Przejdź do treści
promptowy.com / AI 용어 사전 / LLM (거대언어모델)
기초

LLM (거대언어모델)

방대한 언어 데이터를 학습하여 입력된 문맥을 바탕으로 자연스러운 문장을 이해하고 생성하는 인공지능 모델입니다.

LLM(Large Language Model, 거대언어모델)은 대규모 텍스트 데이터를 사전에 학습하여 인간의 언어를 이해하고, 앞선 문맥에 맞추어 적절한 다음 문장을 만들어내는 인공지능 기술입니다. 사전에서 정의된 정답 문장을 단순히 검색하여 출력하는 방식이 아니라, 입력된 문장의 흐름과 구조를 파악해 확률적으로 가장 자연스러운 답변을 조합해 냅니다.

수많은 인터넷 문서, 서적, 대화 자료를 학습한 거대언어모델은 보고서 초안 작성, 긴 글 요약, 다국어 번역, 프로그래밍 코드 작성 보조 등 언어를 매개로 하는 다양한 작업에서 핵심 엔진 역할을 수행합니다.

LLM의 핵심 작동 원리와 토큰

거대언어모델은 문장을 글자 그대로 한 번에 통째로 읽지 않습니다. 대신 문장을 토큰(Token)이라는 작은 기본 단위로 쪼개어 인식합니다. 한국어의 경우 음절, 형태소, 또는 잦은 단어 결합이 하나의 토큰으로 변환될 수 있습니다.

현대 LLM은 대부분 트랜스포머(Transformer)라는 신경망 구조를 기반으로 작동합니다. 트랜스포머 구조의 장점은 문장 안에 흩어져 있는 단어들 사이의 관계를 한 번에 파악할 수 있다는 점입니다. 모델은 입력된 질문의 앞뒤 맥락을 종합하여 이 뒤에 어떤 토큰이 오는 것이 가장 자연스러운지 통계적 확률을 계산하고, 이를 차례대로 이어 붙여 완전한 문장을 완성합니다.

우리가 질문을 보낸 뒤 화면에 답변이 나올 때, 모델 내부에서는 새로운 지식을 실시간으로 습득하는 재학습이 일어나는 것이 아닙니다. 이미 훈련 과정에서 고정된 매개변수(파라미터)를 활용하여 전달받은 대화 내역(컨텍스트)을 바탕으로 문장을 생성해 낼 뿐입니다.

챗봇, 검색엔진, LLM은 무엇이 다를까

일상에서 LLM을 대화형 앱이나 검색창 형태로 접하다 보니 세 가지 개념을 혼동하기 쉽습니다. 그러나 이들은 서로 다른 계층에 위치합니다.

LLM은 텍스트를 이해하고 작성하는 일종의 두뇌 엔진입니다. 반면 챗봇은 사용자가 메시지를 입력하고 답을 받아볼 수 있도록 화면과 편의 기능을 제공하는 응용 프로그램입니다. 하나의 챗봇 안에는 LLM 외에도 외부 웹사이트를 탐색하는 검색 도구, 계산기, 사용자의 과거 설정을 기억하는 저장 장치가 함께 연결될 수 있습니다.

따라서 LLM 자체는 오늘 아침 서울 지하철 운행 지연 여부나 실시간 과일 시세를 스스로 알지 못합니다. 대화창에서 최신 정보를 알려준다면, 챗봇 시스템이 외부 검색엔진을 통해 정보를 수집한 뒤 그 내용을 LLM에게 읽혀 읽기 편한 문장으로 요약해 준 것입니다. 검색 출처 링크가 제공된다면 화면에 보이는 문장만 믿지 말고 링크 원문을 직접 확인하는 습관이 중요합니다.

한국 일상 업무에서의 활용 예시

거대언어모델은 뼈대가 되는 원본 데이터가 있고, 사용자가 결과물의 진위를 쉽게 검토할 수 있는 작업에서 가장 뛰어난 효율을 냅니다.

예를 들어 서울 마포구의 한 아파트 관리사무소 직원이 승강기 교체 공사 안내문을 작성한다고 가정해 보겠습니다. 시공업체로부터 받은 원문은 기술 용어와 복잡한 일정표로 가득 차 있습니다. 직원은 이 긴 문서를 모델에 붙여 넣은 뒤 다음과 같이 요청할 수 있습니다.

"이 공사 일정을 바탕으로 어르신 주민들도 한눈에 알기 쉽게 5줄 분량의 알림톡 공지문으로 바꿔줘. 공사 시작일, 소음 발생 일자, 비상 연락처는 절대로 빼먹지 마."

이 작업에서 모델은 훌륭한 문장 편집자 역할을 합니다. 복잡한 문장을 쉬운 생활 언어로 바꾸고 구조를 다듬어 줍니다. 하지만 모델이 직접 공사 일정을 정하거나 작업자의 방문 시간을 확약할 수는 없습니다. 최종 안내문을 아파트 게시판에 붙이기 전, 날짜와 전화번호가 원본과 일치하는지 대조하는 일은 관리 직원의 몫입니다.

실수를 줄이는 실전 프롬프트 작성법

원하는 결과를 얻고 모델의 그럴듯한 거짓말을 방지하기 위해서는 지시문을 구체적으로 설계해야 합니다.

  • 근거 자료를 직접 제공하기: 무작정 "안내문 써줘"라고 하기보다는, 요약하거나 다듬어야 할 원본 텍스트를 함께 전달하세요.
  • 역할과 독자층 지정하기: 글을 읽을 대상(예: 초등학생, 신입 사원, 노인 복지관 이용자)을 구체적으로 명시하면 어투와 난이도가 알맞게 조정됩니다.
  • 누락 방지 규칙 명시: "제공한 본문에 없는 정보는 절대 임의로 지어내지 말고, 확인되지 않는 항목은 빈칸으로 두거나 별도로 표시해줘"라는 제약을 추가하세요.
  • 결과물 교차 확인하기: 생성된 글에 적힌 날짜, 금액, 책임 조건 등 민감한 수치는 반드시 원본 자료와 일대일로 비교 검증해야 합니다.

자주 묻는 질문

LLM과 대화하면 제가 보낸 질문 내용이 즉시 모델에 학습되나요?

아닙니다. 이전 대화를 기억하고 답변하는 것은 대화 세션의 문맥 창에 과거 내용이 함께 전달되기 때문입니다. 사용자의 질문 하나하나가 모델의 고유 매개변수를 그 즉시 영구적으로 바꾸지는 않습니다.

LLM이 말해주는 법률 조항이나 통계 수치를 그대로 믿어도 되나요?

그대로 믿어서는 안 됩니다. 거대언어모델은 사실 여부와 관계없이 문맥상 가장 자연스러워 보이는 문장을 만들어내므로, 중요한 법적 기준이나 수치는 반드시 공공기관 원문이나 공식 법령을 통해 재확인해야 합니다.

LLM을 업무에 도입할 때 가장 먼저 시작하기 좋은 작업은 무엇인가요?

회의록 정리, 장문의 보고서 요약, 이메일 초안 작성, 텍스트 형태 변환처럼 사용자가 직접 읽고 검증할 수 있는 원본이 존재하는 편집 작업부터 시작하는 것이 가장 안전하고 유용합니다.

← AI 용어 사전 전체 보기

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›