[AI] 개발자가 알아야 할 8대 핵심 구조와 개념 체계

※ AI란 무엇이며, 왜 필요한가?

1) AI 개요 및 철학 (Artificial Intelligence Overview)

약자	풀네임	한글 명칭	설명
AI	Artificial Intelligence	인공지능	인간의 인지, 사고, 판단, 학습 능력을 모방하는 기술
ML	Machine Learning	머신러닝	AI가 데이터를 통해 스스로 학습하는 기술의 총칭
DL	Deep Learning	딥러닝	인공신경망을 기반으로 한 머신러닝의 하위 기술
AGI	Artificial General Intelligence	범용 인공지능	인간 수준의 지능을 가진 AI (ChatGPT는 아직 AGI 전 단계)
Narrow AI	Narrow Artificial Intelligence	특화형 인공지능	특정 업무(음성인식, 번역 등)에 특화된 AI

 

 

※ AI는 어떤 데이터를 어떻게 다루는가?

2) 데이터 및 전처리 (Data & Preprocessing)

약자	풀네임	한글 명칭	설명
ETL	Extract, Transform, Load	데이터 추출·변환·적재	데이터를 수집하고 AI가 학습 가능한 형태로 가공하는 과정
EDA	Exploratory Data Analysis	탐색적 데이터 분석	데이터를 시각화하고 패턴, 이상치를 탐색
Feature Engineering	-	특징 엔지니어링	모델이 잘 학습하도록 주요 변수(특징)를 선택 및 생성
Normalization	-	정규화	데이터의 범위를 일정하게 조정해 학습 안정화
Data Augmentation	-	데이터 증강	이미지 회전, 잡음 추가 등으로 학습 데이터 확장
Noise Filtering	-	노이즈 필터링	센서나 음성 데이터 등에서 불필요한 신호 제거

 

 

※ AI는 어떻게 배우는가?

3) 학습 패러다임 (Learning Paradigms)

약자	풀네임	한글 명칭	설명
SL	Supervised Learning	지도학습	정답이 있는 데이터를 학습 (예 : 고양이/개 분류)
UL	Unsupervised Learning	비지도학습	정답 없이 유사 패턴을 군집화 (예 : 고객 세분화)
SSL	Self-supervised Learning	자기지도학습	일부 데이터를 스스로 예측해 학습 (예 : 문장 일부 마스킹)
RL	Reinforcement Learning	강화학습	보상을 기반으로 행동을 개선 (예 : 자율주행, 로봇 제어)
Semi-SL	Semi-supervised Learning	반지도학습	라벨이 적은 데이터에 지도 + 비지도 병행
TL	Transfer Learning	전이학습	다른 분야에서 학습한 모델을 재활용
FL	Federated Learning	연합학습	데이터를 공유하지 않고 분산 학습 (개인정보 보호 강화)

 

 

※ AI는 어떤 구조로 동작하는가?

4) 모델 구조 및 학습 원리 (Model Architectures & Mechanisms)

약자	풀네임	한글 명칭	설명
NN	Neural Network	인공신경망	인간 뉴런 구조를 모방한 AI의 기본 단위
CNN	Convolutional Neural Network	합성곱 신경망	이미지·영상 인식에 특화된 구조
RNN	Recurrent Neural Network	순환 신경망	시계열 데이터(텍스트, 음성)에 적합
LSTM	Long Short-Term Memory	장단기 메모리 신경망	장기 의존 문제를 해결한 RNN
Transformer	Transformer	트랜스포머	Attention 기반의 최신 구조 (GPT, BERT 기반)
GAN	Generative Adversarial Network	생성적 적대 신경망	가짜 데이터를 실제처럼 생성 (예 : 이미지 생성)
AE	AutoEncoder	오토인코더	데이터를 압축·복원하며 특징을 학습
Attention	-	주의집중 메커니즘	입력 중 중요한 부분에 가중치를 주는 구조
BP	Backpropagation	역전파 알고리즘	오차를 역전달해 가중치를 조정
Loss Function	-	손실 함수	예측값과 실제값의 차이를 측정
Optimization	-	최적화	학습 과정에서 손실을 최소화하는 수학적 기법

 ├─ Transformer
      ├─ BERT (Bidirectional Encoder Representations from Transformers) : 문맥 이해
      ├─ GPT (Generative Pre-trained Transformer) : 텍스트 생성
      ├─ T5 / BART (Encoder-Decoder Hybrid Models) : 문장 변환·요약
      └─ LLM (Large Language Models) : 범용 초대형 모델

 

 

※ AI는 어디에 쓰이는가?

5) 응용 및 융합 분야 (Applied & Multimodal AI)

약자	풀네임	한글 명칭	설명
Multimodal AI	-	멀티모달 인공지능	시각·음성·텍스트 등 다양한 데이터를 동시에 처리
Cross-modal	-	교차모달 학습	한 데이터로 다른 데이터 유형을 이해
Fusion Model	-	융합 모델	서로 다른 모달 데이터를 통합 학습
Affective AI	-	감정지능형 인공지능	인간 감정 인식 및 공감 반응 생성
Cognitive AI	-	인지형 인공지능	인간의 사고·판단 과정을 모방
Empathetic AI	-	공감형 인공지능	감정에 반응하며 공감 표현
NLP	Natural Language Processing	자연어 처리	언어 이해 및 생성 (ChatGPT, 번역기 등)
CV	Computer Vision	컴퓨터 비전	이미지·영상 분석 기술
ASR	Automatic Speech Recognition	음성 인식	음성을 텍스트로 변환
TTS	Text-to-Speech	음성 합성	텍스트를 자연스러운 음성으로 변환

 

 

※ AI는 어떻게 실제로 운용되는가?

6) 운영 및 자동화 체계 (AI Engineering & Automation)

약자	풀네임	한글 명칭	설명
MLOps	Machine Learning Operations	머신러닝 운영체계	모델 개발, 배포, 모니터링 자동화
AutoML	Automated Machine Learning	자동화 머신러닝	모델 설계·튜닝 과정을 자동화
Edge AI	Edge Artificial Intelligence	엣지 인공지능	클라우드가 아닌 디바이스 내에서 연산 수행
TinyML	Tiny Machine Learning	초소형 머신러닝	저전력 장치에서도 모델 구동 가능
Pipeline	-	학습 파이프라인	데이터 → 학습 → 배포의 자동화 흐름
Cloud AI	-	클라우드 인공지능	AWS, GCP 등 클라우드 기반 학습·배포 환경

 

 

※ AI의 결과를 어떻게 평가하고 설명할까?

7) 성능 평가 및 해석 (Evaluation & Explainability)

약자	풀네임	한글 명칭	설명
XAI	Explainable AI	설명 가능한 인공지능	AI의 판단 근거를 시각화해 신뢰 확보
Metrics	-	평가 지표	정확도, 정밀도, 재현율, F1-score 등
Confusion Matrix	-	혼동 행렬	분류 모델의 예측 정확도 분석 도표
ROC-AUC	Receiver Operating Characteristic - Area Under Curve	ROC 곡선	분류기의 민감도 vs 특이도 평가
Human-in-the-loop	-	인간 개입 학습	AI 결과를 사람이 검증·보정하며 학습 품질 향상

 

 

※ AI는 어떻게 인간 사회와 공존할까?

8) 윤리, 보안 및 사회적 고려 (AI Ethics & Governance)

약자	풀네임	한글 명칭	설명
Responsible AI	-	책임 있는 인공지능	윤리·공정성·투명성을 갖춘 AI 개발 원칙
Fairness	-	공정성	AI가 특정 집단에 편향되지 않도록 하는 원칙
Transparency	-	투명성	AI 의사결정 과정을 공개하고 설명 가능하게 함
Accountability	-	책임성	AI 결과에 대한 명확한 책임 주체 설정
Bias Mitigation	-	편향 완화	데이터/모델의 사회적 편향을 제거
Privacy-preserving AI	-	개인정보 보호형 AI	민감한 정보를 안전하게 처리하는 AI
AI Safety	-	AI 안전성	인간의 통제 밖으로 벗어나지 않도록 보장

 

 

※ 인공지능(AI)의 전체 구조 계단도

[1단계] 인공지능의 개념과 철학 (AI Overview)
 └─ 인공지능(AI) : 인간의 사고·판단·학습을 모방하는 기술
     ├─ 머신러닝(ML) : 데이터를 통해 스스로 학습하는 기술
     │    └─ 딥러닝(DL) : 인공신경망 기반의 고도화된 학습 방식
     │         └─ 신경망 구조(NN, CNN, RNN, Transformer 등)
     └─ 범용 AI(AGI) vs 특화 AI(Narrow AI)
          └─ 미래 목표 : 인간 수준의 지능 실현

[2단계] 데이터와 전처리 (Data Foundation)
 └─ AI의 학습 재료 : 데이터 수집, 정제, 가공
     ├─ ETL (추출·변환·적재)
     ├─ EDA (탐색적 데이터 분석)
     ├─ Feature Engineering (특징 선택·생성)
     ├─ Normalization / Filtering (정규화·노이즈 제거)
     └─ Data Augmentation (데이터 증강)

[3단계] 학습 패러다임 (Learning Paradigms)
 └─ AI가 배우는 방식
     ├─ 지도학습 (Supervised)
     ├─ 비지도학습 (Unsupervised)
     ├─ 자기지도학습 (Self-supervised)
     ├─ 강화학습 (Reinforcement)
     ├─ 반지도학습 (Semi-supervised)
     ├─ 전이학습 (Transfer)
     └─ 연합학습 (Federated)

[4단계] 모델 구조 및 학습 원리 (Model Architecture)
 └─ AI의 '두뇌'가 되는 구조
     ├─ Neural Network (NN)
     ├─ CNN / RNN / LSTM
     ├─ Transformer (BERT, GPT)
     ├─ GAN (생성형 모델)
     ├─ AutoEncoder (AE)
     └─ Attention / Backpropagation / Loss / Optimization

[5단계] 응용 및 융합 (Applied AI)
 └─ 인간과 상호작용하는 AI
     ├─ Multimodal AI (시각+음성+텍스트)
     ├─ Affective AI (감정 인식·공감형 AI)
     ├─ Cognitive AI (인지·판단형 AI)
     ├─ NLP / CV / ASR / TTS
     └─ Empathetic AI (공감형 돌봄 AI, 로봇 등)

[6단계] 운영 및 자동화 (AI Engineering)
 └─ 실제 산업 환경에서 AI를 지속적으로 활용하기 위한 체계
     ├─ MLOps (AI 운영 자동화)
     ├─ AutoML (모델 자동 구축)
     ├─ Edge AI / TinyML (로컬·저전력 AI)
     ├─ Cloud AI (클라우드 기반 학습)
     └─ Pipeline (데이터→학습→배포 자동화)

[7단계] 평가 및 해석 (Evaluation & XAI)
 └─ AI의 판단을 검증하고 신뢰 확보
     ├─ XAI (설명 가능한 AI)
     ├─ Confusion Matrix / ROC-AUC (정량 평가)
     ├─ Human-in-the-loop (인간 개입형 학습)
     └─ Metrics (정확도, 재현율, F1-score 등)

[8단계] 윤리, 보안, 사회적 책임 (AI Ethics & Governance)
 └─ AI가 인간 사회와 공존하기 위한 원칙
     ├─ Responsible AI (책임 있는 AI)
     ├─ Fairness / Transparency / Accountability
     ├─ Bias Mitigation (편향 완화)
     ├─ Privacy-preserving AI (개인정보 보호)
     └─ AI Safety (안전성과 통제성)