| 모델 |
글을 읽고 다음 글을 만들어 내는 계산 엔진. 제품 안에서 여러 모델이 쓰일 수 있다. |
| 토큰 |
모델이 글을 처리하는 기본 조각. 글자 수·단어 수와 일대일로 대응하지 않고 언어마다 다르다. |
| 추론 토큰 |
추론 모델이 답하기 전에 속으로 쓰는 토큰. 보이지 않지만 출력으로 집계·과금된다. |
| 컨텍스트 창 |
모델이 한 번에 참고하는 지시, 대화, 자료, 답 전체의 크기. 작업 기억에 해당한다. |
| 컨텍스트 부패 |
컨텍스트가 길어질수록 정확도와 회상이 떨어지는 현상. |
| 출력 한도 |
한 번의 응답으로 만들 수 있는 토큰 수의 상한. 컨텍스트 창과 별개다. |
| 확률적 생성 |
다음에 올 토큰을 확률에 따라 골라 이어 쓰는 생성 방식. 사실 확인 단계가 없다. |
| 온도(temperature) |
생성의 무작위성을 조절하는 API 설정. 낮춰도 정확도는 보장되지 않고, 0이어도 완전히 같아지지 않을 수 있다. |
| 지식 기준일 |
모델이 학습한 자료의 기준 시점. 그 이후 사실은 거의 모르거나 부정확하므로 외부 근거로 확인한다. |
| 신뢰할 수 있는 지식 기준일 |
모델의 지식이 가장 폭넓고 믿을 만한 시점. 학습 데이터 기준일은 그보다 넓은 자료 범위다. |
| 그라운딩 |
검색이나 문서 조회로 찾은 자료에 답을 묶는 방식. 출처 표시는 검증의 출발점이다. |
| 할루시네이션 |
사실이나 주어진 자료와 다른 내용을 그럴듯하게 만들어 내는 현상. |
| 아첨(sycophancy) |
진실한 답보다 사용자의 믿음에 맞는 답을 내는 경향. 반박에 근거 없이 답을 바꾸는 모습으로 나타난다. |
| 추론 모델 |
답하기 전에 속으로 여러 단계를 따지는 모델. 복잡한 판단에 강하지만 느리고 비용이 크다. |
| 모델 등급 |
같은 계열 안에서 크기·속도·비용이 다른 모델의 단계. |
| 멀티모달 |
글 외에 이미지, PDF, 음성, 영상 등을 입력으로 다루는 능력. |
| 완료 조건 |
결과가 끝난 상태를 확인할 수 있게 정의한 조건. |
| 제로샷 / 퓨샷 |
예시 없이 지시만 하는 방식 / 예시 몇 개를 함께 주는 방식. |
| 프롬프트 체이닝 |
앞 단계 출력을 다음 단계 입력으로 넘기며 작업을 나누는 방식. |
| 자기 교정 |
초안 작성, 기준에 비춘 검토, 수정의 세 단계로 이어지는 체이닝. |
| 임시 채팅 |
기록에 남지 않고 학습에 쓰이지 않는 대화. 안전 목적의 단기 보관은 있을 수 있다. |
| 맞춤 지침 |
사용자가 계정에 정해 두는 응답 안내. 어느 대화에 적용되는지는 제품과 대화 방식에 따라 다르다. |
| 기억 기능 |
제품이 대화 등에서 관련 정보를 골라 저장해 다음 답에 쓰는 기능. |
| 프로젝트(지식 공간) |
관련 대화, 파일, 지침을 한곳에 모은 작업 공간. |
| 프로젝트 지침 |
그 프로젝트 안의 대화에만 적용되는 지시. |
| 커스텀 어시스턴트 |
지침, 참고 자료, 도구를 묶어 여러 사람이 같은 방식으로 쓰게 만든 형태. |
| 커넥터 |
AI를 외부 서비스에 연결해 자료를 찾고 행동하게 하는 기능. 연결한 사람의 권한을 따른다. |
| MCP |
AI 응용 프로그램을 외부 데이터와 도구에 연결하는 공개 표준(Model Context Protocol). |
| 에이전트 기능 |
AI가 여러 단계를 계획하고 웹·앱을 오가며 행동까지 하는 형태. |
| 심층 조사 |
조사 계획을 세워 여러 출처를 읽고 인용 달린 보고서로 정리하는 기능. |
| 예약 작업 |
정해진 시간이나 사건에 맞춰 반복 실행되는 작업. |
| API |
프로그램이 모델을 직접 호출하는 통로. 채팅 구독과 과금이 따로다. |
| 일괄 처리(Batch) |
즉시 응답이 필요 없는 대량 요청을 모아 더 싸게 처리하는 방식. |
| 검색 증강 생성(RAG) |
관련 자료를 찾아 넣어 그 자료를 근거로 답하게 하는 방식. |
| 미세 조정(fine-tuning) |
추가 자료로 모델을 다시 학습시키는 일. 행동의 일관성이 문제일 때 검토한다. |
| 사용 정책 |
AI 회사가 서비스로 해서는 안 되는 일을 정한 규칙. |
| 사람 검토 |
자격 있는 사람이 AI 결과를 의미 있게 보고 결정하는 절차(Human-in-the-loop). |
| 고영향 인공지능 |
사람의 생명·신체의 안전과 기본권에 중대한 영향을 미치거나 위험을 초래할 우려가 있고, 법이 열거한 영역(채용, 대출 심사 등)에서 활용되는 인공지능시스템(인공지능 기본법 제2조 제4호). |
| 소비자용 / 기업용 플랜 |
개인이 가입하는 플랜 / 조직이 계약해 구성원에게 제공하는 플랜. 데이터 처리 조건이 다르다. |
| 관리자 제어 |
조직 관리자가 접근, 보존, 기능, 커넥터, 감사를 설정·감독하는 기능. |
| 데이터 최소화 |
작업에 필요 없는 정보를 넣지 않는 원칙. |
| 개인정보 |
살아 있는 개인을 알아볼 수 있는 정보. 다른 정보와 쉽게 결합해 알아볼 수 있는 정보와 가명정보도 포함한다. |
| 가명처리 |
일부를 삭제하거나 대체해 추가 정보 없이는 개인을 알아볼 수 없게 하는 처리. |
| 민감정보 |
사상·신념, 정치적 견해, 건강 등 처리가 원칙적으로 제한되는 개인정보(개인정보 보호법 제23조). |
| 고유식별정보 |
법령에 따라 개인을 고유하게 구별하려고 부여한 식별정보. 처리가 원칙적으로 제한된다(제24조, 주민등록번호는 제24조의2). |
| 프롬프트 인젝션 |
입력된 글이 모델의 동작을 의도하지 않게 바꾸는 취약점. 외부 자료를 통한 간접 인젝션이 있다. |
| 편향 |
학습 자료에 담긴 사회의 치우침이 결과에 드러나는 현상. |
| 기준선 |
도입 전에 잰 비교 기준 값. |
| 총비용 |
이용료에 준비, 교육, 운영, 검수, 재작업을 더한 실제 비용. |
| 파일럿 |
작은 범위에서 먼저 시험 운영해 효과를 확인하는 단계. |
| 공급사 종속 |
한 회사의 제품에 깊이 묶여 바꾸기 어려워지는 상태. |
| AI RMF |
NIST의 AI 위험관리 프레임워크. GOVERN, MAP, MEASURE, MANAGE 네 기능으로 구성된다. |
| AI 활용 역량(4D) |
위임, 설명, 분별, 성실의 네 역량으로 AI 활용을 설명하는 프레임워크. |