인코더-디코더(Encoder-Decoder)란? AI가 입력을 읽고 출력을 만드는 구조
인코더-디코더는 입력을 내부 표현으로 바꾸는 인코더와 그 표현을 원하는 출력으로 만드는 디코더를 연결한 AI 모델 구조입니다. 트랜스포머·오토인코더·디코딩 알고리즘과의 차이, 번역과 요약 예시, 실전 확인 사항을 쉽게 설명합니다.
CUDA란? AI가 NVIDIA GPU를 쓰게 하는 병렬 컴퓨팅 플랫폼
CUDA는 NVIDIA GPU로 범용 병렬 계산을 실행하도록 만든 컴퓨팅 플랫폼이자 프로그래밍 모델입니다. GPU·CUDA 코어·드라이버·CUDA Toolkit·cuDNN의 차이와 AI 개발에서 확인할 점을 쉽게 설명합니다.
베이스라인(Baseline)이란? AI 모델 성능을 비교하는 기준
베이스라인은 새 AI 모델이나 변경안이 실제로 나아졌는지 판단할 때 비교하는 기준 모델 또는 기준 성능입니다. 벤치마크·평가 지표·베이스 모델과의 차이, 쉬운 예시와 실전 점검법을 설명합니다.
지시 계층(Instruction Hierarchy)이란? AI가 명령의 우선순위를 정하는 원칙
지시 계층은 여러 출처의 명령이 충돌할 때 AI가 더 높은 권한과 신뢰 수준의 지시를 먼저 따르는 원칙입니다. 시스템·개발자·사용자·도구 메시지의 차이와 실전 점검법을 쉽게 설명합니다.
능동 학습(Active Learning)이란? AI가 먼저 라벨링할 데이터를 고르는 방법
능동 학습은 모델이 학습에 도움이 될 미라벨 데이터를 골라 사람에게 라벨을 요청하고, 그 결과로 다시 학습하는 방식입니다. 데이터 라벨링·지도학습·반지도학습과의 차이, 쉬운 예시와 운영 주의점을 설명합니다.
AI 강건성(Robustness)이란? 예상 밖 입력에도 성능을 지키는 능력
AI 강건성은 입력과 사용 환경이 달라져도 허용 가능한 성능을 유지하고 예상 밖 상황에서 피해를 줄이는 능력입니다. 정확도·일반화·회복탄력성·보안과의 차이, 쉬운 예시와 점검법을 설명합니다.
배치 크기(Batch Size)란? AI가 한 번에 학습하는 데이터 묶음
배치 크기는 AI 모델이 가중치를 한 번 업데이트하기 전에 처리하는 학습 사례의 수입니다. 에폭·스텝·학습률·기울기 누적과의 차이, 메모리와 학습 속도에 미치는 영향을 쉽게 설명합니다.
피처 엔지니어링(Feature Engineering)이란? AI가 원시 데이터를 학습 신호로 바꾸는 과정
피처 엔지니어링은 원시 데이터에서 모델 학습에 도움이 될 특징을 고르고, 만들고, 변환하는 과정입니다. 특징·전처리·특징 추출·Feature Store와의 차이, 쉬운 예시와 실전 주의점을 설명합니다.
로짓(Logit)이란? AI가 확률로 바꾸기 전 만드는 원시 점수
로짓은 AI 분류 모델이나 언어 모델이 확률로 바꾸기 전에 내놓는 정규화되지 않은 원시 점수입니다. 확률·소프트맥스·로그프로브와의 차이, 쉬운 예시와 실전 주의점을 설명합니다.
MLOps란? AI 모델을 개발·배포·모니터링하는 운영 방식
MLOps는 머신러닝 모델을 실험에서 끝내지 않고 개발·검증·배포·모니터링·개선까지 반복 가능하게 운영하는 방식입니다. DevOps·ML 파이프라인·LLMOps와의 차이를 쉽게 설명합니다.
