JSCODE Logo
JSCODE 박재성JSCODE 제이온JSCODE 시니
온라인 강의프로그래밍 과외책/전자책무료 강의
유튜브블로그
후기
완강 후기 이벤트블로그 리뷰 이벤트AWS SAA 합격 후기 이벤트
회사명 : JSCODE대표 : 박재성사업자 등록번호 : 244-22-01557통신판매업 : 제 2023-인천미추홀-0381 호

서울특별시 구로구 경인로 20가길 11(오류동, 아델리아)

Copyright ⓒ 2026 JSCODE - 최상위 현업 개발자들의 프로그래밍 교육 All rights reserved.

이용약관개인정보처리방침

실무에 바로 적용하는 Spring AI: Spring 서비스에 챗봇·RAG·MCP 도입하기

백엔드 개발자를 위한 LLM 기초

Prompt란 무엇일까?
Tokens란 무엇일까? /
Embeddings란 무엇일까? / Semantic Space
Fine Tuning이란 무엇일까?
RAG란 무엇일까?
AI Models란 무엇일까?
AI Model Providers란 무엇일까?

Spring AI 기본기

Spring AI란 무엇일까? / 백엔드 개발자가 왜 Spring AI를 배워야할까?
Spring AI 1.0 GA의 탄생
Spring AI와 LangChain - 어떤 도구를 선택해야 할까?
Spring AI와 LangChain - Chat Model 쉽게 이해하기
Spring AI와 LangChain - VectorStore 인터페이스

Spring AI 핵심 구성요소

핵심 컴포넌트 - ChatClient, Advisors, Prompts, Models, Structured Output
Spring AI ChatClient란 무엇일까?
Spring AI Advisor란 무엇일까?
Spring AI Prompts란 무엇일까?
Spring AI Models이란 무엇일까?
Spring AI Structured Output이란 무엇일까?

Spring AI로 만드는 채팅 API — 클라우드(OpenAI)와 로컬(Ollama

[실습] Spring AI 로컬 환경 설정 - Spring Boot 4.x, Gradle
[실습] OpenAI API Key 발급받기
[실습] OpenAI API를 활용한 채팅 API 환경 구축
[실습] Swagger UI를 활용한 테스트 - OpenAI API
[실습] Ollama 설치하기 / Hugging Face란 무엇일까? / GGUF
[실습] Ollama를 활용한 채팅 API 환경 구축
[실습] Swagger UI를 활용한 테스트 - Ollama
Spring AI 응답의 형태 - ChatClient Responses
[실습] Streaming으로 Flux 형태로 응답받기

실무에 쓰는 챗봇 만들기 - ‘대화 기억’부터 ‘CS 문의 자동 분류’까지

Spring AI Prompts - Chat Options란 무엇일까?
Spring AI Prompts - 프롬프트 엔지니어링 9가지 패턴
[실습] CLI 챗봇 개발 환경 아키텍처 미리보기
[실습] Chat Memory Advisor로 메모리 기능 추가하기
[실습] Chat Service 구현 - Advisor, CONVERSATION_ID
[실습] Spring Boot에서 CLI 기능 구현 및 테스트하기
[실습] Chat Controller 구현 - call과 stream 방식의 Chat REST API
[실습] Structured Output Converter를 통한 쇼핑몰 CS 문의 긴급도 분류하기

Vector Database와 유사도 검색 - RAG를 위한 핵심 개념

Vector Database란 무엇일까?
Vector Database Cosine Similarity란 무엇일까? / Spring AI의 Similarity Score
Spring AI Vector Store API
Metadata Filters란 무엇일까?

RAG 챗봇 만들기 - 데이터 전처리부터 ElasticSearch 연동까지

LLM 한계 극복을 위한 RAG 도입
실무에서 Spring AI를 통한 RAG 구현 방법
고품질 RAG를 위한 데이터 전처리 - Extract, Transform, Load
Spring AI RAG 기본 설계
[실습] RAG 챗봇 개발을 위한 로컬 환경 구축
[실습] RAG ETL 파이프라인 구현
[실습] RAG Advisors 구현
[실습] RAG Service 구현
[실습] RAG CLI 구현 및 실행 테스트
[실습] RAG REST API 구현
[실습] Docker 설치
[실습] ElasticSearch 기반 VectorStore로 변경하기

AI와 외부 시스템 연결하기 - Tool Calling으로 API 호출 자동화

Spring AI Tool Calling과 작동 프로세스
[실습] Tool Calling 개발 환경 구축
[실습] 지역별 날씨 조회 외부 API Tool 구현
[실습] Tool Service 구현
[실습] ToolCallingManager 설정
[실습] ToolChatConfig, ToolController 구현 - CLI, REST API
[실습] CLI 및 REST API 테스트

MCP로 완성하는 AI 연동 - Client & Server 개발과 외부 서버 활용

MCP란 무엇일까?
Tool Calling VS MCP
[실습] 아키텍처 미리보기
[실습] MCP Client 개발 환경 구축
[실습] MCP Server 개발 환경 구축
[실습] 외부 MCP Server와 연동한 실시간 날씨 조회 - MCP Client 개발
[실습] 외부 MCP Server와 연동한 실시간 날씨 조회 - MCP Server 개발
[실습] 외부 MCP Server와 연동한 실시간 날씨 조회 - MCP 연동
[실습] CLI 및 RestAPI 테스트
← 블로그 목록으로 돌아가기

AI Models란 무엇일까?

JSCODE 시니
JSCODE 시니
2026. 06. 13.
author
JSCODE 시니
category
Spring AI
createdAt
Jun 13, 2026 09:48 AM
isPublic
isPublic
series
실무에 바로 적용하는 Spring AI: Spring 서비스에 챗봇·RAG·MCP 도입하기
slug
understanding-ai-models
type
post
updatedAt

✅ 1. AI Models란 무엇일까?

  • AI Models의 개념은 ‘정보를 처리하고 새로운 결과물을 생성하도록 설계된 거대한 수학적 알고리즘’ 임
  • 쉽게 말해 '인간의 뇌(인지 기능)를 모방한 디지털 두뇌'
  • 사람이 눈으로 보고(입력), 머릿속으로 생각한 뒤, 입으로 말하는(출력) 과정을 컴퓨터 알고리즘으로 구현해 놓은 것
 
 
 

✅ 2. 사전 훈련 모델

  • 최근 AI가 전 세계적으로 폭발적인 인기를 끌게 된 핵심 이유가 바로 이 '사전 훈련(Pre-trained)' 개념 덕분임
  • 우리가 잘 알고 있는 GPT도 Generative Pre-trained Transformer
  • 사전 훈련이란?
    • 세상의 모든 지식(인터넷 데이터)을 AI에게 미리 다 가르쳐 놓은 상태
    • 과거에는 AI를 사용하려면 미적분 수학, 통계학, 머신러닝 모델 훈련 방법 등을 알아야 사용할 수 있었음
    • 하지만 사전 훈련 모델이 등장하면서 머신러닝 전문 지식이 하나도 없어도 API만 호출하면 AI를 일반적인 '웹 개발 도구'처럼 아주 쉽게 활용할 수 있게 됨
 
 
 

✅ 3. 데이터에 따른 4가지 주요 모델

  • 언어 모델
    • 역할 : 인간의 글(텍스트)을 읽고 이해하며, 새로운 글을 작성함. 인간의 '언어 능력'을 담당
    • 대표 예시 : GPT-4, Claude, Gemini
  • 이미지 모델
    • 역할 : 텍스트를 입력받아 새로운 그림을 그리거나, 사진을 보고 무엇인지 판별함. 인간의 ‘시각 능력’을 담당
    • 대표예시 : DALL-E 3, Midjourney, Stable Diffusion
  • 오디오 모델
    • 역할 : 사람의 목소리를 듣고 텍스트로 받아 적거나(STT), 텍스트를 사람의 자연스러운 목소리로 읽어줌(TTS). 인간의 '청각 및 발성 능력'을 담당
    • 대표 예시 : Whisper, TTS (Text-to-Speech) 모델
  • 임베딩 모델
    • 역할 : 텍스트나 이미지 데이터를 AI가 계산할 수 있는 숫자(벡터)로 변환함. 인간의 '의미 추론 능력'을 돕는 번역기 역할
    • 대표예시 : 각 AI 모델의 RAG 기술