AI 이해력

"방법을 아는 사람은 질문만 던지지만, 원리를 아는 사람은 답변을 설계합니다."
『AI 이해력』은, 매일 쏟아지는 새로운 AI 기술에 지친 여러분에게 '변하지 않는 가치'를 제시합니다
기술의 유통기한은 길어야 6개월, 원리의 유통기한은 평생입니다. 원리를 배우는 것은 매번 업 데이트되는 매뉴얼을 외우는 수고를 덜어주는 가장 효율적인 투자입니다

왜 언어를 토큰이라는 단위로 잘게 나누는지 알아야 할까요?
ㆍ AI가 왜 헛소리를 하는지 이해할 수 있습니다.
ㆍ 질문의 가성비(토큰)를 극대화해서 시간과 비용을 획기적으로 아끼는 법을 배울 수 있습니다.
ㆍ AI가 잘 알아듣는 '찰떡같은 표현'과 못 알아듣는 '개떡같은 표현'을 구분하는 안목(AI 감수성)이 생깁니다.
ㆍ AI를 '인격체'로 보며 두려워하거나 과신하지 않고, '고도로 정밀한 데이터 처리 시스템'으로 바라보는 객관적인 통찰력을 얻습니다.

트랜스포머라는 구조를 왜 알아야 할까요?
ㆍ 질문이 길어질 때 핵심 키워드를 어디에 배치해야 AI가 찰떡같이 알아듣는지 알게 되는 '전략적 소통'이 가능해집니다
ㆍ AI가 긴 대화를 나누다 보면 왜 앞 내용을 까먹는지, 왜 복잡한 논리 구조에서 스텝이 꼬이는지 그 '체력적 한계'를 명확히 알게 됩니다.
ㆍ 트랜스포머는 문장을 통째로 읽어 들입니다(병렬 처리). 거대 언어 모델(LLM)이 어떻게 방대한 데이터를 순식간에 학습했는지 그 지능의 폭발 원인을 이해하게 됩니다

할루시네이션 - AI가 자신 있게 틀리는 이유
AI는 사실을 검색하지 않습니다. 학습한 수많은 문장 패턴에서 가장 그럴듯한 다음 단어를 이어붙일 뿐입니다. 이 원리를 알면 언제 AI를 믿어야 하고, 언제 반드시 검증해야 하는지 스스로 판단할 수 있습니다.

프롬프트는 세계를 만드는 일
AI에게 내가 준 문맥이 곧 AI의 세계입니다. 사람에게는 표정·목소리·상황 등 텍스트 외의 정보가 있지만, AI에게는 텍스트가 전부입니다. 원리를 알면 프롬프트를 단순히 잘 쓰는 것을 넘어, 설계할 수 있게 됩니다.

RLHF와 학습 - AI가 영리해진 비결
사전학습 → 파인튜닝 → RLHF라는 단계를 거치며 AI는 방대한 데이터 속 패턴을 흡수하고 사람의 선호 방향으로 조정됩니다. "예측하고 → 틀리고 → 고친다"는 루프를 수십억 번 반복한 결과가 지금의 AI입니다.

이 책을 다 읽고 난 뒤, 각자 AI를 이해한 틀 위에서 더 나은 질문을 만들고, 더 나은 판단을 하고, 더 나 은 방식으로 이 기술과 함께 살아갈 수 있기를 바랍니다.

1장 언어모델을 이해하기 위한 첫 시선
1.1 언어모델의 말을 지탱하는 보이지 않는 규칙들
1.1.1 언어모델의 기본 개념
1.1.2 문장은 어떻게 확률이 되나
1.2 말의 자연스러움을 키우는 숨은 확장들
1.2.1 능숙함을 키운 첫 번째 확장, 파라미터
1.2.2 더 많은 경험이 만들어내는 차이
2장 언어모델을 이해하는 가장 작은 단위
2.1 언어를 조각내는 기술, 토큰
2.1.1 단어가 아닌 조각
2.1.2 토큰 단위가 답을 바꾼다
2.2 토큰화: 모델이 문장을 받는 첫 관문
2.2.1 토크나이저의 칼날은 어디로 향할까
2.2.2 범용 토크나이저의 시대와 남은 틈새
3장 트랜스포머, 생각의 연결을 배우다
3.1 어텐션, 단어들이 관계를 맺는 방식
3.1.1 어텐션: 문맥을 다시 계산하는 장치
3.1.2 셀프 어텐션: 문장이 스스로를 다시 읽는 방식
3.1.3 멀티헤드 어텐션: 여러 채널로 듣기
3.2 블록구조, 생각이 쌓이는 방식
3.2.1 문장을 쌓는 탑, 트랜스포머의 큰 구조
3.2.2 트랜스포머의 첫 번째 탑, 인코더
3.2.3 트랜스포머의 두 번째 탑, 디코더
3.2.4 깊을수록 멀리 본다, 레이어의 역할
3.2.5 연결의 건축술, 트랜스포머의 원리를 한눈에
4장 근사의 지능, 언어모델의 학습
4.1 규칙이 아닌 숫자, 학습의 출발점
4.1.1 선형에서 비선형으로, 학습이란 무엇인가
4.1.2 학습의 재료: 데이터와 조정의 기본 단위
4.1.3 학습의 루프: 예측하고, 틀리고, 고친다
4.2 학습의 단계: 언어 감각이 익어가는 세 과정
4.2.1 사전학습: 세상의 언어를 익히다
4.2.2 파인튜닝: 말투와 분야의 손맛을 더하다
4.2.3 RLHF: 사람의 취향을 배우다
4.2.4 추론: 학습된 지식을 꺼내 쓰다
4.3 학습은 연금술이다: 완벽을 향하지 않는 지능
5장 지능의 그림자
5.1 생각의 벽, 언어모델의 인지적 한계
5.1.1 보지 못하는 지능
5.1.2 할루시네이션: 언어가 만든 착각의 기술
5.1.3 거울 효과와 무의식 학습
5.1.4 감정의 시뮬레이션
5.1.5 해석 불가능성: 수학으로 쓰인 언어의 벽
5.2 기술의 벽, 언어모델이 아직 넘지 못한 것들
5.2.1 고정된 기억, 오염되는 문맥
5.2.2 사후 튜닝의 함정: 조정된 말, 고정된 생각
5.2.3 느리게 생각하지 못하는 두뇌
5.2.4 연산의 벽: GPU와 자원의 한계
5.2.5 RAG: 외부 기억의 문을 열다
5.2.6 에이전트: 실행하는 언어의 난제
6장 언어모델의 올바른 활용
6.1 언어모델을 이해하며 쓰는 법
6.1.1 지능이라는 착시를 벗기기
6.1.2 프롬프트는 세계를 만드는 일
6.1.3 문맥을 정돈하는 습관
6.1.4 한계를 다른 각도에서 보기
6.1.5 모델마다 드러나는 성격을 발견하는 재미
6.2 부록: 도구를 다루는 고급 사용자를 위한 안내
6.2.1 존재하는 생태계 안에서 활용하기
6.2.2 코딩 에이전트를 다루는 태도
7장 AI를 마주하는 새로운 태도
7.1 도구와 두려움 사이에서
7.1.1 도구처럼 쓰되, 그 이상을 바라보기
7.1.2 변화하는 흐름 속에서 미래를 보기
7.1.3 상상은 예측이 아닌 리허설
7.1.4 기술을 둘러싼 환경을 다시 짜기
7.1.5 두 번째 뇌를 쓰듯, 생각의 흔적을 남기기
7.1.6 소유보다, 어떤 사람이 되어가는지를 돌아보기
7.1.7 기술이 쉬워질수록 목적을 분명히 하기
7.1.8 다르게 보기: AI 시대의 새로운 시선

박민경 현재 서울대학교 인공지능 연구원으로 재직하며 LLM과 Language AI를 연구하고 있다. 건국대학교 소프트웨어공학과를 졸업하고 고려대 학교 인공지능학과에서 석사학위를 받았다. 경기도 지역협력연구센터 (GRRC), 라이크어로컬, 리플에이아이 등에서 AI 연구원으로 일하며 다 양한 실무 프로젝트를 경험했다. 특히 LLM 기반 시스템과 AI 오케스트 레이션, 실제 서비스에 적용 가능한 AI 파이프라인 구현에 관심이 많다. 복잡한 AI 기술이 실제 문제를 해결하는 과정에 흥미를 느끼며, 이론과 실무를 연결하는 일을 꾸준히 해오고 있다. 저서로는 『Node.js로 서버 만들기』, 『개발자 상식』이 있다. 이번 책 『AI 이해력』에서는 LLM의 기본 원리와 언어 AI를 둘러싼 핵심 개념을 일반 독자도 이해할 수 있도록 풀어내고자 했다.

서울대학교 인공지능 연구원 재직 중
ㆍ 건국대학교 소프트웨어학과 학사
ㆍ 고려대학교 인공지능학과 석사
ㆍ 『Node.js로 서버 만들기』, 『개발자 상식』 저자
ㆍ (전) 경기도 지역협력연구센터(GRRC) AI연구원
ㆍ (전) 라이크어로컬 AI연구원(퇴사)
ㆍ (전) 리플에이아이 AI연구원(퇴사)
ㆍ SKT 독자파운데이션 모델 인턴 참여