교육자를 위한 인공지능 용어집

작성자: Pati Ruiz & Judi FUsco
출처: CIRCLS
마지막 업데이트: 2024.3.31.

• 인공지능(Artificial Intelligence: AI)
  AI는 컴퓨터 과학의 한 분야이다. AI 시스템은 하드웨어, 알고리즘, 데이터를 활용해 ‘지능(intelligence)’을 만들어내며, 이를 통해 의사결정을 내리거나 패턴을 발견하거나 어떤 행동을 수행한다. AI는 포괄적인 개념이며, 이 분야에서는 더 구체적인 용어들도 사용된다. AI 시스템은 보통 두 가지 주요 방식으로 개발된다.
  1) 사람이 규칙을 제공하는 규칙 기반 시스템
  2) 머신러닝 알고리즘을 사용하는 방식
  최근의 많은 AI 시스템은 머신러닝을 기반으로 한다(‘머신러닝’ 용어 정의 참고).

• 알고리즘(Algorithm)
  알고리즘은 AI 시스템의 ‘두뇌(brains)’로, 시스템의 행동을 결정하는 규칙이다. 머신러닝 알고리즘은 스스로 규칙을 발견할 수도 있고, 사람이 직접 정한 규칙(규칙 기반)일 수도 있다.

• 범용 인공지능(Artificial General Intelligence, AGI)
  AGI는 아직 실현되지 않았으며, 인간처럼 학습하고 이해하며 어떤 문제든 해결할 수 있는 AI를 의미한다.

• 좁은 인공지능(Artificial Narrow Intelligence, ANI)
  AI가 특정한 문제만 해결할 수 있는 경우를 뜻한다. 예: 스마트폰의 얼굴 인식 기능은 특정인의 사진을 찾아낼 수 있지만, 소리는 인식하지 못한다.

• 생성형 AI(Generative AI, GenAI)
  머신러닝의 한 종류로, 텍스트, 이미지, 음악, 영상 등을 생성하거나 2D 입력으로부터 3D 모델을 만들어낸다. ChatGPT는 생성형 AI의 대표적인 예이다.

• ChatGPT 모델(Chat-based generative pre-trained transformer models)
  이 모델은 자연어처리에 적합한 신경망(Transformer) 기반으로 구성된다.
  1) 질문에 응답을 생성할 수 있으며(Generative),
  2) 웹상의 방대한 텍스트를 미리 학습했으며(Pre-trained),
  3) 문장을 독특하게 처리할 수 있는 구조이다(Transformer).
  a. 트랜스포머 모델(Transformer Models)
  생성형 AI에서 사용하는 언어 모델로, 신경망이며 딥러닝 모델의 일종이다. 입력과 출력의 중요한 부분을 판단하기 위해 ‘자기 주의 메커니즘(self-attention)’을 사용한다.
  b. 자기 주의 메커니즘(Self-attention Mechanism)
  시스템이 입력에서 중요한 부분에 집중하도록 도와주는 방식이다. 인간이 주의를 집중하는 방식에서 영감을 얻었다.
  c. 대규모 언어 모델(LLMs)
  생성형 AI의 기반이 되는 언어 모델로, OpenAI의 GPT, Meta의 LLaMA, xAI의 Grok, Google의 PaLM, Gemini 등이 있다. 단어들의 출현 확률을 학습해 다음 단어를 예측하는 방식이며, 방대한 텍스트로 사전 학습된 기반 모델이다. 일부는 저작자의 동의 없이 데이터를 포함하기도 한다.

• 컴퓨터 비전(Computer Vision)
  컴퓨터가 시각 정보를 인식하고 이해하도록 만드는 기술이다. 물체, 장면, 동작 등을 인식하며 머신러닝을 활용한다.

• 비판적 AI(Critical AI)
  AI를 성찰적이고 비판적인 시각에서 바라보며, 기존 구조나 역사적 맥락을 비판적으로 분석하는 접근이다.

• 데이터(Data)
  사람이나 사물에 관한 정보를 나타내며 AI 기술에 사용된다.

• 학습 데이터(Training Data)
  알고리즘을 훈련시키는 데 사용되는 데이터로, 과거에 인간이 생성한 데이터를 포함한다. 데이터에 편향이 포함될 경우, AI도 그 편향을 학습할 수 있다. 기계가 공정하다고 생각하는 것은 위험할 수 있다.

• 기반 모델(Foundation Models)
  다른 모델을 개발할 때 기반이 되는 방대한 데이터와 모델이다. 예: 생성형 AI는 LLM 기반 모델을 사용한다. 데이터의 출처에 따라 신뢰성과 편향 문제가 발생할 수 있다.

• 인간 중심 관점(Human-centered Perspective)
  AI는 인간을 돕고 인간의 역량을 강화하는 도구로서 활용되어야 하며, 교육에서는 교사가 중심이 되어야 한다.

• 지능 증강(Intelligence Augmentation: IA)
  AI를 통해 인간의 작업을 돕고 반복 작업을 자동화하여 교사가 더 인간적인 활동에 집중할 수 있게 한다. 단, AI가 사람을 대체하지 않도록 설계되어야 한다.

• 지능형 튜터 시스템(Intelligent Tutoring Systems: ITS)
  학생에게 즉각적이고 맞춤형 피드백을 제공하는 시스템이다. 규칙 기반 AI 또는 머신러닝 기반으로 설계된다.
  1) 적응형 학습(Adaptive Learning)
  학습자의 반응에 따라 콘텐츠의 난이도, 순서, 속도 등이 조절되는 학습 방식이다.

• 해석 가능한 머신러닝(Interpretable Machine Learning: IML)
  결정 과정을 사람이 이해할 수 있도록 설명 자체를 포함하는 모델을 설계하는 접근이다. 사후 설명보다는 처음부터 이해 가능한 모델이 바람직하다.
  1) 블랙박스(Black Boxes)
  내부 작동 원리를 알 수 없는 시스템을 말한다. 머신러닝 알고리즘은 종종 블랙박스처럼 작동하여 어떻게 결정을 내리는지 알기 어렵다.

• 머신러닝(Machine Learning, ML)
  AI 시스템을 위한 알고리즘을 개발하는 분야이다. 사람이 규칙을 정하지 않아도 알고리즘이 데이터에서 패턴을 발견해 모델을 만든다. 하지만 과거 데이터를 기반으로 하기 때문에 기존의 편향을 학습할 수 있으며, 알고리즘이 어떤 결정을 어떻게 내렸는지 사람이 이해하기 어려울 수 있다.
  1) 신경망(Neural Networks, NN)
  인간 뇌의 뉴런과 시냅스 구조에서 영감을 얻은 머신러닝 알고리즘이다. 입력층 → 은닉층 → 출력층으로 구성되며, 각 노드 간 연결 강도를 조절하며 학습한다.
  
  2) 딥러닝(Deep Learning)
  신경망 중에서도 은닉층이 여러 개인 모델로, 복잡하고 미묘한 패턴을 인식할 수 있다. 많은 계산을 필요로 하며, 결정 과정을 사람이 해석하기 어렵다.

• 자연어 처리(Natural Language Processing, NLP)
  언어의 구조, 문법, 의미를 이해하고 처리하는 기술로, AI와 언어학, 컴퓨터 과학이 결합된 분야이다. 음성 텍스트 변환, 자동 문법 교정, 요약, 챗봇 등에 활용된다.

• 로봇(Robots) 및 봇(Bots)
  로봇은 실제 물리적 작업을 수행하는 기계이며, 봇은 소프트웨어 환경에서 작업을 수행하는 프로그램이다. 둘 다 AI를 포함할 수 있지만 반드시 AI가 포함된 것은 아니다.

• 사용자 경험/UI 디자인(User Experience Design/User Interface Design: UX/UI)
  사용자가 제품과 상호작용하는 전반적인 경험을 설계하는 분야로, AI에만 국한되지 않는다.

• 설명 가능한 머신러닝(Explainable Machine Learning : XML) 또는 설명 가능한 AI(Explainable AI: XAI)
  AI 알고리즘의 결과를 사람이 이해할 수 있도록 설명해주는 방법론이다. 블랙박스 모델의 내부를 설명하기 위해 또 다른 알고리즘을 사용하는 경우가 많다. 하지만 이 설명이 실제로 정확한지는 보장할 수 없어, 해석 가능한 모델이 더 권장된다.