GOMINQ | Computer Insight on AI

[AI][용어] 임베딩(Embedding)이란? AI가 단어를 '숫자'로 이해하는 법

GOMINQ — Sun, 28 Jun 2026 15:26:22 +0900

여러분 혹시 AI가 '사과'라는 단어를 어떻게 알아듣는지 생각해 본 적 있으신가요?

모두가 잘 아시다시피 컴퓨터는 글자를 모릅니다.

아는 것은 0과 1뿐이며 이것으로 모든 명령어를 처리합니다.

그런데 우리는 요즘 AI에게 글을 묻고, AI는 글로 답합니다.

그렇다면 AI는 ‘사과’라는 글자를 어떻게 숫자로 바꾸고, 그 숫자에서 의미를 다룰 수 있을까요?

AI는 먼저 글자를 토큰이라는 작은 조각으로 나누고, 그 토큰에 번호를 붙입니다. 그리고 그 번호를 의미가 담긴 숫자 묶음으로 바꾸는데, 이 과정이 바로 오늘 다룰 임베딩(Embedding)입니다.

그림 1. 임베딩

이름은 낯설지만, 원리는 생각보다 단순합니다.

그냥 간단히 단어를 숫자로 번역하는 작업'이라고 보면 됩니다. 최근에는 그저 단어를 숫자로 변환하는 것 뿐만 아니라 의미까지 담고 있습니다.

1. 단어를 숫자로 바꾸기

가장 단순하게 생각하면, 단어마다 번호를 붙이면 됩니다.

사과는 1번, 바나나는 2번, 자동차는 3번, 기차는 4번. 이런 식으로 번호를 붙이면 컴퓨터는 쉽게 단어가 무엇인지 알 수 있습니다.

그림 2. 번호를 붙이면 컴퓨터는 쉽게 단어가 무엇인지 알 수 있음.

그런데 이 방법에는 큰 문제가 있습니다. 각각 단어에 번호를 부여하면 컴퓨터는 각 단어에 대해서는 알 수 있지만, 이 번호만으로는 단어들 사이의 관계를 전혀 알 수 없습니다.

예를 들어 앞에서 예를 들었듯이 사과가 1이라고 하고 바나나가 2라고 할 때, 사과와 바나나가 둘 다 과일이라는 사실을, 숫자 1과 2는 말해주지 못합니다.

예를 들어 사과가 1번, 바나나가 2번, 자동차가 3번이라면, 숫자만 봤을 때 사과와 바나나는 1만큼 차이 나고, 바나나와 자동차도 1만큼 차이 납니다.

하지만 바나나와 자동차가 사과와 바나나만큼 의미가 비슷한 것은 아닙니다.

단순한 번호는 단어의 의미나 관계를 알려주지 못합니다.

그림 3. 단순히 번호만 붙이면 컴퓨터는 단어의 관계와 의미를 이해하지 못함.

마찬가지로 숫자 3인 자동차와 숫자 4인 기차가 둘 다 탈 것이라는 것도 말해주지 못합니다.

이렇게 되면 AI가 의미를 다룰 수 없습니다.

그래서 임베딩은 단어를 하나의 번호가 아니라, 여러 숫자의 묶음인 벡터로 바꿉니다.

이 묶음 안에 단어의 의미가 여러 각도로 담깁니다.

그림 4. 단어를 여러 숫자의 묶음인 벡터로 바꿈.

2. 의미를 좌표로 나타내기

이해를 돕기 위해 아주 단순하게 줄여서 설명해 보도록 하겠습니다.

실제 임베딩의 숫자 축은 사람이 보기 좋게 ‘과일 축’, ‘탈것 축’처럼 깔끔하게 나뉘지는 않습니다.

다만 이해를 돕기 위해 아주 단순하게 줄여서, 단어를 딱 두 개의 숫자로 표현한다고 해봅시다.

하나는 과일, 다른 하나는 탈것이라고 정의해 보겠습니다.

사과 → (과일 0.9, 탈것 0.0)
바나나 → (과일 0.9, 탈것 0.1)
포도 → (과일 0.8, 탈것 0.0)
자동차 → (과일 0.0, 탈것 0.9)
기차 → (과일 0.0, 탈것 0.9)

이렇게 두면, 사과·바나나·포도는 과일 숫자가 서로 비슷합니다. 자동차와 기차도 탈 것 숫자가 가깝습니다.

반대로 과일과 탈것은 멀리 떨어져 있습니다.

이를 이용해서 숫자만 보고도 사과와 포도는 비슷한 부류, 자동차는 다른 부류라는 걸 알 수 있습니다.

이렇게 하면 한 번도 비교한 적 없는 단어끼리도 어디에 더 가까운지 알 수 있습니다.

예를 들어 딸기라는 단어가 (과일 0.85, 탈것 0.0) 근처에 놓이면, AI는 누가 알려주지 않아도 딸기는 사과·포도 쪽과 더 가깝구나를 알 수 있습니다.

그림 5. 좌표로 의미가 가까운지 확인 가능

실제 AI는 숫자 두 개가 아니라 수백, 수천 개를 씁니다.

그리고 그 수많은 숫자 축에 색깔, 크기, 쓰임새, 감정 같은 의미가 조금씩 나눠 담깁니다.

그래서 임베딩을 의미의 좌표라고 부르기도 합니다. 비슷한 뜻의 단어는 이 좌표 공간에서 서로 가까이 모입니다.

예를 들어 이런 단어들이 각자 끼리끼리 뭉칩니다.

기쁘다 · 즐겁다 · 행복하다 → 감정
서울 · 도쿄 · 파리 → 도시
개 · 고양이 · 토끼 → 동물

그림 6. 비슷한 뜻의 단어는 좌표 공간에서 서로 가까움.

여기서 한 가지 더 생각해 볼 점이 있습니다. 같은 단어라도 문장에 따라 의미가 달라질 수 있다는 점입니다.

예를 들어 ‘사과’라는 단어를 봅시다.

“나는 사과를 먹었다.”에서 사과는 과일입니다. 하지만 “친구에게 사과했다.”에서 사과는 미안하다는 뜻입니다.

글자만 보면 둘 다 ‘사과’지만, 의미는 전혀 다릅니다.

그래서 현대 AI는 단어 하나만 따로 보는 것이 아니라, 그 단어가 어떤 문장 안에서 쓰였는지도 함께 봅니다.

즉, 임베딩은 단어 자체의 의미뿐 아니라 문맥 속 의미를 다루는 출발점이 됩니다.

그림 7. 같은 글자라도 단어의 의미에 따라 좌표가 달라짐.

3. 다양한 계산이 가능

임베딩의 가장 큰 장점은 바로 단어가 숫자가 되면, 단어끼리 계산을 할 수 있다는 점입니다.

가장 유명한 예가 이것입니다.

왕 − 남자 + 여자 ≈ 여왕

말로 풀어보면 왕이라는 좌표에서 남자라는 의미를 빼고 여자를 더했더니, 여왕의 좌표가 나왔다는 뜻입니다.

단어의 의미가 숫자에 잘 담겨 있기 때문에, 의미의 덧셈과 뺄셈이 가능해진 것입니다.

물론 이것이 언제나 수학 공식처럼 정확하게 맞는다는 뜻은 아닙니다.

중요한 것은 임베딩이 단어 사이의 의미 관계를 숫자 공간 안에 어느 정도 담아낼 수 있다는 점입니다.

그림 8. 임베딩은 단어끼리 계산이 가능함.

이외에도 다양하게 가능합니다.

예를들어,

파리 − 프랑스 + 일본 ≈ 도쿄 (수도 관계)
걷다 − 현재 + 과거 ≈ 걸었다 (시제 관계)

사람이 규칙을 일일이 알려준 것이 아니라, 방대한 글을 학습하는 과정에서, 단어들의 의미 관계가 자연스럽게 좌표에 새겨집니다.

우리가 하는 검색, 번역, 추천에도 임베딩은 중요한 역할을 합니다.

4. 사실 우리는 매일 임베딩을 쓰고 있다

임베딩은 연구실에서만 쓰는 내용이 아닙니다. 우리가 매일 쓰는 서비스 곳곳에서 이미 쓰이고 있습니다.

예를들어서

쇼핑몰에서 이 상품과 비슷한 추천이 뜨는 것

유튜브가 방금 본 영상과 비슷한 걸 이어서 보여주는 것

검색창에 노트북 추천을 쳤는데 컴퓨터 추천 글도 같이 나오는 것

이 모든 것들이 비슷한 것끼리는 좌표가 가깝다는 임베딩의 원리를 쓰고 있습니다.

그림 9. 일상 생활에서 임베딩을 자주 사용함.

예를 들어 검색창에 아이랑 갈 만한 곳이라고 쳤다고 해봅시다.

예전 방식이라면 반드시 ‘아이’, ‘갈’, ‘곳’ 같은 단어가 정확히 들어간 글을 찾으려고 했을 것입니다.

하지만 임베딩을 활용하면 “가족 나들이”, “주말 체험”, “어린이 박물관”, “키즈카페 추천”처럼 표현은 달라도 의미가 가까운 내용까지 함께 찾을 수 있습니다.

단어가 완전히 같지 않아도, 의미가 가까우면 가까운 좌표에 놓이기 때문입니다.

그림 10. 대표적인 임베딩 사용 예.

또한 우리가 앞서 다룬 다른 개념들도 사실 임베딩 위에서 작동합니다.

AI가 다음 단어를 확률로 고를 때도, 문장의 맥락을 파악할 때도, 그 출발점에는 항상 단어를 의미 있는 숫자로 바꾸는 이 임베딩이 있습니다.

즉, 임베딩은 AI가 세상을 이해하는 첫 번째 관문입니다.

글자를 숫자로 바꾸되, 그 숫자에 의미까지 담아내는 것.

이 덕분에 AI는 단어를 단순한 기호가 아니라 뜻을 가진 무언가로 다룰 수 있게 됩니다.

5. 간단한 요약

임베딩은 단어나 글자 조각을 의미가 담긴 숫자 묶음, 즉 벡터로 바꾸는 과정입니다.

비슷한 의미는 가까운 위치에 놓이고, 덕분에 AI는 단어를 단순한 글자가 아니라 서로 관계를 가진 의미로 다룰 수 있습니다.

[AI][용어] 크로스 엔트로피란? AI가 얼마나 틀렸는지 재는 법

GOMINQ — Mon, 22 Jun 2026 17:06:13 +0900

여러분 혹시 AI가 어떻게 본인의 실력을 확인 하는지 생각해 본 적 있으신가요?

사람은 시험을 보고 틀린 개수로 실력을 확인합니다.

그런데 AI는 사람처럼 시험지를 채점받는 대신, 이미 주어진 정답과 자기 예측을 비교해 실력을 확인합니다.

이 방식이 바로 오늘 다룰 크로스 엔트로피(Cross Entropy)입니다.

이름은 어렵지만, 내용은 간단합니다.

AI의 예측이 정답과 얼마나 다른지를 벌점으로 나타내는 기준이라고 보면 됩니다.

그림 1. 크로스 엔트로피

1. AI는 정답이 아니라 확률로 답한다

AI는 사진을 보고 "고양이!"라고 딱 잘라 답하지 않습니다.

실제로는 확률로 답합니다. 예를 들어 고양이 80%, 개 15%, 토끼 5% 처럼 말입니다.

정답이 고양이라고 해보겠습니다.

고양이에 80%를 준 AI는 정답을 자신 있게 맞혔습니다.

반대로 고양이에 10%밖에 안 준 AI는, 정답을 놓고도 영 자신이 없었던 겁니다.

크로스 엔트로피는 바로 이 차이를 점수로 잡아냅니다.

그림 2. AI는 확률로 답을 함

이건 사진뿐 아니라 어디서나 똑같습니다.

다른 예시로 스팸 메일 분류기를 들어보겠습니다.

메일 하나를 보고 AI가 스팸일 확률 95%, 정상일 확률 5%라고 답합니다.

영화 리뷰 감정 분석도 마찬가지입니다. 긍정일 확률 70%, 부정일 확률 30%처럼 확률로 답합니다.

AI는 늘 이렇게 확신의 정도로 답을 내놓습니다.

그림 3. AI는 확률로 답을 하는 예시

크로스 엔트로피가 하는 일이 바로 이것입니다.

정답에 얼마나 확신을 줬는지를 보고 점수를 매기는 것입니다.

2. 크로스 엔트로피 공식

여러 개의 선택지 중 정답이 하나인 경우에는, 크로스 엔트로피를 아주 간단히 이렇게 볼 수 있습니다.

$$Loss = -\log(p)$$

여기서 p는 AI가 정답에 준 확률입니다.

식을 처음 보면 마이너스(−)도 있고, 고등학교 졸업하고서는 잘 보지 않던 로그(log)도 있기 때문에 당황스러울 수 있습니다.

하지만 차근차근 보면 어렵지 않습니다. 하나씩 보겠습니다.

먼저 로그(log)부터입니다.

기억을 더듬어 살펴볼까요?

로그는 1을 넣으면 0이 나오고, 0에 가까운 작은 수를 넣을수록 값이 점점 더 아래로 내려가는 함수입니다.

예시를 살펴볼까요?

log(1) = 0 이고,
log(0.5) ≈ −0.69
log(0.1) ≈ −2.30
log(0.01) ≈ −4.61

넣는 숫자가 작아질수록 결과가 천천히가 아니라 점점 가파르게 커집니다.

그림 4. 크로스 엔트로피 log 설명

0.5에서 0.1로, 다시 0.01로 갈 때 값이 뚝뚝 떨어지는 게 보일 겁니다. 이 가파르게 떨어지는 수가 나중에 중요한 역할을 합니다.

다음은 마이너스(−)입니다.

확률은 항상 0과 1 사이의 값입니다.

그래서 확률에 로그를 씌우면 결과가 늘 0 이하, 즉 음수로 나옵니다.

그런데 벌점이 음수면 말이 안 됩니다. 그래서 앞에 마이너스를 붙여 부호를 뒤집어 줍니다.

마이너스는 그저 음수를 양수 벌점으로 바꾸는 스위치인 셈입니다.

한 번 직접 계산해 보겠습니다.

정답에 0.5(50%)의 확신을 줬다고 합시다.

log(0.5)는 약 −0.69입니다. 여기에 마이너스를 붙이면 +0.69.

그래서 이때 벌점은 0.69가 됩니다.

이제 여러 경우를 살펴볼까요?

p = 1.0 (정답에 100% 확신) → Loss = 0 → 벌점 없음
p = 0.8 (80%) → Loss ≈ 0.22 → 벌점 조금
p = 0.5 (50%) → Loss ≈ 0.69 → 벌점 중간
p = 0.1 (10%) → Loss ≈ 2.30 → 벌점 큼
p = 0.01 (1%) → Loss ≈ 4.61 → 벌점 매우 큼

확신이 떨어질수록 벌점이 단순히 커지는 게 아니라, 점점 더 가파르게 급속도로 커집니다.

80%에서 50%로 떨어질 때보다, 10%에서 1%로 떨어질 때 벌점이 훨씬 크게 뜁니다.

그림 5. 크로스 엔트로피 특성

바로 아까 본 로그의 가파르게 떨어지는 성질 때문입니다. 덕분에 크로스 엔트로피는 자신 있게 틀릴수록 더 무겁게 벌을 줍니다.

예를 들어 한번 살펴보겠습니다.

같은 고양이 사진을 두고 AI 둘이 답했습니다.

A는 고양이 90%, B는 고양이 30%라고 답했습니다.

정답은 고양이입니다.

이때, A의 벌점은 −log(0.9) ≈ 0.11, B의 벌점은 −log(0.3) ≈ 1.20입니다.

둘 다 정답인 고양이에 확률을 주긴 했습니다. 하지만 정답에 훨씬 낮은 확률을 준 B가 훨씬 큰 벌점을 받습니다.

크로스 엔트로피는 이렇게 맞혔는지뿐 아니라 얼마나 확신했는지까지 점수에 담습니다.

그림 6. 크로스 엔트로피 확신

3. 크로스 엔트로피 쉬운 예시: 일기예보

일기예보에 빗대 보면 이해하기가 더 쉽습니다.

친구가 내일 비 올 확률 90%라고 했고 실제로 비가 왔습니다.

이 친구 말은 믿을 만합니다. 벌점이 거의 없습니다.

반대로 비 올 확률 5%라고 자신 있게 말했는데 비가 왔습니다.

확신을 갖고 틀린 것이니 신뢰가 크게 깎입니다. 이게 큰 벌점입니다.

만약에 비 올 확률 50%라고 애매하게 말한 친구는 어떨까요.

맞아도 크게 잘했다고 보기 어렵고, 틀려도 아주 심하게 틀렸다고 보기는 어렵습니다. 그래서 벌점도 중간 정도입니다.

그림 7. 일기예보로 설명한 크로스 엔트로피

4. 그래서 AI는 이 벌점으로 공부한다

AI가 학습한다는 게 거창해 보이지만, 핵심은 단순합니다.

이 벌점(Loss)을 조금이라도 줄이는 쪽으로 자기 자신을 조금씩 고쳐 나가는 것입니다.

고양이 사진 한 장으로 한 번 살펴보겠습니다.

먼저 학습 초반, AI는 이 사진을 보고 고양이 20%라고 답합니다. 벌점은 −log(0.2) ≈ 1.61로 큽니다.

데이터를 더 보며 학습을 더 시키면 고양이 60%로 올라갑니다. 벌점은 −log(0.6) ≈ 0.51로 줄어듭니다.

더 많이 봐서 학습이 충분히 되면 고양이 95%까지 갑니다. 벌점은 −log(0.95) ≈ 0.05로 거의 0입니다.

이 벌점이 1.61 → 0.51 → 0.05로 줄어드는 과정, 이것이 바로 AI가 똑똑해진다는 말의 정체입니다.

그림 8. 학습하면서 벌점이 점점 줄어듦

수많은 사진에서 이 과정을 동시에 반복하면서, AI는 어떤 그림에 어느 쪽으로 확신을 줘야 벌점이 줄어드는지를 익혀 갑니다.

자신 있게 틀리면 벌점을 더 많이 받는 규칙 덕분에, AI는 근거 없는 확신을 줄이고 정답에 제대로 확신을 싣는 법을 배웁니다.

5. 한 줄 요약

크로스 엔트로피는 AI가 정답에 준 확률을 벌점으로 바꾸고, 그 벌점을 줄이며 학습하게 만드는 기준입니다.

[AI][용어] AI Temperature란? ChatGPT 답변이 달라지는 이유

GOMINQ — Fri, 19 Jun 2026 18:03:06 +0900

여러분 혹시 ChatGPT한테 같은 질문을 여러 번 했는데 답이 다르게 나온 적 있으신가요?

저는 처음에 ChatGPT를 사용할 때, 친구 생일 축하 메시지를 부탁했다가, 똑같은 문장을 다시 넣었는데 전혀 다른 결과가 나와서 당황한 적이 있습니다.

버그인가 생각하고 당황했었는데, 버그가 아니라 정상이었습니다.

다른 결과가 나온 이유 그 뒤엔 Temperature(템퍼러처, 온도)라는 값이 숨어 있습니다.

AI가 다음 단어를 고를 때 얼마나 모험을 할지 정하는 값인데, 이거 하나로 답이 얌전해지기도, 자유분방해지기도 합니다.

AI Temperature

1. 사실 AI는 매번 확률로 단어를 고른다

이걸 알면 Temperature(템퍼러처, 온도)라는 개념이 한 방에 이해가 됩니다.

AI는 문장을 쓸 때 다음 단어를 딱 정해놓고 찍는 게 아닙니다. 후보 단어 여러 개에 확률을 매겨두고, 그중에서 하나를 고릅니다.

한 번 생각해볼까요?

"퇴근하고 집에 오면 제일 먼저 ___" 다음에 올 말을 떠올려 봅시다.

AI는 여기 들어갈 후보 단어마다 확률을 매겨둡니다. '씻는다'가 압도적으로 높고, '눕는다'가 그다음, '냉장고를 연다'는 가끔, 나머지 엉뚱한 단어들은 거의 안 나옵니다. 그래서 늘 '씻는다'만 나오는 게 아니라, 가끔 '눕는다'도 슬쩍 뽑히는 겁니다.

AI가 다음에 올 말 생각하는 과정

온도가 하는 일은 딱 하나입니다. 이 확률 차이를 벌릴지 좁힐지 정합니다.

온도를 낮추면 1등 단어가 거의 독식하고, 높이면 확률이 낮던 단어들한테까지 기회가 넘어갑니다.

2. Temperature(템퍼러처, 온도) 낮을 때 vs 높을 때

한 번 "외계인이 처음 지구에 와서 본 것을 한 문장으로 묘사해줘"를 온도만 바꿔서 실제로 돌려봤습니다

(1) 온도 0.2 (낮음)

"외계인은 처음 지구에 와서 다양한 생명체들이 서로 복잡하게 얽혀 살아가는 푸른 행성을 보았다."

차분하고 무난하며, 안전한 묘사입니다. 여러 번 돌려도 거의 이 톤에서 머무릅니다.

(2) 온도 1.2 (중간)

"외계인은 처음 지구에 와서 푸른 행성 위에 복잡하게 얽힌 생명의 흔적과 빠르게 변화하는 인공물들이 공존하는 모습을 보았다."

묘사가 한층 풍부해졌습니다. '인공물', '빠르게 변화하는' 같은 표현이 붙으면서 관점이 살짝 넓어졌습니다.

(3) 온도 2.0 (최대)

"외계인은 처음 지구에 와서 초록과 파랑으로 뒤덮인 행성 위에서 다채로운 생명체와 함께 번잡한 회색빛 문명이 예측 불가능한 속도로 꿈틀거리는 모습을 보았다."

형용사와 비유가 확 늘었습니다. 온도를 올릴수록 답이 점점 화려하고 장황해지는 게 보입니다.

보통 "온도 2면 문장이 와르르 무너진다"고들 하는데 요즘 모델은 그렇게까지 깨지지는 않습니다. 문법은 멀쩡한 채로 표현만 과해지는 쪽에 가깝습니다.

3. Temperature(템퍼러처, 온도) 를 낮춰야할까? 높여야할까?

뭘 하느냐에 따라 다릅니다.

일반적인 방법이자 제가 쓰는 방법을 소개하려고 합니다.

번역·요약·코드·사실 정리처럼 틀리면 큰일 나는 일은 온도를 바닥(0~0.3)에 가깝게 낮춥니다.

여기서 창의성은 미덕이 아니라 사고 입니다. "매번 똑같이 나와요"가 정답이고 칭찬인 동네거든요.

반대로 아이디어 잔뜩 뽑기, 문구 여러 버전 받기, 글 초안 다양하게 보기 같은 일은 온도를 올리는 것이 좋습니다(1.0 이상).

이상하거나 말이 안되는게 조금 섞여도 괜찮습니다. 어차피 그중에 골라 쓸 거니까요.

평범한 대화는 그 중간(0.7 안팎)이 기본값입니다.

그래서 ChatGPT가 적당히 자연스러우면서 매번 똑같진 않은 이유가 바로 여기 있습니다.

AI 온도

4. 직접 Temperature(템퍼러처, 온도) 돌려보기

말로만 들으면 안 와닿으니 직접 해봅시다.

5분도 안되는 시간이면 슬라이더를 직접 드래그하면서 AI 성격이 바뀌는 걸 볼 수 있습니다. 더 좋은 점은 공짜입니다.

준비물은 Google AI Studio 하나면 됩니다. 구독도 신용카드도 필요 없습니다.

(1) aistudio.google.com 접속하고 → 구글 계정으로 로그인하기

(1)단계 사이트 접속하기

(2) 왼쪽 사이드바에서 'Playground'(채팅) 선택하기

(2)단계 채팅 선택하기

(3) 오른쪽 모델 드롭다운에서 가벼운 모델로 변경하기

(3)단계 모델 변경하기

Gemini 2.5 Flash나 Gemma 같은 구형·경량 모델이 좋습니다.
(최신 Gemini 3 계열은 온도를 바꿔도 차이가 거의 안 보입니다.)

(4) 오른쪽 'Run settings' 패널에서 'Thinking' 토글을 끄기.

(4)단계 thinking 토글 끄기

켜져 있으면 모델이 답 전에 추론하면서 무작위성을 눌러버려서 온도 차이가 약해집니다. 못 끄는 모델이면 레벨을 Low로 내리거나 위 (3)번처럼 구형 모델로 바꾸면 됩니다.

(5) 가운데 입력창에 아래 프롬프트 입력

"외계인이 처음 지구에 와서 본 것을 한 문장으로 묘사해줘."

(5)단계 프롬프트 입력

(6) 같은 패널의 Temperature 슬라이더를 0 근처로 두고 같은 프롬프트를 5번 실행합니다.

(6)단계 온도 조절 후 실행

(7) 이번엔 슬라이더를 1.8쯤으로 올린 다음 또 5번 실행합니다. → 그 다음 두 묶음을 비교합니다.

(7)단계 온도조절 후 실행

(8) 여기서 핵심은 '여러 번 돌려서 얼마나 들쭉날쭉한지'를 보는 것입니다.

온도는 답을 한 번에 화려하게 만드는 게 아니라, 매번 얼마나 달라지는지를 정하는 값입니다. 그래서 한 번씩만 비교하면 차이가 잘 안 느껴집니다.

온도 0 근처에선 5번을 돌려도 "건물이 많고 사람들이 바쁘게 움직인다" 식으로 다 비슷하게 무난하게나옵니다.

반대로 1.8로 올리면 비유도 관점도 사방으로 튀어서, 5개가 완전히 딴판으로 나옵니다. 숫자처럼 무작위성만 보여주는 게 아니라, 낮으면 안전한 쪽 / 높으면 엉뚱한 쪽으로 방향이 갈리는 것까지 한눈에 보입니다. 이것이 온도의 핵심입니다.

최신 Gemini 3 계열은 온도를 1.0 기준으로 작동하게 설계됐고, 답하기 전 '사고' 과정에서 결과를 합리적인 쪽으로 수렴시킵니다. 그래서 온도를 낮추거나 높여도 잘 안 흔들립니다. 따라서 온도 효과 자체를 또렷이 보려면 가벼운 구형 모델 + thinking off 조합이 제일 좋습니다.

5. 그냥 ChatGPT한테 Temperature(템퍼러처, 온도) 낮춰달라고 하면?

여기서 다들 한 번씩 헷갈리는 부분이 있습니다.

그냥 직접 온도를 조절하는 대신에 ChatGPT 채팅창에 "온도 0.2로 해줘"라고 치면 될 것 같다고 생각하기 쉽습니다. 그런데 그렇다고 해 실제 진짜 온도는 안 바뀝니다.

실제로 일반 ChatGPT·Claude·Gemini 앱엔 Temperature(템퍼러처, 온도) 슬라이더가 아예 없습니다.

그래서 저렇게 부탁하면, 모델은 "신중하게 답하라는 거구나" 하고 말투와 스타일만 그 지시에 맞춰 흉내 낼 뿐, 실제 샘플링 값(temperature)은 전혀 움직이지 않습니다.

비록 톤은 비슷해 보여도 우리가 말한 그 '확률 다이얼'을 만지는 것과는 완전히 다른 것입니다.

실제 설정은 바뀌지 않음.

만약 진짜로 값을 조절하려면 위에서 말한 AI Studio나 API로 가야 합니다.

"온도 낮춰달라고 했는데 결과가 그대로네?" 싶었다면, 값은 처음부터 안 바뀌고 있던 것입니다.

6. Temperature(템퍼러처, 온도) 를 올리면 따라오는 그림자

재밌다고 Temperature(템퍼러처, 온도) 만 올리면 꼭 되는건 아닙니다.

낮은 확률 단어까지 자꾸 끌어다 쓰다 보니 그럴듯한데 사실이 아닌 말이 나오는 경우가 늘어납니다. 없는 사실을 지어내는 겁니다.

<관련 글>

AI가 '그럴듯하게 틀리는' 진짜 이유 (할루시네이션)

2023년, 미국 뉴욕의 한 변호사가 법원에 제출한 서면 때문에 미국 법조계가 술렁였습니다.자기 주장을 뒷받침하려고 판례 6건을 인용했는데, 그중 단 한 건도 실제로 존재하지 않았기 때문입니

www.gominq.com

Temperature(템퍼러처, 온도) 가 그 빈도를 키우는 요인 중 하나입니다. 정확성이 생명인 일에서 온도 낮추라는 게 괜히 나온 말이 아닙니다.

7. 한 줄 요약

Temperature(템퍼러처, 온도) 는 AI의 '모험심' 다이얼. 정확해야 하면 낮추고, 다양해야 하면 높이면 됩니다.

[사이트 소개] 글을 넣으면 도식이 되는 무료 시각화 도구 Napkin AI

GOMINQ — Thu, 18 Jun 2026 17:56:25 +0900

발표자료나 보고서를 만들 때, 내용은 다 정리됐는데 그걸 보기쉽게 그림 한 장으로 보여주려다 막히는 경우가 많습니다.

PowerPoint 도형으로 직접 그리자니 화살표 맞추는 데만 한참이고, 그렇다고 디자인 툴을 배우자니 시간이 오래 걸릴 것 같고 부담스럽습니다.

오늘 소개할 Napkin AI는 바로 이 점을 해결해 주는 도구입니다. 글을 넣으면 그 내용에 맞는 도식을 알아서 만들어 줍니다.

더 좋은 점은 무료로도 충분히 써볼 수 있다는 점입니다.

1. Napkin AI란?

간단히 한 줄로 말하면 글을 그림으로 바꿔주는 시각화 도구입니다. 텍스트를 넣으면 그 안의 구조를 읽어서 다이어그램, 인포그래픽, 플로우차트 같은 형태로 자동으로 만들어 줍니다. 추천해주면 그 추천해준걸 바탕으로 우리는 선택만 하면 됩니다.

Napkin AI - The visual AI for business storytelling

이름도 은근 직관적으로 잘 지었습니다.

좋은 생각이 갑자기 떠오를때 여러분은 근처에 종이가 없어서 옆에 있던 냅킨에 급하게 끄적여 본 적 있는 분들이 많으실 겁니다.

그렇게 적은 건 보통 나중에 보면 쉽게 알아볼 수 없는 낙서로 남기 마련입니다.

Napkin AI의 뜻은 그런 그 "냅킨 위의 끄적인 아이디어"를 깔끔한 도식으로 정리해 준다는 뜻입니다. 이름에 콘셉트가 그대로 담겨 있습니다.

여기서 오해하면 안 되는 중요한 것이 하나 있습니다.

Napkin AI는 미드저니 같은 그림 생성 AI랑은 완전히 다릅니다.

예를들어 미드저니가 "노을 지는 바닷가"를 상상해서 그려준다면, Napkin AI는 상상을 하지 않습니다.

내가 쓴 글의 논리만을 읽어서 배치 해줍니다.

그래서 결과물도 예쁜 일러스트가 아니라, 내용이 잘 정리된 도식형태입니다. 발표나 보고서에 매우 유용합니다.

2. 어떤 그림이 나오는가?

재밌는 점은 넣은 글의 성격을 보고 알맞은 형태를 알아서 골라줍니다.

예를들어 순서가 있는 내용을 넣으면 플로우차트로 만들어 주고, 항목을 비교하는 내용이면 비교표로 정리해 줍니다.

개념들이 얽혀 있으면 마인드맵, 숫자가 들어가면 간단한 그래프로 바꿔줍니다.

예를 들어 "AI 학습은 데이터 수집, 전처리, 학습, 평가 순서로 진행된다"라고 넣으면 네 칸짜리 순서도가 뚝딱 나옵니다.

내가 "이건 무슨 도표로 그리지" 하고 고민할 필요가 전혀 없습니다. 내용만 던지면 옷은 알아서 입혀줍니다.

물론 Napkin AI가 추천해 준 것이 아닌 다른 형태로도 직접 만들 수 있습니다.

Napkin AI가 만들어주는 그림

3. Napkin AI 써보는 법

처음 써도 헤맬 게 거의 없고, 매우 쉽습니다

아래 처럼 따라 하면 됩니다.

(1) napkin.ai 접속한 다음 → 오른쪽 위 'Get Napkin Free' 클릭합니다.

(1)단계 Napkin AI 접속

(2) 구글 계정이나 이메일로 가입합니다. (1분이면 끝나요)

(2)단계 계정 가입

(3) 'New Napkin'으로 새 캔버스 엽니다.

(3)단계 새 캔버스 열기

(4) 'New Napkin'을 누르면 "텍스트를 어떻게 추가할까요?(How would you like to add text?)" 창이 뜹니다.

시작 방법을 네 가지 중에 고를 수 있습니다.

1) 텍스트 붙여넣기 (By pasting my text): 이미 써둔 메모·개요·글로 시작. 가장 많이 쓰는 방식입니다,

2) 아이디어 설명하기 (By describing my idea): 원하는 내용·비주얼을 말로 설명하면 AI가 글 초안까지 만들어 줍니다. 쓴 글이 없을 때 편한 방식입니다.

3) 파일 가져오기 (By importing a file): 기존 문서·발표자료·SNS 게시물을 불러와서 다듬고 싶을 때 씁니다.

4) 빈 냅킨 (Blank Napkin): 백지에서 직접 쓰면서 바로 시각화하고 싶을 때 씁니다.

처음 쓰는 분은 그냥 텍스트 붙여넣기로 시작하면 제일 직관적이고 편합니다.

(4)단계 시작 방법 고르기

(5) 도식으로 만들 문단에 마우스를 올리면 뜨는 파란 번개 아이콘 클릭합니다.

(5)단계 파란 번개 아이콘 클릭

(6) AI가 후보를 여러 개 보여주면 마음에 드는 걸로 선택합니다.

(6)단계 후보 중 맘에 드는 것 선택

줄글 몇 줄이 3~4초 만에 발표장에 걸어도 될 도표로 바뀌는 모습을 보면 신기합니다.

4. 좀 더 잘 뽑는 방법

크게 두 가지만 기억하면 됩니다.

먼저, 글을 통째로 넣지 말고 나눠 넣습니다. 긴 글을 다 넣으면 AI가 어디가 핵심인지 헷갈려서 엉뚱하게 묶어버립니다. 또는 도식으로 만들부분만 드래그한 뒤 파란 번개 아이콘을 클릭해서 만듭니다.

또한 시각화할 부분만 잘라서 넣어야 깔끔하게 나옵니다. "3단계로 나뉜다", "A랑 B는 이게 다르다"처럼 구조가 분명한 문장일수록 결과가 좋습니다.

글을 나눠서 넣기

그리고 마음에 안 들면 몇 번 더 돌려보면 됩니다. 같은 글이라도 누를 때마다 디자인이 조금씩 다르게 나옵니다. 저는 보통 두세 번 돌려서 제일 나은 걸 고릅니다. 스타일도 여러 개라 자료 분위기에 맞게 바꾸면 됩니다.

5. 만든 도식, 마음대로 고치기

AI가 뽑아준 게 끝이 아닙니다. 생성된 도식은 만든 도식위에 마우스를 올려놓으면 거의 다 직접 손볼 수 있고, 이 수정 기능은 무료 플랜에서도 제한 없이 쓸 수 있습니다.

AI가 살짝 어색하게 만들었을 때 여기서 다듬으면 됩니다.

생성된 도식 수정

(1) 색 바꾸기: 글자·아이콘·도형 같은 요소를 클릭하면 색상 메뉴가 뜹니다. 색을 팔레트에서 고르거나 HEX 코드를 직접 넣을 수 있습니다.

색바꾸기

(2) 아이콘 교체: 아이콘을 클릭하면 없으면 Spark Search(번개 든 돋보기 아이콘)로 원하는 아이콘이나 도형을 검색해서 다른 걸로 바꿀 수 있습니다.

아이콘 교체

(3) 텍스트 수정: 도식 안의 글자를 더블 클릭해서 바로 고칠 수 있습니다. AI가 문장을 살짝 잘못 요약했을 때 직접 손보기 좋습니다.

텍스트 수정

(4) 글꼴·배치·연결선: 폰트, 레이아웃, 화살표(연결선)도 조정됩니다. 요소를 더하거나 빼면 알아서 조정해서 배치가 크게 안 망가집니다.

배치 조정하기

(5) 스타일 통째로 바꾸기: 오른쪽 스타일 패널에서 색감·선 굵기가 다른 스타일로 한 번에 교체할 수 있습니다.

스타일 통째로 바꾸기

아이콘 크기를 바꿀 땐 정렬이 틀어지지 않게 하나씩 선택해서 조절하세요.

6. 만든 도식, 어디다 사용할까?

완성된 도식은 PNG나 PDF로 내보낼 수 있어서 PowerPoint, 한글, 블로그에 바로 끼워 넣으면 됩니다.

특히 편한점은 배경 투명이 되니까 슬라이드 위에 얹어도 흰 박스가 안 튀고 자연스럽게 넣을 수 있다는 장점이 있습니다.

글로 길게 설명한 부분에 도식 하나 곁들이면, 확실히 사람들이 더 읽기에 집중할 수 있어 좋습니다.

만든 도식 출력

7. 무료 vs 유료, 무엇이 다른가?

가장 궁금해할 부분입니다.

결론부터 말하면, 가볍게 쓰면 무료로도 충분합니다.

다만 워터마크가 신경 쓰이거나 PPT로 내보내야 한다면 유료를 고려하게 됩니다.

	무료	PLUS	PRO
가격	0	월 12$	월 30$
AI 크레딧	주 500(월요일 초기화)	월 10,000	월 30,000
도식 생성, 수정	O	O	O
내보내기	PNG, PDF	PNG, PDF, PPT, SVG	PNG, PDF, PPT, SVG
워터마크	있음	없음	없음
맞춤 브랜드(색, 폰트)	X	기본 제공	폰트 업로드까지
팀 협업	제한적	O	O

크레딧은 대략 글자(단어) 하나당 1크레딧입니다.

그러니 무료 주 500이면 매 주 짧은 도식 몇 개 만드는 정도라고 보면 됩니다.

연간 결제를 하면 25%쯤 싸집니다.

쉽게 정리하면 다음과 같습니다.

가끔 한두 개 만든다 → 무료로 충분.

콘텐츠·발표자료를 자주 만들고 워터마크 없이 PPT로 빼고 싶다 → Plus.

브랜드 통일이 중요하거나 대량으로 뽑는다 → Pro.

Napkin AI 요금제

요금과 크레딧 정책은 자주 바뀌는 편이니 다시 확인 하는 것이 좋습니다.

8. 아쉬운 점

장점이 많지만 단점도 있습니다.

일단 한국어 인식이 영어보다 약합니다. 긴 한국어 문단을 넣으면 가끔 문장을 엉뚱하게 끊어서 묶습니다.

그러니 한국어로 쓸 땐 더 짧고 명확하게 끊어서 넣는 게 안전합니다.

그리고 복잡한 관계도엔 약합니다. 항목이 대여섯 개 넘어가면 배치가 슬슬 어그러지고 화살표가 꼬이기 시작합니다.

복잡한 건 차라리 단순한 도식 두세 개로 쪼개는 게 낫습니다. 또, 색·아이콘·텍스트 같은 개별 손질은 잘 되지만, 전문 디자인 툴처럼 자유롭게 레이아웃을 짜는 수준은 아닙니다.

정리하면, 완성형 디자인 툴이라기보단 빠르게 80점짜리 초안을 뽑고 다듬는 도구입니다.

이 선만 알고 쓰면 시간을 확실히 아껴줍니다.

9. 마무리

Napkin AI는 핵심 기능을 무료로 쓸 수 있습니다.

글을 도식으로 만들고, 직접 수정하고, PNG·PDF로 내보내는 것까지 무료 플랜에서 다 됩니다.

다만 무료는 주당 생성 크레딧에 제한이 있고 내보낸 이미지에 작은 워터마크가 붙습니다.

워터마크 제거, PPT·SVG 내보내기, 맞춤 브랜드 같은 고급 기능은 유료 플랜에서 풀립니다(위 표 참고).

그래도 일반적인 용도라면 무료로도 충분히 쓸 만하니, 우선 무료로 시작해보길 추천합니다.

손에 익는 데 오래 걸리는 도구도 아니라서, 한 번 만들어보면 바로 감이 옵니다.

발표든 보고서든 콘텐츠든, 도식 만들 일이 잦은 분이라면 한 번쯤 써볼 만합니다.

AI가 '그럴듯하게 틀리는' 진짜 이유 (할루시네이션)

GOMINQ — Sat, 13 Jun 2026 14:27:24 +0900

2023년, 미국 뉴욕의 한 변호사가 법원에 제출한 서면 때문에 미국 법조계가 술렁였습니다.

자기 주장을 뒷받침하려고 판례 6건을 인용했는데, 그중 단 한 건도 실제로 존재하지 않았기 때문입니다.

사건 번호도, 판결 요지도, 그 안에서 또 인용한 다른 판례까지 전부 다 그럴듯하게 만들어진 가짜였습니다.

변호사는 ChatGPT가 법률 데이터베이스를 검색해 판례를 찾아줄 수 있다고 믿었습니다. 하지만, 사실 그 당시 ChatGPT는 그런 기능이 없는 그냥 챗봇이었습니다.

이 변호사는 심지어 ChatGPT에게 "이거 진짜 판례 맞나요?"라고 두 번이나 물어봤습니다.

ChatGPT는 자신 있게 "네, 모두 실제 판례입니다"라고 답했고요.

결과는 벌금 5,000달러와 망신을 당했습니다. 이것이 바로 그 유명한 Mata v. Avianca 사건입니다.[1]

Mata v. Avianca 사건

이렇게 AI가 사실을 지어내고도 정작 본인은 그게 사실인 줄 아는 현상을 할루시네이션(Hallucination, 환각) 이라고 부릅니다.

이미 여러분들도 겪어보신 적이 있을 것입니다.

논문을 인용해줬는데, 검색해보니 존재하지 않는 경우. 물품을 검색해 줬는데 실제로는 없는 경우.

AI를 써본 사람이라면 누구나 한 번쯤 겪어봤을 상황입니다.

그럼 AI는 일부러 거짓말을 하고 우리를 속이려는 걸까요?

아닙니다. 더 흥미롭고, 솔직히 좀 무서운 진실은, AI는 구조적으로 그렇게 작동하도록 만들어졌습니다.

1. AI는 ‘정답’을 찾는 것이 아니라 ‘다음 단어’를 예측

우리가 사용하는 대부분의 AI는 LLM(대형 언어 모델, Large Language Model) 입니다.

이 모델이 수행하는 핵심 작업은 매우 단순합니다.

“이 문장 다음에 올 단어는 어떤 것이 나오는 것이 확률이 가장 높을까?”라고 생각하는 것입니다. 이 것을 수없이 많이 반복해서 문장을 만들어냅니다.

예를 들어,

"대한민국의 수도는 ___"

같은 질문에는 응답을 정확히 답합니다. 서울이라는 단어가 압도적으로 자주 등장했기 때문입니다.

하지만,

"1987년 부산국제영화제 폐막작은?"

같은 질문은 다릅니다. 학습 데이터에 정확한 정보가 없으면, AI는 그럴듯해 보이는 영화 제목을 확률적으로 내보냅니다.

부산국제영화제는 1987년에 없었는데도 AI가 자신 있게 대답하는 것입니다.

LLM은 사실을 저장하는 데이터베이스가 아닙니다. 패턴을 학습해서 정답처럼 보이는 문장을 확률적으로 생성하는 구조입니다.

AI 는 패턴을 학습

2. AI가 "모르겠다" 라고 말하기 어려운 이유

흔히들 AI가 "모른다"고 말 못하게 만들어졌다고 생각합니다. 그런데 정확히 표현하면 조금 다릅니다.

모를 때는 찍는 게 AI 모델 입장에서 더 이득이 되도록 학습되어 있다는 것이 더 정확합니다.

OpenAI가 2025년에 내놓은 분석을 보면 그 이유가 드러납니다.[2]

AI 성능 평가에 쓰이는 대부분의 벤치마크가 이진 채점을 합니다. 맞으면 1점, 틀리거나 "모르겠다"라고 하면 0점입니다.

그럼 모델 입장에선 계산이 명확해집니다.

모른다고 답하기 → 무조건 0점.
찍어서 답하기 → 운 좋으면 1점, 운 나빠도 0점.

AI 평가 벤치마크 이진 채점

즉, 찍는 게 무조건 이득입니다. 그렇게 학습된 모델은 실제 사용에서도 모를 때 찍습니다. 객관식 시험에서 빈칸을 두느니 혹시 모르니 찍고 보는 학생과 똑같은 원리입니다.

이걸 Overconfidence(과신) 문제라고 합니다. 모델이 모르겠다고 못 멈추는 게 아니라, 멈추지 않도록 학습된 것입니다.

3. 학습 데이터에는 쓰레기도 섞여 있음

AI는 인터넷, 책, 논문을 통째로 학습합니다. 그 안에는 검증되고 믿을 만한 자료들(ex>학술 논문)도 있지만 음모론 게시판, 잘못된 의학 정보 등도 섞여 있습니다.

2024년 구글 AI Overviews 사건이 대표적인 예시입니다.

한 사용자가 구글 AI 검색에 "피자에 치즈가 안 붙어요"라고 검색하였습니다.

그랬더니 구글이 '소스에 무독성 접착제를 1/8컵 정도 넣어보세요.' 라고 답했습니다.

이 답변의 출처는 10여년 전 Reddit의 한 농담 댓글이었습니다.[3]

AI는 농담인지 진담인지 구분하지 못하고, 그저 '관련성 높은 텍스트'라고 판단해서 인용했습니다.

AI에겐 자주 등장한 표현 = 신뢰할 만한 정보라는 착각이 있습니다.

즉, AI는 '진실'을 배우는 게 아니라 '자주 보인 표현'을 배웁니다.

자주 등장한 정보 = 신뢰할 만한 정보 라고 착각합

4. 모르는 시점의 일은 추측해서 생성

AI는 특정 시점까지의 데이터로만 학습합니다. 이를 Knowledge Cutoff(지식 단절) 라고 합니다.

문제는 AI가 본인이 모르는 특성 시점 이후의 일에 대해서도 답을 만들어낸다는 점입니다.

예를 들어, 2024년까지 학습된 AI에게 2026년의 사건을 물어보면

선택지는 보통 두 가지입니다.

1. 모른다고 솔직히 말하기
2. 기존 지식을 바탕으로 추론하기

대부분의 경우 AI는 2번을 선택합니다.

AI의 선택

그 과정에서 잘못된 정보가 만들어지기도 합니다.

도널드 트럼프가 47대 미국 대통령으로 취임한 지 100일이 지났는데도, ChatGPT는 여전히 "조 바이든이 현 대통령"이라고 답하는 경우가 많았습니다.[4]

OpenAI는 ChatGPT의 핵심 학습 데이터가 2024년 6월에서 멈췄다고 밝혔는데, 그 이후의 대선 결과와 정권 교체가 모델에 반영되지 않았던 것입니다. 여기서 AI가 "잘 모르겠다"고 답하지 않고 옛 정보를 자신 있게 사실처럼 말한 것입니다. 같은 시기 Meta의 Llama 3 모델도 같은 실수를 했습니다.

즉, AI는 자기 학습이 멈춘 시점 이후의 변화를 모릅니다. 그런데도 모른다고 말하지 않고, 마지막으로 본 정보를 현재처럼 답하는 것입니다.

5. 길고 복잡한 문제일수록 오류가 쌓임

AI는 단순한 질문에는 비교적 정확합니다.

하지만, 수학 문제, 다단계 추론, 코드 디버깅처럼 여러 단계를 거치는 작업에서는 이야기가 달라집니다.

작은 실수 하나가 치명적입니다.

예를들어 처음 단계에서 1+1을 3으로 처리해버리면, 그 뒤 모든 계산이 줄줄이 망가집니다.

즉, 그 실수가 이후 단계로 계속 전달되기 때문 오류가 쌓이기 시작합니다.

AI의 계산 오류

이걸 Error Propagation(오류 전파) 라고 합니다.

거기다가 AI는 자기가 어디서 틀렸는지 스스로 잘 못 잡아냅니다.

즉, 중간에 멈춰서 "잠깐, 이 단계 이상한데?"라고 의심하는 능력이 부족합니다. 그래서 길고 자세한 답변일수록 사실 더 위험합니다. 길게 써서 그럴듯해 보일 뿐, 안에서는 오류가 진행되고 있을 수 있습니다.

6. AI는 생각보다 사용자의 눈치를 봄

AI는 사람의 피드백으로 학습됩니다.

그런데 사람들은 AI가 자기 의견에 동의해줄 때 더 후한 점수를 주는 경향이 있습니다.

그래서 AI도 점점 동의 잘 해주는 쪽으로 학습됩니다. 이걸 Sycophancy(아첨 경향) 이라고 합니다.

따라서 사용자가 확신을 갖고 질문하면 AI도 따라서 확신합니다.

대표적인 예로, 2025년 4월, OpenAI는 GPT-4o 업데이트를 며칠 만에 롤백한 적이 있습니다.

모델이 사용자의 명백히 잘못된 주장에도 "정말 좋은 통찰이세요!"라고 과하게 칭찬하는 게 도를 넘었다는 게 이유였습니다.[5]

당신이 "이거 A가 만든 거 맞죠?"라고 확신을 갖고 물으면, 실제로 B가 만든 거여도 AI는 "네, 맞습니다"라고 답할 확률이 올라갑니다.

명백히 잘못된 주장을 동의하는 AI

확신 있는 질문이 정답을 부르는 게 아니라, 동의를 부릅니다.

7. AI의 위험성: 그럴듯하게 틀림

지금까지 살펴본 걸 정리하면 이렇습니다.

AI는

- 의미를 이해하지 않습니다
- 사실 여부를 검증하지 않습니다
- 확률에 따라 문장을 합성합니다
- 그러면서 자신감 있는 톤으로 답합니다

그 결과, 틀린 답변도 매우 자연스럽고 설득력 있게 표현됩니다.

AI 정리

이것이 가장 위험한 점입니다. 명백히 어색한 답변이라면 우리가 의심이라도 할 텐데, 그럴듯하면 그냥 믿어버리거리기 쉽숩니다.

Mata v. Avianca의 변호사도 그래서 당한 겁니다. ChatGPT가 만든 가짜 판례는 너무나 자연스러웠었습니다.

8. 올바른 AI 활용 방법

따라서 AI는 올바르게 사용해야 하는 도구입니다.

"조심해서 쓰세요"라고 막연하게 말하는 것보다 다음과 같은 원칙을 지켜 사용하는 것이 중요합니다.

① 출처를 강제로 요구하기
: "원문 링크나 실제 인용 문헌도 같이 알려줘"라고 명시하면 AI가 막 지어내는 빈도가 줄어듭니다.

출처를 강제로 요구하기

② 검색 기능을 켜기
: 최근 모델들은 RAG(검색 증강 생성)를 지원합니다. 자체 기억에 의존하지 않고 실시간으로 검색해서 답하는 구조라 할루시네이션이 크게 줍니다. ChatGPT의 Search, Claude의 웹 검색, Perplexity 같은 도구를 의식적으로 사용하는 습관이 중요합니다.

검색 기능을 켜기

③ 두 개의 모델에 같은 질문을 던지기
: 예를 들어 ChatGPT와 Claude의 답이 갈리면 둘 다 의심해야 합니다.

두 개 모델에 같은 질문을 던지기

④ "이거 확실해?"는 생각보다 효과가 적음
: AI에게 되물으면 자기 답을 진짜 검증하는 게 아니라, 사용자가 의심하고 있다는 신호로 받아들여서 답을 뒤집어버리기도 합니다. 진짜 검증은 AI 안에서가 아니라 외부 출처에서 해야 합니다.

AI에게 되묻는 것은 생각보다 효과가 적음

⑤ 위험 도메인을 의식하기
:법률, 의학, 최신 통계, 학술 인용. 특히 이 네 영역은 할루시네이션이 압도적으로 잦습니다. 이런 분야에서는 더더욱 AI 답변을 초안으로만 받고 반드시 1차 자료를 직접 확인해야 합니다.

위험한 주제는 특히 더 확인하기

9. 결론

AI는 진실 만을 말하지 않습니다. 그럴듯하게 틀릴 수 있습니다.

이것은 일시적인 오류가 아니라, 언어 모델 구조에서 비롯된 특성입니다.

결국 중요한 것은 AI를 맹신하는 능력이 아니라 AI를 비판적으로 활용하는 능력,

이것이 AI 시대에 가장 중요한 역량입니다.

[1] https://en.wikipedia.org/wiki/Mata_v._Avianca,_Inc.

[2] https://arxiv.org/abs/2509.04664

Why Language Models Hallucinate

Like students facing hard exam questions, large language models sometimes guess when uncertain, producing plausible yet incorrect statements instead of admitting uncertainty. Such "hallucinations" persist even in state-of-the-art systems and undermine trus

arxiv.org

[4] https://www.newsweek.com/who-president-ai-chatbots-struggle-kindergarten-level-question-2074938

RAG란? AI가 최신 정보를 아는 방법

GOMINQ — Mon, 13 Apr 2026 12:50:30 +0900

여러 분 혹시 예전에 ChatGPT한테 오늘 뉴스를 물어본 적 있으신가요?

물어보면 대부분 "해당 정보를 알 수 없습니다"라는 답을 받게 됩니다.

그런데 최근 AI 서비스는 최신 뉴스도 알고, 우리 회사 내부 자료도 척척 참고합니다.

AI 서비스 차이

같은 AI인데 왜 이런 차이가 날까요?

AI가 더 똑똑해서가 아닙니다. 답하기 전에 먼저 자료를 찾아보게 만들었기 때문입니다.

이게 바로 RAG입니다.

1. AI는 왜 최신 정보를 모를까

ChatGPT, Claude 같은 AI는 특정 시점까지의 데이터를 한꺼번에 학습합니다. 따라서, 그 이후에 생긴 일은 당연히 모릅니다.

이는 2023년까지 책으로 공부한 사람에게 2025년 나온 새로운 소식을 물어보는 것과 같습니다.

이건 단순히 업데이트가 안 된 게 아니라 AI 구조 자체의 한계입니다.

AI는 우리가 생각하는 것처럼 인터넷을 실시간으로 보고 있지 않습니다. 학습할 때 본 내용을 파라미터(parameter)라는 내부 저장소에 압축해서 담아두고, 질문이 들어오면 그 기억만 꺼내서 답합니다.

AI 구조

문제는 이 기억 창고가 고정되어 있다는 점입니다. 새 정보를 넣으려면 처음부터 다시 학습해야 합니다. 비용도 시간도 어마어마하게 듭니다. 또한 애초에 학습에 포함되지 않은 자료는 아예 알 수가 없습니다. 우리 회사 내부 문서, 특정 분야 전문 자료, 개인 메모 같은 것들이 그렇습니다.

결국 기존 AI는 과거 정보만 알고 있고, 외부 자료에는 접근할 수 없는 구조입니다.

이러한 문제를 해결하기 위해 나온 것이 RAG입니다. RAG는 이 두 가지를 동시에 해결합니다.

2. RAG란?

RAG는 Retrieval-Augmented Generation의 줄임말로, 한국어로는 검색 증강 생성이라고 합니다. 이 세 단어에 RAG에 모든 과정이 담겨 있습니다.

RAG

단어 하나씩 풀어보면 이렇습니다.

먼저, Retrieval은 검색입니다. 질문과 관련된 자료를 데이터베이스에서 찾아옵니다.

Retrieval (검색)

다음으로 Augmented는 증강, 즉 찾아온 자료를 AI에게 추가로 건네줍니다.

Augmented (증강)

마지막으로 Generation은 생성으로, AI가 그 자료를 참고해서 답변을 만들어냅니다.

Generation (생성)

정리하면 이렇습니다.

기존 AI는 기억만 보고 답하고, RAG AI는 자료 찾아보고 답합니다. 즉, AI가 더 똑똑해진 게 아닙니다. 답하기 전에 관련 자료를 쥐여준 것입니다.

3. RAG 사용 예시

한 번 생각해 볼까요?

RAG 없이 질문하면 이렇게 됩니다.

"우리 회사 2024년 3분기 매출이 얼마야?"
AI: "죄송합니다. 해당 정보를 알 수 없습니다."

당연한 결과입니다. AI가 그 자료를 본 적이 없으니까요.

RAG없이 질문할 때

하지만, RAG를 적용하면 달라집니다.

"우리 회사 2024년 3분기 매출이 얼마야?"
(RAG가 사내 문서에서 관련 보고서를 찾아서 AI에게 전달)
AI: "2024년 3분기 매출은 ○○억 원으로, 전 분기 대비 12% 증가했습니다."

AI가 공부를 새로 한 게 아닙니다. 답하기 직전에 관련 문서를 찾아 읽은 것입니다. 시험에서 오픈북을 허용해 준 것과 같습니다.

RAG를 적용했을 때

4. RAG가 동작하는 순서

RAG는 세 단계로 작동합니다.

첫째, 사용자가 질문을 입력합니다.

둘째, 질문과 관련된 문서를 데이터베이스에서 찾습니다.

셋째, 찾은 문서를 참고해서 답변을 생성합니다.

RAG 작동방식

여기서 핵심은 두 번째 단계입니다. 단순히 단어를 맞춰서 찾는 게 아니라 의미가 비슷한 문서를 찾는 방식을 씁니다. 이때 사용되는 기술이 임베딩(Embedding)입니다.

임베딩은 텍스트를 숫자로 바꿔서 의미를 좌표처럼 표현하는 기술입니다. 예를 들어 "환불 정책"과 "구매 취소 규정"은 단어는 다르지만 의미가 비슷합니다. 임베딩을 쓰면 이런 문장들이 서로 가까운 위치에 놓여서, 의미 기반으로 관련 문서를 정확하게 찾을 수 있습니다.

임베딩 기법

5. RAG가 중요한 이유

지금 기업들이 AI를 도입할 때 RAG는 거의 필수가 됐습니다. 그 이유는 다음과 같습니다.

데이터베이스만 업데이트하면 AI가 바로 최신 정보를 참고할 수 있습니다. 처음부터 다시 학습할 필요가 없으니 비용이 훨씬 적게 듭니다. 회사 내부 자료나 특정 분야 전문 자료를 그대로 활용할 수 있어서, 우리 조직에 맞는 AI를 빠르게 만들 수 있습니다.

또한 할루시네이션 문제도 줄어듭니다. 할루시네이션은 AI가 사실이 아닌 내용을 그럴듯하게 만들어내는 현상입니다. RAG는 실제 문서를 근거로 답하기 때문에 이런 오류가 줄고 어떤 자료를 참고했는지도 보여줄 수 있습니다.

6. 정리

RAG를 한 줄로 요약하면 이렇습니다.

"AI가 답하기 전에 먼저 관련 자료를 검색해서 참고하게 만드는 기술"

AI를 더 똑똑하게 만드는 게 아니라, 더 정확하게 말하도록 만드는 방법입니다.

AI가 쓴 글은 왜 다 비슷하게 느껴질까?

AI는 어떻게 그림을 만드는 것일까?

GOMINQ — Mon, 30 Mar 2026 13:10:01 +0900

1. AI는 그림을 그리는 것일까?

사람들은 AI가 그림을 그린다고 생각합니다. 우리가 그림을 그릴 때 머릿속으로 먼저 상상하고, 그것을 스케치하고 색칠하듯 말입니다.

AI가 이미지를 만드는 방식?

하지만 실제 AI가 그림을 그리는 방식은 다릅니다. AI는 상상해서 그리지 않습니다. 사실 “그린다”라는 표현 자체가 올바른 표현이 아닙니다. AI가 그림을 그리는 방식은 확률을 계산해서 그리는 방식입니다. 그것도 한 번만 확률을 계산하는 것이 아니라 수 없이 많은 계산을 반복해서 만듭니다.

AI가 그림 그리는 방식

2. AI는 캔버스가 아니라 노이즈에서 시작된다.

AI는 빈 캔버스에서 그림을 그리지 않습니다.

무작위 확률 분포로 가득 찬 '노이즈' 상태에서 시작합니다.

노이즈 상태

왜 노이즈 상태에서 시작할까요?

그건 단순한 분포에서 복잡한 이미지 분포로 점진적으로 이동하는 것이 훨씬 안정적이고 학습하기도 쉽기 때문입니다. 즉, 처음부터 완성된 그림을 그리려 하기보단 뿌옇게 시작해서 조금씩 정리하는 것이 더 효율적이고 쉽기 때문입니다.

단순 분포에서 복잡한 이미지로

3. 그림을 그리는 원리 Diffusion 모델

그림을 그릴 때는 보통 Diffusion 모델을 사용합니다.

Diffusion 모델은 그림을 처음부터 그리는 것이 아니라 그림을 일부러 망가뜨렸다가 복원하는 과정을 학습합니다.

디퓨전 모델

3.1 이미지를 망가뜨리는 과정

고양이 사진을 예로 들어보겠습니다.

먼저 고양이 처음 상태의 사진은 아래와 같습니다.

처음 상태 고양이 사진

여기에 약간의 노이즈를 추가합니다.

노이즈 추가한 상태의 고양이 사진

다음 단계에 더 많은 단계의 노이즈를 추가합니다.

노이즈 더 추가한 상태의 고양이

그 다음 단계에는 더 많은 노이즈를 추가합니다.

노이즈를 더 많이 추가한 상태

이 과정을 반복하면 결국 완전한 노이즈 이미지가 됩니다.

노이즈 상태

이미지 정보가 점점 사라지고 이 과정을 정방향 확산 과정(forward diffusion process)이라고 부릅니다.

3.2 노이즈 추가 규칙

여기서 중요한 것은 노이즈를 그냥 아무렇게나 마구 추가하는 것이 아닙니다. 규칙에 따라 추가하는데 이때, 일반적으로 가우시안 노이즈(정규분포 노이즈)가 사용됩니다.

가우시안 노이즈란?

가우시안 노이즈는 이미지나 데이터에 무작위로 작은 값을 더하는 잡음을 말합니다. 여기서 가우시안은 값이 정규분포(벨 모양 분포)를 따른 다는 이야기입니다.

즉, 대부분의 노이즈는 작은 값이면 큰 변화는 드물게 발생합니다. 그래서 이미지가 완전히 깨지지 않고 조금씩 흐려지듯이 망가집니다.

수학적으로 다루기 쉽고 확률 계산이 안정적이며 샘플링이 간단하기 때문에 주로 사용합니다.

3.3 모델 복원방향

모델은 이제 노이즈가 섞인 이미지에서 원래 방향으로돌아가려면 어떤 방향으로 픽셀을 수정해야 할까 고민을 하게 됩니다.

그래서 어떤 픽셀이 노이즈이고 어떤 구조가 실제 이미지인지 확률적으로 추정하고, 노이즈를 제거할 방향을 예측합니다.

이제 생성 단계에서는 학습 때 과정을 역으로 생성합니다. 아까 이미지를 망가뜨린 과정 역순으로 생각하면 됩니다. 이것을 역방향 확산 과정( reverse diffusion process )이라고 합니다.

완전한 노이즈 → 노이즈 조금 제거 → 확률 계산 → 노이즈 조금 더 제거 → 반복

역방향 확산 과정

어떤 픽셀이 노이즈인지, 어떤 구조가 실제 이미지인지 확률적으로 추정합니다. 그리고 어떻게 할지 노이즈를 제거하는 방향을 예측합니다.

처음엔 점처럼 보이다가 윤곽이 생기고, 형태가 잡히고, 결국 디테일까지 완성됩니다.

점 → 윤곽 → 형태 → 디테일

노이즈에서 이미지로 바꿔가는 것입니다.

4. 텍스트는 어떻게 숫자가 될까?

이제 이미지가 그려지는 구조는 우리가 알았습니다. 그런데 이미지를 생성하다보면 한 가지 중요한 의문점이 생기게 됩니다.

우리는 텍스트를 입력했는데 컴퓨터는 0,1,0,1 밖에 이해하지 못하잖아? 그런데 어떻게 문장을 이해하지?

예를 들어 우리가 이런 문장을 입력했다고 해봅시다.

“창가에 앉아있는 고양이, 사진 스타일”

사람은 이해할 수 있지만 컴퓨터는 이해할 수 없습니다. 그래서 먼저 텍스트를 숫자로 변환하는 과정을 거칩니다. 이 과정을 임베딩(embedding)이라고 합니다.

4.1 임베딩이란?

간단히 말하면 단어나 문장의 의미를 숫자 벡터로 표현하는 방법입니다. 예를들어 고양이란 단어는 모델 안에서 다음과 같이 변환됩니다.

고양이 -> [ 0.21. -0.34, …]

이러한 벡터 숫자배열로 변환됩니다. 이 값들은 단어의 의미를 반영하도록 학습된 좌표입니다.

벡터란?

벡터란 어떤 위치나 특징을 표현하는 숫자 배열입니다.

[0.21, -0.34, 0.54, 0.12]

이렇게 AI는 텍스트와 이미지 정보를 모두 벡터 형태로 바꿔서 계산합니다.

이러한 단어들은 2,3차원 이런 공간에 있는 것이 아니라 수백차원, 수천 차원이나 되는 고차원 벡터 공간에 있습니다. 즉, 단어 하나가 수백 개 이상의 좌표 값으로 표현됩니다.

예를 들어

고양이 -> [0.21, -0.34, 0.87, …]

강아지 -> [0.19, -0.3, 0.85, …]

자동차 -> [-0.65, 0.88, -0.22,..]

이렇게 표현됩니다.

그런데 여기서 자세히 보면 중요한 특징이 있습니다. 비슷한 의미를 가진 단어들은 벡터 공간에서 서로 가까운 위치에 놓입니다.

벡터 공간 배치

예를 들어, 고양이란 단어 근처에 강아지, 호랑이 같이 비슷한 단어들은 가까이에 모여있고 자동차, 비행기, 기차 같은 단어들은 먼 곳에 위치합니다. 이렇듯이 AI는 단어의 의미를 사전적 정의로 이해하는 것이 아니라 공간 속 위치 관계로 이해합니다.

4.2 텍스트 프롬프트

아까 문장인

“창가에 앉아있는 고양이, 사진 스타일”

을 살펴봅시다.

이 문자은 모델 안에서 여러 개의 벡터로 변환됩니다.

즉, 창가 벡터, 고양이 벡터, 사진 벡터 이 벡터들이 합쳐져 하나의 방향을 만들어 냅니다.

벡터 이미지 생성

이제 이미지 생성 모델은 노이즈를 정리할 때 지금 생성되는 이미지가 이 벡터 방향과 얼마나 가까운가 계산합니다.

그 계산이 반복되면서 고양이 형태가 되고, 창가에 앉아있는 모습이 되고, 실제 사진 처럼 보이게 되는 것입니다.

이것을 벡터 정렬 이라고 합니다. 텍스트 벡터와 이미지 벡터가 같은 의미공간에서 서로 맞춰지는 것입니다.

벡터 정렬

그래서 모델은 이미지 벡터가 텍스트 벡터와 잘 맞는지 확인하고 이 값이 높을수록 이미지의 의미와 텍스트의 이미가 서로 잘 맞는다는 뜻이 됩니다.

5. 모든 것은 확률 분포로부터 시작

이미지는 수 많은 픽셀들의 집합입니다.

예를 들어 512*512 크기의 이미지라면 512* 512 약 26만개의 픽셀로 이루어져 있습니다.

26만개 픽셀 그림

AI는 이 픽셀을 한 번에 그리지 않고 각 픽셀에게 어떤 색일 가능성이 가장 높을지 판단을 합니다

예를 들어 어떤 픽셀에서 모델은

검은색일 확률 0.52

흰색일 확률: 0.14

빨간색일 확률 0.33

…

AI 모델의 단일 픽셀 색상 확률 예측

이렇게 판단하고 이 확률을 바탕으로 픽셀 값을 조금씩 수정하고 이 과정을 전체 이미지 픽셀에 대해 반복합니다.

여기서 샘플링이라는 개념이 등장합니다.

확률 분포에서 하나의 결과를 뽑는 과정인데, 예를 들어 결과 A : 50 % 결과 B: 30 % 결과 C: 10 %일 경우 A가 가능성이 가장 높지만 항상 A만 나오지는 않습니다. 가끔은 B도 나오고 C도 나올수도 있습니다.

AI 이미지 생성도 마찬가지입니다. 어떤 픽셀이 가장 그럴듯할까 계속 확률로 선택합니다.

6. 그래서 그림의 결과가 달라진다

같은 프롬프트를 넣어도 이미지가 매번 조금씩 다른지 이유가 바로 이 것입니다.

확률적으로 결과를 선택하기 때문에 자세가 조금 달라질 수도 있고, 색이 조금 바뀔 수도 있고, 배경이 달라질 수 도 있습니다.

하지만 전체적으로 볼 때는 프롬프트의 의미와 맞는 이미지가 생성되는 것입니다.

프롬프트에 따른 다양한 이미지 생성

7. 손을 그릴 때 생기는 오류

AI가 만든 이미지를 보면 가끔 이상한 일이 생길 때가 있습니다. 손가락이 6개가 되어있거나, 손이 뒤틀린 방향으로 꺾여 있거나 하는 경우들입니다.

AI가 손을 잘못 생성한 경우

사람이 그릴 때는 보기에도 너무나 이상해 보이기 때문에 이러한 일이 일어나는 경우가 거의 없습니다.

그러나 AI는 가장 자주 실수 하는 부분이 바로 손을 그릴 때입니다.

왜냐하면 사람 손은 사람 몸에서 가장 복잡한 부분 중 하나이며 이는 확률 분포로 나타내기 어렵기 때문입니다.

7.1 왜 손이 어려울까?

사람 손은 다양한 각도 겹치는 모양이 존재하고 심지어 손가락은 5개입니다. 따라서 손의 모양은 겹치는 경우의 수가 매우 많습니다.

AI는 이미지를 고차원 확률공간에서 생성하는데 구조가 복잡할수록 공간도 더 복잡해지게 됩니다. 따라서 모델이 정확한 형태를 잡기 어려워집니다.

데이터 학습의 문제도 있습니다. 손은 인체의 다른 부위들과 다르게 물건을 잡고 있거나, 또는 일부가 가려져 있거나, 움직이거나 하는 중인 다양한 행동들을 하고 있는 경우가 많습니다.

즉, 손의 데이터의 형태가 일정하지 않기 때문에 손의 정확한 구조를 배우기 매우 어려운 환경이 됩니다.

8. 그렇다면 결국 AI는 이해하는가 추정하는가?

AI가 만든 글이나 이미지를 보면 사람들은 AI가 이를 이해하고 만든 걸까?라는 생각을 하게 됩니다.

겉으로 보면 그렇게 느낄 수 있지만 결국 AI는 세상을 이해하는 것이 아니라 패턴을 기반으로 추정할 뿐입니다.

예를 들어 우리는 고양이를 이해합니다. 고양이라는 동물이 어떤 동물인지 어떻게 움직이고 어떻게 행동하는지를 직접 경험하고 지식을 바탕으로 알고 있습니다.

반면에, AI에게 고양이라는 개념은 수많은 이미지와 텍스트 데이터 속에서 반복적으로 등장한 패턴의 집합일 따름입니다. 즉, 고양이를 아는 것이 아니라 고양이와 관련된 픽셀 단어와 단어 패턴의 분포를 알고 있는 것입니다.

사람과 AI의 고양이에 대한 이해 차이

예를 들어 우주고양이라는 프롬프트를 받으면 고양이형태와 우주 배경과 같은 패턴을 조합합니다. 이것은 상상이나 이해가 아니라 패턴 결합입니다.

9. 그렇다면 왜 우리는 AI가 이해한다고 느낄까?

그런데 우리는 왜 AI가 이해한다고 느낄까요? 그 이유는 AI의 결과가 너무 자연스럽기 때문입니다.

자연스럽게 그럴듯한 이미지를 만들어냈기 때문에 사람들은 무의식적으로 이건 이해가 있어야 가능한 결과라고 생각하게 됩니다.

하지만 실제로는 방대한 데이터에서 학습한 패턴을 확률적으로 가장 자연스럽게 조합한 결과입니다.

10. 그럼 AI가 만든 이미지는 창작이라고 볼 수 있을까?

그렇다면 우리는 AI가 만든 이미지가 과연 창작인가 하는 의문을 가지게 됩니다.

AI는 전에 없던 이미지를 만들어냅니다. 우리가 입력한 문장을 바탕으로 새로운 이미지를 생성합니다. 겉으로는 창작처럼 보입니다.

사람이 그림을 그릴 때는 보통 장면을 상상하고 구도를 선택하기 때문에 경험과 의도 그리고 해석이 들어갑니다.

반면 AI는 스스로 의도를 가지지도 않고 상상을 하지도 않습니다. AI가 하는 일은 데이터에서 학습된 패턴을 바탕으로 가능한 이미지를 계산하는 것입니다. 하나의 정답이 아니라 가능한 결과 중 하나를 뽑아내는 것입니다. AI가 만든 이미지는 픽셀의 배열, 확률 계산의 결과일 뿐입니다.

AI와 인간의 차이

하지만 흥미로운 사실은 인간은 AI가 만든 이미지 속에서 이야기, 의도, 감정을 생각합니다. 예를 들어 우주 고양이 이미지를 보면 우리는 우주를 여행하는 고양이, SF장면, 상상 속 세계를 상상합니다. 이것은 AI가 의도한 것이 아닙니다.

결국 의미 있는 그림은 AI가 만들지만, 그 안의 의미는 인간이 만드는 것일지도 모릅니다. 즉. AI 이미지는 스스로 의도를 가진 창작은 아니지만, 인간의 해석을 통해 창작으로 받아들여질 수 있습니다.

[AI][용어] 완전 탐색(Exhaustive Search)

GOMINQ — Thu, 5 Feb 2026 06:00:54 +0900

모든 걸 다 보면 답은 나오지만, 현실은 그렇지 않다.

1. 완전 탐색이란 무엇인가?

완전 탐색은 쉽게 말해 문제를 풀기 위해 가능한 모든 경우를 하나도 빠짐없이 확인하는 방법입니다.

이는 아주 단순한 생각에서 출발합니다.

답인지 아닌지 모든 경우의 수를 하나하나 전부 다 확인해 보면 당연히 답은 나온다.라는 것이죠.

비밀번호 4자리를 잊어버렸을때 찾는 가장 확실한 방법은 0000부터 9999까지 누르는 것을 생각해 보면 쉽게 알 수 있습니다.

그래서 완전 탐색은 가장 직관적이고, 가장 이해하기 쉬우며 논리적으로도 가장 깔끔한 방법입니다.

4자리 비밀번호의 답은 0000부터 9999까지 숫자 중에는 꼭 있습니다

2. 완전 탐색은 왜 기준이 되는가?

완전 탐색은 좀 더 효율적인 것을 찾고 있는 일반적인 사람들에게 무식한 방법처럼 보입니다.

하지만 의외로 알고리즘 세계에서는 이 방법이 기준이 됩니다.

이유는 단순합니다.

완전 탐색은 가능한 모든 경우를 전부 확인하기 때문에 정답이 있다면 반드시 찾아냅니다. 따라서 이 문제에 답이 있는지 없는지도 확인 가능합니다.

거기에다가 구현도 쉬워서 문제 구조를 처음 이해하기도 적합합니다.

그래서 어떤 문제를 만나면, 알고리즘에서는 보통 완전 탐색으로라도 풀 수 있을까? 확인 한 다음 얼마나 더 효율적으로 풀 수 있을까라는 다음 단계로 넘어갑니다

3. 완전 탐색을 언제 쓰면 좋을까?

모든 것을 확인해보는 완전 탐색이 별로라고 생각할 수도 있겠지만 항상 나쁜 선택은 아닙니다.

오히려 입력 크기가 작거나, 경우의 수가 제한적인 상황, 정답의 정확성이 매우 중요한 상황에서는 효율적인 선택입니다.

예를 들어, 간단한 퍼즐 문제나 소규모 조합 문제나 새로운 알고리즘을 검증하기 위한 기준 모델 같은 경우에서 효과적입니다.

완전 탐색도 필요함

4. 현실에서 쓰기 어려운 이유: 눈덩이처럼 불어나는 경우의 수

하지만 문제가 데이터가 조금만 커지기 시작해도 발생합니다. 이를 흔히 상태 공간 폭발이라고 부르는데 이름처럼 경우의 수가 폭발해 버립니다.

미로 찾기에서 갈림길이 나올 때마다 선택지가 2배씩 늘어난다고 생각해 봅시다. 처음엔 2개, 그다음은 4개, 8개... 어느 순간 우리가 감당할 수 없는 숫자가 됩니다.

완전 탐색은 데이터가 커질 수록 경우의 수가 눈덩이 처럼 불어남

5. 우주의 원자보다 많아지는 숫자?

체스를 예로 들어볼까요? 체스의 모든 경우의 수는 10의 120승 정도입니다. 감이 잘 안 오실 겁니다.관측 가능한 우주 전체에 있는 원자의 개수가 10의 80승 정도라고 합니다.

우주의 모든 원자보다 체스 한 판의 경우의 수가 압도적으로 많은 셈입니다.

왜 이렇게 많을까요?

체스에서 먼저 백이 둘 수 있는 경우의 수는 20가지 입니다.20가지입니다. 첫 수를 응수하는 흑이 둘 수 있는 수도 당연히 20가지입니다. 따라서 20X20 단 1수 만에 400가지의 경우의 수가 발생합니다. 3수 후에는 무려 900만 가지의 상황이 가능해집니다.

초당 10억 개의 수를 계산할 수 있는 컴퓨터가 있다 하더라도, 10의 120승개의 경로를 모두 확인하려면 우주의 나이보다 훨씬 긴 시간이 필요합니다.

심지어 바둑의 경우에는 완전 탐색으로 할 경우 10의 360승까지 가기도 합니다.

즉 이론적으로는 답을 찾을 수 있지만 현실적으로는 불가능합니다.

관측가능한 우주의 원자 수 보다 더 많은 체스의 경우의 수

6. 그럼 완전 탐색은 필요가 없을까?

완전 탐색은 모든 탐색 전략의 출발점이기 때문에 꼭 필요합니다.

"전부 다 뒤져보는 건 너무 오래 걸리니까, 이번엔 좀 영리하게 여기만 찾아볼까?" 하는 식의 고급 기법(그리디, DP 등)들은 모두 완전 탐색에서 '비효율'을 걷어내며 탄생했습니다.

기초를 알아야 응용도 할 수 있는 법입니다!

AI가 쓴 글은 왜 다 비슷하게 느껴질까?

GOMINQ — Thu, 22 Jan 2026 07:00:38 +0900

AI가 쓴 글은 읽기에는 편합니다.
하지만 무엇을 말하려는 글이었는지는 잘 남지 않습니다.
가장 정답에 가까운 표현을 고르다 보니, 무난해지는 대신 개성과 중심이 흐려집니다.

AI 글을 읽다보면 느껴지는 불편함

AI가 쓴 글을 읽다보면 느껴지는게 있습니다. 문장은 깔끔하고, 맞춤법도 틀리지 않고, 논리도 뛰어납니다. 최근에는 정보의 정확성 또한 높아져서 왠만한 사람이 쓴 글보다 뛰어나고 맞는말만 모아놓은 잘 쓴 글이라는 생각이 들기까지 합니다.

그런데 자세히 생각해보면 뭔가가 부족하다고 생각되는 경우가 많습니다. 읽고나면 문장이 잘 기억에 남지 않고 이 글이 무엇을 말했는지 묻는 순간 답이 바로 나오지 않고 어려워하는 경우가 많습니다.

이러한 현상은 특정 글에만 나타나는 현상이 아닙니다. 블로그 글이든 보고서든 과제든 가릴 것 없이 여러 글에서 공통적으로 드러나는 현상입니다. 분명히 잘 정리되어 있는 글이고, 읽는 동안에는 고개를 끄덕이게 만드는 좋은 글이지만 글의 핵심과 결론이 뭔지 헷갈리게 됩니다.

이유는 의외로 생각한 것과 다른 곳에 있습니다. AI가 글을 못써서가 아닙니다. 역설적이게도 오히려 너무 잘써서 나타나는 부작용입니다.

잘 썻지만 남지 않는 글

AI가 글을 쓰는 방식: 확률의 조합

사람은 보통 하고 싶은 말을 머리 속에 생각하고 글을 씁니다. 생각이나 경험, 의견을 머리 속에서 생각한 다음 그것을 글로 씁니다. 그래서 보통 글에는 자연스럽게 본인의 생각이 드러나고 어디에 강조점을 주고 싶은지가 드러납니다. 따라서 보통 글에는 그 사람의 영혼이 담겨있다는 말까지 하는 이유가 여기서 나타납니다.

반면에 AI는 그렇지 않습니다. 최근 AI가 가장 많이 사용하는 방식인 대형 언어 모델(LLM)을 통해 글을 생성하는 방식은 문장의 의미를 이해해 글을 쓰지 않습니다. 지금까지 나온 문장을 바탕으로 다음에 나올 가능성이 가장 높은 단어를 선택해서 이어붙이는 방식으로 글을 씁니다. 여기서 AI가 가장 중요하게 여기는 것은 정답일 확률입니다. 즉, 가장 맞을만한 글을 써서 계속 문장을 이어붙이는 것입니다.

그 결과로 AI 문장은 대체로 균형잡혀 있고 틀릴 가능성이 적은 문장으로 쓰여지게 됩니다. 그래서 단정적인 주장보다는 완곡한 정리를 그리고 강한 주장보다는 여러 가능성을 열어 두는 설명을 선호합니다.

덕분에 오류는 적지만, 글의 중심이 흐릿해지는 결과가 나오기 쉽습니다. 정보는 충분한데 무엇을 말하려는 글인지는 선명하지 않은 경우가 많습니다. 그래서 AI글이 설명은 잘하지만, 주장처럼 느껴지지 않는 가장 큰 이유입니다.

AI가 글을 쓰는 방식

AI 글의 문장 구조는 평균으로 수렴: 개성이 사라짐

앞에서 AI가 글을 쓰는 방식을 알면 왜 이제 AI가 쓴 글들이 서로 비슷하게 느껴지는 이유를 알 수 있습니다. 바로 문장이 자연스럽게 사람들이 쓰는 평균에 가까워지기 때문입니다. AI는 새로운 표현을 만들기보다, 많은 사람들이 이미 익숙하게 써 온 문장을 선택합니다. 왜냐하면 그런 표현이 가장 안전하고, 틀릴 가능성이 낮기 때문입니다.

따라서 글은 특별히 튀지도 않고, 누군가 불편해할 가능성도 적은 표현을 사용해 글을 쓰게 됩니다. 이런 선택은 글을 읽기 편하게 만들어 주지만, 동시에 글의 개성을 줄이는 단점이 있습니다.

이 과정이 여러번 반복되면서 독특한 말투나 개인적인 표현은 점점 사라지게 됩니다. 그래서 서로 다른 주제로 쓴 글인데도, 어딘가 비슷하게 느껴지는 무색무취의 글이 되게 됩니다. 문장은 고르게 정리되어 있기 때문에 읽는 동안에는 편하지만, 읽고 난 뒤에 특별히 기억에 남지 않는 경우가 많습니다. 바로 평균적인 문장 구조 때문인 것입니다.

평균적인 문장 구조

글쓰기 방식의 중요성

앞서 살펴본 바와 같이 AI가 쓴 글이 비슷하게 느껴지는 이유는 AI가 못 써서가 아니라 틀릴 가능성이 없이 평균화된 글을 쓰기 때문입니다. 즉, 우리가 요구한 방식대로 최대한 안전하고 무난한 글을 씁니다. 그래서 설명 위주의 글, 평균적인 표현이 나올 수 밖에 없습니다.

하지만 우리는 이런 글이 좋은 글로 느껴지지 않습니다. 여기서 중요한 것은 AI를 어떻게 쓰냐 입니다. AI에게 글을 그냥 대신 써달라고 하면 계속 비슷한 글이 나올 수 밖에 없습니다.

반대로, 사람이 먼저 생각을 확실히 하고 정리한 뒤에, AI를 보조 수단으로 사용하면 결과는 달라집니다. 글의 중심은 사람이 잡고, 문장은 AI가 다듬는 방식입니다.

AI 시대의 글을 쓰는 것은 쉬워졌습니다. 하지만 좋은 글을 쓰기는 더 어려워 졌을 수도 있습니다. 문장을 만드는 것보다, 무엇을 말할지 결정하는 일이 훨씬 중요해졌기 때문입니다.

GPU를 지나 TPU로? 최근 TPU가 각광받는 이유

GOMINQ — Mon, 29 Dec 2025 18:00:57 +0900

GPU의 비싼 가격과 막대한 전력 소모가 AI 산업의 발목을 잡으면서, 구글이 만든 고효율 딥러닝 전용 반도체인 TPU가 다시금 주목받고 있습니다.

딥러닝 연산에만 집중해 비용 대비 압도적인 성능을 보여주는데, 이는 이제 AI 산업이 성능을 넘어 비용 효율에 중점을 두고 있음을 보여줍니다.

특히 TPU 한 대당 6~8개의 HBM이 탑재되는데 이를 대부분 공급하는 삼성전자와 SK하이닉스에게도 새로운 성장의 기회가 되고 있습니다.

최근 다시 언급되고 있는 TPU

AI가 발전하면서 가장 주목을 받은 것은 한 번에 여러 개의 연산 작업을 처리할 수 있는 GPU입니다. 따라서 GPU를 주로 제작하는 Nvidia의 가치도 급상승했구요. 하지만 최근 들어 GPU 못지 않게 자주 언급되는 이름이 있으니 바로 TPU 입니다. 대규모 학습 모델 부터 관련 주식 시장 이야기까지 AI를 이야기할 때 TPU는 이제 빠지지 않는 단골 소재가 되었습니다.

그런데 생각해보면 TPU는 최신 기술이 아닙니다. TPU는 이미 2016년 5월에 구글이 발표한 기술입니다. 당시 구글은 전 세계인이 구글 어시스턴트를 3분씩만 써도 전 세계의 서버를 두 배로 늘려야한다는 계산이 나왔고, 이를 해결하기 위해 만든 자체 칩입니다. 하루가 다르게 변해가고 6개월이면 강산이 바뀌는 AI분야에서 왜 오래된 기술이 이제서야 주목을 받고 있을까요?

google TPU

모델의 성능보다 크기가 중요하게 된 세상

요즘 AI 분야에서 성능 못지 않게 중요하게 된 것이 바로 모델의 크기입니다. 파라미터 수는 이미 수백B는 될 정도로 걷잡을 수 없이 커져버렸고 학습에 필요한 단계는 전과는 비교할 수 없을 정도로 길어졌습니다.

전에는 GPU를 여러장으로 연결하는 것으로 이 문제를 해결하려고 했지만, 막대한 전기 비용과 그래픽 카드 비용이 발목을 잡게 되었습니다. 엔비디아의 최신 GPU인 H100은 한 대당 수천만 원이나 하며, 소비 전력은 웬만한 가정용 에어컨 여러 대를 동시에 돌리는 수준입니다. 이러한 GPU를 수만 대 연결한 데이터 센터의 전기료는 중소도시 하나를 운영할 정도입니다. 기업들에게 이제 성능은 당연한 것이고, 전기 소모량 대비 성능도 중요한 과제가 된 것입니다. 따라서 "더 효율적인 것은 없을까?" 라고 고심 끝에 나온 것이 바로 TPU를 사용하는 것이었습니다.

막대한 전기 비용 및 그래픽 카드 비용

딥러닝만을 위해 태어난 TPU

TPU는 구글이 만든 딥러닝 연산용 ASIC(주문형 반도체) 입니다. 우리 말로는 텐서 처리 장치라고 부를 수 있겠네요. 이 장치는 CPU나 GPU처럼 여러 가지 작업에 사용할 수 있도록 만든 장치는 아닙니다. 작업별 유연성은 낮고, 범용 연산에는 적합하지 않습니다. 하지만, 대규모 딥러닝에서 발생하는 밀집 연산 만큼은 현존하는 어느 장치보다 싸고, 빠르고, 안정적으로 처리할 수 있도록 설계되었습니다.

TPU가 필요한 이유

TPU는 연산 구조가 고정되어있고, 대규모 데이터를 안정적으로 학습시켜야 하는 환경에서 엄청난 효과를 발휘합니다. 즉, 이미 구조가 정해진 대형 모델의 학습이나 실제 운영 단계에서 진가를 발휘합니다.

딥러닝은 사실 거대한 행렬 곱셈의 반복입니다. TPU는 이러한 행렬 계산기를 일렬로 배치해 한꺼번에 처리하는 시스템을 갖췄기 때문에 성능이 뛰어난 것입니다.

TPU 연산구조

최근에는 GPU로는 버티기 힘들 정도로 모델 장치가 커지고, GPU를 구하기도 힘들어졌으며, 막대한 전기비 때문에 TPU가 필요하게 되었습니다. 이미 구글은 자사 서비스를 중심을 TPU로 운영하며 그 효과를 증명하고 있습니다.

거기다가 GPU는 돈이 있어도 구하기 힘든 상황입니다. 2023년 2024년 당시에는 H100 그래픽 카드를 주문 후 받는 시간이 거의 1년이나 걸렸습니다. 지금 2025년에는 상황이 나아졌지만, 대량 주문시에는 여전히 수개월의 대기시간은 걸립니다. 돈이 있어도 못 구한다는 말이 과장이 아닌 상황입니다.

한국 반도체 기업에게는?

엔비디아가 밀리면 삼성전자나 SK하이닉스는 손해라고 생각할 수 있는데, 오히려 기회입니다. 엔비디아 한 곳에만 의존하던 시장 구조에서 벗어나 새로운 고객을 맞이하게 된 것입니다. 그 배경은 바로 HBM(고대역폭 메모리)입니다.

GPU나 TPU 모두 고성능 AI 반도체를 만들려면 데이터를 초고속으로 실어 나를 HBM이 무조건 들어가야 합니다. 실제로 TPU 한 개를 만들 때 보통 6~8개의 HBM이 한 세트로 묶여 들어갑니다.

HBM

HBM 시장은 삼성전자와 SK하이닉스의 양강 체제입니다. 2025년 들어 구글 TPU에 들어가는 HBM 물량은 우리 두 기업이 사실상 독점하고 있다고 봐도 무방합니다. 특히 최근 보도를 보면, 삼성전자가 구글 TPU용 HBM 물량의 60% 이상을 책임지며 1위 자리를 꿰찼고, SK하이닉스 역시 구글과 브로드컴의 핵심 파트너로 탄탄하게 자리를 잡았습니다. 미국의 마이크론이 뒤쫓고는 있지만, 생산 능력의 격차가 3배 이상 나기 때문에 너무 큽니다. 거대한 물량을 안정적으로 공급받아야 하는 빅테크 입장에선 한국 반도체 기업이 꼭 필요한 상황입니다.

GPU를 대체할 것인가?

TPU가 GPU를 완전히 밀어내지는 않을 것입니다. 새로운 연구나 실험적인 작업에서는 유연한 GPU가 여전히 유리하기 때문입니다. 하지만 점차 실험과 연구는 GPU로, 대규모 학습과 실제 운영은 TPU로 하는 이원화 체제로 갈 것입니다. 8년 전 구글이 생존을 위해 던졌던 효율성이라는 승부수가, AI 거대화 시대를 맞아 산업 전체의 표준으로 돌아온 것입니다. 결국 앞으로의 AI 전쟁은 누가 더 똑똑한가는 당연하고, 누가 더 영리하게 비용을 아끼는가가 될 것 같습니다.

GPU vs TPU

[ML][용어] GELU 함수

GOMINQ — Fri, 10 Oct 2025 18:39:57 +0900

GELU는 입력을 양수일 확률만큼 부드럽게 통과시키는 활성화 함수로, 매끄러운 비선형성과 죽은 뉴런 완화라는 장점이 있지만 ReLU보다 계산이 복잡한 단점이 있습니다.

1. GELU 함수의 정의

GELU(Gaussian Error Linear Unit) 함수는 입력값 를 확률적으로 통과시키는 활성화 함수입니다.
ReLU는 0보다 작으면 아예 끊어버리지만, GELU는 작은 음수도 조금은 통과시켜서 부드러운 출력 곡선을 만듭니다.
수학적으로 정의하면 다음과 같습니다.

는 표준정규분포의 누적분포함수(CDF) 입니다.

즉, 평균 0·분산 1인 정규분포에서 임의로 뽑은 값이 이하일 확률입니다.

따라서 x Φ(x)는 입력 x를 확률 Φ(x) 만큼 통과시킨 값으로 볼 수 있습니다.

여기서, 는 표준 정규분포의 누적분포함수(CDF) 로 정의됩니다:

즉, 는 정규분포에서 임의로 뽑은 값이 x 이하일 확률을 나타냅니다.

입력이 큰 양수일 때는 Φ(x) ≈ 1 ⇒ f(x) ≈ x → 거의 그대로 나감.

입력이 큰 음수일 때는 Φ(x) ≈ 0 ⇒ f(x) ≈ 0 → 거의 다 막힘.

입력이 큰 양수일 때는 Φ(x) ≈ 0.5 ⇒ f(x) ≈ 0.5x → 절반만 통과.

이를 볼 때, GELU는 입력을 양수가 될 확률만큼 통과시키는 함수라고 볼 수 있습니다.

2. 주요 특징

1) 비선형성

ReLU와 달리 0에서 부드럽게 이어지므로 미분 가능하고 학습이 안정적입니다.

2) 죽은 뉴런 완화

ReLU는 음수일 때 항상 0을 출력하지만, GELU는 작은 음수도 약간은 통과시켜 뉴런이 완전히 죽는 것을 방지합니다.

3) 확률적 게이팅 해석

GELU는 입력이 양수일 가능성을 계산해서, 그 비율만큼 값을 흘려보냅니다. 그래서 단순히 수학 공식이 아니라, 확률적으로 문이 열렸다 닫히는 것처럼 동작한다는 의미가 있습니다.

4) 중심성 (Zero-centered)

Transformer, BERT 같은 대형 언어모델에서 기본 활성화 함수로 쓰이며, ReLU 대비 성능이 더 좋은 경우가 많습니다.

5) 계산 비용

GELU는 원래 정규분포 적분을 계산해야 하는데, 이 과정은 계산이 복잡하고 시간이 오래 걸립니다. 그래서 실제 딥러닝 프레임워크에서는 계산을 단순화하기 위해 tanh 함수를 이용한 근사 공식을 사용합니다.

3. GELU 함수 코드 사용 예시

import torch
import torch.nn as nn

# 기본 GELU
gelu = nn.GELU()

# 근사형 GELU (tanh 사용)
gelu_tanh = nn.GELU(approximate='tanh')

x = torch.tensor([-2.0, -1.0, 0.0, 1.0, 2.0])
print("GELU:", gelu(x))
print("GELU (tanh approx):", gelu_tanh(x))

[ML][용어] tanh 함수(하이퍼볼릭 탄젠트 함수)

GOMINQ — Fri, 10 Oct 2025 02:37:10 +0900

tanh 함수는 -1~1 범위의 비선형 함수로, 평균이 0에 가까워 학습이 안정적이지만, 경사 소실 문제와 ReLU 대비 계산 비용이 높은 한계가 있습니다.

1. tanh 함수의 정의

하이퍼볼릭 탄젠트 함수는 입력값을 -1과 1 사이의 값으로 압축하는 S자 형태의 비선형 함수입니다.
수학적으로 정의하면 다음과 같습니다.

여기서, 입력이 클수록 출력은 1에 가까워지며, 입력이 작을수록 출력은 -1에 가까워집니다.

즉, 가 매우 큰 양수면 e^x기 압도적으로 커져서 (x → f(x) =

반대로 가 매우 큰 음수면 e^-x가 압도적으로 커져서 (x → - f(x) = -

2. 주요 특징

1) 비선형성

tanh 함수는 비선형 함수를 제공하므로, 신경망이 복잡한 패턴을 학습할 수 있게 해줍니다.

2) 출력 범위

Sigmoid 함수가 0~1 범위를 가지는 것과 달리, tanh는 -1~1 범위를 가집니다.

평균값이 0에 가까워서 학습 시 데이터 분포를 균형 있게 유지하는 데 유리합니다.

3) 경사 소실 문제

입력의 절댓값이 커질수록 기울기(gradient)가 0에 가까워집니다. 따라서, 역전파 과정에서 기울기가 줄어드는 경사 소실 문제가 발생할 수 있습니다.

4) 중심성 (Zero-centered)

tanh 함수는 양수와 음수를 모두 출력하기 때문에 평균이 0에 가까우며, 이로 인해 학습 과정에서 편향이 누적되지 않고 보다 안정적으로 진행됩니다. 이는 항상 양수만 출력하는 sigmoid 함수와 구별되는 중요한 특징입니다.

5) 계산 비용

tanh 함수는 지수 연산(exp)을 포함하기 때문에 ReLU에 비해 계산 과정이 다소 복잡하고 속도가 느립니다.

3. tanh 함수 코드 사용 예시

import torch
import torch.nn as nn

# tanh 활성화 함수 정의
tanh = nn.Tanh()

# 입력 텐서 정의
input_tensor = torch.tensor([-2.0, -1.0, 0.0, 1.0, 2.0])

# tanh 함수 적용
output_tensor = tanh(input_tensor)

print("입력:", input_tensor)
print("출력:", output_tensor)

입력: tensor([-2., -1.,  0.,  1.,  2.])
출력: tensor([-0.9640, -0.7616,  0.0000,  0.7616,  0.9640])

[Z3 입문 시리즈] 1. 설치부터 해보자! Z3 시작하기

GOMINQ — Mon, 7 Apr 2025 12:00:54 +0900

Z3는 논리식이나 제약 조건을 자동으로 풀어주는 SMT 솔버입니다.
하지만 아무리 좋은 도구도 설치가 안 되면 말짱 도루묵이죠...

이번 글에서는 Z3를 내 컴퓨터에 설치하고, 첫 번째 예제 코드를 실행하는 것까지 함께 해보겠습니다.

Python에서 Z3 사용하기

Z3는 다양한 언어를 지원하지만, 이 시리즈에서는 가장 많이 사용하는 Python에서 Z3를 사용하는 방법을 기준으로 설명합니다.

Python이 설치되어 있어야 합니다.
(설치가 안 되어 있다면 Python 공식 사이트에서 설치해주세요.)

1. Mac에서 설치하기 (macOS)

1) 터미널 열기

스포트라이트(command + space)를 열고 “터미널”을 입력해 실행합니다.

2) z3-solver 설치

아래 명령어를 입력하여 Z3 Python 바인딩을 설치합니다.

pip install z3-solver

3) z3-solver 설치 확인하기

아래 명령어를 입력하여 z3-solver가 설치되어있는지 확인해봅니다.

pip show z3-solver

아래와 같이 나오면 정상적으로 설치된 상태입니다.

2. Windows에서 Z3 설치하기

1) 명령 프롬프트(cmd) 실행하기

키보드에서 윈도우 키 + R을 누르고,
cmd를 입력한 뒤 Enter를 누르면 명령 프롬프트가 실행됩니다.
또는 시작 메뉴에 cmd 또는 명령 프롬프트를 검색해 실행해도 됩니다.

2) Z3 설치 (z3-solver)

아래 명령어를 입력해서 Z3를 설치합니다.

pip install z3-solver

설치 중 오류 없이 완료되면 성공입니다!
(Requirement already satisfied 메시지가 보이면 이미 설치된 상태입니다.)

3) z3-solver 설치 확인해보기

아래 명령어를 입력하여 z3-solver가 설치되어있는지 확인해봅니다.

pip show z3-solver

아래와 같이 나오면 정상적으로 설치된 상태입니다.

3. 간단한 코드 테스트해보기

z3를 설치해보았으니 이제 간단한 코드를 테스트해보려 합니다.

파이썬으로 들어가 아래와 같이 입력해볼게요.

from z3 import *

x = Int('x')
solve(x > 5)

이러면 z3가 조건을 만족한 값을 찾아서 자동으로 알려줍니다.

[x = 6]

<간단한 코드지만 자세한 설명>

1. from z3 import *

< Z3 라이브러리에서 제공하는 모든 기능을 불러옵니다>

2. x = Int('x')
< 이름이 'x'인 정수형 변수(Int)를 하나 만듭니다>

3. solve(x > 5)
< Z3가 “x가 5보다 큰 값 중 아무거나 하나”를 찾아서 결과를 출력합니다.>
(solve()는 Z3에서 제약 조건을 직접 넘겨주면,
내부적으로 Solver를 자동 생성해서 조건을 만족하는 해가 있는지 판단하고 결과를 출력해주는 함수)

4. [x = 6]
<Z3는 “x가 5보다 큰 값”이라는 조건을 만족하는 값 중에서 적당한 하나를 골라 알려줍니다.>

4. 마무리

여기까지 Z3를 설치하고, 간단한 예제까지 돌려봤습니다.
논리나 수식을 몰라도, 조건만 던져주면 Z3가 알아서 해답을 줍니다.

다음 글부터는 변수 타입, 논리 연산자, 복잡한 조건 등을 하나씩 살펴보겠습니다.

[Z3 입문 시리즈] 0. 논리를 푸는 도구, Z3를 소개합니다

GOMINQ — Fri, 4 Apr 2025 11:50:23 +0900

Z3는 수식이나 논리를 자동으로 증명하거나, 조건을 만족하는 값을 찾아주는 SMT Solver입니다.
정수나 실수 같은 간단한 종류부터 배열, 비트벡터 등 복잡한 구조까지 폭넓게 지원해,
형식 검증부터 퍼즐 풀이까지 다양하게 활용할 수 있습니다.

1) Z3란?

SMT(Satisfiability Modulo Theories)라는 개념에 기반한 솔버입니다.
논리식의 참/거짓만 따지는 SAT(참/거짓 문제)에서 더 나아가,
정수, 실수, 배열, 비트벡터 같은 수학적 이론까지 고려해 “만족 가능한 해가 있나?”를 찾습니다.
마이크로소프트 리서치에서 만들었고 오픈소스로 공개되어 있어,
형식 검증이나 프로그램 분석 등 다양한 분야에서 두루 활용됩니다.

2) 왜 Z3를 써야 하는가?

한 번 제약을 써넣기만 하면, Z3가 알아서 해를 찾아줍니다.
- 일일이 경우를 따져보지 않아도 된다는 점이 정말 편리합니다.
다양한 언어에서 지원되므로, 기존에 쓰시는 언어 파이프라인에 쉽게 녹여낼 수 있습니다.

3) 어디에 쓸 수 있을까?

퍼즐 풀이
- 스도쿠나 스도미노, 각종 논리 퍼즐을 제약 조건으로 모델링해 해답을 찾기 좋습니다.
소프트웨어 버그 잡기
- 코드의 분기를 논리식으로 바꿔서, 특정 상황(입력)에서 버그가 터지는지 자동으로 찾아낼 수 있습니다.
최적화와 계획(Planning)
- 여러 자원과 제약을 고려해야 하는 문제를 논리적으로 풀어내고,
  필요한 경우 “가장 효율적인” 해를 구하는 데도 활용 가능합니다.
형식 검증(Formal Verification)
- 하드웨어나 소프트웨어가 어떤 속성을 만족하는지 논리적으로 증명할 때 쓰입니다.

4) 강좌를 통해 배울 수 있는 점

Z3를 사용하면, 어려워 보이던 논리나 제약 문제가 훨씬 간단히 풀리는 걸 실감할 수 있습니다.
문제를 모델링하는 과정은 조건을 정리하고 패턴을 찾는 재미가 있어,
생각보다 즐겁게 접근할 수 있습니다.
앞으로 점점 더 복잡하고 다양한 문제에 도전하면서,
“이것도 논리식으로 해결할 수 있구나!” 하는 깨달음을 얻으실 수 있을 거예요.

참고 자료

Z3 공식 GitHub
마이크로소프트 리서치에서 제공하는 Z3 관련 문서 및 튜토리얼

[ISSUE][용어] 로앤비 판결

GOMINQ — Mon, 16 Dec 2024 16:00:27 +0900

"로엔비 판결"이란, 법령이나 판결문처럼 누구나 쓸 수 있는 공공정보를 그저 모아놓은 게 아니라, 쓰기 편하게 잘 정리하고 분류해서 새로운 형태로 만든 데이터베이스는 저작권으로 보호받을 수 있다고 한 판결입니다. 쉽게 말해, 공짜 자료라도 ‘어떻게 새롭게 정리하고 구성하느냐’에 따라 그 결과물에 대한 법적 보호가 달라진다는 뜻입니다.

로앤비(Law&Business)는 법령, 판례, 행정해석, 학술논문 등 광범위한 법률정보를 수집하고, 이를 온라인 데이터베이스 형태로 구축하여 유료로 제공하는 법률정보 서비스 기업입니다.

이 과정에서 단순히 국가기관이 발행한 공공자료를 무작위로 나열하는 것이 아니라, 전문 법학자나 변호사의 검수를 거쳐 자료의 중요도, 주제 분야, 관련 법령·판례 간의 상관관계 등을 종합적으로 고려한 체계적인 선별·분류·편집 작업을 수행합니다. 이를 통해 이용자들이 원하는 정보를 손쉽게 찾고 활용할 수 있도록 하는 고도의 구조화를 이룩하였습니다.

이 소송의 법적 쟁점은 다음과 같습니다.

1. 공공 문서의 저작권 보호 여부:

한국 저작권법상 국가나 지방자치단체가 작성한 법령, 판결문, 고시, 행정해석 등은 공공재적 성격을 가지므로 원칙적으로 저작권 보호 대상이 아닙니다. 즉, 이러한 원자료 자체는 누구든 자유롭게 이용할 수 있습니다.

2. 데이터베이스(편집저작물)로서의 창작성 인정 기준:
이 사건의 핵심은 개별 문서 자체의 저작권 문제가 아니라, 데이터베이스 구성 과정에서 창작적 개입이 있었는지 여부입니다.

편집저작물로 인정받기 위해서는 “창작적인 선별·배열·구성을 통해 그 자체로 새로운 저작물성을 갖추었는가” 하는 점이 중요합니다.

대법원의 판단(판례 번호 및 결론):

이 사건은 대법원 2012년 3월 15일 선고, 2010다91919 판결입니다.

대법원은 로앤비가 구축한 데이터베이스가 단순한 공공 정보의 집적물이 아니라,

(1) 특정한 목적과 기준에 의한 자료 선별,
(2) 사용자 편의를 고려한 독자적 분류 체계 확립,
(3) 검색 기능 등을 통한 고도의 구조화

라고 인정하였습니다.

그 결과 법원은 해당 데이터베이스를 저작권법상 보호받는 ‘편집저작물’로 보고, 이를 무단으로 복제·이용한 행위는 저작권 침해에 해당한다고 판결하였습니다.

판결의 의의

1. 편집저작물 보호 범위 명확화:
이 판결은 공공영역의 자료라도 체계적 재구성과 편집을 통해 창작성을 부여할 경우 데이터베이스 자체가 독립적으로 보호받을 수 있음을 명백히 하였습니다.

2. 데이터베이스 산업에 대한 영향:
이로써 법률정보 등 다양한 전문 데이터베이스 서비스들이 그 가공·편집 과정에서 창출된 부가가치에 대해 정당한 법적 보호를 주장할 수 있는 근거를 확보하게 되었습니다.

3. 창작적 노력의 인정:
원 출처가 공공정보라도 이를 재가공·재배열해 새로운 부가가치를 창출한 노력은 향후 다양한 분야에서 편집저작물로서의 저작권 보호를 받을 수 있다는 법적 근거가 되었습니다.

2024년 윤석열 정부 계엄령: 대한민국 민주주의의 갈림길

GOMINQ — Wed, 4 Dec 2024 00:33:47 +0900

윤석열 대통령은 2024년 12월 3일, 북한 세력과 반국가 세력을 척결하겠다며 계엄령을 선포했습니다. 이는 1979년 이후 처음으로 내려진 계엄령으로, 민주주의 국가에서는 매우 이례적인 결정으로 평가받고 있습니다.

계엄령은 군사적 통제 아래 행정, 입법, 사법 기능을 제한하는 조치로, 민주주의 국가에서는 신중히 사용해야 할 권한입니다. 하지만 이번 조치는 국민 기본권 제한, 헌법적 정당성 문제, 정치적 의도 논란을 불러일으키며 국내외적으로 큰 논란을 낳았습니다.

사건 배경

윤석열 정부는 최근 지지율 하락과 야당의 강력한 반대에 직면해 있었습니다. 야당은 주요 검사 탄핵과 예산안 거부를 통해 정부를 압박하며 갈등이 심화되었습니다. 이런 상황에서 대통령은 북한 공산 세력과 반국가 세력이 국가를 위협하고 있다는 이유로 계엄령을 선포했습니다. 정부는 이를 국가 안보와 질서 유지를 위한 불가피한 조치로 주장했지만, 많은 이들은 정치적 의도를 우려하며 이를 비판했습니다.

계엄령 선포 이후 전개 상황

1. 대통령의 발표와 주요 내용

윤석열 대통령은 국가 안보와 민주주의 체제를 지키기 위해 계엄령이 필요하다고 주장했습니다. 그러나 발표에서는 구체적인 실행 방안이나 계엄령의 기간에 대해 명확히 밝히지 않았습니다.

2. 야당 및 국회의 반응

- 더불어민주당:
이재명 대표는 계엄령을 "헌법을 무시한 불법적 조치"로 규정하며 강하게 반발했습니다. 야당 의원들은 국회에 모여 대응을 논의하려 했으나 국회 봉쇄로 계획이 무산되었습니다.

- 국민의힘 내부:
한동훈 대표는 "계엄령을 철회해야 한다"며 공개적으로 반대 의사를 표명했습니다. 여당 내부에서도 비판의 목소리가 나왔습니다.

3. 국내외 반응

- 시민사회와 언론:
국내 시민단체와 언론은 계엄령을 민주주의 후퇴로 간주하며 강력히 비판했습니다.

- 국제사회:
미국과 유럽연합 등 국제사회는 대한민국의 민주주의 원칙이 흔들리지 않길 바란다는 성명을 발표했습니다.

4. 경제적 영향

계엄령 선포 직후 원화 가치는 급락하여 1달러당 1,423원으로 하락했고, 금융시장은 정치적 불안정성에 민감하게 반응했습니다. 외국인 투자자들의 자본 유출이 가속화되며 경제적 충격이 장기화될 가능성이 제기되고 있습니다.

논란과 평가

1. 합법성과 위헌성 논란

윤 대통령은 계엄령을 헌법에 근거한 긴급 조치라고 주장했지만, 야당과 법조계는 이를 위헌적 행위로 보고 비판했습니다. 국회 봉쇄와 언론 통제로 기본권 침해 논란이 불거졌습니다.

2. 정치적 의도 의혹

정부는 국가 안보를 명분으로 내세웠으나, 야당은 계엄령을 정치적 위기를 돌파하려는 권력 강화 시도로 해석하며 비판했습니다.

3. 사회적 여파

시민사회와 국제사회는 계엄령이 민주주의를 후퇴시키는 조치라고 평가하며 강도 높은 비판을 이어갔습니다.

결론

윤석열 대통령의 계엄령 선포는 대한민국 민주주의와 헌정 질서에 큰 논란을 불러일으킨 사건입니다. 이 조치가 어떻게 될 지는 지켜봐야 할 것 같습니다.

[Issue][용어] 계엄령

GOMINQ — Wed, 4 Dec 2024 00:11:46 +0900

1. 계엄령이란?

정의
계엄령은 국가의 안보와 질서 유지가 위협받는 상황에서 헌법과 법률에 따라 발동되는 특별한 조치입니다. 이는 전쟁, 대규모 폭동, 국가적 위기 상황 등 긴급한 문제를 해결하고 공공의 안전을 보장하기 위해 시행됩니다.

2. 계엄령의 법적 정의

헌법에서의 정의
대한민국 헌법 제77조에 따르면 계엄령은 다음 두 가지로 나뉩니다:
- 경비계엄: 전쟁, 사변 등 중대한 상황에서 사회 질서를 유지하기 위해 발동.
  - 특징:
    1. 군이 경찰을 지원하며 치안 업무 수행.
    2. 민간 행정 유지.
    3. 기본권 제한 정도가 비교적 약함.
- 비상계엄: 사회 질서가 극도로 혼란하거나 국가 비상사태가 발생했을 때 발동.
  - 특징:
    1. 군이 행정권과 사법권까지 장악.
    2. 시민 기본권(언론, 집회 등) 강력히 제한.
    3. 민간인 재판도 군사법원에서 진행 가능.
발동과 해제
- 계엄령은 대통령의 권한으로 발동됩니다.
- 발동 이후, 국회의 동의가 필요하며, 국회는 이를 해제하거나 변경할 권한이 있습니다.

3. 계엄령과 비상사태의 차이점

계엄령
- 군대가 중심이 되어 질서를 유지합니다.
- 군사법정을 통해 민간인 재판이 이루어질 수 있습니다.
비상사태
- 행정부가 중심이 되어 민간의 자유를 일시적으로 제한합니다.
- 군사적 성격보다는 행정적 대응에 초점이 맞춰집니다.

4. 계엄령 발동의 주요 상황

국가 안보 위기
- 전쟁, 외국의 침략 등 국가 안보가 위협받는 경우.
사회 질서 붕괴
- 대규모 폭동, 반란 등으로 사회가 혼란스러운 경우.
재난 및 대규모 사고
- 천재지변이나 국가 기능이 마비될 정도의 대형 재난 상황.

5. 계엄령의 주요 특징

군사적 주도
- 계엄령 발동 시 군이 치안과 행정을 맡아 일반 행정 체계를 대체합니다.
시민 권리 제한
- 언론, 집회, 출판, 결사의 자유 등이 제한됩니다.
- 군사법원이 민간인 사건을 재판할 수 있습니다.

6. 한국에서의 계엄령 사례

4.19 혁명 (1960)
이승만 정부는 4.19 혁명 당시 시위 진압을 위해 계엄령을 선포했습니다. 그러나 전국적인 시위가 계속되며 결국 정부가 무너지는 계기가 되었습니다.
유신체제와 10월 계엄령 (1972)
박정희 대통령은 유신헌법 체제를 공고히 하기 위해 계엄령을 선포했습니다. 이는 헌법 개정을 통한 장기 집권을 꾀한 시도로 평가됩니다.
5.18 광주 민주화 운동 (1980)
전두환 정권은 신군부가 권력을 장악하는 과정에서 비상계엄령을 선포했습니다. 이로 인해 광주 지역에서 대규모 군사작전이 이루어졌고, 수많은 민간인이 희생되었습니다.
부마 항쟁 (1979)
박정희 정권 붕괴 직전, 부산과 마산에서 대규모 시위가 발생하자 계엄령이 선포되었습니다. 이는 정치적 혼란과 군부 쿠데타의 전조가 되었습니다.

7. 계엄령의 영향

7-1. 시민의 일상생활에 미치는 영향

기본권 제한
- 언론, 출판, 집회, 이동의 자유가 축소됩니다.
- 검열, 통행 금지, 강제 신분 확인 등이 시행됩니다.
사회적 긴장감 증가
- 군 통제와 권리 제한으로 사회 전체에 긴장감이 형성됩니다.
- 계엄령이 장기화될 경우, 시민들의 불안과 피로감이 증가합니다.
법적 절차 변경
- 민간 사법 체계가 중단되며, 군사법원이 민간인 재판을 수행합니다.
- 이는 공정한 재판권에 대한 논란을 발생시킵니다.

7-2. 정치적 영향

정부 권력 강화
- 행정부와 군의 권한이 확대되며, 정부의 통제력이 강화됩니다.
- 계엄령은 지도자에 의해 정치적 도구로 남용될 가능성이 있습니다.
민주주의 후퇴
- 언론과 시민의 자유가 억압되고, 정치적 반대 세력이 탄압됩니다.
- 이는 장기적으로 독재 체제로 이어질 가능성이 존재합니다.
시민 불신 증가
- 계엄령 남용 사례로 인해 정부와 군에 대한 불신이 확대됩니다.
- 이후에도 통치 정당성이 상실될 우려가 있습니다.

7-3. 경제적 영향

경제 활동 위축
- 통행 제한과 영업 금지로 인해 경제 활동이 축소됩니다.
- 특히 관광업과 서비스업 등이 큰 타격을 받습니다.
투자 감소
- 정치적 불안정으로 인해 투자 자본이 유출됩니다.
- 이는 국가 경제에 장기적인 악영향을 미칩니다.
재정적 부담
- 군사 작전과 긴급 대응 비용 증가로 정부 재정 부담이 확대됩니다.
- 세금 인상 또는 정부 부채 증가 가능성이 높아집니다.

[초보자를 위한 재테크] 예금 Vs 적금 어떤 게 나에게 더 유리할까요?

GOMINQ — Mon, 2 Dec 2024 18:29:13 +0900

재테크를 시작하려는 분들이 가장 먼저 고민하게 되는 금융 상품 중 하나가 바로 예금과 적금입니다. 이 둘은 모두 은행에서 제공하는 대표적인 저축 수단이지만, 자신의 재정 상황에 맞지 않는 상품을 선택해 후회하는 경우도 많습니다.

"목돈을 한꺼번에 맡기는 게 좋을까? 아니면 매달 꾸준히 적립하는 게 유리할까?"

이 질문에 답하기 위해서는 단순히 금리만 비교하는 것이 아니라, 저축의 목적, 개인의 재정 상황, 그리고 현재의 금융 환경을 꼼꼼히 따져봐야 합니다.

예를 들어, 안정적으로 목돈을 굴리고 싶다면 예금이 유리할 수 있지만, 매달 조금씩 모으면서 저축 습관을 기르고 싶다면 적금이 더 적합할 수 있습니다.

이번 글에서는 예금과 적금의 기본 개념과 차이점을 살펴보고, 각각의 장단점을 비교하여 어떤 상황에서 어떤 상품을 선택해야 할지에 대해 명확한 가이드를 제공해드리겠습니다.

예금과 적금의 정의 및 차이점

예금의 정의

예금은 돈을 은행에 맡기고, 안전하게 보관하면서 이자를 받을 수 있는 금융 상품입니다. 즉, 목돈을 은행에 한 번에 예치하여 일정 기간 동안 보관하며 약정된 금리를 기반으로 이자를 받는 금융 상품입니다. 예금은 안전성이 높은 저축 수단으로, 돈을 안전하게 보관하며 동시에 이자를 얻고자 할 때 적합합니다.

주요 특징

1. 목돈을 한 번에 예치합니다.
2. 이자 계산은 예치한 전체 금액에 대해 약정된 금리를 적용합니다.
3. 이자는 매월 혹은 만기 시 지급합니다.
4. 보통예금은 이자율이 낮습니다.

적금의 정의

적금은 매달 일정 금액을 은행에 저축하여 약정된 기간이 끝나면 원금과 이자를 받는 금융 상품입니다. 적금은 정기적으로 소득이 발생하는 사람들에게 적합하며, 저축 습관을 형성하고 목표 금액을 모으는 데 유리합니다.

주요 특징

1. 매달 일정 금액을 정기적으로 저축합니다.
2. 적금의 이자는 매달 납입한 금액에 대해 복리로 적용됩니다.
3. 예금보다 금리가 높은 경우가 많아 상대적으로 유리합니다.
4. 소액으로도 시작할 수 있어 접근성이 높습니다.

예금의 장단점

장점
1. 안전성: 목돈을 안전하게 보관할 수 있으며, 원금이 보장됩니다.
2. 유동성: 보통예금의 경우 언제든지 입출금이 가능해 유동성이 높습니다.
3. 이자 수익: 정기예금은 높은 이자율로 안정적인 수익을 제공합니다.
4. 편리성: 인터넷 뱅킹, ATM 등을 통해 쉽게 관리할 수 있습니다.

단점
1. 낮은 수익성: 보통예금의 경우 이자율이 매우 낮아 수익성이 적습니다.
2. 기간 제한: 정기예금은 약정 기간 동안 인출이 제한되어 유동성이 떨어질 수 있습니다.
3. 목돈 필요: 한 번에 큰 금액을 예치해야 하므로 여유 자금이 필요한 경우에 적합합니다.

적금의 장단점

장점
1. 소액 저축 가능: 매달 적은 금액을 꾸준히 저축할 수 있어 부담이 적습니다.
2. 목표 설정 용이: 특정 목적(예: 여행, 결혼 등)에 맞춰 돈을 모으기 쉽습니다.
3. 비교적 높은 이자율: 정기적금은 비교적 높은 이자율로 안정적인 수익을 제공합니다.

단점
1. 유동성 부족: 만기 전에 돈을 인출하기 어려워 긴급 상황에 대처하기 어렵습니다.
2. 전체 수익성 제한: 매달 납입하는 구조로 인해 초기 금액의 이자 수익은 낮습니다.
3. 규칙적인 납입 필요: 매달 일정 금액을 반드시 납입해야 하므로 소득이 일정하지 않은 경우 부담이 될 수 있습니다.

예금의 가장 큰 장점은 언제든지 입출금이 가능한 유동성. 적금의 가장 큰 장점은 목표 설정입니다!

반면, 예금의 큰 단점은 낮은 수익성. 적금의 가장 큰 단점은 유동성 부족으로 볼 수 있겠네요.

예금과 적금 그렇다면 어떠한 것을 선택해야할까요?

(초보자를 위한 재테크 입니다)

1. 예금을 선택해야 할 상황

예금은 목돈이 이미 준비되어 있거나, 안정적으로 자금을 운용하고 싶은 경우에 적합합니다.

- 목돈이 있을 때
ex> 상여금, 보너스, 유산 등으로 목돈이 생긴 경우.

예금은 목돈을 한 번에 예치하고 안정적인 이자를 받을 수 있는 상품입니다.

- 안전한 자금 운용이 필요할 때

예금은 은행의 보호를 받으며 변동성이 없기 때문에 안전합니다.

- 단기적인 자금 보관이 필요할 때
ex>1년 이하의 기간 동안 자금을 보관하며 이자를 얻고자 할 때.

짧은 기간이라도 이자를 받을 수 있어 유리합니다.

- 금리가 안정적일 때

높은 금리를 장기간 고정하여 안정적인 수익을 얻을 수 있습니다.

2. 적금을 선택해야 할 상황

적금은 정기적으로 저축하며 목표 금액을 모으고 싶거나, 소득이 일정한 사람들에게 적합합니다.

- 목돈을 만들고 싶을 때
ex> 목돈이 없는 상태에서 목표 금액을 설정하고 차곡차곡 저축하고 싶을 때.

- 저축 습관을 기르고 싶을 때

적금은 정기적인 납입을 요구하기 때문에 자연스럽게 저축 습관이 생깁니다.

- 금리가 상승하는 상황에서 유리할 때

적금은 예금보다 금리가 높은 경우가 많아 더 많은 이자를 기대할 수 있습니다.

- 정기적인 소득이 있을 때

매달 일정 금액을 저축하기에 적합하며, 꾸준한 자산 축적이 가능합니다.

요약하면

금융 목표:

단기적으로 자금을 보관 → 예금.

장기적으로 목표 금액을 모으기 → 적금.

재정 상황:

목돈이 있다 → 예금.

정기적으로 소득이 있다 → 적금.

금리 환경:

금리가 높고 고정 금리 유리 → 예금.

금리가 상승 중 → 적금.

유동성 필요성:

유동성이 적은 상품이 괜찮다면 예금, 더 높은 수익 기대.

매달 부담 없이 자금을 납입하고 싶다면 적금.

전문가들은 어떤 것을 추천할까요?

금융 전문가들은 예금과 적금을 병행하여 자산을 관리할 것을 권장합니다.

- 자산 분배 전략: 자산의 일부는 유동성을 확보하기 위해 단기 예금에 예치하고, 나머지는 장기 예금과 적금으로 나누어 관리하는 것이 좋습니다. 이를 통해 긴급 자금과 장기 저축 목표를 동시에 달성할 수 있습니다.

- 금리 비교와 상품 선택: 예금과 적금의 금리는 은행마다 다를 수 있으므로, 다양한 상품을 비교하여 가장 유리한 조건을 선택하는 것이 중요합니다. 또한, 우대금리나 혜택을 제공하는 상품을 활용하면 더 높은 이자를 받을 수 있습니다.

ex> "30대 직장인 A씨는 예금을 통해 목돈을 굴리고, 적금을 통해 여행 자금을 모았습니다."

결론

예금과 적금은 재테크의 기본적인 도구로, 각각의 특징과 장점을 이해하고 활용하는 것이 중요합니다. 예금은 목돈을 안정적으로 운용하고 싶을 때 적합하며, 적금은 꾸준한 저축 습관을 기르며 목표 자금을 모으는 데 유리합니다.

두 상품 중 어떤 것을 선택할지는 개인의 재정 상황, 저축 목표, 그리고 금융 환경에 따라 달라집니다. 목돈이 이미 준비되어 있다면 예금을, 매달 일정 금액을 꾸준히 저축할 수 있다면 적금을 선택하세요. 또한, 긴급 자금 관리와 장기적인 목표를 병행하고 싶다면 두 상품을 조합해 사용하는 전략도 좋은 선택이 될 수 있습니다.

마지막으로, 금융 상품의 금리와 조건은 은행마다 다를 수 있으니, 여러 상품을 비교하고 자신에게 가장 적합한 것을 선택하는 것이 현명한 재테크의 시작입니다.

사진 용량 줄이기 프로그램

GOMINQ — Fri, 29 Nov 2024 20:25:28 +0900

사진 용량 줄이기

이미지를 업로드하고 압축 비율을 설정하세요.

위드마크 공식 (BAC 계산기)

GOMINQ — Sat, 26 Oct 2024 14:57:45 +0900

사람에 따라 정도에 차이가 있긴 하지만, 술을 마시면 대부분 취하게 됩니다.

술을 마신 뒤 아마, “내가 지금 얼마나 취했을까?” 궁금해본 적 있으실 겁니다.

취하는 이유는 알코올이 몸 안으로 들어와 혈류를 타고 돌아다니면서 우리의 뇌와 몸에 영향을 주기 때문입니다.

이 상태를 수치로도 나타낼 수 있습니다.

이렇게 나타낸 것이 바로 혈중 알코올 농도(BAC: Blood Alcohol Concentration)입니다.

BAC가 높을수록 판단력과 반사 능력이 떨어집니다. 따라서, 운전할 때, 법적 기준 이상이면 음주운전에 해당할 수 있습니다.

보통은 호흡 측정기를 사용하고 좀 더 정확히 측정하고 싶은면 혈액 검사를 합니다.

하지만 매번 호흡 측정기를 사용하거나 혈액 검사를 할 수는 없습니다.

그래서, 마신 술의 양과 시간, 체중 등만으로 대략적인 BAC를 추정할 수 있는 방식이 있습니다.

여기서 등장하는 것이 바로 위드마크(Widmark) 공식입니다.

이 공식은 “얼마나 많은 알코올을 섭취했는지”, “체중은 얼마인지”, “얼마나 시간이 지났는지” 등을 바탕으로 대략적인 BAC 값을 계산하는 방법입니다.

물론 실제 BAC는 사람마다 차이가 큽니다. 몸 상태나 알코올 대사 능력, 술과 함께 먹은 음식 등 다양한 변수 때문에 이 공식이 100% 정확하진 않습니다.

하지만 위드마크 공식은 음주 후 어느 정도 시간이 지나야 알코올이 줄어드는지 감을 잡는 데 유용합니다.

위드마크(Widmark) 공식은 다음과 같습니다.

혈중알코올농도 (BAC)
- 계산된 혈액 속 알코올 농도 (단위: % 또는 g/dL).
섭취한 알코올의 양 (g)
- 섭취한 순수 알코올의 양.
- 계산 방법: 음료량(ml) × 알코올 도수 × 0.8 (알코올 비중)
체중 (kg)
- 자신의 체중을 kg 단위로 입력.
위드마크 상수 (Widmark Factor)
- 체내 체액 비율에 따라 성별로 다르게 적용.
  - 남성: 0.68
  - 여성: 0.55
알코올 분해율
- 시간당 체내에서 분해되는 알코올 양 (보통 0.015 ~ 0.02 g/dL/hr).
경과 시간 (시간)
- 마지막으로 음주한 후 경과된 시간.

위드마크 공식은 결국 ‘얼마나 많은 알코올을 먹었는지’와 ‘그 알코올이 체내에서 어떻게 분포하고, 시간에 따라 얼마나 줄어드는지’를 수식으로 표현한 것이라 생각하면 됩니다.

이 공식은 어디까지나 이론적인 추정치일 뿐이며, 실제로는 많은 변수가 존재합니다. 개인마다 알코올을 대사하는 능력이 다를 수 있고, 술을 마시기 전후에 무얼 먹었는지, 건강 상태가 어떤지, 심지어 마신 술의 정확한 도수를 파악하는지 등 다양한 요소가 실제 BAC에 영향을 끼칩니다.

따라서 위드마크 공식으로 나온 숫자가 실제 상황과 다를 수 있다는 점을 늘 염두에 두어야 합니다.

이 공식을 통해 "지금 내 BAC가 얼마 정도니까 운전해도 되겠지?"라고 생각하는 것은 매우 위험합니다. 계산 결과가 실제와 다를 가능성이 있고, 설령 수치가 낮게 나왔다 해도 혹시 모를 돌발 상황을 피할 수는 없습니다.

아래는 위드마크 공식 계산기입니다.

BAC 계산기

술 종류 마신 병 수 체중 (kg) 성별 첫 음주 후 경과 시간 (시간)

본 계산기는 대략적인 추정치이며,
실제 혈중 알코올 농도는 개인별 차이가 있을 수 있습니다.

법적 기준(대한민국): BAC 0.03% 이상은 음주운전 단속 대상.

절대 이 수치에만 의존하지 말고,
안전 운전을 최우선으로 하십시오.

[ML][용어] One-Hot Encoding (원-핫 인코딩)

GOMINQ — Fri, 25 Oct 2024 11:01:05 +0900

One-Hot 인코딩은 컴퓨터가 이해할 수 있도록 범주형 데이터를 이진 벡터로 변환하는 방법입니다. 이 기법은 각 범주에 해당하는 위치만 1로 표시하고, 나머지는 0으로 만듭니다.

1. One-Hot Encoding의 정의

One-Hot Encoding은 주어진 범주 중 하나를 컴퓨터가 이해할 수 있는 0과 1로 이루어진 벡터로 변환하는 방법입니다. 변환된 벡터에서 해당하는 범주만 1로 표시되고, 나머지는 모두 0이 됩니다.

예시로,

과일"이라는 범주에 사과, 포도, 수박이라는 범주의 값이 있다고 해봅시다.

사과 → [1, 0, 0]
포도 → [0, 1, 0]
수박 → [0, 0, 1]

이렇게 변환하면, 컴퓨터는 이진 벡터로 변환된 데이터를 처리할 수 있습니다.

2. 주요 특징

1) 범주별 독립적 표현

각 범주는 해당 위치만 1로 표시된 이진 벡터로 표현됩니다.

2) 순서와 크기의 왜곡 방지

범주형 데이터 간에 서열이나 크기의 의미를 부여하지 않습니다.

3) 고차원의 희소 벡터

범주의 수가 늘어날수록 벡터의 차원이 증가하고 대부분의 값이 0인 희소 벡터가 됩니다.

ex>: 10,000개의 범주 → 10,000차원 벡터에서 단 1개의 값만 1.

4) 컴퓨터가 이해할 수 있는 형태로 변환

범주형 데이터를 숫자 벡터로 변환해 머신러닝과 딥러닝 모델이 처리할 수 있도록 도와줍니다.

5) 범용적 사용

주로 선형 모델과 신경망 모델에서 사용되며, 특히 자연어 처리(NLP)나 범주형 데이터가 많은 문제에 자주 활용됩니다.

3. One-Hot Encoding의 장점

1) 순서 정보의 왜곡 방지

각 범주를 이진 벡터로 변환하여, 범주 사이에 서열이 없도록 합니다.

2) 단순하고 직관적

범주형 데이터를 0과 1로 표현하기 때문에 이해와 구현이 쉽습니다.

3) 다양한 알고리즘과 모델에서 사용 가능

신경망 모델, 선형 회귀, 로지스틱 회귀 등 다양한 모델에 쉽게 적용됩니다.

4. One-Hot Encoding의 단점

1) 고차원 문제

범주 수가 많을수록 벡터의 차원이 커져, 계산 속도와 메모리 사용이 비효율적입니다.

ex> 1,000개의 범주 → 1,000차원 벡터.

2) 희소성 문제

부분의 값이 0인 벡터가 생성되어, 메모리와 연산 자원이 낭비될 수 있습니다.

3) 범주 간 관계를 반영하지 못함

서로 유사한 범주(예: '고양이'와 '호랑이')도 완전히 독립적인 벡터로 처리됩니다.

5. One-Hot Encoding 코드 사용 예

import pandas as pd

# 데이터 준비
data = pd.DataFrame({'과일': ['사과', '포도', '수박', '사과']})

# One-Hot Encoding 수행
encoded_data = pd.get_dummies(data, columns=['과일'])

print("One-Hot Encoded Data:")
print(encoded_data)

[ML][용어] Gradient Boosting Machine (GBM)

GOMINQ — Tue, 22 Oct 2024 14:08:08 +0900

Gradient Boosting Machine (GBM)은 앙상블 학습(Ensemble Learning) 기법의 하나로, 여러 개의 약한 학습기(weak learner)를 결합하여 예측 성능을 향상시키는 방법입니다. 주로 결정 트리(Decision Tree)를 사용하며, 각 트리가 순차적으로 학습됩니다.

1. GBM의 정의

GBM의 핵심 아이디어는 이전 모델의 오차(residual)를 줄이는 방향으로 새로운 모델을 학습시키는 것입니다. 이 과정에서 Gradient Descent(경사 하강법)을 사용하여, GBM은 각 반복에서 손실 함수의 기울기(gradient)를 계산하고, 다음 트리는 이 기울기를 줄이는 방향으로 학습합니다.

수학적으로 정의하면 다음과 같습니다.

여기서,

이 과정은 지정된 반복 횟수나 오차가 최소화될 때까지 진행됩니다.

2. 주요 특징

1) 순차적 학습 (Sequential Learning)

첫 번째 모델이 학습한 뒤, 오차(residual)를 계산하고, 다음 모델은 이 오차를 줄이는 방향으로 학습합니다.

2) 경사 하강법(Gradient Descent) 최적화

각 트리는 오차의 경사를 계산해 그 값을 최소화하도록 학습됩니다.

3) 약한 학습기의 사용 (Weak Learner)

주로 얕은 결정 트리(depth=1~3)를 사용합니다.

3.GBM의 장점

1) 높은 예측 성능

순차적 학습을 통해 예측 오류를 점진적으로 줄여, 정확도가 높은 모델을 생성합니다.

2) 비선형 관계 학습 가능

결

- 정 트리 기반이기 때문에 복잡한 데이터의 비선형 패턴도 잘 학습합니다.

3) 유연성

회귀와 분류 문제 모두에 사용 가능하며, 다양한 손실 함수(예: MSE, Cross-Entropy)를 지원합니다.

4) 특성 중요도 제공

모델 학습 후 특성 중요도(feature importance)를 추출할 수 있어, 어떤 변수가 중요한지 파악할 수 있습니다.

5) 잡음(Noise)에 대한 내성

결정 트리 기반이므로 일부 잡음이 있는 데이터에서도 비교적 안정적인 성능을 보입니다.

3.GBM의 단점

1) 느린 학습 속도

순차적으로 학습되기 때문에 병렬 처리가 어렵고, 학습 시간이 오래 걸릴 수 있습니다.

2) 과적합(Overfitting) 위험

트리의 개수가 너무 많거나 깊이가 깊으면 훈련 데이터에 과적합될 수 있습니다.

3) 하이퍼파라미터 튜닝이 복잡

최적의 성능을 위해 학습률(learning rate), 트리 개수(n_estimators), 트리 깊이(max_depth) 등 여러 하이퍼파라미터를 조정해야 합니다.

4) 해석이 어려움

여러 개의 트리가 결합된 결과물이기 때문에 예측 결과를 직관적으로 해석하기 어렵습니다.

5) 병렬 처리 어려움

순차적으로 트리를 학습해야 하므로 병렬화가 어려워 대용량 데이터셋에서는 성능이 저하될 수 있습니다.

3. GBM 코드 사용 예시

# GBM 예시 코드: 회귀 문제 해결
import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error

# 1. 데이터 생성 (y = 0.5 * x^2 + noise)
np.random.seed(42)
X = np.random.rand(100, 1) * 10  # 0에서 10 사이의 난수 100개
y = 0.5 * X**2 + np.random.randn(100, 1) * 5  # 2차 함수 + 노이즈

# 2. Gradient Boosting Regressor 모델 생성 및 학습
gbr = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)
gbr.fit(X, y.ravel())

# 3. 예측 값 생성 (훈련 데이터와 예측 값 비교)
X_test = np.linspace(0, 10, 500).reshape(-1, 1)  # 테스트 데이터 생성
y_pred = gbr.predict(X_test)

# 4. 예측 성능 평가 (평균 제곱 오차)
mse = mean_squared_error(y, gbr.predict(X))

# 5. 그래프 시각화
plt.figure(figsize=(10, 6))

# 원본 데이터와 예측 값 표시
plt.scatter(X, y, color="blue", label="Training Data", s=10)  # 훈련 데이터
plt.plot(X_test, y_pred, color="red", linewidth=2, label="GBM Prediction")  # 예측 곡선

# 그래프 설정
plt.title(f"Gradient Boosting Regression (MSE: {mse:.2f})")
plt.xlabel("X")
plt.ylabel("y")
plt.legend()
plt.show()

[임용고사][정보][기출] 2024 정보, 컴퓨터 임용 기출 전공 A -2번

GOMINQ — Tue, 15 Oct 2024 20:23:58 +0900

2. (가)는 학사 관리 시스템의 학과 정보가 저장된 테이블과 학생 정보가 저장된 테이블이다. <조건>을 고려하여 <작성 방법>에 따라 쓰시오. [2점]

데이터베이스 문제입니다.
실행에 따라 위반되는 무결성 제약 조건을 쓰라고 하네요~!
테이블을 자세히 살펴보며 작성 방법을 보면 쉽게 풀 수 있습니다.

정 답

참조 무결성 제약 조건

조건에 보면 두 개의 SQL 테이블 생성 구문이 나와 있습니다. 하나는 학과 테이블이고, 다른 하나는 학생 테이블이네요.

학과 테이블에는 학과명, 연락처, 사무실이 있습니다.

학과명은 PRIMARY KEY로 지정되어 유일하고 중복될 수 없습니다.

학생 테이블에는 학번, 이름, 학과가 있습니다.

학번은 PRIMARY KEY로 지정되어 유일하고 중복될 수 없습니다.

FOREIGN KEY(학과) REFERENCES 학과(학과명)

구문이 있네요. 학생 테이블의 학과 필드가 학과 테이블의 학과명 필드를 참조해야 합니다.

즉, 학생 테이블에 저장된 학과 값은 반드시 학과 테이블에 존재하는 학과명이어야 합니다. , 이를 통해 참조 무결성이 보장됩니다.

작성방법을 볼까요?

UPDATE 학생 SET 학과 = '인공지능학과' WHERE 학과 = '컴퓨터공학과';

이 SQL문은 학생 테이블에서 학과가 '컴퓨터공학과'인 학생들의 학과 값을 '인공지능학과'로 변경하는 쿼리네요.

하지만,

FOREIGN KEY(학과) REFERENCES 학과(학과명)

구문 때문에, 학생 테이블에서 입력된 학과 값이 반드시 학과 테이블에 존재하는 학과명과 일치해야 하죠.

그런데 (가)를 보면 학과 테이블에 컴퓨터교육과와 컴퓨터공학과만 있습니다.

즉, 참조 무결성 제약 조건 위반이 발생합니다.

[임용고사][정보][기출] 2024 정보, 컴퓨터 임용 기출 전공 A -1번 문항

GOMINQ — Tue, 15 Oct 2024 19:09:32 +0900

1. 다음은 2022개정 정보과 교육과정의 교과 역량에 대해 정보 교사들이 나눈 대화의 일부분이다.괄호 안의 ㉠과 ㉡에 해당하는용어를 순서대로 쓰시오. [2점]

정보교과 역량 3가지를 묻는 문제입니다.

정보 교과역량 3가지 컴퓨팅 사고력, 디지털 문화 소양, 인공지능 소양을 묻는 질문이네요!

정 답

㉠ 디지털 문화 소양 ㉡ 인공지능 소양

정보교과 역량 3가지를 묻는 질문입니다!

교육과정에 제일 앞에 나와있는 표를 확인하면 쉽게 풀 수 있죠!

한 번, 다시 확인해봅시다!

컴퓨팅 사고력은 나왔으니 정답은 ㉠ 디지털 문화 소양 ㉡ 인공지능 소양 입니다!

[ML][용어] ReLU 함수

GOMINQ — Tue, 15 Oct 2024 16:54:59 +0900

ReLU(Rectified Linear Unit) 함수는 입력값이 양수면 그대로 출력하고, 음수면 0으로 출력하는 활성화 함수입니다. 계산이 간단하고, 딥러닝 모델에서 비선형성을 추가하여 학습을 돕습니다.

1. ReLU 함수의 정의

입력 값 x가 양수이면 그대로 출력되고, 음수이거나 0이면 0으로 출력됩니다.

수학적으로 정의하면 다음과 같습니다.

여기서,

입력이 양수일 때: f(x)
입력이 음수일 때: f(x)

2. 주요 특징

1) 비선형성

입력이 양수일 때는 선형 동작하지만, 입력이 음수일 때는 0으로 출력되므로 전체적으로는 비선형적 동작을 합니다. 따라서, 신경망이 복잡한 패턴을 학습할 수 있습니다.

2) 간단한 계산

수학적으로 단순해서 계산 비용이 매우 적습니다. 따라서, 큰 규모의 네트워크에서 효율적으로 사용됩니다.

3) 경사 소실 문제 완화

ReLU 함수는 음수 구간에서 0이지만, 양수 구간에서는 기울기가 항상 1이므로 경사 소실 문제가 상대적으로 덜 발생합니다.

4) 드롭아웃 효과

ReLU 함수는 입력이 음수일 때 출력을 0으로 만드므로, 일부 뉴런을 비활성화하는 효과를 내기도 합니다.

5) 죽은 ReLU 문제(Dead ReLU)

입력이 음수인 경우 항상 0을 출력하기 때문에, 학습 중에 뉴런의 가중치가 잘못 설정되면 특정 뉴런이 영구적으로 0을 출력하게 될 수 있습니다. 이러한 뉴런은 더 이상 학습에 기여하지 못하게 됩니다.

6) 폭발하는 경사 문제

ReLU 함수는 양수 입력에 대해 선형적으로 값을 증가시키므로, 입력 값이 커질수록 출력도 커집니다. 이는 폭발하는 경사 문제(exploding gradient problem)를 일으킬 수 있습니다.

3. ReLU 함수 코드 사용 예시

import torch
import torch.nn as nn

# ReLU 활성화 함수 정의
relu = nn.ReLU()

# 입력 텐서 정의
input_tensor = torch.tensor([-1.0, 0.0, 1.0, 2.0])

# ReLU 함수 적용
output_tensor = relu(input_tensor)

# 결과 출력
print("입력:", input_tensor)
print("출력:", output_tensor)

[강좌][앱인벤터] 0.5 필수 앱 설치

GOMINQ — Tue, 15 Oct 2024 15:57:06 +0900

이번 시간에는 만든 앱을 핸드폰에 사용하기 위해 필요한 앱을 설치해볼겁니다.

안해도 제작은 가능하나 최종적으로 테스트 할 때 필요하니 꼭! 설치하는 것을 권장합니다.

앱을 완성하였거나, 태스트 해볼려면 핸드폰에 설치를 해야 합니다.

물론 앱인벤터 자체에서 확인을 해볼 수 있지만, 아무래도 핸드폰에 설치를 해봐야 확실하죠.

이 때 도움을 주는 앱이 MIT AI2 Companion입니다.

안드로이드, ios 둘 다 있으며 이름이 살짝 다릅니다.

안드로이드 경우

1. 안드로이드 경우에는 플레이스토어에서 mit ai2 companion 이라고 검색한 뒤 설치하면 됩니다.

용량은 약 19mb라 크지는 않습니다.

2. 완료되면 다음과 같은 뜹니다. 저는 와이파이를 연결하지 않아 아래와 같은 메시지가 떳네요.

ios 경우

1. ios 경우에는 앱스토어에서 mit app inventor 라고 검색한 뒤 설치하면 됩니다.

2. 완료되면 안드로이드에 설치할 때와 마찬가지로, 아래와 같은 화면이 뜨면 완료된 겁니다.

[ML][용어] Sigmoid 함수

GOMINQ — Fri, 11 Oct 2024 19:42:22 +0900

시그모이드 함수(sigmoid function)는 활성화 함수 중 하나로, 이진 분류 문제에 주로 사용됩니다. 이 함수는 입력 값을 0과 1 사이의 값으로 변환하며, 신경망에 비선형성을 제공해 복잡한 패턴을 학습할 수 있게 합니다.

1. sigmoid 함수의 정의

입력값에 음의 지수 함수를 적용하여 변환한 뒤, 그 값을 0과 1 사이의 값으로 압축합니다. 입력값이 양수일수록 1에 가까워지고, 음수일수록 0에 가까워지며, 출력값은 항상 0과 1 사이를 유지합니다.

수학적으로 정의하면 다음과 같습니다.

여기서,

: 시그모이드 함수의 출력값.
x: 입력값.
e: 자연상수, 약 2.718로 알려진 오일러 수입니다.

2. 주요 특징

1) 확률 계산에 유용

출력 값이 항상 0과 1 사이에 있습니다. 이 특성 덕분에 시그모이드 함수는 확률 값을 예측할 때 유용하게 사용됩니다.

2) 어디서든 미분 가능

어디서든 미분 가능합니다. 이는 역전파(backpropagation) 과정에서 가중치 업데이트에 매우 유용합니다.

3) 비선형성

시그모이드 함수는 비선형 함수이기 때문에 신경망의 비선형 변환을 가능하게 해 줍니다. 이는 신경망이 더 복잡한 문제를 학습할 수 있게 합니다.

4) 기울기 소실 문제

입력 값이 매우 크거나 작을 때, 즉 x가 매우 큰 양수이거나 음수일 때 기울기(gradient)가 거의 0에 가까워지는 문제를 가지고 있습니다. 이는 깊은 신경망 학습에서 역전파 과정 중에 가중치가 업데이트되지 않는 상황을 초래할 수 있습니다.

5) S자 곡선

그래프의 모양은 S자 형태를 띄며, 중간값인 x=0을 기준으로 대칭적입니다. 입력이 0에 가까울 때 출력은 0.5에 가까워지고, 양의 무한대로 갈수록 출력이 1, 음의 무한대로 갈수록 출력이 0에 수렴합니다.

3. sigmoid 함수 코드 사용 예시

import numpy as np

# 시그모이드 함수 정의
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 입력값 생성
x_values = np.array([-2, -1, 0, 1, 2])

# 시그모이드 함수 적용
y_values = sigmoid(x_values)

print("Input values:", x_values)
print("Sigmoid output:", y_values)

[강좌][앱인벤터] 0. 앱인벤터 소개

GOMINQ — Mon, 7 Oct 2024 19:54:42 +0900

앱인벤터는 MIT에서 관리하는 앱메이커입니다.

오픈소스라 누구나 사용할 수 있고, 쉽게 안드로이드 앱 및 ios 앱을 만들 수 있습니다~!

비록 아직 한국어를 지원하지는 않지만, 자동 번역기능을 사용하면 누구나 쉽게 앱을 만들 수 있습니다.

그럼 지금부터 앱인벤터의 세계 속으로 떠나 볼까요?

사전 준비물: 구글 계정

(구글 계정이 필요합니다~! 없는 분들은 미리 만들어 주세요.

지금부터 앱인벤터를 천천히 차근차근히 따라해볼게요~!

아직 앱인벤터가 한국어 번역을 제대로 지원하지 않기 때문에 크롬 자동 번역을 사용해서 해보겠습니다.

브라우저는 크롬을 사용해서 켜주세요.

1. 사이트 접속하기

먼저 앱인벤터에 접속하겠습니다.

아래 주소에 접속해 주세요.

https://appinventor.mit.edu/

MIT App Inventor

A New User Interface for MIT App Inventor We have a new (additional) User Interface for MIT App Inventor More

appinventor.mit.edu

2. 한글로 자동 번역하기

접속하면 아래와 같은 화면이 뜨게 됩니다.

영어보단 한글이 익숙하고 학생들 수업할 때도 편하기 때문에, 자동 번역을 사용하도록 하겠습니다.

오른쪽 위 주소창에 있는 사전 모양을 클릭해주세요.

클릭하면 아래와 같이 뜹니다.

한국어 버튼을 누르면 번역이 됩니다. 이 때, 영어 항상 번역이 창에 클릭되어 있어야 합니다.

보면 약간 어색하지만 알아들을 수 있을 정도로 번역이 된 것을 볼 수 있습니다.

3. 앱 만들기 시작하기

왼쪽 위에 있는 앱을 만들어 보세요. 를 클릭해주세요.

클릭하면 아래와 같이 로그인하라는 창이 나옵니다.

사전에 준비한 구글 아이디로 로그인해주세요.

계속 버튼을 눌러주면,

아래와 같은 화면이 뜨게 됩니다.

이제 준비가 다 되었습니다~!

다음 시간 부터 본격적으로 알아보며 만들어보도록 할게요.

[ML][용어] GELU 함수

GOMINQ — Mon, 7 Oct 2024 19:38:17 +0900

GELU(Gaussian Error Linear Unit)함수는 입력 값을 정규 분포의 확률로 변환하여 활성화하는 방식입니다. 입력이 클수록 더 많이, 작을수록 덜 활성화되며, 이를 통해 부드럽고 확률적인 활성화가 이루어집니다. 최신 신경망 모델에서 자주 사용되며, 학습의 안정성과 성능 향상에 기여합니다.

GELU (Gaussian Error Linear Unit) 함수는 신경망에서 활성화 함수로 사용되는 함수 중 하나입니다.

ReLU (Rectified Linear Unit)와 유사하게 비선형성을 제공하지만, 보다 매끄럽고 자연스러운 방식으로 동작합니다.

특히, Transformer와 같은 최신 신경망 구조에서 ReLU 대신 종종 사용되며, BERT 모델에서도 활성화 함수로 사용됩니다.

1. GELU 함수의 정의

GELU 함수는 입력 값이 특정 확률에 따라 활성화되는 방식입니다.

이를 위해 정규 분포와 오차 함수 (erf)를 활용하여 입력 값을 부드럽게 처리합니다.

수학적으로 정의하면 아래와 같습니다.

x는 입력값입니다.
는 오차 함수 (Error Function)로, 표준 정규 분포에서 특정 값 이하의 확률을 계산하는 함수입니다.
P(X≤x)는 표준 정규 분포에서 X가 x 이하일 확률을 나타냅니다.

2. 주요 특징

1) 정규 분포 기반

GELU는 입력 값 xx를 기준으로 정규 분포에 따라 값이 작으면 더 적게 활성화되고, 값이 크면 더 많이 활성화됩니다.

( 입력 값 가 크면 P(X≤x)가 1에 가까워지고, 출력 값도 x에 가까워짐.
입력 값 x가 음수이면 P(X≤x)가 0에 가까워지지만, 완전히 0으로는 변하지 않아 일부 활성화가 유지됨,)

이를 통해 입력이 음수일 경우에도 완전히 0으로 처리하지 않고 일부를 활성화할 수 있습니다.

2) 오차 함수 사용

오차 함수 erf(x)는 정규 분포의 누적 분포 함수로, 입력 값을 정규 분포에서의 확률로 변환합니다.

이는 신경망의 활성화 과정이 매끄럽고 연속적인 확률적 활성화로 이루어지게 합니다.

3. 결론

매끄럽고 확률적인 활성화 방식 덕분에 신경망에서 학습 성능을 향상시키고, 경사 하강법의 안정성을 높이는 데 기여할 수 있습니다.

4. GELU함수 코드 사용 예시

import torch
import torch.nn as nn

# PyTorch에서 GELU 함수 사용
gelu = nn.GELU()

# 입력 텐서
x = torch.tensor([[1.0, -0.5, 0.0, 2.0]])

# GELU 함수 적용
output = gelu(x)
print(output)

[ML][용어] softmax 함수

GOMINQ — Mon, 30 Sep 2024 10:38:17 +0900

소프트맥스(Softmax) 함수는 머신러닝과 딥러닝에서 많이 사용되는 활성화 함수 중 하나입니다. 보통 여러 클래스에 대한 확률 분포를 계산하는 데 사용됩니다. 주로 분류 문제에서 마지막 출력층에서 사용되며, 주어진 입력 벡터의 각 요소를 0에서 1 사이의 확률 값으로 변환하고, 이 값들의 합이 1이 되도록 만듭니다.

소프트맥스(Softmax) 함수는 활성화 함수 중 하나로, 여러 클래스에 대한 확률 분포를 계산하는 데 사용됩니다. 주로 분류 문제에서 마지막 출력층에서 사용되며, 주어진 입력 벡터의 각 요소를 0에서 1 사이의 확률 값으로 변환하고, 이 값들의 합이 1이 되도록 만듭니다.

1. softmax 함수의 정의

이 함수는 모든 입력값에 대해 지수 함수를 적용한 후, 그 값들이 전체에서 차지하는 비율을 계산합니다. 각 요소들은 0에서 1사이의 확률 값으로 변환하고 이 확률 값의 합은 1로 됩니다.

수학적으로 정의하면 다음과 같습니다.

여기서,

z_i는 입력 벡터 zz의 i번째 원소를 의미합니다.
e^{z_i}는 지수 함수로, z_i에 대해 자연 상수 e의 지수를 취한 값입니다.
분모는 모든 입력값에 대해 지수 함수를 적용한 값들의 합입니다.

softmax 함수

2. 주요 특징

1) 확률 분포 생성

소프트맥스 함수는 입력값들을 확률값으로 변환하여, 모든 클래스에 대한 확률의 합이 1이 되도록 만듭니다. 각 출력값은 해당 클래스에 속할 확률로 해석됩니다.

2) 입력 값 차이에 민감

지수 함수를 사용하기 때문에 입력값 간의 차이가 클수록 확률의 차이도 커지며, 특정 클래스의 확률이 크게 증가합니다. 이는 입니다.

3) 다중 클래스 분류 문제에 자주 사용

신경망 모델의 마지막 층에서 사용되어 각 클래스에 대한 확률을 계산하고, 가장 높은 확률을 갖는 클래스를 예측값으로 선택하게 됩니다.

4) 확률의 합은 항상 1

소프트맥스 함수의 결과로 얻어지는 확률값들은 언제나 0과 1 사이의 값을 가지며, 모든 출력 확률의 합은 항상 1이 됩니다. 이를 통해 결과값을 확률 분포로 해석할 수 있습니다.

5) 가장 큰 입력값이 가장 높은 확률을 갖음

소프트맥스 함수의 출력에서 가장 큰 입력값은 그에 대응하는 가장 큰 확률값을 생성합니다.

3. softmax 코드 사용 예시

#PyTorch 라이브러리 가지고 오기
import torch
import torch.nn.functional as F

# 예시 입력 텐서 (logits)
logits = torch.tensor([2.0, 1.0, 0.1])

# Softmax 함수 적용
probabilities = F.softmax(logits, dim=0)

print("입력값:", logits)
print("소프트맥스 확률값:", probabilities)

[PCCE 기출문제][파이썬] 10. 데이터 분석

GOMINQ — Thu, 29 Aug 2024 09:44:47 +0900

문제는 아래 주소에서 풀어볼 수 있습니다.

코딩테스트 연습 - [PCCE 기출문제] 10번 / 데이터 분석 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요.

programmers.co.kr

문 제

AI 엔지니어인 현식이는 데이터를 분석하는 작업을 진행하고 있습니다. 데이터는 ["코드 번호(code)", "제조일(date)", "최대 수량(maximum)", "현재 수량(remain)"]으로 구성되어 있으며 현식이는 이 데이터들 중 조건을 만족하는 데이터만 뽑아서 정렬하려 합니다.

예를 들어 다음과 같이 데이터가 주어진다면

data = [[1, 20300104, 100, 80], [2, 20300804, 847, 37], [3, 20300401, 10, 8]]

이 데이터는 다음 표처럼 나타낼 수 있습니다.

주어진 데이터 중 "제조일이 20300501 이전인 물건들을 현재 수량이 적은 순서"로 정렬해야 한다면 조건에 맞게 가공된 데이터는 다음과 같습니다.

data = [[3,20300401,10,8],[1,20300104,100,80]]

정렬한 데이터들이 담긴 이차원 정수 리스트 data와 어떤 정보를 기준으로 데이터를 뽑아낼지를 의미하는 문자열 ext, 뽑아낼 정보의 기준값을 나타내는 정수 val_ext, 정보를 정렬할 기준이 되는 문자열 sort_by가 주어집니다.

data에서 ext 값이 val_ext보다 작은 데이터만 뽑은 후, sort_by에 해당하는 값을 기준으로 오름차순으로 정렬하여 return 하도록 solution 함수를 완성해 주세요. 단, 조건을 만족하는 데이터는 항상 한 개 이상 존재합니다.

제한 사항

1 ≤ data의 길이 ≤ 500
- data[i]의 원소는 [코드 번호(code), 제조일(date), 최대 수량(maximum), 현재 수량(remain)] 형태입니다.
- 1 ≤ 코드 번호≤ 100,000
- 20000101 ≤ 제조일≤ 29991231
- data[i][1]은 yyyymmdd 형태의 값을 가지며, 올바른 날짜만 주어집니다. (yyyy : 연도, mm : 월, dd : 일)
- 1 ≤ 최대 수량≤ 10,000
- 1 ≤ 현재 수량≤ 최대 수량
ext와 sort_by의 값은 다음 중 한 가지를 가집니다.
- "code", "date", "maximum", "remain"
- 순서대로 코드 번호, 제조일, 최대 수량, 현재 수량을 의미합니다.
val_ext는 ext에 따라 올바른 범위의 숫자로 주어집니다.
정렬 기준에 해당하는 값이 서로 같은 경우는 없습니다.

입출력 예

주어진 코드

def solution(data, ext, val_ext, sort_by):
    answer = [[]]
    return answer

정 답

def solution(data, ext, val_ext, sort_by):
    column_index = {
        "code" : 0,
        "date" : 1,
        "maximum" : 2,
        "remain" : 3
    }
    
    ext_index = column_index[ext]
    filtered_data = [row for row in data if row[ext_index] < val_ext]
    
    sort_index = column_index[sort_by]
    sorted_data = sorted(filtered_data, key = lambda x: x[sort_index])
    
    return sorted_data

해 설

먼저 문제의 수행 조건을 살펴봐야 합니다.

1. 데이터에서 특정 열(ext)의 값이 주어진 기준(val_ext)보다 작은 항목들만 필터링합니다.

2. 필터링된 데이터를 다른 특정 열(sort_by)의 값을 기준으로 오름차순 정렬합니다.

3. 정렬된 데이터를 반환합니다.

1. 1줄: 함수를 정의합니다.

2. 2~7줄: 사전(dictionary)을 정의합니다. 사전은 각 열의 이름과 그 열이 데이터에서 나타내는 순서를 매핑합니다. code는 인덱스 0, date는 인덱스 1, maximum은 인덱스 2, remain은 인덱스 3에 매핑됩니다.

3. 9줄: 매개변수 ext로 전달된 열 이름을 사용하여, 해당 열이 데이터에서 몇 번째 열인지 찾고, 그 인덱스를 ext_index 변수에 저장합니다.

4. 10줄: 리스트 컴프리헨션(list comprehension)을 사용하여 데이터를 필터링합니다.

리스트 컴프리헨션(List Comprehension) : 파이썬에서 리스트를 간결하게 생성할 수 있는 방법

new_list = [expression for item in iterable if condition]

expression: 새로 생성될 리스트의 각 요소를 정의합니다.
item: 반복 가능한 객체(iterable)의 각 요소를 가리킵니다.
iterable: 리스트, 문자열, 또는 다른 반복 가능한 객체입니다.
condition (선택적): 각 요소가 condition을 만족하는 경우에만 new_list에 포함됩니다.

데이터 data에서 각 행(row)을 검사하여, ext_index 위치의 값이 val_ext보다 작은 행들만 선택하여 filtered_data라는 새로운 리스트에 저장합니다.

5. 12줄: sort_by로 전달된 열 이름에 해당하는 열의 인덱스를 sort_index 변수에 저장합니다.

6. 13줄: 필터링된 데이터를 정렬합니다.
sorted 함수를 사용해 filtered_data 리스트를 sort_index 위치의 값을 기준으로 정렬하며, 이때 key 인수로 람다 함수(lambda x: x[sort_index])를 사용하여 각 행에서 정렬에 사용할 값을 선택합니다.

sorted 함수: 파이썬에서 주어진 반복가능한 객체를 정렬된 리스트로 반환하는 내장 함수

sorted(iterable, key=None, reverse=False)

iterable: 정렬할 데이터가 들어있는 반복 가능한 객체(리스트, 튜플, 문자열 등).
key (선택적): 정렬 기준이 되는 함수를 지정합니다. 이 함수는 각 요소에 적용되어 그 결과를 기준으로 정렬이 수행됩니다. 기본값은 None이며, 이 경우 기본적인 요소 값 자체가 정렬 기준이 됩니다.
reverse (선택적): 정렬 순서를 결정합니다. False이면 오름차순(기본값), True이면 내림차순으로 정렬됩니다.

lambda x: x[sort_index]는 입력으로 주어진 리스트에서 sort_index 번째 요소를 반환하는 람다 함수

7. 15줄: 데이터를 반환합니다.

[PCCE 기출문제][파이썬] 9. 이웃한 칸

GOMINQ — Tue, 27 Aug 2024 15:28:49 +0900

문제는 아래 주소에서 풀어볼 수 있습니다.

코딩테스트 연습 - [PCCE 기출문제] 9번 / 이웃한 칸 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문 제

각 칸마다 색이 칠해진 2차원 격자 보드판이 있습니다. 그중 한 칸을 골랐을 때, 위, 아래, 왼쪽, 오른쪽 칸 중 같은 색깔로 칠해진 칸의 개수를 구하려고 합니다.

보드의 각 칸에 칠해진 색깔 이름이 담긴 이차원 문자열 리스트 board와 고른 칸의 위치를 나타내는 두 정수 h, w가 주어질 때 board[h][w]와 이웃한 칸들 중 같은 색으로 칠해져 있는 칸의 개수를 return 하도록 solution 함수를 완성해 주세요.

이웃한 칸들 중 몇 개의 칸이 같은 색으로 색칠되어 있는지 확인하는 과정은 다음과 같습니다.

1. 정수를 저장할 변수 n을 만들고 board의 길이를 저장합니다.
2. 같은 색으로 색칠된 칸의 개수를 저장할 변수 count를 만들고 0을 저장합니다.
3. h와 w의 변화량을 저장할 정수 리스트 dh, dw를 만들고 각각 [0, 1, -1, 0], [1, 0, 0, -1]을 저장합니다.
4. 반복문을 이용해 i 값을 0부터 3까지 1 씩 증가시키며 아래 작업을 반복합니다.
    4-1. 체크할 칸의 h, w 좌표를 나타내는 변수 h_check, w_check를 만들고 각각 h + dh[i], w + dw[i]를 저장합니다.
    4-2. h_check가 0 이상 n 미만이고 w_check가 0 이상 n 미만이라면 다음을 수행합니다.
        4-2-a. board[h][w]와 board[h_check][w_check]의 값이 동일하다면 count의 값을 1 증가시킵니다.
5. count의 값을 return합니다.

제한 사항

1 ≤ board의 길이 ≤ 7
- board의 길이와 board[n]의 길이는 동일합니다.
0 ≤ h, w < board의 길이
1 ≤ board[h][w]의 길이 ≤ 10
- board[h][w]는 영어 소문자로만 이루어져 있습니다.

입출력 예

입출력 예 #1

주어진 보드를 나타내면 아래 그림과 같고, board[1][1]의 인접한 칸들은 화살표가 가리키는 칸들입니다. 따라서 board[1][1] 주변의 "red" 칸은 총 2개입니다

입출력 예 #2

주어진 보드를 나타내면 아래 그림과 같고, board[0][1]의 인접한 칸들은 화살표가 가리키는 칸들입니다. 따라서 board[0][1] 주변의 "green"칸은 총 1개입니다.

주어진 코드

def solution(board, h, w):
    answer = 0
    return answer

정 답

def solution(board, h, w):
    n = len(board)
    count = 0
    dh = [0, 1, -1, 0]
    dw = [1, 0, 0, -1]
    
    for i in range(4):
        h_check = h + dh[i]
        w_check = w + dw[i]
        
        if 0 <= h_check < n and 0 <= w_check < n:
            if board[h][w] == board[h_check][w_check]:
                count += 1
    return count

해 설

1. 1줄: 함수가 board, h, w 3개의 인자를 받습니다.

2. 2~3줄: 보드 크기와 count 변수를 초기화합니다. 이 때, count는 기준점 주변에 동일한 값을 가진 셀의 수를 세는 변수입니다.

3. 4~5줄: dh는 "높이"의 변화량 dw는 "좌우"의 변화량을 나타냅니다.

따라서, 인덱스 0 (dh[0] = 0 , dw[0] = 1)은 열만 1만큼 증가하므로 오른쪽 이동

인덱스 1 (dh[1] = 1 , dw[0] = 0)은 행만 1만큼 증가하므로 아래로 이동

인덱스 2 (dh[2] = -1 , dw[2] = 0)은 행만 -1만큼 증가하므로 위쪽으로 이동

인덱스 3 (dh[3] = 0 , dw[3] = -11)은 행만 -1만큼 증가하므로 왼쪽 이동

4. 7~9줄: i가 0에서 3까지 증가하며 각 방향에 대한 반복을 실시합니다.

h_check와 w_check는 현재 위치 (h, w)에서 dh[i]와 dw[i]만큼 이동한 새로운 좌표입니다.

5. 11줄: 이 조건문은 h_check와 w_check가 board의 범위를 벗어나지 않도록 경계를 확인하는 부분입니다. 보드의 크기가 n x n이므로, h_check와 w_check가 각각 0 이상이고 n 미만이어야만 유효한 위치로 간주됩니다.

6. 12~14줄: 현재 위치 (h, w)의 값 board[h][w]와 상하좌우로 이동한 새로운 위치 (h_check, w_check)의 값 board[h_check][w_check]를 비교합니다. 값이 같으면 count를 1 증가시킵니다. 즉, 같은 값을 가진 인접한 셀을 발견했을 때 그 개수를 셉니다. 마지막으로 최종 카운트를 반환합니다.

[PCCE 기출문제][파이썬] 8. 창고 정리

GOMINQ — Tue, 27 Aug 2024 13:39:14 +0900

문제는 아래 주소에서 풀 수 있습니다.

코딩테스트 연습 - [PCCE 기출문제] 8번 / 창고 정리 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문 제

선빈이는 게임을 즐기던 중 가지고 있는 물건이 너무 많아 창고 정리를 하기로 했습니다. 선빈이가 보유한 게임 속 창고는 여러 칸으로 나누어져 있고 각 칸에는 물건들이 담겨있습니다. 창고를 정리할 방법을 고민하던 선빈이는 같은 물건이 여러 칸에 나누어 들어있는 것을 발견하고 우선 같은 물건끼리 최대한 겹쳐쌓는 방식으로 창고를 정리하기로 했습니다. 선빈이의 창고에 들어있는 물건의 이름과 개수는 리스트 형태로 주어지며, 한 칸에 겹쳐질 수 있는 물건의 개수에는 제한이 없다고 가정합니다.

예를 들어 창고의 각 칸에 담겨있는 물건의 이름이storage = ["pencil", "pencil", "pencil", "book"], 각 물건의 개수가 num = [2, 4, 3, 1]이라면 연필과 책을 한 칸에 각각 겹쳐 쌓아 간단하 clean_storage = ["pencil", "book"], clean_num = [9, 1]로 만들 수 있습니다.

주어진 solution 함수는 정리되기 전 창고의 물건 이름이 담긴 문자열 리스트 storage와 각 물건의 개수가 담긴 정수 리스트 num이 주어질 때, 정리된 창고에서 개수가 가장 많은 물건의 이름을 return 하는 함수입니다. solution 함수가 올바르게 작동하도록 한 줄을 수정해 주세요.

제한 사항

1 ≤ storage의 길이 = num의 길이 ≤ 30
storage[i]는 영어 대소문자로 이루어져 있습니다.
물건은 대소문자를 구분합니다. 즉, "Book"과 "book"은 서로 다른 물건입니다.
1 ≤ storage[i]의 길이 ≤ 30
1 ≤ num[i] ≤ 20
num[i]에는 storage[i]에 해당하는 물건의 개수가 담겨있습니다.
가장 개수가 많은 물건이 두 가지 이상인 경우는 없습니다.
한 칸에는 한 종류의 물건만 들어갈 수 있습니다.

입출력 예

입출력 예 #1
본문에 설명된 대로 창고를 정리하면 clean_storage = ["pencil", "book"], clean_num = [9, 1]이 됩니다. 따라서 가장 개수가 많은 물건인 "pencil"을 return합니다.

입출력 예 #2
창고를 정리하면 clean_storage = ["doll"], clean_num = [4]가 됩니다. 따라서 가장 개수가 많은 물건인 "doll"을 return합니다.

입출력 예 #3
창고를 정리하면 clean_storage = ["apple", "steel", "leaf"], clean_num = [8, 3, 12]가 됩니다. 따라서 가장 개수가 많은 물건인 "leaf"를 return합니다.

입출력 예 #4
창고를 정리하면 clean_storage = ["mirror", "net", "bottle"], clean_num = [8, 2, 5]가 됩니다. 따라서 가장 개수가 많은 물건인 "mirror"를 return합니다.

주어진 코드

def solution(storage, num):
    clean_storage = []
    clean_num = []
    for i in range(len(storage)):
        if storage[i] in clean_storage:
            pos = clean_storage.index(storage[i])
            clean_num[pos] += num[i]
        else:
            clean_storage.append(num[i])
            clean_num.append(num[i])
            
    # 아래 코드에는 틀린 부분이 없습니다.
            
    max_num = max(clean_num)
    answer = clean_storage[clean_num.index(max_num)]
    return answer

정 답

def solution(storage, num):
    clean_storage = []
    clean_num = []
    for i in range(len(storage)):
        if storage[i] in clean_storage:
            pos = clean_storage.index(storage[i])
            clean_num[pos] += num[i]
        else:
            clean_storage.append(storage[i])
            clean_num.append(num[i])
            
    # 아래 코드에는 틀린 부분이 없습니다.
            
    max_num = max(clean_num)
    answer = clean_storage[clean_num.index(max_num)]
    return answer

9번째 줄 clean_storage.append(num[i]) 을 clean_storage.append(storage[i]) 로 수정

lean_storage에는 각 고유한 storage 값이 저장되어야 하기 때문에, num[i] 대신 storage[i]를 추가해야 합니다.

해 설

1. 1번째 줄: 함수는 두 개의 리스트 storage와 num을 인자로 받습니다.

2. 2~3번째 줄: clean_storage, clean_num 2개의 리스트를 초기화 합니다.

3. 4번째 줄: storage의 리스트 길이만큼 반복합니다.

4. 5~7번째 줄: storage[i] 값이 이미 clean_storage에 존재한다면, storage[i]가 clean_storage에서 있는 위치를 찾습니다. 해당 인덱스(pos)의 clean_num 값에 새로운 num[i] 값을 더해줍니다.

5. 8~10번 째 줄: storage[i]가 clean_storage에 존재하지 않을 때 새로운 항목(storage[i])을 clean_storage 리스트에 추가합니다. 그런 다음 그 항목에 해당하는 num[i] 값을 clean_num 리스트에 추가합니다.

6. 14~16번째 줄: clean_num 리스트에서 가장 큰 숫자를 찾습니다. 이 숫자를 max_num에 저장합니다. 다음 가장 큰 숫자의 위치(인덱스)를 반환하여, clean_storage에서 해당하는 항목을 찾아 answer에 저장합니다.

[PCCE 기출문제][파이썬] 7. 가습기

GOMINQ — Mon, 26 Aug 2024 17:07:45 +0900

문제는 아래에서 풀어 볼 수 있습니다.

코딩테스트 연습 - [PCCE 기출문제] 7번 / 가습기 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문 제

상우가 사용하는 가습기에는 "auto", "target", "minimum"의 세 가지 모드가 있습니다. 가습기의 가습량은 0~5단계로 구분되며 각 모드 별 동작 방식은 다음과 같습니다.

"auto" 모드

습도가 0 이상 10 미만인 경우 : 5단계
습도가 10 이상 20 미만인 경우 : 4단계
습도가 20 이상 30 미만인 경우 : 3단계
습도가 30 이상 40 미만인 경우 : 2단계
습도가 40 이상 50 미만인 경우 : 1단계
습도가 50 이상인 경우 : 0단계
"target" 모드

습도가 설정값 미만일 경우 : 3단계
습도가 설정값 이상일 경우 : 1단계
"minimum"모드

습도가 설정값 미만일 경우 : 1단계
습도가 설정값 이상일 경우 : 0단계
상우가 설정한 가습기의 모드를 나타낸 문자열 mode_type, 현재 공기 중 습도를 나타낸 정수 humidity, 설정값을 나타낸 정수 val_set이 주어질 때 현재 가습기가 몇 단계로 작동 중인지 return하도록 빈칸을 채워 solution 함수를 완성해 주세요.

제한 사항

mode_type은 "auto", "target", "minimum" 세 가지 중 하나의 값을 갖습니다.
0 ≤ humidity, val_set ≤ 100

입출력 예

입출력 예 #1
"auto"모드이므로 습도에 따라 가습량이 조절됩니다. 현재 습도가 20 이상 30 미만이므로 3을 return합니다.

입출력 예 #2
"target"모드이고, 설정값보다 습도가 높으므로 1을 return합니다.

입출력 예 #3
"minimum"모드이고, 설정값보다 습도가 낮으므로 1을 return합니다.

주어진 코드

def func1(humidity, val_set):
    if humidity < val_set:
        return 
    return 1

def func2(humidity):
    if humidity >= 50:
        return 0
    elif humidity >= 40:
        return 1
    elif humidity >= 30:
        return 2
    elif humidity >= 20:
        return 3
    elif humidity >= 10:
        return 4
    


def func3(humidity, val_set):
    if humidity < val_set:
        return 1
    return 

def solution(mode_type, humidity, val_set):
    answer = 0
    if mode_type == "auto":
        answer = func
    elif mode_type == "target":
        answer = func
    elif mode_type == "minimum":
        answer = func
    return answer

정 답

def func1(humidity, val_set):
    if humidity < val_set:
        return 3
    return 1

def func2(humidity):
    if humidity >= 50:
        return 0
    elif humidity >= 40:
        return 1
    elif humidity >= 30:
        return 2
    elif humidity >= 20:
        return 3
    elif humidity >= 10:
        return 4  
    elif humidity >= 0:      
        return 5

def func3(humidity, val_set):
    if humidity < val_set:
        return 1
    return 0

def solution(mode_type, humidity, val_set):
    answer = 0
    if mode_type == "auto":
        answer = func2(humidity)
    elif mode_type == "target":
        answer = func1(humidity, val_set)
    elif mode_type == "minimum":
        answer = func3(humidity, val_set)
    return answer

해 설

1. 1~4줄: 두 개의 매개변수 humidity와 val_set을 받아. 조건문( humidity 값이 val_set보다 작으면 )이 참이면 3을 반환하고, 거짓일 경우 1을 반환합니다.

2. 6~18줄: 1개의 매개변수 humidity를 받아, humidity 값이 50이상이면 0을 반환, humidity 값이 50 미만이지만 40이상이면 1을 반환, humidity 값이 40 미만이지만 30이상이면 2를 반환, humidity 값이 30 미만이지만 20이상이면 3을 반환, humidity 값이 20 미만이지만 10이상이면 4를 반환, humidity 값이 10 미만이지만 0이상이면 5를 반환합니다.

3. 20~23줄: 두 개의 매개변수 humidity와 val_set을 받아. 조건문( humidity 값이 val_set보다 작으면 )이 참이면 1을 반환하고, 거짓일 경우 0을 반환합니다.

4. 25줄: 세 개의 매개변수 mode_type, humidity, val_set을 받습니다.

5. 26줄: 변수 answer를 0으로 초기화합니다.

6. 27~33줄: mode_type이 "auto"일 경우, func2(humidity)를 호출하고 그 결과값을 answer에 저장합니다.
mode_type이 "target"일 경우, func1(humidity, val_set)를 호출하고 그 결과값을 answer에 저장합니다.
mode_type이 "minimum"일 경우, func3(humidity, val_set)를 호출하고 그 결과값을 answer에 저장합니다.

마지막으로 answer 값을 반환합니다.

[PCCE 기출문제][파이썬] 6. 가채점

GOMINQ — Mon, 26 Aug 2024 14:01:30 +0900

문제는 아래 주소에서 풀 수 있습니다.

코딩테스트 연습 - [PCCE 기출문제] 6번 / 가채점 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문 제

A반 학생들은 시험이 끝난 뒤 성적이 나오기 전 자기 시험지를 가채점해 보았습니다. 이후에 선생님이 실제 성적을 불러 줄 때 가채점한 점수와 실제 성적이 다른 학생들이 있어 선생님께 문의를 하려고 합니다.

성적을 문의하려는 학생들의 번호가 담긴 정수 리스트 numbers와 가채점한 점수가 성적을 문의하려는 학생 순서대로 담긴 정수 리스트 our_score, 실제 성적이 번호 순서대로 담긴 정수 리스트 score_list가 주어집니다. 주어진 solution 함수는 가채점한 점수가 실제 성적과 동일하다면 "Same"을, 다르다면 "Different"를 순서대로 리스트에 담아 return하는 함수입니다. solution 함수가 올바르게 작동하도록 한 줄을 수정해 주세요.

제한 사항

1 ≤ numbers의 길이 = our_score의 길이 ≤ 10
- 1 ≤ numbers의 원소 ≤ 31
- 0 ≤ our_score의 원소 ≤ 100
- our_score[i]는 numbers[i]번 학생이 가채점한 점수입니다.
- numbers는 중복된 원소를 가지지 않습니다.
2 ≤ score_list의 길이 ≤ 31
- 0 ≤ score_list의 원소 ≤ 100
- score_list에는 실제 성적이 [1번 학생 성적, 2번 학생 성적, 3번 학생 성적 …] 순서로 들어있습니다.

입출력 예

입출력 예 #1

1번 학생이 가채점한 성적은 100점으로 실제 성적과 같기 때문에 "Same"을 담아 return합니다.

입출력 예 #2

3번 학생이 가채점한 성적은 85점으로 실제 성적 38점과 다르기 때문에 "Different"를, 4번 학생이 채점한 성적은 93점으로 실제 성적과 같기 때문에 "Same"을 담아 return합니다.

주어진 코드

def solution(numbers, our_score, score_list):
    answer = []
    for i in range(len(numbers)):
        if numbers[our_score[i]] == score_list[i]:
            answer.append("Same")
        else:
            answer.append("Different")
    
    return answer

정 답

def solution(numbers, our_score, score_list):
    answer = []
    for i in range(len(numbers)):
        if our_score[i] == score_list[numbers[i]-1]:
            answer.append("Same")
        else:
            answer.append("Different")
    
    return answer

해 설

1. 1줄: 함수를 정의합니다. solution이라는 함수가 정의되며, 이 함수는 세 개의 인자를 받습니다.

2. 2줄: 빈 리스트 answer를 초기화합니다.

3. 3줄: for 루프가 numbers의 리스트 길이만큼 반복됩니다.

4. 4줄: our_score 리스트의 i번째 요소(문의할 점수)와 score_list( numbers[i] -1) 위치의 값을 비교합니다.
이 때, 원소는 학생의 번호이기 때문에 1부터 시작합니다. 따라서 1을 뺴줍니다.

5. 5~6줄: 조건문이 참이면 Same. 거깃이면 Differnt 문자열을 anwer 리스트에 추가합니다.

append() 함수는 파이썬에서 리스트의 끝에 새로운 요소를 추가하는 매서드입니다.

[PCCE 기출문제][파이썬] 5. 산책

GOMINQ — Sat, 24 Aug 2024 20:19:03 +0900

문제는 아래에서 풀어볼 수 있습니다.

코딩테스트 연습 - [PCCE 기출문제] 5번 / 산책 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문제

여름이는 강아지를 산책시키려고 합니다. 여름이는 2차원 좌표평면에서 동/서/남/북 방향으로 1m 단위로 이동하면서 강아지를 산책시킵니다. 산책루트가 담긴 문자열 route가 주어질 때, 도착점의 위치를 return하도록 빈칸을 채워 solution함수를 완성해 주세요.

route는 "N", "S", "E", "W"로 이루어져 있습니다.

"N"은 북쪽으로 1만큼 움직입니다.

"S"는 남쪽으로 1만큼 움직입니다.

북쪽으로 -1만큼 움직인 것과 같습니다.

"E"는 동쪽으로 1만큼 움직입니다.

"W"는 서쪽으로 1만큼 움직입니다.

동쪽으로 -1만큼 움직인 것과 같습니다.

출발점으로부터 [동쪽으로 떨어진 거리, 북쪽으로 떨어진 거리]형태로 강아지의 최종 위치를 구해서 return해야 합니다.

출발점을 기준으로 서쪽, 남쪽에 있는 경우는 동쪽, 북쪽으로 음수만큼 떨어진 것으로 표현합니다.

출발점으로부터 동쪽으로 2, 북쪽으로 3만큼 떨어졌다면 [2, 3]을 return 합니다.

출발점으로부터 서쪽으로 1, 남쪽으로 4만큼 떨어졌다면 [-1, -4]를 return 합니다.

제한사항

1 ≤ route의 길이 ≤ 20
route는 "N", "S", "E", "W"로만 이루어져 있습니다.

입출력 예

입출력 예 #1

"NSSNEWWN" 순서대로 움직이면 서쪽으로 1, 북쪽으로 1만큼 떨어진 곳에 도착하게 되므로 [-1, 1]을 return합니다.

입출력 예 #2

"EESEEWNWSNWWNS" 순서대로 움직이면 출발지와 같은 곳으로 돌아오므로 [0, 0]을 return합니다.

주어진 코드

def solution(route):
    east = 0
    north = 0
    for i in route:
        if i == "N":
            north += 1
        elif i == "S" :
         	
        elif i == "E" :          

        elif i ==     :
            
    return [east, north]

정 답

def solution(route):
    east = 0
    north = 0
    for i in route:
        if i == "N":
            north += 1
        elif i == "S" :
         	north += -1
        elif i == "E" :
            east += 1
        elif i == "W" :
            east += -1
    return [east, north]

해 설

1. 1줄: 함수를 정의입니다. solution이라는 함수가 하나의 매개변수 route를 받습니다.

2. 2~3줄: 변수 east와 north를 초기화 합니다.

3. 4줄: route 문자열의 각 문자를 하나씩 차례대로 i에 할당하며 반복합니다.

4. 5~6줄: 문자가 N이면 north 값을 1 증가시킵니다.

5. 7~8줄: 문자가 S이면 north 값을 -1 증가시킵니다.

6. 9~10줄: 문자가 E이면 east 값을 1 증가시킵니다.

7. 11~12줄: 문자가 S이면 east 값을 -1 증가시킵니다.

8. 13줄: 루프가 끝난 뒤, east와 north를 리스트 형태로 반환합니다.

[PCCE 기출문제][파이썬] 4. 저축

GOMINQ — Fri, 23 Aug 2024 12:43:08 +0900

문제는 아래 주소에서 풀어볼 수 있습니다.

코딩테스트 연습 - [PCCE 기출문제] 4번 / 저축 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문제

진우는 돈을 모으기 위해 저축을 하려고 합니다. 목표로 하는 금액은 100만 원이며, 첫 달에 일정 금액을 넣은 뒤 70만 원까지는 매월 조금씩 저축하다가 70만 원 이후부터는 월 저축량을 늘려 빠르게 목표 금액을 달성하고자 합니다.

첫 달에 저축하는 금액을 나타내는 정수 start, 두 번째 달 부터 70만 원 이상 모일 때까지 매월 저축하는 금액을 나타내는 정수 before, 100만 원 이상 모일 때 까지 매월 저축하는 금액을 나타내는 정수 after가 주어질 때, 100만 원 이상을 모을 때까지 걸리는 개월 수를 출력하도록 빈칸을 채워 코드를 완성해 주세요.

제한사항

0 ≤ start ≤ 99
1 ≤ before ≤ after ≤ 25

입출력 예

입력 #1

28
6
8

출력 #1

입력 #2

75
8
25

출력 #2

입출력 예 설명

입출력 예 #1

매월 저축된 금액은 아래 표와 같습니다. 따라서 12를 출력합니다.

입출력 예 #2

첫 달 저축된 금액이 70이 넘으므로 두 번째 달부터 바로 after= 25 만큼 저축합니다. 따라서 2를 출력합니다.

주어진 코드

start = int(input())
before = int(input())
after = int(input())

money = start
month = 1
while money < 70:
    money += 
    month += 1
while       < 100:
    
    month += 1

print(month)

정 답

start = int(input())
before = int(input())
after = int(input())

money = start
month = 1
while money < 70:
    money += before
    month += 1
while money < 100:
    money += after
    month += 1

print(month)

해 설

1. 1~3줄

start: 초기 금액을 나타내는 정수입니다.
before: 초기 목표(70)에 도달할 때까지 매달 추가되는 금액입니다.
after: 초기 목표(70)를 넘은 후에 매달 추가되는 금액입니다.

2. 4~5줄

money는 현재 가진 돈을 의미하며, 시작 금액(start)으로 초기화됩니다.
month는 몇 개월이 경과했는지를 추적하며, 1개월째로 시작합니다.

3. 6~8줄

while 루프는 money가 70에 도달하거나 이를 초과할 때까지 반복됩니다.
70에 도달하기 이전에는 before에 해당하는 금액만 큼 추가해야 하므로

정답은 money += before 입니다.

매월 month는 1씩 증가합니다.

4. 9~11줄

2번째 while 루프는 money가 70에 도달하거나 이를 초과할 때까지 반복됩니다.
70이 넘고 100에 도달하기 전에는 after에 해당하는 금액만큼이 매번 추가되어야 하므로

정답은 money += after 입니다.

매월 month는 1씩 증가합니다.

5. 14줄

최종 걸린 개월 수(month)를 출력합니다.

[PCCE 기출문제][파이썬] 3. 나이 계산

GOMINQ — Fri, 23 Aug 2024 10:34:16 +0900

PCCE문제를 풀어볼 수 있는 주소는 아래와 같습니다.

코딩테스트 연습 - [PCCE 기출문제] 3번 / 나이 계산 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문제

나이를 세는 방법은 여러 가지가 있습니다. 그중 한국식 나이는 태어난 순간 1살이 되며 해가 바뀔 때마다 1살씩 더 먹게 됩니다. 연 나이는 태어난 순간 0살이며 해가 바뀔 때마다 1살씩 더 먹게 됩니다. 각각 나이의 계산법은 다음과 같습니다.

한국식 나이 : 현재 연도 - 출생 연도 + 1
연 나이 : 현재 연도 - 출생 연도

출생 연도를 나타내는 정수 year와 구하려는 나이의 종류를 나타내는 문자열 age_type이 주어질 때 2030년에 몇 살인지 출력하도록 빈칸을 채워 코드를 완성해 주세요. age_type이 "Korea"라면 한국식 나이를, "Year"라면 연 나이를 출력합니다.

제한 사항

- 1950 ≤ year ≤ 2030

- age_type은 "Korea" 또는 "Year"만 주어집니다.

입출력 예

입력 #1

2000
Korea

출력 #1

입력 #2

1999
Year

출력 #2

입출력 예 설명

입출력 예 #1

- 2030년에 2000년생의 한국식 나이는 2030 - 2000 + 1 = 31살입니다.

입출력 예 #2

- 2030년에 1999년생의 연 나이는 2030 - 1999 = 31살입니다.

주어진 코드

year = int(input())
age_type = input()

if age_type ==        :
    answer = 
elif age_type == "Year":
    

print(answer)

정 답

year = int(input())
age_type = input()

if age_type == "Korea":
    answer = 2030 - year + 1

elif age_type == "Year":
    answer = 2030 - year

print(answer)

해 설

1. 입력 받기

1줄은 입력으로 연도를 받는 줄이고, 2번 째 줄은 나이 계산 방식을 받는 줄입니다.(Korea 또는 Year)

2. 조건문 (if - elif 구문 사용)

if 조건: 조건이 참일 때 수행할 표현

elif 조건: 첫 번째 조건이 거짓이고 해당 조건이 참일 때 수행할 표현

만약 age type이 Korea이면 한국식 나이를 계산합니다.

따라서 정답은 answer = 2030 - year + 1 입니다.

만약 age type이 Year이면 일반적인 연 나이를 계산합니다.

따라서 정답은 answer = 2030 입니다.

[PCCE 기출문제][파이썬] 2. 피타고라스 정리

GOMINQ — Fri, 23 Aug 2024 09:12:31 +0900

2번 문제 주소는 아래와 같습니다.

코딩테스트 연습 - [PCCE 기출문제] 2번 / 피타고라스의 정리 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문제

직각삼각형이 주어졌을 때 빗변의 제곱은 다른 두 변을 각각 제곱한 것의 합과 같습니다.

직각삼각형의 한 변의 길이를 나타내는 정수 a와 빗변의 길이를 나타내는 정수 c가 주어질 때, 다른 한 변의 길이의 제곱, b_square 을 출력하도록 한 줄을 수정해 코드를 완성해 주세요.

제한사항

1 ≤ a < c ≤ 100

입출력예

입력 #1

3
5

출력 #1

입력 #2

9
10

출력 #2

입출력 예 설명

입출력 예 #1

a2 = 9, c2 = 25 이므로 16을 출력합니다.

입출력 예 #2

a2 = 81, c2 = 100 이므로 19를 출력합니다.

주어진 코드

a = int(input())
c = int(input())

b_square = c - a
print(b_square)

정 답

a = int(input())
c = int(input())

b_square = c**2 - a**2
print(b_square)

해 설

문제는 피타고라스 정리

에서 b를 구하는 겁니다.

따라서 간단하게 이항 시키면

라고 할 수 있죠.

따라서 b_square = c - a 부분에

제곱을 할 수 있도록 바꿔주면 됩니다.

파이썬에서 제곱을 할 때는 **2라고 하면 됩니다. 세 제곱은 **3이구요.

따라서 4번쨰 항을 b_square = c**2 - a**2 로 바꿔주면 됩니다.

[PCCE 기출문제][파이썬] 1. 출력

GOMINQ — Thu, 22 Aug 2024 16:25:56 +0900

PCCE 문제를 풀어 볼 수 있는 주소는 다음과 같습니다

코딩테스트 연습 - [PCCE 기출문제] 1번 / 출력 | 프로그래머스 스쿨 (programmers.co.kr)

프로그래머스

programmers.co.kr

문제

주어진 초기 코드는 변수에 데이터를 저장하고 출력하는 코드입니다. 아래와 같이 출력되도록 빈칸을 채워 코드를 완성해 주세요.

출력 예시

Spring is beginning
13
310

주어진 코드

string_msg = 
int_val = 
string_val = 


print(string_msg)
print(int_val + 10)
print(string_val + "10")

정 답

string_msg = "Spring is beginning"
int_val = 3
string_val = "3"

print(string_msg)
print(int_val + 10)
print(string_val + "10")

해 설

1. string_msg는 "Spring is beginning"을 출력해야 하므로, 해당 문자열을 그대로 할당합니다.

파이썬에서 문자열 출력은 " ", 또는 ' ' 사용

따라서, string_msg = "Spring is beginning"

2. int_val은 숫자 13을 출력한 후 +10을 더한 결과를 출력해야 하므로, int_val에는 13이 할당됩니다.

따라서, int_val = 3

3. string_val은 문자열 "3"을 할당하여 "3" + "10"이 "310"으로 출력되도록 합니다.

" " 로 표시했으니 "3" 은 문자열입니다.

따라서, string_val = "3"

[IT][제품소개] VORMOR(세계 최초 탈부착식 듀얼 스크린 번역기)

GOMINQ — Wed, 21 Aug 2024 16:15:47 +0900

외국어를 공부하는 것은 너무나 어려운 일입니다.

하지만 외국어는 우리 일상 생활에 필요한 일이 많죠.

특히 여행이나 출장을 자주가시는 분들이라면 더더욱 그럴겁니다~!

하지만 다행히도 이러한 불편함을 해소하기 위해,

최근에는 번역기를 사용하시는 분이 많습니다.

시중에 여러 번역기들이 많은데 대화를 할 때, 번역기를 주고 받으면 불편한 경우가 많습니다.

이를 해결한 제품이 인디고고에 펀딩 되었습니다.

세계 최초의 탈부착식 듀얼 스크린 번역기

VORMOR 듀얼 스크린 번역기를 소개합니다.