02 AI를 읽는 수학·통계2026.10.25

엔트로피와 크로스 엔트로피 차이AI의 예측은 어떻게 평가할까?

엔트로피는 한 확률분포의 불확실성을, 크로스 엔트로피는 실제 결과의 분포를 기준으로 예측 분포를 평가한 값을 나타냅니다. 파란 공과 주황 공을 뽑는 하나의 예시로 두 개념의 차이, 로그가 들어가는 이유, AI 분류 학습에서 손실함수로 쓰는 원리를 계산까지 설명합니다.

읽어보기 →

어두운 서재의 책상 위에 파랑·주황 조각의 황동 회전판과 두 색 구슬, 유리 프리즘을 배치해 엔트로피와 크로스 엔트로피를 표현한 DECHIVE Knowledge 개념 이미지

LATEST KNOWLEDGE

어두운 서재의 책상 위 유리 덮개 안에 황동 톱니바퀴와 손잡이가 연결된 기계 장치를 배치해 상관관계와 인과관계를 표현한 DECHIVE Knowledge 개념 이미지

02 AI를 읽는 수학·통계2026.10.24

함께 늘었다고, 원인이라고 볼 수 있을까? — 상관관계와 인과관계

AI 도구를 도입한 뒤 성공률이 60%에서 80%로 올랐습니다. 이 상승을 도구의 효과라고 말해도 될까요? 상관관계와 인과관계, 역인과와 공통 원인, 도입 전후 비교의 함정을 설명하고 원인을 확인하려면 어떤 비교가 필요한지 살펴봅니다.

8 min read

어두운 서재의 유리 그릇에 파랑·금색 구슬이 섞여 있고, 파랑 구슬이 많은 작은 표본을 황동 숟가락으로 떠내어 모집단과 선택 편향을 표현한 개념 이미지

02 AI를 읽는 수학·통계2026.10.23

많이 모은 데이터면 믿어도 될까? — 표본·모집단·선택 편향

AI 도구를 써본 200명 중 86%가 작업에 성공했습니다. 이 결과를 전체 사용자의 성공률이라고 말해도 될까요? 모집단과 표본의 차이, 자료가 모이는 과정에서 생기는 선택 편향, 데이터가 많아져도 치우침이 자동으로 사라지지 않는 이유를 가상 예시로 설명합니다.

8 min read

어두운 서재의 나무 책상 위에 주사위와 투명한 정육면체, 황동 눈금 장치를 배치해 확률분포와 기댓값을 표현한 DECHIVE Knowledge 개념 이미지

02 AI를 읽는 수학·통계2026.10.21

평균적으로 3.5가 나온다는데, 왜 주사위에는 없을까? — 확률분포와 기댓값

공정한 주사위의 기댓값은 3.5지만, 주사위에는 3.5라는 눈이 없습니다. 확률분포가 무엇을 보여주는지, 기댓값은 어떻게 계산하는지, 가장 자주 나올 값과 왜 다른지 알아봅니다. AI가 제시한 예측값과 여러 결과의 가능성을 구분해서 읽는 기준도 함께 설명합니다.

8 min read

어두운 서재 책상 위 황동 저울의 양쪽 접시에 파란 유리 구슬과 황금빛 유리 구슬이 놓여 새로운 증거에 따른 판단의 변화를 표현한 개념 이미지

02 AI를 읽는 수학·통계2026.10.20

새로운 증거가 나오면 판단을 어떻게 바꿔야 할까? — 베이즈 정리와 사전·사후 확률

스팸을 90% 잡는 필터가 어떤 메일을 스팸으로 표시했습니다. 그 메일이 실제 스팸일 확률도 90%일까요? 베이즈 정리를 통해 사전 확률, 우도, 사후 확률의 차이를 알아보고, 같은 증거라도 출발 조건에 따라 판단이 달라지는 이유를 설명합니다.

9 min read

어두운 서재 책상 위 유리 토큰 전체에서 황동 관찰 창으로 일부를 골라 확대해 보는 확률 개념 편집형 이미지

02 AI를 읽는 수학·통계2026.10.18

조건이 달라지면 확률도 달라질까? — 확률·조건부 확률·독립성의 차이

전체에서의 확률과 특정 조건 안에서의 확률은 다를 수 있습니다. AI 답변 100건의 가상 평가표로 분모가 달라지는 이유와 조건의 방향을 설명하고, 동전과 공 뽑기 예시로 독립성을 비교합니다. AI 결과를 반복 확인할 때 실패 확률을 함부로 곱하면 안 되는 이유도 살펴봅니다.

8 min read

어두운 서재 책상 위 투명한 원형 황동 각도 장치에서 파란색과 보라색 지침의 방향 차이를 살펴보는 편집형 이미지

02 AI를 읽는 수학·통계2026.10.16

코사인 유사도는 무엇을 비교할까? — AI가 벡터의 방향으로 비슷함을 계산하는 방법

코사인 유사도는 숫자로 표현한 두 대상의 방향이 얼마나 비슷한지 계산합니다. 화살표와 간단한 취향 예시로 각도와 점수의 관계, 내적을 길이로 나누는 이유, 문서 검색에서의 쓰임을 설명합니다. 점수 0.8이 정답 확률 80%가 아닌 이유와 영벡터·기준값 해석의 주의점도 정리합니다.

8 min read

어두운 서재의 투명한 좌표 장치에서 여러 화살표의 끝점 간격과 방향 차이를 황동 측정 도구로 살펴보는 편집형 이미지

02 AI를 읽는 수학·통계2026.10.15

AI는 무엇을 보고 ‘비슷하다’고 할까? — 거리·유사도·내적의 차이

AI가 비슷한 문서나 상품을 찾을 때는 어떤 기준으로 비교할까요? 거리는 얼마나 떨어졌는지 측정하고, 유사도는 정한 기준에서 얼마나 비슷한지 점수로 나타냅니다. 내적은 같은 위치의 값을 곱해 더하는 계산으로, 방향과 크기에 함께 영향을 받습니다. 같은 벡터도 기준에 따라 순위가 달라지는 예시와 점수 해석 시 확인할 조건을 설명합니다.

9 min read

어두운 서재 책상 위에 하나의 빛나는 값, 숫자 열을 상징하는 점들, 평면 격자, 겹친 격자를 유리와 황동 장치로 표현한 편집형 이미지

02 AI를 읽는 수학·통계2026.10.12

AI는 숫자를 어떻게 묶어서 다룰까? - 스칼라·벡터·행렬·텐서의 차이

AI는 숫자 하나뿐 아니라 여러 숫자를 묶고 쌓아서 계산합니다. 스칼라·벡터·행렬·텐서를 학생 점수와 이미지 예시로 비교하고, Shape와 축의 의미를 쉽게 설명합니다.

9 min read

어두운 서재 책상 위 유리 장치가 파란 입력을 보라색 출력으로 바꾸고 옆의 투명한 좌표판이 관계의 모양을 보여주는 이미지

02 AI를 읽는 수학·통계2026.10.11

AI를 이해하는 데 함수와 그래프가 왜 필요할까 - 입력이 결과로 바뀌는 관계를 읽는 방법

AI 설명에 함수와 그래프가 자주 나오는 이유는 무엇일까요? 함수는 입력과 출력의 관계를 정하고, 그래프는 관계와 측정값의 변화를 눈으로 읽게 해줍니다.

10 min read

어두운 서재 책상 위에서 하나의 성공 경로를 보여주는 작은 유리 시연 장치와 다양한 입력 경로를 시험하는 큰 유리 검증 장치를 대비한 이미지

01 AI의 큰 그림2026.10.10

AI 데모가 좋아 보여도 바로 믿으면 안 되는 이유 — 연구 결과와 실제 서비스의 차이

AI의 한 번의 성공 시연, 정해진 조건의 연구 평가, 실제 서비스에서 반복되는 성과는 서로 다른 증거입니다. 데모와 벤치마크를 정확히 읽고 도입 전에 확인할 기준을 설명합니다.

9 min read

하나의 동일한 입력이 투명한 확률 선택 장치를 지나 서로 다른 세 개의 출력 경로로 나뉘는 모습을 보여주는 어두운 편집형 이미지

01 AI의 큰 그림2026.10.08

왜 AI는 같은 질문에도 결과가 달라질까 — 확률적 출력과 결정론적 실행의 차이

같은 질문에도 AI의 표현이나 결론이 달라지는 이유를 설명합니다. 다음 토큰의 확률분포와 샘플링, 실행 문맥과 모델 버전, Temperature·Top-k·Top-p·Seed가 재현성에 미치는 영향을 정리합니다.

10 min read

어두운 연구실에서 입력과 출력을 잇는 AI 추론 장치 안에 복잡한 문제 해결 경로가 빛나고 있는 모습

01 AI의 큰 그림2026.10.04

AI의 ‘추론’은 두 가지다 — Inference와 Reasoning의 차이

AI 분야에서 ‘추론’이라는 말은 훈련된 모델을 실행하는 Inference와 정보를 연결해 문제를 푸는 Reasoning을 모두 가리킵니다. 모든 AI 답변은 추론 실행으로 만들어지지만, 모든 답변이 복잡한 문제 추론을 요구하는 것은 아닙니다. 두 용어가 어디에서 겹치고 무엇이 다른지 쉽게 설명합니다.

10 min read

어두운 연구실에서 AI의 내부 지식을 상징하는 닫힌 기록 보관함과 실시간 웹 검색을 상징하는 빛나는 외부 정보 창이 나란히 놓인 모습

01 AI의 큰 그림2026.10.04

AI는 최신 정보를 알고 있을까 — 지식 기준일과 실시간 검색의 차이

AI가 오늘 일어난 사건이나 방금 바뀐 정책까지 알고 답하는 것처럼 보일 때가 있습니다. 하지만 모델이 학습 과정에서 갖게 된 지식과 답변 순간에 웹에서 찾아온 정보는 서로 다릅니다. 지식 기준일, 웹 검색, 검색 증강 생성의 관계와 최신 정보를 확인할 때 무엇을 검증해야 하는지 쉽게 설명합니다.

11 min read

어두운 연구실 책상 위에서 AI 모델을 상징하는 빛나는 코어가 사용자용 서비스 화면, 구독 카드, 개발자용 API 연결부와 서로 다른 경로로 이어진 모습

01 AI의 큰 그림2026.10.02

AI 모델·서비스·구독·API는 무엇이 다를까 — 헷갈리는 구조 한 번에 이해하기

ChatGPT를 구독했는데 API는 왜 별도 결제일까요? 같은 AI 모델을 쓰는 서비스인데 결과와 기능은 왜 다를까요? AI 모델, 서비스, 구독, API가 각각 무엇이며 실제 제품 안에서 어떻게 연결되는지 사용자와 개발자 관점에서 쉽게 설명합니다.

14 min read

어두운 책상 위에서 규칙 카드, 전문가 시스템, 데이터와 통계, 신경망, 생성형 AI 시스템을 상징하는 빛나는 구조물이 시간의 흐름을 따라 연결된 모습

01 AI의 큰 그림2026.10.01

인공지능은 어떻게 발전해왔을까 — 규칙 기반 AI에서 생성형 AI까지

인공지능은 어느 날 갑자기 ChatGPT로 등장한 기술이 아닙니다. 인간이 규칙을 직접 작성하던 초기 AI부터 전문가 시스템, 통계적 머신러닝, 딥러닝, 트랜스포머와 생성형 AI까지 무엇이 달라졌는지 살펴봅니다. AI의 발전을 단순한 연표가 아니라 데이터·연산 자원·알고리즘·평가 방식·제품화가 함께 바뀐 과정으로 설명합니다.

12 min read

어두운 책상 위 빛나는 AI 모델 코어를 중심으로 검색, 메모리, 도구, 안전장치, 사용자 화면이 연결되어 하나의 AI 시스템을 이루는 모습

01 AI의 큰 그림2026.09.29

AI 모델과 AI 시스템은 무엇이 다를까 — ChatGPT를 모델 하나로 보면 안 되는 이유

ChatGPT는 하나의 AI 모델일까요, 아니면 여러 기술이 연결된 AI 시스템일까요? AI 모델은 입력에서 결과를 계산하는 핵심 구성요소이고, AI 시스템은 모델에 데이터·지침·검색·메모리·도구·안전장치·사용자 화면 등을 연결해 실제 목적을 수행하는 전체 구조입니다. 둘의 차이부터 같은 모델을 사용해도 서비스 결과가 달라지는 이유까지 쉽게 설명합니다.

12 min read

어두운 책상 위 투명한 AI 모델을 중심으로 뒤에서는 여러 데이터가 파란 학습 흐름을 만들고 앞에서는 하나의 질문이 들어가 답변으로 나오는 보라색 추론 흐름을 보여주는 이미지

01 AI의 큰 그림2026.09.28

AI는 언제 배우고 언제 답할까 — 학습(Training)과 추론(Inference)의 차이

AI가 질문을 받을 때마다 새로 배우는 것은 아닙니다. 학습은 모델 내부의 매개변수를 바꾸는 과정이고, 추론은 그 모델로 지금의 입력을 처리하는 과정입니다. 대화 문맥, 메모리, RAG, 파인튜닝이 왜 서로 다른지도 함께 설명합니다.

7 min read

여러 형태의 데이터 카드가 학습 절차를 거쳐 훈련된 모델이 되고 새로운 입력에서 예측을 만드는 과정을 표현한 이미지

01 AI의 큰 그림2026.09.27

데이터·알고리즘·모델은 무엇이 다를까 — AI가 배우고 답을 만드는 세 가지 요소

AI 설명에서 반복해서 등장하는 데이터·알고리즘·모델은 같은 말이 아닙니다. 세 요소가 학습과 추론에서 각각 무슨 역할을 하며, 실제 AI 서비스에서는 어떻게 연결되는지 쉽게 설명합니다.

10 min read

판별형 AI와 생성형 AI가 공통 데이터·모델을 바탕으로 각각 분류·예측과 새로운 결과 생성을 수행하는 장면

01 AI의 큰 그림2026.09.25

판별형 AI와 생성형 AI는 무엇이 다른가

스팸 메일을 가려내는 AI와 문장·이미지를 만드는 AI는 무엇이 다를까요? 판별형 AI와 생성형 AI의 목표, 작동 방식, 대표 사례와 애매한 경계를 한 번에 설명합니다.

9 min read

고양이 이미지가 여러 신경망 층을 통과하며 픽셀 패턴에서 특징 표현과 분류 결과로 변환되는 딥러닝 과정을 보여주는 어두운 편집형 이미지

01 AI의 큰 그림2026.09.23

딥러닝이란 무엇인가 — 머신러닝과 무엇이 다르고 왜 강력한가

사진 속 고양이, 사람의 목소리, 문장의 의미를 AI는 어떻게 구분할까요? 딥러닝은 여러 처리 층을 가진 신경망이 데이터에서 유용한 표현을 단계적으로 학습하도록 하는 머신러닝의 한 방식입니다. 머신러닝과의 관계, 뉴런·가중치·활성화 함수·역전파, 표현학습이 강력한 이유와 한계까지 쉽게 설명합니다.

17 min read

여러 형태의 데이터가 학습 과정을 거쳐 모델이 되고 새로운 입력을 예측하는 머신러닝 흐름을 보여주는 어두운 편집형 이미지

01 AI의 큰 그림2026.09.23

머신러닝이란 무엇인가 — AI가 데이터에서 규칙을 배우는 방법

스팸 필터와 추천 시스템은 사람이 모든 판단 규칙을 입력하지 않아도 어떻게 결과를 만들까요? 머신러닝은 데이터에서 유용한 관계를 찾도록 모델을 훈련하고, 그 모델을 새로운 입력에 적용하는 방법입니다. 데이터·특징·정답·모델·학습·추론의 관계부터 지도학습·비지도학습·자기지도학습·강화학습, 과적합과 데이터의 한계까지 쉽게 설명합니다.

17 min read

AI의 범위 안에 규칙 기반 시스템, 머신러닝, 딥러닝, 생성형 AI가 포함되는 관계를 보여주는 인공지능 개념도

01 AI의 큰 그림2026.09.22

AI란 정확히 무엇일까 — 인공지능의 의미와 어디까지 AI라고 부르는가

챗봇이나 이미지 생성기만 AI일까요? 추천 시스템, 스팸 필터, 규칙 기반 프로그램은 어떨까요? AI는 하나의 기술 이름이 아니라 여러 접근법을 묶는 넓은 범주입니다. 인공지능의 의미부터 머신러닝·딥러닝·생성형 AI의 관계, 단순 자동화와 AI의 경계까지 쉽게 정리합니다.

14 min read

AI 답변에 표시된 출처를 열어 원문이 실제 주장을 뒷받침하는지 확인하는 모습

AI 답변과 근거 검증2026.09.22

AI가 출처를 달아주면 믿어도 될까 — 출처와 검증의 차이

AI가 답변 아래에 출처까지 달아주면 왠지 더 믿음이 갑니다. 하지만 링크가 존재한다는 것과 그 링크가 실제로 AI의 주장을 뒷받침한다는 것은 다른 문제입니다. AI가 제시한 출처를 검증할 때 무엇을 확인해야 하는지 알아봅니다.

8 min read