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

워크플로우란 무엇인가

Workflow - AI and technology concept illustration

© 2025 / unsplash.com

워크플로우는 특정 목표를 달성하기 위해 설계된 구조화된 작업 및 활동의 순서를 의미합니다. 이는 비즈니스, 소프트웨어 개발, 교육 및 의료 등 다양한 분야에 널리 사용됩니다. 워크플로우의 주요 목표는 효율성을 높이고, 오류를 줄이며, 프로세스를 간소화하는 것입니다.

정보 기술 분야에서 워크플로우는 종종 자동화 도구 및 소프트웨어 시스템을 포함합니다. 이러한 도구를 통해 팀은 프로젝트 및 작업을 보다 효과적으로 관리할 수 있습니다. 특히 소프트웨어 개발에서는 요구 사항 수집, 개발, 테스트 및 배포와 같은 단계를 포함할 수 있는 워크플로우 설계가 필요합니다.

기술이 발전함에 따라 워크플로우의 미래는 지능형 자동화에 더 중점을 두게 될 것입니다. 인공지능 및 머신러닝의 통합은 자원 할당 및 작업 실행을 최적화할 것입니다. 그러나 효과적인 워크플로우를 설계하는 것은 간단하지 않으며, 팀 협업, 작업 우선 순위 및 시간 관리와 같은 요소를 고려해야 합니다.

조직은 워크플로우를 활용할 때 투명성과 커뮤니케이션을 보장해야 정보 단절로 인한 문제를 피할 수 있습니다. 워크플로우는 생산성을 높이고 비용을 절감하는 등 많은 장점을 제공하지만, 잘못 구현하면 직원의 저항감 및 변화 관리의 어려움을 초래할 수 있습니다.