Verifiability 학습: AI 과제를 고르는 검증 기준 | DAKER 커뮤니티

AI에게 일을 맡기기 전에 먼저 물어볼 질문이 있습니다. 이 과제는 다시 시도하고, 많이 연습하고, 자동으로 채점할 수 있나요? Verifiability 학습이란, AI가 잘할 가능성이 높은 과제를 resettable, efficient, rewardable 세 조건으로 먼저 가르는 연습입니다.

오늘 배울 것: Verifiability 학습은 무엇인가요?

Verifiability 학습은 AI 성능을 모델 이름으로만 보지 않고, 작업이 다시 시작 가능하고 빠르게 반복 가능하며 자동 보상 신호를 갖는지 확인하는 실습입니다. 작성 기준일은 2026년 8월 5일 KST이며, 외부 공식 원문은 비공개 검증으로 확인했고 공개 본문에는 DAKER 또는 DACON 링크만 남깁니다.

핵심 개념: 왜 지금 이 루프를 익혀야 하나요?

Karpathy의 Verifiability 글은 Software 2 계열 사고에서 중요한 판단 기준으로 검증 가능성을 제시합니다. DAKER 학습자에게 중요한 포인트는 AI가 잘할지 예측하기 전에 과제가 연습 가능한 환경인지 먼저 보는 것입니다. 검증 가능한 일은 AI가 많이 연습하고 바로 점수를 받을 수 있어 빠르게 좋아집니다. 반대로 전략, 취향, 현실 맥락이 많이 섞인 일은 사람이 기준과 리뷰 루프를 더 촘촘히 잡아야 합니다.

따라 해볼 실습: 어떤 순서로 시작하면 될까요?

1. 오늘 맡기려는 AI 작업을 한 문장으로 적습니다.
2. 같은 작업을 실패 후 다시 시작할 수 있는지 resettable 칸에 표시합니다.
3. 짧은 시간에 여러 번 반복할 수 있는지 efficient 칸에 표시합니다.
4. 정답, 테스트, 점수, 체크리스트처럼 자동 채점 신호가 있는지 rewardable 칸에 표시합니다.
5. 세 칸 중 비어 있는 곳은 사람 리뷰나 더 작은 실습으로 바꿉니다.

4~6컷 코믹 해설은 어떻게 보면 좋을까요?

1. 학습자가 AI에게 큰 작업을 맡기려다 세 조건 보드를 먼저 봅니다.
2. resettable, efficient, rewardable 세 게이지가 하나씩 켜집니다.
3. 검증 신호가 없는 전략 작업에는 사람 리뷰 표시가 붙습니다.
4. 테스트가 있는 코드 작업은 작은 반복 루프로 들어갑니다.
5. 학습자는 모델 이름보다 과제 구조를 먼저 설명합니다.

자주 막히는 지점: 어디서 실수하기 쉬울까요?

• 검증 신호가 없는 일을 AI에게 한 번에 넘기지 않았나요?
• 좋아 보임과 테스트 통과를 같은 성공 기준으로 섞지 않았나요?
• 실패 후 다시 시도할 수 없는 외부 상태를 먼저 분리했나요?
• 사람 판단이 필요한 부분을 명시적으로 남겼나요?

다음 학습 연결: 이어서 무엇을 보면 좋을까요?

DAKER 학습 디렉터리, 카파시식 AI 학습법, Software 2.0 학습, Karpathy 신경망 훈련 레시피 순서로 보면 Karpathy식 작은 검증 루프, 목적함수 관점, 훈련 레시피, 에이전트 검증 흐름을 이어서 확인할 수 있습니다.

공식 출처는 어디에서 확인했나요?

공식 외부 원문 Karpathy Bear blog: Verifiability은 비공개 검증 노트에만 기록했습니다. 공개 링크는 DAKER 학습 디렉터리와 확인된 DAKER 내부 글만 사용합니다.

FAQ: 자주 묻는 질문

Verifiability는 무엇을 뜻하나요?

AI가 여러 번 시도하고 결과를 확인할 수 있는 과제 구조를 뜻합니다.

검증 가능하면 무조건 자동화해도 되나요?

아닙니다. 검증 신호가 있어도 보안, 비용, 책임 기준은 사람이 정해야 합니다.

검증하기 어려운 일은 어떻게 맡기나요?

작은 하위 작업으로 나누고, 사람 리뷰가 필요한 구간을 별도로 표시하는 편이 좋습니다.

오늘 바로 할 실습은 무엇인가요?

내가 AI에게 맡길 작업 하나를 세 조건 표에 넣고 비어 있는 칸을 찾아 보세요.

오늘은 전체 방법론을 외우기보다 위 실습의 첫 번째 항목만 바로 실행하고, 확인한 결과를 한 줄로 남겨 보세요.