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

대형 언어 모델(LLM)이란 무엇인가

대형 언어 모델(LLM)은 자연어 처리(NLP) 분야의 고급 기술로, 심층 학습을 통해 인간 언어를 이해하고 생성하도록 설계되었습니다. 이러한 모델은 방대한 양의 텍스트 데이터를 기반으로 훈련되어 텍스트 생성, 번역 및 질문 응답과 같은 다양한 작업을 수행할 수 있습니다. 이러한 모델의 구조는 종종 변환기(Transformer) 구조를 기반으로 하며, 이는 모델의 맥락 이해 능력을 크게 향상시킵니다.

LLM의 중요성은 챗봇, 가상 비서, 콘텐츠 생성 및 프로그래밍 지원과 같은 광범위한 응용 프로그램에 있습니다. LLM은 여러 언어를 처리하고 다양한 맥락에 적응할 수 있어 비즈니스 및 기술 분야에서 점점 더 중요해지고 있습니다. 주목할 만한 LLM의 예로는 OpenAI의 GPT 시리즈, Google의 BERT 및 T5가 있습니다.

LLM은 정보 처리 및 생성 능력의 효율성 등 많은 장점을 제공하지만, 훈련 데이터의 편향, 생성된 콘텐츠의 진실성 및 안전성 등에 관한 몇 가지 단점도 있습니다. 따라서 LLM을 사용할 때 이러한 잠재적 위험과 한계를 인식하는 것이 중요합니다.

앞으로 LLM은 교차 언어 이해, 개인화된 콘텐츠 생성 및 인간-컴퓨터 상호 작용 등 여러 분야에서 더욱 발전할 것으로 기대됩니다. 기술의 발전과 컴퓨팅 능력의 증가에 따라 LLM이 다양한 분야에서 더 중요한 역할을 할 것으로 예상됩니다.