1. AI의 족보 (기초 개념)
① 인공지능 (AI, Artificial Intelligence)
정의: 인간의 지능(학습, 추론, 지각 등)을 기계로 구현한 모든 기술의 총칭입니다.
Analyst Note: 가장 큰 범위입니다. 룰(Rule) 기반의 단순 챗봇부터 최신 ChatGPT까지 모두 AI에 포함됩니다.
② 머신러닝 (ML, Machine Learning)
정의: AI의 하위 개념입니다. 기계에게 일일이 규칙을 입력하는 대신, 데이터를 주고 스스로 학습하게 하는 방식입니다.
비유: 아이에게 "이건 사과야"라고 사진을 계속 보여주며 가르치는 것과 같습니다.
③ 딥러닝 (Deep Learning)
정의: 머신러닝 중에서도 인간의 뇌 신경망(뉴런)을 모방한 '인공신경망'을 통해 아주 복잡한 데이터를 학습하는 기술입니다.
Analyst Note: 알파고나 지금의 ChatGPT를 가능하게 만든 핵심 기술입니다. 데이터가 많을수록 똑똑해집니다.
2. 생성형 AI 시대의 핵심 (트렌드)
④ LLM (Large Language Model, 거대언어모델)
정의: 엄청난 양의 텍스트 데이터를 학습하여 사람처럼 말을 이해하고 생성할 수 있는 AI 모델입니다. (예: GPT-4, Claude, HyperCLOVA X)
비유: 세상의 모든 책을 다 읽은 **'천재 사서'**와 같습니다.
Analyst Note: LLM은 기업의 '두뇌' 역할을 합니다. 어떤 LLM을 선택하느냐가 서비스의 질을 결정합니다.
⑤ 프롬프트 엔지니어링 (Prompt Engineering)
정의: AI에게 원하는 답을 얻어내기 위해 질문(지시어)을 최적화하는 기술입니다.
비유: 천재 알바생(AI)에게 **'업무 지시서'**를 얼마나 구체적으로 잘 써주느냐의 문제입니다.
Analyst Note: 같은 AI를 써도 프롬프트 역량에 따라 결과물의 퀄리티가 10배 이상 차이 납니다.
⑥ 할루시네이션 (Hallucination, 환각 현상)
정의: AI가 사실이 아닌 정보를 마치 사실인 것처럼 그럴듯하게 거짓말하는 현상입니다.
예시: "세종대왕의 맥북 던짐 사건에 대해 알려줘"라고 했을 때, 있지도 않은 사건을 지어내는 것.
Analyst Note: 비즈니스 도입 시 가장 큰 리스크입니다. 이를 통제하는 기술(RAG 등)이 매우 중요합니다.
3. 실무 도입 & 비용 관련 (심화)
기업이 AI를 도입하려 할 때 반드시 듣게 되는 용어입니다.
⑦ 파라미터 (Parameter, 매개변수)
정의: AI 모델 내부에서 정보 처리에 관여하는 변수들입니다. 보통 파라미터 수가 많을수록 성능이 좋지만, 비용도 비싸집니다.
비유: 뇌의 '시냅스(연결고리)' 개수라고 보면 됩니다.
Analyst Note: 무조건 파라미터가 큰 모델(Big)보다, 우리 사업에 딱 맞는 적정 크기(Small/Medium)의 모델을 찾는 것이 비용 효율화의 핵심입니다.
⑧ 토큰 (Token)
정의: LLM이 텍스트를 인식하는 기본 단위입니다. 보통 영어는 단어 하나가 1토큰, 한글은 글자 하나가 1~2토큰 정도입니다.
Analyst Note: 'AI 사용료'의 기준입니다. 질문과 답변의 길이가 길어질수록 토큰 소모가 많아져 비용이 증가합니다.
⑨ 파인 튜닝 (Fine-tuning, 미세 조정)
정의: 이미 똑똑한 AI 모델(기성품)에 우리 회사의 데이터를 추가로 학습시켜 **'맞춤형 모델'**로 개조하는 과정입니다.
비유: 백화점에서 산 정장을 내 몸에 딱 맞게 **'수선'**하는 과정입니다.
⑩ RAG (Retrieval-Augmented Generation, 검색 증강 생성)
정의: AI가 답변할 때, 학습된 지식만 쓰는 게 아니라 **외부의 신뢰할 수 있는 문서(사내 매뉴얼, 법령 등)**를 먼저 검색해서 참고하여 답변하게 하는 기술입니다.
비유: 시험 볼 때 머릿속 지식으로만 쓰는 게 아니라, **'오픈북 테스트'**로 교과서를 보면서 답을 쓰는 것과 같습니다.
Analyst Note: 할루시네이션을 줄이고 기업 내부 데이터를 안전하게 활용하는 가장 현실적인 대안입니다.
AI기술과 디지털시장을 연결하는 AI 비즈니스 와이에스엠경영컨설팅 윤수만 소장
