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

프롬프트란 무엇인가

프롬프트라는 용어는 컴퓨터 과학, 인공지능 및 인간-컴퓨터 상호작용 분야에서 매우 중요한 의미를 가집니다. 본질적으로, 프롬프트는 사용자나 시스템이 특정 작업을 수행하도록 안내하는 지침이나 신호 역할을 합니다.

생성형 인공지능, 특히 자연어 처리(NLP) 분야에서 프롬프트는 모델에 제공되는 텍스트 입력을 의미하며, 이를 통해 모델이 해당 출력 생성을 유도합니다. 프롬프트의 설계는 생성된 콘텐츠의 품질에 직접적인 영향을 미칩니다.

예를 들어, 채팅봇에서 사용자가 입력하는 프롬프트는 질문이 될 수 있으며, 시스템은 이에 대한 답변을 제공합니다. 기술이 발전함에 따라 프롬프트의 설계는 문맥 이해 및 감정 인식 같은 여러 가지 능력을 포함하여 점점 더 복잡해지고 있습니다.

실제 응용 프로그램에서 프롬프트는 콘텐츠 생성, 대화 시스템 및 프로그래밍 보조 도구에 널리 사용됩니다. 앞으로 인공지능이 발전함에 따라 프롬프트 최적화 및 자동 생성이 연구의 주요 초점이 될 것입니다.

하지만 효과적인 프롬프트 설계에는 정확성을 보장하고 모호성을 피하며 다양한 사용자 요구를 충족시키는 등의 도전 과제가 있습니다. 따라서 프롬프트를 설계할 때 사용자는 목표 청중을 고려하고 의도를 명확히 표현하며 가능한 경우 여러 차례 반복하고 테스트해야 합니다.