Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

Algorithm Autoencoder Artificial Intelligence (AI)Attention AGI / Artificial General Intelligence

B

Batch Normalization Boosting Backpropagation Bias BERT

C

Classifier / Classification Chatbot Cross-Validation Clustering CNN / Convolutional Neural Network

D

Deterministic Model Data Augmentation Deep Learning Discriminative Model Deepfake

E

Explainable AI (XAI)Ensemble Learning Encoder Embedding Epoch

F

Foundation Model Fine-tuning Forward Propagation Feature Extraction Fusion / Multimodal Fusion

G

Gradient Descent Graph Neural Network (GNN)Generative AI GAN / Generative Adversarial Network Grounding

H

Hierarchical Model Hidden Layer Hyperparameter Hallucination Heuristic

I

Imbalanced Data Instance / Sample Intelligence Amplification / Augmentation Interpretability Instruction tuning

J

Juxtaposition Joint Embedding Jittering JAX JSONL / JSON-lines

K

Knowledge Distillation Kernel Trick K-means Clustering K-Shot Learning KL Divergence (Kullback–Leibler Divergence)

L

Large Language Model (LLM)Loss Function Latent Variable Learning Rate LSTM / Long Short-Term Memory

M

Machine Learning (ML)Multimodal / Multimodality Multi-head Attention Meta-learning Model

N

Novelty Detection / Anomaly Detection Neural Network Normalization NLP / Natural Language Processing NLU / Natural Language Understanding

O

Objective Function Overfitting Online Learning Optimizer One-hot Encoding

P

Parameter Policy / Reinforcement Learning Policy Prompt Pretraining Pooling

Q

Quantization Query Queue / Buffer Quality Estimation Q-learning

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization Representation Learning RNN / Recurrent Neural Network

S

Supervised Learning Sampling Sequence Modeling Self-Supervised Learning Softmax

T

Transfer Learning Tokenizer Tuning / Hyperparameter Tuning Transformer Training Data

U

Uncertainty Estimation Unsupervised Learning Underfitting Universal Approximation Theorem U-Net

V

Validation Set Vector Embedding Variational Autoencoder (VAE)Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Whitening / Whitening Transformation Weak Supervision Word Embedding Workflow Weight Decay

X

X-axis / feature axis XAI / Explainable AI XLM XLNet XOR problem

Y

Yield (model yield / throughput)Yoga of AI Y-transform / YUV Y-axis / feature axis YAGNI (You Aren't Gonna Need It)

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zero-shot Learning / Zero-shot inference Zygosity in augmentation Z-score Normalization

생성적 인공지능이란 무엇인가

생성적 인공지능은 기존 데이터에서 학습한 패턴을 기반으로 새로운 콘텐츠를 생성할 수 있는 인공지능 기술의 한 종류입니다. 텍스트, 이미지, 음악 등 여러 형태를 포함하며, 창의 산업, 교육, 의료 등 다양한 분야에서 강력한 도구로 자리 잡고 있습니다.

이 기술은 주로 생성적 적대 신경망(GAN)과 변분 오토인코더(VAE)와 같은 고급 알고리즘에 의존합니다. GAN은 두 개의 신경망으로 구성되어 있으며, 하나는 새로운 데이터를 생성하고 다른 하나는 그 진위를 평가합니다. 이 적대적 과정은 시간이 지남에 따라 생성된 콘텐츠의 품질을 향상시킵니다.

실제 사용 사례에서 생성적 인공지능은 콘텐츠 생성, 가상 현실, 게임 개발, 의료 영상 등 여러 분야에서 응용되고 있습니다. 예를 들어, OpenAI의 GPT 모델은 일관된 텍스트를 생성할 수 있고, DALL-E는 텍스트 설명에 따라 이미지를 생성합니다. 그러나 이 기술은 저작권 문제와 잘못된 정보의 확산과 같은 윤리적 문제를 야기합니다.

미래에는 생성적 인공지능이 개인화된 교육 및 지능형 고객 서비스와 같은 더 복잡한 작업을 처리할 것으로 예상됩니다. 그 장점은 효율성과 창의성이지만, 잠재적인 남용 및 편견 문제를 신중히 관리해야 합니다.