Table of Contents

AI(Artificial Intelligence)

Definition

AI(인공지능, Artificial Intelligence)는 인간의 학습, 추론, 지각, 문제 해결 능력 등을 컴퓨터 과학 기술로 구현하여 기계가 지능적인 행동을 하도록 만드는 기술로 데이터 기반의 머신러닝(기계학습)과 딥러닝을 통해 인간처럼 배우고 판단하며, 창의적인 콘텐츠를 생성하거나 데이터를 예측하는 등 다양한 분야에서 활용되는 핵심 기술

종류

AI는 학습 및 기능에 따라 데이터를 분류하는 분류형 AI와 새로운 콘텐츠를 만들어내는 생성형 AI(Generative AI)로 나뉨. 크게 머신러닝/딥러닝 기술, 데이터 분석 기반의 모델, 텍스트·이미지·영상 등을 생성하는 서비스형 모델로 구분할 수 있음.

  1. 생성 방식 및 기능에 따른 분류
    • 생성형 AI (Generative AI): 대규모 데이터를 학습하여 텍스트, 이미지, 오디오, 코드 등 새로운 콘텐츠를 생성합니다. (예: ChatGPT, Midjourney, Claude)
    • 분류형/구분형 AI (Discriminative AI): 데이터를 바탕으로 패턴을 인식하고 분류합니다. (예: 스팸 메일 분류, 이미지 객체 탐지)
  2. 기술적 구현 수준에 따른 분류
    • 약인공지능 (Narrow AI): 특정 분야의 작업(예: 바둑, 음성인식)만 수행 가능하며 현재 수준의 AI.
    • 강인공지능 (General AI/AGI): 인간과 동등한 지능을 가지고 스스로 학습 및 해결할 수 있는 수준(미래 목표).
  3. 데이터 학습 방식에 따른 분류
    • 머신러닝 (Machine Learning): 컴퓨터가 데이터를 통해 스스로 학습하고 패턴을 찾아내는 방식.
    • 딥러닝 (Deep Learning): 인간의 뇌 구조(인공신경망)를 모방하여 복잡한 데이터를 처리하는 머신러닝의 하위 집합.
  4. 생성형 AI의 유형
    • 언어 모델 (LLM): 텍스트 생성, 번역, 요약 (예: GPT-4, Llama).
    • 이미지 모델: 텍스트를 이미지로 변환 (예: DALL·E 3, Stable Diffusion).
    • 영상/음성 모델: 비디오 생성 및 음성 합성.

로컬LLM

Qwen, DeepSeek, Codestral (Mistral AI), Phi-4 (Microsoft), StarCoder2, Ollama, Gemma, Llama, Exaone, …

MCP(Model Context Protocol)

MCP(Model Context Protocol)는 앤트로픽(Anthropic)이 개발한 개방형 프로토콜로, LLM(거대 언어 모델)과 외부 데이터/도구(API, 데이터베이스 등)를 표준화된 방식으로 연결해 주는 기술. “AI 시대의 USB-C 포트”로 불리며, 서로 다른 AI 모델과 애플리케이션을 손쉽게 연동하여 실시간 데이터 접근 및 작업을 자동화하는 데 사용.

핵심 특징 및 구성

MCP의 필요성

기본적인 LLM은 학습된 데이터에만 의존하여 정적인 정보를 제공하지만, MCP를 통해 실시간 데이터와 외부 시스템(회의 예약, 데이터베이스 업데이트)을 안전하게 연결하여 더 유능한 AI 에이전트를 구축할 수 있음.

AI Agent

AI 에이전트(AI Agent)는 대규모 언어 모델(LLM)을 기반으로, 사람의 개입 없이 자율적으로 목표를 설정하고 계획을 수립하여 복잡한 작업을 수행하는 지능형 소프트웨어 시스템. 단순한 챗봇을 넘어 API, 검색 엔진 등 외부 도구를 활용해 실시간 환경과 상호작용하며 문제를 해결하는 능동적인 인공지능.

AI 에이전트의 핵심 특징 및 구성 요소

기존 AI(챗봇)와의 차이점

특징 기존 AI/챗봇 AI 에이전트
작동 방식 수동적 (질문에 답변) 능동적/자율적 (목표 달성)
작업 범위 단발성, 정보 제공 위주 복잡한 다단계 워크플로 수행
도구 연동 제한적 외부 API/도구 활용 가능

주요 활용 사례

AI 에이전트는 향후 멀티모달 기술과 융합되어 텍스트, 음성, 이미지를 통합 처리하며 산업 전반의 운영 효율성을 크게 향상시킬 것으로 기대됨.

RAG(Retrieval-Augmented Generation, 검색 증강 생성), 기타 등등.

RAG(Retrieval-Augmented Generation, 검색 증강 생성)는 LLM(거대 언어 모델)이 답변을 생성하기 전, 외부 지식 베이스(데이터베이스)에서 관련 정보를 검색하여 참고하게 함으로써 정확성과 최신성을 높이는 AI 기술입니다. 모델의 내부 학습 데이터에 의존하지 않고 신뢰할 수 있는 외부 데이터를 활용해 할루시네이션(거짓 답변)을 줄이고 최신 정보나 특정 기업 데이터를 AI가 답변에 반영할 수 있게 합니다.

RAG 핵심 특징 및 장점

RAG의 작동 방식 (4단계)

  1. 데이터 임베딩 (Indexing): 사내 문서, 데이터베이스 등 외부 지식을 숫자 형태(벡터)로 변환하여 벡터 데이터베이스에 저장함 [13, www.ncloud-forums.com].
  2. 질문 검색 (Retrieval): 사용자의 질문과 가장 관련성 높은 문서를 데이터베이스에서 검색함 [2, YouTube].
  3. 프롬프트 증강 (Augmentation): 사용자 질문에 검색된 문서를 추가하여 AI 모델에게 전달할 프롬프트를 보강함 [2, YouTube].
  4. 답변 생성 (Generation): 모델이 제공된 외부 정보를 바탕으로 정확한 답변을 생성함 [1, Airbridge.io].

RAG 활용 사례

RAG는 LLM의 창의성에 신뢰할 수 있는 데이터를 더해 실제 비즈니스 환경에서 AI를 유용하게 활용할 수 있도록 만드는 핵심 기술 [1, 4, Airbridge.io].

References

Tuesday, January 27, 2026