른지를 평가해 점수를 주는 모델이다.
• 과제 벡터과제 벡터는 미세조정 모델과 기반 모델의 가중치 차이로 표현한 과제별 파라미터 업데이트다.
• 과제 벤치마크과제 벤치마크는 번역·분류·코드 생성처럼 명시된 한 과제의 성능을 비교하기 위한 데이터와 채점 규칙이다.
• 과제 완료율과제 완료율은 할당된 작업 중 명시한 완료 조건에 도달한 작업의 비율이다.
• 과제 적응과제 적응은 범용 또는 다른 과제로 학습된 모델을 새로운 목표 과제의 입출력과 평가 기준에 맞게 조정하는 과정이다.
• 관련성 점수관련성 점수는 특정 질의와 문서가 정보 요구 관점에서 얼마나 잘 맞는지를 나타내는 수치다.
• 관리형 추론 플랫폼관리형 추론 플랫폼은 클라우드나 서비스 제공자가 인프라 운영을 맡고 사용자가 모델 배포와 호출에 집중하게 하는 호스팅 서비스다.
• 관측성로그·메트릭·추적 정보로 시스템 내부 상태와 실패 원인을 이해할 수 있는 정도다.
• 광학 문자 인식이미지 속 글자의 위치와 내용을 판독해 텍스트로 변환하는 기술이다.
• 광학 흐름광학 흐름은 연속 영상 프레임 사이에서 각 화소가 이동한 방향과 크기를 추정한 벡터장이다.
• 교사 강요교사 강요는 순차 모델 학습에서 이전 시점의 모델 예측 대신 실제 정답 토큰을 다음 입력으로 제공하는 방법이다.
• 교정 가능성교정 가능성은 AI 시스템이 사람의 수정, 중단, 목표 변경과 통제 시도를 방해하지 않고 받아들이는 성질이다.
• 교정형 RAG교정형 RAG는 검색 결과의 관련성과 신뢰성을 평가한 뒤 부족하거나 잘못된 문맥을 보완해 답변을 생성하는 방식이다.
• 교차 공정성교차 공정성은 성별·인종·연령 등 여러 속성이 겹치는 하위 집단에서 성능과 결과의 불균형을 평가하는 관점이다.
• 교차 모달 지연 예산교차 모달 지연 예산은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 교차 배열 멀티모달 데이터교차 배열 멀티모달 데이터는 한 문맥 안에서 텍스트와 이미지·영상·음성 등의 항목이 의미 순서에 따라 번갈아 나타나는 자료다.
• 교차 사이트 요청 위조교차 사이트 요청 위조는 로그인된 사용자의 브라우저가 공격자 의도대로 다른 사이트에 상태 변경 요청을 보내게 하는 공격이다.
• 교차 엔트로피교차 엔트로피는 실제 분포의 표본을 다른 예측 분포로 부호화할 때 필요한 평균 정보량이다.
• 교차 출처 자원 공유교차 출처 자원 공유는 서버가 브라우저의 동일 출처 정책을 선택적으로 완화하도록 허용 출처와 요청 조건을 HTTP 헤더로 알리는 메커니즘이다.
• 교차모달 어텐션교차모달 어텐션은 한 모달리티의 표현을 질의로, 다른 모달리티의 표현을 키와 값으로 사용해 관련 정보를 선택하는 연산이다.
• 교차모달 정렬교차모달 정렬은 서로 다른 모달리티에서 같은 대상이나 의미를 나타내는 요소를 대응시키는 과정이다.
• 교차언어 임베딩교차언어 임베딩은 서로 다른 언어의 의미가 같은 문장이나 문서를 공통 벡터 공간에서 가깝게 표현한다.
• 구간 손상 복원구간 손상 복원은 연속된 여러 토큰 구간을 특수 표식으로 바꾸고 누락된 구간을 생성하도록 하는 잡음 제거 학습 방식이다.
• 구절 검색구절 검색은 긴 문서를 작은 문단이나 청크로 나누어 질의에 직접 관련된 구간을 반환하는 검색 과제다.
• 구조화 출력모델 출력을 미리 정의한 JSON 스키마나 데이터 구조에 맞추는 기능이다.
• 구조화 출력 복구구조화 출력 복구는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 국소 최적점과 전역 최적점국소 최적점은 주변에서 가장 좋은 해이고 전역 최적점은 전체 실현 가능 영역에서 가장 좋은 해다.
• 군집화군집화는 정답 레이블 없이 유사한 데이터가 같은 집단에 모이도록 구조를 찾는 비지도학습 과제다.
• 귀납적 편향귀납적 편향은 관찰하지 않은 사례로 일반화할 때 일부 가설을 다른 가설보다 선호하게 하는 가정이다.
• 그래디언트 노름기울기 노름은 손실 함수의 파라미터 기울기 벡터 크기를 하나의 스칼라로 요약한 값이다.
• 그래디언트 누적그래디언트 누적은 여러 마이크로배치의 그래디언트를 모은 뒤 한 번 매개변수를 갱신해 큰 유효 배치를 구현하는 기법이다.
• 그래디언트 부스팅그래디언트 부스팅은 이전 앙상블의 손실을 줄이는 방향으로 약한 예측기를 순차적으로 추가하는 지도학습 방법이다.
• 그래디언트 소실그래디언트 소실은 깊거나 반복적인 계산 그래프에서 역전파 신호가 연속 곱셈으로 매우 작아져 앞단 매개변수가 거의 학습되지 않는 현상이다.
• 그래디언트 신호그래디언트 신호는 손실이 각 파라미터 변화에 얼마나 민감한지를 나타내며 역전파로 층을 거슬러 전달된다.
• 그래디언트 체크포인팅그래디언트 체크포인팅은 순전파 활성값 일부만 저장하고 역전파 때 누락된 구간을 다시 계산해 메모리를 줄이는 기법이다.
• 그래디언트 클리핑그래디언트 클리핑은 그래디언트 값이나 전체 노름이 임계값을 넘을 때 크기를 제한해 불안정한 갱신을 줄이는 기법이다.
• 그래디언트 폭주그래디언트 폭주는 역전파 과정의 반복 곱셈으로 그래디언트 크기가 급격히 커져 손실과 매개변수가 불안정해지는 현상이다.
• 그래프 검색그래프 검색은 질의와 관련된 노드·간선·경로를 구조적·의미적 조건으로 찾아 반환하는 정보 검색 방식이다.
• 그래프 신경망그래프 신경망은 노드와 간선으로 표현된 비정형 구조에서 이웃 정보를 전달·집계해 표현을 학습하는 신경망이다.
• 그래프 어텐션 네트워크그래프 어텐션 네트워크는 각 노드가 이웃마다 다른 학습된 중요도를 부여해 정보를 집계하는 그래프 신경망이다.
• 그래프 컴파일그래프 컴파일은 모델의 연산과 데이터 의존성을 그래프로 표현해 대상 하드웨어용 실행 계획으로 변환하는 과정이다.
• 그래프 트랜스포머그래프 트랜스포머는 노드와 간선 구조를 어텐션에 반영해 그래프 데이터를 처리하는 트랜스포머 계열 모델이다.
• 그래프 합성곱 신경망그래프 합성곱 신경망은 그래프의 인접 구조와 정규화된 이웃 집계를 사용해 노드 표현을 변환하는 그래프 신경망이다.
• 그래픽 처리 장치그래픽 처리 장치는 많은 연산 코어와 높은 메모리 대역폭으로 병렬 행렬·벡터 계산을 수행하는 프로세서다.
• 그룹 정규화그룹 정규화는 한 표본의 채널을 여러 그룹으로 나눠 그룹 내부 통계로 활성값을 정규화하는 방법이다.
• 그룹 쿼리 어텐션그룹 쿼리 어텐션은 여러 질의 헤드를 그룹으로 나누고 그룹마다 하나의 키·값 헤드를 공유하는 구조다.
• 그리디 디코딩매 단계에서 확률이 가장 높은 토큰을 선택하는 결정적 생성 방식이다.
• 근거 기반 생성근거 기반 생성은 주어진 문서나 검증 가능한 자료에 답변의 사실 주장을 제한하는 생성 방식이다.
• 근거 충실도근거 충실도는 시스템 출력이 주어진 자료나 관측 가능한 사실에 기반하고 근거 밖 내용을 단정하지 않는 성질이다.
• 근거화모델 출력을 제공된 자료나 검증 가능한 외부 사실에 연결하는 방법이다.
• 근사 오차근사 오차는 정확한 수학적 대상과 유한 모델·격자·절단·반복 계산으로 얻은 근사값 사이의 차이다.
• 근사 최근접 이웃 검색정확도를 일부 양보하고 대규모 벡터 검색 속도를 높이는 알고리즘 계열이다.
• 글로벌 어텐션글로벌 어텐션은 선택된 토큰이 시퀀스 전체와 상호작용하거나 모든 토큰이 전역 위치를 볼 수 있게 하는 연결 방식이다.
• 기각 표본추출거부 표집은 제안 분포에서 후보를 생성한 뒤 목표 기준에 따른 수용 확률이나 임계값으로 일부만 채택하는 표집 방법이다.
• 기계론적 해석 가능성기계론적 해석 가능성은 신경망 내부의 구성 요소와 계산 경로가 특정 기능과 출력을 어떻게 구현하는지 인과적으로 설명하려는 연구 접근이다.
• 기대 보정 오차기대 보정 오차(ECE)는 비슷한 신뢰도의 예측을 구간으로 묶고 각 구간의 평균 신뢰도와 실제 정확도 차이를 가중 평균한 값이다.
• 기댓값기댓값은 확률변수가 장기 반복에서 취할 값의 확률 가중 평균을 나타내는 분포의 요약량이다.
• 기만적 정렬기만적 정렬은 모델이 평가나 감독 상황에서는 목표에 맞는 행동을 보이지만 다른 상황에서 숨은 목표를 추구할 수 있다는 가설적 실패 유형이다.
• 기밀 컴퓨팅기밀 컴퓨팅은 하드웨어 기반 신뢰 실행 환경에서 사용 중인 데이터와 코드를 격리·검증해 보호하는 방식이다.
• 기억 망각기억 망각은 오래되거나 부정확하거나 과제와 무관한 기록의 검색 우선순위를 낮추거나 삭제하는 기억 관리 과정이다.
• 기억 통합기억 통합은 여러 일화와 단기 기록에서 반복되는 정보를 추려 더 안정적인 요약·의미 기억·절차로 재구성하는 과정이다.
• 기울기여러 변수에 대한 함수 변화율을 모은 벡터로, 손실을 줄이는 방향을 알려준다.
• 기저 벡터기저 벡터는 벡터 공간의 모든 벡터를 유일한 선형결합으로 표현할 수 있게 하는 선형 독립 벡터 집합의 원소다.
• 기호주의 인공지능지식을 기호와 명시적 규칙으로 표현하고 탐색·추론 절차를 적용해 결론이나 행동을 도출하는 인공지능 접근법이다.
• 기회 균등기회 균등은 실제 양성인 사례에서 보호 집단별 참양성률이 같도록 요구하는 공정성 기준이다.
• 긴 문맥 라우팅긴 문맥 라우팅은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 길이 외삽길이 외삽은 모델이 학습에서 본 시퀀스 길이를 넘어선 입력에서도 규칙과 성능을 유지하는 능력이다.
• 길이 페널티길이 페널티는 후보 시퀀스 점수를 길이에 따라 보정해 빔 탐색이 지나치게 짧거나 긴 출력을 선호하지 않게 하는 규칙이다.
• 깊이 혼합깊이 혼합은 각 트랜스포머 층에서 일부 토큰만 계산 블록을 통과시키고 나머지는 우회시켜 토큰별 계산 깊이를 달리하는 조건부 계산 기법이다.

ㄲ

• 꼬리 지연 시간꼬리 지연 시간은 요청 지연시간 분포의 높은 백분위에서 관찰되는 느린 응답 시간이다.

ㄴ

• 나이브 베이즈 분류기나이브 베이즈 분류기는 클래스가 주어졌을 때 특성들이 조건부 독립이라고 가정해 사후확률을 계산하는 확률 분류기다.
• 내적같은 길이의 두 벡터에서 대응 성분의 곱을 더해 하나의 스칼라를 만드는 연산이다.
• 네스테로프 가속 경사법네스테로프 가속 경사법은 모멘텀으로 예상한 앞선 위치에서 기울기를 계산해 갱신 방향을 미리 보정하는 최적화법이다.
• 뉴턴 방법뉴턴 방법은 함수의 국소 이차 근사를 사용해 근 또는 최적점을 반복적으로 찾는 방법이다.
• 능동학습능동학습은 모델이 라벨을 받으면 가장 도움이 될 표본을 선택하고 사람이나 오라클에 질의하는 학습 방식이다.
• 능력 벤치마크능력 벤치마크는 지식, 추론, 계획처럼 여러 과제에 걸친 상위 능력을 조작적으로 정의해 측정하는 평가다.
• 능력 통제능력 통제는 AI 시스템이 가진 위험한 능력을 승인된 범위 밖에서 사용하지 못하도록 접근과 실행 경로를 제한하는 방법이다.

ㄷ

• 다국어 능력다국어 능력은 모델이 여러 언어의 입력을 이해하고 생성하며 언어 사이의 의미를 이전하는 능력이다.
• 다국어 언어 모델다국어 언어 모델은 여러 언어의 텍스트를 공동 학습해 언어 간에 표현과 능력을 공유하는 모델이다.
• 다국어 평가 프로토콜다국어 평가 프로토콜은 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 다변수 미적분학다변수 미적분학은 여러 입력을 갖는 함수의 극한, 미분, 적분과 최적화를 다루는 수학 분야다.
• 다양성 빔 탐색다양성 빔 탐색은 빔을 여러 그룹으로 나누고 앞선 그룹과 유사한 후보에 패널티를 주어 서로 다른 시퀀스를 찾는 방법이다.
• 다양체 학습다양체 학습은 고차원 관측이 더 낮은 차원의 비선형 구조 위에 놓인다는 가정 아래 그 내재 좌표를 찾는 방법군이다.
• 다음 문장 예측다음 문장 예측은 두 텍스트 구간이 원문에서 연속해 나타났는지 분류하도록 하는 사전학습 과제다.
• 다음 토큰 예측앞선 토큰 문맥을 조건으로 바로 다음 토큰의 확률분포를 예측하도록 언어 모델을 학습하고 생성하는 방식이다.
• 다중 과제 목적 함수다중 과제 목적 함수는 하나의 모델이 여러 과제의 손실을 함께 최적화하도록 결합한 학습 목표다.
• 다중 과제 지시 튜닝다중 과제 지시 튜닝은 서로 다른 과제를 자연어 지시 형식으로 통합해 하나의 모델을 동시에 미세조정하는 방법이다.
• 다중 과제 학습다중 과제 학습은 관련된 여러 과제를 하나의 모델 또는 공유 표현으로 동시에 학습해 일반화를 높이는 방법이다.
• 다중 모델 서빙다중 모델 서빙은 하나의 서빙 플랫폼이나 자원 풀에서 여러 모델과 버전을 동시에 운영하는 방식이다.
• 다중 벡터 검색다중 벡터 검색은 문서 하나를 단일 벡터가 아니라 토큰·구절·관점별 여러 벡터로 표현해 세밀한 일치를 계산하는 방식이다.
• 다중 에이전트 갈등 해결다중 에이전트 갈등 해결은 에이전트들의 목표, 자원 요구나 결론이 충돌할 때 공동 실행 가능한 결정을 만드는 과정이다.
• 다중 에이전트 토론다중 에이전트 토론은 여러 에이전트가 서로 다른 답이나 근거를 제시하고 반박하면서 결론을 개선하는 협업 추론 방식이다.
• 다중 에이전트 합의다중 에이전트 합의는 여러 에이전트가 서로 다른 제안이나 믿음에서 출발해 공동으로 채택할 결론을 정하는 절차다.
• 다중 홉 RAG다중 홉 RAG는 하나의 검색으로 답하기 어려운 질의를 여러 단계의 검색과 추론으로 해결하는 검색 증강 생성 방식이다.
• 다층 퍼셉트론다층 퍼셉트론은 완전연결 선형 변환과 비선형 활성함수를 여러 층 쌓은 순방향 신경망이다.
• 다항 표본추출각 토큰의 확률을 범주형 분포로 보고 그 분포에서 다음 토큰 하나를 무작위로 추출하는 생성 방법이다.
• 답변 관련성답변 관련성은 생성된 답이 사용자의 질문 의도와 필요한 정보에 얼마나 직접 대응하는지를 나타낸다.
• 닷프로덕트 어텐션닷프로덕트 어텐션은 질의와 키의 내적을 호환도 점수로 사용하고 정규화한 가중치로 값을 결합한다.
• 대규모 언어 모델대규모 데이터와 많은 파라미터로 학습해 다양한 언어 과제를 수행하는 언어 모델이다.
• 대조 목적 함수대조 목적 함수는 관련 있는 표본 표현은 가깝게, 관련 없는 표본 표현은 멀게 배치하도록 학습하는 목적 함수다.
• 대조 언어-이미지 사전학습대조 언어-이미지 사전학습은 짝이 맞는 이미지와 텍스트 표현을 가깝게, 다른 짝을 멀게 만드는 대조 손실로 공동 표현을 학습한다.
• 대조 탐색대조 탐색은 높은 언어 모델 확률과 이전 은닉 표현에 대한 낮은 퇴화를 함께 고려해 다음 토큰을 선택하는 디코딩 방법이다.
• 대조학습대조학습은 관련된 표본 쌍과 관련 없는 표본을 구분하도록 표현을 학습하는 자기지도 또는 지도 학습 방법이다.
• 대체 모델대체 모델은 기본 모델이 실패·과부하·정책 부적합일 때 요청을 처리하도록 준비한 다른 모델이나 규칙 기반 경로다.
• 대화 메모리대화 메모리는 사용자와 에이전트 사이의 발화, 역할, 결정과 미해결 항목을 대화 단위로 유지하는 기억이다.
• 대화 문맥대화 문맥은 현재 발화를 해석하고 응답하기 위해 모델에 제공되는 이전 메시지, 역할, 도구 결과와 대화 상태의 집합이다.
• 대화 상태 압축대화 상태 압축은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 대화형 노트북대화형 노트북은 코드, 실행 결과, 설명과 시각화를 셀 단위 문서에 함께 기록하는 계산 환경이다.
• 대화형 모델 데모대화형 모델 데모는 사용자가 입력을 바꾸고 모델 출력을 즉시 관찰하며 기능과 한계를 탐색하는 실행 가능한 인터페이스다.
• 데이터 누수데이터 누수는 예측 시점에 사용할 수 없는 정보나 평가 대상의 정보가 학습 과정에 들어가 성능을 과대평가하게 하는 오류다.
• 데이터 동의데이터 동의는 개인이 자신의 데이터가 어떤 목적과 범위로 수집·사용·공유되는지 알고 자발적으로 허용한 상태다.
• 데이터 문서화데이터 문서화는 데이터셋의 목적·출처·구성·수집·처리·권장 용도·한계를 구조화해 기록하는 활동이다.
• 데이터 버전 관리데이터 버전 관리는 학습·평가 데이터의 내용과 계보를 코드 버전처럼 식별하고 재현 가능하게 추적하는 실천이다.
• 데이터 병렬화데이터 병렬화는 같은 모델 복제본에 서로 다른 미니배치를 처리하게 하고 기울기를 동기화하는 분산 학습 방식이다.
• 데이터 보존데이터 보존은 수집한 정보를 어떤 목적과 근거로 얼마나 오래 유지하고 언제 삭제할지 정하는 정책과 절차다.
• 데이터 분포데이터 분포는 가능한 관측값과 레이블이 나타날 확률 구조를 설명하는 개념이다.
• 데이터 전처리데이터 전처리는 원시 데이터를 학습과 평가에 적합한 형식·척도·품질로 변환하는 단계다.
• 데이터 주석데이터 주석은 원시 데이터에 범주, 경계, 관계, 선호나 설명을 부여해 학습·평가에 사용할 참조 정보를 만드는 과정이다.
• 데이터 증강과제의 정답 의미를 보존하는 변환이나 합성으로 학습 표본의 다양성을 늘려 모델의 일반화와 견고성을 높이는 기법이다.
• 데이터 처리 부등식데이터 처리 부등식은 확률변수를 후처리해도 원래 변수에 관한 상호정보량이 증가할 수 없다는 성질이다.
• 데이터 최소화데이터 최소화는 명시된 목적에 필요한 범위로 수집·사용·보존하는 개인 데이터를 제한하는 원칙이다.
• 데이터 커리큘럼데이터 커리큘럼은 학습 중 데이터의 난이도, 길이, 품질 또는 영역별 제시 순서를 계획한 전략이다.
• 데이터 편향데이터 편향은 수집·표본·레이블·전처리 과정이 현실 모집단이나 사용 목적을 체계적으로 왜곡한 상태다.
• 데이터 혼합데이터 혼합은 여러 출처, 언어와 과제의 학습 데이터를 어떤 비율과 샘플링 규칙으로 결합할지 정한 구성이다.
• 데이터셋특정 분석이나 학습 목적에 맞춰 구조화하고 관리하는 데이터의 모음이다.
• 데이터셋 데이터시트데이터셋 데이터시트는 데이터의 동기, 구성, 수집, 전처리, 배포, 유지와 권리 정보를 체계적으로 기록하는 문서다.
• 데이터셋 라이브러리데이터셋 라이브러리는 학습·평가 자료의 발견, 버전 관리, 변환, 스트리밍과 배치 접근을 표준화하는 도구다.
• 데이터셋 라이선스데이터셋 라이선스는 데이터의 복제·수정·배포·상업적 이용과 귀속 조건을 정한 법적 허가 조건이다.
• 데이터셋 이용 조건데이터셋 이용 조건은 데이터 수집물의 접근, 연구·상업 사용, 재배포, 개인정보와 표시 의무를 정한 계약 또는 정책이다.
• 데이터셋 중복 제거데이터셋 중복 제거는 동일하거나 매우 유사한 문서와 구간을 찾아 학습 데이터에서 반복을 줄이는 절차다.
• 데이터셋 허브데이터셋 허브는 데이터셋의 파일, 메타데이터, 버전, 사용 조건과 처리 코드를 공유·검색하는 플랫폼이다.
• 도구 결과도구 결과는 외부 기능 실행 뒤 에이전트에 반환되는 데이터, 상태, 오류와 부작용 정보다.
• 도구 결과 처리도구 결과 처리는 외부 호출의 성공 값, 오류, 부분 결과와 부수 효과를 에이전트 상태에 안전하게 반영하는 절차다.
• 도구 권한도구 권한은 에이전트가 특정 도구와 자원에 대해 조회·변경·전송할 수 있는 범위를 제한하는 정책이다.
• 도구 권한 브로커도구 권한 브로커는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 도구 레지스트리도구 레지스트리는 에이전트가 사용할 수 있는 도구의 명세, 버전, 권한과 상태를 검색 가능하게 관리하는 목록이다.
• 도구 발견도구 발견은 현재 과제를 수행할 수 있는 도구를 레지스트리나 서버에서 찾아 기능과 제약을 파악하는 단계다.
• 도구 부작용도구 부작용은 도구 호출이 반환값 이외에 파일·계정·메시지·금전·외부 시스템 상태에 남기는 변화다.
• 도구 사용 평가도구 사용 평가는 에이전트가 적절한 도구를 선택하고 올바른 인수로 호출하며 결과와 오류를 정확히 처리하는지를 측정한다.
• 도구 선택도구 선택은 여러 도구 후보 중 목표, 입력 형식, 비용, 신뢰도와 권한 조건에 맞는 실행 수단을 고르는 과정이다.
• 도구 선택 제어도구 선택 제어은 현재 요청에서 모델이 사용할 수 있는 도구를 허용·금지하거나 특정 도구 사용을 강제하는 제어다.
• 도구 실행도구 실행은 선택된 도구의 입력 스키마에 맞춰 인수를 구성하고 실제 호출을 경계 계층에 전달하는 단계다.
• 도구 오류도구 오류는 에이전트나 API 호출이 형식, 권한, 네트워크, 실행 로직 등의 이유로 정상 결과를 반환하지 못한 상태다.
• 도구 인수도구 인수는 선택된 도구 호출에 전달되는 구조화된 입력 값의 집합이다.
• 도구 정의도구 정의는 에이전트가 호출할 수 있는 기능의 이름, 목적, 입력 스키마, 권한과 부작용을 기술한 계약이다.
• 도구 출력 정화도구 출력 정화는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 도구 호출모델이 정해진 함수 스키마를 선택하고 인수를 생성해 외부 기능 실행을 요청하는 방식이다.
• 도메인 이름 시스템도메인 이름 시스템(DNS)은 사람이 읽는 도메인 이름을 IP 주소와 여러 자원 레코드에 연결하는 분산 계층형 데이터베이스다.
• 도메인 적응도메인 적응은 학습 데이터와 운영 데이터의 분포가 다를 때 목표 도메인 성능을 높이도록 표현이나 모델을 조정하는 방법이다.
• 도메인 전문가 평가도메인 전문가 평가는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 독립 성분 분석독립 성분 분석은 관측된 혼합 신호를 통계적으로 가능한 한 독립적인 잠재 성분의 선형 결합으로 분해하는 방법이다.
• 독순술 인식독순술 인식은 화자의 입술과 얼굴 움직임만으로 발화 음소·단어·문장을 추정하는 시각 음성 인식 과제다.
• 동기 클라이언트동기 클라이언트는 원격 요청이 완료될 때까지 호출 스레드나 작업의 진행을 기다리게 하는 API 사용 방식이다.
• 동기 API 요청동기 API 요청은 클라이언트가 요청을 보낸 연결에서 처리가 끝날 때까지 기다린 뒤 최종 응답을 받는 상호작용 방식이다.
• 동등 오즈동등 오즈는 실제 결과가 주어졌을 때 예측이 보호 집단과 조건부 독립이 되도록 참양성률과 거짓양성률을 같게 요구하는 기준이다.
• 동시성 한도동시성 한도는 한 주체나 서비스에서 같은 시점에 실행될 수 있는 요청·작업 수를 제한하는 운영 정책이다.
• 동적 배칭동적 배칭은 도착 시간이 다른 추론 요청을 짧은 대기 창에서 묶어 실행 시점마다 배치 크기를 구성하는 서빙 방식이다.
• 동적 벤치마크동적 벤치마크는 모델 성능과 실패 양상에 맞추어 평가 사례를 지속적으로 수집·갱신하는 벤치마크다.
• 드롭아웃드롭아웃은 학습 중 무작위로 일부 활성값을 0으로 만들어 특정 특징의 공동 적응을 줄이는 정규화 기법이다.
• 디코더이전 출력과 문맥을 이용해 다음 출력을 순차적으로 생성하는 구성 요소다.
• 디코더 전용 모델인과적 어텐션을 사용하는 디코더 블록만으로 다음 토큰을 생성하는 모델이다.
• 디코드 단계디코드 단계는 이전 출력과 키·값 캐시를 사용해 다음 토큰을 한 단계씩 생성하는 자기회귀 추론 단계다.
• 딥러닝여러 처리 층을 가진 신경망이 데이터에서 단계적인 표현을 학습하도록 훈련하는 머신러닝 접근이다.
• 딥페이크 탐지딥페이크 탐지는 합성·변조된 얼굴·음성·영상과 실제 기록을 구분하고 조작 근거를 찾는 분석 과제다.

ㄹ

• 라그랑주 승수법라그랑주 승수법은 등식 제약을 목적 함수에 승수와 함께 결합해 제약 최적점의 필요조건을 구하는 방법이다.
• 라우터 에이전트라우터 에이전트는 요청의 종류와 위험, 필요한 능력을 판별해 적절한 모델, 도구 또는 전문 에이전트로 전달한다.
• 라이선스 호환성라이선스 호환성은 서로 다른 라이선스의 저작물이나 아티팩트를 결합·재배포할 때 의무가 충돌하지 않는 성질이다.
• 랜덤 포레스트랜덤 포레스트는 부트스트랩 표본과 무작위 특성 부분집합으로 학습한 여러 결정 트리의 예측을 결합하는 앙상블이다.
• 레드팀 근거 로그레드팀 근거 로그는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 레드팀 발견 심각도레드팀 발견 심각도는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 레드팀 시나리오 커버리지레드팀 시나리오 커버리지는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 레드팀 조치 검증레드팀 조치 검증은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 레이블레이블은 지도학습에서 입력 표본에 대응해 제공되는 정답 범주, 값 또는 구조화된 목표 표시다.
• 레이블 스무딩레이블 스무딩은 원-핫 정답분포의 일부 확률 질량을 다른 클래스에 나누어 과도한 확신을 줄이는 정규화 기법이다.
• 레이어 드로핑층 드롭은 학습 중 일부 트랜스포머 층을 확률적으로 건너뛰거나 추론 전에 제거해 깊이에 강건한 모델을 만드는 기법이다.
• 레이어 정규화한 샘플 내부 특성의 분포를 정규화해 학습과 추론을 안정화하는 연산이다.
• 로그 손실모델이 실제 클래스에 부여한 확률의 음의 로그를 평균한 확률적 분류 손실이다.
• 로지스틱 회귀로지스틱 회귀는 특성의 선형 결합을 로짓으로 사용해 범주, 특히 이진 사건의 조건부 확률을 추정하는 분류 모형이다.
• 로짓확률로 정규화하기 전 모델이 각 클래스나 토큰 후보에 내놓는 실수 점수이며, 이항 문제에서는 로그 오즈로 해석된다.
• 로컬 어텐션로컬 어텐션은 각 토큰이 주변의 제한된 창이나 이웃 위치에만 주의를 주도록 연결 범위를 줄인 방식이다.
• 루브릭 기반 심사루브릭 기반 심사은 명시된 평가 차원, 등급 설명과 감점 조건에 따라 후보 응답을 채점하는 방식이다.
• 루브릭 신뢰도루브릭 신뢰도는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 루프라인 모델루프라인 모델은 하드웨어의 최대 계산 성능과 메모리 대역폭을 연산 강도에 따라 결합해 커널 성능 상한을 보여 주는 분석 모델이다.
• 리더보드리더보드는 동일한 평가 규칙으로 측정한 모델이나 시스템의 성능을 순위와 함께 공개하는 표다.
• 리랭커초기 검색 후보를 질의 관련성 기준으로 다시 정렬하는 모델이나 규칙이다.
• 리랭커 예산 관리리랭커 예산 관리는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 리스트와이즈 순위화리스트와이즈 순위화는 한 질의의 후보 목록 전체와 정답 순위를 함께 고려해 학습하는 방법이다.
• 리커트 척도리커트 척도는 응답자가 진술에 대한 동의나 평가 정도를 순서가 있는 여러 범주 중 하나로 표시하는 척도다.
• 리키 버킷리키 버킷은 들어오는 요청을 유한 큐에 담고 거의 일정한 속도로 내보내 출력 트래픽을 평탄화하는 알고리즘이다.

ㅁ

• 마르코프 연쇄마르코프 연쇄는 다음 상태의 확률이 주어진 현재 상태에만 의존하는 확률 과정이다.
• 마르코프 확률장마르코프 확률장은 무방향 그래프로 변수 사이의 국소 상호작용과 조건부 독립을 표현하는 확률 모델이다.
• 마스크 언어 모델마스크 언어 모델은 입력의 일부 토큰을 가리고 양쪽 문맥을 이용해 원래 토큰을 복원하도록 학습한다.
• 마스크 언어 모델링 목표마스크 언어 모델링 목표는 입력 토큰 일부를 숨기거나 바꾼 뒤 주변 문맥으로 원래 토큰을 예측하도록 학습하는 목적 함수다.
• 마트료시카 임베딩마트료시카 임베딩은 하나의 벡터 앞부분만 사용해도 의미 있는 표현이 되도록 여러 중첩 차원에서 동시에 학습한 임베딩이다.
• 마할라노비스 거리마할라노비스 거리는 변수의 분산과 상관관계를 공분산 역행렬로 보정한 다변량 거리다.
• 맨해튼 거리맨해튼 거리는 두 벡터의 각 좌표 차이 절댓값을 합한 L1 거리다.
• 맹검 평가맹검 평가는 평가자가 후보의 제작자·모델명·실험 조건 중 판단에 불필요한 정보를 모른 채 결과를 판정하는 절차다.
• 머신 언러닝머신 언러닝은 특정 학습 데이터의 영향을 모델에서 제거해 해당 데이터를 제외하고 다시 학습한 모델에 가까운 상태를 만드는 절차다.
• 머신러닝명시적으로 모든 규칙을 작성하지 않고 데이터에서 패턴을 학습해 예측이나 결정을 수행하는 인공지능의 한 분야다.
• 머신러닝 파이프라인머신러닝 파이프라인은 데이터 수집·검증·변환·학습·평가·배포 단계를 재현 가능한 의존 그래프로 연결한 작업 흐름이다.
• 머신러닝 프레임워크머신러닝 프레임워크는 모델 정의, 자동 미분, 최적화, 데이터 처리와 장치 실행을 통합 제공하는 개발 기반이다.
• 멀티 에이전트 시스템역할이 다른 여러 에이전트가 협력하거나 경쟁하며 문제를 해결하는 시스템이다.
• 멀티 LoRA 서빙멀티 LoRA 서빙은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 멀티모달 대조 사전학습멀티모달 대조 사전학습은 짝을 이루는 서로 다른 모달리티 표현을 가깝게, 짝이 아닌 표현을 멀게 학습하는 방식이다.
• 멀티모달 모델텍스트·이미지·음성·영상 등 둘 이상의 데이터 양식을 함께 처리하는 모델이다.
• 멀티모달 생성멀티모달 생성은 텍스트·이미지·음성·영상 중 하나 이상의 입력을 조건으로 여러 양식의 새 콘텐츠를 만드는 작업이다.
• 멀티모달 안전 평가멀티모달 안전 평가는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 멀티모달 언어 모델멀티모달 언어 모델은 텍스트와 이미지, 오디오 등 다른 양식의 표현을 언어 모델과 결합해 이해와 생성을 수행한다.
• 멀티모달 융합멀티모달 융합은 둘 이상의 모달리티 표현을 결합해 단일 채널보다 풍부한 예측이나 생성을 수행하는 과정이다.
• 멀티모달 임베딩서로 다른 데이터 양식을 비교 가능한 하나의 벡터 공간에 배치한 표현이다.
• 멀티모달 입력 계약멀티모달 입력 계약은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 멀티모달 지시 튜닝멀티모달 지시 튜닝은 이미지·음성 등과 자연어 지시 및 응답의 짝으로 모델을 조정해 대화형 과제를 수행하게 하는 과정이다.
• 멀티모달 탈옥 공격멀티모달 탈옥 공격은 텍스트 외 이미지·음성 등 입력 채널을 이용해 모델의 안전 정책이나 입력 검사를 우회하도록 유도하는 공격이다.
• 멀티모달 토크나이저멀티모달 토크나이저는 이미지·음성·영상 같은 연속 신호를 모델이 다룰 토큰 또는 토큰 유사 표현으로 변환하는 구성 요소다.
• 멀티모달 트랜스포머멀티모달 트랜스포머는 텍스트·이미지·음성 등 서로 다른 양식의 토큰을 어텐션으로 결합해 공동 표현이나 출력을 만드는 모델이다.
• 멀티모달 평가멀티모달 평가는 둘 이상의 입력·출력 양식을 사용하는 모델의 인식·정렬·추론·생성 품질을 함께 측정하는 평가 체계다.
• 멀티에이전트 교착 상태멀티에이전트 교착 상태는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 멀티에이전트 충돌 중재멀티에이전트 충돌 중재는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 멀티에이전트 합의 프로토콜멀티에이전트 합의 프로토콜은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 멀티쿼리 어텐션멀티쿼리 어텐션은 여러 질의 헤드가 하나의 키·값 헤드 쌍을 공유해 추론 시 KV 캐시 크기와 메모리 대역폭을 줄인다.
• 멀티헤드 어텐션여러 어텐션 헤드가 서로 다른 관계를 병렬로 학습하도록 구성한 연산이다.
• 메모리 네트워크메모리 네트워크는 입력과 분리된 읽기·쓰기 가능한 메모리와 질의 기반 접근을 결합한 신경망 구조다.
• 메모리 대역폭메모리 대역폭은 단위 시간에 메모리와 계산 장치 사이에서 전달할 수 있는 데이터 양이다.
• 메모리 부족 오류메모리 부족 오류는 모델 추론에 필요한 장치 또는 호스트 메모리 할당이 사용 가능한 용량을 넘어 실패한 상태다.
• 메모리 증강 트랜스포머메모리 증강 트랜스포머는 현재 입력 밖의 과거 상태나 외부 기억 슬롯을 읽고 쓰도록 확장된 트랜스포머 계열이다.
• 메모리 집약 작업메모리 집약 작업은 계산 장치보다 메모리에서 데이터를 읽고 쓰는 속도가 실행 시간을 제한하는 작업이다.
• 메모리 토큰메모리 토큰은 구간을 넘어 유지할 정보를 담도록 학습되거나 갱신되는 특별한 토큰 표현이다.
• 메모리 효율적 어텐션메모리 효율적 어텐션은 전체 어텐션 행렬을 메모리에 물질화하지 않고 동일하거나 근사한 출력을 계산하는 방법군이다.
• 메타데이터 필터링메타데이터 필터링은 벡터나 문서의 속성 조건을 사용해 검색 후보를 제한하는 기능이다.
• 메타학습메타학습은 여러 학습 과제의 경험을 이용해 새로운 과제를 적은 데이터와 계산으로 빠르게 학습하는 방법을 배우는 접근이다.
• 멜 스펙트로그램멜 스펙트로그램은 음성 신호의 시간-주파수 에너지를 사람의 청각 해상도에 가까운 멜 주파수 축으로 변환한 표현이다.
• 멤버십 추론 공격멤버십 추론 공격은 특정 데이터가 모델 학습에 포함되었는지를 출력 신뢰도나 행동 차이로 추정하는 개인정보 공격이다.
• 멱등성 키멱등성 키는 같은 쓰기 요청의 재전송을 서버가 동일한 논리 작업으로 식별해 중복 부작용을 막도록 하는 클라이언트 제공 식별자다.
• 명령줄 API 클라이언트명령줄 API 클라이언트는 터미널 명령과 옵션으로 원격 API 요청을 만들고 결과를 표준 출력이나 파일로 제공하는 도구다.
• 명세 편법 수행명세 편법 수행은 시스템이 명시된 보상이나 평가 규칙의 허점을 이용해 의도와 다른 방식으로 높은 점수를 얻는 행동이다.
• 모달리티모달리티는 텍스트, 이미지, 음성, 영상, 센서값처럼 정보를 표현하고 관측하는 자료 형식 또는 채널이다.
• 모달리티 격차모달리티 격차는 이미지, 텍스트, 음성과 같은 서로 다른 양식의 표현 분포와 의미 구조가 자연스럽게 일치하지 않는 현상이다.
• 모달리티 대체 정책모달리티 대체 정책은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모달리티 어댑터모달리티 어댑터는 특정 양식 인코더의 출력을 다른 모델이 소비할 수 있도록 연결하는 소규모 학습 모듈이다.
• 모달리티 투영모달리티 투영은 한 양식의 특징을 다른 양식이나 공통 표현 공간이 기대하는 차원과 분포로 변환하는 과정이다.
• 모델입력을 출력으로 변환하도록 데이터에서 학습된 수학적 함수와 파라미터의 집합이다.
• 모델 가용성모델 가용성은 사용자가 요구한 시점에 모델 서비스가 유효한 응답을 제공할 수 있는 비율이다.
• 모델 가중치 접근 제어모델 가중치 접근 제어는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 가중치 파일학습 과정에서 갱신된 신경망 파라미터 텐서를 저장한 파일 또는 파일 집합이다.
• 모델 가지치기모델 가지치기는 성능에 미치는 영향이 작은 가중치, 채널, 헤드나 층을 제거해 모델 크기와 계산량을 줄이는 기법이다.
• 모델 검색모델 검색은 과제·입력 양식·라이선스·크기·평가 결과 같은 조건으로 사용할 모델 후보를 찾고 비교하는 과정이다.
• 모델 게이트웨이모델 게이트웨이는 여러 모델 제공자와 내부 모델 앞에서 공통 인증, 라우팅, 정책과 관측 기능을 제공하는 진입 계층이다.
• 모델 계보모델이 어떤 데이터, 코드, 구성, 학습 실행, 평가와 상위 아티팩트에서 만들어졌는지를 연결한 계보 정보다.
• 모델 공급망 보안모델 공급망 보안은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 기반 계획모델 기반 계획은 환경의 상태 전이와 보상 또는 비용을 예측하는 모델을 이용해 행동 결과를 미리 비교하는 방식이다.
• 모델 대체 체인모델 대체 체인은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 드리프트 모니터링모델 드리프트 모니터링은 운영 입력, 예측과 성능의 통계적 관계가 기준 기간에서 변하는지 지속 확인하는 과정이다.
• 모델 라이선스모델 가중치·코드 등 배포물의 사용·수정·재배포 조건을 정한 법적 약정이다. 일부 약정은 출력과 파생 모델의 이용 조건도 별도로 규정한다.
• 모델 레지스트리학습된 모델 버전과 메타데이터·검증 상태·배포 참조를 중앙에서 추적하고 관리하는 수명주기 시스템이다.
• 모델 로딩 지연 시간모델 로딩 지연 시간은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 롤백문제가 있는 모델 변경을 중단하고 이전에 검증된 모델·구성·데이터 처리 상태로 되돌리는 복구 절차다.
• 모델 롤백 안전성모델 롤백 안전성은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 메타데이터모델 메타데이터는 모델의 제작자·버전·과제·입출력·학습 데이터·라이선스·평가 결과를 설명하는 구조화된 정보다.
• 모델 모니터링 플랫폼모델 모니터링 플랫폼은 배포된 모델의 입력, 예측, 지연시간, 오류와 품질 변화를 지속 관찰하는 시스템이다.
• 모델 배포모델 배포는 검증된 모델 아티팩트를 실제 요청이나 배치 작업이 사용할 수 있는 실행 환경에 제공하는 과정이다.
• 모델 백도어평소에는 정상적으로 동작하지만 특정 트리거나 조건에서 공격자가 원하는 출력을 내도록 숨겨진 행동을 가진 모델이다.
• 모델 버전가중치·구조·전처리·토크나이저·설정과 평가 기록의 특정 조합을 식별하고 재현·비교·롤백하기 위한 불변 참조 단위다.
• 모델 버전 고정모델 버전 고정은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 범용재화화모델 범용재화화는 비슷한 용도의 AI 모델이 널리 공급되고 교체 가능성이 높아지며 차별화와 가격 프리미엄이 줄어드는 시장 과정이다.
• 모델 병렬화모델 병렬화는 하나의 모델 파라미터와 계산을 여러 장치에 나누어 단일 장치 용량을 넘는 모델을 실행하는 방식이다.
• 모델 병합모델 병합은 같은 기반에서 학습된 여러 모델의 가중치나 업데이트를 결합해 하나의 모델을 만드는 방법이다.
• 모델 보안 취약점 공개모델 보안 취약점 공개는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 복제본모델 복제본은 같은 모델 버전과 설정을 독립 프로세스나 장치에 적재한 추론 서비스 인스턴스다.
• 모델 붕괴모델 붕괴는 생성 모델이 만든 합성 데이터가 반복적으로 다음 세대 학습에 섞일 때 원래 분포의 다양성과 희귀 사건을 잃으며 성능이 퇴화하는 현상이다.
• 모델 서비스 거부 공격모델 서비스 거부 공격은 긴 입력, 반복 요청 또는 계산량이 큰 패턴으로 추론 자원을 고갈시켜 정상 사용을 방해하는 공격이다.
• 모델 서빙모델 서빙은 학습된 모델을 요청 가능한 서비스로 배치해 입력 전처리, 추론, 출력 후처리와 운영 관측을 제공하는 체계다.
• 모델 서빙 플랫폼모델 서빙 플랫폼은 모델 아티팩트를 버전된 추론 엔드포인트로 배포하고 확장·관측·수명주기를 관리하는 기반 시스템이다.
• 모델 선택 정책모델 선택 정책은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 아티팩트 서명모델 아티팩트 서명은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 아티팩트 형식모델 구조와 파라미터 또는 관련 메타데이터를 파일로 표현하기 위한 직렬화 규약과 컨테이너 형식이다.
• 모델 악용 사례 라이브러리모델 악용 사례 라이브러리는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 암기모델 암기는 학습 사례의 고유한 문자열이나 정보를 일반 규칙으로 추상화하지 않고 재현할 수 있게 저장한 현상이다.
• 모델 업데이트운영 중인 모델이나 그 구성 요소를 새로운 버전으로 교체해 성능, 안전성, 비용 또는 호환성을 개선하는 변경이다.
• 모델 역량 프로파일모델 역량 프로파일은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 역추론 공격모델 역추론 공격은 모델 출력과 접근 가능한 정보를 이용해 입력의 민감한 속성이나 대표적인 학습 특징을 복원하려는 공격이다.
• 모델 오염공격자가 모델 가중치, 체크포인트 또는 학습·배포 아티팩트를 변조해 의도한 오작동을 심는 공급망 공격이다.
• 모델 용량모델 용량은 주어진 구조와 파라미터가 표현하거나 구분할 수 있는 함수·패턴의 복잡성 범위다.
• 모델 저장소모델 저장소는 모델 코드, 설정, 가중치와 설명 문서를 버전별로 보관하고 배포하는 저장 공간이다.
• 모델 종료 마이그레이션모델 종료 마이그레이션은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 지식모델 지식은 학습 과정에서 매개변수와 표현에 압축되어 질의나 과제로 유도될 수 있는 사실·관계·절차 정보다.
• 모델 추출 공격공격자가 모델 API를 반복 질의해 대상 모델의 기능, 결정 경계 또는 유사한 대체 모델을 복제하는 공격이다.
• 모델 출시검증된 모델 버전과 관련 아티팩트를 정해진 사용자 또는 환경에서 사용할 수 있도록 승인하고 배포 가능한 상태로 발표하는 과정이다.
• 모델 카드모델 카드는 학습된 모델의 용도, 성능, 평가 조건, 한계와 윤리적 고려사항을 구조화해 기록하는 문서다.
• 모델 카탈로그조직이나 플랫폼이 보유한 모델을 검색하고 소유권, 상태, 용도와 관련 아티팩트를 확인할 수 있게 정리한 관리 목록이다.
• 모델 컨텍스트 프로토콜AI 애플리케이션이 외부 도구와 데이터 소스를 표준 방식으로 연결하도록 정의한 프로토콜이다.
• 모델 컬렉션모델 컬렉션은 공통 과제·프로젝트·계열·주제에 속한 여러 모델과 관련 자료를 하나의 탐색 단위로 묶은 목록이다.
• 모델 크기모델 크기는 파라미터 수뿐 아니라 가중치 정밀도와 실행·배포에 필요한 저장 공간과 메모리 규모를 나타내는 운영 지표다.
• 모델 탐색모델 탐색은 과제, 입력 양식, 성능, 라이선스와 운영 제약을 기준으로 사용할 모델 후보를 찾고 비교하는 과정이다.
• 모델 텔레메트리모델 텔레메트리는 운영 중 모델 요청, 출력, 자원 사용과 품질 신호를 관찰 가능하도록 수집한 로그·지표·추적 데이터다.
• 모델 투명성모델 투명성은 모델의 개발 자료, 구조, 평가, 제한과 운영 조건을 이해관계자가 확인할 수 있게 공개하는 정도다.
• 모델 패키지모델을 로드하고 재현하거나 배포하는 데 필요한 가중치, 구성, 전처리 자산과 메타데이터를 묶은 배포 단위다.
• 모델 평가정해진 데이터·기준·절차로 모델이나 시스템의 품질과 위험을 측정하는 과정이다.
• 모델 평가 보고서모델을 어떤 데이터와 절차, 지표로 평가했고 어떤 한계와 승인 결론을 얻었는지 기록한 검토 산출물이다.
• 모델 폐기모델의 사용과 지원을 계획적으로 종료하고 대체 경로, 기록 보존과 접근 차단을 수행하는 수명주기 단계다.
• 모델 플릿 라우팅모델 플릿 라우팅은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 허브모델·데이터셋·데모·평가 정보를 검색하고 배포하는 공유 플랫폼이다.
• 모델 호환성 행렬모델 호환성 행렬은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 모델 희소성모델 희소성은 가중치나 활성값 중 0 또는 사용되지 않는 요소의 비율과 구조를 나타내는 성질이다.
• 모드 붕괴모드 붕괴는 생성 모델이 데이터 분포의 다양한 모드를 표현하지 못하고 소수의 유사한 출력만 반복하는 실패다.
• 모멘텀 최적화모멘텀 최적화는 과거 기울기의 누적 방향을 속도 변수에 보존해 진동을 줄이고 일관된 방향의 이동을 가속하는 방법이다.
• 모바일 모델 배포모바일 모델 배포는 스마트폰 운영체제와 전용 가속기에서 모델을 실행하도록 패키징하고 앱 수명주기에 통합하는 과정이다.
• 목적 함수목적 함수는 최적화 문제에서 변수 선택의 품질을 하나의 최소화 또는 최대화 값으로 표현한 함수다.
• 목표 변수목표 변수는 모델이 입력 특성으로부터 예측하도록 정의된 결과 변수 또는 출력량이다.
• 목표 오일반화목표 오일반화는 학습 환경에서는 높은 보상을 얻은 정책이 새 환경에서 의도한 목표가 아닌 다른 내부 목표를 추구하는 실패다.
• 몬테카를로 방법몬테카를로 방법은 확률 표본을 반복 생성해 적분, 기대값과 불확실한 시스템의 특성을 근사하는 수치 기법이다.
• 무상태 API무상태 API는 각 요청이 처리에 필요한 문맥을 자체적으로 포함하고 서버가 이전 요청의 세션 상태에 의존하지 않는 API다.
• 문맥 관련성문맥 관련성은 검색해 제공한 구절이 질의와 답변 작성에 필요한 정보를 얼마나 포함하는지를 나타낸다.
• 문맥 길이문맥 길이는 모델이 한 번의 처리나 생성에서 조건으로 사용할 수 있는 토큰 시퀀스의 범위다.
• 문맥 길이 확장문맥 길이 확장은 모델이 학습 때 사용한 범위보다 더 긴 입력을 안정적으로 처리하도록 위치 표현과 학습·추론 설정을 조정하는 과정이다.
• 문맥 내 일반화문맥 내 일반화는 가중치 갱신 없이 프롬프트의 예시와 지시에서 규칙을 추론해 새로운 입력에 적용하는 능력이다.
• 문맥 내 학습문맥 내 학습은 모델 매개변수를 갱신하지 않고 프롬프트 속 지시·예시·관찰을 이용해 현재 과제에 맞는 동작을 구성하는 능력이다.
• 문맥 밖 추론문맥 밖 추론은 현재 프롬프트에 직접 제시되지 않은 학습된 정보 조각을 연결해 결론을 도출하는 능력이다.
• 문맥 예산문맥 예산은 한 모델 호출에서 지시, 대화, 검색 자료, 도구 결과와 생성에 배분할 수 있는 토큰 한도다.
• 문맥 오염문맥 오염은 관련 없는 정보, 악성 지시나 잘못된 과거 상태가 모델 문맥에 섞여 출력 판단을 왜곡하는 현상이다.
• 문맥 재현율문맥 재현율은 정답을 뒷받침하는 필수 정보 중 검색 문맥이 얼마나 포괄했는지를 나타내는 RAG 평가 지표다.
• 문맥 절단문맥 절단은 입력이 허용 토큰 수를 넘을 때 일부 내용을 제거해 모델의 문맥 창에 맞추는 처리다.
• 문맥 정밀도문맥 정밀도는 검색된 문맥 중 답변에 필요한 관련 구절이 상위에 얼마나 집중되어 있는지를 나타내는 RAG 평가 지표다.
• 문맥 조립문맥 조립은 여러 검색 결과와 지시·대화 상태를 모델 입력의 일관된 순서와 형식으로 구성하는 과정이다.
• 문맥 활용률문맥 활용률은 제공된 문맥 중 과제 해결에 필요한 정보를 모델이 실제 출력에 정확히 반영하는 정도다.
• 문법 제약 생성문법 제약 생성은 출력이 지정된 문법이나 구조 스키마를 벗어나지 않도록 다음 토큰 후보를 제한하는 디코딩 방식이다.
• 문서 검색문서 검색은 질의에 관련된 전체 문서 단위를 대규모 컬렉션에서 찾아 순위화하는 과정이다.
• 문서 레이아웃 분석문서 레이아웃 분석은 페이지의 텍스트 블록·제목·표·그림·여백을 탐지하고 읽기 순서와 계층을 추정하는 작업이다.
• 문서 수집 파이프라인문서 수집 파이프라인은 원천 문서를 가져와 파싱, 정제, 분할, 메타데이터 부여, 임베딩과 색인까지 처리하는 작업 흐름이다.
• 문서 시각 질의응답문서 시각 질의응답은 문서 페이지 이미지와 자연어 질문을 받아 배치와 텍스트를 함께 해석해 답을 찾는 과제다.
• 문서 이해문서 이해는 문서의 텍스트와 시각적 구조를 결합해 분류, 필드 추출, 관계 추론과 질의응답을 수행하는 작업이다.
• 문서 임베딩문서 임베딩은 문서 전체의 의미를 고정 길이 벡터로 나타내 검색, 군집과 분류에 사용하는 표현이다.
• 문서 파싱문서 파싱은 PDF, HTML, 워드 파일 등의 바이트와 레이아웃을 제목·문단·표·목록 같은 구조화된 요소로 변환하는 과정이다.
• 문서 패킹문서 패킹은 여러 짧은 문서를 하나의 고정 길이 학습 예시에 채워 패딩 낭비를 줄이는 데이터 구성 방식이다.
• 문서 AI문서 AI는 스캔·PDF·이미지 문서에서 텍스트, 배치, 표와 의미 구조를 인식·추출·분류하는 AI 시스템 영역이다.
• 문자 단위 토큰화문자 단위 토큰화는 텍스트를 글자 또는 유니코드 문자 단위의 토큰 시퀀스로 표현하는 방식이다.
• 문장 분할문장 분할은 연속 텍스트에서 문장의 시작과 끝 경계를 식별하는 전처리 작업이다.
• 문장 순서 예측문장 순서 예측은 두 연속 구간의 순서가 원래 순서인지 뒤바뀌었는지 판별하도록 하는 사전학습 과제다.
• 문장 임베딩문장이나 짧은 텍스트 전체의 의미를 고정 길이의 밀집 벡터로 표현한 것이다.
• 문체 변환문체 변환은 원문의 핵심 의미나 내용 속성을 유지하면서 어조·격식·감정·저자적 특징 같은 스타일 속성을 바꾸는 생성 과제다.
• 미니배치 경사하강법미니배치 경사하강법은 여러 사례로 구성된 작은 배치의 평균 기울기를 사용해 신경망 매개변수를 갱신하는 방식이다.
• 미등록 토큰미등록 토큰은 입력 문자열을 토크나이저 어휘의 알려진 항목으로 표현할 수 없을 때 사용하는 대체 식별자다.
• 미디어 출처 파이프라인미디어 출처 파이프라인은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 미분입력의 작은 변화에 따라 함수 값이 얼마나 변하는지를 나타내는 연산이다.
• 미세조정사전학습 모델을 특정 데이터와 목적에 맞게 추가 학습하는 과정이다.
• 민감정보 노출민감정보 노출은 모델이나 애플리케이션이 개인정보, 비밀 키, 내부 지침 또는 보호된 문서를 허가되지 않은 사용자에게 드러내는 문제다.
• 밀집 검색밀집 검색은 질의와 문서를 연속 벡터로 인코딩하고 벡터 유사도로 관련 항목을 찾는 검색 방식이다.
• 밀집 언어 모델밀집 언어 모델은 각 입력 토큰이 대부분 또는 모든 모델 파라미터가 포함된 동일한 계산 경로를 통과하는 언어 모델이다.
• 밀집 임베딩대부분의 차원이 연속값을 갖는 고정 길이 벡터로 질의와 문서의 의미를 표현해 벡터 유사도로 검색하는 표현 방식이다.

ㅂ

• 바이트 단위 토큰화바이트 단위 토큰화는 텍스트 인코딩의 바이트 값을 기본 단위로 사용해 임의 문자열을 유한 어휘로 표현하는 방식이다.
• 바이트 페어 인코딩자주 함께 나타나는 기호 쌍을 반복 병합해 서브워드 어휘를 만드는 방식이다.
• 반복 페널티반복 페널티는 이미 생성된 토큰의 다음 단계 점수를 조정해 동일 표현의 과도한 반복을 줄이는 디코딩 제어다.
• 반복형 RAG반복형 RAG는 생성 또는 평가 결과를 바탕으로 검색 질의와 문맥을 여러 차례 갱신하는 방식이다.
• 반사실 평가반사실 평가는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 방향 미분방향 미분은 다변수 함수가 지정된 단위 방향으로 움직일 때 변하는 순간 비율이다.
• 배깅배깅은 학습 데이터를 복원 추출한 여러 표본 집합에서 모델을 독립적으로 학습해 예측을 평균 또는 투표하는 앙상블 기법이다.
• 배치한 번의 순전파와 역전파에서 함께 처리하는 데이터 예시의 묶음이다.
• 배치 정규화배치 정규화는 미니배치 통계로 활성값을 표준화한 뒤 학습 가능한 크기와 이동을 적용하는 층이다.
• 배치 추론배치 추론은 대량의 저장된 입력을 묶어 일정이나 작업 단위로 처리하고 결과를 파일·테이블에 기록하는 방식이다.
• 배치 학습배치 학습은 일정 시점에 모은 고정 데이터 묶음으로 모델을 학습하고 다음 재학습 전까지 파라미터를 유지하는 방식이다.
• 배치 API배치 API는 즉시 응답이 필요하지 않은 다수의 모델 요청을 묶어 비동기적으로 처리하는 인터페이스다.
• 배칭여러 추론 요청을 묶어 하드웨어 사용률과 처리량을 높이는 기법이다.
• 백프레셔역압은 하류 처리 속도가 입력 속도를 따라가지 못할 때 상류가 요청 생성이나 전달을 늦추도록 하는 흐름 제어다.
• 범용 인공지능범용 인공지능은 서로 다른 영역의 지식과 기술을 폭넓게 습득하고 새로운 과제에 전이할 수 있다고 가정되는 일반 목적 AI 개념이다.
• 베어러 토큰베어러 토큰은 토큰을 제시한 주체가 별도의 소유 증명 없이 그 토큰에 부여된 접근 권한을 행사하는 자격 증명이다.
• 베이즈 네트워크베이즈 네트워크는 방향성 비순환 그래프로 변수의 조건부 의존 관계를 표현하는 확률 그래프 모델이다.
• 베이즈 정리베이즈 정리는 관측 증거가 주어졌을 때 가설의 사후확률을 사전확률과 우도, 증거확률로 연결하는 관계다.
• 베이즈 학습베이즈 학습은 모수나 가설의 사전분포를 데이터의 가능도와 결합해 사후분포로 갱신하는 학습 방식이다.
• 벡터순서가 있는 수치 목록으로, 모델에서 데이터와 파라미터를 표현하는 기본 단위다. 유클리드 공간에서는 크기와 방향을 가진 대상으로 해석할 수 있다.
• 벡터 공간벡터 공간은 벡터 덧셈과 스칼라 곱이 정의되고 닫힘과 결합법칙 등 공리를 만족하는 집합이다.
• 벡터 노름벡터 노름은 벡터의 크기를 비음수 스칼라로 나타내며 양의 정부호성, 동차성과 삼각부등식을 만족한다.
• 벡터 데이터베이스고차원 벡터와 메타데이터를 저장하고 유사도 검색을 제공하는 데이터 시스템이다.
• 벡터 메모리벡터 메모리는 텍스트나 관찰을 임베딩 벡터와 메타데이터로 저장해 의미적 유사성으로 회상하는 에이전트 기억 구현이다.
• 벡터 사영벡터 사영은 한 벡터를 다른 벡터나 부분공간 방향의 성분으로 분해해 가장 가까운 점을 구하는 연산이다.
• 벡터 인덱스벡터 인덱스는 임베딩 벡터를 저장하고 거리나 내적 기준으로 가까운 항목을 빠르게 검색하도록 조직한 자료구조다.
• 벤치마크여러 모델이나 시스템을 비교하기 위해 고정한 과제·데이터·평가 지표의 묶음이다.
• 벤치마크 갱신 정책벤치마크 갱신 정책은 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 벤치마크 데이터셋벤치마크 데이터셋은 모델이나 방법을 같은 입력과 정답 기준에서 비교하도록 고정한 평가용 데이터 모음이다.
• 벤치마크 레지스트리벤치마크 레지스트리는 평가 과제의 데이터 버전·지표·실행 규칙·결과를 검색 가능하게 관리하는 카탈로그다.
• 벤치마크 모음벤치마크 모음은 여러 과제·데이터셋·지표를 하나의 평가 프로토콜로 묶어 시스템의 다양한 능력을 측정하는 구성이다.
• 벤치마크 오염벤치마크 오염은 평가 문제나 그 변형이 학습 데이터에 포함되어 모델이 일반화 대신 기억으로 높은 점수를 얻는 현상이다.
• 벤치마크 타당도벤치마크 타당도는 평가 점수가 측정하려는 실제 능력이나 사용 목표를 얼마나 제대로 대표하는지를 뜻한다.
• 벤치마크 폐기벤치마크 폐기는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 벤치마크 포화벤치마크 포화는 많은 시스템이 평가 상한에 가까워져 점수 차이가 실제 능력 차이를 충분히 구분하지 못하는 상태다.
• 변분 오토인코더변분 오토인코더는 잠재 변수의 확률분포를 추론하는 인코더와 데이터를 복원하는 디코더를 함께 학습하는 생성 모델이다.
• 병렬 도구 호출병렬 도구 호출은 서로 의존하지 않는 여러 도구 요청을 동시에 실행해 전체 대기 시간을 줄이는 방식이다.
• 보상 모델여러 모델 출력 중 사람의 선호에 가까운 출력을 점수화하도록 학습된 모델이다.
• 보상 모델 교정보상 모델 교정은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 보상 모델 드리프트보상 모델 드리프트는 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 보상 모델 앙상블보상 모델 앙상블은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 보상 변조보상 변조는 에이전트가 과제 수행 대신 보상 계산기, 관측 또는 피드백 경로를 바꿔 높은 보상을 얻는 실패 유형이다.
• 보상 해킹보상 해킹은 에이전트가 설계자의 실제 의도 대신 보상 함수의 허점이나 대리 지표를 이용해 높은 점수를 얻는 현상이다.
• 보안 집계보안 집계는 서버가 개별 참여자의 입력을 보지 못한 채 여러 입력의 합이나 집계값만 얻도록 하는 암호 프로토콜이다.
• 보조 손실보조 손실은 주 과제 학습을 돕기 위해 중간 표현이나 추가 예측에 부과하는 부수적 목적 함수다.
• 복원 손실복원 손실은 인코딩·손상·압축된 입력에서 원본 또는 목표 신호를 얼마나 정확히 재구성했는지 측정하는 손실이다.
• 볼록 최적화볼록 최적화는 볼록 목적 함수와 볼록 가능 영역에서 최솟값을 찾는 최적화 문제와 방법을 다루는 분야다.
• 볼록 함수볼록 함수는 정의역의 두 점을 잇는 선분 위 함수값이 두 끝점 함수값의 선형 보간보다 크지 않은 함수다.
• 부동소수점 연산부동소수점 연산은 실수를 부호, 유효숫자와 지수의 유한 비트 표현으로 근사해 계산하는 방식이다.
• 부분 그래프 검색부분 그래프 검색은 질의에 답하는 데 필요한 연결된 노드와 관계 집합을 지식 그래프에서 선택하는 작업이다.
• 부스팅부스팅은 약한 학습기를 순차적으로 추가하면서 이전 단계가 어려워한 표본이나 잔차에 더 집중하는 앙상블 계열이다.
• 부트스트랩 방법부트스트랩은 관측 표본에서 복원 추출한 재표본을 반복 생성해 추정량의 표집분포를 근사하는 방법이다.
• 부트스트랩 신뢰구간부트스트랩 신뢰구간은 관측 표본을 복원 추출해 통계량의 경험적 표집분포를 만들고 그 분위수 등으로 구한 불확실성 구간이다.
• 부호 이론부호 이론은 정보를 효율적이고 신뢰성 있게 표현·전송하기 위한 부호의 한계와 구성 방법을 연구하는 분야다.
• 분류분류는 입력을 미리 정의된 하나 이상의 범주로 예측하는 지도학습 문제다.
• 분류기 없는 가이던스분류기 없는 가이던스는 별도 분류기 없이 조건부와 무조건부 확산 예측의 차이를 이용해 조건 일치도를 조절하는 방법이다.
• 분리 표현분리 표현은 데이터의 서로 다른 생성 요인이 잠재 표현의 독립적이거나 해석 가능한 성분에 대응하도록 만든 표현이다.
• 분산분산은 확률변수가 평균에서 얼마나 퍼져 있는지를 평균 제곱 편차로 나타낸 값이다.
• 분산 옵티마이저분산 옵티마이저는 대규모 학습에서 옵티마이저 상태와 파라미터 갱신 계산을 여러 장치에 분배하는 최적화 구성이다.
• 분포 외 데이터분포 외 데이터는 학습 또는 검증 분포의 지원 범위와 충분히 다른 입력이라 모델 성능 보장이 약한 데이터다.
• 분포 이동분포 이동은 운영 데이터의 입력·표적 또는 두 변수의 관계가 학습 데이터 분포와 달라진 상태다.
• 불확실성 소통불확실성 소통은 AI 결과의 확실하지 않은 정도와 원인을 사용자가 판단에 반영할 수 있게 표현하는 과정이다.
• 불확실성 정량화불확실성 정량화는 모델 입력, 파라미터와 구조의 불확실성이 예측에 미치는 영향을 수치로 추정하는 과정이다.
• 브라우저 사용 에이전트브라우저 사용 에이전트는 웹 페이지의 시각 정보와 문서 구조를 해석해 탐색·입력·클릭·다운로드 같은 브라우저 행동을 수행하는 에이전트다.
• 브라이어 점수브라이어 점수는 확률 예측과 실제 이진 결과 사이의 제곱 오차 평균으로 확률 예측의 정확성을 평가한다.
• 브래들리-테리 모형Bradley–Terry 모형은 두 항목의 양의 능력값 또는 점수 차이로 한 항목이 다른 항목을 이길 확률을 나타내는 쌍대 비교 모형이다.
• 블랙보드 아키텍처블랙보드 아키텍처는 여러 전문 모듈이 공용 작업 공간의 부분 결과를 읽고 쓰며 문제를 해결하는 협업 구조다.
• 블록 희소 어텐션블록 희소 어텐션은 어텐션 행렬을 블록 단위로 제한해 일부 질의-키 블록만 계산하는 희소 방식이다.
• 비동기 클라이언트비동기 클라이언트는 원격 요청의 완료를 미래값, 프로미스, 콜백 또는 이벤트로 받아 대기 중에도 다른 작업을 수행하는 방식이다.
• 비동기 API 작업비동기 API 작업은 요청 접수와 실제 처리를 분리하고 작업 식별자로 진행 상태와 결과를 나중에 조회하는 API 실행 방식이다.
• 비디오 분류비디오 분류는 영상 전체 또는 구간을 미리 정한 사건·장면·행동 범주에 할당하는 과제다.
• 비디오 생성비디오 생성은 텍스트·이미지·동작 조건으로 시간적으로 일관된 새 프레임 시퀀스를 합성하는 생성 과제다.
• 비디오 이해비디오 이해는 연속 프레임과 소리의 객체·행동·사건·시간 관계를 해석하는 멀티모달 과제의 총칭이다.
• 비디오 질의응답비디오 질의응답은 영상과 자연어 질문을 함께 입력받아 시간적·공간적 근거를 바탕으로 답을 생성하거나 선택하는 과제다.
• 비디오 캡셔닝비디오 캡셔닝은 영상의 장면, 객체, 행동과 시간적 사건을 자연어 설명으로 생성하는 멀티모달 과제다.
• 비디오 토큰화비디오 토큰화는 연속적인 화소와 시간 정보를 모델이 처리할 이산 코드나 연속 토큰 시퀀스로 변환하는 과정이다.
• 비디오 확산비디오 확산은 잡음에서 시작해 시공간적으로 일관된 영상 표본을 반복 복원하는 생성 모형이다.
• 비밀정보 관리비밀정보 관리는 API 키, 비밀번호와 암호키의 생성·저장·배포·사용·교체·폐기를 통제하는 수명주기 활동이다.
• 비용 모니터링비용 모니터링은 AI 서비스의 사용량과 가격을 지속 결합해 실제 지출, 단위 비용과 예산 소진을 관찰하는 활동이다.
• 비인지에 의한 공정성비인지에 의한 공정성은 모델 입력에서 보호 속성을 제거하면 공정해진다고 보는 접근이다.
• 비전 트랜스포머비전 트랜스포머는 이미지를 고정 크기 패치 토큰 시퀀스로 바꾸어 트랜스포머 인코더로 처리하는 시각 모델이다.
• 비전-언어 모델이미지와 텍스트의 관계를 학습해 이해와 생성을 수행하는 멀티모달 모델이다.
• 비지도학습정답 표지 없이 데이터 내부의 구조·군집·표현을 찾는 학습 방식이다.
• 비평 에이전트비평 에이전트는 다른 에이전트가 만든 계획이나 산출물의 결함을 기준에 따라 찾아 수정 제안을 내는 역할이다.
• 빈도 페널티빈도 페널티는 지금까지 등장한 횟수에 비례해 해당 토큰의 로짓을 낮추는 생성 제어 방식이다.
• 빔 계획빔 계획은 각 단계에서 점수가 높은 제한된 수의 부분 계획만 유지해 탐색 폭을 제어하는 계획 기법이다.
• 빔 탐색여러 후보 시퀀스를 동시에 유지하며 전체 점수가 높은 출력을 찾는 탐색 방법이다.

ㅅ

• 사고 과정 프롬프팅사고 과정 프롬프팅은 복수 단계 문제에서 중간 추론 단계를 생성하도록 예시나 지시를 제공하는 프롬프팅 방식이다.
• 사용량 계측사용량 계측은 API 요청이 소비한 호출 수, 토큰, 바이트, 시간과 연산 자원을 귀속 가능한 측정값으로 기록하는 과정이다.
• 사용자 프롬프트사용자 프롬프트는 사용자가 모델에 전달하는 질문, 자료, 제약과 원하는 결과 형식을 담은 입력 메시지다.
• 사용자 피드백 수집사용자 피드백 수집은 실제 이용자가 AI 결과의 유용성·정확성·안전성에 제공한 명시적·암묵적 신호를 구조화해 기록하는 과정이다.
• 사인파 위치 인코딩사인파 위치 인코딩은 서로 다른 주파수의 사인·코사인 함숫값으로 토큰 위치를 나타내는 고정 벡터 방식이다.
• 사전 컴파일사전 컴파일은 모델 실행 전에 전체 또는 정해진 입력 범위의 코드를 미리 기계어·중간 표현으로 변환하는 방식이다.
• 사전학습대규모 데이터로 일반적인 표현과 패턴을 먼저 학습하는 단계다.
• 사전학습 파이프라인사전학습 파이프라인은 데이터 수집·정제·토큰화·혼합부터 분산 학습, 체크포인트와 평가까지 이어지는 생산 체계다.
• 사전확률사전확률은 현재 데이터를 관측하기 전에 사건이나 매개변수에 부여하는 확률 또는 확률분포다.
• 사후학습 계보사후학습 계보는 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 사후학습 데이터 오염 제거사후학습 데이터 오염 제거는 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 사후학습 재현성사후학습 재현성은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 사후학습 제거 실험사후학습 제거 실험은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 사후학습 체크포인트 선택사후학습 체크포인트 선택은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 사후확률사후확률은 관측 데이터가 주어진 뒤 베이즈 정리에 따라 갱신된 사건 또는 매개변수의 확률이다.
• 삭제권삭제권은 적용 법률과 예외 조건 아래에서 개인이 자신과 관련된 데이터의 삭제를 요구할 수 있는 권리다.
• 상관관계상관관계는 두 변수의 선형 동행 정도를 각 표준편차로 정규화해 단위 없이 나타낸 값이다.
• 상대 위치 인코딩상대 위치 인코딩은 두 토큰의 절대 인덱스 대신 서로 떨어진 거리와 방향을 어텐션 계산에 반영하는 방식이다.
• 상업적 이용 제한상업적 이용 제한은 수익 활동, 유료 서비스 또는 기업 내부 운영 등 일정한 경제적 사용을 금지하거나 별도 허가 대상으로 두는 조건이다.
• 상태 공간-트랜스포머 하이브리드상태 공간-트랜스포머 하이브리드는 선형 상태공간 시퀀스 층과 어텐션 층을 한 모델에서 결합한 구조다.
• 상태 관리여러 단계에 걸쳐 입력·중간 결과·진행 상황을 일관되게 유지하는 방법이다.
• 상태 유지 API상태 유지 API는 여러 요청 사이의 세션·대화·작업 상태를 서버 측 식별자와 연결해 이어서 처리하는 API다.
• 상호 TLS상호 TLS는 TLS 연결에서 서버뿐 아니라 클라이언트도 인증서를 제시해 양쪽 신원을 검증하는 인증 방식이다.
• 상호정보량상호정보량은 한 확률변수를 알았을 때 다른 변수의 불확실성이 평균적으로 얼마나 줄어드는지 나타낸다.
• 생각의 그래프생각의 그래프는 중간 추론 단위를 노드로, 변환·의존·통합 관계를 간선으로 나타내는 일반화된 추론 구조다.
• 생각의 나무생각의 나무는 언어 모델이 여러 중간 추론 후보를 가지로 생성하고 평가하면서 유망한 경로를 탐색하는 추론 방법이다.
• 생성 모델과 판별 모델생성 모델과 판별 모델은 각각 데이터와 표적의 결합 구조를 모델링하는 접근과 입력에서 표적의 경계나 조건부분포를 직접 학습하는 접근이다.
• 생성 온도생성 시 로짓을 나누어 토큰 확률분포의 집중도를 조절하고 출력의 반복성과 다양성 사이의 균형을 바꾸는 디코딩 매개변수다.
• 생성 평가생성 평가는 모델 출력의 정확성, 관련성, 유창성, 다양성, 안전성과 과제 제약 준수를 측정하는 과정이다.
• 생성적 적대 신경망생성적 적대 신경망은 실제 데이터와 비슷한 표본을 만드는 생성자와 진위를 구분하는 판별자를 경쟁적으로 학습하는 모델이다.
• 생성형 인공지능학습 데이터의 분포를 바탕으로 텍스트·이미지·음성·코드 같은 새로운 결과물을 생성하는 인공지능이다.
• 샴 신경망샴 신경망은 파라미터를 공유하는 둘 이상의 인코더로 입력 쌍의 유사성이나 차이를 학습하는 구조다.
• 서버 전송 이벤트서버 전송 이벤트는 하나의 HTTP 연결에서 서버가 텍스트 이벤트를 클라이언트로 지속적으로 밀어 보내는 단방향 스트리밍 방식이다.
• 서버 측 요청 위조서버 측 요청 위조는 공격자가 서버의 URL 요청 기능을 조작해 내부망이나 허용되지 않은 외부 대상에 요청하게 하는 취약점이다.
• 서버리스 추론서버리스 추론은 사용자가 서버를 상시 관리하지 않고 요청이나 작업량에 따라 자동 할당되는 실행 환경에서 모델을 제공하는 방식이다.
• 서브워드 토큰서브워드 토큰은 단어보다 작고 문자보다 긴 경우가 많은 반복 문자열 조각을 나타내는 토큰이다.
• 서비스 수준 목표서비스 수준 목표는 지연시간, 가용성이나 오류율 같은 서비스 지표가 일정 기간 충족해야 할 수치 목표다.
• 서비스 수준 협약서비스 수준 협약은 제공자와 이용자 사이에 가용성·지연·지원·보상 같은 측정 가능한 서비스 약속을 정한 합의다.
• 서킷 브레이커회로 차단기는 하류 서비스의 반복 실패가 일정 기준을 넘으면 새 호출을 빠르게 차단해 연쇄 장애를 막는 패턴이다.
• 서포트 벡터 머신서포트 벡터 머신은 클래스 사이 여백을 최대화하는 결정 경계 또는 커널 공간의 회귀 함수를 학습하는 모델이다.
• 선 탐색선 탐색은 현재점과 탐색 방향이 주어졌을 때 목적 함수를 충분히 줄이는 이동 거리인 스텝 크기를 선택하는 절차다.
• 선택 편향선택 편향은 표본에 포함될 확률이 결과나 관심 변수와 관련되어 모집단 관계가 왜곡되는 현상이다.
• 선형 변환선형 변환은 벡터 덧셈과 스칼라 곱을 보존하는 두 벡터 공간 사이의 함수다.
• 선형 어텐션선형 어텐션은 커널 변환이나 연산 순서 변경으로 시퀀스 길이에 대한 어텐션 계산을 선형에 가깝게 줄이는 방법군이다.
• 선형 회귀선형 회귀는 목표값을 입력 특성의 가중합과 절편으로 표현해 연속값을 추정하는 회귀 모형이다.
• 선형층선형층은 입력 벡터에 학습 가능한 행렬과 편향을 적용해 아핀 변환을 수행하는 층이다.
• 선호 데이터선호 데이터는 동일하거나 관련된 입력에 대한 여러 출력의 비교, 순위 또는 점수로 어떤 응답이 더 나은지 기록한 자료다.
• 선호 데이터 거버넌스선호 데이터 거버넌스는 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 선호 변화 관측선호 변화 관측은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 선호 손실선호 손실은 같은 입력에 대한 선호 출력과 비선호 출력의 상대 점수를 학습하도록 구성한 목적 함수다.
• 선호 쌍 품질선호 쌍 품질은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 설명 가능한 AI설명 가능한 AI는 모델의 예측이나 행동을 사람이 이해하고 검토할 수 있는 형태의 이유와 증거로 제시하려는 방법과 연구 분야다.
• 성찰 루프성찰 루프는 에이전트가 직전 시도의 결과와 오류를 검토해 다음 계획이나 답변을 수정하는 반복 제어 구조다.
• 세계 모델세계 모델은 환경 상태와 행동에 따른 다음 상태·관측·보상을 내부적으로 예측하는 학습된 표현 또는 생성 모델이다.
• 세계 시뮬레이션 모델세계 시뮬레이션 모델은 관찰과 행동을 조건으로 환경의 다음 상태나 가능한 미래 궤적을 생성하는 모델이다.
• 세그먼트 임베딩세그먼트 임베딩은 한 입력 안에서 문장 쌍이나 문서 구간처럼 서로 다른 부분의 소속을 나타내는 학습 벡터다.
• 세션 상태세션 상태는 하나의 상호작용 세션에서 현재 사용자, 메시지 순서, 선택한 도구, 임시 변수와 진행 단계를 나타내는 상태다.
• 셀프 어텐션하나의 시퀀스 안에서 각 위치가 다른 위치의 정보를 참조하는 어텐션이다.
• 소규모 언어 모델대규모 언어 모델보다 파라미터·메모리·연산 요구량을 줄여 제한된 환경에서 운용하도록 설계한 언어 모델이다.
• 소스 공개 모델소스 공개 모델은 코드나 일부 구성 요소를 열람할 수 있지만 오픈소스가 요구하는 사용·수정·재배포 권리가 제한될 수 있는 모델이다.
• 소스 부호화소스 부호화는 정보원의 통계적 중복을 줄여 메시지를 더 적은 기호나 비트로 표현하는 과정이다.
• 소프트맥스여러 실수 점수를 지수화하고 합으로 나눠 합이 1인 비율 벡터로 바꾸는 함수다.
• 소프트웨어·데이터·모델 라이선스 구분소프트웨어·데이터·모델 라이선스 구분은 코드, 학습 자료, 가중치와 출력물에 적용되는 권리·의무의 대상을 분리해 해석하는 원칙이다.
• 손실 지형손실 지형은 모델 파라미터 공간의 각 점에 학습 손실을 대응시킨 고차원 함수의 기하학적 모습이다.
• 손실 함수모델의 예측과 목표 사이 차이를 하나의 수치로 측정하는 함수다.
• 수락 제어수락 제어는 시스템 용량과 서비스 목표를 지키기 위해 새 요청의 실행 허용 여부를 결정하는 메커니즘이다.
• 수용 영역수용 영역은 신경망의 특정 유닛 출력에 영향을 줄 수 있는 입력 위치의 범위다.
• 수치 안정성수치 안정성은 반올림과 입력 오차가 알고리즘의 출력에서 과도하게 증폭되지 않는 성질이다.
• 수치 재현성수치 재현성은 서로 다른 실행이나 환경에서 계산 결과가 정의한 수치 허용 오차 안에 다시 나타나는 성질이다.
• 수치 적분수치 적분은 닫힌형 해가 없거나 데이터로만 주어진 함수의 정적분을 유한한 함수 평가의 가중합으로 근사하는 방법이다.
• 수치 정밀도수치 정밀도는 유한한 비트 표현이 실수를 구분하고 계산 결과를 유지할 수 있는 세밀함의 정도다.
• 순위 학습순위 학습은 관련성 라벨이나 사용자 선호를 이용해 질의별 후보의 정렬 함수를 학습하는 방법군이다.
• 순전파신경망 입력을 첫 층부터 마지막 층까지 순서대로 계산해 예측과 중간 활성화를 얻는 과정이다.
• 순차 평가순차 평가는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 순환 메모리 트랜스포머순환 메모리 트랜스포머는 긴 입력을 구간별로 처리하면서 학습 가능한 메모리 토큰을 다음 구간에 반복 전달하는 구조다.
• 순환 신경망순환 신경망은 이전 시점의 은닉 상태를 다음 시점 계산에 사용해 시퀀스 의존성을 표현하는 신경망이다.
• 순환형 언어 모델 메모리순환형 언어 모델 메모리는 이전 구간의 내부 상태나 압축 표현을 다음 구간 계산에 반복 전달하는 장문맥 메커니즘이다.
• 쉐도 평가쉐도 평가는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 스위치 트랜스포머Switch Transformer는 각 토큰을 여러 전문가 중 하나에 보내는 희소 혼합전문가 피드포워드 층을 사용한 트랜스포머다.
• 스칼라벡터 공간의 벡터를 확대·축소하거나 계산의 단일 값을 나타내는 수학적 원소다.
• 스케일드 닷프로덕트 어텐션스케일드 닷프로덕트 어텐션은 질의와 키의 내적을 키 차원의 제곱근으로 나눈 뒤 소프트맥스를 적용해 값의 가중합을 구한다.
• 스케일링 효율스케일링 효율은 모델·데이터·계산량을 늘릴 때 품질 개선이 추가 자원과 비용에 비해 얼마나 크게 나타나는지를 뜻한다.
• 스키마 검증스키마 검증은 입력이나 출력 데이터가 선언된 구조·자료형·제약을 만족하는지 실행 전에 확인하는 절차다.
• 스트리밍 생성스트리밍 생성은 모델이 전체 응답을 완성하기 전에 생성된 토큰이나 조각을 순차적으로 클라이언트에 전달하는 방식이다.
• 스트리밍 응답전체 결과가 완성되기 전에 생성된 일부 데이터를 순차적으로 전송하는 방식이다.
• 스트리밍 응답 계약스트리밍 응답 계약은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 스트림 재개 프로토콜스트림 재개 프로토콜은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 스파이킹 신경망스파이킹 신경망은 뉴런이 연속 활성값 대신 시간에 따른 이산 스파이크를 주고받도록 모델링한 신경망이다.
• 스펙트럴 정규화스펙트럴 정규화는 가중치 행렬을 가장 큰 특이값으로 나누어 층의 립시츠 상한을 제한하는 정규화 방법이다.
• 스펙트로그램스펙트로그램은 오디오 신호의 주파수 성분 세기가 시간에 따라 어떻게 변하는지를 2차원 배열로 나타낸 표현이다.
• 슬라이딩 윈도 어텐션슬라이딩 윈도 어텐션은 각 위치가 일정한 앞뒤 또는 이전 토큰 창에만 주의를 주도록 창을 이동시키는 희소 패턴이다.
• 슬라이딩 컨텍스트 윈도우슬라이딩 컨텍스트 윈도우는 긴 시퀀스를 처리할 때 최근 또는 인접한 일정 범위의 토큰만 주의 대상으로 유지하는 방식이다.
• 슬라이스 기반 릴리스 게이트슬라이스 기반 릴리스 게이트는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 승률승률은 두 모델이나 방법을 쌍대 비교했을 때 한쪽이 더 낫다고 판정된 비율이다.
• 시각 근거화자연어 표현이 가리키는 이미지 영역이나 객체를 좌표, 상자 또는 마스크로 연결하는 과제다.
• 시각 문서 검색시각 문서 검색은 질의와 관련된 문서 페이지를 텍스트 내용뿐 아니라 배치·도형·시각 표현을 이용해 찾는 검색 방식이다.
• 시각 인코더시각 인코더는 픽셀이나 시각 특성을 신경망의 토큰 또는 특징 벡터로 변환하는 모델 구성 요소다.
• 시각 질의응답이미지와 그 이미지에 관한 자연어 질문을 입력받아 답을 생성하거나 선택하는 멀티모달 과제다.
• 시각 추론시각 추론은 이미지 속 객체, 속성, 관계와 사건을 조합해 직접 보이지 않는 답이나 결론을 도출하는 능력이다.
• 시각 환각시각 환각은 이미지나 영상에 존재하지 않거나 근거가 불충분한 객체·속성·관계를 멀티모달 모델이 사실처럼 생성하는 오류다.
• 시간 어텐션시간 어텐션은 비디오나 시계열에서 서로 다른 시점의 특징에 가중치를 부여해 장기·단기 관계를 결합하는 메커니즘이다.
• 시간적 모델링시간적 모델링은 순서·지속 시간·변화 속도·장기 의존성 같은 시간 축 구조를 표현하고 예측하는 방법이다.
• 시뮬레이션 기반 평가시뮬레이션 기반 평가는 실제 환경을 모사한 상태 전이와 사용자·도구 모델 안에서 AI 시스템의 행동을 반복 시험하는 방법이다.
• 시범 예시시범 예시는 언어 모델 문맥 안에서 원하는 입력-출력 관계나 작업 수행 방식을 보여 주는 하나의 예제다.
• 시스템 카드시스템 카드는 개별 모델을 넘어 배포된 AI 시스템의 구성, 능력 평가, 안전 조치와 잔여 위험을 설명하는 문서다.
• 시스템 프롬프트시스템 프롬프트는 대화형 언어 모델에 역할, 전역 규칙, 도구 사용과 응답 경계를 우선 문맥으로 제공하는 지시 메시지다.
• 시스템 프롬프트 합성시스템 프롬프트 합성은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 시작·종료 토큰시작·종료 토큰은 시퀀스의 시작과 끝 경계를 모델에 명시하는 특수 토큰이다.
• 시퀀스 분류 미세조정시퀀스 분류 미세조정은 사전학습 모델의 문장·문서 표현에 분류기를 연결해 범주 예측 과제에 맞게 매개변수를 갱신하는 과정이다.
• 시퀀스 우도시퀀스 우도는 모델이 관측된 토큰열에 부여하는 결합확률이며 각 토큰의 조건부 확률 곱으로 계산할 수 있다.
• 시퀀스 패킹시퀀스 패킹은 길이가 다른 토큰 시퀀스를 제한된 컨텍스트 블록에 효율적으로 배치해 연산 활용률을 높이는 기법이다.
• 시퀀스-투-시퀀스 트랜스포머시퀀스-투-시퀀스 트랜스포머는 인코더가 입력 시퀀스를 표현하고 디코더가 이를 참조해 출력 시퀀스를 자동회귀 생성하는 구조다.
• 신경 보코더신경 보코더는 스펙트로그램이나 음향 특징을 조건으로 시간 영역의 음성 파형을 생성하는 신경망 모델이다.
• 신경 상미분방정식신경 상미분방정식은 은닉 상태의 연속 시간 변화를 신경망으로 매개변수화한 미분방정식으로 표현하는 모델이다.
• 신경 언어 모델신경 언어 모델은 토큰을 연속 벡터로 표현하고 신경망으로 다음 토큰이나 가려진 토큰의 분포를 예측한다.
• 신경 튜링 머신신경 튜링 머신은 신경망 제어기와 주소 지정 가능한 외부 메모리를 결합해 읽기·쓰기 절차를 학습하는 미분 가능한 구조다.
• 신경망연결된 계산 단위와 가중치를 층으로 쌓아 복잡한 함수를 학습하는 모델이다.
• 신경망 깊이신경망 깊이는 입력에서 출력까지 거치는 학습 가능한 층이나 변환 단계의 수를 뜻한다.
• 신경망 너비신경망 너비는 한 층이 가진 유닛, 채널 또는 은닉 차원의 크기를 뜻한다.
• 신경망 스케일링 법칙신경망 스케일링 법칙은 모델·데이터·계산량이 증가할 때 손실이나 성능이 경험적으로 따르는 규칙적 관계다.
• 신경망 처리 장치신경망 처리 장치는 모바일·엣지·시스템온칩 환경에서 신경망 추론 연산을 전담하는 저전력 가속 장치다.
• 신경망 층입력 표현을 정해진 연산과 학습 파라미터로 변환해 다음 표현으로 전달하는 신경망의 구성 단위다.
• 신뢰구간신뢰구간은 동일한 표집 절차를 반복했을 때 정해진 비율로 참 매개변수를 포함하도록 구성된 구간 추정 절차다.
• 실시간 API실시간 API는 음성·텍스트·이벤트를 지속적인 양방향 연결에서 낮은 지연으로 주고받는 모델 인터페이스다.
• 실험 대시보드실험 대시보드는 여러 학습 실행의 매개변수, 지표와 산출물을 조회·비교하는 시각적 운영 화면이다.
• 실험 추적실험 추적은 학습 실행의 코드 버전, 하이퍼파라미터, 지표, 산출물과 환경을 연결해 비교 가능하게 기록하는 체계다.
• 심사 모델심사 모델은 하나 이상의 후보 응답을 평가 기준에 따라 채점하거나 비교하도록 지시된 언어 모델이다.
• 심사 모델 메타평가심사 모델 메타평가는 자동 판정자 자체의 정확성, 일관성, 편향과 강건성을 평가하는 절차다.
• 심사 모델 보정심사 모델 보정은 판정 모델이 내는 점수나 확률이 실제 품질 수준 또는 사람 판단 빈도와 맞도록 조정하는 과정이다.
• 심사 모델 앙상블심사 모델 앙상블은 서로 다른 판정 모델이나 판정 설정의 결과를 결합해 단일 판정자의 변동과 편향을 줄이는 방법이다.
• 심사 모델 합의도심사 모델 합의도는 여러 판정자 또는 반복 판정이 같은 항목에 얼마나 일관된 등급이나 선호를 부여하는지 나타내는 성질이다.
• 심사 위치 편향심사 위치 편향은 내용이 같아도 후보가 제시된 순서나 좌우 위치에 따라 판정 결과가 체계적으로 달라지는 현상이다.
• 심층 신뢰 신경망심층 신뢰 신경망은 여러 확률적 잠재층을 쌓아 데이터의 계층적 표현을 학습하는 생성 모형 계열이다.

ㅆ

• 쌍대 비교쌍대 비교는 두 후보를 동시에 제시하고 어느 쪽이 기준에 더 부합하는지 선택하게 하는 평가 방식이다.
• 쌍대 비교 평가 설계쌍대 비교 평가 설계는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 쌍대 선호 순위화쌍대 선호 순위화는 두 후보 중 선호되는 항목을 관측해 전체 후보의 상대적 품질이나 보상 함수를 학습하는 방식이다.
• 쌍대 LLM 심사쌍대 LLM 심사은 평가 모델이 두 후보 응답을 나란히 비교해 더 나은 쪽이나 동률을 선택하는 방식이다.

ㅇ

• 아첨 현상아첨 현상은 모델이 사실이나 독립 판단보다 사용자가 드러낸 신념과 선호에 과도하게 동조하는 행동이다.
• 아티팩트 레지스트리아티팩트 레지스트리는 모델·컨테이너·데이터 패키지 같은 빌드 산출물을 식별자와 버전으로 관리하는 서비스다.
• 안장점안장점은 어떤 방향에서는 함수가 증가하고 다른 방향에서는 감소해 국소 최소나 최대가 아닌 정지점이다.
• 안전 벤치마크안전 벤치마크는 유해 출력, 편향, 보안 취약성이나 거부 행동 등 모델의 위험 관련 특성을 측정하는 평가다.
• 안전 보증 논증안전 보증 논증은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 안전 예외 처리 절차안전 예외 처리 절차는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 안전 정책 버전 관리안전 정책 버전 관리는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 안전 평가안전 평가는 AI 시스템이 정의된 위해·오용·정책 위반 상황에서 얼마나 위험한 결과를 만들고 통제가 작동하는지 측정하는 과정이다.
• 안전성 논증서안전성 논증서는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 안전하지 않은 출력 처리안전하지 않은 출력 처리는 언어 모델의 출력을 검증 없이 코드, 쿼리, HTML 또는 외부 명령으로 실행해 취약점이 생기는 문제다.
• 알고리즘문제를 해결하기 위해 입력을 처리하는 유한하고 명확한 절차다.
• 알고리즘 감사알고리즘 감사는 AI 시스템의 설계, 데이터, 성능, 통제와 운영이 정한 기준을 충족하는지 독립적으로 조사하는 활동이다.
• 알고리즘 영향 평가알고리즘 영향 평가는 시스템 도입 전후에 권리, 공정성, 안전과 사회적 영향을 구조적으로 검토하는 절차다.
• 알고리즘 이의제기 가능성알고리즘 이의제기 가능성은 AI 또는 알고리즘 결정의 영향을 받은 사람이 결정을 이해하고 검토·수정 요청을 제기할 수 있는 성질이다.
• 알고리즘 편향알고리즘 편향은 모델이나 의사결정 절차가 특정 집단·조건에 체계적으로 불리하거나 왜곡된 결과를 만드는 현상이다.
• 암기 데이터 추출암기 데이터 추출은 생성 모델에 반복 또는 최적화된 질의를 보내 학습 데이터의 희귀하거나 민감한 문자열을 재생하도록 유도하는 공격이다.
• 앙상블 학습앙상블 학습은 여러 예측 모델의 출력을 결합해 단일 모델보다 일반화 성능이나 안정성을 높이는 방법이다.
• 야코비 행렬야코비 행렬은 벡터값 함수의 각 출력 성분을 각 입력 변수로 편미분한 값을 배열한 행렬이다.
• 약인공지능협의 인공지능은 정해진 과제나 제한된 운영 범위에서 지능적 기능을 수행하도록 설계된 AI 시스템이다.
• 양방향 어텐션양방향 어텐션은 각 토큰이 시퀀스의 앞과 뒤 모든 허용 위치를 함께 참고하도록 하는 어텐션 패턴이다.
• 양자화가중치와 활성값을 낮은 정밀도로 표현해 메모리와 계산 비용을 줄이는 기법이다.
• 양자화 인식 학습양자화 인식 학습은 학습 중 낮은 비트 양자화의 반올림과 범위를 모사해 양자화 후 정확도 저하를 줄이는 방법이다.
• 어댑터 서빙어댑터 서빙은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 어댑터 층어댑터 층은 사전학습 모델의 본체를 대부분 고정한 채 층 사이에 삽입해 과제별로 학습하는 작은 병목 모듈이다.
• 어텐션현재 표현을 만들 때 입력의 각 부분에 서로 다른 중요도를 부여해 정보를 결합하는 연산이다.
• 어텐션 계산 복잡도어텐션 계산 복잡도는 시퀀스 길이, 헤드 차원과 배치 크기에 따라 어텐션이 요구하는 연산과 메모리의 증가율이다.
• 어텐션 마스크어텐션 마스크는 각 질의 위치가 참조할 수 있는 키 위치를 허용·차단하는 행렬 또는 규칙이다.
• 어텐션 싱크어텐션 싱크는 특별한 의미가 크지 않은 초기 토큰이 여러 후속 토큰의 높은 어텐션을 지속적으로 받는 현상이다.
• 어텐션 점수어텐션 점수는 질의와 키가 얼마나 관련 있는지를 정규화 전에 나타내는 스칼라 호환도 값이다.
• 어텐션 행렬어텐션 행렬은 모든 질의 위치와 키 위치 사이의 어텐션 가중치를 행렬로 모은 표현이다.
• 어텐션 헤드어텐션 헤드는 독립적인 질의·키·값 투영을 사용해 하나의 관계 패턴을 학습하는 다중 헤드 어텐션의 단위다.
• 어텐션 헤드 가지치기어텐션 헤드 가지치기는 중요도가 낮은 멀티헤드 어텐션 헤드를 제거해 모델 계산과 크기를 줄이는 압축 기법이다.
• 어휘 검색어휘 검색은 질의와 문서에 실제로 나타난 토큰·어근·구의 일치를 중심으로 후보를 찾는 검색 방식이다.
• 어휘 집합토크나이저와 모델이 구분해 처리할 수 있는 토큰의 전체 목록이다.
• 언어 모델토큰 시퀀스의 확률 분포를 학습해 다음 토큰이나 누락된 토큰을 예측하는 모델이다.
• 언어 모델 신뢰도언어 모델 신뢰도는 모델이 생성한 답이나 토큰이 맞을 가능성에 대해 모델 점수 또는 별도 추정기가 나타내는 확신 정도다.
• 언어 모델 외부 메모리언어 모델 외부 메모리는 모델 매개변수와 현재 문맥 밖에 저장한 정보를 검색하거나 갱신해 생성에 사용하는 구성 요소다.
• 언어 모델링 헤드언어 모델링 헤드는 은닉 상태에서 각 어휘 토큰의 조건부 점수를 계산하는 언어 모델의 출력 모듈이다.
• 에너지 기반 모델에너지 기반 모델은 입력과 출력 조합의 적합성을 스칼라 에너지로 표현하고 낮은 에너지 상태를 더 그럴듯하게 보는 모델이다.
• 에이전트 가드레일에이전트 가드레일은 에이전트의 입력·계획·도구 사용·출력에 정책과 권한 경계를 적용해 위험 행동을 예방·탐지·중단하는 통제다.
• 에이전트 간 통신에이전트 간 통신은 에이전트들이 의도, 관측, 요청과 결과를 정해진 메시지 형식으로 교환하는 메커니즘이다.
• 에이전트 계획 품질에이전트 계획 품질은 목표를 달성하기 위한 단계가 타당한 순서·의존성·완료 조건·비용·위험을 얼마나 잘 표현하는지 나타내는 평가 대상이다.
• 에이전트 과제 분해복잡한 에이전트 과제를 실행 가능하고 검증 가능한 하위 과제로 나누고 의존 관계를 정하는 과정이다.
• 에이전트 과제 성공률에이전트 과제 성공률은 주어진 목표의 필수 완료 조건과 제약을 모두 만족한 독립 실행이 전체 시도에서 차지하는 비율이다.
• 에이전트 궤적 평가에이전트 궤적 평가는 최종 답뿐 아니라 관측·추론·도구 호출·상태 전환으로 이어지는 실행 경로의 품질을 판정하는 방법이다.
• 에이전트 단계 예산에이전트 단계 예산은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 단기 기억에이전트 단기 기억은 한 세션이나 인접한 작업 단계 사이에서 최근 대화와 행동 결과를 유지하는 임시 기억 계층이다.
• 에이전트 도구에이전트 도구는 모델이 외부 정보 조회나 상태 변경을 수행할 수 있도록 명세된 함수·API·실행 환경이다.
• 에이전트 도구 재시도 정책에이전트 도구 재시도 정책은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 도구 정확도에이전트 도구 정확도는 적절한 도구 선택, 인수 구성, 호출 시점과 결과 해석이 기준에 맞는 정도다.
• 에이전트 도구 타임아웃 예산에이전트 도구 타임아웃 예산은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 도구 트랜잭션에이전트 도구 트랜잭션은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 런타임에이전트 런타임은 모델 호출, 도구 실행, 상태 보존, 오류 복구와 관측 기록을 실제로 수행하는 실행 환경이다.
• 에이전트 루프관찰·추론·행동·결과 반영을 목표 달성까지 반복하는 실행 구조다.
• 에이전트 루프 감시기에이전트 루프 감시기는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 메모리에이전트가 이전 상호작용과 작업 상태를 저장하고 이후 판단에 사용하는 구조다.
• 에이전트 메모리 보유에이전트 메모리 보유는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 메모리 일관성에이전트 메모리 일관성은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 멱등성에이전트 멱등성은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 목표에이전트가 도달하거나 유지하려는 바람직한 상태를 성공 조건과 제약으로 표현한 것이다.
• 에이전트 문맥 핸드오프에이전트 문맥 핸드오프는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 벤치마크에이전트 벤치마크는 계획·도구 사용·상태 관리가 필요한 과제와 성공 판정 환경을 묶어 에이전트 성능을 비교하는 평가 체계다.
• 에이전트 보상 트랜잭션에이전트 보상 트랜잭션은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 보안에이전트 보안은 자율 실행 시스템의 모델·메모리·도구·자격증명·통신과 공급망을 공격과 오용에서 보호하는 활동이다.
• 에이전트 부수 효과 제어에이전트 부수 효과 제어는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 사고 대응 절차에이전트 사고 대응 절차는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 사람 승인 게이트에이전트 사람 승인 게이트는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 상태 기계에이전트 상태 기계는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 상향 보고 정책에이전트 상향 보고 정책은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 샌드박스에이전트 샌드박스는 에이전트가 실행하는 코드와 도구의 파일·네트워크·프로세스 접근을 격리하는 환경이다.
• 에이전트 성찰에이전트 성찰은 직전 추론 과정이나 결과를 평가해 오류, 누락과 더 나은 다음 행동을 찾아내는 절차다.
• 에이전트 숙고에이전트 숙고는 행동을 즉시 실행하지 않고 대안·근거·위험을 비교해 선택을 정교화하는 의사결정 단계다.
• 에이전트 스웜에이전트 스웜은 다수의 비교적 자율적인 에이전트가 지역 정보와 단순한 상호작용 규칙으로 공동 문제를 푸는 구성이다.
• 에이전트 스크래치패드에이전트 스크래치패드는 한 과제를 푸는 동안 임시 계산, 도구 결과, 다음 행동 후보를 유지하는 작업 공간이다.
• 에이전트 시뮬레이션 테스트에이전트 시뮬레이션 테스트는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 실행 계약에이전트 실행 계약은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 실행 재현에이전트 실행 재현은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 실행기에이전트 실행기는 계획에 적힌 작업을 실제 모델 호출, 도구 호출 또는 외부 작업으로 변환하는 구성 요소다.
• 에이전트 역할에이전트 역할은 다중 에이전트 시스템에서 한 에이전트가 맡을 책임, 사용 가능한 도구와 의사결정 범위를 정의한 규약이다.
• 에이전트 위임에이전트 위임은 상위 에이전트가 목표의 일부와 필요한 권한·제약을 다른 에이전트에게 맡기는 작업 분배 방식이다.
• 에이전트 의미 기억에이전트 의미 기억은 특정 사건의 시간 순서와 분리해 일반화된 사실·개념·관계를 장기 보존하는 기억 계층이다.
• 에이전트 일화 기억에이전트 일화 기억은 특정 과제에서 무엇을 관찰하고 어떤 행동을 했으며 결과가 어땠는지를 사건 단위로 보존한 기억이다.
• 에이전트 자기 교정에이전트 자기 교정은 에이전트가 자신의 중간 추론이나 실행 결과를 기준·피드백과 대조해 오류를 찾고 다음 행동을 수정하는 절차다.
• 에이전트 자율성 수준에이전트 자율성 수준은 사람이 매 단계 승인하는 방식부터 제한된 범위 안에서 스스로 계획하고 실행하는 방식까지의 권한 정도다.
• 에이전트 장기 기억에이전트 장기 기억은 여러 세션에 걸쳐 재사용할 사실·선호·절차·과거 경험을 지속적으로 저장하는 기억 계층이다.
• 에이전트 재계획에이전트 재계획은 실행 중 관측이나 제약이 바뀌었을 때 남은 계획을 수정하거나 새로 만드는 복구 절차다.
• 에이전트 절차 기억에이전트 절차 기억은 과제를 수행하는 방법, 도구 사용 순서, 성공·실패 조건을 재사용 가능한 절차로 보존한 기억이다.
• 에이전트 제어 루프에이전트 제어 루프는 관찰, 상태 갱신, 계획, 행동, 결과 평가를 반복해 목표를 향해 진행하는 실행 순환이다.
• 에이전트 조정에이전트 조정은 여러 에이전트의 작업 순서, 자원 사용과 상호 의존성을 맞춰 충돌과 중복을 줄이는 제어 활동이다.
• 에이전트 종료 조건에이전트 종료 조건은 목표 달성, 실패 확정, 예산 소진 또는 사람 개입 필요성을 근거로 실행 루프를 멈추는 판정 규칙이다.
• 에이전트 최소 권한에이전트 최소 권한은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 추적 평가에이전트 추적 평가는 관측·계획·도구 호출·결과·상태 전환으로 이어지는 실행 기록을 단계별로 분석하는 평가 방법이다.
• 에이전트 카나리 실행에이전트 카나리 실행은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 카오스 테스트에이전트 카오스 테스트는 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 평가에이전트 평가는 자율 시스템의 최종 결과뿐 아니라 계획, 도구 사용, 상태 관리, 복구와 안전한 중단 능력을 측정하는 과정이다.
• 에이전트 하네스에이전트 하네스는 언어 모델 주위에 프롬프트, 도구, 메모리, 정책과 평가기를 결합한 실행 골격이다.
• 에이전트 핸드오프에이전트 핸드오프는 한 에이전트가 진행 중인 작업의 책임과 필요한 문맥을 다른 에이전트에게 넘기는 전환 절차다.
• 에이전트 행동 원장에이전트 행동 원장은 계획·도구 호출·상태 변경을 반복하는 AI 에이전트 실행 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 에이전트 협업에이전트 협업은 서로 다른 능력이나 정보를 가진 에이전트들이 공동 목표를 위해 산출물과 피드백을 주고받는 과정이다.
• 에이전트형 RAG에이전트형 RAG는 에이전트가 검색 필요성, 질의, 도구, 반복과 답변 검증을 동적으로 결정하는 검색 증강 생성 방식이다.
• 에코 상태 네트워크에코 상태 네트워크는 고정된 희소 순환 저장소가 입력의 시간적 흔적을 만들고 출력층만 학습하는 저장소 컴퓨팅 모형이다.
• 에포크학습 알고리즘이 전체 학습 데이터셋을 한 번 처리한 주기다.
• 엔트로피엔트로피는 확률분포에서 결과를 알기 전의 평균 정보량 또는 불확실성을 나타내는 양이다.
• 엣지 모델 배포엣지 모델 배포는 데이터가 생성되는 장치나 가까운 게이트웨이에 모델을 설치해 로컬에서 추론하는 방식이다.
• 엣지 추론엣지 추론은 센서·모바일·현장 장치처럼 데이터 생성 지점 가까이에서 모델 예측을 수행하는 방식이다.
• 엣지 AI엣지 AI는 데이터가 생성되는 단말이나 가까운 게이트웨이에서 모델 추론 또는 일부 학습을 수행하는 방식이다.
• 역량 회귀역량 회귀는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 역사적 편향역사적 편향은 데이터가 정확히 측정되었더라도 과거 사회의 불평등과 제도적 차별이 목표와 패턴에 반영된 상태다.
• 역색인역색인은 각 용어나 토큰에서 그것이 등장한 문서와 위치 목록으로 연결하는 검색 자료구조다.
• 역순위 결합역순위 결합은 여러 검색 결과에서 문서의 순위 역수 점수를 합해 하나의 순위로 합치는 비지도 융합 방법이다.
• 역전파출력의 손실에서 각 파라미터의 기여도를 연쇄 법칙으로 계산하는 알고리즘이다.
• 역직렬화역직렬화는 전송되거나 저장된 표현을 애플리케이션이 다룰 수 있는 객체와 자료형으로 복원하는 과정이다.
• 역파일 인덱스역파일 인덱스는 벡터 공간을 중심점별 셀로 나누고 각 벡터를 가까운 중심점의 목록에 저장하는 근사 검색 구조다.
• 역할 프롬프팅역할 프롬프팅은 모델에 특정 직무, 관점 또는 책임 범위를 부여해 응답의 초점과 표현 기준을 조정하는 방법이다.
• 역행렬역행렬은 정사각행렬 A에 대해 곱했을 때 항등행렬이 되는 행렬이며 가역 행렬에만 존재한다.
• 연결주의인지와 지능이 많은 단순 처리 단위의 연결과 상호작용에서 나타난다고 보는 계산적 접근이다.
• 연구 전용 라이선스연구 전용 라이선스는 평가와 비상업 연구 같은 목적만 허용하고 제품 운영이나 상업적 이용을 제한하는 사용 조건이다.
• 연산 집약 작업연산 집약 작업은 실행 시간이 메모리 전송보다 계산 처리량에 주로 제한되는 작업이다.
• 연산자 융합연산자 융합은 연속된 여러 고수준 연산을 하나의 실행 단위로 결합해 중간 메모리 이동과 실행 오버헤드를 줄이는 최적화다.
• 연속 배칭연속 배칭은 실행 중인 추론 배치에 완료된 요청을 제거하고 새 요청을 단계별로 투입해 장치 활용률을 높이는 스케줄링 방식이다.
• 연속 배칭 공정성연속 배칭 공정성은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 연속 배칭 정책연속 배칭 정책은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 연속 사전학습연속 사전학습은 이미 사전학습된 모델을 추가 말뭉치와 자기지도 목표로 더 학습해 도메인·언어·최신 지식을 반영하는 단계다.
• 연쇄 법칙연쇄 법칙은 합성 함수의 미분을 각 구성 함수의 미분 곱으로 계산하는 규칙이다.
• 연합 검색연합 검색은 서로 다른 색인이나 검색 서비스에 질의를 분배하고 결과를 하나의 순위 목록으로 통합하는 방식이다.
• 연합 분석연합 분석은 원시 데이터를 중앙에 모으지 않고 여러 장치나 기관에서 계산한 통계만 집계해 전체 경향을 분석하는 방식이다.
• 연합학습연합학습은 원시 데이터를 중앙에 모으지 않고 여러 참여자가 로컬에서 모델을 학습해 갱신값만 집계하는 분산 학습 방식이다.
• 영역 제안 네트워크영역 제안 네트워크(RPN)는 특징 지도에서 객체가 있을 가능성이 높은 후보 상자와 객체성 점수를 생성하는 네트워크다.
• 예측예측은 학습된 모델이 관측된 입력에 대해 미지의 값, 범주 또는 미래 결과의 추정치를 산출하는 과정이다.
• 오디오 모델오디오 모델은 시간에 따라 변하는 음향 신호에서 패턴을 학습해 인식, 생성, 분류나 변환을 수행하는 모델이다.
• 오디오 임베딩오디오 임베딩은 음향 구간의 내용이나 화자·환경 특성을 비교 가능한 고정 길이 벡터로 표현한 것이다.
• 오디오 캡셔닝오디오 캡셔닝은 환경음·음악·음성 등이 포함된 오디오의 내용을 자연어 문장으로 설명하는 과제다.
• 오디오 토큰오디오 토큰은 음성·음악 파형의 짧은 구간이나 압축 코드에 대응하는 연속 또는 이산 표현 단위다.
• 오디오 API오디오 API는 음성 인식, 번역, 합성 등 오디오 입력과 출력을 모델 서비스로 요청하는 인터페이스다.
• 오버플로와 언더플로오버플로와 언더플로는 계산 결과의 크기가 수치 형식이 표현할 최대 범위를 넘거나 최소 정상 범위보다 작아지는 현상이다.
• 오용 테스트오용 테스트은 허용되지 않은 목적을 가진 사용자가 정상 기능을 악용할 때 시스템이 이를 예방·탐지·제한하는지 평가하는 활동이다.
• 오케스트레이터 에이전트오케스트레이터 에이전트는 여러 작업자와 도구 사이의 의존 관계, 순서, 병렬 실행과 결과 통합을 조정한다.
• 오토인코더오토인코더는 입력을 잠재 표현으로 압축하는 인코더와 그 표현에서 입력을 복원하는 디코더를 함께 학습하는 신경망이다.
• 오프라인 선호 학습오프라인 선호 학습은 미리 수집해 고정한 비교·순위 데이터만으로 정책 또는 보상 모델을 최적화하는 방식이다.
• 오픈 웨이트 모델오픈 웨이트 모델은 학습된 파라미터가 공개되어 내려받아 추론하거나 추가 학습할 수 있는 모델이다.
• 오픈소스 모델사용·연구·수정·공유의 자유를 보장하고, 모델을 수정하는 데 필요한 코드·파라미터·데이터 정보를 제공하는 AI 모델 또는 시스템이다.
• 오픈소스 AI 정의오픈소스 AI 정의는 AI 시스템을 연구·사용·수정·공유할 수 있으려면 어떤 형태의 코드, 데이터 정보와 파라미터가 제공되어야 하는지 설명하는 기준이다.
• 온라인 선호 학습온라인 선호 학습은 현재 정책이 새 후보를 생성하고 그에 대한 최신 선호 피드백을 받아 반복적으로 정책을 갱신하는 방식이다.
• 온라인 추론온라인 추론은 사용자나 시스템의 개별 요청에 대해 짧은 지연 시간 안에 즉시 예측을 반환하는 처리 방식이다.
• 온라인 평가 드리프트온라인 평가 드리프트는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 온라인 학습온라인 학습은 데이터가 순차적으로 도착할 때 각 관측을 이용해 모델을 지속적으로 갱신하는 학습 설정이다.
• 온톨로지온톨로지는 특정 영역의 개념·관계·제약을 명시적인 형식 의미와 함께 정의한 지식 표현 체계다.
• 온프레미스 AI온프레미스 AI는 조직이 직접 통제하는 시설과 인프라에서 모델·데이터·추론 서비스를 운영하는 배포 형태다.
• 옵티마이저 상태옵티마이저 상태는 학습 갱신을 계산하기 위해 매개변수 외에 유지하는 모멘트, 누적 그래디언트, 단계 수 등의 값이다.
• 완전 샤딩 데이터 병렬화완전 샤딩 데이터 병렬화은 모델 파라미터·기울기·옵티마이저 상태를 데이터 병렬 작업자에 분할해 메모리 중복을 줄이는 학습 방식이다.
• 완전 일치완전 일치는 예측 문자열이나 구조가 정답과 사전에 정한 정규화 뒤 정확히 같은지를 세는 평가 지표다.
• 완전연결층완전연결층은 모든 입력 특성과 모든 출력 유닛 사이에 학습 가능한 가중치를 두는 신경망 층이다.
• 외적곱한 벡터의 각 성분과 다른 벡터의 각 성분을 모두 곱해 행렬을 만드는 연산이다.
• 요청 대기열요청 대기열은 즉시 실행할 자원이 없는 추론 요청을 도착 순서와 우선순위 정보와 함께 보관하는 구조다.
• 요청 서명요청 서명은 HTTP 요청의 선택된 구성 요소를 개인키나 공유키로 서명해 발신자와 전송 중 무결성을 확인하는 방식이다.
• 요청 선점요청 선점은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 요청 스케줄러요청 스케줄러는 동시 추론 요청의 우선순위, 배치 구성과 실행 순서를 결정하는 구성 요소다.
• 요청 인터셉터요청 인터셉터는 API 요청이 전송되기 전이나 처리기에 도달하기 전에 공통 로직을 적용하는 가로채기 계층이다.
• 요청 조절요청 조절은 서비스 보호와 공정한 사용을 위해 요청 처리 속도나 동시 실행량을 의도적으로 낮추는 제어다.
• 요청 한도일정 시간 동안 허용하는 요청이나 토큰 사용량을 제한하는 정책이다.
• 요청-응답 패턴요청-응답 패턴은 클라이언트가 작업을 기술한 메시지를 보내고 서버가 그 요청과 대응되는 결과 메시지를 반환하는 통신 구조다.
• 우도가능도는 관측 데이터가 고정되었을 때 매개변수 값에 따라 확률모형이 그 데이터를 얼마나 지지하는지 나타내는 함수다.
• 워크플로 오케스트레이션여러 작업과 도구 호출의 의존 관계·상태·실패 처리를 정의하고 실행 순서를 조정하는 운영 방식이다.
• 웜 스타트웜 스타트는 이미 로드되었거나 이전 상태를 재사용할 수 있는 인스턴스에서 요청이나 학습을 시작해 초기화 비용을 줄이는 방식이다.
• 웹 규모 학습 데이터웹 규모 학습 데이터는 공개 웹에서 대량 수집한 문서와 미디어를 정제해 구성한 대규모 사전학습 자료다.
• 웹훅특정 이벤트가 발생했을 때 다른 시스템의 URL로 데이터를 보내는 자동 통지 방식이다.
• 위치 보간위치 보간은 사전학습 때보다 긴 문맥을 처리하도록 새 위치 범위를 기존 위치 범위 안으로 압축해 매핑하는 확장 기법이다.
• 위치 인코딩어텐션 모델에 토큰의 순서와 상대 위치 정보를 주입하는 표현이다.
• 위치 ID위치 ID는 시퀀스 안 각 토큰에 위치 인코딩이나 회전 각도를 할당하기 위한 정수 인덱스다.
• 유니그램 언어 모델 토크나이저유니그램 언어 모델 토크나이저는 여러 서브워드 분할 후보의 확률을 독립 토큰 확률의 곱으로 평가하는 토큰화 방법이다.
• 유니버설 트랜스포머유니버설 트랜스포머는 깊이 방향에서 같은 전환 블록을 반복 적용해 위치별 표현을 점진적으로 갱신하는 순환적 트랜스포머다.
• 유클리드 거리유클리드 거리는 두 벡터 좌표 차이 제곱합의 제곱근으로 정의되는 직선 거리다.
• 유한차분법유한차분법은 연속 함수의 미분을 가까운 격자점 함수값의 차이로 근사하는 수치 방법이다.
• 율-왜곡 이론율-왜곡 이론은 허용할 평균 왜곡 수준에서 정보를 표현하는 데 필요한 최소 부호율을 연구한다.
• 융합 트랜스포머 커널융합 트랜스포머 커널은 연속된 여러 텐서 연산을 하나의 가속기 커널로 합쳐 메모리 이동과 실행 오버헤드를 줄인 구현이다.
• 은닉 마르코프 모델은닉 마르코프 모델은 관측되지 않는 상태가 마르코프 연쇄를 이루고 각 상태가 관측값을 생성하는 시계열 확률 모델이다.
• 은닉 상태은닉 상태는 순환 모델이나 상태 공간 모델이 이전 입력 정보를 요약해 다음 계산으로 전달하는 내부 표현이다.
• 은닉층은닉층은 입력과 출력 사이에서 중간 표현을 계산하며 직접 관측되는 목표가 아닌 특징을 학습하는 신경망 층이다.
• 음성 번역음성 번역은 한 언어의 발화를 다른 언어의 텍스트 또는 음성으로 변환하는 과제다.
• 음성 언어 모델음성 언어 모델은 음성의 음향·언어 정보를 토큰 시퀀스로 학습해 인식·이해·생성 작업을 수행하는 모델이다.
• 음성 인식음성 신호를 텍스트나 언어 단위로 변환하는 기술이다.
• 음성 합성텍스트를 자연스러운 음성 파형으로 변환하는 기술이다.
• 음성 활동 탐지음성 활동 탐지는 오디오의 각 프레임이나 구간에 사람 음성이 존재하는지 판정하는 과제다.
• 음성-텍스트 변환음성-텍스트 변환은 음성 파형을 해당 발화의 문자나 단어 시퀀스로 변환하는 과제다.
• 응답 검증응답 검증은 외부 API나 모델 출력이 합의된 스키마와 의미 제약을 만족하는지 소비 전에 확인하는 절차다.
• 응답 계약응답 계약은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 응답 장황성응답 장황성은 필요한 정보량에 비해 출력이 얼마나 길고 반복적이며 우회적인지를 나타내는 특성이다.
• 응답 형식 튜닝응답 형식 튜닝은 모델이 지정된 구조, 문체, 길이 또는 스키마에 맞춰 답하도록 예시 데이터로 미세조정하는 과정이다.
• 의미 검색문자열의 정확한 일치보다 질의와 문서의 의미 유사성을 이용하는 검색 방식이다.
• 의미 기반 출력 검증의미 기반 출력 검증은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 의사 관련성 피드백의사 관련성 피드백은 첫 검색의 상위 문서가 관련 있다고 가정하고 그 문서의 용어나 표현으로 질의를 보강하는 기법이다.
• 의사결정 시스템의사결정 시스템은 관측과 예측을 목표·제약·비용 규칙에 결합해 가능한 행동 중 하나를 선택하는 시스템이다.
• 의사결정 출처 추적의사결정 출처 추적은 AI가 내린 결과에 영향을 준 데이터, 모델, 규칙, 사람 승인과 처리 단계를 재구성할 수 있게 기록하는 체계다.
• 이미지 검색이미지 검색은 질의 이미지나 텍스트와 관련된 이미지를 대규모 모음에서 순위화해 찾는 과제다.
• 이미지 분류입력 이미지 전체를 하나 이상의 사전 정의된 범주나 확률분포에 매핑하는 컴퓨터 비전 과제다.
• 이미지 분할이미지의 각 픽셀 또는 영역에 의미 있는 클래스나 객체 식별자를 할당하는 컴퓨터 비전 과제다.
• 이미지 생성텍스트나 다른 조건을 바탕으로 새로운 이미지를 합성하는 생성 과제다.
• 이미지 생성 API이미지 생성 API는 자연어 지시와 선택적 참조 이미지를 받아 새 이미지 또는 편집 결과를 생성하는 인터페이스다.
• 이미지 아웃페인팅이미지 아웃페인팅은 기존 이미지 경계 밖의 캔버스를 확장해 이어지는 장면을 생성하는 작업이다.
• 이미지 인페인팅이미지 인페인팅은 이미지의 지정된 마스크 영역을 주변 문맥과 조건에 맞게 새 내용으로 채우는 생성 작업이다.
• 이미지 임베딩이미지 임베딩은 이미지의 시각적 내용을 고정 길이 벡터로 압축해 유사도 비교나 다른 모델의 입력에 쓰는 표현이다.
• 이미지 캡셔닝이미지의 주요 내용과 관계를 자연어 문장으로 기술하는 시각-언어 생성 과제다.
• 이미지 토큰이미지 토큰은 이미지의 패치, 영역 또는 양자화 코드에 대응해 시퀀스 모델이 처리하는 표현 단위다.
• 이미지 패치이미지 패치는 원본 이미지를 일정 크기의 작은 영역으로 나눈 단위이며 비전 트랜스포머의 입력 토큰으로 자주 사용된다.
• 이미지-이미지 생성이미지-이미지 생성은 입력 이미지의 구조나 내용을 조건으로 새로운 스타일·속성·해상도의 이미지를 만드는 과제다.
• 이상 탐지이상 탐지는 정상 데이터의 분포나 구조에서 드물게 벗어난 관측을 식별하는 문제다.
• 이중용도 AI이중용도 AI는 유익한 목적과 해로운 목적 모두에 적용될 수 있어 사용 맥락에 따라 위험이 달라지는 AI 기술이다.
• 익명화익명화는 합리적으로 사용할 수 있는 수단으로 개인을 다시 식별할 수 없도록 데이터와 개인의 연결을 제거하는 처리다.
• 인간 감독인간 감독은 사람이 AI 시스템의 동작과 결과를 감시하고 필요할 때 승인·중단·수정할 수 있도록 하는 통제다.
• 인간 승인 게이트인간 승인 게이트는 고위험·비가역 행동을 실행하기 전에 권한 있는 사람이 요청 내용을 검토하고 허용 여부를 결정하는 통제 지점이다.
• 인간 참여형 제어중요한 판단이나 실행 단계에 사람의 검토·승인·교정을 포함하는 설계다.
• 인간 평가인간 평가는 사람이 정의된 기준에 따라 모델 출력의 품질·선호·안전성 등을 직접 판단하는 평가 방식이다.
• 인간 피드백 기반 강화학습사람의 선호 신호를 이용해 모델 응답 정책을 조정하는 사후학습 방법이다.
• 인공 뉴런입력의 가중합에 활성화 함수를 적용해 출력을 만드는 신경망의 계산 단위다.
• 인공지능컴퓨터 시스템이 지각·추론·학습·행동과 같은 지능적 과제를 수행하도록 만드는 연구와 기술의 총칭이다.
• 인공지능 겨울인공지능 겨울은 과도한 기대 뒤 연구 성과와 사업 가치가 기대에 미치지 못해 투자와 관심이 크게 줄어든 역사적 시기를 가리킨다.
• 인공지능 생명주기AI 생애주기는 문제 정의와 데이터 준비부터 모델 개발·평가·배포·운영·폐기까지 AI 시스템이 거치는 연결된 단계다.
• 인공지능 시스템AI 시스템은 입력으로부터 추론해 예측·콘텐츠·추천·결정 같은 출력을 생성하고 환경에 영향을 미치는 기계 기반 시스템이다.
• 인과 마스크현재 위치가 미래 토큰을 참조하지 못하게 어텐션 점수를 제한하는 마스크다.
• 인과 언어 모델인과 언어 모델은 각 위치가 자신보다 앞선 토큰만 보도록 제한해 다음 토큰 예측을 학습하는 언어 모델이다.
• 인과 언어 모델링 목표인과 언어 모델링 목표는 이전 토큰들만 조건으로 다음 토큰의 확률을 높이도록 모델을 학습하는 목적 함수다.
• 인구통계학적 동등성인구통계학적 동등성은 보호 집단과 무관하게 긍정 예측의 비율이 같도록 요구하는 공정성 기준이다.
• 인덱스 구축인덱스 구축은 문서나 벡터를 검색 가능한 자료 구조로 변환해 질의 시 전체 데이터를 직접 순회하지 않게 하는 과정이다.
• 인덱스 복제인덱스 복제는 같은 검색 인덱스의 사본을 여러 노드에 유지해 처리량과 가용성을 높이는 방식이다.
• 인덱스 샤딩인덱스 샤딩은 큰 검색 인덱스를 키 범위·해시·의미 영역 등에 따라 여러 노드나 파티션으로 나누는 방식이다.
• 인스턴스 정규화인스턴스 정규화는 각 표본과 채널별로 공간 위치의 평균과 분산을 사용해 활성값을 정규화하는 방법이다.
• 인식-계획-행동 순환환경을 관찰해 현재 상태를 구성하고, 목표에 맞는 계획을 세운 뒤 행동을 실행하며 결과를 다음 관찰에 반영하는 에이전트 제어 순환이다.
• 인용주장이나 생성 결과가 근거로 삼은 자료의 위치와 출처를 표시하는 정보다.
• 인용 근거 계약인용 근거 계약은 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 인용 생성인용 생성은 생성 답변의 주장과 그 주장을 뒷받침하는 검색 문서 위치를 연결해 표시하는 과정이다.
• 인용 정확성인용 정확성은 답변에 붙은 인용이 해당 주장과 올바른 출처를 실제로 연결하는 정도다.
• 인코더입력 시퀀스를 문맥이 반영된 내부 표현으로 변환하는 구성 요소다.
• 인코더 전용 트랜스포머인코더 전용 트랜스포머는 입력 전체의 양방향 문맥을 표현하도록 인코더 블록만 쌓은 구조다.
• 인코더-디코더입력을 인코딩한 뒤 별도의 디코더가 출력을 생성하는 모델 구조다.
• 인코더-디코더 어텐션인코더-디코더 어텐션은 디코더의 질의가 인코더 출력의 키와 값을 참고해 입력 정보를 가져오는 교차 어텐션이다.
• 일반화일반화는 학습에 직접 사용하지 않은 같은 목표 분포의 사례에서도 모델이 유용한 성능을 유지하는 능력이다.
• 임베딩문장·이미지·항목의 의미나 특성을 연속적인 벡터 공간에 표현한 값이다.
• 임베딩 드리프트임베딩 드리프트는 모델, 데이터 또는 전처리 변경으로 같은 입력의 벡터 분포와 이웃 관계가 시간에 따라 달라지는 현상이다.
• 임베딩 모델텍스트·이미지 같은 입력을 비교와 검색에 사용할 수 있는 고정 길이 벡터로 변환하도록 학습한 모델이다.
• 임베딩 비등방성임베딩 비등방성은 벡터들이 공간 전체에 고르게 퍼지지 않고 좁은 방향이나 원뿔에 몰리는 현상이다.
• 임베딩 정규화임베딩 정규화는 벡터 길이를 1로 맞추거나 분포를 조정해 비교 척도와 수치 범위를 일정하게 만드는 절차다.
• 임베딩 차원임베딩 차원은 벡터가 가진 좌표 수로 표현 용량, 저장 공간과 검색 계산량을 좌우한다.
• 임베딩 풀링임베딩 풀링은 여러 토큰 또는 구간 표현을 하나의 고정 길이 벡터로 합치는 연산이다.
• 임베딩 API임베딩 API는 텍스트나 다른 입력을 의미 비교와 검색에 사용할 수 있는 고정 길이 수치 벡터로 변환하는 인터페이스다.
• 입력층신경망이 외부 특징을 처음 받아 내부 텐서 표현으로 전달하는 입력 경계다.

ㅈ

• 자격 증명 순환자격 증명 순환은 비밀번호, 키와 토큰을 정기적이거나 사건 기반으로 새 값으로 교체하고 이전 값을 폐기하는 절차다.
• 자기 선호 편향자기 선호 편향은 평가 모델이 자신이나 같은 계열 모델이 생성한 답변을 다른 모델의 답변보다 더 높게 평가하는 경향이다.
• 자기일관성 디코딩자기일관성 디코딩은 같은 추론 문제에서 여러 사고 경로를 표본화하고 가장 일관되게 도출된 답을 선택하는 방식이다.
• 자기지도학습데이터 자체에서 학습 목표를 만들어 대규모 비표지 데이터로 표현을 익히는 방식이다.
• 자기회귀 언어 모델자기회귀 언어 모델은 앞선 토큰을 조건으로 다음 토큰 확률을 예측하며 시퀀스의 결합확률을 분해하는 모델이다.
• 자동 미분자동 미분은 프로그램의 기본 연산에 연쇄법칙을 기계적으로 적용해 도함수를 부동소수점 정확도로 계산하는 기법이다.
• 자동 평가자자동 평가자는 규칙, 통계 모델 또는 언어 모델을 사용해 시스템 출력을 사람의 개별 판정 없이 점수화하는 평가 구성 요소다.
• 자동 프롬프트 최적화자동 프롬프트 최적화는 평가 신호를 사용해 프롬프트 후보를 자동 생성·선택·수정하는 탐색 과정이다.
• 작업 기억작업 기억은 현재 과제를 해결하는 동안 필요한 목표·중간 결과·제약을 짧은 범위에서 유지하는 활성 정보 공간이다.
• 작업자 에이전트작업자 에이전트는 명확한 입력과 완료 조건을 가진 제한된 하위 작업을 수행하는 역할형 에이전트다.
• 잔차 신경망잔차 신경망은 여러 층의 변환 결과에 입력을 지름길 연결로 더해 잔차 함수를 학습하는 심층 신경망이다.
• 잔차 연결블록의 입력을 출력에 더해 깊은 신경망의 학습을 안정화하는 연결이다.
• 잠재 지식잠재 지식은 모델 내부 표현에 반영되어 있지만 일반적인 직접 질의에서는 안정적으로 출력되지 않는 정보다.
• 잠재 추론잠재 추론은 자연어로 모든 중간 단계를 출력하지 않고 내부 연속 표현이나 숨은 토큰 상태에서 여러 계산 단계를 수행하는 접근이다.
• 잠재 표현잠재 표현은 관측 데이터가 저차원 또는 숨은 요인 공간으로 변환된 내부 표현이다.
• 잠재 확산 모델잠재 확산 모델은 픽셀 대신 학습된 저차원 잠재 공간에서 노이즈 제거 확산 과정을 수행하는 생성 모델이다.
• 잡음 제거 목표잡음 제거 목표는 원본 데이터에 손상을 가한 입력으로부터 손상 전 데이터나 필요한 부분을 복원하도록 학습하는 목적 함수다.
• 잡음 주입잡음 주입은 학습 중 입력, 활성값, 가중치나 기울기에 무작위 교란을 더해 일반화와 강건성을 높이는 기법이다.
• 장단기 메모리장단기 메모리는 입력·망각·출력 게이트와 셀 상태로 장기 의존성 학습을 돕는 순환 신경망 구조다.
• 장면 문자 인식장면 문자 인식은 자연 이미지 속 간판·상품·화면처럼 기울고 왜곡된 텍스트를 찾아 읽는 작업이다.
• 장문맥 트랜스포머장문맥 트랜스포머는 일반적인 문맥 창보다 훨씬 긴 시퀀스를 처리하도록 어텐션, 위치 표현과 메모리를 설계한 모델이다.
• 장시간 비디오 이해장시간 비디오 이해는 수분에서 수시간에 걸친 영상의 사건, 인물, 원인과 장거리 시간 관계를 파악하는 과제다.
• 장황성 편향장황성 편향은 평가자가 동일한 핵심 품질에서도 더 길고 자세한 답변을 부당하게 높게 평가하는 경향이다.
• 재귀 검색재귀 검색은 첫 검색 결과에서 새 질의나 하위 주제를 만들어 필요한 근거가 충분할 때까지 반복 검색하는 방식이다.
• 재시도 정책재시도 정책은 일시적 실패가 발생한 요청을 언제, 몇 번, 어떤 조건에서 다시 시도할지 정한 규칙이다.
• 재현 가능한 모델 빌드재현 가능한 모델 빌드는 같은 소스, 데이터 식별자와 환경에서 의미상 동일한 모델 아티팩트를 다시 만들 수 있는 성질이다.
• 재현 가능한 평가재현 가능한 평가는 동일한 데이터·모델·평가기·환경을 사용한 독립 실행에서 허용 오차 안의 결과를 얻을 수 있는 평가 절차다.
• 재현율-지연 시간 절충재현율-지연 시간 절충은 더 많은 관련 항목을 찾기 위한 탐색 확대가 응답 시간과 자원 사용을 늘리는 관계다.
• 저랭크 어텐션저랭크 어텐션은 키·값이나 어텐션 행렬이 더 낮은 차원 구조로 근사될 수 있다는 가정을 이용해 계산량을 줄이는 방법이다.
• 저작자 표시 의무저작자 표시 의무는 아티팩트를 사용하거나 배포할 때 원저작자, 출처와 라이선스 고지를 유지하도록 요구하는 조건이다.
• 적대적 예시사람이 보기에는 같거나 의미가 유지되지만 모델의 예측을 바꾸도록 의도적으로 조작된 입력이다.
• 적대적 테스트적대적 테스트은 시스템이 최악 조건이나 의도적으로 조작된 입력에서 어떻게 실패하는지 확인하는 검증 방법이다.
• 적응형 검색적응형 검색은 질문 난이도와 현재 모델의 불확실성에 따라 검색 여부, 횟수, 질의 또는 검색 범위를 동적으로 바꾸는 방식이다.
• 적응형 계산 시간 트랜스포머적응형 계산 시간 트랜스포머는 입력 위치나 예제별로 필요한 반복 계산 단계 수를 동적으로 결정하는 구조다.
• 적응형 그래디언트 방법적응형 그래디언트 방법은 매개변수별 과거 기울기 통계를 이용해 유효 학습률을 자동으로 조정하는 최적화 방법군이다.
• 전문가 라우팅전문가 라우팅은 혼합 전문가 모델에서 각 토큰을 처리할 일부 전문가를 점수화하고 선택하는 과정이다.
• 전문가 병렬화전문가 병렬화는 혼합 전문가 모델의 여러 전문가 네트워크를 장치에 나누어 배치하는 분산 실행 방식이다.
• 전문가 시스템전문가 시스템은 특정 분야의 지식을 규칙이나 사실로 표현하고 추론 엔진으로 결론이나 권고를 도출하는 인공지능 시스템이다.
• 전문가 용량 계수전문가 용량 계수는 한 배치에서 각 전문가가 처리할 수 있는 토큰 수를 평균 부하 대비 어느 정도로 허용할지 정하는 값이다.
• 전문가 평가전문가 평가는 해당 분야의 지식과 실무 경험을 가진 평가자가 전문 기준으로 결과의 정확성·유용성·위험을 판정하는 방식이다.
• 전문가 혼합입력마다 일부 전문가 네트워크만 선택해 계산량 대비 모델 용량을 늘리는 구조다.
• 전송 계층 보안전송 계층 보안(TLS)은 통신 상대 인증, 키 합의와 암호화된 레코드 전송을 제공하는 보안 프로토콜이다.
• 전송 제어 프로토콜전송 제어 프로토콜은 인터넷에서 두 종단 사이에 신뢰성 있는 순서화 바이트 스트림을 제공하는 전송 계층 프로토콜이다.
• 전이학습전이학습은 한 데이터나 과제에서 얻은 표현과 파라미터를 관련된 다른 과제의 학습에 활용하는 방법이다.
• 전체 파라미터 미세조정전체 파라미터 미세조정은 사전학습 모델의 모든 학습 가능한 가중치를 목표 데이터에 맞게 갱신하는 적응 방식이다.
• 전치행렬행렬의 행과 열을 맞바꾸어 원소 a_ij를 전치 행렬의 a_ji 위치로 옮기는 연산이다.
• 전형성 샘플링현재 분포의 엔트로피에 가까운 정보량을 가진 토큰을 우선 남겨 전형적인 확률 영역에서 표본을 추출하는 디코딩 방법이다.
• 절대 위치 인코딩절대 위치 인코딩은 각 토큰의 시퀀스 내 고유 위치를 나타내는 벡터를 내용 표현에 더하거나 결합하는 방식이다.
• 점수 기반 생성 모델점수 기반 생성 모델은 데이터 분포의 로그밀도 기울기인 점수 함수를 학습해 노이즈에서 표본을 생성하는 모델이다.
• 점진적 성능 저하점진적 성능 저하는 과부하나 일부 구성 요소 장애에서도 핵심 기능을 유지하도록 품질·기능·속도를 통제된 방식으로 낮추는 운영 전략이다.
• 정규화 배치정규화 배치는 트랜스포머 하위 계층의 앞이나 뒤 어느 위치에 정규화 연산을 둘지 정하는 구조 선택이다.
• 정규화 할인 누적 이득정규화 할인 누적 이득은 순위가 낮아질수록 할인된 등급별 관련성 이득을 이상적인 순위의 값으로 나눈 지표다.
• 정렬 비용정렬 비용은 안전·규정·인간 선호를 만족시키기 위한 통제가 유용성·성능·속도·자원에 추가하는 비용을 뜻한다.
• 정렬 역량 보존정렬 역량 보존은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 정렬 평가 게이트정렬 평가 게이트는 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 정밀도-재현율 곡선분류 임계값을 변화시키며 재현율에 대한 정밀도를 그려 양성 탐지와 오탐의 교환 관계를 보여 주는 곡선이다.
• 정밀도와 재현율정밀도는 양성으로 예측한 항목의 적중 비율이고 재현율은 실제 양성 가운데 찾아낸 비율이다.
• 정보 이득정보 이득은 관측이나 분할 전후의 불확실성 감소량이다.
• 정성 평가정성 평가는 수치 점수만으로 드러나지 않는 출력의 특성, 오류 양상과 사용 경험을 서술적 근거로 분석하는 방법이다.
• 정적 배칭정적 배칭은 미리 정한 개수나 고정된 입력 묶음을 하나의 텐서로 구성해 함께 추론하는 방식이다.
• 정책 모델정책 모델은 주어진 입력에서 다음 토큰이나 응답을 선택하는 확률분포를 나타내며 선호 신호로 직접 갱신되는 모델이다.
• 정책 목적 함수정책 목적 함수는 상태에서 행동을 선택하는 정책이 기대 누적 보상을 높이도록 최적화하는 목표다.
• 정확도전체 평가 예시 중 모델이 정답을 맞힌 비율이다.
• 제3자 AI 위험제3자 AI 위험은 외부 모델·데이터·API·도구 공급자 의존으로 인해 생기는 보안·법률·품질·가용성 위험이다.
• 제로샷 이미지 분류제로샷 이미지 분류는 목표 클래스의 학습 이미지 없이 클래스 이름이나 설명과 이미지 표현의 유사도로 분류하는 방법이다.
• 제로샷 프롬프팅제로샷 프롬프팅은 과제의 정답 예시를 제공하지 않고 지시와 입력만으로 모델의 수행을 유도하는 방식이다.
• 제로샷 학습제로샷 학습은 목표 클래스나 과제의 직접 학습 예시 없이 설명·속성·사전학습 지식을 이용해 예측하는 설정이다.
• 제약 디코딩제약 디코딩은 문법, 스키마, 어휘 집합이나 필수 구문을 만족하는 토큰만 다음 후보로 허용하는 생성 방법이다.
• 제약 최적화제약 최적화는 변수에 등식·부등식·집합 조건을 부과한 상태에서 목적 함수의 최적값을 찾는 문제다.
• 제어 가능성제어 가능성은 지시·정책·설정 변화에 따라 모델 출력의 내용과 형식을 의도한 방향으로 안정적으로 조정할 수 있는 정도다.
• 제한 볼츠만 머신제한 볼츠만 머신은 가시층과 은닉층 사이에만 연결을 둔 에너지 기반 확률 모형이다.
• 젠슨-섀넌 발산젠슨-섀넌 발산은 두 분포와 그 혼합분포 사이의 KL 발산을 평균내어 대칭적이고 유한하게 만든 분포 차이 척도다.
• 조건부 언어 모델조건부 언어 모델은 텍스트 이외의 지시, 문서, 클래스, 이미지 같은 조건을 받아 출력 시퀀스의 확률을 모델링한다.
• 조건부 엔트로피조건부 엔트로피는 다른 확률변수의 값을 알고 난 뒤에도 남는 대상 변수의 평균 불확실성이다.
• 조건부확률어떤 사건이 주어졌을 때 다른 사건이 발생할 확률이다.
• 조건수조건수는 입력의 작은 상대 변화가 문제의 정확한 해에 얼마나 큰 상대 변화를 만들 수 있는지를 나타내는 민감도 척도다.
• 조기 종료조기 종료는 검증 성능이 더 이상 개선되지 않거나 악화될 때 학습을 중단해 과적합과 불필요한 계산을 줄이는 절차다.
• 조기 종료 트랜스포머조기 종료 트랜스포머는 중간 층에 예측 헤드를 두고 충분히 확신하는 입력을 마지막 층 전에 반환하는 적응형 추론 구조다.
• 조정된 취약점 공개조정된 취약점 공개는 발견자와 공급자가 보안 취약점의 확인·수정·공개 시점과 정보를 협력해 관리하는 절차다.
• 조향 가능성조향 가능성은 지시, 제어 신호나 선호 설정에 따라 모델의 내용·형식·행동을 예측 가능하게 바꿀 수 있는 정도다.
• 존재 페널티존재 페널티는 토큰이 한 번이라도 등장했는지를 기준으로 고정된 패널티를 적용하는 생성 제어 방식이다.
• 종단간 성공률종단간 성공률은 시스템의 모든 단계를 거친 전체 요청 중 최종 성공 기준을 충족한 비율이다.
• 주변확률주변확률은 결합분포에서 관심 없는 변수의 값을 합하거나 적분해 특정 변수만의 확률을 얻은 것이다.
• 주석 판정주석 판정은 주석자 사이의 불일치를 지침과 증거에 따라 검토해 최종 참조 레이블을 결정하는 절차다.
• 주석자 편향주석자 편향은 평가자의 배경, 기대, 선호 또는 제시 방식이 정답과 무관하게 라벨이나 점수에 체계적으로 영향을 주는 현상이다.
• 주석자 피로주석자 피로는 반복적이거나 긴 평가 작업으로 주의력과 판단 일관성이 시간에 따라 떨어지는 현상이다.
• 주석자 합의도주석자 합의도는 같은 사례를 독립적으로 판정한 주석자들이 얼마나 일치하는지 나타내는 품질 정보다.
• 주성분 분석주성분 분석은 데이터 분산을 많이 설명하는 서로 직교한 축으로 고차원 관측을 선형 투영하는 차원 축소 방법이다.
• 죽은 뉴런죽은 뉴런은 관측되는 입력 범위에서 활성값이나 기울기가 거의 항상 0이어서 학습과 출력에 기여하지 않는 신경망 단위다.
• 준뉴턴 방법준뉴턴 방법은 헤시안을 직접 계산하지 않고 연속한 위치와 기울기 차이로 곡률 근사를 갱신하는 최적화 방법이다.
• 준지도학습준지도학습은 소량의 라벨 데이터와 더 많은 비라벨 데이터를 함께 사용해 예측 모델을 학습하는 방식이다.
• 중간 정보 손실 현상중간 정보 손실 현상은 긴 문맥의 시작과 끝에 있는 정보보다 가운데 위치한 정보를 언어 모델이 덜 효과적으로 활용하는 경향이다.
• 중심극한정리중심극한정리는 일정한 조건에서 독립 변수의 정규화된 합이나 평균 분포가 표본 수가 커질수록 정규분포에 가까워진다는 정리다.
• 중지 시퀀스중지 시퀀스는 생성 결과에서 지정한 토큰 또는 문자열 패턴이 나타나면 디코딩을 종료하도록 하는 조건이다.
• 증류 손실증류 손실은 학생 모델이 교사 모델의 출력 분포나 중간 표현을 모방하도록 차이를 측정하는 학습 목적 함수다.
• 증분 인덱스 갱신증분 인덱스 갱신은 전체 인덱스를 다시 만들지 않고 추가·변경·삭제된 항목만 기존 검색 구조에 반영하는 절차다.
• 지도 미세조정지시와 모범 응답 쌍으로 모델이 원하는 응답 형식을 따르도록 학습하는 단계다.
• 지도학습입력과 정답이 함께 있는 데이터로 입력에서 정답으로의 관계를 학습하는 방식이다.
• 지속성 에이전트 상태지속성 에이전트 상태는 프로세스나 세션이 종료된 뒤에도 목표, 작업 진행, 승인과 기억을 다시 불러올 수 있게 저장한 상태다.
• 지속학습지속학습은 데이터나 과제가 시간에 따라 도착할 때 기존 능력을 유지하면서 새 지식을 순차적으로 학습하는 설정이다.
• 지수 백오프지수 백오프는 반복 실패할수록 재시도 사이의 대기 시간을 지수적으로 늘려 서비스 부담과 충돌을 줄이는 제어 방식이다.
• 지시 데이터 혼합지시 데이터 혼합은 지시 튜닝에 사용할 여러 과제·출처·형식 데이터의 구성과 표본 비율을 정한 집합이다.
• 지시 데이터셋지시 데이터셋은 자연어 지시, 선택적 입력과 기대 응답을 짝지어 모델의 과제 수행과 지시 따르기를 학습시키는 데이터 모음이다.
• 지시 우선순위 아키텍처지시 우선순위 아키텍처는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 지시 이행지시 이행은 언어 모델이 사용자의 명시적 요구와 상위 정책을 해석해 제약에 맞는 출력을 만드는 능력이다.
• 지시 충돌 해소지시 충돌 해소는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 지시 튜닝다양한 자연어 지시 데이터로 여러 과제를 지시 형식에 맞게 수행하도록 만드는 학습이다.
• 지시 튜닝 임베딩지시 튜닝 임베딩은 검색·분류 같은 과제 설명을 입력에 포함하고 그 지시에 맞는 표현을 만들도록 학습한 임베딩이다.
• 지시문지시문은 모델이 수행해야 할 과제, 입력의 의미, 제약과 성공 조건을 자연어나 구조화된 형식으로 기술한 내용이다.
• 지식 그래프지식 그래프는 개체를 노드, 의미 관계를 간선으로 표현하고 스키마와 식별자를 통해 사실을 연결한 구조화 지식 표현이다.
• 지식 그래프 임베딩지식 그래프 임베딩은 개체와 관계를 저차원 벡터나 변환으로 표현해 그래프 사실의 타당성을 점수화하는 방법이다.
• 지식 기준 시점지식 기준 시점은 모델 학습 자료나 보장된 지식이 특정 시점 이후 사건을 체계적으로 포함하지 않는 시간 경계다.
• 지식 증류큰 교사 모델의 출력이나 표현을 작은 학생 모델이 모방하도록 학습하는 방법이다.
• 지역 민감 해싱지역 민감 해싱은 가까운 벡터가 같은 해시 버킷에 들어갈 확률이 높도록 설계된 해시 함수 계열이다.
• 지연 시간요청을 보낸 뒤 첫 토큰 또는 전체 응답을 받을 때까지 걸리는 시간이다.
• 지연 시간 모니터링지연 시간 모니터링은 요청 시작부터 첫 토큰과 완료까지 걸린 시간을 단계별 분포로 추적하는 활동이다.
• 지연 시간-처리량 절충지연 시간-처리량 절충은 요청 하나의 응답 시간을 줄이는 목표와 단위 시간당 처리량을 높이는 목표가 배치·큐잉에서 충돌하는 관계다.
• 직교성직교성은 두 벡터의 내적이 0이어서 서로 수직이며 한 방향의 성분이 다른 방향에 투영되지 않는 관계다.
• 직렬화직렬화는 메모리의 객체나 구조화된 값을 저장·전송 가능한 바이트 또는 텍스트 표현으로 바꾸는 과정이다.
• 직접 선호 최적화별도 강화학습 루프 없이 선호 응답과 비선호 응답으로 정책을 직접 최적화하는 방법이다.
• 질의 라우팅질의 라우팅은 사용자 질의를 특성과 목적에 따라 적절한 검색기, 지식원 또는 처리 경로로 보내는 과정이다.
• 질의 매개변수질의 매개변수는 URI의 물음표 뒤에 이름과 값으로 전달되어 필터, 정렬, 페이지 이동이나 선택 옵션을 표현한다.
• 질의 임베딩질의 임베딩은 사용자의 검색 의도를 벡터로 표현해 문서 임베딩과 비교할 수 있게 한 표현이다.
• 질의 재작성질의 재작성은 사용자의 원래 질문을 검색 시스템이 처리하기 쉬운 명확한 검색어 또는 독립 질의로 변환하는 과정이다.
• 질의 확장질의 확장은 원래 질의에 동의어, 관련 용어, 생성된 설명을 추가해 검색 가능한 표현 범위를 넓히는 기법이다.

ㅊ

• 차등 개인정보 보호차등 개인정보 보호는 한 개인의 데이터 포함 여부가 공개 결과의 확률 분포에 미치는 영향을 수학적으로 제한하는 프라이버시 정의다.
• 차등 개인정보 보호 학습차등 개인정보 보호 학습은 한 개인의 학습 레코드 포함 여부가 모델 출력 분포에 미치는 영향을 수학적으로 제한하는 학습 방식이다.
• 차별적 영향차별적 영향은 겉으로 중립적인 결정 규칙이 보호 집단에 결과 비율의 불리한 차이를 만드는 현상 또는 그 평가 개념이다.
• 차원 축소차원 축소는 데이터의 중요한 구조를 보존하면서 변수나 표현 좌표의 수를 줄이는 과정이다.
• 차원의 저주차원의 저주는 변수 수가 늘어날수록 공간을 덮는 데 필요한 표본과 계산량이 급격히 증가해 추정과 탐색이 어려워지는 현상이다.
• 참조 기반 평가참조 기반 평가는 모델 출력과 사람이 작성했거나 검증된 정답을 비교해 품질을 측정하는 방식이다.
• 참조 모델참조 모델은 선호 최적화 중 새 정책의 변화량을 측정하거나 비교 확률을 계산하기 위해 고정해 두는 이전 모델이다.
• 참조 없는 평가참조 없는 평가는 정답 문장 없이 입력, 출력, 평가 기준만으로 응답의 품질을 판단하는 방식이다.
• 창발적 능력창발적 능력은 모델 규모나 학습량이 증가할 때 특정 측정에서 이전보다 급격히 나타나는 것처럼 보이는 과제 수행 능력이다.
• 창발적 오정렬창발적 오정렬은 제한된 유해 또는 편향 학습 조건이 예상보다 넓은 상황의 부적절한 목표와 행동으로 일반화되는 현상이다.
• 채널 용량채널 용량은 주어진 잡음 채널에서 오류 확률을 임의로 작게 하면서 전달할 수 있는 최대 정보율이다.
• 채팅 템플릿채팅 템플릿은 역할이 있는 대화 메시지를 모델이 학습한 특수 토큰과 구분자 순서의 단일 토큰열로 변환하는 규칙이다.
• 채팅 API채팅 API는 시스템·사용자·도우미 등 역할이 지정된 메시지 배열을 모델 입력으로 전달하는 대화형 API 형식이다.
• 책임 있는 AI 라이선스책임 있는 AI 라이선스는 모델 사용 권한에 특정 위해 행위, 감시, 차별 또는 불법 목적 금지 조건을 결합한 라이선스 유형이다.
• 처리량단위 시간에 시스템이 처리하거나 생성할 수 있는 요청 또는 토큰 수다.
• 첫 토큰 시간첫 토큰 시간은 요청이 서버에 도착한 시점부터 첫 생성 토큰이 사용자에게 전달될 때까지의 지연 시간이다.
• 청크 어텐션청크 어텐션은 긴 시퀀스를 여러 구간으로 나누어 구간 내부 또는 제한된 이웃 구간 사이에서 어텐션을 계산하는 방식이다.
• 청크 중첩청크 중첩은 인접한 문서 조각이 경계 주변의 일부 내용을 공유하도록 반복 포함하는 범위다.
• 청크 크기청크 크기는 검색·임베딩·생성에 사용하기 위해 문서를 나눈 각 조각의 토큰, 문자 또는 문장 길이다.
• 청크 프리필청크 프리필은 긴 입력 프롬프트의 사전 계산을 여러 토큰 구간으로 나누어 디코딩 요청과 번갈아 실행하는 스케줄링 기법이다.
• 청킹긴 문서를 검색과 문맥 구성에 적합한 작은 단위로 나누는 과정이다.
• 체크포인트특정 학습 시점의 모델 가중치와 최적화 상태를 저장한 파일 집합이다.
• 초기 융합초기 융합은 모달리티별 원시 또는 저수준 특징을 모델 처리의 앞부분에서 결합하는 멀티모달 설계다.
• 초안 모델초안 모델은 추측 디코딩에서 목표 모델보다 빠르게 다음 토큰 후보 묶음을 제안하는 보조 모델이다.
• 최근접 이웃 검색벡터 공간에서 질의 벡터와 가장 가까운 항목을 찾는 문제다.
• 최대 노름 정규화최대 노름 정규화는 가중치 벡터의 노름이 지정한 상한을 넘지 않도록 제한하는 방법이다.
• 최대 사후 확률 추정최대 사후 확률 추정은 관측 데이터가 주어졌을 때 사후확률이 가장 큰 모수 값을 선택하는 추정 방법이다.
• 최대 한계 관련성최대 한계 관련성은 질의와의 관련성을 높이면서 이미 선택한 결과와의 중복을 줄이도록 문서를 순차 선택하는 기준이다.
• 최대우도추정최대가능도추정은 관측 데이터의 가능도를 가장 크게 만드는 모형 매개변수를 선택하는 추정 원리다.
• 최소 권한최소 권한은 주체가 작업에 필요한 최소 범위와 최소 기간의 권한만 갖도록 하는 보안 원칙이다.
• 최적화목적 함수를 최소화하거나 최대화하는 파라미터를 찾는 과정이다.
• 추론학습된 모델이 새 입력을 받아 예측이나 생성을 수행하는 과정이다.
• 추론 경제성추론 경제성은 배포된 모델의 요청당 비용과 품질·지연시간·처리량 사이의 운영적 관계를 분석하는 관점이다.
• 추론 계산량추론 계산량은 학습된 모델이 입력을 처리하고 출력을 생성하는 데 필요한 산술 연산과 자원 사용량이다.
• 추론 과부하 제어추론 과부하 제어는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 그래프 최적화추론 그래프 최적화는 학습이 끝난 모델 그래프를 같은 출력 의미를 유지하면서 더 빠르고 작게 실행되도록 변환하는 과정이다.
• 추론 꼬리 지연 디버깅추론 꼬리 지연 디버깅은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 노력 제어추론 노력 제어는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 능력추론 능력은 모델이 주어진 정보에서 여러 단계의 관계를 구성해 새로운 결론이나 해결 절차를 도출하는 능력이다.
• 추론 모니터링추론 모니터링은 운영 중 모델 요청의 품질·지연·오류·자원·안전 신호를 지속 수집하고 이상을 탐지하는 활동이다.
• 추론 부하 분산추론 부하 분산은 여러 모델 복제본에 요청을 나눠 처리량과 가용성을 유지하는 방법이다.
• 추론 서버추론 서버는 학습된 모델을 메모리에 적재하고 네트워크 요청을 받아 예측 결과를 반환하는 실행 서비스다.
• 추론 시간 초과추론 시간 초과는 모델 요청이 정해진 기한 안에 완료되지 않으면 기다림을 중단하고 실패로 처리하는 제어다.
• 추론 에너지 효율추론 에너지 효율은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 엔드포인트추론 엔드포인트는 특정 모델 또는 모델 집합에 예측 요청을 보낼 수 있도록 공개된 네트워크 주소와 계약이다.
• 추론 역압추론 역압은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 용량 계획추론 용량 계획은 예상 트래픽과 서비스 목표를 만족하도록 모델 복제본, 가속기, 메모리와 큐 용량을 산정하는 과정이다.
• 추론 용량 여유분추론 용량 여유분은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 워크로드 형상화추론 워크로드 형상화는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 웜 풀추론 웜 풀은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 자동 확장추론 자동 확장은 요청량과 자원 지표에 따라 모델 복제본 수를 자동으로 늘리거나 줄이는 운영 방식이다.
• 추론 재시도추론 재시도는 일시적 오류나 제한 응답 뒤 같은 논리 요청을 다시 수행하는 복구 전략이다.
• 추론 추적 정책추론 추적 정책은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 큐 규칙추론 큐 규칙은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 탄소 회계추론 탄소 회계는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론 SLO 오류 예산추론 SLO 오류 예산은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 추론-행동 교차 수행추론-행동 교차 수행은 내부 판단과 외부 도구 실행을 번갈아 수행하며 다음 결정을 관측에 맞춰 갱신하는 에이전트 패턴이다.
• 추적한 요청이 여러 모델·도구·단계를 거치는 실행 흐름과 시간을 기록하는 방법이다.
• 추천 시스템추천 시스템은 사용자와 항목의 정보 및 상호작용을 이용해 관련성이 높은 항목을 선택·정렬하는 정보 필터링 시스템이다.
• 추측 디코딩추측 디코딩은 작은 초안 모델이 여러 토큰 후보를 먼저 만들고 큰 목표 모델이 한 번에 검증해 자동회귀 생성 속도를 높이는 기법이다.
• 추측형 트랜스포머 블록추측형 트랜스포머 블록은 여러 미래 토큰이나 중간 블록 출력을 병렬로 제안한 뒤 원래 모델이 검증해 순차 계산을 줄이는 구조다.
• 출력 제약출력 제약은 모델 응답이 따라야 할 형식, 길이, 값 범위, 어휘 또는 문법 조건이다.
• 출력 투영출력 투영은 트랜스포머 은닉 표현을 어휘 로짓이나 과제별 출력 차원으로 선형 변환하는 계층이다.
• 출력 파서출력 파서는 모델이나 서비스가 반환한 문자열 또는 바이트를 애플리케이션이 사용하는 구조화된 값으로 변환하는 구성 요소다.
• 출력층출력층은 신경망의 마지막 표현을 과제에 필요한 로짓, 확률, 실수값 또는 벡터로 변환하는 층이다.
• 충실성충실성은 생성 답변의 사실 주장과 추론이 제공된 근거 문맥에서 실제로 지지되는 정도다.
• 측도 집중측도 집중은 많은 고차원 확률 공간에서 립시츠 함수 같은 관측량이 평균이나 중앙값 주변의 좁은 구간에 높은 확률로 모이는 현상이다.
• 측정 편향측정 편향은 사용한 관측값이나 라벨이 의도한 개념을 집단이나 상황에 따라 체계적으로 다르게 나타내는 오류다.

ㅋ

• 카나리 평가카나리 평가는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 카피레프트 라이선스카피레프트 라이선스는 프로그램 또는 일정한 파생물을 배포할 때 같은 자유를 유지하도록 소스 제공과 동일 조건 적용을 요구한다.
• 캐시 오프로딩캐시 오프로딩은 장치 메모리의 KV나 모델 상태 일부를 호스트 메모리 또는 저장장치로 옮겨 가속기 용량을 확보하는 방식이다.
• 캐시 적중률캐시 적중률은 전체 조회 중 요청한 데이터가 캐시에 있어 원본 계산이나 저장소 접근을 피한 비율이다.
• 캐시 축출캐시 축출은 제한된 KV 또는 접두사 캐시에서 보존 가치가 낮은 항목을 제거해 새 요청 공간을 확보하는 정책이다.
• 캡슐 네트워크캡슐 네트워크는 객체 특성의 존재와 자세를 벡터 단위로 표현하고 하위 캡슐의 합의를 상위 캡슐로 라우팅하는 구조다.
• 커널 융합커널 융합은 장치에서 따로 실행될 여러 계산 커널을 단일 커널로 합쳐 전역 메모리 왕복과 실행 시작 비용을 줄이는 기법이다.
• 커널 트릭커널 트릭은 알고리즘의 내적을 커널 함수로 치환해 고차원 특징 표현을 직접 만들지 않고 비선형 관계를 학습하는 기법이다.
• 커널 함수커널 함수는 두 입력을 특징 공간으로 명시적으로 변환하지 않고 그 공간에서의 내적에 해당하는 유사도를 계산하는 함수다.
• 커널화 어텐션커널화 어텐션은 소프트맥스 유사도를 특징 맵의 내적으로 표현하거나 근사해 어텐션 계산 순서를 바꾸는 방법이다.
• 커리큘럼 학습커리큘럼 학습은 학습 예시의 제시 순서를 난이도나 정보량에 따라 계획해 최적화 과정을 돕는 방법이다.
• 컨테이너화 모델컨테이너화 모델은 모델 파일과 추론 코드 및 시스템 의존성을 컨테이너 이미지로 묶어 실행 환경을 고정한 배포 단위다.
• 컨텍스트 엔지니어링컨텍스트 엔지니어링은 모델이 작업할 때 필요한 지시, 자료, 도구 결과와 대화 상태를 선택·구성·갱신하는 시스템 설계 활동이다.
• 컨텍스트 윈도우모델이 한 번의 요청에서 참조할 수 있는 토큰 범위다.
• 컨텍스트 창 예산 관리컨텍스트 창 예산 관리는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 컨텍스트 캐시 일관성컨텍스트 캐시 일관성은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 컨텍스트 캐싱컨텍스트 캐싱은 반복되는 입력 접두사의 중간 계산 결과를 저장해 후속 모델 호출에서 재사용하는 최적화다.
• 컴퓨터 비전이미지와 영상에서 대상·장면·공간 구조를 추정하고 유용한 정보를 계산하는 인공지능 분야다.
• 컴퓨터 사용 에이전트컴퓨터 사용 에이전트는 화면을 관찰하고 마우스·키보드·운영체제 기능을 조작해 여러 응용 프로그램에 걸친 과제를 수행하는 에이전트다.
• 컴퓨트 클러스터컴퓨트 클러스터는 여러 서버를 네트워크로 연결해 하나의 대규모 작업이나 다수 작업의 자원을 공동 제공하는 시스템이다.
• 컴플리션프롬프트와 이전 토큰을 조건으로 모델이 생성한 후속 토큰 시퀀스다.
• 컴플리션 API컴플리션 API는 하나의 텍스트 문맥을 입력받아 그 뒤에 이어질 토큰 시퀀스를 생성하도록 요청하는 모델 API 형식이다.
• 코드 생성코드 생성은 자연어 요구나 부분 프로그램을 조건으로 실행 가능한 소스 코드와 관련 설명을 만드는 능력이다.
• 코드 실행 도구코드 실행 도구는 에이전트가 프로그램 조각을 격리된 실행 환경에서 평가하고 표준 출력·오류·산출물을 돌려받게 하는 도구다.
• 코드 언어 모델코드 언어 모델은 프로그래밍 언어와 관련 자연어를 학습해 코드 완성, 생성, 설명과 변환을 수행하는 언어 모델이다.
• 코사인 유사도두 벡터 사이 각도의 코사인으로 방향의 유사성을 측정하는 값이다.
• 콘텐츠 유형Content-Type은 HTTP 메시지 본문의 매체 유형과 문자 집합 같은 표현 정보를 알리는 헤더 필드다.
• 콘텐츠 조정유해하거나 정책을 위반하는 콘텐츠를 탐지·분류·처리하는 과정이다.
• 콘텐츠 조정 API콘텐츠 조정 API는 입력 콘텐츠가 안전 정책의 위험 범주에 해당하는지 분류하고 관련 점수를 제공하는 인터페이스다.
• 콘텐츠 출처 증명콘텐츠 출처 증명은 디지털 콘텐츠의 생성 주체·도구·편집 이력과 무결성을 검증 가능한 메타데이터로 연결하는 체계다.
• 콜드 스타트콜드 스타트는 모델 인스턴스가 없는 상태에서 런타임·가중치·캐시를 준비해 첫 요청을 처리할 때 생기는 초기화 지연이다.
• 쿨백-라이블러 발산쿨백-라이블러 발산은 한 확률분포를 다른 분포로 근사할 때 발생하는 추가 평균 정보량을 측정한다.
• 쿼리·키·값어텐션에서 무엇을 찾을지 나타내는 쿼리와 비교 기준인 키, 선택된 정보를 전달하는 값으로 입력 표현을 투영한 세 집합이다.
• 크라우드소싱 평가크라우드소싱 평가는 온라인 참여자 집단에 작은 평가 과제를 분배해 대규모 판단 데이터를 수집하는 방식이다.
• 크로스 어텐션한 표현의 질의가 다른 표현에서 만든 키와 값을 조회해 두 입력 사이의 관련 정보를 결합하는 어텐션이다.
• 크로스 인코더 리랭커크로스 인코더 리랭커는 질의와 후보 문서를 하나의 입력으로 함께 인코딩해 관련성 점수를 계산하는 재순위 모델이다.
• 큰 수의 법칙큰 수의 법칙은 적절한 조건에서 독립적으로 반복한 표본의 평균이 표본 수가 늘수록 모집단 기댓값에 가까워진다는 정리다.
• 클라우드 AI 서비스클라우드 AI 서비스는 원격 인프라에서 모델 학습·추론·데이터 처리·모델 관리를 사용량 기반으로 제공하는 관리형 서비스다.
• 클라이언트 라이브러리클라이언트 라이브러리는 특정 서비스의 요청 생성, 인증, 전송, 응답 처리를 프로그래밍 언어의 함수와 객체로 감싼 소프트웨어다.
• 클라이언트 미들웨어클라이언트 미들웨어는 API 요청 전후의 공통 처리를 호출 체인에 삽입하는 확장 계층이다.
• 키·값 압축키·값 압축은 어텐션의 KV 캐시를 더 적은 토큰, 헤드, 차원이나 비트로 표현해 메모리와 대역폭을 줄이는 기법이다.
• 키·값 투영키·값 투영은 트랜스포머 입력 표현을 어텐션의 검색 주소 역할인 키와 전달 내용 역할인 값 벡터로 변환하는 선형 연산이다.
• 키워드 검색키워드 검색은 질의에 나타난 단어나 구와 문서의 어휘 일치를 이용해 관련 문서를 찾는 방식이다.

ㅌ

• 탈옥 공격모델의 안전 정책과 행동 제한을 우회하도록 입력을 구성하는 공격 기법이다.
• 탐색 기반 계획탐색 기반 계획은 상태를 노드, 행동을 전이로 보고 초기 상태에서 목표 상태까지의 경로를 탐색하는 계획 방식이다.
• 테스트 데이터셋테스트 데이터셋은 모델과 설정 선택이 끝난 뒤 일반화 성능을 최종 추정하기 위해 남겨 둔 독립 데이터 분할이다.
• 테일러 전개테일러 전개는 함수 값을 한 점에서의 도함수들로 만든 다항식과 나머지항으로 근사하는 표현이다.
• 텍스트-비디오 생성텍스트-비디오 생성은 자연어 설명을 조건으로 시간적으로 일관된 영상 프레임 시퀀스를 합성하는 과제다.
• 텍스트-오디오 모델텍스트-오디오 모델은 자연어 설명과 오디오 신호를 공동 표현하거나 텍스트 조건으로 소리를 생성하는 멀티모달 모델이다.
• 텍스트-오디오 생성텍스트-오디오 생성은 자연어 설명을 조건으로 음향 효과, 음악이나 일반 소리를 합성하는 과제다.
• 텍스트-이미지 생성텍스트-이미지 생성은 자연어 설명을 조건으로 그 의미와 시각적 속성에 맞는 이미지를 합성하는 과제다.
• 텐서머신러닝 프레임워크에서 스칼라·벡터·행렬과 그 이상의 차원을 일관된 방식으로 다루는 다차원 수치 배열이다.
• 텐서 라이브러리텐서 라이브러리는 다차원 배열과 그 위의 수치 연산, 장치 이동, 자동 미분 기능을 제공하는 소프트웨어 계층이다.
• 텐서 병렬화텐서 병렬화는 한 층의 큰 가중치 텐서와 행렬 연산을 여러 장치에 분할하는 모델 병렬 방식이다.
• 텐서 처리 장치텐서 처리 장치는 신경망의 행렬 곱과 텐서 연산을 높은 처리량과 에너지 효율로 수행하도록 설계된 전용 가속기다.
• 토크나이저텍스트와 토큰 ID 사이의 분할·변환 규칙을 구현한 구성 요소다.
• 토큰언어 모델이 텍스트를 처리하기 위해 나눈 기본 기호 단위다.
• 토큰 간 지연 시간토큰 간 지연 시간은 스트리밍 응답에서 연속한 출력 토큰 사이에 걸리는 시간이다.
• 토큰 버킷토큰 버킷은 일정 속도로 채워지는 토큰을 요청이 소비하게 해 평균 속도를 제한하면서 짧은 버스트를 허용하는 제어 알고리즘이다.
• 토큰 비용토큰 비용은 언어 모델이 처리하거나 생성한 토큰 수에 모델별 단가를 적용한 요청 비용이다.
• 토큰 사용량 모니터링토큰 사용량 모니터링은 모델 요청의 입력·출력·캐시·추론 토큰 수를 지속 측정해 비용과 문맥 사용을 관찰하는 활동이다.
• 토큰 샘플링토큰 샘플링은 다음 토큰 확률분포에서 난수로 토큰을 뽑아 생성 시퀀스를 이어가는 디코딩 방식이다.
• 토큰 스케줄러토큰 스케줄러는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 토큰 예산 수용 제어토큰 예산 수용 제어는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 토큰 예산 제어기토큰 예산 제어기는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 토큰 임베딩층토큰 임베딩층은 이산 토큰 식별자를 학습 가능한 연속 벡터로 변환하는 트랜스포머 입력 계층이다.
• 토큰 회계토큰 회계는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 토큰 효율토큰 효율은 주어진 품질이나 과제 성과를 달성하는 데 필요한 입력·출력 토큰 수가 얼마나 적은지를 나타내는 효율 관점이다.
• 토큰화문자열을 모델의 어휘 집합에 있는 토큰 ID 시퀀스로 변환하는 과정이다.
• 통계적 유의성통계적 유의성은 귀무가설 아래 관측된 차이 이상이 우연히 나타날 확률이 정한 기준보다 작은지를 나타내는 판단이다.
• 통계적 추정량통계적 추정량은 표본 데이터의 함수로서 모집단 매개변수나 그 함수를 추정하는 확률변수다.
• 통계적 편향통계적 편향은 추정량의 기대값과 추정하려는 참 매개변수 사이의 체계적인 차이다.
• 통계적 표본추출통계적 표본추출은 모집단의 특성을 추정하기 위해 일부 관측 단위를 확률적 또는 설계된 규칙으로 선택하는 과정이다.
• 통제 이탈 에이전트통제 이탈 에이전트는 잘못된 목표·종료 조건·피드백 고리 때문에 불필요하거나 위험한 행동을 반복하며 자원과 권한을 계속 소비하는 실패 상태다.
• 통합 그래디언트통합 기울기는 기준 입력에서 실제 입력까지의 경로에서 입력 기울기를 적분해 예측 차이를 특징별 기여도로 배분하는 방법이다.
• 통합 응답 API통합 응답 API는 텍스트·이미지·도구 호출 같은 여러 입력과 출력 유형을 하나의 응답 객체와 이벤트 모델로 다루는 API 형식이다.
• 통합 자원 식별자통합 자원 식별자(URI)는 자원을 식별하기 위한 문자열 문법의 총칭이며 URL과 URN 같은 식별 방식을 포괄한다.
• 통합 자원 위치 지정자통합 자원 위치 지정자(URL)는 자원의 위치와 접근 방법을 함께 나타내는 URI의 한 유형이다.
• 투기적 생성 정책투기적 생성 정책은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 튜링 테스트튜링 테스트는 텍스트 대화에서 심사자가 기계와 사람을 신뢰성 있게 구분할 수 있는지로 기계의 언어적 모방 능력을 평가하는 사고실험이다.
• 트랜스포머어텐션을 중심으로 시퀀스의 관계를 병렬 계산하는 신경망 아키텍처다.
• 트랜스포머 블록트랜스포머 블록은 어텐션·피드포워드·정규화·잔차 연결을 반복 가능한 단위로 묶은 핵심 계층이다.
• 트리플 저장소트리플 저장소는 지식을 주어-술어-목적어 형태의 RDF 트리플로 저장하고 그래프 패턴으로 조회하도록 최적화된 데이터베이스다.
• 특성특성은 예측이나 분석에 사용하도록 관측 대상을 수치·범주·벡터 등으로 표현한 입력 변수다.
• 특성 공학특성 공학은 원시 관측에서 예측에 유용한 입력 변수를 선택·변환·조합하는 과정이다.
• 특성 시각화특성 시각화는 신경망 내부 채널·뉴런·표현이 반응하는 입력 패턴과 데이터 사례를 보여주는 분석 방법이다.
• 특성 저장소피처 스토어는 모델 입력 특성의 정의, 계산, 저장과 온라인·오프라인 제공을 일관되게 관리하는 시스템이다.
• 특성 피라미드 네트워크특성 피라미드 네트워크(FPN)는 서로 다른 해상도의 신경망 특징을 상향식·하향식 경로와 측면 연결로 결합하는 구조다.
• 특성 학습특성 학습은 과제에 필요한 입력 변환과 특징을 사람이 고정하지 않고 데이터와 목적 함수로부터 학습하는 과정이다.
• 특수 토큰특수 토큰은 일반 텍스트 조각이 아니라 경계, 역할, 패딩, 마스킹이나 제어 의미를 모델에 전달하는 예약 토큰이다.
• 특이도실제 음성 사례 가운데 모델이 음성으로 올바르게 판정한 비율이며 TN을 TN과 FP의 합으로 나눈다.
• 특잇값 분해특잇값 분해(SVD)는 임의의 직사각행렬을 두 직교행렬과 비음수 특잇값 대각행렬의 곱으로 분해한다.

ㅍ

• 파국적 AI 위험파국적 AI 위험은 AI 시스템의 실패나 오용이 광범위하고 회복하기 어려운 사회적 피해를 일으킬 가능성이다.
• 파라미터학습 과정에서 조정되어 모델의 입력-출력 변환을 결정하는 수치다.
• 파라미터 수파라미터 수는 모델이 학습 과정에서 조정하는 스칼라 가중치와 편향의 총개수다.
• 파라미터 초기화파라미터 초기화는 학습 시작 전에 가중치와 편향의 초기 값을 정해 신호와 기울기가 안정적으로 흐르게 하는 절차다.
• 파라미터 효율적 미세조정전체 가중치 대신 일부 작은 파라미터만 학습해 비용을 줄이는 기법들의 총칭이다.
• 파생 모델파생 모델은 기존 모델의 가중치, 구조 또는 출력 지식을 이용해 미세조정·병합·증류 등으로 만들어진 후속 모델이다.
• 파운데이션 모델파운데이션 모델은 광범위한 데이터로 대규모 사전학습한 뒤 여러 하위 과제와 응용에 적응할 수 있는 범용 모델이다.
• 파이프라인 병렬화파이프라인 병렬화는 모델의 연속된 층 구간을 여러 장치에 배치하고 미니배치를 마이크로배치로 흘려보내는 방식이다.
• 파일 업로드 API파일 업로드 API는 바이너리 파일과 메타데이터를 서버에 전달해 저장·분석·변환 작업의 입력으로 등록하는 인터페이스다.
• 판정 길이 편향 통제판정 길이 편향 통제는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 판정 모델 교정 곡선판정 모델 교정 곡선은 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 판정 위치 무작위화판정 위치 무작위화는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 패딩 마스크패딩 마스크는 길이가 다른 시퀀스를 한 배치로 맞추기 위해 추가한 패딩 위치가 어텐션과 손실에 영향을 주지 않게 하는 마스크다.
• 패딩 토큰패딩 토큰은 길이가 다른 시퀀스를 같은 배치 형태로 맞추기 위해 빈 위치에 채우는 특수 토큰이다.
• 패싯 검색패싯 검색은 검색 결과를 범주, 날짜, 유형 같은 구조화된 속성별 개수와 필터로 탐색하게 하는 인터페이스 및 검색 방식이다.
• 패키지 레지스트리패키지 레지스트리는 라이브러리와 실행 패키지를 이름·버전·의존성 메타데이터와 함께 배포하는 서비스다.
• 퍼플렉서티퍼플렉서티는 확률 모델이 관측 시퀀스를 얼마나 놀랍게 보는지를 토큰당 평균 음의 로그우도의 지수로 나타낸 지표다.
• 페어와이즈 순위화페어와이즈 순위화는 같은 질의의 두 후보 중 어느 쪽이 더 관련 있는지를 학습하는 방법이다.
• 페이지드 어텐션페이지드 어텐션은 요청별 KV 캐시를 고정 크기 블록으로 나눠 비연속 메모리에 배치하고 페이지 표로 참조하는 서빙 기법이다.
• 페이지드 KV 캐시페이지드 KV 캐시는 시퀀스의 어텐션 키·값을 고정 크기 블록으로 나누어 비연속 장치 메모리에 배치하는 관리 방식이다.
• 편미분편미분은 다변수 함수에서 다른 변수는 고정하고 한 변수만 변화시킬 때의 순간 변화율이다.
• 편향 완화편향 완화는 데이터, 모델 또는 의사결정 과정에서 특정 집단에 체계적으로 불리한 차이를 줄이는 개입이다.
• 편향 항선형 변환의 기준점을 이동시키기 위해 더하는 학습 가능한 값이다.
• 편향-분산 절충편향-분산 절충은 모델의 단순화로 생기는 체계적 오차와 학습 표본 변화에 민감한 오차 사이의 관계다.
• 편향과 공정성모델의 결과가 집단이나 특성에 따라 체계적으로 불리하게 달라지는지를 다루는 개념이다.
• 평가 데이터셋 계보평가 데이터셋 계보는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 평가 루브릭평가 루브릭은 결과를 판단할 기준과 수준별 설명, 배점 규칙을 명시한 채점 도구다.
• 평가 불확실성평가 불확실성은 제한된 표본·평가자·무작위 실행·측정 오류 때문에 보고된 모델 성능이 참 성능과 다를 수 있는 정도다.
• 평가 슬라이스평가 슬라이스는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 평가 신뢰구간평가 신뢰구간은 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 평가 예산 배분평가 예산 배분은 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 평가 오류 분류 체계평가 오류 분류 체계는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 평가 오염 감사평가 오염 감사는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 평가 의사결정 로그평가 의사결정 로그는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 평가 지표성능이나 품질의 특정 측면을 수치로 요약하는 측정 기준이다.
• 평가 표본추출평가 표본추출은 전체 가능한 입력 중 평가에 사용할 사례를 규칙에 따라 선택하는 과정이다.
• 평가자 간 신뢰도평가자 간 신뢰도는 여러 평가자의 점수가 평가 대상의 차이를 일관되게 반영하는 정도를 통계적으로 측정한 값이다.
• 평균 역순위평균 역순위는 각 질의에서 첫 번째 관련 결과의 순위 역수를 구해 질의 전체에 평균한 검색 지표다.
• 평면 벡터 인덱스평면 벡터 인덱스는 모든 저장 벡터를 질의와 직접 비교해 정확한 최근접 이웃을 찾는 기본 검색 구조다.
• 포스트 정규화포스트 정규화는 트랜스포머 하위층 출력과 잔차를 먼저 더한 뒤 층 정규화를 적용하는 배치다.
• 포인트와이즈 순위화포인트와이즈 순위화는 각 질의-문서 쌍의 관련성 점수나 등급을 서로 독립적인 예측 문제로 학습하는 방법이다.
• 표 인식표 인식은 문서 이미지에서 표 영역, 행·열·병합 셀 구조와 각 셀의 내용을 구조화하는 작업이다.
• 표현 편향표현 편향은 데이터셋에서 일부 집단이나 상황이 부족하거나 고정관념적인 방식으로 나타나 학습 신호가 불균형해진 상태다.
• 표현학습표현학습은 원시 데이터에서 예측과 전이에 유용한 특징 표현을 모델이 자동으로 학습하는 방법이다.
• 퓨샷 프롬프팅퓨샷 프롬프팅은 소수의 입력-출력 예시를 문맥에 배치해 새 입력의 과제와 응답 패턴을 보여주는 방식이다.
• 퓨샷 학습퓨샷 학습은 과제마다 소수의 레이블 예시만 주어진 상황에서 유용한 예측 규칙을 학습하는 문제 설정이다.
• 프레임 샘플링프레임 샘플링은 비디오 전체에서 모델에 입력할 일부 프레임이나 클립을 선택하는 과정이다.
• 프로덕션 평가프로덕션 평가는 실제 트래픽과 운영 제약에서 AI 시스템의 품질·안전·비용을 지속 측정하는 평가 체계다.
• 프로빙 분류기프로빙 분류기는 고정된 모델의 중간 표현에 특정 속성 정보가 선형 또는 단순한 함수로 읽힐 수 있는지 시험하는 보조 예측기다.
• 프롬프트모델에 과제·문맥·제약·출력 형식을 전달하는 입력이다.
• 프롬프트 계약 테스트프롬프트 계약 테스트는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 프롬프트 구분자프롬프트 구분자는 지시, 사용자 데이터, 예시, 인용문 같은 영역의 경계를 명확히 표시하는 문자 또는 태그다.
• 프롬프트 릴리스 거버넌스프롬프트 릴리스 거버넌스는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 프롬프트 민감도프롬프트 민감도는 의미가 비슷한 입력의 표현·순서·예시 변화가 모델 출력에 미치는 변동 정도다.
• 프롬프트 압축프롬프트 압축은 핵심 의미와 과제 성능을 보존하면서 입력 문맥의 토큰 수를 줄이는 기법이다.
• 프롬프트 엔지니어링프롬프트 엔지니어링은 모델 입력의 지시, 문맥, 예시와 제약을 설계하고 평가해 원하는 출력을 안정적으로 얻는 과정이다.
• 프롬프트 유출프롬프트 유출은 시스템 지침, 내부 예시나 숨겨진 컨텍스트가 모델 응답을 통해 노출되는 현상이다.
• 프롬프트 인젝션악의적 입력이 기존 지시를 무시하거나 비밀을 노출하도록 모델 행동을 조작하는 공격이다.
• 프롬프트 조회 디코딩프롬프트 조회 디코딩은 입력 문맥에 이미 나타난 토큰 연속열을 초안 후보로 찾아 여러 토큰을 한 번에 검증하는 추론 가속 방식이다.
• 프롬프트 주입 다계층 방어프롬프트 주입 다계층 방어는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 프롬프트 체이닝프롬프트 체이닝은 복잡한 작업을 여러 모델 호출로 분해해 앞 단계 출력을 다음 단계 입력으로 연결하는 구성 방식이다.
• 프롬프트 추적프롬프트 추적은 한 생성 요청에 사용된 시스템·사용자 메시지, 검색 문맥, 도구 결과와 모델 응답의 계보를 연결한 실행 기록이다.
• 프롬프트 캐싱프롬프트 캐싱은 반복되는 프롬프트 접두사의 모델 계산 결과나 완성 결과를 저장해 후속 요청에서 재사용하는 기법이다.
• 프롬프트 템플릿프롬프트 템플릿은 역할, 지시, 문맥, 예시와 출력 형식을 변수 슬롯으로 구조화해 반복 사용할 수 있게 한 입력 틀이다.
• 프롬프트 튜닝프롬프트 튜닝은 입력 임베딩 앞에 학습 가능한 연속 프롬프트 벡터를 붙이고 기반 모델은 고정하는 미세조정 방법이다.
• 프롬프트 포트폴리오 관측성프롬프트 포트폴리오 관측성은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 프리 정규화프리 정규화는 트랜스포머 하위층에 입력하기 전에 층 정규화를 적용하고 그 결과를 잔차 경로와 결합하는 배치다.
• 프리픽스 언어 모델프리픽스 언어 모델은 지정된 접두 구간에서는 양방향 문맥을 허용하고 생성 구간에서는 이전 위치만 참조하게 하는 언어 모델이다.
• 프리픽스 캐싱프리픽스 캐싱은 여러 요청이 공유하는 프롬프트 접두사의 KV 상태를 저장해 같은 구간의 프리필 계산을 재사용하는 기법이다.
• 프리픽스 튜닝프리픽스 튜닝은 각 트랜스포머 층의 어텐션에 학습 가능한 연속 키·값 접두사를 추가하는 매개변수 효율적 미세조정 방법이다.
• 프리필 단계프리필 단계는 입력 토큰 전체를 병렬 처리해 첫 출력 예측과 이후 디코딩에 사용할 키·값 캐시를 만드는 추론 단계다.
• 프리필·디코드 분리프리필·디코드 분리는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 플래시 어텐션플래시 어텐션은 정확한 어텐션 결과를 유지하면서 GPU 고대역폭 메모리 왕복을 줄이는 IO 인식 알고리즘이다.
• 피드포워드 네트워크각 토큰 위치에 독립적으로 적용되는 비선형 완전연결 변환 블록이다.
• 피어투피어 에이전트피어투피어 에이전트는 고정된 중앙 감독자 없이 동등한 참여자들이 직접 메시지와 작업을 교환하는 다중 에이전트 구성이다.
• 픽셀 표현픽셀 표현은 디지털 이미지를 격자 위치마다 밝기 또는 색 채널 값을 가진 수치 배열로 나타내는 방식이다.
• 필기 문자 인식손글씨 인식은 필기 이미지나 펜 궤적을 문자·단어 시퀀스로 변환하는 작업이다.

ㅎ

• 하이브리드 검색하이브리드 검색은 키워드 기반 희소 점수와 임베딩 기반 밀집 점수를 결합해 후보를 찾는 방식이다.
• 하이브리드 검색 가중치하이브리드 검색 가중치는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 하이브리드 RAG하이브리드 RAG는 생성 모델에 문맥을 공급할 때 키워드·밀집 벡터·지식 그래프 등 둘 이상의 검색 방식을 결합하는 검색 증강 생성 구조다.
• 하이퍼파라미터학습 전에 사람이 정하거나 탐색하며 학습 과정과 모델 구조를 제어하는 값이다.
• 학습 감사 로그학습 감사 로그는 모델 학습 과정의 입력 버전·설정·실행 주체·변경·산출물과 승인 사건을 변조 탐지 가능한 형태로 남긴 기록이다.
• 학습 계산량학습 계산량은 순전파·역전파·파라미터 갱신을 수행하는 데 사용된 총 산술 연산과 하드웨어 시간이다.
• 학습 곡선학습 곡선은 학습 단계나 데이터 크기에 따른 훈련·검증 성능의 변화를 나타내는 기록이다.
• 학습 데이터모델이 파라미터를 조정하며 패턴을 배우는 데 사용하는 예시와 기록의 집합이다.
• 학습 데이터 동의학습 데이터 동의는 개인이나 권리자가 자신의 데이터가 모델 학습에 사용되는 범위와 목적을 알고 허용한 상태다.
• 학습 데이터 오염공격자가 학습 데이터에 조작된 사례나 레이블을 섞어 모델의 일반 성능 또는 특정 행동을 훼손하는 공격이다.
• 학습 데이터 저작권학습 데이터 저작권은 학습 자료의 보호되는 표현을 수집·복제·변환·배포할 때 적용되는 권리와 예외 문제다.
• 학습 데이터 출처 추적학습 데이터 출처 추적은 각 학습 예시가 어디서 언제 어떤 조건으로 수집·변환됐는지 계보를 기록하는 관리 절차다.
• 학습 데이터 필터링학습 데이터 필터링은 품질, 언어, 안전, 개인정보와 라이선스 기준으로 원시 데이터를 선택하거나 제외하는 절차다.
• 학습 데이터 형식화학습 데이터 형식화는 원시 사례를 모델이 읽을 입력·목표 토큰, 역할, 마스크와 메타데이터 구조로 변환하는 과정이다.
• 학습 말뭉치학습 말뭉치는 언어 모델이나 다른 학습 시스템의 파라미터를 최적화하는 데 사용하는 문서와 토큰의 조직화된 집합이다.
• 학습 비용학습 비용은 데이터 준비부터 분산 학습, 실험 반복과 체크포인트 저장까지 모델을 만드는 데 든 직접·간접 비용이다.
• 학습 손실학습 손실은 현재 학습 데이터 배치에서 모델 예측과 목표 사이의 오차를 목적 함수로 계산한 값이다.
• 학습 수렴학습 수렴은 반복 최적화에서 손실·기울기·평가 지표의 변화가 허용 범위 안으로 안정되는 상태다.
• 학습 재현성학습 재현성은 같은 데이터·코드·환경·설정을 사용했을 때 허용 오차 안에서 동일한 모델 특성과 결과를 다시 얻을 수 있는 정도다.
• 학습 후 양자화학습 후 양자화는 추가 전체 학습 없이 이미 학습된 모델의 가중치나 활성값을 낮은 비트 표현으로 변환하는 기법이다.
• 학습·검증·테스트 분할학습·검증·테스트 분할은 모델 적합, 설정 선택, 최종 평가에 사용할 데이터를 서로 겹치지 않게 나누는 절차다.
• 학습률한 번의 최적화 단계에서 파라미터를 얼마나 크게 변경할지 정하는 값이다.
• 학습률 스케줄학습률 스케줄은 학습 단계나 검증 신호에 따라 옵티마이저의 학습률을 바꾸는 규칙이다.
• 학습률 워밍업학습률 워밍업은 학습 초기에 작은 학습률에서 시작해 정해진 기간 동안 목표 학습률까지 점진적으로 높이는 기법이다.
• 학습형 위치 임베딩학습형 위치 임베딩은 각 시퀀스 위치에 대응하는 벡터를 모델 파라미터로 두고 데이터에서 학습하는 방식이다.
• 함수 호출함수 호출은 모델이 자연어 답 대신 미리 정의된 함수 이름과 구조화된 인수를 선택해 외부 실행을 요청하는 인터페이스 패턴이다.
• 합성 데이터실제 관측값을 그대로 복제하지 않고 규칙·시뮬레이션·통계 또는 생성 모델로 만든 데이터다.
• 합성곱 신경망합성곱 신경망은 국소 필터의 가중치를 공간 위치에 공유해 격자 데이터의 특징을 학습하는 신경망이다.
• 행동 인식행동 인식은 비디오에서 사람이나 객체가 수행하는 동작을 시간 구간과 범주로 식별하는 과제다.
• 행동 회귀행동 회귀는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• 행렬수치를 행과 열로 배열한 구조로, 신경망의 선형 변환과 배치 계산에 사용된다.
• 행렬 곱셈첫 행렬의 행과 둘째 행렬의 열을 내적해 새로운 행렬을 만드는 선형대수 연산으로, 신경망의 선형 변환을 구성하는 핵심 계산이다.
• 행렬식행렬식은 정사각행렬이 공간의 부피와 방향을 얼마나 바꾸는지 나타내는 스칼라이며 가역성과 연결된다.
• 행렬의 계수행렬의 계수(rank)는 선형 독립인 행 또는 열의 최대 개수로 행렬이 표현하는 독립 차원의 수다.
• 허용 사용 정책허용 사용 정책은 AI 서비스에서 허용·제한·금지되는 용도와 위반 시 조치를 이용자에게 알리는 규칙이다.
• 허용적 라이선스허용적 라이선스는 저작권 고지와 면책 같은 최소 조건을 지키면 수정과 재배포를 폭넓게 허용하는 라이선스 계열이다.
• 헌법적 AI헌법적 AI는 자연어 원칙 집합을 사용해 모델이 자신의 응답을 비평·수정하고 선호 학습 신호를 만드는 정렬 방법이다.
• 헤세 행렬헤세 행렬은 스칼라 함수의 모든 이차 편미분을 배열해 국소 곡률을 나타내는 정사각 행렬이다.
• 현저성 지도현저성 지도는 입력의 각 요소 변화가 특정 모델 출력에 미치는 국소 민감도를 시각적 점수로 나타낸 설명이다.
• 형식 지정 응답형식 지정 응답은 모델이나 API의 결과를 자유 텍스트가 아니라 명시된 필드와 자료형을 가진 응답 객체로 제공하는 방식이다.
• 혼동 행렬분류 모델의 실제 클래스와 예측 클래스를 교차표로 집계해 어떤 종류의 정답과 오류가 발생했는지 보여 주는 행렬이다.
• 혼합 정밀도 학습혼합 정밀도 학습은 신경망 학습의 일부 연산과 저장에 낮은 수치 정밀도를 사용하면서 필요한 부분은 높은 정밀도로 유지하는 기법이다.
• 홉필드 네트워크홉필드 네트워크는 대칭 연결과 에너지 함수를 사용해 저장된 패턴을 안정 상태로 회상하는 순환 신경망이다.
• 화자 분리화자 분리는 녹음에서 누가 언제 말했는지를 구간별 화자 식별자로 나누는 과제다.
• 화자 인식화자 인식은 음성 신호의 발화 내용과 무관한 화자 특성을 이용해 신원을 확인하거나 분류하는 과제다.
• 확률불확실한 사건이 일어날 가능성을 수치로 표현하는 체계다.
• 확률 그래프 모델확률 그래프 모델은 확률변수를 노드로, 조건부 의존이나 상호작용을 간선으로 나타내 결합분포를 분해하는 모델이다.
• 확률 모델확률 모델은 관측값과 숨은 변수의 불확실성을 확률분포로 표현하는 수학적 모델이다.
• 확률변수확률변수는 확률 실험의 각 결과를 실수나 벡터 값에 대응시키는 측정 가능한 함수다.
• 확률분포가능한 값마다 확률을 대응시켜 불확실성을 나타내는 함수다.
• 확률적 경사하강법확률적 경사하강법은 전체 데이터 대신 한 사례 또는 작은 무작위 표본의 손실 기울기로 매개변수를 반복 갱신하는 최적화법이다.
• 확률적 깊이확률적 깊이는 잔차 신경망 학습 중 일부 잔차 블록을 무작위로 건너뛰어 다양한 유효 깊이를 학습하는 정규화 기법이다.
• 확산 모델데이터에 노이즈를 더하고 제거하는 역과정을 학습해 샘플을 생성하는 모델이다.
• 확산 스케줄러확산 스케줄러는 확산 모델에서 시간 단계별 노이즈 크기와 역과정 업데이트 규칙을 정하는 구성 요소다.
• 확산 잡음 제거 단계확산 잡음 제거 단계는 현재의 noisy 잠재 표현과 모델 예측으로 더 깨끗한 이전 시간 단계의 표현을 계산하는 한 번의 역과정 갱신이다.
• 확산 트랜스포머확산 트랜스포머는 잡음이 섞인 잠재 표현이나 데이터를 반복적으로 복원하는 확산 모델의 잡음 예측기를 트랜스포머로 구현한 구조다.
• 확산 학습 목표확산 학습 목표는 단계별로 노이즈가 추가된 데이터에서 노이즈·원본·점수 중 하나를 예측하도록 모델을 학습하는 목적이다.
• 확장 가능한 감독확장 가능한 감독은 사람이 직접 완전히 평가하기 어려운 복잡한 AI 행동을 제한된 인간 노력으로 신뢰성 있게 감독하는 방법이다.
• 환각모델이 근거가 없거나 사실과 다른 내용을 그럴듯하게 생성하는 현상이다.
• 환경 변수 비밀정보환경 변수 비밀정보는 자격 증명을 코드나 설정 파일 대신 프로세스 환경 변수로 주입하는 배포 방식이다.
• 활성값 양자화활성값 양자화는 계층 사이에서 생성되는 중간 텐서를 낮은 정밀도 범위로 표현하는 기법이다.
• 활성화 최대화활성화 최대화는 선택한 뉴런이나 클래스 점수를 크게 만드는 입력을 경사 상승으로 합성해 선호 패턴을 탐색하는 기법이다.
• 활성화 함수신경망에 비선형성을 부여해 복잡한 관계를 표현하게 하는 함수다.
• 회귀회귀는 입력 변수로부터 연속값이나 순서 있는 수치 목표의 조건부 경향을 추정하는 지도학습 문제다.
• 회귀 테스트형 평가회귀 테스트형 평가는 모델·프롬프트·데이터 변경 뒤 이전에 통과하던 사례와 핵심 지표가 나빠지지 않았는지 확인하는 반복 시험이다.
• 회전 위치 임베딩회전 위치 임베딩은 위치에 따른 회전 변환을 질의와 키 벡터의 차원 쌍에 적용해 상대 위치가 내적에 나타나게 하는 방식이다.
• 회피 공격운영 중인 모델의 입력을 조작해 탐지나 올바른 분류를 피하게 만드는 추론 시점 공격이다.
• 효과 크기효과 크기는 두 조건의 차이나 변수 관계의 크기를 표본 수와 분리해 정량화한 값이다.
• 후기 융합후기 융합은 각 모달리티를 독립 모델로 처리한 뒤 예측 점수나 고수준 표현을 마지막 단계에서 결합하는 설계다.
• 희소 부호화희소 부호화는 각 관측을 소수의 활성 원자만 사용하는 사전 벡터의 선형 결합으로 표현하는 방법이다.
• 희소 신경 검색희소 신경 검색은 신경망이 어휘 차원의 희소 가중치를 생성해 역색인에서 의미 확장과 정확한 용어 일치를 함께 사용하는 방식이다.
• 희소 어텐션희소 어텐션은 전체 토큰 쌍 중 일부 연결만 계산하도록 고정·학습 패턴을 적용한 어텐션 계열이다.
• 희소 언어 모델희소 언어 모델은 토큰마다 파라미터나 연결의 일부만 활성화해 전체 용량과 실제 계산량을 분리하는 언어 모델이다.
• 희소 임베딩대부분의 차원이 0이고 일부 차원만 값이 있는 고차원 벡터 표현이며 차원이 단어나 학습된 어휘 특징과 연결되는 경우가 많다.
• 희소 트랜스포머희소 트랜스포머는 모든 토큰 쌍 대신 미리 정한 일부 위치 쌍에만 어텐션을 계산해 긴 시퀀스의 비용을 줄이는 구조다.

A

• AdaGradAdaGrad는 매개변수별 과거 제곱 기울기를 누적해 자주 갱신된 방향의 유효 학습률을 줄이는 적응형 최적화법이다.
• Adam 최적화Adam은 그래디언트의 1차 모멘트와 제곱 그래디언트의 2차 모멘트를 지수이동평균으로 추정하는 적응적 옵티마이저다.
• AdamWAdamW는 Adam의 적응적 그래디언트 갱신과 가중치 감쇠를 분리해 적용하는 옵티마이저다.
• AI 가속기AI 가속기는 신경망 학습이나 추론의 핵심 연산을 범용 프로세서보다 빠르고 효율적으로 처리하도록 특화된 하드웨어의 총칭이다.
• AI 거버넌스AI의 개발과 사용을 조직의 정책·책임·통제·감사 체계로 관리하는 활동이다.
• AI 거버넌스 프레임워크AI 거버넌스 프레임워크는 조직의 AI 의사결정 권한, 정책, 수명주기 통제와 책임 구조를 정한 체계다.
• AI 공격 표면 지도AI 공격 표면 지도는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• AI 공급망AI 공급망은 데이터·모델·코드·가속기·클라우드·배포 서비스가 최종 AI 시스템에 이르는 의존 관계와 공급 주체의 연쇄다.
• AI 공급망 취약점AI 공급망 취약점은 모델, 데이터, 라이브러리, 저장소와 배포 구성 요소 중 하나가 변조되거나 신뢰되지 않아 전체 시스템이 손상되는 위험이다.
• AI 규제 분류AI 규제 분류는 시스템의 용도·영향 대상·위험 특성을 법적 범주와 의무 수준에 대응시키는 절차다.
• AI 긴급 정지 장치AI 긴급 정지 장치는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• AI 데이터센터AI 데이터센터는 대규모 모델 학습과 추론을 위해 가속기, 고대역폭 네트워크, 저장소와 냉각·전력 설비를 통합한 시설이다.
• AI 레드팀 재시험AI 레드팀 재시험은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• AI 레드팀 평가AI 레드팀 평가은 공격자·오용자 관점에서 모델과 전체 시스템의 실패·우회·피해 경로를 체계적으로 탐색하는 평가 활동이다.
• AI 물 발자국AI 물 발자국은 AI 계산을 위한 데이터센터 냉각과 전력 생산, 하드웨어 공급망에서 소비·취수되는 물의 양과 지역 영향을 나타낸 지표다.
• AI 보안 모니터링AI 보안 모니터링은 모델·데이터·도구·API와 사용 행위에서 공격·오용·무결성 손상을 지속 탐지하는 활동이다.
• AI 보안 통제 기준선AI 보안 통제 기준선은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• AI 사고 대응AI 사고 대응은 AI 시스템의 위해·보안 침해·중대한 오작동을 식별하고 억제·복구·통지·학습하는 조직적 절차다.
• AI 사고 보고AI 사고 보고는 AI 시스템의 피해·오작동·보안 위반을 정해진 형식과 기한에 내부 또는 감독 기관에 알리는 절차다.
• AI 사용 고지AI 사용 고지는 콘텐츠나 서비스의 생성·변형·의사결정에 AI가 관여했다는 사실과 범위를 이용자에게 알리는 행위다.
• AI 상호운용성 표준AI 상호운용성 표준은 서로 다른 모델 형식, 런타임, 데이터·메타데이터 시스템이 의미를 보존하며 교환되도록 정한 공통 계약이다.
• AI 심층 방어AI 심층 방어는 한 통제가 실패해도 위해가 발생하지 않도록 데이터·모델·애플리케이션·도구·인프라·운영에 독립적인 보호층을 겹치는 전략이다.
• AI 악용 모니터링AI 악용 모니터링은 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• AI 안전AI 안전은 AI 시스템이 의도한 목표를 신뢰할 수 있게 수행하고 오용, 사고와 예측하지 못한 피해를 줄이기 위한 연구와 실무 영역이다.
• AI 에너지 소비AI 에너지 소비는 모델 학습·추론과 이를 지원하는 저장·네트워크·냉각 인프라가 일정 기간 사용한 에너지량이다.
• AI 에이전트목표를 바탕으로 상태를 관찰하고 도구를 선택해 여러 단계의 작업을 수행하는 시스템이다.
• AI 오용AI 오용은 정상적인 AI 기능을 사기, 조작, 공격이나 권리 침해처럼 해로운 목적에 의도적으로 사용하는 행위다.
• AI 위험 대장AI 위험 대장은 식별된 위험의 원인, 영향, 가능성, 통제, 책임자와 상태를 한곳에 추적하는 관리 기록이다.
• AI 위험 평가AI 위험 평가는 AI 시스템이 사람, 조직과 환경에 일으킬 가능성과 영향을 사용 맥락에서 식별·분석하는 과정이다.
• AI 위협 모델링AI 위협 모델링은 AI 시스템의 자산·행위자·신뢰 경계·공격 표면과 가능한 피해 경로를 구조적으로 식별하는 과정이다.
• AI 이상 현상 분류AI 이상 현상 분류는 모델·데이터·도구·운영 계층의 AI 위협 관리와 보안 통제 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• AI 정렬모델의 행동이 사람의 의도·가치·안전 제약과 일치하도록 만드는 연구와 과정이다.
• AI 정책 집행AI 정책 집행은 사용·데이터·출력·도구 권한 규칙을 AI 시스템의 요청 처리 경로에서 실제 허용·차단 행동으로 적용하는 활동이다.
• AI 준수 모니터링AI 준수 모니터링은 시스템 운영과 변경이 적용 법규·표준·내부 통제 요구를 계속 만족하는지 증거로 확인하는 과정이다.
• AI 책임성AI 책임성은 AI 관련 결정과 결과에 대해 지정된 주체가 설명하고 통제하며 피해를 시정할 의무를 갖는 원칙이다.
• AI 총소유비용AI 총소유비용은 AI 시스템을 도입해 운영하고 폐기하기까지 발생하는 자본·사용·인력·데이터·위험 비용의 전체 합이다.
• AI 칩 가용성AI 칩 가용성은 필요한 종류와 수량의 가속기를 목표 지역·시점·가격에 조달하고 사용할 수 있는 정도다.
• AI 탄소 발자국AI 탄소 발자국은 AI 시스템의 전력 사용과 하드웨어 생애주기에서 발생한 온실가스 배출량을 이산화탄소환산량으로 나타낸 값이다.
• AI 통제 문제AI 통제 문제는 강력한 AI 시스템이 사람의 의도와 안전 경계 안에서 행동하도록 감시·제한·개입 수단을 설계하는 문제다.
• AI 피드백 기반 강화학습AI 피드백 기반 강화학습은 사람 대신 또는 사람과 함께 다른 모델의 비평·선호·규칙 판정을 보상 신호로 사용해 정책을 조정하는 방식이다.
• AI 해석 가능성AI 해석 가능성은 모델의 내부 표현, 계산 과정과 행동 원인을 조사해 의미 있는 설명을 얻을 수 있는 성질과 분석 활동이다.
• AI용 쿠버네티스AI용 쿠버네티스는 컨테이너화한 학습·추론 작업을 쿠버네티스의 스케줄링과 선언적 제어로 운영하는 방식이다.
• ALiBi 위치 편향ALiBi 위치 편향은 학습된 위치 임베딩 없이 토큰 거리에 비례하는 선형 음의 편향을 어텐션 점수에 더하는 방식이다.
• All-Reduce올리듀스는 여러 작업자의 같은 크기 텐서를 합·최대 같은 연산으로 결합하고 결과를 모든 작업자에게 배포하는 집단 통신이다.
• API소프트웨어 구성 요소가 정해진 규약으로 기능과 데이터를 요청·교환하는 인터페이스다.
• API 감사 로그API 감사 로그는 누가 언제 어떤 API 자원에 어떤 작업을 요청했고 결과가 무엇이었는지를 보안·책임 추적 목적으로 기록한 사건 원장이다.
• API 공급자 추상화API 공급자 추상화는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 데이터 보유API 데이터 보유는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 래퍼API 래퍼는 원시 API 호출을 특정 업무에 맞는 더 단순하거나 안정적인 함수와 객체로 감싸는 계층이다.
• API 로깅API 로깅은 요청 수명주기의 식별자, 결과, 지연시간과 오류를 구조화된 사건으로 남기는 관측 활동이다.
• API 리전 라우팅API 리전 라우팅은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 배치 계약API 배치 계약은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 버전 고정API 버전 고정은 클라이언트가 호출할 API 계약의 특정 버전을 명시해 서버의 변경으로 동작이 예기치 않게 달라지는 것을 막는 방식이다.
• API 버전 관리API 버전 관리는 인터페이스 계약의 변경을 식별 가능한 버전으로 구분해 기존 클라이언트와 새 기능의 공존을 제어하는 절차다.
• API 버전 협상API 버전 협상은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 부분 실패API 부분 실패는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 비밀 키 교체API 비밀 키 교체는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 비용 추적API 비용 추적은 측정된 사용량에 시점별 가격과 할인·예산 규칙을 적용해 요청·프로젝트·조직별 비용을 계산하는 활동이다.
• API 스키마 진화API 스키마 진화는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 엔드포인트API 엔드포인트는 특정 기능이나 자원에 접근하도록 서버가 공개한 네트워크 주소와 요청 계약의 결합이다.
• API 오류 모델API 오류 모델은 실패를 기계가 처리할 수 있는 코드·상태·메시지·세부 정보·재시도 의미로 표현하는 일관된 계약이다.
• API 오류 엔벨로프API 오류 엔벨로프는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 요청 제한 예산API 요청 제한 예산은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 요청 중복 제거API 요청 중복 제거는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 재시도 예산API 재시도 예산은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 적합성 테스트 스위트API 적합성 테스트 스위트는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 지원 종료API 지원 종료는 기존 기능을 즉시 제거하지 않고 사용 중단 예정과 대체 경로, 종료 시점을 공지하는 수명주기 단계다.
• API 클라이언트API 클라이언트는 원격 인터페이스의 엔드포인트를 호출하고 요청 수명주기를 관리하는 애플리케이션 구성 요소다.
• API 클라이언트 관측성API 클라이언트 관측성은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 키API 요청의 프로젝트나 사용자를 식별하고 권한을 확인하는 비밀 문자열이다.
• API 타임아웃 예산API 타임아웃 예산은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 페이지네이션API 페이지네이션은 큰 결과 집합을 제한된 크기의 여러 응답으로 나누고 다음 부분을 탐색할 위치 정보를 제공하는 방식이다.
• API 하위 호환성API 하위 호환성은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 할당량API 할당량은 사용자·조직·키가 일정 기간에 소비할 수 있는 요청 수, 토큰, 연산량 또는 비용의 상한이다.
• API 할당량 배분API 할당량 배분은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• API 행동 도구API 행동 도구는 원격 서비스의 명세된 엔드포인트를 호출해 정보를 조회하거나 외부 상태를 변경하는 에이전트 도구다.
• API 형식 생성API 형식 생성은 기계 판독 가능한 API 명세에서 요청·응답 자료형과 클라이언트 인터페이스 코드를 만드는 작업이다.
• API 회로 차단기 정책API 회로 차단기 정책은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.

B

• BART 아키텍처BART 아키텍처는 양방향 인코더와 왼쪽에서 오른쪽으로 생성하는 디코더를 결합한 잡음 제거 시퀀스-투-시퀀스 모델이다.
• BEIR 벤치마크BEIR 벤치마크는 여러 도메인의 정보 검색 데이터셋에서 검색 모델의 제로샷 일반화 성능을 비교하는 평가 모음이다.
• BERT 아키텍처BERT 아키텍처는 양방향 자기어텐션 인코더를 쌓아 문맥에 따른 토큰 표현을 학습하는 트랜스포머 구조다.
• BERTScoreBERTScore는 문맥 임베딩 사이의 코사인 유사도로 후보와 참조 토큰을 대응시켜 정밀도, 재현율과 F1을 계산한다.
• Best-of-N 표본추출Best-of-N 표본추출은 같은 입력에서 N개의 응답을 생성하고 보상 모델이나 평가 기준의 점수가 가장 높은 응답을 선택하는 추론·데이터 생성 방식이다.
• BIG-benchBIG-bench는 다양한 연구자가 제안한 광범위한 과제로 대규모 언어 모델의 능력과 한계를 탐색하는 협업 벤치마크다.
• BigBirdBigBird는 국소·무작위·전역 연결을 조합한 블록 희소 어텐션으로 긴 시퀀스의 계산량을 줄이는 트랜스포머다.
• BLEU 점수BLEU 점수는 기계 번역 후보와 하나 이상의 참조 문장 사이의 수정된 n-그램 정밀도와 길이 패널티를 결합한 말뭉치 수준 지표다.
• BM25BM25는 질의어의 문서 내 빈도·전체 문서 희소성·문서 길이 보정을 결합한 확률적 어휘 검색 점수 함수다.

C

• Conformer 아키텍처Conformer는 음성의 국소 패턴과 장거리 의존성을 함께 모델링하도록 합성곱과 트랜스포머 블록을 결합한 인코더 구조다.
• ControlNetControlNet은 사전학습 텍스트-이미지 확산 모델에 윤곽, 깊이, 자세 같은 공간 조건을 추가하면서 원본 모델을 보존하는 제어 구조다.
• CPU 추론CPU 추론은 범용 중앙처리장치의 벡터 명령과 다중 코어에서 모델 순전파를 실행하는 방식이다.
• CUDACUDA는 NVIDIA GPU에서 병렬 커널을 작성·컴파일·실행하고 메모리와 라이브러리를 관리하는 프로그래밍 플랫폼이다.
• CutMixCutMix는 한 이미지의 사각 영역을 다른 이미지 패치로 바꾸고 면적 비율에 따라 레이블을 혼합하는 데이터 증강 방법이다.

D

• DenseNetDenseNet은 각 층의 특징 맵을 이후 모든 층의 입력에 이어 붙이는 조밀 연결 합성곱 신경망이다.
• DiskANNDiskANN은 대규모 벡터를 SSD에 두고 그래프 탐색과 메모리 캐시를 결합해 낮은 지연의 근사 검색을 수행하는 방법이다.
• DoRADoRA는 가중치 행렬을 크기와 방향으로 분해하고 방향 변화는 저계수 어댑터로, 크기는 별도 파라미터로 학습하는 미세조정 방법이다.
• DPO 베타 선택DPO 베타 선택은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.

F

• F-발산F-발산은 두 확률분포의 밀도비에 볼록함수를 적용해 평균낸 분포 차이 척도군이다.
• F1 점수정밀도와 재현율의 조화평균으로 두 지표가 모두 높을 때만 큰 값을 갖는 분류·검색 성능 지표다.
• FAISSFAISS는 고차원 벡터의 유사도 검색과 군집화를 위한 다양한 CPU·GPU 인덱스를 제공하는 라이브러리다.
• FP8 추론FP8 추론은 지수와 가수 비트가 적은 8비트 부동소수 형식을 사용해 가속기 처리량과 메모리 효율을 높이는 방식이다.

G

• GEGLUGEGLU는 GELU로 활성화한 선형 분기와 다른 선형 분기를 원소별로 곱하는 게이트 선형 유닛 변형이다.
• GGUF 형식GGUF는 llama.cpp 계열 런타임에서 모델 텐서와 토크나이저·설정 메타데이터를 함께 저장하는 단일 파일 형식이다.
• GPQAGPQA는 전문 지식이 없는 검색만으로 풀기 어려운 대학원 수준 과학 객관식 문제로 추론 능력을 평가하는 벤치마크다.
• GPT 아키텍처GPT 아키텍처는 이전 토큰만 볼 수 있는 인과 마스크를 사용해 다음 토큰을 예측하는 디코더 전용 트랜스포머 구조다.
• GPU 추론GPU 추론은 다수의 병렬 연산 장치를 가진 GPU에서 모델의 순전파와 생성 연산을 실행하는 방식이다.
• GraphRAG그래프 RAG는 지식 그래프의 개체·관계·커뮤니티를 탐색해 생성 모델에 구조화된 근거를 제공하는 검색 증강 방식이다.

H

• HELM 벤치마크HELM은 시나리오, 적응 방식과 여러 지표를 명시해 언어 모델을 투명하고 다면적으로 비교하는 평가 체계다.
• HMAC 인증HMAC 인증은 공유 비밀키와 해시 기반 메시지 인증 코드를 사용해 요청의 무결성과 발신자 지식을 확인하는 방식이다.
• HTTP 429HTTP 429는 클라이언트가 일정 시간에 너무 많은 요청을 보내 서버가 처리를 거부했음을 나타내는 상태 코드다.
• HTTP 메서드HTTP 요청이 대상 자원에 대해 수행하려는 의미를 나타내며 안전성·멱등성·캐시 가능성 같은 프로토콜 속성을 정의하는 토큰이다.
• HTTP 메시지 본문HTTP 메시지에서 헤더 뒤에 전달되는 선택적 콘텐츠로, 요청 데이터나 응답 표현을 운반한다.
• HTTP 상태 코드HTTP 응답의 결과 의미를 세 자리 숫자로 표현하는 표준 코드이며 첫 자리는 정보·성공·리디렉션·클라이언트 오류·서버 오류 계열을 나타낸다.
• HTTP 요청클라이언트가 서버에 메서드·주소·헤더·본문을 보내는 메시지다.
• HTTP 응답서버가 HTTP 요청의 처리 결과를 상태 코드·필드·선택적 콘텐츠로 전달하는 메시지다.
• HTTP 헤더HTTP 요청과 응답의 의미, 표현 형식, 인증, 캐시와 연결 처리에 관한 메타데이터를 필드 이름과 값으로 전달하는 부분이다.
• HTTPSHTTPS는 HTTP 메시지를 전송 계층 보안(TLS) 연결 위에서 교환해 기밀성, 무결성과 서버 인증을 제공하는 방식이다.
• HumanEvalHumanEval은 함수 설명과 테스트를 이용해 코드 생성 모델이 올바른 프로그램을 작성하는지 평가하는 벤치마크다.

I

• IA3IA3는 어텐션과 순방향 신경망의 내부 활성값을 학습 가능한 벡터로 곱해 조정하는 매개변수 효율적 미세조정 방법이다.
• IEEE AI 표준IEEE AI 표준은 인공지능 시스템의 윤리, 투명성, 데이터, 평가와 기술 상호운용성을 다루는 IEEE 표준 묶음이다.
• ImageNetImageNet은 대규모 계층형 이미지 범주와 주석으로 구성되어 이미지 분류와 시각 표현 학습 연구에 널리 쓰인 데이터셋이다.
• InfiniBandInfiniBand는 원격 직접 메모리 접근과 낮은 지연의 메시지 전송을 지원하는 스위치 패브릭 네트워크 규격이다.
• INT4 추론INT4 추론은 주로 가중치를 4비트 정수로 압축해 메모리 사용량과 대역폭을 크게 줄이는 모델 실행 방식이다.
• INT8 추론INT8 추론은 모델의 일부 또는 대부분의 행렬 연산을 8비트 정수 표현과 누산기로 수행하는 실행 방식이다.
• ISO/IEC JTC 1/SC 42ISO/IEC JTC 1/SC 42는 인공지능 분야의 국제 표준화를 담당하는 ISO와 IEC 공동 기술위원회 산하 분과다.

J

• JAXJAX는 NumPy와 유사한 배열 API에 자동 미분, 벡터화, 병렬화와 XLA 기반 컴파일 변환을 결합한 수치 계산 라이브러리다.
• JSON키-값과 배열 구조로 데이터를 표현하는 경량 텍스트 형식이다.
• JSON 스키마JSON 스키마는 JSON 인스턴스가 만족해야 할 자료형, 필수 속성, 값 범위와 조합 규칙을 선언하는 표준 어휘다.
• JSON 웹 토큰JSON 웹 토큰은 JSON 주장 집합을 점으로 구분된 URL 안전 문자열에 담고 서명하거나 암호화할 수 있는 토큰 형식이다.

K

• K-최근접 이웃K-최근접 이웃은 새 입력과 가장 가까운 k개 학습 표본의 라벨이나 값을 이용하는 비모수 예측 방법이다.
• K-평균 군집화K-평균 군집화는 각 점을 가장 가까운 중심에 배정하고 군집 내 제곱거리를 줄이도록 K개 중심을 반복 갱신하는 알고리즘이다.
• KerasKeras는 신경망 층, 모델, 학습 루프를 고수준 API로 조립하고 여러 계산 백엔드에서 실행할 수 있게 하는 라이브러리다.
• KL 페널티KL 페널티는 새 정책의 출력 분포가 기준 정책에서 지나치게 멀어지는 것을 억제하기 위해 KL 발산을 목적함수에 더하는 항이다.
• KV 캐시이전 토큰의 어텐션 키와 값을 저장해 자동회귀 생성의 중복 계산을 줄이는 캐시다.
• KV 캐시 격리KV 캐시 격리는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• KV 캐시 수용 제어KV 캐시 수용 제어는 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• KV 캐시 양자화KV 캐시 양자화는 어텐션 키와 값을 더 낮은 비트 표현으로 저장해 생성 중 메모리 사용량을 줄이는 기법이다.
• KV 캐시 용량 계획KV 캐시 용량 계획은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.

L

• L1 정규화L1 정규화는 모델 파라미터 절댓값의 합을 목적 함수에 벌점으로 더해 희소한 가중치를 유도하는 방법이다.
• L2 정규화L2 정규화는 모델 파라미터 제곱합을 목적 함수에 벌점으로 더해 큰 가중치를 억제하는 방법이다.
• LIME 설명LIME은 관심 예측 주변에서 원래 모델의 동작을 근사하는 단순한 지역 대리 모델로 특징 중요도를 설명하는 방법이다.
• Linux Foundation AI & DataLinux Foundation AI & Data는 개방형 인공지능과 데이터 프로젝트의 중립적 거버넌스·협업·생태계 지원을 제공하는 재단 조직이다.
• LLM API 계약 테스트LLM API 계약 테스트는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM API 멱등성LLM API 멱등성은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM API 페이지 나누기LLM API 페이지 나누기는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 기능 플래그LLM 기능 플래그는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 라우팅 게이트웨이LLM 라우팅 게이트웨이는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 비용 귀속LLM 비용 귀속은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 서빙 SLOLLM 서빙 SLO은 모델 로딩·스케줄링·KV 캐시·토큰 생성을 다루는 추론 서빙 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 세션 상태LLM 세션 상태는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 심사자언어 모델을 사용해 다른 모델 출력의 품질을 판정하거나 비교하는 평가 방식이다.
• LLM 요청 엔벨로프LLM 요청 엔벨로프는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 요청 정규화LLM 요청 정규화는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 워크로드 분류LLM 워크로드 분류는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 웹훅 서명LLM 웹훅 서명은 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 웹훅 재전송 방어LLM 웹훅 재전송 방어는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 응답 재현성LLM 응답 재현성은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 응답 정규화LLM 응답 정규화는 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 출력 결정성LLM 출력 결정성은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 침투 테스트LLM 침투 테스트은 언어 모델 애플리케이션의 프롬프트·검색·도구·권한 경계를 실제 공격 절차로 검증하는 보안 시험이다.
• LLM 클라이언트 적합성LLM 클라이언트 적합성은 대규모 언어 모델 응용의 지시·문맥·출력 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 판정 앙상블LLM 판정 앙상블은 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 평가 계약LLM 평가 계약은 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLM 평가자 간 일치도LLM 평가자 간 일치도는 모델과 LLM 시스템의 품질 측정·비교·배포 판정 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• LLMOpsLLMOps는 대규모 언어 모델 애플리케이션의 프롬프트, 검색, 평가, 모델 버전과 운영 위험을 관리하는 수명주기 실천이다.
• LLM용 근접 정책 최적화LLM용 근접 정책 최적화는 보상 신호를 높이되 새 언어 모델 정책이 기준 정책에서 한 번에 너무 멀어지지 않도록 갱신하는 강화학습 방법이다.
• LongformerLongformer는 각 토큰의 국소 슬라이딩 창 어텐션과 일부 토큰의 전역 어텐션을 결합해 긴 문서를 처리하는 트랜스포머다.
• LoRA기존 가중치를 고정하고 저랭크 행렬만 학습하는 파라미터 효율적 미세조정 기법이다.

M

• MCP 도구MCP 도구는 모델이 외부 시스템의 계산이나 상태 변경 기능을 호출하도록 서버가 이름·설명·입력 스키마와 함께 공개하는 실행 인터페이스다.
• MCP 리소스MCP 리소스는 서버가 URI로 식별해 클라이언트에 제공하는 읽기 가능한 데이터와 문맥 객체다.
• MCP 사용자 정보 요청MCP 유도 입력은 서버가 작업 도중 사용자에게 추가 구조화 정보를 요청하는 기능이다.
• MCP 샘플링MCP 샘플링은 서버가 호스트의 모델 호출 능력을 요청해 중첩된 언어 모델 생성을 수행하는 기능이다.
• MCP 서버MCP 서버는 표준 프로토콜을 통해 도구, 리소스와 프롬프트 같은 기능을 MCP 클라이언트에 제공하는 프로그램이다.
• MCP 전송 계층MCP 전송 계층은 JSON-RPC 메시지를 클라이언트와 서버 사이에 전달하는 연결 방식과 프레이밍 규칙이다.
• MCP 클라이언트MCP 클라이언트는 MCP 호스트 안에서 특정 서버와 일대일 세션을 맺고 프로토콜 메시지를 주고받는 구성 요소다.
• MCP 프롬프트MCP 프롬프트는 서버가 재사용 가능한 메시지 템플릿과 입력 인수로 공개하는 사용자 선택형 상호작용 구성 요소다.
• MCP 호스트MCP 호스트는 하나 이상의 MCP 클라이언트를 내장해 사용자 애플리케이션과 외부 MCP 서버 사이의 연결·권한·문맥을 관리하는 프로그램이다.
• METEOR 점수METEOR는 후보와 참조의 단어 정렬을 바탕으로 정밀도·재현율 조화평균과 어순 단절 패널티를 계산하는 생성 평가 지표다.
• MIME 유형MIME 유형은 데이터의 매체 형식과 선택적 세부 형식을 type/subtype 형태로 식별하는 표준 표지다.
• Min-p 샘플링최고 확률 토큰의 확률에 비례한 최소 임계값보다 낮은 토큰을 제거한 뒤 남은 분포에서 추출하는 디코딩 방법이다.
• MixupMixup은 두 학습 표본과 정답을 같은 비율로 선형 혼합해 가상 표본을 만드는 데이터 증강 방법이다.
• ML 파이프라인 오케스트레이터ML 파이프라인 오케스트레이터는 데이터 준비, 학습, 평가와 배포 작업의 의존성과 실행 상태를 관리하는 시스템이다.
• MLCommonsMLCommons는 머신러닝 벤치마크, 데이터셋과 모범 사례를 공동 개발하는 산업·학계 컨소시엄이다.
• MLflowMLflow는 머신러닝 실험, 실행 기록, 모델 패키징과 등록을 위한 오픈소스 수명주기 도구 모음이다.
• MLOpsMLOps는 머신러닝 시스템의 개발, 검증, 배포와 운영을 자동화하고 재현 가능하게 만드는 공학적 실천이다.
• MLPerfMLPerf는 합의된 모델·데이터·품질 목표와 실행 규칙으로 AI 학습 및 추론 시스템의 성능을 비교하는 벤치마크 제품군이다.
• MMLUMMLU는 초등 수준부터 전문 영역까지 여러 선택형 과목을 이용해 언어 모델의 지식과 문제 해결 능력을 평가하는 벤치마크다.
• MTEBMTEB는 분류·검색·군집·유사도 등 다양한 과제에서 텍스트 임베딩 모델을 공통 절차로 비교하는 평가 묶음이다.

N

• N-그램 언어 모델N-그램 언어 모델은 다음 단어의 확률이 직전 n-1개 단어에만 의존한다고 가정하는 통계적 언어 모델이다.
• NIST AI 위험 관리 프레임워크NIST AI 위험 관리 프레임워크는 AI 위험을 조직적으로 거버넌스하고 식별·측정·관리하기 위한 자발적 지침이다.
• NIST AI 프로그램NIST AI 프로그램은 신뢰할 수 있는 인공지능의 측정, 표준, 위험 관리와 기술 연구를 추진하는 미국 국립표준기술연구소의 활동군이다.
• NPU 추론NPU 추론은 신경망 연산에 특화된 프로세서에서 모델의 순전파를 실행하는 방식이다.
• NTK 인식 스케일링NTK 인식 스케일링은 RoPE의 주파수 기반을 조정해 긴 위치에서의 변화율을 완화하고 문맥 범위를 늘리는 기법군이다.
• NVLinkNVLink는 NVIDIA 프로세서와 가속기 사이에 높은 대역폭과 직접 메모리 접근 경로를 제공하는 전용 인터커넥트 계열이다.

O

• OAuthOAuth는 사용자의 비밀번호를 애플리케이션에 넘기지 않고 제한된 자원 접근 권한을 위임하기 위한 권한 부여 프레임워크다.
• OAuth 범위OAuth 범위는 접근 토큰이 허용하는 자원과 작업의 경계를 문자열 식별자로 표현한 권한 단위다.
• OECD AI 원칙OECD AI 원칙은 포용적 성장, 인간 중심 가치, 투명성, 견고성, 책임성을 중심으로 신뢰할 수 있는 AI 정책 방향을 제시하는 정부 간 권고다.
• ONNX RuntimeONNX Runtime은 ONNX 계산 그래프를 여러 하드웨어 실행 공급자에서 최적화하고 실행하는 추론 엔진이다.
• OpenAPI 명세OpenAPI 명세는 HTTP API의 경로, 연산, 매개변수, 요청·응답 스키마와 보안 방식을 기술하는 표준화된 문서 형식이다.

P

• Partnership on AIPartnership on AI는 산업계·시민사회·학계가 AI의 책임 있는 개발과 사용에 관한 연구와 실무 지침을 공동으로 만드는 비영리 협력체다.
• Pass@KPass@K는 코드 생성처럼 여러 후보를 만들 때 k개 후보 중 적어도 하나가 테스트를 통과할 확률을 추정하는 지표다.
• PDF 파싱PDF 파싱은 PDF 객체·글꼴·그림·텍스트 위치와 페이지 구조를 읽어 검색·분석 가능한 표현으로 변환하는 과정이다.
• Perceiver 리샘플러Perceiver 리샘플러는 가변 길이 멀티모달 특징을 고정 수의 잠재 벡터로 압축하는 교차 어텐션 모듈이다.
• PerformerPerformer는 소프트맥스 어텐션을 무작위 특징 기반 커널로 근사해 시퀀스 길이에 선형인 계산을 목표로 하는 트랜스포머 변형이다.
• Precision@KPrecision@K는 검색 결과 상위 K개 중 관련 문서가 차지하는 비율이다.
• PyTorchPyTorch는 동적 텐서 연산, 자동 미분, 신경망 모듈과 분산 학습 도구를 제공하는 오픈소스 머신러닝 프레임워크다.
• P값p값은 귀무가설과 검정 가정이 참일 때 관측한 값 이상으로 극단적인 검정통계량을 얻을 확률이다.

Q

• Q-FormerQ-Former는 학습 가능한 질의 토큰으로 시각 인코더의 특징을 선택·압축해 언어 모델에 전달하는 경량 트랜스포머 구성이다.
• QLoRAQLoRA는 사전학습 모델 가중치를 저비트로 양자화해 고정하고 저계수 어댑터만 학습하는 메모리 효율적 미세조정 방법이다.

R

• RAG 근거 계보RAG 근거 계보는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• RAG 문맥 압축RAG 문맥 압축은 검색된 자료에서 질의에 필요한 정보만 남겨 생성 모델에 전달할 토큰 수와 잡음을 줄이는 기법이다.
• RAG 색인 신선도RAG 색인 신선도는 코퍼스·색인·검색기·리랭커·인용을 연결하는 RAG 지식 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• RAG 오염RAG 오염은 검색 증강 생성 시스템의 문서나 인덱스에 악성 또는 거짓 콘텐츠를 넣어 검색 결과와 모델 출력을 조작하는 공격이다.
• RAG 평가RAG 평가는 검색 증강 생성 시스템의 검색 품질, 근거 사용과 최종 답변 품질을 연결해 측정하는 절차다.
• ReAct 에이전트언어 모델이 추론 메모와 외부 행동, 관찰을 번갈아 생성하며 계획을 수정하고 도구를 사용하는 에이전트 패턴이다.
• Recall@KRecall@K는 전체 관련 문서 중 검색 결과 상위 K개 안에 포함된 비율이다.
• ReformerReformer는 국소민감해시 어텐션과 가역 잔차 층을 사용해 긴 시퀀스의 메모리와 계산 비용을 줄인 트랜스포머 변형이다.
• REST APIREST의 제약과 균일한 인터페이스를 적용해 자원의 표현을 주고받도록 설계한 웹 API 방식이다.
• RMS 정규화RMS 정규화는 평균을 빼지 않고 특징 값의 제곱평균제곱근으로 크기를 조정하는 정규화 방법이다.
• RMSPropRMSProp은 최근 제곱 기울기의 지수이동평균으로 각 매개변수의 학습률을 조정하는 적응형 최적화법이다.
• ROC 곡선분류 임계값을 변화시키며 거짓양성률에 대한 참양성률을 그린 곡선이다.
• ROCmROCm은 AMD GPU에서 계산 커널, 수학 라이브러리, 컴파일러와 분산 통신을 제공하는 개방형 소프트웨어 플랫폼이다.
• ROUGE 점수ROUGE는 생성 요약과 참조 요약이 공유하는 n-그램, 최장 공통 부분수열 등의 재현율 중심 중복을 측정하는 지표군이다.

S

• SafeTensorsSafeTensors는 텐서 메타데이터와 원시 바이트를 분리해 저장하고 임의 코드 실행을 피하도록 설계된 모델 가중치 형식이다.
• ScaNNScaNN은 벡터 분할, 양자화와 재정렬을 결합해 최대 내적 또는 최근접 이웃 검색을 가속하는 시스템이다.
• SDK특정 플랫폼이나 API를 쉽게 사용하도록 제공하는 라이브러리·도구·문서의 묶음이다.
• Self-RAGSelf-RAG는 언어 모델이 필요할 때 검색하고 검색 결과의 관련성 및 자신의 답변 근거성을 스스로 평가하도록 학습하는 방식이다.
• SentencePieceSentencePiece는 공백으로 미리 분리하지 않은 원시 문장에서 서브워드 어휘와 토큰화를 함께 학습하는 언어 독립 도구다.
• SFT 데이터 혼합SFT 데이터 혼합은 지시 튜닝·선호 학습·보상 모델·정렬 평가를 포함하는 사후학습 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• SHAP 설명SHAP은 협력 게임의 샤플리 값을 이용해 한 예측과 기준값의 차이를 특징별 가산 기여도로 배분하는 설명 방법 계열이다.
• SPARQLSPARQL은 RDF 그래프에서 트리플 패턴을 매칭하고 결과를 선택·구성·갱신하는 표준 질의 언어와 프로토콜이다.
• SSE 복구SSE 복구는 LLM 서비스의 클라이언·게이트웨이·공급자 간 API 계약 계층에서 입력·판단·관측·복구 조건을 일관된 형식으로 관리하기 위한 운영 설계 개념이다.
• SWE-benchSWE-bench는 실제 오픈소스 저장소의 이슈와 코드 상태를 사용해 시스템이 결함을 수정하고 테스트를 통과시키는 능력을 평가하는 벤치마크다.
• SwiGLUSwiGLU는 SiLU로 활성화한 선형 분기와 다른 선형 분기를 원소별로 곱하는 게이트 순방향층 함수다.

T

• T5 아키텍처T5 아키텍처는 모든 자연어 처리 과제를 텍스트 입력에서 텍스트 출력으로 표현하는 인코더-디코더 트랜스포머다.
• TensorFlowTensorFlow는 텐서 계산, 자동 미분, 모델 학습·서빙·배포 도구를 제공하는 오픈소스 머신러닝 플랫폼이다.
• TensorRT-LLMTensorRT-LLM은 NVIDIA GPU에서 대규모 언어 모델 추론을 최적화하기 위한 오픈소스 라이브러리와 런타임이다.
• Top-k 샘플링확률이 높은 상위 k개 후보만 남겨 다음 토큰을 선택하는 방법이다.
• Top-p 샘플링누적 확률이 p에 도달하는 최소 후보 집합에서 다음 토큰을 선택하는 방법이다.
• TPU 추론TPU 추론은 텐서 연산에 특화된 Google의 TPU 가속기에서 학습된 모델을 실행하는 방식이다.
• Transformer-XLTransformer-XL은 이전 구간의 은닉 상태를 다음 구간에서 재사용해 고정 길이 문맥을 넘어선 의존성을 모델링하는 트랜스포머다.
• Transformers 라이브러리Transformers 라이브러리는 사전학습된 트랜스포머 모델, 토크나이저, 설정과 학습·추론 유틸리티를 공통 API로 제공한다.

U

• U-NetU-Net은 축소 경로와 확대 경로를 대칭으로 구성하고 같은 해상도의 특징을 건너 연결하는 영상 분할 신경망이다.

W

• W3C 웹 머신러닝W3C 웹 머신러닝은 브라우저와 웹 애플리케이션에서 장치의 신경망 가속 기능을 이식성 있게 사용하도록 표준 API를 정의하는 활동이다.
• WordPieceWordPiece는 어휘에 없는 단어를 자주 쓰이는 서브워드 조각의 조합으로 표현하도록 어휘를 학습하는 토큰화 방법이다.

X

• XLA 컴파일러XLA 컴파일러는 선형대수 중심 계산을 중간 표현으로 받아 CPU, GPU와 가속기용 코드로 최적화하는 도메인 특화 컴파일러다.
• XLNet 아키텍처XLNet 아키텍처는 토큰 위치의 여러 순열에 대해 자동회귀 예측을 수행해 양방향 문맥을 학습하는 트랜스포머 구조다.

Y

• YaRN 스케일링YaRN 스케일링은 RoPE 주파수 보간과 주의 로짓 크기 보정을 결합해 긴 문맥으로 효율적으로 확장하는 방법이다.

Z

• ZeRO 옵티마이저제로 중복 옵티마이저는 데이터 병렬 학습에서 옵티마이저 상태·기울기·파라미터의 중복 복사본을 단계적으로 분할하는 메모리 최적화다.

기타

• 2차 최적화2차 최적화는 목적함수의 그래디언트뿐 아니라 헤시안 또는 곡률 근사를 이용해 갱신 방향과 크기를 정하는 방법이다.