쉽게 이해하는 알아두면 좋은 최신 AI 용어 50선 입문용(2025년 기준)

728x90

안녕하세요~
인공지능(AI)이 우리 생활 속에 깊이 들어오면서, 관련 용어들도 자주 등장하고 있습니다.
아래는 초등학교 고학년이나 AI 비전문 일반인도 이해할 수 있도록 쉽게 풀어쓴 AI 핵심 용어 50가지입니다.
각 용어의 영문 원어와 한글 표현을 함께 소개하고, 가능한 한 친근한 예시나 비유를 덧붙였습니다.
가족이나 지인에게 설명할 때 활용해 보세요.
정확한 정보 전달을 위해 신뢰할 만한 출처도 함께 참고했습니다.

Artificial Intelligence (AI, 인공지능): "인공지능”은 인간의 생각이나 학습 능력을 컴퓨터가 흉내 내도록 만든 기술을 말합니다zendesk.com. 예를 들어, 사람처럼 말을 알아듣고 대답하는 스마트폰의 음성 비서나 스스로 물체를 인식하는 자율주행차의 두뇌가 인공지능이에요. 한마디로 컴퓨터를 똑똑하게 만들어서 문제를 풀거나 결정 내리게 하는 기술이지요.
Artificial Narrow Intelligence (ANI, 약한 인공지능): “약한 인공지능”은 한 가지 좁은 분야의 업무만 잘하도록 설계된 AI를 뜻합니다 zendesk.com. 예를 들어 체스 전용 AI는 체스는 천재적으로 두지만 다른 일은 못하고, 스마트 스피커의 AI는 음악 재생이나 날씨 답변처럼 정해진 기능만 잘합니다.
인간처럼 뭐든지 다 하는 게 아니라, 특정 업무에 특화된 똑똑한 도구라고 볼 수 있어요.
Artificial General Intelligence (AGI, 범용 인공지능): “범용 인공지능”은 사람처럼 거의 모든 지적 업무를 스스로 수행할 수 있는 가상의 AI를 말합니다 zendesk.com. 지금의 AI와 달리 어떤 일이든 배워서 척척 해낼 수 있는 수준이라서, 이를테면 사람 직장동료처럼 함께 일할 수 있는 AI를 상상해 볼 수 있습니다 techcrunch.com. 아직 이런 AGI는 존재하지 않지만, AI 연구자들이 궁극적으로 도달하고자 하는 꿈같은 목표이지요.
Artificial Superintelligence (ASI, 인공지능 초지능): “인공지능 초지능”은 인간의 모든 지능 수준을 훨씬 넘어서는 가상의 AI를 뜻합니다zendesk.com. 말 그대로 인간 천재들도 따라갈 수 없는 압도적으로 똑똑한 AI예요.
아직은 상상의 영역이지만, ASI가 등장하면 인간 사회 전반에 엄청난 변화와 함께 윤리적 문제도 생길 수 있다고들 이야기합니다. 영화 속 AI가 인간을 능가하는 모습이 ASI의 한 예라고 할 수 있습니다.
Machine Learning (머신러닝, 기계 학습): “기계 학습”은 컴퓨터가 사람처럼 데이터를 통해 학습하도록 만드는 기술입니다zendesk.com. 프로그래머가 일일이 규칙을 가르치지 않아도, 컴퓨터가 많은 예제를 스스로 분석하면서 패턴을 익히고 실력을 높이는 방식이지요.
예를 들어, 개와 고양이 사진을 잔뜩 보여주면 컴퓨터는 사진의 특징을 스스로 터득해 나중에는 처음 보는 사진도 개와 고양이를 구분하게 됩니다. 사람이 문제집으로 공부하듯 AI도 데이터로 공부하는 셈입니다.
Deep Learning (딥러닝, 심층 학습): “딥러닝”은 기계 학습의 한 종류로, 뇌신경을 본뜬 다층 구조의 인공 신경망을 활용해 스스로 복잡한 패턴을 학습하는 기술입니다 techcrunch.com. 층이 많은 신경망 덕분에 컴퓨터가 데이터 속 숨은 특징까지 잡아내며 학습할 수 있어요.
사람 뇌의 뉴런이 층층이 연결돼 일을 처리하는 것에 착안해 만든 것이기 때문에 이런 이름이 붙었죠 techcrunch.com. 딥러닝은 방대한 데이터가 필요하지만, 충분한 데이터를 주면 사진에서 사람 얼굴을 찾아내거나 음성을 듣고도 내용을 이해하는 등 놀라운 성능을 보여줍니다.
Neural Network (인공 신경망): “인공 신경망”은 딥러닝을 구현하는 다층 구조의 알고리즘 모델로, 우리 뇌의 뉴런 연결을 모방한 것입니다 techcrunch.com. 작은 계산 단위(뉴런)들이 서로 연결된 거미줄 같은 형태로 구성되어 있어요.
이 계층적인 구조 덕분에 간단한 특징부터 복잡한 개념까지 차곡차곡 학습할 수 있습니다. 예를 들어, 첫 번째 층은 이미지의 선과 모양을 인식하고, 다음 층은 인식된 선들을 종합해 얼굴이나 물체를 구분하는 식이지요.
인공 신경망의 발전에는 그래픽 처리 장치(GPU)의 역할이 컸는데, 덕분에 예전보다 훨씬 깊은(다층의) 신경망을 돌려서 지금의 딥러닝 혁신이 가능해졌습니다 techcrunch.com.
Training (훈련): “훈련”은 AI 모델에게 예시 데이터를 반복적으로 보여주며 학습시키는 과정을 말합니다 techcrunch.com. 모델은 훈련 데이터를 보면서 패턴을 익히고 정답에 가까운 출력이 나오도록 내부 매개변수(가중치)를 조금씩 조정해요. 마치 학생이 문제를 많이 풀어보면서 실력을 기르는 것과 비슷합니다.
예를 들어 사진 수천 장과 그에 대한 설명을 AI에게 제시하면, AI는 훈련을 통해 사진을 보고도 설명을 할 수 있게 됩니다.
잘 훈련된 AI일수록 새 문제(데이터)도 더 잘 풀게 되는 것이지요.
Inference (인퍼런스, 추론): “추론”은 훈련된 AI 모델을 실제로 사용하여 새로운 입력에 대한 결과를 예측하거나 판단을 내리는 과정입니다 zendesk.com. 쉽게 말해, 공부를 마친 AI가 시험 문제를 푸는 단계라고 생각하면 됩니다.
예를 들어, 사진을 인식하도록 훈련된 모델에 처음 보는 고양이 사진을 입력하면 “이건 고양이다”라고 알아맞히는 실행 과정이 추론입니다.
추론은 스마트폰 같은 작은 기기부터 클라우드 서버의 강력한 컴퓨터까지 다양한 환경에서 이뤄지며, 모델을 활용하는 실전 단계에 해당합니다.
Supervised Learning (지도 학습): “지도 학습”은 정답이 달린 데이터(라벨이 있는 데이터)를 사용해 AI를 훈련하는 방법입니다 zendesk.com. 가령 고양이 사진에는 “고양이”라고, 강아지 사진에는 “강아지”라고 **정답 표찰(레이블)**을 붙여서 모델에 보여주는 식이죠.
AI는 입력(사진)과 정답(종류)을 짝지은 데이터를 보면서 “이런 특징의 사진은 고양이구나” 하고 배웁니다.
마치 문제집 뒤에 있는 해설을 보며 공부하는 셈이에요. 지도 학습으로 훈련된 모델은 새로운 데이터에 대해서도 배운 대로 정답에 가까운 예측을 내놓게 됩니다.
Unsupervised Learning (비지도 학습): “비지도 학습”은 정답(레이블)이 없는 데이터로 AI가 스스로 구조나 패턴을 발견하도록 훈련하는 방법입니다 zendesk.com. 아무 표시도 없는 방대한 데이터를 AI에게 보여주면, AI는 데이터 속에서 스스로 규칙성을 찾아내거나 비슷한 것끼리 묶는 식으로 학습합니다.
예를 들어 정답 없이 여러 사람들의 소비 데이터를 비지도 학습시키면, AI가 스스로 고객들을 몇 가지 그룹으로 분류해 낼 수 있어요.
이처럼 사람이 정답을 알려주지 않아도 숨어 있는 특징을 발견하는 것이 비지도 학습이며, 새로운 지식을 발굴하거나 데이터 분포를 이해하는 데 유용합니다.
Reinforcement Learning (강화 학습): “강화 학습”은 AI에게 행동에 따른 보상과 벌점을 주며 학습시키는 방법입니다 zendesk.com. 마치 강아지에게 잘하면 간식, 못하면 훈계하는 훈련과 비슷하지요. AI **에이전트(Agent)**가 어떤 환경에서 행동을 취하면, 잘한 행동에는 보상을 주고 잘못된 행동에는 페널티를 주는 식입니다.
그러면 에이전트는 보상을 최대화하도록 스스로 전략을 개선해 나갑니다. 예를 들어, 게임 AI에게 이기면 +1점, 지면 -1점을 주면, AI는 많이 이기도록 전략을 계속 수정하며 배우게 되는 것입니다. 이렇게 시행착오를 통해 학습하는 강화 학습은 알파고처럼 게임이나 로봇 제어 등에서도 큰 성과를 보였습니다.
Transfer Learning (전이 학습): “전이 학습”은 한 번 훈련된 AI 모델의 지식을 다른 유사한 과제에 응용하는 기법입니다 techcrunch.com. 즉, 이미 배운 모델을 새로운 작업에 재사용하는 거예요.
예를 들어, 방대한 영어 문서를 읽고 언어 감각을 익힌 모델을 기반으로 약간만 추가 학습하면 다른 언어로도 금세 적응할 수 있습니다. 또는 사진 인식에 능한 모델에 의료 영상을 조금 더 학습시키면 엑스레이 사진 판독 같은 특정 작업도 빠르게 배울 수 있지요.
전이 학습을 쓰면 처음부터 모두 학습시키는 것보다 적은 데이터로도 좋은 성능을 얻을 수 있습니다 techcrunch.com. 단, 완전히 다른 분야로 지식을 옮기려면 추가 훈련이 많이 필요할 수도 있어요techcrunch.com.
Fine-tuning (파인튜닝, 미세 조정): “파인튜닝”은 이미 충분히 학습된 AI 모델에 추가 데이터나 훈련을 조금 더 시켜 특정 업무 성능을 최적화하는 과정입니다 techcrunch.com. 큰 범용 모델이 기본적으로 가지고 있는 능력을, 특정 분야에 맞게 세부적으로 다듬는 작업이라고 볼 수 있어요.
예를 들어, 일반 상식에 능한 대형 언어 모델에 의료 관련 문서들을 추가로 학습시키면 의학 질문에 특화된 AI가 되는 식입니다. 파인튜닝을 통해 한 분야에 대한 모델의 정확도를 끌어올리거나 사용자 필요에 맞게 개선할 수 있습니다. 많은 스타트업들이 공개된 대형 모델을 가져와 자신들의 데이터로 파인튜닝함으로써 특정 산업에 맞는 똑똑한 AI 서비스를 만들어내고 있죠 techcrunch.com.
Knowledge Distillation (지식 증류): “지식 증류”는 성능이 뛰어난 큰 교사 모델의 지식을 작은 학생 모델에 압축해서 전수하는 기술입니다 wikidocs.net. 큰 모델로 한 번 결과를 만들어보고(교사 역할), 그 결과를 토대로 작은 모델을 다시 학습시키는 방식이에요. 이렇게 하면 규모가 작은 모델도 큰 모델에 버금가는 실력을 갖추게 되지만, 계산 자원은 훨씬 덜 소모됩니다 wikidocs.net. 비유하자면, 전교 1등 선배의 풀이법을 후배가 배우는 것과 같습니다.
지식 증류를 활용하면 AI 모델을 경량화할 수 있어서, 챗GPT 같은 대형 모델도 작은 기기에서 빨리 돌릴 수 있게 만드는 등 실용성이 높아져요 wikidocs.net.
Overfitting (오버피팅, 과적합): “과적합”은 AI 모델이 훈련 데이터에만 지나치게 맞춰져서 새로운 데이터에 실수를 범하는 현상을 말합니다. 마치 학생이 기출문제 답만 외워서 비슷한 문제는 잘 풀지만 조금만 변형된 문제는 틀리는 경우와 비슷해요. 예를 들어, 이미지 분류 AI를 훈련시킬 때 특정 배경에서 찍힌 고양이 사진만 보여줬다면, 그 배경과 다르면 고양이를 잘 못 알아보게 될 수 있습니다.
과적합을 방지하려면 다양한 데이터를 보여주고, 필요하면 일부러 데이터에 노이즈를 추가하는 등의 방법을 씁니다.
요컨대, 과적합된 모델은 훈련 때는 뛰어났지만 실전 응용에서는 실수할 가능성이 높아 조심해야 합니다.
Underfitting (언더피팅, 과소적합): **“과소적합”**은 과적합과 반대되는 개념으로, **모델이 훈련 데이터를 충분히 학습하지 못해 기본적인 패턴조차 제대로 캐치하지 못하는 상태를 말합니다. 쉽게 말해 공부가 덜 된 상태예요. 이 경우 훈련 데이터에서도 성능이 낮고 새로운 데이터에서도 당연히 잘 못 맞힙니다. 예를 들어, 초등학생 수준 산수 문제도 다 못 풀 정도로 AI 모델이 충분히 학습을 못 했다면 과소적합이라 할 수 있어요. 이런 모델은 너무 단순한 구조이거나 학습 횟수가 부족해서 데이터를 제대로 이해하지 못한 것이므로, 모델 복잡도를 높이거나 학습을 더 시켜서 개선할 수 있습니다.
Generative AI (생성형 AI): “생성형 AI”는 주어진 프롬프트(질문이나 지시)에 따라 텍스트, 이미지, 음성 등 새로운 콘텐츠를 만들어내는 AI 시스템을 말합니다 ko.wikipedia.org.
기존의 AI가 주로 분류하거나 예측하는 데 쓰였다면, 생성형 AI는 창작자처럼 무에서 유를 만들어내는 역할을 하죠. 예를 들어, ChatGPT는 질문을 받으면 사전에 학습한 내용 바탕으로 새로운 문장을 생성해서 답변해 주고, 미술 생성 AI는 그림 스타일을 학습한 뒤 새로운 그림을 그려냅니다.
생성형 AI는 광대한 데이터를 학습해 얻은 패턴을 바탕으로 그럴듯한 결과물을 만들어내는 것이 특징인데 ko.wikipedia.org, 덕분에 글쓰기, 그림, 작곡, 코딩 등 창의적인 분야에서도 활용되는 추세예요. 동시에, 가짜뉴스나 딥페이크 생성 등 악용 가능성에 대한 우려도 있어 생성형 AI의 안전한 활용이 중요한 과제로 떠오르고 있습니다 ko.wikipedia.org.
Large Language Model (LLM, 대형 언어 모델): “대형 언어 모델”은 인터넷 텍스트 등 방대한 양의 언어 데이터를 학습하여 사람처럼 자연스러운 문장을 이해하고 생성하는 AI 모델입니다 zendesk.com. 매개변수(모델 속 수많은 조정 노브) 수가 수십억~수천억 개에 달할 만큼 거대해서 이렇게 불러요. LLM은 단어들과 문장들 사이의 패턴과 관계를 통계적으로 학습하여, 가장 그럴듯한 다음 단어를 예측하는 방식으로 문장을 만들어냅니다 techcrunch.comtechcrunch.com.
예를 들어, “오늘 날씨가”까지 입력하면 이어서 “맑아요” 같은 식으로 문맥상 자연스러운 답을 내놓는 식이죠. ChatGPT, 구글 Bard 지금은 Gemini로 통합, 네이버 HyperCLOVA 등이 모두 대표적인 대형 언어 모델이며, 챗봇뿐 아니라 번역, 요약, 작문 등의 다양한 자연어 처리 작업에 응용되고 있습니다.
Generative Pre-trained Transformer (GPT, 생성적 사전학습 변환기): “GPT”는 OpenAI사가 개발한 대형 언어 모델 계열의 이름으로, 대규모 데이터로 미리 학습(pre-trained)한 뒤 필요한 작업에 맞춰 활용되는 생성형 AI 모델을 의미합니다 zendesk.com. Transformer라는 최신 신경망 구조를 사용하기에 붙은 이름인데, GPT-3, GPT-3.5, GPT-4처럼 버전이 올라갈수록 더 방대한 학습과 성능 향상이 이뤄졌습니다.
GPT 모델은 문장을 이해하고 이어서 쓸 줄 알기 때문에, 질문에 대한 답변 생성, 글쓰기 보조, 번역, 요약 등 자연어 관련 다양한 작업의 기반 기술로 쓰입니다. 참고로 GPT 자체는 모델의 이름이고, ChatGPT는 이 GPT 모델을 활용한 대화형 서비스 제품명이에요 techcrunch.com.
ChatGPT (챗GPT): “챗GPT”는 OpenAI가 개발한 대화형 인공지능 챗봇으로, 사람과 채팅하듯 문답을 주고받을 수 있는 AI입니다 contents.premium.naver.com. GPT-3.5와 GPT-4 같은 대형 언어 모델로부터 훈련되었으며, 인터넷의 방대한 텍스트를 학습해서 거의 모든 주제에 대해 그럴듯한 답변을 만들어낼 수 있어 큰 화제가 되었지요 contents.premium.naver.com. 2022년 말 공개된 이후 자연스러운 대화 능력과 풍부한 지식으로 많은 사람들의 일상에 스며들었습니다.
예를 들어 궁금한 것을 물어보면 백과사전처럼 설명해 주고, 이메일이나 글쓰기도 도와줍니다. 다만 실제 사실과 다른 내용을 지어내기도(환각) 하므로, ChatGPT의 답변은 항상 한 번 검증하며 활용하는 것이 좋아요.
Prompt (프롬프트): “프롬프트”는 AI에게 원하는 결과를 얻기 위해 주어지는 입력 또는 지시문을 뜻합니다 zendesk.com. 쉽게 말해 AI에게 건네는 질문이나 명령어예요. 예를 들어 그림 생성 AI에게 “노을 지는 바다 풍경을 그려줘”라고 문장을 입력하거나, ChatGPT에게 “옛날이야기 한 편 들려줘”라고 요청하는 것이 모두 프롬프트입니다.
좋은 프롬프트를 주면 AI도 그만큼 더 적절한 답이나 결과물을 만들어주기 때문에, 무엇을 어떻게 물어보느냐가 AI 활용의 중요한 기술이 됩니다.
Prompt Engineering (프롬프트 엔지니어링): “프롬프트 엔지니어링”은 AI 모델에게서 원하는 답을 얻기 위해 질문이나 지시문(Prompt)을 효과적으로 설계하고 개선하는 방법론입니다 zendesk.com. 같은 질문이라도 프롬프트를 어떻게 표현하느냐에 따라 AI의 답변 품질이 크게 달라지기 때문인데요.
예를 들어 모호하게 “설명해줘”라고 하기보다는 구체적으로 “초등학생도 알아들을 수 있게 3 문단으로 설명해 줘”처럼 지시하면 더 만족스러운 답이 나올 확률이 높습니다.
프롬프트 엔지니어링 기법에는 템플릿을 만들어 사용하는 법, 질문을 연쇄적으로 이어가는 법, 아예 프롬프트 자체를 튜닝하는 법 등이 있습니다 zendesk.com. 결국 사용자가 AI에게 요구를 잘 전달하는 커뮤니케이션 기술이라고 볼 수 있어요.
Chain-of-Thought (체인 오브 쏘트, 연쇄적 사고): “체인 오브 쏘트”는 AI가 복잡한 문제에 답할 때 사람처럼 중간 사고 과정을 한 단계씩 거치는 방식을 말합니다 zendesk.com. 어려운 수학 문제를 풀 때 머릿속으로 여러 단계의 계산을 거치는 것과 비슷합니다.
일반적인 언어 모델은 질문을 받으면 바로 답을 단번에 산출하려 하지만, 체인 오브 써트 기법이 적용된 모델은 “머릿속 생각을 종이에 쓰듯” 중간 추론 과정을 거쳐 최종 답을 도출합니다 techcrunch.com. 예를 들어 산수 문제라면, 전체 문제를 한 번에 푸는 대신 ‘1단계: 조건 정리 → 2단계: 계산 → 3단계: 답 산출’ 식으로 내부적으로 생각을 전개하지요.
이렇게 하면 논리적인 정답률이 높아지는 효과가 있어, 최근 복잡한 추론이 필요한 작업에서 AI 성능을 향상시키는 비법으로 주목받고 있습니다 techcrunch.com.
AI Agent (인공지능 에이전트): “AI 에이전트”는 사용자를 대신해 여러 가지 복잡한 작업을 자율적으로 수행하는 AI 시스템을 가리킵니다 techcrunch.com. 단순히 질문에 답변만 하는 챗봇보다 한 단계 진화한 개념이지요.
예를 들어 “내일 회의 일정 잡고 관련 자료도 준비해 줘”라고 하면, AI 에이전트는 캘린더를 확인하고 참석자들에게 연락해 일정을 조율한 뒤 회의 주제에 맞는 자료를 찾아 요약까지 해줄 수 있습니다.
이런 에이전트는 여러 개의 AI 모델과 도구를 한데 묶어 멀티스텝 작업을 처리하며 techcrunch.com, 마치 사람 비서처럼 알아서 계획 세우고 실행해 주는 것이 목표입니다.
아직 초기 단계이지만, “AutoGPT”와 같은 실험적인 AI 에이전트들이 등장하면서 **미래에는 지시에 따라 척척 일하는 디지털 동료가 가능하지 않을까 기대를 모으고 있습니다.
Retrieval-Augmented Generation (RAG, 검색 연계 생성): “RAG”는 대형 언어 모델(LLM)에 검색 기능이나 데이터베이스 연결을 추가하여 보다 정확하고 사실적인 답변을 생성하도록 하는 기술입니다 zendesk.com. 일반적인 LLM은 저장된 지식만으로 답하기 때문에 최신 정보나 정확한 데이터가 부족할 수 있는데, RAG 구조에선 AI가 답변을 만들 때 실시간으로 외부 지식소스를 참조합니다.
예를 들어 질문이 들어오면 AI가 우선 내부 또는 인터넷 지식베이스를 검색하고, 거기서 찾은 관련 정보를 토대로 답변을 생성하는 식이죠. 이렇게 하면 정보의 신뢰도가 높아지고 환각(잘못된 내용 생성) 확률을 낮출 수 있습니다 zendesk.com. 쉽게 말해, AI한테 머릿속 백과사전만 믿고 답하라고 하는 대신, 필요하면 책이나 웹을 찾아보면서 답하라고 시키는 셈입니다. 최신 검색 기능이 접목된 챗봇들이 RAG 개념을 활용하고 있습니다.
Hallucination (할루시네이션, 환각): “환각”은 AI 모델이 그럴듯해 보이지만 사실과 맞지 않는 잘못된 정보를 만들어내는 현상을 말합니다 zendesk.com. 예를 들어 AI에게 없는 사실을 물었더니 진짜처럼 보이지만 틀린 답변을 척척 지어내는 경우이지요. AI 업계에서는 모델이 실제로 무엇을 보고 느끼는 건 아니지만, 마치 헛것을 보는 사람처럼 잘못된 정보를 자신 있게 내놓는다는 비유로 이렇게 부릅니다.
환각은 생성형 AI의 큰 문제점 중 하나로 지적됩니다 techcrunch.com. 예컨대 건강 상담 챗봇이 근거 없는 조치를 추천하면 큰 위험이 되겠지요 techcrunch.com.
이러한 이유로 대부분의 AI 서비스 이용약관에는 “생성된 답변을 검증하라”는 경고문이 붙어 있습니다. 환각을 줄이기 위해선 앞서 언급한 RAG처럼 AI가 외부 신뢰 정보에 의존하도록 하거나, 특화된 분야에 한정해 훈련하는 등 연구가 활발하게 이루어지고 있습니다 techcrunch.com.
AI Ethics (AI 윤리): “AI 윤리”는 인공지능의 개발과 활용에서 지켜야 할 도덕적 원칙과 가치를 뜻합니다 zendesk.com. 대표적으로 공정성, 투명성, 프라이버시, 사회적 영향 등이 논의되지요.
예를 들어 AI 면접 시스템이 성별이나 인종에 관계없이 공평하게 지원자를 평가해야 한다는 것, AI 결정에 대한 설명 책임(Explainability)을 가져야 한다는 것 등이 모두 AI 윤리의 주제에 속합니다.
결국 AI 윤리는 사람과 AI가 함께 살아가는 사회에서 AI가 해를 끼치지 않고 모두에게 이롭도록 하는 가이드라인이라고 볼 수 있어요. 정부, 기업, 연구소마다 신뢰할 수 있는 AI 원칙을 세우고 윤리 기준을 마련하고 있으며, 기술 발전과 함께 더욱 중요해지고 있습니다.
AI Safety (AI 안전): “AI 안전”은 AI 시스템으로 인해 발생할 수 있는 위해를 예방하고 통제하는 모든 노력을 의미합니다 zendesk.com. AI 안전에는 기술적 오류나 편향으로 인한 위험 방지부터, 장기적으로 인간을 뛰어넘는 AI가 나왔을 때 통제 불가능해지는 사태를 막는 것까지 폭넓은 주제가 포함됩니다.
예를 들어 자율주행차 AI의 오작동으로 인한 사고를 막기 위한 안전 설계, 또는 챗봇이 혐오발언을 내뱉지 않도록 필터링하는 조치 등이 AI 안전에 해당하죠.
더 나아가 초지능 AI(ASI)가 인간에게 적대적으로 행동하지 않도록 하는 연구도 중요한 안전 이슈입니다.
요컨대, AI를 유용하게 쓰면서도 통제가 가능하고 안전하게 유지하기 위한 기술적·윤리적 장치를 마련하는 것이 AI 안전의 목표입니다.
AI Bias (AI 편향): “AI 편향”은 AI 모델이 데이터나 알고리즘상의 이유로 특정 집단이나 관점에 치우친 오류를 보이는 현상입니다 zendesk.com. AI도 인간이 준 데이터를 바탕으로 배우기 때문에, 훈련 데이터에 편향된 내용이 들어있으면 이를 그대로 배워서 차별적이거나 불공평한 결과를 낼 수 있어요 zendesk.com.
예를 들어 이미지 검색 AI에 서양 남성 과학자 사진만 잔뜩 학습시켰다면 “과학자”를 검색할 때 여성이나 다른 인종 과학자는 잘 안 나오게 될 수 있습니다. 이러한 편향 문제를 해결하려면 훈련 데이터 구성에 다양성을 확보하고, AI 결과를 분석해 불균형이나 차별 요인이 있는지 지속적으로 점검해야 합니다.
공정하고 포용적인 AI를 만들기 위한 핵심 과제가 바로 이 편향 제거입니다.
AI Toxicity (AI 독성): “AI 독성”은 AI 모델이 부지불식간에 내뱉는 공격적이거나 유해한 내용, 거짓 정보나 부적절한 발언 등을 통칭하는 말입니다 zendesk.com. 모델 편향이나 미스얼라인먼트(misalignment, 가치 부조화)로 인해 원치 않는 유해 발언이 나올 때가 있는데, 이를 가리켜 “독성이 있다”라고 표현합니다.
예를 들어, 어느 챗봇에게 사용자들이 장난으로 욕설을 가르쳤더니 그걸 학습해 버려 대화 중에 공격적인 말을 한다면 독성이 생긴 거죠. 또 잘못된 정보를 사실처럼 말하는 것도 독성 출력의 하나라고 볼 수 있습니다. AI 독성을 줄이기 위해 개발자들은 유해한 데이터를 걸러내고, 사용자 피드백으로 잘못된 응답을 교정하는 강화학습(RLHF) 등을 도입하고 있습니다.
많은 AI 서비스가 대화 시 “이런 표현은 적절하지 않습니다”라고 답변을 거부하는 필터를 두는 것도 독성 방지 노력의 일환이에요.
Anthropomorphism (안스로포모피즘, 의인화): “의인화”는 원래 인간이 아닌 대상(AI나 기계 등)에 인간과 같은 성질이나 감정을 부여해 생각하는 것을 말합니다 zendesk.com.
AI 분야에서는 사람들이 AI에게 감정이나 자의식을 지니고 있으리라 착각하거나, 반대로 AI가 인간처럼 도덕적 판단을 할 것이라고 기대하는 등의 현상을 가리킵니다.
예를 들어 우리가 로봇 청소기에 이름을 붙이고 귀여워하면서 감정을 투영하는 것도 일종의 의인화예요. 의인화 자체는 인간-기계 상호작용을 친근하게 만들어줄 수 있지만, 지나치면 AI의 한계를 오해하거나 무리한 기대를 하게 만들 수 있습니다.
결국 AI는 도구일 뿐 인간이 아니라는 점을 인지하고, 편리함과 친근함은 즐기되 판단은 현실적으로 하는 태도가 필요하겠지요.
Chatbot (챗봇): “챗봇”은 메신저나 채팅창 등을 통해 사람과 대화하듯 상호 작용하는 대화형 AI 프로그램을 말합니다 zendesk.com. 채팅(chat)과 로봇(robot)의 합성어 그대로, 문자로 된 대화를 자동으로 주고받는 소프트웨어이지요.
웹사이트 고객 상담 창에서 질문에 답해주는 고객센터 챗봇, 카카오톡 같은 메신저에서 날씨나 운세를 알려주는 대화형 봇 등이 흔한 예입니다. 최근에는 음성을 인식하고 말까지 해주는 음성 챗봇(스마트 스피커의 AI 비서 등)도 우리 주변에 많아졌습니다.
챗봇은 정해진 규칙에 따라 답하는 간단한 것부터 ChatGPT처럼 복잡한 언어 모델 기반의 것까지 다양한데, 목표는 공통적으로 사람이 느끼기에 자연스러운 대화를 구현하는 것입니다.
Automation (오토메이션, 자동화): “자동화”는 인간의 개입 없이 기술이나 기계가 스스로 작업을 수행하게 만드는 것을 가리킵니다. 원래 산업 현장 등에서 기계 자동화를 오래전부터 해왔지만, AI의 등장으로 더욱 지능적인 자동화가 가능해졌어요. 예를 들어 공장의 로봇이 단순 반복작업을 자동화하는 데서 더 나아가, AI가 스스로 제품 불량을 검수하거나 물류 로봇들이 최적 동선을 판단해 움직이는 것 등이 이루어지고 있습니다.
사무 영역에서도 AI 소프트웨어가 일정 관리, 이메일 답변, 데이터 분석 같은 업무를 자동 처리해 주는 사례가 늘고 있지요. 이렇게 AI를 접목한 자동화(Intelligent Automation)는 업무 효율을 높이고 사람들은 창의적 과업에 집중하게 도와주지만, 한편으로 일자리 변화 등 사회적 영향도 있어서 균형 있는 도입이 요구됩니다.
Natural Language Processing (NLP, 자연어 처리): “자연어 처리"는 사람이 일상에서 쓰는 언어(자연어)를 컴퓨터가 이해하고 생성할 수 있도록 하는 AI 기술 분야입니다 zendesk.com. 여기에는 문장 의미 분석, 번역, 음성 인식과 합성, 감정 분석 등 다양한 과제가 포함돼요.
예를 들어 스마트폰 키보드의 자동완성 기능이나 스팸 메일 필터는 NLP의 한 응용이고, 구글 번역 같은 기계번역도 NLP 기술의 성과입니다. 최근 ChatGPT 같은 대형 언어 모델의 발전으로 NLP 기술이 크게 도약하여, 이전보다 훨씬 맥락을 잘 파악하고 자연스러운 문장을 생성할 수 있게 되었습니다. NLP를 통해 컴퓨터와 인간 언어의 장벽이 점점 사라지고, 언어를 매개로 한 소통과 정보처리가 혁신되고 있습니다.
Computer Vision (컴퓨터 비전): “컴퓨터 비전”은 카메라 등으로 얻은 이미지나 영상을 컴퓨터가 처리하고 이해하는 AI 기술 분야입니다. 사람이 눈으로 보고 인지하는 일을 컴퓨터에게 가르치는 것이라고 할 수 있죠. 예를 들어 얼굴 인식 기술은 컴퓨터 비전의 대표적인 응용으로, 휴대폰 카메라에 얼굴을 비추면 AI가 눈, 코, 입 특징을 분석해 그 사람이 누구인지 식별합니다. 또 자율주행차의 AI는 도로 영상에서 보행자, 차량, 신호 등을 실시간으로 인식하여 주행 판단을 내리는데, 이 역시 컴퓨터 비전 기술 덕분이에요. 컴퓨터 비전은 의료영상 분석(엑스레이 판독)부터 산업용 검사(불량품 검출), 증강현실(카메라를 통한 주변 환경 인식)까지 폭넓게 활용되며, 컴퓨터에게 시각을 주는 기술로 비유됩니다.
Explainable AI (XAI, 설명 가능한 AI): “설명 가능한 AI”는 AI의 의사결정 과정이 투명하게 드러나 이해하기 쉽게 설명될 수 있는 AI 시스템을 말합니다 sunrisegeek.com. 일반적으로 딥러닝 같은 모델은 속을 들여다보기 어려워 “블랙박스”라고 불리는데, 설명 가능한 AI는 왜 그런 결과가 나왔는지 논리나 근거를 사람이 볼 수 있게 제공하지요.
예를 들어 대출 심사 AI가 “이 고객의 신용 점수가 낮아 대출 승인을 거절한다”라고 결정했다면, 어떤 입력 요소들이 점수에 어떻게 영향을 주었는지 이유를 알려주는 식입니다.
이렇게 하면 사용자나 규제 기관이 AI를 더 신뢰할 수 있고, 혹시 잘못된 판단이 나오더라도 그 원인을 분석해 개선하기가 쉬워집니다. 의료, 금융 등 결정 근거가 중요한 분야에서 특히 XAI가 요구되고 있으며, AI의 책임성과 투명성을 높이는 핵심 기술로 각광받고 있습니다.
Multimodal AI (멀티모달 AI): “멀티모달 AI”는 **텍스트, 이미지, 음성 등 여러 종류의 데이터를 동시에 처리하고 이해할 수 있는 AI를 의미합니다. 사람도 책을 읽고 그림을 보고 소리를 들으면서 종합적으로 판단하듯, AI도 복합적인 감각을 갖추는 방향으로 발전하고 있어요. 예를 들어 GPT-4 모델은 멀티모달 능력이 있어서, 글뿐만 아니라 사진을 입력받아 분석할 수 있습니다. 사용자가 음식 재료 사진을 보내며 “이걸로 만들 수 있는 요리 알려줘”라고 하면, AI는 사진 속 재료를 인식하고 적절한 요리법을 제안하는 식이죠. 또 영상 자막 생성 AI의 경우 화면 비주얼과 오디오 내용을 함께 참고하여 더 정확한 자막을 만들어냅니다. 이처럼 멀티모달 AI는 각기 다른 형태의 정보를 융합 처리하여 더 풍부한 이해와 창의적 응답을 낼 수 있어, 차세대 AI 발전의 중요한 축으로 떠오르고 있습니다.
Federated Learning (FL, 연합 학습): “연합 학습”은 여러 대의 분산된 장치에서 각각 AI 모델을 학습시킨 뒤 학습된 지식(모델 파라미터)만 중앙 서버에 모아 합치는 머신러닝 기법입니다 at0z.tistory.com.개별 사용자들의 원본 데이터는 각자 기기(클라이언트)에 남겨두고 공유하지 않으면서도, 공동으로 하나의 똑똑한 모델을 만드는 방법이죠 at0z.tistory.com. 예를 들어 스마트폰 키보드의 자동완성 모델을 연합학습한다고 하면, 각 사용자 폰에서 자주 쓰는 단어를 모델이 학습하고, 그 요약된 학습 결과(가중치)만 서버로 보내 합쳐서 모델을 업데이트합니다.
이때 각자의 실제 문장은 서버에 보내지 않으니 프라이버시가 보호되지요 medium.com. 연합 학습은 의료나 금융처럼 민감한 데이터를 다루는 분야에서 각 기관이 원본 데이터를 공유하지 않고 공동 AI 모델을 개발하는 데 특히 유용하며, 데이터 사생활을 지키면서도 협력 학습이 가능한 첨단 기법으로 주목받고 있습니다.
AI Literacy (AI 리터러시, 인공지능 문해력): “AI 리터러시”는 시민 개개인이 AI가 어떻게 작동하고 사회에 어떤 영향을 미치는지 기본 원리를 이해하고, AI 도구를 비판적으로 평가하며 윤리적으로 활용할 수 있는 지식과 소양을 말합니다 digitalpromise.org. 쉽게 풀면 “AI를 읽고 쓰는 능력”이라고 할 수 있어요. AI 시대에는 코딩 전문가뿐 아니라 일반인도 AI가 돌아가는 기본 개념을 알고 있어야 일상에서 현명하게 기술을 사용할 수 있겠지요.
예를 들어 뉴스 기사에 등장하는 AI 관련 내용을 이해하고, 스마트 스피커나 챗봇을 사용할 때 개인정보 보호 설정을 조정하는 등의 행동도 AI 리터러시의 일부입니다.
학교에서도 학생들에게 AI 리터러시를 가르쳐서 미래 사회에 대비하려는 움직임이 있으며, 정부와 교육계에서는 전 국민의 AI 기본소양 함양을 새로운 과제로 삼고 있습니다 digitalpromise.org.
Deepfake (딥페이크): “딥페이크”는 딥러닝 기술로 진짜 같은 가짜 이미지나 영상을 만들어내는 기법 또는 그런 합성물을 말합니다 korean.go.kr. ‘딥러닝(Deep Learning)’의 **딥(Deep)**과 가짜의 **페이크(Fake)**가 합쳐진 단어인데요 kca.kr, 예를 들어 유명인 얼굴 사진을 다른 사람 몸통 영상에 합성해서 그 사람이 하지 않은 말을 하거나 행동하게 꾸며낸 영상이 딥페이크입니다. 초기에는 재미로 연예인 얼굴 합성 영상을 만들기도 했지만, 요즘은 딥페이크 기술이 점점 정교해져서 실제와 구분하기 어려울 정도로 발전했어요 nordvpn.com. 그 결과 가짜뉴스나 사기 영상 등에 악용될 소지가 커져 사회적 우려가 큽니다.
각국에서는 딥페이크 합성물에는 이를 표시하도록 법을 논의하거나, 딥페이크 탐지 AI를 개발하는 등 대응책을 마련하고 있습니다.
딥페이크는 생성적 적대 신경망(GAN) 같은 생성 AI 기술의 한 활용이지만, 윤리적으로 신중한 접근이 필요한 기술입니다.
Robotics (로보틱스, 로봇공학): “로보틱스”는 로봇의 설계, 제작 및 활용에 대한 기술 분야를 가리키며, 오늘날 AI와 결합하여 자율 로봇 발전을 이끌고 있습니다. 전통적 로봇공학이 기계적인 움직임과 제어에 초점을 맞췄다면, 최근에는 AI를 통해 로봇이 주변 환경을 인식하고 스스로 판단하도록 하는 방향으로 나아가고 있어요. 예를 들어 청소 로봇은 로보틱스의 산물이지만, 여기에 AI를 접목하면 공간을 학습하고 가장 효율적인 청소 경로를 계획하는 똑똑한 로봇이 됩니다.
또 인공지능 접목 산업용 로봇은 사람과 협업하면서 스스로 위험 상황을 감지해 피하거나 작업 순서를 최적화할 수도 있지요. *휴머노이드(사람형 로봇)도 로보틱스와 AI의 융합으로 발전하고 있습니다.
로보틱스는 기계공학, 전자공학, 컴퓨터공학이 두루 결합된 분야로, AI는 그중 뇌에 해당하는 부분이라고 볼 수 있습니다.
Speech Recognition (음성 인식): “음성 인식”은 사람의 음성 신호를 받아들여 그 내용을 텍스트로 변환하는 AI 기술입니다. 쉽게 말해 “컴퓨터가 사람 말을 알아듣는 기술”이지요. 스마트폰의 음성 입력 기능이나 스마트 스피커에 “오늘 뉴스 들려줘”라고 말하면 AI가 그 음성을 글자로 변환해 명령을 이해하는데, 이때 음성 인식 기술이 쓰입니다.
최근 음성 인식은 딥러닝 기반으로 발전하여 사투리나 억양 차이까지도 꽤 잘 알아들을 정도로 성능이 향상됐어요. 음성 인식은 통역 앱, 자동 자막 생성, 차량의 음성 제어 등 다양한 분야에 적용되어 편의를 높이고 있으며, 시각장애인이나 노약자에게 디지털 접근성을 높이는 핵심 기술로도 활용되고 있습니다.
Speech Synthesis (음성 합성): “음성 합성”은 문자 형태의 텍스트를 사람이 말하는 것 같은 음성으로 만들어주는 AI 기술입니다. TTS(Text-to-Speech)라고도 부르는데, 내비게이션 앱이나 지하철 안내방송처럼 기계 목소리로 들리던 합성 음성이 최근엔 사람 성대모사 수준으로 자연스러워지고 있습니다.
예를 들어 스마트폰에서 글을 읽어주는 기능이나 AI 아나운서 등이 음성 합성의 사례예요. 딥러닝을 활용한 음성 합성 모델은 수많은 실제 음성 데이터를 학습하여 발음, 억양, 감정까지 흉내 낼 수 있습니다. 이를 통해 한 사람의 목소리 스타일을 복제하거나 여러 감정 톤으로 말하게 하는 것도 가능해졌어요. 음성 합성은 정보 접근성 향상(시각장애인을 위한 책 읽기 등)과 엔터테인먼트(가상 가수 목소리 생성) 등 분야에서 활발히 사용되고 있습니다.
Recommendation System (추천 시스템): “추천 시스템”은 개개인의 취향이나 행동 데이터를 분석하여 맞춤형으로 콘텐츠나 상품을 추천해 주는 AI 기술입니다. 예를 들어 유튜브가 사용자의 시청 기록을 학습해 관심 있을 영상을 골라 보여주거나, 넷플릭스가 시청 패턴에 맞춰 영화를 추천하는 게 바로 추천 시스템 덕분이에요.
이러한 시스템은 과거에 사용자가 선호했던 것들을 바탕으로 “이 사람은 이걸 좋아할 확률이 높다”라고 예측하여 추천 목록을 만들어냅니다.
알고리즘으로는 콘텐츠 간의 유사도 분석, 사용자 군집화, 과거 평가 예측 등 여러 기법을 활용하지요. 추천 시스템은 전문가의 개입 없이도 개인화된 정보를 제공해 줘서 사용자 만족도를 높이는 핵심 기술로, 전자상거래, 음악 스트리밍, 뉴스 포털 등 우리의 온라인 경험 곳곳에 널리 쓰이고 있습니다.
Turing Test (튜링 테스트): “튜링 테스트”는 AI가 인간 수준의 지능을 갖췄는지 판별하기 위한 고전적인 실험 개념입니다. 1950년 컴퓨터 과학자 앨런 튜링이 제안했는데요 news.kbs.co.kr,사람 면접관이 컴퓨터와 인간을 각각 상대하며 채팅 대화를 나눠본 뒤 누가 컴퓨터인지 구별하지 못하면 그 컴퓨터를 “생각할 줄 아는(지능이 있는)” 것으로 보자는 것이 튜링 테스트의 골자입니다 news.kbs.co.kr. 즉 AI가 대화에서 인간처럼 자연스러워서 사람을 속일 수 있다면, 지능을 가졌다고 인정하자는 것이지요. 실제로 2014년 “유진 구스트만”이라는 챗봇 프로그램이 최초로 제한적인 투링 테스트를 통과했다는 보고가 있었습니다 news.kbs.co.kr. 다만 튜링 테스트를 통과해도 그게 진짜 인간 수준의 사고력을 의미하진 않는다는 논의도 있어요 news.kbs.co.kr. 그럼에도 불구하고 튜링 테스트는 AI 지능에 대해 명확한 기준을 제시했다는 점에서 역사적으로 중요한 개념입니다 news.kbs.co.kr.
Technological Singularity (기술적 특이점): “기술적 특이점”은 **AI를 비롯한 기술의 발전 속도가 기하급수적으로 빨라져 인간의 지능을 뛰어넘는 AI가 등장하면서 사회가 근본적으로 변화하는 미래 시점을 가리킵니다 mewmew.kr. 일종의 전환점(Singularity)인데, 이 시점 이후로는 인류의 생활양식이나 문명이 지금과 완전히 다른 양상을 보일 거라는 전망이 담겨 있습니다. 미래학자 레이 커즈와일 등은 2045년경 특이점 도래를 예측하기도 했는데, 사실 정확한 시기나 모습은 누구도 모릅니다. 다만 ASI(초지능 AI)의 출현 가능성과 맞물려 특이점 논의가 활발하며, 특이점 이후에는 AI가 AI를 더 똑똑하게 만들면서 인간의 지능 수준을 훨씬 넘어설 거라는 시나리오가 주로 거론됩니다.
기술적 특이점은 낙관론과 비관론이 엇갈리는 주제이지만, 최소한 AI 발전 추이가 우리의 상식을 뛰어넘을 수 있다는 점을 일깨워 주는 개념으로 화두가 되고 있습니다.
Edge AI (에지 AI): “에지 AI”는 클라우드같이 중앙 서버가 아니라 사용자의 기기나 현장 장비 등 현장(에지)에서 직접 AI 연산을 수행하는 기술을 말합니다 ibm.com. 예를 들어 스마트폰이나 자율주행차, IoT 센서 장비 안에 AI 모델이 내장되어 데이터를 실시간으로 처리하고 의사결정을 즉각 내리는 것이 에지 AI입니다 ibm.com.
이렇게 하면 데이터를 일일이 서버로 보내지 않아도 되므로 응답 지연이 줄고 개인정보도 보호되는 장점이 있어요 ibm.com. 우리 생활 속 사례로, 스마트폰 카메라의 인물 모드는 인터넷 연결 없이도 기기 안에서 얼굴을 인식해 배경을 흐리게 처리해 주는데, 이때 엣지 AI가 활용된 것입니다. 음성비서가 오프라인에서 간단한 명령을 수행하거나 자동차가 네트워크 연결이 없어도 긴급 제동을 하는 경우도 마찬가지지요. 엣지 AI는 클라우드 AI와 대비되는 개념으로, 분산형 AI 처리의 시대를 열고 있습니다.
AI Alignment (AI 가치 정렬): “AI 정렬”은 AI 모델의 목표와 행동을 인간의 가치와 목표에 부합하도록 만드는 과정을 의미합니다 ibm.com. 즉 AI가 인간에게 도움이 되는 방향으로만 움직이도록 “성향을 맞춘다”라고 볼 수 있어요. 이 개념이 중요한 이유는, 만약 강력한 AI가 우리 의도와 다르게 움직이면 큰 위험이 될 수 있기 때문입니다.
그래서 AI 정렬 연구자들은 기계학습 모델이 최적화하는 목표 함수가 인간의 바람과 일치하도록 설계하려고 해요 ibm.com. 예를 들어 자율주행 AI의 목표가 “빠르게 도착”만 추구하면 신호 위반을 할 수 있으니, “안전하게 빠르게 도착”으로 가치 기준을 정렬하는 식입니다.
궁극적으로 인간보다 똑똑한 AI(AGI나 ASI)가 등장하더라도 우리의 보편적 윤리와 안전 기준을 따르도록 만드는 것이 AI 정렬의 지향점입니다. OpenAI 등 여러 기관에서도 AI를 인간에게 유익하고 무해하게 유지하기 위한 가치 정립 연구를 활발히 진행하고 있습니다.
Generative Adversarial Network (GAN, 생성적 적대 신경망): “GAN”은 두 개의 신경망(생성자와 판별자)을 서로 경쟁시키며 학습시키는 독특한 기계 학습 프레임워크입니다 techcrunch.com. 한쪽 생성자(Generator) 모델은 진짜 같은 가짜 데이터를 만들고, 다른 쪽판별자(Discriminator) 모델은 그것이 진짜인지 가짜인지 맞추는 일을 합니다 techcrunch.com. 두 모델이 서로 이기기 위해 경쟁하면서 동시에 발전하도록 설계되어 있는데, 예를 들어 위조지폐범과 경찰의 게임에 비유하곤 합니다. 위조지폐범 격인 생성자는 가능한 진짜 같은 지폐를 만들려고 하고, 경찰 격인 판별자는 그것을 잡아내려 하죠. 이렇게 반복 훈련하다 보면 결국 매우 진짜 같은 가짜 데이터가 생성됩니다 techcrunch.com.딥페이크 이미지나 가짜 인물 사진 생성 등은 대부분 GAN으로 만들어진 것이에요. GAN은 창작 분야에서 AI의 혁신을 이끈 기술이지만, 최근에는 확산 모델(Diffusion) 등 다른 생성 모델들도 각광받고 있어 함께 발전해 나가고 있습니다.

이상으로 2025년 현재 주목해야 할 AI 관련 용어 50가지를 살펴보았습니다.
빠르게 발전하는 분야인 만큼 새로운 개념들이 계속 등장하고 기존 의미도 변모할 수 있지만, 핵심 원리와 흐름은 변하지 않는 경우가 많습니다.
이 용어 해설이 인공지능을 이해하는 데 밑거름이 되길 바라며, 자녀나 지인에게 AI를 설명할 때 유용하게 활용해 보세요.
필요한 경우 각 용어에 덧붙인 출처 링크를 따라가면 보다 자세한 정보를 확인할 수 있습니다. AI를 잘 활용하기 위해서는 그것을 이해하는 리터러시가 중요하다는 말처럼 digitalpromise.org, 앞으로도 궁금증을 갖고 즐겁게 AI 지식을 넓혀가시길 바랍니다.
앞으로도 Brandon Ethics는 AI윤리를 좀 더 쉽고 친숙하게 다가갈 수 있도록 최선을 다하겠습니다.

다음편에는 중급자를 위한 용어정리를 준비하겠습니다.
감사합니다!

Brandon AI 윤리 공식 유튜브 채널
https://www.youtube.com/@BrandonAIEthics

Brandon AI Ethics

Brandon AI윤리 Solution Center(BAESC)Brandon AI 윤리솔루션센터 기술은 빠르게 진화하지만, 우리는 그 속도를 따라가기보다 의미를 지켜갑니다. Brandon Ethics는 인공지능 시대의 윤리, 책임, 그리고 신뢰를

www.youtube.com

728x90

저작자표시 비영리 변경금지 (새창열림)

'우리들의 AI 윤리 이야기 > AI 윤리, 보고 즐겨요' 카테고리의 다른 글

쉽게 이해하는 알아두면 좋은 최신 AI 용어 50선 중급자용(2025년 기준) (2)	2025.08.20
"AI 챗봇에 무심코 던진 1초, 당신의 개인 정보는 이미 '털렸다'?" (8)	2025.06.07
AI 시대 : 2년의 상용화 사회 변화와 미래 브리핑 요약 (6)	2025.06.06

쉽게 이해하는 알아두면 좋은 최신 AI 용어 50선 입문용(2025년 기준)

'우리들의 AI 윤리 이야기 > AI 윤리, 보고 즐겨요' 카테고리의 다른 글

관련글

티스토리툴바