Dan Lee

2부. 첫 번째 아침 - 잘 잤습니다.

2026-10-10T07:09:54Z

NOVA는 예상보다 작았다. 지훈은 택배 상자를 열고 손목에 차 보았다. 검은 원형 디스플레이, 얇은 실리콘 밴드, 뒷면에 작은 센서들이 촘촘히 붙어 있었다. 시장에 나와 있는 스마트워치와 크게 다르지 않았다. 다만 패키지에는 설명서가 없었다. 대신 작은 카드 한 장이 들어 있었다. “NOVA는 당신의 하루를 학습합니다.처음 14일은 캘리브레이션 기간입

1부. 조용한 개발자 - 그는 아무것에도 동의하지 않았다.

2026-10-10T05:21:54Z

한지훈은 회의실 구석 자리가 편했다. 창가 쪽 마지막 좌석. 카메라에 잘 안 잡히고, 팀장의 시선에서도 조금 벗어나 있는 자리. 회의가 시작되기 전에 노트북을 열고, 회의가 끝나면 가장 먼저 자리에서 일어난다. 누군가 자신에게 질문하지 않는 한, 말을 건넬 이유는 없었다. “이번 분기 목표는 AI 관련 매출 확대입니다.” 팀장의 목소리가 회의실을 채웠다

프롤로그. 더 편안해졌습니다. - AI는 갑자기 오지 않았다.

2026-10-10T06:06:11Z

Perplexity와 쓰는 AI 소재의 소설이다. 영화 속에서는 늘 그랬다. 거대한 서버가 깨어나고, 로봇이 거리를 점령하고, 인간은 마지막 순간에야 위험을 알아차렸다. 우리는 그러한 스토리에 익숙하다. 그리고 그런 일은 멀리 있을 것이고 그 변화를 쉽게 알아차릴 수 있을 것이라고. 하지만 현실의 AI는 그렇게 오지 않았다. AI는 먼저 소프트웨어로 왔

참고자료와 설명 범위

2026-10-09T04:36:12Z

본문의 근거 표시는 원자료의 이름과 관련 절을 한 줄씩 보여줍니다. 문서명을 누르면 해당 원자료를 확인할 수 있습니다. 수식은 표준적인 정의를 설명하기 위한 것이며, 예시 문장과 설계 제안은 이 글의 서술입니다. 제품별 기능은 구현 사례로만 다루며 모든 AI 서비스에 동일한 정책이나 내부 구조가 적용된다는 뜻은 아닙니다. 확인일: 2026-10-07. 아

더 많은 기능보다 더 명확한 질문 - 과제에 맞는 정보와 검증 경로 선택

2026-10-09T04:30:53Z

검색, 기억, 문서 분석과 에이전트까지 모두 연결하면 더 좋은 결과가 나올까요. 기능이 늘면 새로운 근거와 행동을 얻지만, 비용과 실패 지점도 함께 생깁니다. 무엇을 성공이라고 볼지 먼저 정하면 필요한 연결과 불필요한 복잡성을 구분할 수 있습니다. 마지막으로 지금까지의 원리를 실제 선택 기준으로 묶어보겠습니다. 창작, 추출, 분석, 실행은 성공 조건이 다

그럴듯한 답과 믿을 만한 답 사이 - 정확성, 근거성, 실행 안전성을 분리하기

2026-10-09T04:24:28Z

오래된 문서를 정확하게 요약한 답은 원문에 충실하지만 현재 사실과 다를 수 있습니다. 제공한 자료에 없는 내용을 우연히 맞힌 답은 사실일 수 있어도 근거 사용이라는 요구를 충족하지 못합니다. 이 두 경우를 같은 정답과 오답으로만 묶으면 무엇을 믿을지, 무엇을 고칠지 판단하기 어렵습니다. 신뢰성은 서로 다른 기준을 나누는 데서 시작됩니다. 근거에 충실한 답

사진을 설명하는 AI와 글자를 읽는 AI는 다르다 - 멀티모달의 입력 표현과 출력 목표

2026-10-09T04:16:33Z

사진 속 장면을 잘 설명하는 AI가 작은 표의 숫자까지 정확히 읽는다고 기대할 수는 없습니다. 음성을 자연스럽게 말하는 능력도 원래 발화를 정확하게 인식했다는 증거와 다릅니다. 멀티모달이라는 이름보다 입력의 표현과 출력의 목적을 먼저 나누어 보면 어떤 오류를 어디에서 확인해야 하는지가 보입니다. 다른 매체는 모델이 처리할 표현으로 변환됩니다 텍스트는 토큰

“처리했습니다”라는 말을 어디까지 믿어야 할까 - 도구 요청, 검증, 실행 결과를 나누기

2026-10-09T04:09:15Z

일정을 등록했다고 답했지만 실제 일정이 보이지 않는 상황을 생각해 봅시다. 반대로 화면에 오류가 떠도 외부 시스템의 변경은 끝났을 수 있습니다. 완료 문장은 상태 확인을 대신하지 못합니다. 도구 호출은 언어로 만든 요청을 실제 시스템의 행동에 연결합니다. 이때 출력 형식, 사용자 의도, 실행 권한과 결과 확인을 각각 나누어야 합니다. 도구 스키마는 출력의

내 자료를 줬는데 왜 다른 답을 할까 - RAG의 검색 누락과 해석 오류 구분

2026-10-09T04:03:37Z

필요한 문서가 저장소에 있는데 답변이 예외를 놓칩니다. 자료를 보관한 것과 이번 질문에 필요한 근거를 모델에 전달한 것은 같은 일이 아닙니다. RAG는 이 사이를 검색으로 연결합니다. 그래서 오류를 이해하려면 모델의 문장뿐 아니라 검색된 자료부터 살펴야 합니다. 자료 준비와 질의 처리를 분리합니다 자료 준비에서는 문서를 조각으로 나누고 제목, 버전, 출처

검색을 켜도 최신 사실이 보장되지는 않는다 - 출처의 시점과 적용 범위를 확인하는 법

2026-10-09T03:56:50Z

공식 문서 링크가 붙어 있으면 답을 믿기 쉬워집니다. 하지만 공식 문서도 이전 버전에 관한 것일 수 있고, 현재의 일반 정책이 내 프로젝트 설정과 다를 수도 있습니다. 검색에서 중요한 것은 링크의 존재만이 아닙니다. 무엇을 찾았고 어느 범위까지 확보했으며 그 자료가 지금 질문에 적용되는지가 함께 확인돼야 합니다. 질의 구성에서 이미 정보가 선택됩니다 질문

파일을 받았다고 조건까지 읽은 것은 아니다 - 문서 추출과 표·각주의 관계 보존

2026-10-09T03:41:55Z

문서에서 숫자를 정확히 가져왔는데 결론이 틀릴 수 있습니다. 표 제목이나 단위, 하단의 각주를 놓치면 같은 숫자도 다른 의미가 되기 때문입니다. 업로드 완료와 이해 완료 사이에는 추출, 구조 보존, 선택과 해석의 경계가 있습니다. 가상 집계표 하나로 그 차이를 구체적으로 보겠습니다. 문서의 원래 모습과 모델에 전달된 표현은 다릅니다 디지털 문서의 텍스트를

AI는 기억하는 걸까, 다시 읽는 걸까 - 현재 콘텍스트와 영속 기억의 연결

2026-10-09T03:35:18Z

대화가 이어지면 AI는 앞의 조건을 기억하는 듯합니다. 그런데 화면에 남아 있는 기록, 지금 모델에 전달된 맥락, 따로 저장한 선호는 서로 다른 상태입니다. 이 차이를 모르면 잊은 것처럼 보이는 현상도, 오래된 조건을 적용하는 현상도 하나의 기억 능력으로만 평가하게 됩니다. 실제로는 어떤 기록을 다시 가져왔는지부터 살펴야 합니다. 현재 콘텍스트는 매 호출

같은 질문에 답이 달라지는 이유 - 출력 확률, 디코딩, KV 캐시의 역할

2026-10-09T03:18:15Z

같은 질문을 다시 보냈는데 표현이 바뀝니다. 문맥을 이해하는 계산이 끝나도 답변은 아직 하나로 정해지지 않을 수 있습니다. 후보의 점수를 만드는 일과 다음 토큰을 선택하는 일이 다르기 때문입니다. 이번에는 출력 확률과 선택 규칙을 연결해 보겠습니다. 답이 달라지는 이유뿐 아니라, 답이 늘 같아도 사실을 보증할 수 없는 이유도 여기에 있습니다. logit에

문맥은 어떻게 계산이 될까 - 자기 어텐션과 인과 마스크의 계산

2026-10-09T03:14:09Z

“강을 건너려고 배를 탔다”와 “접시에 놓으려고 배를 잘랐다”에서 같은 글자는 다른 대상을 가리킵니다. 사람에게는 익숙한 차이지만 모델에서는 표현 사이의 관계를 계산해야 합니다. 이 관계를 설명하는 핵심 장치가 자기 어텐션입니다. 비유에서 한 걸음 들어가, 무엇을 비교하고 무엇을 결합하며 어느 위치까지 참조할 수 있는지 보겠습니다. 자기 어텐션은 접근 가

방금 알려줬다고 새로 배운 것은 아니다 - 학습 목표와 파라미터 갱신, 추론의 경계

2026-10-09T03:08:54Z

처음 알려준 프로젝트 이름을 AI가 다음 문장에서 바로 사용합니다. 자연스럽게 “벌써 배웠네”라고 느낄 수 있습니다. 그러나 이번 요청을 참고한 것과 모델의 수치를 새로 학습한 것은 다른 변화입니다. 학습에서 무엇을 줄이고 무엇을 바꾸는지, 추론에서는 무엇을 고정하고 무엇을 제공하는지 살펴보면 이 차이가 드러납니다. 다음 토큰 예측은 자기 지도 학습의 목

AI는 왜 글자 수가 아니라 토큰을 셀까 - 토큰 ID, 임베딩, 문맥 표현의 차이

2026-10-08T15:42:48Z

질문은 짧게 썼는데 첨부 문서가 길면 입력량은 커집니다. 화면의 글자 수와 모델의 처리 단위가 같지 않기 때문입니다. 여기서 토큰을 단어 조각이라고만 이해하면 그다음 단계인 벡터 계산을 놓치게 됩니다. 텍스트가 식별자로 바뀌고, 계산용 표현을 거쳐 문맥 속에서 갱신되는 과정을 나누어 보겠습니다. 숫자라는 공통점보다 각 숫자가 맡은 역할이 중요합니다. 토큰

전송 버튼을 누르면 누가 일할까 - 언어 모델과 서비스의 역할을 나누어 보기

2026-10-08T15:21:01Z

AI에게 최근 자료를 찾아 비교해달라고 요청했다고 생각해 봅시다. 잠시 뒤 출처와 함께 답이 나타납니다. 질문을 읽고 검색하고 문장을 쓴 일을 모두 하나의 모델이 했다고 보기는 쉽지만, 이 장면에는 서로 다른 역할이 연결돼 있습니다. 모델은 답을 만드는 계산을, 서비스는 입력과 외부 기능의 연결을 담당합니다. 이 경계를 알면 “AI가 틀렸다”는 말을 더 구

질문이 답변이 되기까지

2026-10-08T15:18:23Z

입력 표현, 파라미터 학습, 문맥 계산과 디코딩을 연결합니다. 사용자 경험에서 출발해 모델이 수행하는 계산과 서비스가 수행하는 처리를 분리합니다. 처음으로 발행을 해보니 시행 착오가 있군요. 두가지 테스트를 해보려고 합니다. 이번 발행글은 Microsoft copilot을 활용한 AI 가이드북입니다. 이 글이 발행 완료가 되면 두번째로 Chatgpt를

택시 타기

2026-10-05T13:03:02Z

요새 프로젝트 아닌 프로젝트로 인해 주기적으로 택시를 타고 이동하고 있다. 회사 전용 카카오 택시앱의 메뉴를 통해 출발지와 목적지를 입력하고 호출하면 어떤 로직인지는 모르겠으나 인근의 택시를 호출해 준다. 택시 기사님이 나의 호출에 수락을 하면 모바일 화면에 작은 아이콘이 뜨고 몇 분 뒤 도착이라는 숫자가 나온다. 서비스 초기에는 지도에 자동차 아이콘이 이

성장

2026-10-02T00:12:19Z

최근 딸아이가 고등학교 입시를 준비하는 모습을 지켜보며 성장이 무엇인지 다시 생각하게 되었다. 아이는 아직 중학교 3학년이고 여전히 입시는 진행 중이다. 입시 준비와 더불어 진행된 중간고사 덕분에 아주 녹아나는 고생을 했지만 1차 인터뷰도 중간고사도 아주 훌륭히 마무리를 해냈고 터프한 상황을 넘다보니 지난 시간 대비 꽤 달라진 모습이 보인다. 내신 성적,