# 용어 — 119 소방 AI 스튜디오 지식 그래프

AI 개념 용어입니다. 소방 관계 법령이 정의한 소방 업무 용어는 '소방 업무 용어' 파일에 따로 있습니다. 정의는 학습용 설명이며 표준 정의가 아닙니다. 용어사전은 미검토 · 위험도 미평가 상태입니다.
화면에서 보기: https://119-ai-studio.kr/glossary.html
이 파일: 전체 165건 중 137~165번째 (5/5)
지식 그래프 입구: https://119-ai-studio.kr/kg/index.txt

## 데이터·검색·RAG

### GraphRAG
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-graphrag
- 정의 근거: https://microsoft.github.io/graphrag/ (Microsoft — GraphRAG documentation · Welcome to GraphRAG / The GraphRAG Process · Microsoft GraphRAG의 지식그래프 추출, 커뮤니티 구성·요약, 구조를 활용한 RAG 과정. 일반적인 그래프 기반 RAG 전체와 제품 이름을 구분한다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-9cc59676362ca1b6fadd.txt
- 요약: 문서에서 대상과 관계를 추출해 지식그래프와 관련 집단의 요약을 만들고, 이 구조를 검색증강생성에 활용하는 접근. 여기서는 Microsoft GraphRAG의 설명 범위를 따른다.
- 영문·다른 이름: Graph Retrieval-Augmented Generation · 그래프 RAG · 마이크로소프트 GraphRAG
- 난이도: 심화
- 의미 범위: Microsoft GraphRAG의 대표적인 처리 방식
- 비유: 문서 조각뿐 아니라 대상들의 관계표와 묶음별 요약을 함께 참고하는 검색.
- 학습 예시: 가상의 공개 교육자료 묶음에서 여러 문서에 흩어진 장비·절차의 연결을 찾아 개요를 만들고 근거 문서를 대조한다.
- 업무 참고: 단순 문서 검색과 비교해 연결 정보를 준비하는 비용이 질문 유형에 맞는지 학습용 자료로 평가한다.
- 구분하기: 그래프를 사용하는 모든 RAG 구현이 Microsoft GraphRAG와 같은 과정인 것은 아니다. 그래프를 만들었다고 답변의 사실성이나 검색 품질이 자동으로 보장되지는 않는다.
- 연결:
  - 상위 개념: 검색증강생성 RAG — https://119-ai-studio.kr/glossary.html#gl-rag · 자료 대조: Microsoft GraphRAG는 지식그래프와 커뮤니티 요약 구조를 활용하는 RAG 접근이다.
    - 원문에 명시: Microsoft — GraphRAG documentation — https://microsoft.github.io/graphrag/ (Welcome to GraphRAG / The GraphRAG Process, 2026-10-24)
  - 관련 용어: 지식그래프 — https://119-ai-studio.kr/glossary.html#gl-knowledge-graph · 자료 대조: Microsoft GraphRAG의 대표 처리 과정은 문서에서 추출한 대상·관계의 지식그래프를 활용한다.
    - 원문에 명시: Microsoft — GraphRAG documentation — https://microsoft.github.io/graphrag/ (Welcome to GraphRAG / The GraphRAG Process, 2026-10-24)
  - 배경 학습: 소방 법령·SOP, RAG로 근거 있게 답하기 — https://119-ai-studio.kr/sop-law-rag.html

### 화자 분리
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-speaker-diarization
- 정의 근거: https://github.com/pyannote/pyannote-audio (pyannote.audio — Project README · Neural building blocks for speaker diarization / Community-1 usage output · 화자 분리 결과가 시작·종료 시각과 SPEAKER 번호로 표현됨을 확인한다. 번호는 실명이나 통화 역할 인증이 아니다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-f66d90405210467c5bca.txt
- 요약: 음성 구간들을 화자별로 묶어 언제 어느 화자가 말했는지 표시하는 처리. 결과의 화자 번호만으로 그 사람의 실명이나 역할을 알아낸 것은 아니다.
- 영문·다른 이름: Speaker Diarization · 화자 구분 · 다이어리제이션
- 난이도: 실무
- 의미 범위: 녹음에서 누가 언제 말했는지 구간을 나누는 처리
- 비유: 대화 기록의 말풍선을 같은 목소리끼리 묶어 번호를 붙이는 것.
- 학습 예시: 가상의 합성 통화에서 SPEAKER_00과 SPEAKER_01을 구분한 뒤 어느 쪽이 접수자 역할인지 사람이 대화 내용으로 별도 확인한다.
- 업무 참고: 합성 음성 실습에서 겹침말과 화자 뒤바뀜을 별도로 확인하고 전사 글자 오류와 나눠 평가한다.
- 구분하기: 음성 인식은 무슨 말을 했는지를 텍스트로 바꾼다. 화자 분리의 번호 부여는 신원 확인이나 신고자·접수자 역할 판정과 다르다.
- 연결:
  - 함께 비교: 음성 인식 — https://119-ai-studio.kr/glossary.html#gl-speech-recognition · 자료 대조: 화자별 시간 구간을 구분하는 일과 발화 내용을 텍스트로 인식하는 일은 서로 다른 평가 대상이다.
    - 편집 판단 근거: pyannote.audio — Project README — https://github.com/pyannote/pyannote-audio (Neural building blocks for speaker diarization / Community-1 usage output, 2026-10-24)
    - 편집 판단 근거: Hugging Face Evaluate — CER metric card — https://huggingface.co/spaces/evaluate-metric/cer/blob/main/README.md (Metric description / Output values, 2026-10-24)
  - 정의 설명 학습 자료: 신고 전사 심화, 화자 결합과 품질 관리 — https://119-ai-studio.kr/call-transcription-quality.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 신고 전사 심화, 화자 결합과 품질 관리 — https://119-ai-studio.kr/call-transcription-quality.html

## 평가·운영

### CER 문자 오류율
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-cer
- 정의 근거: https://huggingface.co/spaces/evaluate-metric/cer/blob/main/README.md (Hugging Face Evaluate — CER metric card · Metric description / Output values · 문자 단위 치환·삭제·삽입 오류 합을 정답 문자 수로 나누는 CER와 삽입이 많으면 1을 넘을 수 있다는 성질. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-c5087c2cdd266c9835bc.txt
- 요약: 정답과 예측 문자를 정렬했을 때 필요한 치환·삭제·삽입 수의 합을 정답 문자 수로 나눈 오류율. 값이 낮을수록 문자 일치도가 높으며 삽입이 많으면 100%를 넘을 수 있다.
- 영문·다른 이름: Character Error Rate · CER · 글자 오류율 · 문자오류율
- 난이도: 실무
- 의미 범위: 정답 텍스트와 인식 결과의 문자 단위 차이
- 비유: 답안을 정답 글자열로 고치는 데 필요한 문자 수정 횟수를 세는 채점.
- 학습 예시: 가상의 정답이 요구조자이고 출력이 요구소자라면 치환 1회 ÷ 정답 4글자로 CER는 0.25다.
- 업무 참고: 합성 신고 음성의 오전사를 비교할 때 전체 평균과 잡음 등 조건별 결과를 함께 확인한다.
- 구분하기: 단어 기준 WER와 다르고 화자 구분의 정확도도 재지 않는다. 띄어쓰기·문장부호·한글 정규화와 빈 정답 처리 규칙을 맞춰야 비교할 수 있다.
- 연결:
  - 함께 비교: WER 단어 오류율 — https://119-ai-studio.kr/glossary.html#gl-wer · 자료 대조: 같은 정답 전사를 대조하더라도 CER는 문자, WER는 단어를 기준으로 오류를 센다.
    - 원문에 명시: Hugging Face Evaluate — CER metric card — https://huggingface.co/spaces/evaluate-metric/cer/blob/main/README.md (Metric description / Output values, 2026-10-24)
    - 원문에 명시: Hugging Face Evaluate — WER metric card — https://huggingface.co/spaces/evaluate-metric/wer/blob/main/README.md (Metric description / Output values, 2026-10-24)
  - 정의 설명 학습 자료: 신고 전사 심화, 화자 결합과 품질 관리 — https://119-ai-studio.kr/call-transcription-quality.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 주소 음성 데이터 — https://119-ai-studio.kr/datasets.html#dataset-aihub-address-speech
  - 관련 용어 ← 신고 전사 심화, 화자 결합과 품질 관리 — https://119-ai-studio.kr/call-transcription-quality.html

### WER 단어 오류율
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-wer
- 정의 근거: https://huggingface.co/spaces/evaluate-metric/wer/blob/main/README.md (Hugging Face Evaluate — WER metric card · Metric description / Output values · 정답·예측 단어열을 정렬한 뒤 치환·삭제·삽입 오류 합을 정답 단어 수로 나누는 WER. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-515141b5aa85fa28690f.txt
- 요약: 정답과 예측 단어열을 정렬했을 때 필요한 치환·삭제·삽입 수의 합을 정답 단어 수로 나눈 오류율. 단어를 나누는 규칙에 따라 결과가 달라진다.
- 영문·다른 이름: Word Error Rate · WER · 단어오류율
- 난이도: 실무
- 의미 범위: 정답 전사와 인식 결과의 단어 단위 차이
- 비유: 정답 문장을 기준으로 잘못 바뀌거나 빠지거나 더해진 단어를 세는 채점.
- 학습 예시: 가상의 정답 여기 연기 나요가 여기 불 나요로 인식됐다면 단어 치환 1회 ÷ 정답 3단어로 WER는 약 0.333이다.
- 업무 참고: 합성 음성 평가에서 한국어 띄어쓰기와 문장부호 정리 규칙을 고정해 전사 모델을 같은 기준으로 비교한다.
- 구분하기: CER는 문자를, WER는 단어를 센다. WER가 낮아도 핵심 단어 오류나 화자 오류가 없다는 뜻은 아니며 빈 정답의 처리도 따로 정해야 한다.
- 연결:
  - 관련 용어: 정답 기준 — https://119-ai-studio.kr/glossary.html#gl-ground-truth · 자료 대조: WER를 계산하려면 정답 단어열과 단어 분할 규칙이 필요하다.
    - 원문에 명시: Hugging Face Evaluate — WER metric card — https://huggingface.co/spaces/evaluate-metric/wer/blob/main/README.md (Metric description / Output values, 2026-10-24)
  - 배경 학습: 신고 전사 심화, 화자 결합과 품질 관리 — https://119-ai-studio.kr/call-transcription-quality.html
- 이 개체를 가리키는 자료:
  - 함께 비교 ← CER 문자 오류율 — https://119-ai-studio.kr/glossary.html#gl-cer · 자료 대조: 같은 정답 전사를 대조하더라도 CER는 문자, WER는 단어를 기준으로 오류를 센다.
    - 원문에 명시: Hugging Face Evaluate — CER metric card — https://huggingface.co/spaces/evaluate-metric/cer/blob/main/README.md (Metric description / Output values, 2026-10-24)
    - 원문에 명시: Hugging Face Evaluate — WER metric card — https://huggingface.co/spaces/evaluate-metric/wer/blob/main/README.md (Metric description / Output values, 2026-10-24)

## AI·모델 기초

### 객체 탐지
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-object-detection
- 정의 근거: https://docs.ultralytics.com/tasks/detect (Ultralytics — Object Detection · Object Detection — introduction · 이미지·영상 속 대상의 위치와 종류를 찾으며 상자·클래스·점수를 출력하는 객체 탐지 과업. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-8c457d6fad0eb038f4dd.txt
- 요약: 이미지나 영상에서 관심 대상의 종류와 위치를 함께 찾아내는 컴퓨터 비전 과업. 보통 위치 상자, 클래스 이름, 탐지 점수 등을 출력한다.
- 영문·다른 이름: Object Detection · 물체 탐지 · 객체 검출
- 난이도: 입문
- 의미 범위: 이미지·영상 속 대상의 종류와 위치를 찾는 과업
- 비유: 사진 속 찾을 대상에 이름표와 위치 상자를 함께 붙이는 작업.
- 학습 예시: 가상의 공개 영상 학습 자료에서 모델이 연기 후보 위치를 상자로 표시하면 사람이 실제 연기인지와 상자 위치를 각각 확인한다.
- 업무 참고: 탐지 상자는 검토할 후보이며 실제 화재 확정이나 출동 판단을 대신하지 않는다.
- 구분하기: 이미지 전체에 이름 하나를 붙이는 분류와 다르다. 대상의 픽셀별 모양을 구분하는 분할이나 다음 프레임까지 대상을 잇는 추적과도 구분한다.
- 연결:
  - 상위 개념: 컴퓨터 비전 — https://119-ai-studio.kr/glossary.html#gl-computer-vision · 자료 대조: 객체 탐지는 영상에서 대상의 위치와 종류를 찾는 컴퓨터 비전 과업으로 분류한다.
    - 편집 판단 근거: Ultralytics — Object Detection — https://docs.ultralytics.com/tasks/detect (Object Detection — introduction, 2026-10-24)
  - 정의 설명 학습 자료: 화재 영상에서 화염·연기 탐지하기 — https://119-ai-studio.kr/fire-smoke-detection.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← Boreal Forest Fire: UAV-collected Wildfire Detection and Smoke Segmentation Dataset — https://119-ai-studio.kr/datasets.html#dataset-boreal-forest-fire
  - 관련 용어 ← 지능형 터널 및 지하차도 데이터 — https://119-ai-studio.kr/datasets.html#dataset-aihub-tunnel-fire-facility
  - 관련 용어 ← 보행 안전을 위한 도로 시설물 데이터 — https://119-ai-studio.kr/datasets.html#dataset-aihub-sidewalk-facility-hydrant
  - 관련 용어 ← 물류창고 내 작업 안전 데이터 — https://119-ai-studio.kr/datasets.html#dataset-aihub-logistics-warehouse-safety
  - 관련 용어 ← 화상 이미지 및 임상 데이터 — https://119-ai-studio.kr/datasets.html#dataset-aihub-burn-image-clinical
  - 관련 용어 ← 화재 영상에서 화염·연기 탐지하기 — https://119-ai-studio.kr/fire-smoke-detection.html

## 평가·운영

### IoU 교집합 대 합집합 비율
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-iou
- 정의 근거: https://www.ultralytics.com/glossary/intersection-over-union-iou (Ultralytics — Intersection over Union · Intersection over Union — definition · 두 영역의 교집합 면적을 합집합 면적으로 나누는 IoU와 0~1 범위. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-2002f7afbb303cb09925.txt
- 요약: 두 영역이 겹친 면적을 두 영역 전체의 합집합 면적으로 나눈 값. 유효한 영역을 비교할 때 0이면 겹치지 않고 1이면 완전히 일치한다.
- 영문·다른 이름: Intersection over Union · IoU · 교차 합집합 비율 · 자카드 지수
- 난이도: 실무
- 의미 범위: 탐지 상자·분할 영역의 겹침 정도
- 비유: 두 투명 도형을 포갰을 때 함께 덮인 부분이 전체 덮인 부분에서 차지하는 비율.
- 학습 예시: 가상의 예측 상자와 정답 상자의 겹친 면적이 30이고 합집합이 50이면 IoU는 30 ÷ 50 = 0.6이다.
- 업무 참고: 연기 경계 라벨의 차이와 모델 위치 오류를 나눠 이해하는 데 참고하며 IoU 하나로 경보 품질을 판단하지 않는다.
- 구분하기: IoU는 영역의 겹침이며 클래스 정답률이나 모델 확신 점수가 아니다. 탐지 평가에서는 클래스·중복 처리와 IoU 기준을 함께 정한다.
- 연결:
  - 관련 용어: 정답 기준 — https://119-ai-studio.kr/glossary.html#gl-ground-truth · 자료 대조: 객체 탐지 평가에서는 예측 영역과 정답 라벨 영역의 겹침을 IoU로 비교할 수 있다.
    - 원문에 명시: Ultralytics — Intersection over Union — https://www.ultralytics.com/glossary/intersection-over-union-iou (Intersection over Union — definition, 2026-10-24)
  - 배경 학습: 훈련 데이터 라벨 품질, 학습 전에 잡기 — https://119-ai-studio.kr/label-quality-check.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← mAP — https://119-ai-studio.kr/glossary.html#gl-map · 자료 대조: 탐지 mAP는 정답으로 인정하는 IoU 조건에 영향을 받으므로 그 기준을 함께 표시해야 한다.
    - 원문에 명시: Ultralytics — Performance Metrics Deep Dive — https://docs.ultralytics.com/guides/yolo-performance-metrics (Object Detection Metrics / Class-wise Metrics, 2026-10-24)

### mAP
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-map
- 정의 근거: https://docs.ultralytics.com/guides/yolo-performance-metrics (Ultralytics — Performance Metrics Deep Dive · Object Detection Metrics / Class-wise Metrics · PR 곡선을 요약한 AP를 클래스별로 평균하는 mAP와 mAP50·mAP50-95의 서로 다른 IoU 기준. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-0342ddef55b2bb90590a.txt
- 요약: 각 클래스의 정밀도·재현율 곡선을 요약한 AP를 여러 클래스에 걸쳐 평균한 평가 지표. 탐지에서는 정답으로 인정할 IoU 기준과 평균 범위를 함께 밝혀야 한다.
- 영문·다른 이름: Mean Average Precision · mAP · 평균 AP
- 난이도: 심화
- 의미 범위: 객체 탐지에서 여러 클래스의 AP를 요약하는 지표
- 비유: 종류별 탐지 성적을 먼저 구한 뒤 여러 종류의 성적을 다시 평균하는 값.
- 학습 예시: 가상의 두 클래스 AP가 같은 평가 조건에서 0.6과 0.8이면 두 클래스 mAP는 0.7이다.
- 업무 참고: 학습용 영상 모델을 비교할 때 전체 mAP와 함께 연기 등 관심 클래스의 미탐·오탐을 따로 확인한다.
- 구분하기: 한 임계값의 정밀도를 단순 평균한 값과 다르다. mAP50과 mAP50-95는 IoU 평가 조건이 달라 숫자를 그대로 맞비교할 수 없다.
- 연결:
  - 관련 용어: IoU 교집합 대 합집합 비율 — https://119-ai-studio.kr/glossary.html#gl-iou · 자료 대조: 탐지 mAP는 정답으로 인정하는 IoU 조건에 영향을 받으므로 그 기준을 함께 표시해야 한다.
    - 원문에 명시: Ultralytics — Performance Metrics Deep Dive — https://docs.ultralytics.com/guides/yolo-performance-metrics (Object Detection Metrics / Class-wise Metrics, 2026-10-24)
  - 배경 학습: 화재 영상에서 화염·연기 탐지하기 — https://119-ai-studio.kr/fire-smoke-detection.html

## 데이터·검색·RAG

### SQL
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-sql
- 정의 근거: https://119-ai-studio.kr/learn/sql/01_왜_데이터베이스인가.html#s2 (SQL 데이터베이스 입문 — 왜 데이터베이스인가 · 1.2 데이터베이스와 SQL, 한 줄 정의 · SQL을 데이터베이스의 구조·저장·질의를 요청하는 언어로 설명한다. 관계형 DB가 표를 연결해 자료를 관리함을 다루되 DB와 DBMS의 엄밀한 구분은 외부 원문으로 보완한다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-13255fedbfc0c4033375.txt
- 요약: 관계형 데이터베이스에서 표의 구조를 정의하고 데이터를 조회·추가·수정·삭제하는 데 쓰는 언어. 필요한 결과를 선언하면 데이터베이스 관리 시스템이 실행 방법을 처리한다.
- 영문·다른 이름: Structured Query Language · 구조화 질의 언어 · 에스큐엘 · 시퀄
- 난이도: 입문
- 의미 범위: 관계형 데이터를 정의·조회·변경하는 언어
- 비유: 데이터 창고에 어떤 조건의 자료가 필요한지 전달하는 질의서.
- 학습 예시: 가상의 공개 통계 표에서 연도와 지역 조건을 정해 교육용 집계 결과를 얻는다.
- 업무 참고: 공개 소방 통계를 분석할 때 조회 조건·기간·집계 단위를 함께 남겨 같은 질문을 다시 실행할 수 있게 한다.
- 구분하기: SQL은 언어이고 SQLite·PostgreSQL 같은 것은 이를 처리하는 데이터베이스 제품이다. 제품별 기능과 세부 문법은 다를 수 있다.
- 연결:
  - 관련 용어: 데이터베이스 — https://119-ai-studio.kr/glossary.html#gl-database · 자료 대조: SQL은 데이터베이스에서 구조·조회·변경을 요청하는 언어다.
    - 원문에 명시: SQL 데이터베이스 입문 — 왜 데이터베이스인가 — https://119-ai-studio.kr/learn/sql/01_왜_데이터베이스인가.html#s2 (1.2 데이터베이스와 SQL, 한 줄 정의, 2026-10-24)
  - 정의 설명 학습 자료: SQL 데이터베이스 입문 · 1부 · 왜 데이터베이스이고, 왜 SQL인가 — https://119-ai-studio.kr/learn/sql/01_왜_데이터베이스인가.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← Annual NFIRS Public Data (NFIRS Public Data Release) — https://119-ai-studio.kr/datasets.html#dataset-nfirs-public-data-release

### 데이터베이스
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-database
- 정의 근거: https://www.postgresql.org/docs/current/tutorial-concepts.html (PostgreSQL — Tutorial: Concepts · 2.2 Concepts · 관계형 데이터베이스의 행·열·표 구조와 이를 관리하는 RDBMS를 구분하며, 표 이외의 데이터베이스 구조도 있음을 설명한다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-0d161552154f12bb6e50.txt
- 요약: 자료를 정해진 구조에 따라 조직해 저장하고 조회할 수 있게 한 데이터 모음. 관계형 데이터베이스는 행·열로 이루어진 표와 그 관계를 사용한다.
- 영문·다른 이름: Database · DB · 데이터 베이스
- 난이도: 입문
- 의미 범위: 자료를 조직해 저장·조회하는 데이터 모음
- 비유: 자료와 찾는 기준을 함께 정리해 둔 전자 자료실.
- 학습 예시: 가상의 교육용 장비 목록과 점검 기록을 서로 다른 표에 두고 장비 ID로 연결한다.
- 업무 참고: 학습 실습에서 자료의 원본·식별자·조회 권한과 변경 기록이 데이터 내용과 별개의 관리 문제임을 이해한다.
- 구분하기: 엄밀히는 데이터 모음이 데이터베이스이고 이를 관리하는 소프트웨어는 DBMS다. 모든 데이터베이스가 관계형이거나 벡터 검색용인 것은 아니다.
- 연결:
  - 함께 비교: 데이터프레임 — https://119-ai-studio.kr/glossary.html#gl-dataframe · 자료 대조: 관계형 데이터베이스의 표와 DataFrame은 모두 행·열을 쓰지만 저장·관리 체계와 분석 자료구조라는 역할이 다르다.
    - 편집 판단 근거: PostgreSQL — Tutorial: Concepts — https://www.postgresql.org/docs/current/tutorial-concepts.html (2.2 Concepts, 2026-10-24)
    - 편집 판단 근거: pandas — What kind of data does pandas handle? — https://pandas.pydata.org/docs/getting_started/intro_tutorials/01_table_oriented.html (pandas data table representation, 2026-10-24)
  - 정의 설명 학습 자료: SQL 데이터베이스 입문 · 1부 · 왜 데이터베이스이고, 왜 SQL인가 — https://119-ai-studio.kr/learn/sql/01_왜_데이터베이스인가.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← Annual NFIRS Public Data (NFIRS Public Data Release) — https://119-ai-studio.kr/datasets.html#dataset-nfirs-public-data-release
  - 관련 용어 ← SQL — https://119-ai-studio.kr/glossary.html#gl-sql · 자료 대조: SQL은 데이터베이스에서 구조·조회·변경을 요청하는 언어다.
    - 원문에 명시: SQL 데이터베이스 입문 — 왜 데이터베이스인가 — https://119-ai-studio.kr/learn/sql/01_왜_데이터베이스인가.html#s2 (1.2 데이터베이스와 SQL, 한 줄 정의, 2026-10-24)

### 데이터프레임
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-dataframe
- 정의 근거: https://pandas.pydata.org/docs/getting_started/intro_tutorials/01_table_oriented.html (pandas — What kind of data does pandas handle? · pandas data table representation · 행·열을 갖고 열마다 다른 자료형을 담을 수 있는 2차원 DataFrame 구조. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-7ccd9a5f0e119b19a95b.txt
- 요약: 행과 열의 이름을 사용해 표 형태의 데이터를 다루는 자료구조. pandas의 DataFrame은 열마다 숫자·문자열 등 서로 다른 자료형을 담을 수 있다.
- 영문·다른 이름: DataFrame · 데이터 프레임 · pandas DataFrame
- 난이도: 입문
- 의미 범위: 표 데이터를 분석 코드에서 다루는 2차원 자료구조
- 비유: 프로그램에서 조건별 선택·집계를 할 수 있는 표 한 장.
- 학습 예시: 가상의 공개 출동 통계 CSV를 데이터프레임으로 읽고 지역별 행 수와 결측값을 확인한다.
- 업무 참고: 공개 통계 실습에서 열 이름·단위·자료형을 먼저 확인한 뒤 집계 결과를 원본과 대조한다.
- 구분하기: CSV는 데이터를 담는 파일 형식이고 DataFrame은 분석 중 사용하는 자료구조다. 데이터베이스의 권한·동시 수정 관리 기능을 그대로 제공하는 것은 아니다.
- 연결:
  - 관련 용어: 전처리 — https://119-ai-studio.kr/glossary.html#gl-preprocessing · 자료 대조: 표 데이터를 다루는 분석에서는 DataFrame의 열과 자료형을 사용해 전처리 결과를 확인할 수 있다.
    - 편집 판단 근거: pandas — What kind of data does pandas handle? — https://pandas.pydata.org/docs/getting_started/intro_tutorials/01_table_oriented.html (pandas data table representation, 2026-10-24)
  - 정의 설명 학습 자료: pandas 데이터 분석 입문 · 10. 데이터프레임이란 무엇인가 — https://119-ai-studio.kr/learn/pandas/10_dataframe_intro.html
- 이 개체를 가리키는 자료:
  - 함께 비교 ← 데이터베이스 — https://119-ai-studio.kr/glossary.html#gl-database · 자료 대조: 관계형 데이터베이스의 표와 DataFrame은 모두 행·열을 쓰지만 저장·관리 체계와 분석 자료구조라는 역할이 다르다.
    - 편집 판단 근거: PostgreSQL — Tutorial: Concepts — https://www.postgresql.org/docs/current/tutorial-concepts.html (2.2 Concepts, 2026-10-24)
    - 편집 판단 근거: pandas — What kind of data does pandas handle? — https://pandas.pydata.org/docs/getting_started/intro_tutorials/01_table_oriented.html (pandas data table representation, 2026-10-24)

### ETL 추출·변환·적재
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-etl
- 정의 근거: https://aws.amazon.com/what-is/etl/ (AWS — What is ETL? · What is ETL? / What is data transformation? / What is ELT? · 여러 원천에서 추출한 데이터를 변환해 목적 저장소에 적재하는 과정과 적재를 먼저 하는 ELT와의 순서 차이. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-40f202abbf95bacd272a.txt
- 요약: 원천에서 데이터를 추출하고 목적에 맞게 변환한 뒤 저장소에 적재하는 과정. 변환에는 형식·단위·중복·결측 처리 등이 포함될 수 있다.
- 영문·다른 이름: Extract, Transform, Load · ETL · 데이터 적재 파이프라인
- 난이도: 실무
- 의미 범위: 여러 원천의 데이터를 목적 저장소로 옮기는 처리 흐름
- 비유: 여러 곳에서 자료를 받아 같은 서식으로 맞춘 뒤 지정된 서가에 넣는 과정.
- 학습 예시: 가상의 공개 지역 통계와 기상 자료를 내려받아 날짜·지역 코드를 맞춘 뒤 교육용 분석 표에 저장한다.
- 업무 참고: 학습용 데이터 결합에서도 원천·수집일·변환 규칙·행 수를 기록해 누락과 중복을 되짚을 수 있게 한다.
- 구분하기: ELT는 추출 후 먼저 적재하고 목적 저장소에서 변환한다. 파일을 복사하거나 전처리만 하는 작업이 ETL 전체와 같지는 않다.
- 연결:
  - 관련 용어: 전처리 — https://119-ai-studio.kr/glossary.html#gl-preprocessing · 자료 대조: ETL의 변환 단계에는 목적 저장소와 분석에 맞춘 데이터 정리·변환이 포함될 수 있다.
    - 원문에 명시: AWS — What is ETL? — https://aws.amazon.com/what-is/etl/ (What is ETL? / What is data transformation? / What is ELT?, 2026-10-24)
  - 배경 학습: SQL 데이터베이스 입문 · 7부 · 코드와 실전으로 넓히기 (2) 다음 단계 — https://119-ai-studio.kr/learn/sql/12_다음_단계.html

## 에이전트·도구·자동화

### CLI 명령줄 인터페이스
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-cli
- 정의 근거: https://ubuntu.com/tutorials/command-line-for-beginners (Ubuntu — The Linux command line for beginners · 1 Overview / 2 A brief history lesson · 명령줄이 컴퓨터와 텍스트로 상호작용하는 인터페이스라는 개념. 특정 명령어나 설치 과정은 수록하지 않는다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-5921cf89d0417fa13287.txt
- 요약: 텍스트로 명령 이름과 옵션·인수를 입력해 프로그램을 조작하는 방식. 화면의 버튼과 메뉴를 사용하는 그래픽 인터페이스와 구분한다.
- 영문·다른 이름: Command-Line Interface · CLI · 명령행 인터페이스 · 커맨드라인
- 난이도: 입문
- 의미 범위: 텍스트 명령으로 프로그램을 조작하는 인터페이스
- 비유: 버튼을 고르는 대신 작업 요청을 정해진 문장으로 적어 전달하는 조작창.
- 학습 예시: 가상의 공개 데이터 실습에서 같은 변환 명령의 입력 파일만 바꾸어 여러 파일을 처리한다.
- 업무 참고: 학습용 자동화 명령을 읽을 때 대상 경로와 옵션이 어떤 파일을 읽거나 바꾸는지 확인한다.
- 구분하기: 터미널은 입출력을 보여 주는 프로그램이고 셸은 명령을 해석하는 프로그램이다. CLI는 그와 같은 환경에서 쓰는 조작 방식이다.
- 연결:
  - 관련 용어: 도구 사용 — https://119-ai-studio.kr/glossary.html#gl-tool-use · 자료 대조: 에이전트가 셸 명령을 실행하는 구성에서는 CLI 프로그램이 도구 실행 대상이 될 수 있다. 모든 도구가 CLI인 것은 아니다.
    - 편집 판단 근거: Ubuntu — The Linux command line for beginners — https://ubuntu.com/tutorials/command-line-for-beginners (1 Overview / 2 A brief history lesson, 2026-10-24)
    - 편집 판단 근거: Claude Code — Configure the sandboxed Bash tool — https://code.claude.com/docs/en/sandboxing (What the sandbox restricts / How sandboxing relates to permissions, 2026-10-24)
  - 배경 학습: 컴퓨터·개발 기초 입문 · 3부 · 터미널과 친해지기 — https://119-ai-studio.kr/learn/terminal/03_터미널과_친해지기.html
  - 함께 볼 자료: 터미널 — https://119-ai-studio.kr/setup.html#term-terminal
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 환경 변수 — https://119-ai-studio.kr/glossary.html#gl-environment-variable · 자료 대조: 명령줄에서 실행한 프로그램도 자신의 프로세스 환경으로 전달된 설정을 읽을 수 있다.
    - 편집 판단 근거: Python — os: Process Parameters — https://docs.python.org/3/library/os.html#os.environ (os.environ / process environment inheritance, 2026-10-24)
    - 편집 판단 근거: Ubuntu — The Linux command line for beginners — https://ubuntu.com/tutorials/command-line-for-beginners (1 Overview / 2 A brief history lesson, 2026-10-24)

### 환경 변수
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-environment-variable
- 정의 근거: https://docs.python.org/3/library/os.html#os.environ (Python — os: Process Parameters · os.environ / process environment inheritance · 프로세스 환경을 문자열 이름과 값의 대응으로 표현하며 자식 프로세스가 환경을 상속하거나 별도 환경을 받을 수 있음. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-c024062fb5a20a2e0cca.txt
- 요약: 프로세스의 실행 환경에 이름과 문자열 값으로 전달되는 설정. 프로그램은 이를 읽어 경로·실행 모드 등 외부에서 정한 조건을 사용할 수 있다.
- 영문·다른 이름: Environment Variable · 환경변수 · env var
- 난이도: 입문
- 의미 범위: 프로그램이 실행 환경에서 읽는 이름·값 설정
- 비유: 프로그램을 시작할 때 함께 건네는 이름표가 붙은 설정 메모.
- 학습 예시: 가상의 교육용 변환 스크립트에서 출력 폴더 설정을 환경 변수로 받아 코드 수정 없이 실습 폴더를 바꾼다.
- 업무 참고: 공유하는 실습 화면·로그에 비밀값이 드러나지 않도록 하고 프로그램에 필요한 설정만 전달한다.
- 구분하기: 코드 안의 일반 변수나 설정 파일 자체와 다르다. 환경 변수에 담았다는 이유만으로 값이 암호화되거나 비밀이 보호되는 것은 아니다.
- 연결:
  - 관련 용어: CLI 명령줄 인터페이스 — https://119-ai-studio.kr/glossary.html#gl-cli · 자료 대조: 명령줄에서 실행한 프로그램도 자신의 프로세스 환경으로 전달된 설정을 읽을 수 있다.
    - 편집 판단 근거: Python — os: Process Parameters — https://docs.python.org/3/library/os.html#os.environ (os.environ / process environment inheritance, 2026-10-24)
    - 편집 판단 근거: Ubuntu — The Linux command line for beginners — https://ubuntu.com/tutorials/command-line-for-beginners (1 Overview / 2 A brief history lesson, 2026-10-24)
  - 정의 설명 학습 자료: 컴퓨터·개발 기초 입문 · 4부 · 프로그램은 어떻게 도는가 — https://119-ai-studio.kr/learn/terminal/04_프로그램은_어떻게_도는가.html
  - 함께 볼 자료: PATH — https://119-ai-studio.kr/setup.html#term-path

### 패키지
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-package
- 정의 근거: https://packaging.python.org/en/latest/discussions/distribution-package-vs-import-package/ (PyPA — Distribution package vs. import package · What is a distribution package? / What is an import package? · 설치하는 배포 패키지와 코드에서 불러오는 import 패키지의 차이. 설치 이름과 import 이름이 다를 수 있음. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-14e638ffa303320fbb63.txt
- 요약: 프로그램이나 라이브러리를 설치·배포할 수 있게 묶은 단위. 사용하는 도구에 따라 코드·자원·버전·의존성 정보 등을 함께 관리한다.
- 영문·다른 이름: Package, Distribution Package · 소프트웨어 패키지 · 배포 패키지
- 난이도: 입문
- 의미 범위: 개발 환경에 설치하는 배포용 소프트웨어 묶음
- 비유: 필요한 부품과 사용 정보가 함께 담긴 설치 상자.
- 학습 예시: 가상의 표 분석 실습에서 분석 패키지의 버전을 기록해 다른 교육용 환경에서도 같은 구성을 준비한다.
- 업무 참고: 학습용 도구를 준비할 때 필요한 패키지의 출처·버전과 사용 조건을 함께 확인한다.
- 구분하기: Python에서 설치하는 배포 패키지와 코드가 import하는 패키지는 의미와 이름이 다를 수 있다. 이 항목은 설치·배포 문맥을 중심으로 설명한다.
- 연결:
  - 관련 용어: 가상환경 — https://119-ai-studio.kr/glossary.html#gl-virtual-environment · 자료 대조: Python 가상환경은 프로젝트가 설치할 패키지 구성을 분리해 관리한다.
    - 원문에 명시: PyPA — Distribution package vs. import package — https://packaging.python.org/en/latest/discussions/distribution-package-vs-import-package/ (What is a distribution package? / What is an import package?, 2026-10-24)
    - 원문에 명시: Python — venv: Creation of virtual environments — https://docs.python.org/3/library/venv.html (venv — introduction, 2026-10-24)
  - 정의 설명 학습 자료: 컴퓨터·개발 기초 입문 · 5부 · 개발 도구 세팅 — https://119-ai-studio.kr/learn/terminal/05_개발_도구_세팅.html
  - 함께 볼 자료: npm — https://119-ai-studio.kr/setup.html#term-npm

### 가상환경
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-virtual-environment
- 정의 근거: https://docs.python.org/3/library/venv.html (Python — venv: Creation of virtual environments · venv — introduction · 프로젝트별 Python 인터프리터와 설치 패키지를 분리하는 가상환경. 기본 패키지 격리의 범위이지 OS 보안 경계는 아니다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-88c9b1e28583af94cdb6.txt
- 요약: 프로젝트가 사용할 Python 인터프리터와 설치 패키지를 다른 프로젝트의 구성과 분리해 관리하는 환경. 프로젝트마다 다른 의존성 버전을 사용할 수 있게 한다.
- 영문·다른 이름: Virtual Environment · 가상 환경 · venv · Python 가상환경
- 난이도: 입문
- 의미 범위: Python 프로젝트의 실행·패키지 환경 분리
- 비유: 프로젝트마다 필요한 도구를 따로 놓는 작업대.
- 학습 예시: 가상의 교육 실습 A와 B가 다른 분석 패키지 버전을 요구하면 별도 가상환경을 사용해 서로의 구성을 덮어쓰지 않게 한다.
- 업무 참고: 교육용 예제마다 실행 환경과 패키지 목록을 기록하되 실제 자료 보호를 위한 격리·권한은 별도로 다룬다.
- 구분하기: Python 가상환경은 가상머신이나 보안 샌드박스가 아니다. 패키지를 분리해도 실행한 코드의 파일·네트워크 접근이 자동 차단되지는 않는다.
- 연결:
  - 함께 비교: 샌드박스 — https://119-ai-studio.kr/glossary.html#gl-sandbox · 자료 대조: 패키지 의존성의 분리와 실행 코드의 파일·네트워크 접근 제한은 별개 경계다.
    - 편집 판단 근거: Python — venv: Creation of virtual environments — https://docs.python.org/3/library/venv.html (venv — introduction, 2026-10-24)
    - 편집 판단 근거: Claude Code — Configure the sandboxed Bash tool — https://code.claude.com/docs/en/sandboxing (What the sandbox restricts / How sandboxing relates to permissions, 2026-10-24)
  - 정의 설명 학습 자료: 컴퓨터·개발 기초 입문 · 5부 · 개발 도구 세팅 — https://119-ai-studio.kr/learn/terminal/05_개발_도구_세팅.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 패키지 — https://119-ai-studio.kr/glossary.html#gl-package · 자료 대조: Python 가상환경은 프로젝트가 설치할 패키지 구성을 분리해 관리한다.
    - 원문에 명시: PyPA — Distribution package vs. import package — https://packaging.python.org/en/latest/discussions/distribution-package-vs-import-package/ (What is a distribution package? / What is an import package?, 2026-10-24)
    - 원문에 명시: Python — venv: Creation of virtual environments — https://docs.python.org/3/library/venv.html (venv — introduction, 2026-10-24)

## 평가·운영

### 학습·검증·테스트 분할
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-train-validation-test-split
- 정의 근거: https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets (Google ML Crash Course — Dividing the original dataset · Training, validation, and test sets · 학습·개발 중 검증·최종 테스트의 역할 구분과 반복적인 평가 데이터 사용이 독립성을 약화시키는 문제. · 원문 대조 2026-10-24)
- 정의 근거: https://scikit-learn.org/stable/modules/cross_validation.html (scikit-learn — Cross-validation: evaluating estimator performance · 3.1 introduction / Cross-validation iterators for grouped data · 학습 사례에만 잘 맞고 처음 보는 자료에서 일반화하지 못하는 과적합과 평가용 자료를 분리하는 이유. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-fb16deeaf123e6bf4040.txt
- 요약: 데이터를 모델 학습용, 개발 중 설정을 비교할 검증용, 선택을 마친 모델을 평가할 테스트용으로 나누는 절차. 최종 평가 자료를 모델 선택에 반복 사용하면 독립적인 평가의 의미가 약해진다.
- 영문·다른 이름: Train–Validation–Test Split · 데이터 분할 · 학습 검증 테스트 분리
- 난이도: 실무
- 의미 범위: 예측 모델 개발과 최종 평가용 데이터의 역할 분리
- 비유: 연습 문제, 연습 중 확인 문제, 마지막 시험 문제를 구분하는 것.
- 학습 예시: 가상의 영상 실습에서 같은 영상의 이웃 프레임이 서로 다른 분할에 섞이지 않도록 영상 묶음 단위로 나눈다.
- 업무 참고: 공개·합성 자료를 나눌 때 사건·영상·시간의 중복과 클래스 분포를 확인하고 분할 기준을 남긴다.
- 구분하기: 세 파일을 만들었다고 독립성이 확보되는 것은 아니다. 시간 흐름이나 같은 대상의 반복 측정이 있으면 분할 기준에 그 구조를 반영해야 한다.
- 연결:
  - 관련 용어: 평가셋 — https://119-ai-studio.kr/glossary.html#gl-evaluation-set · 자료 대조: 검증용·테스트용 데이터는 평가에 쓰되 모델 선택과 최종 평가의 역할을 나누어 관리한다.
    - 원문에 명시: Google ML Crash Course — Dividing the original dataset — https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets (Training, validation, and test sets, 2026-10-24)
  - 배경 학습: 훈련 데이터 라벨 품질, 학습 전에 잡기 — https://119-ai-studio.kr/label-quality-check.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 과적합 — https://119-ai-studio.kr/glossary.html#gl-overfitting · 자료 대조: 학습에 사용하지 않은 자료로 평가해야 학습 자료에만 잘 맞는 과적합을 점검할 수 있다.
    - 원문에 명시: scikit-learn — Cross-validation: evaluating estimator performance — https://scikit-learn.org/stable/modules/cross_validation.html (3.1 introduction / Cross-validation iterators for grouped data, 2026-10-24)

### 과적합
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-overfitting
- 정의 근거: https://scikit-learn.org/stable/modules/cross_validation.html (scikit-learn — Cross-validation: evaluating estimator performance · 3.1 introduction / Cross-validation iterators for grouped data · 학습 사례에만 잘 맞고 처음 보는 자료에서 일반화하지 못하는 과적합과 평가용 자료를 분리하는 이유. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-89550503cae1aa772bf3.txt
- 요약: 모델이 학습 자료의 세부 특징이나 잡음까지 지나치게 맞춰 처음 보는 자료에서는 성능이 떨어지는 현상. 학습 자료에서 높은 점수를 얻었다는 것만으로 일반화가 확인되지는 않는다.
- 영문·다른 이름: Overfitting · 오버피팅 · 학습 데이터 과적합
- 난이도: 실무
- 의미 범위: 예측 모델의 학습 성능과 새 자료 일반화의 차이
- 비유: 연습 문제의 답을 외워서 다른 문제에는 잘 답하지 못하는 상태.
- 학습 예시: 가상의 연기 영상 모델이 학습 영상에서는 잘 맞지만 다른 날짜의 공개 영상에서 오류가 늘어 학습·검증 결과를 나누어 살펴본다.
- 업무 참고: 독립적인 평가 자료와 여러 촬영 조건을 사용해 학습 점수와 실제 일반화를 구분하는 연습을 한다.
- 구분하기: 과적합은 학습 자료에 지나치게 맞춘 문제이고 데이터 누수는 평가에 쓰면 안 되는 정보가 섞인 문제다. 성능 차이만으로 원인을 하나로 단정하지 않는다.
- 연결:
  - 관련 용어: 학습·검증·테스트 분할 — https://119-ai-studio.kr/glossary.html#gl-train-validation-test-split · 자료 대조: 학습에 사용하지 않은 자료로 평가해야 학습 자료에만 잘 맞는 과적합을 점검할 수 있다.
    - 원문에 명시: scikit-learn — Cross-validation: evaluating estimator performance — https://scikit-learn.org/stable/modules/cross_validation.html (3.1 introduction / Cross-validation iterators for grouped data, 2026-10-24)
  - 배경 학습: 지역별 화재 위험도 예측 모델 구축 — https://119-ai-studio.kr/risk-prediction.html

### 학습·평가 데이터 누수
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-training-data-leakage
- 정의 근거: https://scikit-learn.org/stable/common_pitfalls.html#data-leakage (scikit-learn — Common pitfalls and recommended practices · 12.2 Data leakage · 예측 시점에 얻을 수 없는 정보가 모델 구성에 들어가 성능 평가가 낙관적으로 치우치는 누수. 전처리에서 평가 자료를 학습하는 누수도 포함한다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-d3f358dff315ae93cace.txt
- 요약: 실제 예측 시점에는 알 수 없는 정보나 독립적으로 남겨야 할 평가 정보가 학습·전처리·모델 선택에 들어가는 문제. 평가 점수를 실제 일반화 성능보다 좋게 보이게 할 수 있다.
- 영문·다른 이름: Data Leakage in Machine Learning · 평가 데이터 누수 · 데이터 누수 · Data Leakage · 학습 누수
- 난이도: 실무
- 의미 범위: 보호 정보의 유출이 아닌 예측 모델 평가의 오염
- 비유: 시험을 보기 전에 답지의 정보를 공부 방법에 섞어 넣은 상태.
- 학습 예시: 가상의 지역 통계 예측 실습에서 예측하려는 달이 끝나야 알 수 있는 출동 건수를 입력 특징에 넣어 평가가 부풀려진다.
- 업무 참고: 시간·대상별 분할과 전처리 계산에 쓴 자료 범위를 점검해 학습용 평가가 미래 정보를 미리 보지 않게 한다.
- 구분하기: 기존 데이터 유출 항목은 보호 정보가 외부나 승인되지 않은 경로로 노출되는 뜻이다. 여기서는 외부 전송이 전혀 없어도 누수가 발생할 수 있다.
- 연결:
  - 함께 비교: 데이터 유출 — https://119-ai-studio.kr/glossary.html#gl-data-leakage · 자료 대조: 학습·평가 누수는 평가의 독립성을 오염시키는 정보 사용이며 기존 데이터 유출은 보호 정보 노출의 의미다.
    - 편집 판단 근거: scikit-learn — Common pitfalls and recommended practices — https://scikit-learn.org/stable/common_pitfalls.html#data-leakage (12.2 Data leakage, 2026-10-24)
    - 편집 판단 근거: 개인정보, AI에 넣기 전에 점검하기 — https://119-ai-studio.kr/pii-guard.html#s3 (내보내기 전에 거르는 이유, 2026-10-26)
  - 정의 설명 학습 자료: 지역별 화재 위험도 예측 모델 구축 — https://119-ai-studio.kr/risk-prediction.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 지역별 화재 위험도 예측 모델 구축 — https://119-ai-studio.kr/risk-prediction.html

### 혼동행렬
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-confusion-matrix
- 정의 근거: https://developers.google.com/machine-learning/crash-course/classification/thresholding (Google ML Crash Course — Thresholds and the confusion matrix · Classification threshold / Confusion matrix · 점수를 분류 결과로 바꾸는 임계값, 정답과 예측의 교차표, 임계값 변화에 따른 오탐·미탐 변화. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-d4c0e915d605904f97fc.txt
- 요약: 정답 클래스와 모델이 예측한 클래스를 교차해 각 조합의 사례 수를 나타낸 표. 이진 분류에서는 맞춘 양성·맞춘 음성·오탐·미탐을 나누어 볼 수 있다.
- 영문·다른 이름: Confusion Matrix · 혼동 행렬 · 오차 행렬
- 난이도: 실무
- 의미 범위: 분류 정답과 예측의 교차표
- 비유: 정답 분류와 제출한 분류를 가로·세로로 놓은 교차 집계표.
- 학습 예시: 가상의 연기 사진 100장에서 TP 15, FP 10, FN 5, TN 70을 표로 정리하면 합계는 100이고 오탐과 미탐을 따로 확인할 수 있다.
- 업무 참고: 영상·문서 분류 학습에서 어떤 오류가 어디에 몰리는지 살펴보는 기초 표로 활용한다.
- 구분하기: 정확도처럼 한 숫자로 요약한 지표가 아니다. 행이 정답인지 예측인지 도구마다 다를 수 있으므로 축 이름을 먼저 읽는다.
- 연결:
  - 관련 용어: 정확도 — https://119-ai-studio.kr/glossary.html#gl-accuracy · 자료 대조: 혼동행렬의 맞춘 양성·맞춘 음성·오탐·미탐 수를 이용해 분류 결과의 정확도와 오류 구성을 살펴볼 수 있다.
    - 편집 판단 근거: Google ML Crash Course — Thresholds and the confusion matrix — https://developers.google.com/machine-learning/crash-course/classification/thresholding (Classification threshold / Confusion matrix, 2026-10-24)
  - 배경 학습: 화재 영상에서 화염·연기 탐지하기 — https://119-ai-studio.kr/fire-smoke-detection.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 판정 임계값 — https://119-ai-studio.kr/glossary.html#gl-decision-threshold · 자료 대조: 같은 예측 점수도 판정 임계값이 바뀌면 혼동행렬의 오탐·미탐 집계가 달라진다.
    - 원문에 명시: Google ML Crash Course — Thresholds and the confusion matrix — https://developers.google.com/machine-learning/crash-course/classification/thresholding (Classification threshold / Confusion matrix, 2026-10-24)

### 판정 임계값
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-decision-threshold
- 정의 근거: https://developers.google.com/machine-learning/crash-course/classification/thresholding (Google ML Crash Course — Thresholds and the confusion matrix · Classification threshold / Confusion matrix · 점수를 분류 결과로 바꾸는 임계값, 정답과 예측의 교차표, 임계값 변화에 따른 오탐·미탐 변화. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-2c4fdd16aad90b4ba358.txt
- 요약: 모델의 점수나 확률을 어느 클래스 또는 처리 대상으로 판정할지 가르는 기준값. 같은 모델이라도 임계값에 따라 오탐과 미탐의 수가 달라진다.
- 영문·다른 이름: Decision Threshold, Classification Threshold · 분류 임계값 · 판정 문턱값 · 신뢰도 임계값
- 난이도: 실무
- 의미 범위: 모델 점수를 분류 결과로 바꾸는 기준
- 비유: 점수가 어느 선을 넘으면 검토 목록에 올릴지 정한 경계선.
- 학습 예시: 가상의 연기 분류 점수 0.6을 비교할 때 0.5 이상을 양성으로 보는 규칙과 0.7 이상을 양성으로 보는 규칙은 다른 결과를 낸다.
- 업무 참고: 학습용 예시의 임계값을 운영 기준으로 옮기지 말고 오류 비용과 검토 조건에 따른 변화를 비교한다.
- 구분하기: 점수 0.6이 실제 발생 확률 60%라는 뜻인지는 별도 보정·검증이 필요하다. 경계값과 정확히 같을 때 어느 쪽에 넣는지도 정해야 한다.
- 연결:
  - 관련 용어: 혼동행렬 — https://119-ai-studio.kr/glossary.html#gl-confusion-matrix · 자료 대조: 같은 예측 점수도 판정 임계값이 바뀌면 혼동행렬의 오탐·미탐 집계가 달라진다.
    - 원문에 명시: Google ML Crash Course — Thresholds and the confusion matrix — https://developers.google.com/machine-learning/crash-course/classification/thresholding (Classification threshold / Confusion matrix, 2026-10-24)
  - 정의 설명 학습 자료: 화재 영상에서 화염·연기 탐지하기 — https://119-ai-studio.kr/fire-smoke-detection.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 화재 영상에서 화염·연기 탐지하기 — https://119-ai-studio.kr/fire-smoke-detection.html
  - 함께 비교 ← 확률 보정 — https://119-ai-studio.kr/glossary.html#gl-probability-calibration · 자료 대조: 확률이 실제 집단별 빈도와 맞는지 조정하는 과정과 점수를 분류 결과로 바꾸는 기준 선택은 다르다.
    - 편집 판단 근거: scikit-learn — Probability calibration — https://scikit-learn.org/stable/modules/calibration.html (1.16 Probability calibration / Calibration curves, 2026-10-24)
    - 편집 판단 근거: Google ML Crash Course — Thresholds and the confusion matrix — https://developers.google.com/machine-learning/crash-course/classification/thresholding (Classification threshold / Confusion matrix, 2026-10-24)

### 확률 보정
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-probability-calibration
- 정의 근거: https://scikit-learn.org/stable/modules/calibration.html (scikit-learn — Probability calibration · 1.16 Probability calibration / Calibration curves · 예측 확률별 집단의 실제 양성 비율을 대조하는 확률 보정의 의미. 보정과 분류 정확도·임계값 선택은 별개의 평가 축이다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-6f957d372a3ebc1c159e.txt
- 요약: 비슷한 확률을 받은 사례들에서 실제 발생 비율이 그 확률과 맞도록 예측 확률을 평가하고 조정하는 과정. 잘 보정된 모델에서 0.8 부근의 예측을 받은 집단은 충분한 표본에서 약 80%가 양성이다.
- 영문·다른 이름: Probability Calibration · 확률 캘리브레이션 · 예측 확률 보정
- 난이도: 심화
- 의미 범위: 모델의 예측 확률과 실제 발생 비율을 맞추는 평가·조정
- 비유: 확신의 눈금과 실제 맞은 비율이 같은 척도를 가리키도록 맞추는 것.
- 학습 예시: 가상의 충분히 큰 평가 집단에서 0.8 부근 점수를 받은 사례의 실제 양성 비율이 0.5에 가깝다면 확률 해석을 재검토한다.
- 업무 참고: 학습용 위험 점수를 실제 확률처럼 설명하기 전에 별도 보정과 독립 평가가 필요한 이유를 이해하는 개념이다.
- 구분하기: 순위를 잘 매기거나 분류 정확도가 높은 것과 확률 보정은 별개다. 임계값을 바꾸는 것만으로 확률의 의미가 자동으로 보정되지는 않는다.
- 연결:
  - 함께 비교: 판정 임계값 — https://119-ai-studio.kr/glossary.html#gl-decision-threshold · 자료 대조: 확률이 실제 집단별 빈도와 맞는지 조정하는 과정과 점수를 분류 결과로 바꾸는 기준 선택은 다르다.
    - 편집 판단 근거: scikit-learn — Probability calibration — https://scikit-learn.org/stable/modules/calibration.html (1.16 Probability calibration / Calibration curves, 2026-10-24)
    - 편집 판단 근거: Google ML Crash Course — Thresholds and the confusion matrix — https://developers.google.com/machine-learning/crash-course/classification/thresholding (Classification threshold / Confusion matrix, 2026-10-24)
  - 배경 학습: 지역별 화재 위험도 예측 모델 구축 — https://119-ai-studio.kr/risk-prediction.html

### 강건성
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-robustness
- 정의 근거: https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/ (NIST AI RMF 1.0 — AI Risks and Trustworthiness · 3.1 Valid and Reliable · 다양한 조건·상황에서 성능을 유지하는 강건성. 이는 하나의 평균 점수나 모든 환경의 안전 보증을 뜻하지 않는다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-25ef6199df8ff38ece3b.txt
- 요약: 입력이나 사용 조건이 달라져도 필요한 성능을 유지하는 능력. 어떤 변화와 범위에서 어느 수준의 성능을 유지해야 하는지 정해 평가한다.
- 영문·다른 이름: Robustness · 견고성 · 로버스트니스
- 난이도: 심화
- 의미 범위: 입력·환경 조건 변화에 대한 AI 성능 유지
- 비유: 조건이 달라졌을 때도 정해 둔 기능을 유지하는지 확인하는 내구 시험.
- 학습 예시: 가상의 같은 합성 발화에 바람 소리와 겹침말을 따로 더해 전사 오류가 얼마나 늘어나는지 비교한다.
- 업무 참고: 음성·영상 학습에서는 잡음·조도·촬영 각도 등 조건을 나눠 결과를 확인하는 데 참고한다.
- 구분하기: 깨끗한 평가셋의 평균 정확도가 높다는 것과 다르다. 시험한 조건에서의 강건성이 모든 낯선 상황의 안전을 보증하지는 않는다.
- 연결:
  - 관련 용어: 평가 — https://119-ai-studio.kr/glossary.html#gl-evaluation · 자료 대조: 강건성을 평가하려면 유지해야 할 성능과 변화시킬 입력·환경 조건의 범위를 정해야 한다.
    - 편집 판단 근거: NIST AI RMF 1.0 — AI Risks and Trustworthiness — https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/ (3.1 Valid and Reliable, 2026-10-24)
  - 배경 학습: 신고 전사 심화, 화자 결합과 품질 관리 — https://119-ai-studio.kr/call-transcription-quality.html

## 에이전트·도구·자동화

### 멀티 에이전트
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-multi-agent
- 정의 근거: https://119-ai-studio.kr/learn/agentic-ai/08_multi-agent-teams.html#s3 (에이전틱 AI 엔지니어링 — 멀티 에이전트 팀 만들기 · 패턴 1: 에이전트를 도구로 / 패턴 1 vs 핸드오프 · 여러 전문 에이전트의 작업을 매니저가 조정하거나 실행 주도권을 넘기는 협업 구성을 설명한다. · 원문 대조 2026-10-24)
- 정의 근거: https://www.anthropic.com/research/building-effective-agents (Anthropic — Building effective agents · Workflow: Orchestrator-workers · 중앙 LLM이 작업을 나누고 작업자에게 위임해 결과를 종합하는 협업 패턴. 모든 멀티 에이전트가 이 중앙 구조를 요구하는 것은 아니다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-51302e4b1e701ed4dd33.txt
- 요약: 여러 에이전트가 역할을 나누고 정보·작업 결과를 주고받으며 과업을 수행하는 구성. 관리자가 조정하거나 실행 주도권을 다른 에이전트에게 넘기는 등 여러 협업 방식이 있다.
- 영문·다른 이름: Multi-Agent System · 다중 에이전트 · 멀티에이전트 · 에이전트 협업
- 난이도: 심화
- 의미 범위: 여러 AI 에이전트가 작업을 나누거나 결과를 주고받는 구성
- 비유: 조사·작성·확인을 나눈 작업자들이 결과를 전달하는 팀.
- 학습 예시: 가상의 공개 교육자료 정리에서 자료 찾기와 요약 초안 작성을 나누고 결과를 한데 모아 사람이 원문과 대조한다.
- 업무 참고: 학습용 협업 흐름에서 역할·입출력·종료 조건을 정하고 전체 오류와 비용을 한 에이전트 구성과 비교한다.
- 구분하기: 같은 프롬프트를 여러 번 호출하는 것만으로 역할·상태·협업이 갖춰지는 것은 아니다. 에이전트를 늘린다고 결과가 자동으로 정확해지지도 않는다.
- 연결:
  - 관련 용어: 에이전트 — https://119-ai-studio.kr/glossary.html#gl-agent · 자료 대조: 여러 에이전트가 역할과 결과를 주고받는 구성으로서 개별 에이전트의 기능과 협업 구조를 함께 이해한다.
    - 편집 판단 근거: 에이전틱 AI 엔지니어링 — 멀티 에이전트 팀 만들기 — https://119-ai-studio.kr/learn/agentic-ai/08_multi-agent-teams.html#s3 (패턴 1: 에이전트를 도구로 / 패턴 1 vs 핸드오프, 2026-10-24)
    - 편집 판단 근거: Anthropic — Building effective agents — https://www.anthropic.com/research/building-effective-agents (Workflow: Orchestrator-workers, 2026-10-24)
  - 정의 설명 학습 자료: 에이전틱 AI 엔지니어링 · 08. 멀티 에이전트 팀 만들기 — https://119-ai-studio.kr/learn/agentic-ai/08_multi-agent-teams.html

## 안전·보안·거버넌스

### 샌드박스
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-sandbox
- 정의 근거: https://code.claude.com/docs/en/sandboxing (Claude Code — Configure the sandboxed Bash tool · What the sandbox restricts / How sandboxing relates to permissions · OS가 실행 중인 프로세스의 파일·네트워크 접근 경계를 강제하는 샌드박싱의 사례와 명령 승인과의 구분. 제품의 격리 적용 범위를 전체 에이전트로 일반화하지 않는다. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-0069ee5115c509dd6783.txt
- 요약: 프로그램을 실행하면서 파일·네트워크 등 자원에 접근할 수 있는 범위를 기술적으로 제한하는 환경. 무엇을 격리하는지는 운영체제·구성·실행 대상에 따라 달라진다.
- 영문·다른 이름: Sandbox · 샌드박싱 · 격리 실행 환경
- 난이도: 실무
- 의미 범위: 실행 코드의 접근 범위를 제한하는 환경
- 비유: 실험 작업이 닿을 수 있는 공간과 출입구를 정해 둔 작업 구역.
- 학습 예시: 가상의 교육용 에이전트가 샘플 폴더만 읽고 쓰도록 구성한 뒤 범위 밖 접근이 차단되는지 실습한다.
- 업무 참고: 학습용 코드를 실행할 때 실제로 격리되는 도구·파일·네트워크 범위를 확인하며 이름만으로 안전을 판단하지 않는다.
- 구분하기: 사람에게 실행 승인을 묻거나 모델에게 조심하라고 지시하는 것과 다르다. Python 가상환경의 패키지 분리도 샌드박스와 같지 않다.
- 연결:
  - 관련 용어: 최소 권한 — https://119-ai-studio.kr/glossary.html#gl-least-privilege · 자료 대조: 실행 환경을 격리할 때 작업에 필요한 자원만 허용하는 경계를 정할 수 있다. 샌드박스라는 이름만으로 최소 권한이 달성되지는 않는다.
    - 편집 판단 근거: Claude Code — Configure the sandboxed Bash tool — https://code.claude.com/docs/en/sandboxing (What the sandbox restricts / How sandboxing relates to permissions, 2026-10-24)
  - 정의 설명 학습 자료: Claude Code 안내서 · 23. 보안과 안전 — https://119-ai-studio.kr/learn/claude-code/23_보안과-안전.html
- 이 개체를 가리키는 자료:
  - 함께 비교 ← 가상환경 — https://119-ai-studio.kr/glossary.html#gl-virtual-environment · 자료 대조: 패키지 의존성의 분리와 실행 코드의 파일·네트워크 접근 제한은 별개 경계다.
    - 편집 판단 근거: Python — venv: Creation of virtual environments — https://docs.python.org/3/library/venv.html (venv — introduction, 2026-10-24)
    - 편집 판단 근거: Claude Code — Configure the sandboxed Bash tool — https://code.claude.com/docs/en/sandboxing (What the sandbox restricts / How sandboxing relates to permissions, 2026-10-24)

## 에이전트·도구·자동화

### 에이전트 스킬
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-agent-skill
- 정의 근거: https://agentskills.io/home (Agent Skills — Overview · What are Agent Skills? / How do Agent Skills work? · SKILL.md의 메타데이터·작업 지침과 선택적인 스크립트·참고자료를 묶어 필요할 때 읽는 Agent Skills 형식. · 원문 대조 2026-10-24)
- 카드 파일: https://119-ai-studio.kr/kg/card-f0e9b4d178454d9d15e6.txt
- 요약: 에이전트가 특정 작업에 참고하도록 지침·자료·선택적인 실행 스크립트 등을 묶은 단위. Agent Skills 형식에서는 SKILL.md에 이름·설명과 작업 지침을 기록하고 필요한 때 내용을 읽는다.
- 영문·다른 이름: Agent Skill · Agent Skills · 에이전트 기술 묶음 · SKILL.md
- 난이도: 실무
- 의미 범위: Agent Skills 형식의 재사용 가능한 작업 지침 묶음
- 비유: 업무별 절차서와 서식·보조 도구를 함께 묶어 둔 실습 자료철.
- 학습 예시: 가상의 교육자료 편집 스킬에 문체 기준·출처 확인 순서·서식을 담아 같은 종류의 초안을 만들 때 참고한다.
- 업무 참고: 교육용 지침을 재사용할 때 출처·적용 범위·사람 확인 단계를 명시하고 최신 원문과 맞는지 점검한다.
- 구분하기: 모델 가중치를 새로 학습하는 파인튜닝과 다르고 도구 연결 프로토콜인 MCP와도 다르다. 스킬은 실행 권한이나 결과의 정확성을 자동 보장하지 않는다.
- 연결:
  - 관련 용어: 에이전트 — https://119-ai-studio.kr/glossary.html#gl-agent · 자료 대조: Agent Skills 형식은 에이전트가 필요할 때 읽을 작업 지침과 보조 자료를 제공한다.
    - 원문에 명시: Agent Skills — Overview — https://agentskills.io/home (What are Agent Skills? / How do Agent Skills work?, 2026-10-24)
  - 정의 설명 학습 자료: Claude Code 안내서 · 12. Skills(에이전트 스킬) — https://119-ai-studio.kr/learn/claude-code/12_skills.html

## 평가·운영

### 온프레미스
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-on-premises
- 카드 파일: https://119-ai-studio.kr/kg/card-021d9776c1e74b925f36.txt
- 요약: 모델을 데이터가 있는 조직 안에 두고 운영하는 배치 방식. 배치 위치를 뜻하며 보안·품질·운영을 자동으로 보증하지 않는다.
- 영문·다른 이름: On-premises · 온프렘 · 자체 구축
- 난이도: 입문
- 비유: 외부 업체의 시설을 빌리지 않고 우리 건물 안에 직접 설치해 두고 쓰는 설비.
- 업무 참고: 인터넷과 분리된 내부망이나 비식별해도 밖으로 내보내기 어려운 자료는 이 방식을 검토하고, 약한 로컬 모델의 품질은 따로 검증한다.
- 연결:
  - 정의 설명 학습 자료: 온프레미스 LLM, 망분리 환경에서 안전하게 운영하기 — https://119-ai-studio.kr/on-prem-llm.html
  - 배경 학습: 안전한 AI 운영 도구 — 검증·비식별·추적 — https://119-ai-studio.kr/ai-ops-toolkit.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 정보시스템 — https://119-ai-studio.kr/glossary.html#gl-law-1f592922
  - 관련 용어 ← 소방정보통신시스템 — https://119-ai-studio.kr/glossary.html#gl-law-720cb558

## 안전·보안·거버넌스

### 망분리
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-network-separation
- 카드 파일: https://119-ai-studio.kr/kg/card-bf365a594afb0c0e4582.txt
- 요약: 업무 내부망을 인터넷과 분리해 두는 방식. 분리된 망에서는 클라우드 API를 부를 수 없어 모델과 라이브러리를 외부에서 받아 반입한다.
- 영문·다른 이름: Network Separation · 폐쇄망 · 내부망 분리
- 난이도: 입문
- 비유: 업무용 사무실과 바깥 길 사이에 통로를 두지 않고 별도 출입 절차로만 물건을 들이는 구조.
- 업무 참고: 분리된 내부망에서는 모델과 라이브러리를 체크섬 확인과 검역을 거쳐 반입하며, 내부망이라는 사실이 모델 품질을 뜻하지는 않는다.
- 연결:
  - 정의 설명 학습 자료: 온프레미스 LLM, 망분리 환경에서 안전하게 운영하기 — https://119-ai-studio.kr/on-prem-llm.html
  - 배경 학습: 안전한 AI 운영 도구 — 검증·비식별·추적 — https://119-ai-studio.kr/ai-ops-toolkit.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 내부망 — https://119-ai-studio.kr/glossary.html#gl-law-02462110
  - 관련 용어 ← 기관 인터넷망 — https://119-ai-studio.kr/glossary.html#gl-law-f3cd7269
  - 관련 용어 ← 상용 인터넷망 — https://119-ai-studio.kr/glossary.html#gl-law-d2280d10
  - 관련 용어 ← 정보통신망 — https://119-ai-studio.kr/glossary.html#gl-law-b3aeaf97
  - 관련 용어 ← 휴대용 저장매체 — https://119-ai-studio.kr/glossary.html#gl-law-b5770f8e
  - 관련 용어 ← 소방정보통신망 — https://119-ai-studio.kr/glossary.html#gl-law-f3fc6e7f

## 에이전트·도구·자동화

### AX
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-ax
- 카드 파일: https://119-ai-studio.kr/kg/card-f8d355c7f4b729c687e0.txt
- 요약: AI 전환을 줄인 말. 이 사이트에서 공공 AX는 공무원이 자기 업무를 풀려고 직접 만들어 공개한 AI 도구와 코드를 가리킨다.
- 영문·다른 이름: AI Transformation · AI 전환 · 공공 AX
- 난이도: 입문
- 비유: 업무 방식 전체를 AI에 맞게 바꾸는 일을 가리키는 이름표.
- 업무 참고: 다른 공공기관이 공개한 도구와 코드는 업무·기관·분야별 목록에서 찾아 보고, 소방 업무에 쓸 때는 원 저장소의 안내를 먼저 확인한다.
- 연결:
  - 정의 설명 학습 자료: 공공 AX — https://119-ai-studio.kr/public-tools.html
- 이 개체를 가리키는 자료:
  - 관련 용어 ← 정보화사업 — https://119-ai-studio.kr/glossary.html#gl-law-737a5c20
  - 관련 용어 ← 연구개발사업 — https://119-ai-studio.kr/glossary.html#gl-law-cf49c268

## 안전·보안·거버넌스

### API 키
- 개체 주소: https://119-ai-studio.kr/glossary.html#gl-api-key
- 카드 파일: https://119-ai-studio.kr/kg/card-855b59ba9dece9708ba9.txt
- 요약: API 이용 요청을 식별하기 위해 발급받는 값. 자료의 정확성이나 최신성을 보증하지 않으며, 공공데이터포털 서비스키와 자체 개발자센터에서 따로 발급하는 키는 별개다.
- 영문·다른 이름: API Key · 인증키 · 서비스키
- 난이도: 입문
- 비유: 창구에서 누가 요청했는지 알아보도록 건네는 이용자 확인용 열쇠.
- 업무 참고: 실제 키와 원문 응답 전체는 코드·문서·프롬프트·공개 저장소에 넣지 않고, 어디서 발급하는지는 각 API 카드의 인증 항목으로 확인한다.
- 연결:
  - 정의 설명 학습 자료: 소방 업무에 쓸 공공데이터 고르는 법 — https://119-ai-studio.kr/public-data-map.html
  - 배경 학습: 공공 API JSON을 검산 가능한 CSV로 — https://119-ai-studio.kr/public-api-normalize.html
  - 배경 학습: 공공 데이터 — https://119-ai-studio.kr/public-apis.html