생성형 인공지능 모델은 언어, 이미지, 코드 등 다양한 출력을 생성할 때 항상 내부적으로 확률 계산을 수행한다. 이 확률은 모델이 다음에 생성할 토큰이나 단어가 무엇이 될지를 예측하는 과정에서 결정적인 기준이 되며, 이는 인간의 선택과 유사한 추론 구조를 모방하는 수단이 된다.
확률을 이해하려면 먼저 다음과 같은 기본 기호(notation)의 의미를 알아야 한다.
|은 "~가 주어졌을 때"라고 읽는다.조건부 확률은 다음과 같이 정의된다.
$$ P(A \mid B) = \frac{P(A \cap B)}{P(B)} $$
예를 들어 \( P(A \mid \lnot B) \)는 "B가 일어나지 않았다는 조건에서 A가 일어날 확률"을 의미하며, 다음과 같이 계산한다.
$$ P(A \mid \lnot B) = \frac{P(A \cap \lnot B)}{P(\lnot B)} $$
$$ P(A \mid \lnot B) = \frac{(\lnot B \text{ 이면서 } A \text{인 인원 수})}{(\lnot B \text{인 전체 인원 수})} $$
즉, 분모는 조건(| 오른쪽)에 해당하는 전체 인원(그룹의 합계)이고, 분자는 그 조건을 만족하면서 동시에 구하려는 사건(| 왼쪽)도 만족하는 인원이다.확률은 생성형 AI가 각 단어(또는 이미지, 코드 등)의 다음 출현 가능성을 수치로 표현한 것이다. 예를 들어, "고양이는 물을"이라는 문장이 입력되었을 때, 다음 단어로 "싫어한다", "좋아한다", "마신다" 등이 등장할 확률이 내부적으로 계산된다.
이 확률 분포는 모델이 학습 과정에서 경험한 데이터에 근거하여 구성되며, 가장 적절한 단어를 예측하는 기준이 된다.
언어모델은 매 순간 단어를 생성할 때, 수천 개의 후보 단어들 중 하나를 선택해야 한다. 이때 단순히 가장 확률이 높은 단어만을 고르는 것이 아니라, 설정된 생성 전략에 따라 확률적으로 선택하거나 무작위성을 부여한다.
즉, 답변은 항상 동일하게 고정되어 있지 않으며, 확률 분포를 기반으로 유동적으로 생성된다.
다음은 확률이 언어 생성에 어떻게 작동하는지 보여주는 사례이다.
프롬프트: "오늘 날씨는"
모델은 이 중 하나를 선택하게 되며, temperature 등의 값에 따라 결정의 무작위성이 증가하거나 감소할 수 있다.
Temperature는 확률 분포를 얼마나 날카롭게 만들 것인지를 조절하는 하이퍼파라미터이다. 값이 0에 가까우면 높은 확률의 단어만 선택되며, 1에 가까울수록 다양한 단어가 선택될 수 있다.
이를 통해 사용자는 생성된 텍스트의 일관성 또는 창의성을 조절할 수 있다.
확률은 생성형 인공지능이 단순 규칙 기반이 아닌, 인간처럼 다양한 가능성을 고려하여 유연한 출력을 만들어내는 핵심 도구이다. 이는 AI가 단어, 문장, 의미, 감정 등을 보다 유기적으로 연결하고 생성하는 데 필수적인 역할을 수행한다.
따라서 AI 모델에서 확률은 단순한 수학 계산을 넘어서, 지능적 선택의 본질을 구현하는 구조적 기초로 이해될 수 있다.
다음은 검사 대상 65명 중 고혈압 환자(A) 및 정상인(¬A), 음주자(B) 및 비음주자(¬B)에 대한 현황을 정리한 분할표이다. 이 표를 이용해 \( P(A \mid \lnot B) \)와 \( P(B \mid \lnot A) \)를 구해 보자.
① \( P(A \mid \lnot B) \) — 비음주자 중 고혈압 환자일 확률
조건(¬B, 비음주자)에 해당하는 전체 인원은 43명이고, 그중 고혈압 환자(A)는 6명이다.
$$ P(A \mid \lnot B) = \frac{6}{43} \approx 0.14 $$
② \( P(B \mid \lnot A) \) — 정상인 중 음주자일 확률
조건(¬A, 정상인)에 해당하는 전체 인원은 52명이고, 그중 음주자(B)는 15명이다.
$$ P(B \mid \lnot A) = \frac{15}{52} \approx 0.29 $$
따라서 \( P(A \mid \lnot B) \approx 0.14 \), \( P(B \mid \lnot A) \approx 0.29 \)이다.