← 목차Part 00 · AI·LLM·에이전트 이론 기초·00-1 · 10분
이 클립 · AI·LLM·에이전트 이론 기초

AI·머신러닝·딥러닝·LLM — 헷갈리는 용어 한 장에 정리

학습목표: AI, 머신러닝, 딥러닝, LLM, 생성형AI를 한 장의 포함 관계로 정리하고, LLM의 학습을 “다음 토큰 맞히기”라는 쉬운 비유로 이해한다. [TH-001, TH-002, TH-003]

1. 핵심 개념 — 한 문장 정의 + 비유

이 장에서는 AI를 가장 큰 말, 머신러닝을 데이터에서 패턴을 배우는 방법, 딥러닝을 그 안에서 신경망 구조를 쓰는 방법, LLM을 텍스트 토큰 예측에 특화된 모델, 생성형AI를 텍스트·이미지·오디오·문서 같은 결과물을 만들어 내는 사용 범주로 잡는다. [TH-001, TH-002, TH-006, TH-032]

비유하면 AI는 “회사 전체”, 머신러닝은 “경험으로 업무 요령을 익히는 부서”, 딥러닝은 “복잡한 문제를 여러 층으로 나누어 처리하는 전문팀”, LLM은 “문장을 읽고 다음에 올 조각을 맞히는 언어팀”, 생성형AI는 “그 언어팀과 다른 팀들이 실제 산출물을 만들어 내는 서비스 창구”다. [TH-001, TH-002, TH-003, TH-032]

2. 자세히 들여다보기 — 작동 원리·배경을 초보자 눈높이로

머신러닝에서 말하는 “학습”은 사람이 규칙을 한 줄씩 적어 넣는 일이 아니다. 예시를 잔뜩 보여 주고 그 속에서 되풀이되는 패턴을 스스로 찾게 하는 일에 가깝다. [TH-001, TH-003, TH-008]

지도학습은 문제와 정답표가 함께 있는 공부 방식이고, LLM은 텍스트를 지도학습 문제로 바꾸어 각 위치의 “다음 토큰”을 맞히도록 학습한다. [TH-001]

토큰은 모델이 읽는 글자 조각이고, LLM은 단어 전체가 아니라 토크나이저가 만든 subword 토큰을 예측한다. [TH-002]

예를 들어 “오늘 점심은 김치…”까지 보이면 사람은 “찌개”나 “볶음밥”을 떠올리고, LLM도 앞의 토큰들을 보고 다음 토큰 후보의 가능성을 계산한다. [TH-001, TH-002]

비지도학습은 정답표 없이 비슷한 것끼리 묶는 공부 방식으로 이해하면 되고, 임베딩은 토큰을 의미 벡터로 바꾸며 문맥에 따라 달라지는 표현이다. [TH-008]

강화학습은 행동 뒤에 따라오는 보상 신호를 보고 방향을 고쳐 나가는 공부 방식이다. 이 장에서는 LLM의 기본 학습보다는 도구 사용과 승인 구조를 다룰 때 다시 마주치는 주변 개념 정도로 가볍게 짚어 둔다. [TH-024, TH-027, TH-038]

딥러닝 쪽에서 LLM을 특별하게 만든 핵심 구조는 트랜스포머이며, 트랜스포머는 모든 단어가 동시에 다른 모든 단어를 attention으로 보게 만든다. [TH-006]

셀프어텐션은 Query, Key, Value라는 말로 설명되며, 쉽게 말하면 “질문으로 라벨을 찾고, 라벨이 맞는 기록에서 내용을 꺼내는 데이터베이스 검색”에 가깝다. [TH-007]

임베딩은 단어 조각을 숫자 좌표로 바꾸는 일이고, 같은 “배”라도 과일인지 선박인지 문맥에 따라 좌표가 달라질 수 있다. [TH-008]

그래서 LLM은 단순 자동완성처럼 보이지만, 다음 토큰 예측만으로 문법, 사실, 문체, 코드 패턴, 추론과 닮은 구조를 함께 배우게 된다. [TH-003]

3. 2026년 지금은 — 최신 동향·주의점

2026년에 LLM을 이해할 때는 모델 크기보다 컨텍스트를 먼저 봐야 하며, 컨텍스트 윈도우는 프롬프트, 대화 이력, 첨부, 답변에 들어가는 모든 토큰의 합이다. [TH-004]

광고에 적힌 컨텍스트 한도가 곧 안정적으로 믿을 수 있는 한도는 아니다. 20만 토큰 모델은 약 13만 토큰, 100만 토큰 모델은 약 65만 토큰 언저리에서 신뢰성이 흔들리기 시작한다. [TH-005]

컨텍스트가 길어질수록 안의 정보를 정확히 떠올리는 능력이 떨어지는 현상을 context rot이라고 부른다. [TH-017]

환각은 모델이 “모른다”고 멈추는 것보다 그럴듯하게 찍는 쪽을 학습과 평가에서 보상받기 때문에 생긴다. [TH-012]

RAG는 외부 자료를 검색해 답변을 근거화하는 방식이며, 지식집약 과제에서 환각을 줄이는 데 쓰인다. [TH-031]

멀티모달 AI는 텍스트만이 아니라 이미지, 오디오, 문서를 함께 입력받아 통합 추론한다. [TH-032]

결국 최신 AI 활용의 핵심은 “모델이 똑똑한가”라는 한 가지 질문에 머물지 않는다. 어떤 자료를 넣을지, 얼마나 넣을지, 무엇을 근거로 답하게 할지까지 함께 설계하는 일이다. [TH-015, TH-016, TH-031]

4. 비개발자에게 무슨 의미인가 — 코덱스 앱과 어떻게 연결되나

비개발자가 코덱스를 쓸 때 첫 번째 기준은 질문 문장만 다듬는 프롬프트 엔지니어링보다, 파일·대화 이력·지시·도구까지 포함한 전체 컨텍스트를 관리하는 컨텍스트 엔지니어링이다. [TH-015, TH-016]

Skills는 반복되는 지시와 작업 기준을 안정된 맥락으로 남기는 방식으로 이해하면 좋고, Plugins는 외부 데이터와 도구를 연결하는 흐름과 맞닿아 있다. [TH-015, TH-027, TH-028]

도구 호출은 모델이 타입이 정해진 인자로 구조화된 호출을 만들고, 앱이 실행 결과를 다시 모델에게 돌려주는 방식이다. [TH-027]

MCP는 AI와 외부 데이터·도구 연결을 통일하는 오픈 표준이며, 여러 앱과 여러 모델을 각각 따로 붙여야 하는 N×M 통합 문제를 줄이려는 접근이다. [TH-028, TH-029]

이 교재에서는 코덱스 기능명을 2026-06 기준으로 Skills, Automations, Sites, Memory, Plugins로 표기하고, Sites는 Business·Enterprise, Memory는 Enterprise·Edu·EU·UK 프리뷰·요금제 제한 단서를 붙여 다룬다. [TH-015, TH-016, TH-027]

오늘 그려 본 관계도는 코덱스 앞에서 매번 스스로에게 던질 질문이 된다. 지금 나는 모델에게 지식을 묻는 중인가, 자료를 넣어 근거를 대게 하는 중인가, 도구를 실제로 돌리는 중인가, 아니면 반복 규칙을 Skill로 굳히는 중인가. [TH-015, TH-016, TH-027, TH-031]

5. 한 줄 정리 + 용어 미니사전

한 줄로 정리하면, LLM은 “단어를 아는 기계”가 아니라 “토큰의 다음 가능성을 학습하다가 문법·사실·문체·코드·추론 구조까지 함께 익힌 생성형AI의 핵심 부품”이다. [TH-001, TH-002, TH-003]

출처

본문의 [...] 표기는 아래 근거에서 확인할 수 있습니다.

LLM은 어떻게 답을 만드나 — 다음 단어 →
코덱스 100가지 스킬스 활용 바이블 · 00-1 · 근거 기반 교재 · 2026-06 기준