[테크수다 - AI] 매킨지가 정리한 AI 용어 설명
API : (애플리케이션 프로그래밍 인터페이스)는 프로그래밍 방식으로 (일반적으로 외부) 모델, 데이터 세트 또는 기타 소프트웨어에 액세스하는 방법입니다.
Artficial intelligence : 인공 지능(AI)은 전통적으로 인간의 지능이 필요한 작업을 수행하는 소프트웨어의 능력입니다.
Deep learning : 딥 러닝은 학습할 수 있는 매개변수나 가중치가 있는 연결된 '뉴런'의 계층인 심층 신경망을 사용하는 머신 러닝의 하위 집합입니다. 특히 이미지, 텍스트, 오디오와 같은 비정형 데이터에서 학습하는 데 효과적입니다.
Fine-tuning : 미세 조정은 특정 작업에서 더 나은 성능을 발휘하도록 사전 학습된 기초 모델을 조정하는 프로세스입니다. 여기에는 모델이 처음에 학습된 데이터 세트보다 훨씬 작은 레이블이 지정된 데이터 세트에 대한 비교적 짧은 기간의 학습이 수반됩니다. 이러한 추가 훈련을 통해 모델은 더 작은 데이터 세트에서 발견되는 뉘앙스, 용어 및 특정 패턴을 학습하고 이에 적응할 수 있습니다.
Foundation models : 기초 모델(FM)은 방대한 양의 비정형, 레이블이 없는 데이터에 대해 학습된 딥러닝 모델로, 다양한 작업에 즉시 사용하거나 미세 조정을 통해 특정 작업에 맞게 조정할 수 있습니다. 이러한 모델의 예로는 GPT-4, PaLM, DALL-E 2, Stable Diffusion 등이 있습니다.
Generative AI : 생성형 AI는 일반적으로 기초 모델을 사용하여 구축되는 AI로, 콘텐츠 생성 기능과 같이 이전 AI에는 없던 기능을 갖추고 있습니다. 기초 모델은 비제너레이티브 목적(예: 통화 기록을 기반으로 사용자 정서를 부정 또는 긍정으로 분류)에도 사용할 수 있으며, 이전 모델에 비해 상당한 개선을 제공합니다. 이 글에서 제너레이티브 AI를 언급할 때는 모든 기초 모델 사용 사례를 포함합니다.
Graphics processing units : 그래픽 처리 장치(GPU)는 원래 컴퓨터 그래픽(예: 비디오 게임용)을 제작하기 위해 개발된 컴퓨터 칩으로 딥 러닝 애플리케이션에도 유용합니다. 이와 대조적으로, 기존의 머신 러닝 및 기타 분석은 일반적으로 컴퓨터의 "프로세서"라고 하는 중앙 처리 장치(CPU)에서 실행됩니다.
Large language models : 대규모 언어 모델(LLM)은 방대한 양의 비정형 텍스트를 처리하고 토큰이라고 하는 단어 또는 단어의 일부분 간의 관계를 학습할 수 있는 기초 모델 클래스를 구성합니다. 이를 통해 LLM은 자연어 텍스트를 생성하여 요약 또는 지식 추출과 같은 작업을 수행할 수 있습니다. ChatGPT의 기반이 되는 GPT-4와 Bard의 기반이 되는 모델인 LaMDA가 LLM의 예입니다.
Machine learning : 머신 러닝(ML)은 모델이 많은 예제 데이터 포인트를 학습하거나 보여줌으로써 기능을 습득하는 AI의 하위 집합입니다. 머신 러닝 알고리즘은 명시적인 프로그래밍 지시를 받지 않고 데이터와 경험을 처리하여 패턴을 감지하고 예측과 추천을 하는 방법을 학습합니다. 또한 알고리즘은 새로운 데이터와 경험에 대응하여 적응하고 더 효과적이 될 수 있습니다.
MLOps : AI와 ML을 확장하고 유지하기 위한 엔지니어링 패턴과 관행을 말합니다. 이는 전체 ML 수명 주기(데이터 관리, 개발, 배포 및 라이브 운영)에 걸친 일련의 관행을 포괄합니다. 이러한 관행 중 다수는 이제 지원 소프트웨어(작업을 표준화, 간소화 또는 자동화하는 데 도움이 되는 도구)를 통해 활성화되거나 최적화됩니다.
Prompt engineering : 프롬프트 엔지니어링은 입력 프롬프트를 설계, 개선 및 최적화하여 제너레이티브 AI 모델이 원하는(즉, 정확한) 출력을 생성하도록 안내하는 프로세스를 말합니다.
Structured data : 구조화된 데이터는 일부 머신 러닝 모델을 효과적으로 학습시키는 데 사용할 수 있는 표 형식의 데이터(예: 테이블, 데이터베이스 또는 스프레드시트로 구성된 데이터)입니다.
Unstructured data : 비정형 데이터는 일관된 형식이나 구조가 없으며(예: 텍스트, 이미지, 오디오 파일) 일반적으로 인사이트를 추출하기 위해 더 고급 기술이 필요합니다.
