1. 데이터셋 (교과서와 문제집)
   단순한 교과서라기보다는 **’정답지가 있는 방대한 문제집(Labeled Data)’**에 가깝습니다.
   예를 들어, 자동차 번호판 인식을 공부한다고 할 때, 수많은 자동차 사진(문제)과 함께 “이 영역은 ‘서울’, 이 영역은 ‘가’, 이 영역은 ‘1’”과 같이 숫자, 문자, 지역 등을 포함한 총 111개의 클래스에 대한 정답(라벨링)이 꼼꼼하게 달려있는 자료가 바로 데이터셋입니다. 문제집에 오타가 없고 질이 좋아야 모델이 똑똑하게 공부할 수 있습니다.
2. 학습 / Training (공부 및 오답 노트 과정)
   AI의 학습은 단순히 책을 한 번 훑어보는 것이 아니라, 문제를 풀고 정답지와 맞춰본 뒤 틀린 부분을 수정하는 과정의 무한 반복입니다. 고성능 GPU 등을 활용해 이 방대한 문제집을 수십, 수백 번 반복해서 풀며 정답과 자신의 예측값 사이의 차이(Loss)를 줄여나가는 매우 고된 훈련 과정입니다.
3. AI 모델 (공부로 얻은 지식 체계)
   학습이 성공적으로 끝난 후 남은 결과물입니다. 실물 형태가 있는 것은 아니며, 수학적으로는 가장 최적화된 수많은 ‘가중치(Weight)’들의 집합으로 이루어진 파일입니다. 이제 이 모델은 처음 보는 유사한 문제의 패턴도 유추할 수 있는 지식 체계를 갖추게 되었습니다.
4. 추론 / Inference (실전 시험 및 현장 투입)
   완성된 지식(모델)을 가지고 실전에 투입되어 문제를 푸는 과정입니다. 예를 들어, CatchCam처럼 현장에 설치된 엣지 디바이스(NPU) 안에서 카메라로 들어오는 실시간 영상을 보고, 0.1초도 안 되는 찰나의 순간에 “저건 화재 연기다!” 혹은 “저 번호판의 글자는 ‘가’다!”라고 인지하고 판단하는 것이 바로 추론입니다. 이 단계에서는 더 이상 공부(가중치 업데이트)를 하지 않고, 오직 빠르고 정확하게 배운 것을 써먹는 데 집중합니다.

**”데이터셋은 정답이 있는 문제집이고, 학습은 오답 노트를 통한 반복 훈련이며, 추론은 학습된 모델을 엣지 온디바이스 등에 올려 실시간으로 써먹는 실전”**