【2024년 실라버스 개정 대응】 기본정보 시험 과목A AI·머신러닝 빈출 용어 정리｜생성형 AI 시대의 필수 키워드【2026년판】

기본정보기술자시험(FE) 과목A의 빈출 용어 시리즈, 특별편 〈AI·머신러닝〉입니다.

2024년 10월 실라버스(Syllabus) 개정(Ver.9.0)으로, 과목A는 AI·데이터 사이언스 분야가 크게 강화되었습니다. 실제로 최근 시험에서도 AI 문제가 출제되고 있습니다. 어려운 수식은 묻지 않고 「용어의 의미를 이해하고 있는가」가 중심——즉, 용어를 파악하면 확실한 득점원이 되는 분야입니다.

이번에는 현역 클라우드 엔지니어의 시점(💡현장 메모)으로, 생성형 AI 시대에 필수적인 키워드까지 깊이 있게 정리했습니다.

이 기사의 대상 독자 / 알 수 있는 내용

• 과목A의 AI 분야가 불안하거나 / 앞으로 다뤄질 범위를 미리 학습하고 싶은 분
• ✅ AI·머신러닝(Machine Learning)·딥러닝(Deep Learning)의 필수 용어
• ✅ 생성형 AI(Generative AI)·LLM·RAG 등 최신 키워드 (실무 현장 메모 포함)
• ✅ 평가 지표 「정밀도(Precision)·재현율(Recall)·F1-score」의 계산

AI 분야는 「넓게·이미지로」 파악하는 것이 요령입니다. 각 용어를 한마디로 말할 수 있는 상태를 목표로 합시다.

🏷️ 용어 라벨에 대하여 (중요)

솔직히 말하면, AI 용어가 모두 「기본정보 시험에서 빈출」되는 것은 아닙니다. 그래서 각 용어에 중요도 라벨을 붙였습니다. 시험 합격만이 목적이라면 우선 🔥만 봐도 OK입니다.

• 🔥 FE 빈출: 기본정보 시험에서 실제로 자주 묻는 핵심. 최우선
• 🌱 향후 타겟: 실라버스 개정으로 추가되거나 최근 등장하기 시작한 영역 (생성형 AI 등)
• ➕ 발전 (AP·실무): 응용정보(AP)나 G검정·실무에 가까운 내용. 교양으로서의 +α

용어	한마디로 말하면
🔥 AI (인공지능)	인간의 지적 활동을 컴퓨터로 구현하는 기술·시스템
🔥 머신러닝 (Machine Learning)	대량의 데이터로부터 패턴이나 규칙을 컴퓨터 스스로 학습하는 수법. AI의 일분
🔥 딥러닝 (Deep Learning)	뉴럴 네트워크(Neural Network)를 다층으로 만든 머신러닝. 이미지·음성·언어에서 고정밀
🔥 뉴럴 네트워크 (Neural Network)	인간의 신경 세포(뉴런)를 모사한 수리 모델
🔥 학습 데이터·특징량 (Feature)	학습에 사용하는 데이터 / 그 「주목해야 할 특징」을 수치화한 것

💡 현장 메모: 「AI ＞ 머신러닝 ＞ 딥러닝」이라는 포함 관계를 먼저 파악하면 용어가 단번에 정리됩니다. 세상에서 말하는 “AI”의 대부분은 실체는 머신러닝·딥러닝입니다.

용어	한마디로 말하면
🔥 지도 학습 (Supervised Learning)	입력과 「정답」을 세트로 제공하여 학습. FE에서 가장 많이 출제됨
🔥 비지도 학습 (Unsupervised Learning)	정답 없이 데이터의 구조나 규칙을 발견
🔥 강화학습 (Reinforcement Learning)	시행착오를 거치며 보상이 최대가 되는 행동을 학습
🔥 회귀·분류 (지도 학습)	수치를 예측하는 회귀 / 카테고리를 맞히는 분류
🔥 클러스터링 (Clustering, 비지도 학습)	데이터를 유사한 것끼리 그룹으로 분류
➕ 강화학습의 4요소	에이전트(Agent)·환경(Environment)·행동(Action)·보상(Reward)

용어	한마디로 말하면
➕ 퍼셉트론 (Perceptron)	뉴럴 네트워크의 최소 단위. 입력에 가중치를 곱하여 출력
➕ 활성화 함수 (Activation Function)	뉴런의 출력을 결정하는 함수 (시그모이드(Sigmoid) / ReLU 등)
🌱 오차 역전파법 (Backpropagation)	출력의 오차를 거슬러 올라가며 가중치를 조정하는 학습법
🔥 과적합 (Overfitting)	훈련 데이터에 너무 맞춰져서 미지의 데이터에서 정밀도가 떨어지는 현상
🌱 CNN (합성곱 신경망)	이미지 인식이 특기인 딥러닝
➕ RNN (순환 신경망)	시계열·문장 등 순서가 있는 데이터에 특기

용어	한마디로 말하면
🌱 훈련 데이터·테스트 데이터	학습용 / 성능을 측정하는 검증용으로 구분
➕ 홀드아웃법·교차 검증 (Cross Validation)	데이터를 분할하여 평가 / 분할을 바꿔가며 반복 평가
➕ 혼동 행렬 (Confusion Matrix)	예측의 정답·오답을 표로 나타낸 것 (→계산 편)
➕ 정밀도·재현율·F1-score	예측의 정확성 / 놓치는 것의 적음 / 그 조화 평균
➕ 과적합 대책 (정규화·드롭아웃)	모델이 너무 복잡해지는 것을 방지하는 수법

용어	한마디로 요약
🌱 생성형 AI (Generative AI)	문장·이미지·코드 등을 새롭게 생성하는 AI
🌱 대규모 언어 모델 (LLM)	방대한 텍스트로 학습한 언어 생성 대형 모델
🌱 프롬프트 (Prompt)	생성형 AI에 대한 지시문. 작성 방식에 따라 출력이 크게 변함
🌱 파인튜닝 (Fine-tuning)	학습 완료된 모델을 특정 용도에 맞춰 추가 학습시켜 최적화
🌱 할루시네이션 (Hallucination)	생성형 AI가 사실과 다른 내용을 그럴듯하게 출력하는 현상
➕ RAG (검색 증강 생성)	외부 지식을 검색한 후 답변하게 하여 정확도와 최신성을 높이는 수법

💡 현장 메모: 실무에서 "자사 데이터에 대응시키고 싶다"고 할 때, 첫 번째 선택지는 RAG(간편함·최신 정보에 강함)입니다. 더 전문적으로 특화시키고 싶을 때 **파인튜닝 (Fine-tuning)**을 검토하는 방식이 정석입니다. 클라우드 생성형 AI 서비스(Amazon Bedrock 등)에서도 이 두 가지는 핵심적인 기능입니다.

⚠️ 할루시네이션 (Hallucination)은 함정 문제이자 실무의 가장 중요한 포인트입니다. "생성형 AI의 출력은 반드시 옳다"는 틀린 생각입니다. 인간의 팩트 체크 (Fact Check)가 전제되어야 한다는 이해가 요구됩니다.

용어	한마디로 요약
🔥 이미지 인식·음성 인식·자연 language 처리 (NLP)	AI의 대표적인 응용 분야
🌱 챗봇 (Chatbot)	자동으로 대화하는 메커니즘. NLP·생성형 AI를 활용
🌱 AI 편향 (AI Bias)	학습 데이터의 치우침이 출력의 편향·차별로 이어지는 문제
➕ 설명 가능한 AI (XAI)	AI의 판단 근거를 사람이 이해할 수 있도록 하는 노력
🌱 AI 윤리·특이점 (Singularity)	AI의 사회적 책임 / AI가 인간의 지능을 초월한다고 여겨지는 전환점

💡 현장 메모: 업무에서 생성형 AI를 사용할수록 편향(Bias)·저작권·정보 유출과 같은 "AI 윤리·거버넌스"가 현실적인 논점이 됩니다. 시험에서 묻는 윤리적 관점은 그대로 실무의 리스크 관리로 이어집니다.

AI 모델의 "적중도"를 측정하는 지표입니다. 혼동 행렬 (Confusion Matrix) (아래 표)로부터 계산합니다.

➕ 이 부분은 "발전(AP·실무 지향)" 단계입니다. 기본 정보 시험 합격만이 목적이라면 일단 건너뛰어도 괜찮습니다. 응용 정보나 데이터 분석 실무에서 유용하게 쓰이는 내용이므로, 여유가 있다면 익혀두세요.

	예측: 양성 (Positive)	예측: 음성 (Negative)
실제: 양성 (Positive)	TP (진양성)	FN (위음성)
실제: 음성 (Negative)	FP (위양성)	TN (진음성)

\text{정밀도 (Precision)} = \frac{TP}{TP + FP} \qquad \text{재현율 (Recall)} = \frac{TP}{TP + FN}

\text{F1 점수 (F-measure)} = \frac{2 \times \text{정밀도} \times \text{재현율}}{\text{정밀도} + \text{재현율}}

📝 예제: TP=80, FP=20, FN=40 일 때?

• 정밀도 (Precision) = 80 ÷ (80 + 20) = 0.8
• 재현율 (Recall) = 80 ÷ (80 + 40) ≒ 0.67
• F1 점수 (F-measure) = 2 × 0.8 × 0.67 ÷ (0.8 + 0.67) ≒ 0.73

정밀도(오탐의 적음)와 재현율(미탐의 적음)은 트레이드오프 (Trade-off) 관계입니다. F1 점수는 그 균형을 보는 지표입니다.

• "AI·머신러닝·딥러닝"의 포함 관계를 설명할 수 있다
• 지도 학습 / 비지도 학습 / 강화 학습을 구분할 수 있다
• 회귀와 분류의 차이를 설명할 수 있다
• 과적합 (Overfitting)이란 무엇인지, 그 대책을 설명할 수 있다
• CNN과 RNN의 특기 분야를 말할 수 있다
• 정밀도·재현율·F1 점수를 계산할 수 있다
• 생성형 AI·LLM·프롬프트를 설명할 수 있다
• RAG와 파인튜닝의 활용 차이를 설명할 수 있다
• 할루시네이션 (Hallucination)이란 무엇인지 설명할 수 있다
• AI 편향·XAI 등 윤리적 논점을 설명할 수 있다

Q. 과목 A에서 AI는 어느 정도 출제되나요?

A. 몇 문제 정도이지만, 실라버스 개정으로 강화된 주목 분야입니다. 어려운 수식이 아니라 "용어의 의미"가 중심이므로, 가성비 좋은 득점원이 됩니다.

Q. 생성형 AI나 LLM까지 외워야 하나요?

A. 최근의 기술 동향을 반영하여 출제되기 시작한 영역입니다. 깊은 이론은 필요 없지만, 생성형 AI·할루시네이션·프롬프트 정도는 익혀두는 것이 안심됩니다.

Q. AI가 어려워서 용어가 머리에 들어오지 않습니다.

A. 우선 포함 관계 (AI > 머신러닝 (Machine Learning) > 딥러닝 (DL)) 와 3가지 분류 (지도 학습 (Supervised Learning) / 비지도 학습 (Unsupervised Learning) / 강화 학습 (Reinforcement Learning)) 이 2가지만 확실히 잡아두면 OK입니다. 나머지는 친숙한 예시(이미지 인식 = CNN 등)와 연결하면 기억하기 쉽습니다.

AI·데이터 사이언스 (Data Science) 분야는 시라버스 (Syllabus) Ver.9.0 (2024년 10월 시험부터 적용) 에서 강화되었습니다¹. 최신 출제 범위와 용어는 반드시 IPA 공식 시라버스를 확인해 주세요. 생성형 AI 관련 내용은 기술 동향에 맞춰 수시로 업데이트되므로, 최근의 개정 사항도 미리 살펴두면 안심할 수 있습니다.

이것으로 과목A 빈출 용어 시리즈 (S~D + AI 특별편)는 일단락되었습니다. AI 분야는 앞으로의 시험에서 더욱 중시될 뿐만 아니라, 실무에서도 피할 수 없는 영역입니다. 용어의 이미지를 파악했다면, 기출문제를 통해 AI 문제의 '출제 방식'에 익숙해지도록 합시다.

AI는 시험만을 위한 것이 아니라 커리어의 무기가 되는 분야입니다. 이 분야를 자신 있게 다룰 수 있게 된다면, 합격 그 이상의 효과를 얻을 수 있을 것입니다 🔥

다음은 과목B (알고리즘 (Algorithm) · 정보 보안 (Information Security)) 편을 준비 중입니다. 기대해 주세요!

📚 과목A 빈출 용어 시리즈 (전 5회 + 특별편)

• 제1탄: 과목A 빈출 용어 50선 〈S랭크 편〉
• 제2탄: 과목A 빈출 용어 50선 〈A랭크 편〉
• 제3탄: 과목A 빈출 용어 50선 〈B랭크 편〉
• 제4탄: 과목A 빈출 용어 50선 〈C랭크 편〉
• 제5탄: 과목A 빈출 용어 50선 〈D랭크 편〉
• 특별편: 본 기사 〈AI · 머신러닝 (Machine Learning)〉
• 📂 필자의 Qiita 기사 목록은 이쪽으로

✍️ 팔로우는 이쪽으로

클라우드 (Cloud) × 생성형 AI × 커리어에 대해 발신하고 있습니다. 도움이 되었다면 각종 팔로우 및 LGTM · 스톡 (Stock) 해주시면 큰 힘이 됩니다!

• X (Twitter): @EBE_Ryuki
• Zenn: zenn.dev/ebe_ryuki
• note: note.com/ebe0911
• LinkedIn: ryuki-ebe
• Instagram: @ryuk.i0911

---

현재의 과목A / 과목B 형식은 시라버스 (Syllabus) Ver.9.0 (2024년 10월 시험부터 적용) 이후의 것입니다. AI · 데이터 사이언스 (Data Science) 관련 내용은 최근의 기술 동향을 반영하여 강화되었습니다. ↩