GPT, Claude, Gemini 기사를 읽다 보면 낯선 용어가 쏟아집니다. 마치 처음 의대에 들어가서 해부학 용어를 접하는 느낌이죠. 핵심 8개만 잡아두면 AI 뉴스가 달리 보입니다.

LLM 핵심 용어 8개

용어	설명	비고
Parameter (파라미터)	모델이 학습으로 얻은 수십억 개의 숫자값	GPT-4는 약 1조 개 추정
Training data (학습 데이터)	모델이 학습한 텍스트 원본	인터넷 텍스트, 책, 논문 등
Inference (추론)	학습된 모델이 실제 질문에 답하는 과정	병원에서 AI가 작동하는 순간
RLHF	인간 피드백으로 모델을 강화학습하는 방식	좋은 답변에 점수를 줘서 모델 개선
Alignment	AI가 인간의 의도에 맞게 행동하도록 하는 기술	위험한 의료 정보를 거부하게 만드는 것
Hallucination	없는 사실을 있다고 생성하는 현상	실제 없는 논문 DOI를 자신감 있게 제시
Context window	한 번에 처리할 수 있는 최대 텍스트 양	긴 EMR 기록 전체를 넣을 수 있는지 결정
Tokenizer	텍스트를 토큰으로 쪼개는 도구	한국어는 영어보다 토큰 소모가 많음

”파라미터가 많다 = 더 똑똑하다?” — 비교

구분	소형 모델 (7B)	대형 모델 (700B)
속도	빠름	느림
비용	저렴	비쌈
정확도	단순 작업에 충분	복잡한 추론에 유리
의료 적용	간단한 문서 정리	복잡한 감별 진단

✅ 단순 요약 작업은 소형 모델로 충분합니다.

❌ 파라미터 수만 보고 모델을 선택하면 안 됩니다. 의료 특화 학습 여부가 더 중요합니다.

⚠️ Hallucination은 파라미터가 많아도 완전히 없어지지 않습니다. 검증은 필수입니다.

한 줄 정리

LLM은 방대한 텍스트(Training data)로 수십억 개의 숫자(Parameter)를 학습합니다. 질문이 들어오면 토크나이저가 텍스트를 쪼개고(Tokenizer), 컨텍스트 윈도우 안에서 답변을 생성(Inference)합니다. RLHF와 Alignment 덕분에 위험한 답변은 걸러집니다.

---

더 알고 싶다면

• AI 필수 용어 10개 — 이것만 알면 대화가 된다
• OpenAI, Anthropic, Google — 회사마다 용어가 다르다
• GPT의 G, P, T는 무슨 뜻인가요?