인공지능 용어 사전

인공지능 기본법 Framework Act on AI

정식 명칭은 「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」입니다. 2026년 1월 22일 시행되었고, 시행령을 비롯한 후속 법령이 같은 해 7월 21일부터 적용되고 있습니다. 생성형 인공지능의 표시 의무와 고영향 인공지능 사업자의 책무를 정하고 있습니다.

정부는 최소 1년 이상의 계도 기간을 운영하며 가이드라인을 구체화할 예정입니다.

고영향 인공지능 High-impact AI

사람의 생명·신체의 안전 및 기본권에 중대한 영향을 미치거나 위험을 초래할 우려가 있는 영역에 활용되는 인공지능입니다. 에너지, 먹는 물, 보건의료, 원자력, 범죄 수사의 생체인식, 채용·인사 평가, 대출 심사 등 신용 평가, 교통수단 운용, 공공서비스 제공에 관한 의사결정, 교육기관의 학생 평가가 해당합니다.

공공기관은 공공서비스 의사결정과 채용 영역에서 해당할 가능성이 높습니다.

생성형 인공지능 표시 의무 AI-generated content labeling

결과물이 생성형 인공지능으로 만들어졌다는 사실을 표시해야 하는 의무입니다. 일반 생성물은 사람이 인식할 수 있는 표시 또는 워터마크 등 기계가 판독할 수 있는 방법이 가능하나, 딥페이크는 이용자가 명확하게 인식할 수 있는 표시만 허용됩니다.

워터마크만으로는 딥페이크의 표시 의무를 이행한 것으로 보지 않습니다.

기본권 영향평가 Fundamental rights impact assessment

고영향 인공지능이 사람의 기본권에 미치는 영향을 사전에 검토하는 절차입니다. 고영향 인공지능 사업자가 실시할 수 있습니다.

국내대리인 Domestic representative

국내에 주소나 영업소가 없는 사업자가 지정해야 하는 대리인입니다. 전년도 매출액 1조 원 이상, 인공지능 서비스 부문 매출액 100억 원 이상, 국내 일일 평균 이용자 100만 명 이상 가운데 하나 이상에 해당하면 지정 의무가 발생합니다.

딥페이크 Deepfake

실존하는 사람이나 실제로 있었던 일과 구분하기 어렵게 만들어진 가상의 음성·영상·이미지입니다. 법은 일반 생성물보다 엄격한 표시 방법을 요구합니다.

생성형 인공지능 Generative AI

글·이미지·음성·영상 등 새로운 결과물을 만들어 내는 인공지능입니다. 기존의 분류·예측 중심 인공지능과 구분됩니다.

대규모 언어모델 Large Language Model, LLM

방대한 문서로 학습하여 문장을 이어 쓰는 방식으로 동작하는 모델입니다. 다음에 올 말을 확률로 고르는 구조이므로, 사실 여부를 판단하는 기능은 갖고 있지 않습니다.

이 특성이 환각이 발생하는 근본 원인입니다.

환각 Hallucination

모델이 사실이 아닌 내용을 사실처럼 만들어 내는 현상입니다. 문장을 그럴듯하게 잇는 것이 모델의 동작 원리이므로, 없는 통계·법령·인용을 지어내는 일이 발생합니다.

검증 절차 없이 결과물을 그대로 사용해서는 안 되는 가장 큰 이유입니다.

프롬프트 Prompt

인공지능에 주는 지시문입니다. 같은 모델이라도 지시문의 구성에 따라 결과물의 품질이 크게 달라집니다.

토큰 Token

모델이 글을 다루는 최소 단위입니다. 한국어는 영어보다 같은 내용을 표현하는 데 더 많은 토큰이 필요한 경우가 많아, 비용과 처리 한도에 영향을 줍니다.

한국어 처리 비용이 영어보다 높게 잡히는 이유 가운데 하나입니다.

인공지능 에이전트 AI Agent

지시를 받아 여러 단계를 스스로 수행하는 인공지능입니다. 한 번 답하고 끝나는 방식과 달리 도구를 사용하고 결과를 확인하며 작업을 이어 갑니다.

자동으로 수행되는 범위가 넓어질수록 승인 절차와 이력 관리가 중요해집니다.

온프레미스 On-premise

외부 클라우드가 아니라 기관이 보유한 설비에서 인공지능을 운용하는 방식입니다. 자료가 기관 밖으로 나가지 않으므로 개인정보·비밀정보를 다루는 업무에 적합합니다.

검증 계층 Verification layer

생성된 결과물이 규범에 맞는지 판정하는 별도의 절차입니다. 생성 모델을 신뢰 가능한 구성요소로 전제하지 않고, 규칙 기반 검증기를 직렬로 배치하여 출력의 적합성을 확보하는 구조입니다.

본사 연구의 핵심 개념입니다.

규범 적합성 Norm compliance

생성물이 언어 규범과 문서 규정에 맞는지를 뜻합니다. 경어법 일관성, 조사 결합, 문체 유지, 표현 적절성이 판정 대상입니다.

임계값 Threshold

결과물을 통과시킬지 반려할지 가르는 기준선입니다. 기준이 없으면 검증은 의견에 그치고 자동 판정이 불가능합니다.

사람의 관리·감독 Human oversight

인공지능의 판단을 사람이 확인하고 개입할 수 있도록 하는 체계입니다. 인공지능 기본법은 고영향 인공지능 사업자에게 이 체계의 구축을 요구합니다.

누가 언제 무엇을 확인했는지가 기록으로 남아야 합니다.

처리 이력 Audit trail

어느 모델이 언제 무엇을 만들었고 누가 확인했는지를 남긴 기록입니다. 법이 요구하는 자료 보관과 사후 검증의 근거가 됩니다.

고영향 인공지능 관련 자료는 5년간 보관해야 합니다.

편향 Bias

학습 데이터에 담긴 치우침이 결과물에 그대로 나타나는 현상입니다. 영어 중심 데이터로 학습한 모델은 한국어 결과물에서 문화적 맥락이 어긋나는 형태로 편향을 드러내기도 합니다.

검색증강생성 Retrieval-Augmented Generation, RAG

모델이 답하기 전에 관련 자료를 찾아 그 내용을 근거로 삼게 하는 방식입니다. 기관이 보유한 규정·지침을 근거로 답하게 할 때 사용합니다.

환각을 줄이는 데 쓰이나 완전히 없애지는 못합니다.

임베딩 Embedding

글의 의미를 숫자의 나열로 바꾼 것입니다. 표현이 달라도 뜻이 가까우면 값이 비슷해지므로, 의미 기반 검색에 쓰입니다.

「AI 리터러시」와 「디지털 역량」처럼 다른 말이 같은 주제를 가리킬 때 이를 찾아냅니다.

파인튜닝 Fine-tuning

이미 학습된 모델에 특정 분야의 자료를 추가로 학습시켜 그 분야에 맞추는 작업입니다.

비용과 설비 부담이 크므로, 대부분의 업무는 검색증강생성으로 해결됩니다.

멀티모달 Multimodal

글·이미지·음성·영상 등 여러 형태의 자료를 함께 다루는 방식입니다.

워터마크 Watermark

결과물에 기계가 판독할 수 있는 표식을 넣는 방법입니다. 인공지능 기본법은 일반 생성물의 표시 방법 가운데 하나로 인정하고 있습니다.

딥페이크에는 이 방법만으로는 부족합니다.

음성 합성 Text-to-Speech, TTS

글을 사람의 목소리로 바꾸는 기술입니다. 다국어 교육 자료와 안내 방송 제작에 쓰입니다.

음성 인식 Speech-to-Text, STT

사람의 말을 글로 옮기는 기술입니다. 회의록 작성과 자막 생성에 쓰입니다.

교착어 Agglutinative language

낱말의 뿌리에 조사와 어미가 차례로 붙어 뜻과 문법 관계를 나타내는 언어입니다. 한국어가 여기에 속하며, 이 특성 때문에 공백 단위로 낱말을 나누는 영어권 처리 방식이 잘 맞지 않습니다.

「검증」과 「검증합니다」를 같은 낱말로 보지 못하는 문제가 여기서 생깁니다.

청자 경어법 Hearer honorification

말하는 상대에 따라 종결 어미의 대우 등급이 달라지는 체계입니다. 영어에는 대응하는 층위가 없어 생성 모델이 자주 어긋납니다.

한 문서 안에서 높임체와 평서체가 섞이는 것이 대표적 오류입니다.

영주어 Pro-drop

주어를 생략해도 문장이 성립하는 성질입니다. 한국어는 주어를 자주 생략하므로, 생략된 주체를 복원하려면 앞뒤 맥락을 알아야 합니다.

번역과 요약에서 주체가 뒤바뀌는 오류의 원인이 됩니다.

사용역 Register

상황과 목적에 따라 달라지는 말의 격식 수준입니다. 공문·보고서·대화에 각각 적합한 표현이 다릅니다.

구어체 표현이 공문에 섞이는 것이 사용역 이탈입니다.

이형태 Allomorph

같은 기능을 하지만 앞말의 조건에 따라 모양이 달라지는 형태입니다. 받침 유무에 따라 「을/를」·「은/는」·「이/가」가 갈리는 것이 그 예입니다.

생성 모델이 받침 조건을 놓쳐 조사를 잘못 고르는 일이 자주 발생합니다.

등가성 Equivalence

원문과 번역문이 같은 뜻을 갖는 정도입니다. 고유명사·호칭·문화 특정 표현에서 등가성이 무너지기 쉽습니다.

한국어를 원천 언어로 두는 다국어 산출에서 핵심 과제입니다.

원천 언어 Source language

번역의 출발이 되는 언어입니다. 통상 영어를 원천 언어로 두는 구도를 역전하여 한국어를 원천으로 삼으면, 한국의 제도·문화 표현이 훼손되지 않고 전달됩니다.