2nd/10_Wiki/Topics/AI/LLM Hallucinations.md

id, date, type, standard, tags

id	date	type	standard	tags
LLM-HALLUCINATION-001	2026-05-07T14:57:00.000Z	knowledge_artifact	P-Reinforce v3.0	llm hallucination ai-safety rag grounding fact-checking

LLM Hallucinations

📌 한 줄 통찰 (The Karpathy Summary)

"확률적 몽상: 대규모 언어 모델이 학습 데이터의 패턴에 기반해 문법적으로 완벽하지만 사실과는 다른 정보를 자신 있게 생성하는 현상으로, 신뢰할 수 있는 AI 시스템 구축을 위해 반드시 해결해야 할 핵심 과제."

📖 구조화된 지식 (Synthesized Content)

LLM 환각(Hallucination)은 모델이 학습한 데이터의 통계적 분포와 실제 사실 간의 괴리에서 발생하며, 다양한 형태와 원인을 가집니다.

1. 주요 원인:
   • 학습 데이터의 한계: 데이터셋에 포함된 거짓 정보, 편향, 또는 특정 주제에 대한 정보 부족이 모델의 잘못된 학습을 유도합니다.
   • 확률적 토큰 예측: 모델은 본질적으로 다음 토큰을 확률적으로 예측하므로, 사실 관계보다는 문맥적 매끄러움을 우선시할 때 환각이 발생합니다.
   • 모델 압축 및 과적합: 복잡한 지식을 유한한 파라미터에 압축하는 과정에서 정보가 왜곡되거나, 특정 패턴에 과하게 최적화될 수 있습니다.
2. 환각의 유형:
   • Intrinsic (내재적): 제공된 소스 텍스트와 모순되는 정보를 생성하는 경우.
   • Extrinsic (외재적): 소스에는 없지만 사실 여부를 확인할 수 없는 정보를 지어내는 경우.
3. 완화 전략 (Mitigation):
   • RAG (Retrieval-Augmented Generation): 외부 지식 베이스(Wiki, DB)에서 관련 문서를 검색하여 모델의 답변을 사실에 근거(Grounding)하게 합니다.
   • Chain-of-Verification (CoVe): 모델이 스스로 생성한 답변의 개별 주장을 검증하는 질문을 던지고 수정하도록 유도합니다.
   • Self-Correction & LaaJ: 다른 LLM을 검수자(Judge)로 활용하여 답변의 사실성을 교차 검증합니다.

⚖️ Trade-offs & Caveats

• 창의성 vs 사실성: 환각을 억제하기 위해 제약을 강화하면 모델의 창의적인 문장 생성 능력이 저하될 수 있는 트레이드오프가 존재합니다.
• 검증 비용: 실시간 검증 레이어를 추가할수록 추론 비용(Latency & API Cost)이 증가합니다.

🔗 지식 연결 (Graph)

• Related Topics: Large Language Models (LLM), RAG (검색 증강 생성), AI Safety, Knowledge-Grounding
• Protocols: P-Reinforce, Semantic Grounding & Provenance

---

Last updated: 2026-05-07