AI — 427개 용어

에이전트 간 통신 표준. Google이 제안. MCP와 상호 보완.

전체 예측 중 맞춘 비율. 클래스 불균형 시 오해를 유발할 수 있음.

LLM 프롬프트·로그에서 개인정보 자동 마스킹.

누적 확률 p 이하의 토큰 후보만 남기고 그 중에서 샘플링하는 방식. 품질과 다양성 균형에 유리.

LLM이 검색 여부·범위·재검색을 스스로 판단하는 RAG. 도구 사용과 결합.

신경망 뉴런의 비선형 변환. ReLU·GELU·Sigmoid·Tanh.

Supervisor·Hierarchy·Network 패턴으로 여러 에이전트 조율.

TTFT·TPS·Batching·KV Cache·Speculative·Quantization 조합.

고정·문장·계층·의미론적·Agentic 청킹. RAG 품질의 결정.

filesystem·git·slack·github·notion·postgres MCP 서버.

여러 LLM 제공자를 통일된 API·거버넌스로 관리. Portkey·LiteLLM·OpenRouter.

인간 수준의 범용 지능을 가진 AI. 특정 태스크가 아닌 모든 인지 작업을 수행 가능한 가상적 목표.

AI 에이전트와 외부 도구·데이터를 연결하는 표준 프로토콜. Anthropic이 제안, 업계 확산 중.

적응형 학습률 + 모멘텀을 결합한 최적화 알고리즘. 딥러닝 실무의 표준 선택.

텍스트·이미지 같은 비정형 데이터를 고차원 벡터(숫자 배열)로 변환한 표현. 의미가 비슷하면 벡터도 가깝다.

직관적 즉답(System 1)과 달리 오래 숙고하는 추론. Reasoning 모델의 설계 철학.

AI에게 자연어로 지시해 대부분의 코드를 만드는 방식. Andrej Karpathy가 명명.

LLM에 외부 지식을 주입해 답변 품질을 높이는 표준 패턴. 질문 → 벡터 검색 → 관련 문서 → 프롬프트에 포함 → LLM 생성.

GPT·Llama 같은 생성 LLM의 기반 아키텍처. 인코더 없이 디코더만 사용.

2026 LLM 스택: 모델 API·로컬 런타임·프레임워크·벡터DB·에이전트 플랫폼.

이미지 내 객체의 위치(bbox)와 클래스를 동시에 예측하는 CV 작업.

문법·스키마·정규식에 맞는 출력을 강제 생성. logit biasing.

대규모 텍스트로 학습된 대형 언어 모델. GPT, Claude, Gemini 등이 대표적.

Model Context Protocol 서버 구현. LLM에 도구·리소스를 제공.

LLM이 텍스트를 처리하는 최소 단위. 한글은 대략 1글자 ≈ 1~2 토큰, 영어는 1단어 ≈ 1.3 토큰.

벡터 임베딩을 저장하고 코사인 유사도 등으로 빠르게 최근접 검색하는 DB. Pinecone·Weaviate·Qdrant·pgvector·Redis 8 등.

LLM이 도구 호출·작업 분해·상태 유지를 통해 자율적으로 목표를 수행하는 시스템. 2026년 핫 키워드.

랜덤 시드 고정으로 재현 가능한 응답. 테스트·디버그.

2017년 Google이 발표한 "Attention is All You Need" 논문의 신경망 아키텍처. 현대 LLM의 기반.

큰 모델(teacher)의 출력을 작은 모델(student)이 따라 하도록 학습시켜 성능을 최대한 유지하며 크기를 줄이는 기법.

사전 학습된 모델을 자체 데이터로 추가 학습해 특정 도메인·스타일에 맞추는 기법.

LPU(Language Processing Unit) ASIC으로 초고속 LLM 추론. 토큰/초 1000+.

수십만 AI 모델·데이터셋·Spaces(앱) 호스팅 플랫폼. "AI의 GitHub".

LLM에게 원하는 출력을 끌어내기 위한 지시문 설계 기술. Few-shot·CoT·role prompting 등 패턴이 존재한다.

시퀀스 데이터에 재귀적으로 상태를 전달하는 신경망. Transformer에 밀린 역사적 모델.

Anthropic이 제안한 RAG 개선. 각 청크에 문서 맥락을 덧붙여 임베딩.

LLM이 사실이 아닌 내용을 그럴듯하게 생성하는 현상. RAG·툴 사용·체크 루프로 완화 가능.

Microsoft의 Gradient Boosting. XGBoost보다 빠르고 메모리 효율적.

AI 시스템이 인간 의도·가치에 부합하게 동작하도록 만드는 연구 분야.

시퀀스 내 토큰들이 서로를 참조하며 중요도(가중치)를 학습하는 메커니즘. Transformer의 핵심.

LLM이 한 번에 처리할 수 있는 최대 토큰 수. Claude Opus 4.7은 200K~1M, Gemini는 최대 2M.

OpenAI가 개발한 대규모 자기회귀 LLM 시리즈. GPT-3, 3.5, 4, 5.4로 이어지며 LLM 시대를 열었다.

학습된 모델이 새 입력에 대해 출력을 생성하는 과정. 학습(training)과 구분되는 운영 단계.

텍스트·이미지·음성·영상 등 여러 종류의 입력을 함께 처리하는 모델. GPT-4o, Claude Opus, Gemini가 대표적.

모델 가중치의 정밀도를 낮춰(예: 16bit → 4bit) 메모리·속도를 개선하는 기법. 로컬 LLM 구동의 핵심.

Anthropic이 2026년 4월 공개한 사이버보안 특화 LLM 클래스. 취약점 탐지·대규모 코드 분석·공격 체인 추론에 특화.

OpenAI·Anthropic을 Pydantic 모델로 응답 받는 Python 라이브러리.

Google이 2018년 공개한 양방향 Transformer 인코더. 분류·검색·임베딩에 강점, 현재도 NLP 백본으로 활약.

LLM이 최종 답 이전에 단계별 추론 과정을 명시적으로 서술하게 유도하는 프롬프트 기법. 수학·논리 문제에서 정확도를 크게 높인다.

Anthropic의 터미널 기반 AI 코딩 에이전트. 저장소 전체 리팩터링·테스트·PR 작성에 강점.