용어집

📍 빠른 참고: 이 페이지는 책 전체를 위한 휴대용 사전입니다. 되풀이되는 모든 ML·AI 용어를 쉬운 말로 풀었으니, 즐겨찾기 해 두고 어떤 단어가 헷갈릴 때마다 언제든 다시 찾아오세요.

머신러닝에는 고유한 언어가 있고, 그것을 살아 있고 규제받는 공정에 적용하면 그 위에 두 번째 언어가 더해집니다. 이 책에서 가장 중요한 용어들을 쉬운 말로 정리했고, 찾기 쉽도록 영어 단어 기준으로 알파벳 순서로 나열했습니다(영어 단어 기준이라 한국어 가나다순과는 다릅니다). 각 항목은 평이한 말로 된 출발점이며, 연결된 장에서 완전하고 정확한 그림을 볼 수 있습니다.

ALCOA+ — 규제기관이 기대하는 데이터 무결성 표준입니다. 데이터는 귀속 가능(Attributable)·판독 가능(Legible)·동시 기록(Contemporaneous)·원본(Original)·정확(Accurate)해야 하고, 거기에 완전(Complete)·일관(Consistent)·영속(Enduring)·이용 가능(Available)해야 합니다. 모델은 자신이 학습한 데이터만큼만 신뢰할 수 있으므로, ALCOA+를 통과하지 못한 데이터셋은 모델이 아무리 좋아 보여도 채택될 수 없습니다. (데이터, 그 연료 장 참조.)

적용 가능 영역(Applicability domain, AD) — 새 입력이 모델이 훈련받은 데이터와 닮기라도 했는지 묻는 안전 관문입니다. 입력이 그 영역 밖으로 너무 멀리 벗어나면, 모델은 자신만만하게 추측하는 대신 자기 예측을 믿기를 거부합니다. (모델과 검증 장 참조.)

베이즈 최적화(Bayesian optimization, BO) — 지금까지 수행한 실험에 모델(보통 가우시안 과정)을 맞춘 뒤, 결과를 개선할 가능성이 가장 큰 다음 실험을 고르는 똑똑한 탐색입니다. 고정된 격자에서 모든 설정을 시험하는 것보다 훨씬 적은 횟수로 좋은 답에 도달합니다. (공정 개발 장 참조.)

편향-분산 트레이드오프(Bias-variance trade-off) — 작은 데이터에서 더 단순한 모델이 흔히 이기는 통계적 이유입니다. 매우 유연한 모델은 편향은 낮지만 분산이 높고(잡음을 좇아 크게 흔들림), 경직된 모델은 편향이 높지만 분산이 낮은데, 배치가 몇 개뿐일 때는 분산이 오차를 지배합니다. (모델과 검증 장 참조.)

챔피언/챌린저(Champion/challenger) — 배포된 모델을 안전하게 교체하는 방법입니다. 옛 모델(챔피언)이 여전히 공장을 돌리는 동안 새 후보(챌린저)를 실제 입력에 대해 섀도로 돌리고, 둘 다 같은 정답(ground truth)에 채점한 뒤, 챌린저가 진짜로 이길 때만 승격시킵니다. 학습은 잠긴 버전들 사이에서 일어나며, 한 버전 안에서는 결코 일어나지 않습니다. (MLOps와 생애주기 장 참조.)

콜드스타트(Cold start, 콜드스타트 문제) — 느리고 비싼 기준 측정이 하루에 한두 번 정도로만 이뤄지는 주기로, 모델이 얼마나 빨리 배우고 표류를 얼마나 늦게 잡는지를 제한합니다. 희소한 자원은 값싼 특징 행의 홍수가 아니라 레이블입니다. (데이터, 그 연료 장 참조.)

개념 표류(Concept drift) — 모델이 학습한 관계 자체가 바뀌어, 같은 입력이 이제 다른 답을 함의하게 되는 것입니다(세포주가 적응하거나 공급 전략이 바뀜). 입력은 완벽히 정상으로 보이는데 예측만 조용히 어긋날 수 있어 위험한 종류입니다. (MLOps와 생애주기 장 참조.)

맥락화(Contextualization) — 원시 숫자에 정체성(어느 배치, 어느 태그, 어느 단위, 어느 타임스탬프, 어느 품질 플래그)을 붙여 시스템들 사이에서 연결되고 쓸 만한 특징이 되게 하는 일입니다. 그것이 무엇인지 알기 전까지 숫자는 아무 의미가 없습니다. (데이터, 그 연료 장 참조.)

핵심공정변수(CPP, Critical Process Parameter) — 공급 속도, 온도, pH처럼 모델이 특징으로 쓸 수 있는, 제어 가능한 공정 입력입니다. 측정된 제품 속성인 CQA와 대비됩니다. (하이브리드 모델과 디지털 트윈 장 참조.)

핵심품질특성(CQA, Critical Quality Attribute) — 배치가 출하되려면 안전 범위 안에 머물러야 하는, 측정 가능한 의약품의 성질입니다(숙주세포단백질이나 SEC 단량체 등). 모델이 CQA를 건드리는지 여부가 그 모델을 얼마나 엄격하게 관리해야 하는지를 결정합니다. (학습 문제 장 참조.)

교차 검증(Cross-validation) — 데이터의 어느 조각(폴드)을 시험용으로 빼 둘지 돌려가며 점수를 평균 내어 희소한 데이터를 효율적으로 쓰는 방법입니다. 바이오공정에서는 폴드를 무작위로 쪼개지 말고 반드시 배치 단위로 묶어야 합니다. (데이터, 그 연료 장 참조.)

데이터 누출(Data leakage) — 시험 집합의 정보가 훈련에 슬쩍 새어 들어오는 모든 경로로, 보고된 점수를 실제보다 좋게 만듭니다. 바이오공정에서는 행 단위 분할, 시간적 누출, 표적 누출, 분할 이전의 스케일링 형태로 나타나며, 이 분야에서 가장 흔한 검증 실수입니다. (데이터, 그 연료 장 참조.)

데이터 준비도(Data readiness) — 모델을 훈련할 만큼 데이터가 접근 가능하고, 연결되어 있고, 잘 기술되어 있고, 신뢰할 만한 상태입니다. 첫 번째 장벽이자, 어떤 실제 프로젝트에서든 화려하지 않은 작업 대부분을 차지합니다. (데이터, 그 연료 장 참조.)

데모-공장 간극(Demo-to-plant gap) — 잘 꾸민 시연에서 눈부신 모델과 GMP 아래 매 교대마다 무인으로 돌아가는 모델 사이의 구조적 거리입니다. 설문조사는 이를 AI/ML의 "파일럿은 가장 많고, 규모 확대는 가장 적은" 양상으로 측정합니다. (학습 문제 장 참조.)

일탈/CAPA(Deviation / CAPA) — 절차에서 벗어난 기록(일탈)과 그것을 해결하는 시정·예방 조치(Corrective And Preventive Action)입니다. 언어 모델이 분류·검색·초안 작성에 가장 많이 쓰이는 자유 텍스트 기록입니다. (생성형 AI와 LLM 장 참조.)

개발성(Developability) — 후보 항체가 실제로 제조되고 투여될 수 있는지를 좌우하는 성질들의 묶음입니다(응집, 점도, 안정성, 화학적 취약 모티프, 면역원성). 단백질이 실제로 존재하기 몇 년 전에 서열로부터 예측합니다. (분자 발견 장 참조.)

디지털 트윈(Digital twin) — 실시간 공장 데이터에 연결된 모델(보통 하이브리드)로, 실제 자산을 실시간으로 추적하며 소프트 센싱·제어·가정(what-if) 시뮬레이션에 쓰입니다. GMP 아래에서는 일정에 따라 재검증되며, 조용히 계속 학습하도록 허용되지 않습니다. (하이브리드 모델과 디지털 트윈 장 참조.)

표류(Drift, 모델 표류) — 모델이 검증 시점에 얼어붙힌 관계와 세상이 이제 따르는 관계 사이의 점진적 괴리입니다. 변하는 하드웨어 위에서 살아 있는 공정을 지켜보는 정적 모델의 기본 궤적입니다. (MLOps와 생애주기 장 참조.)

증거 등급(Evidence tier) — 어떤 주장 뒤의 증거가 얼마나 좋은지를 나타내는 네 단 사다리입니다. 보도자료에만 근거, 벤더 자체 보고, 동료 심사를 거친 자체 저술, 동료 심사를 거친 독립 검증(사실 바닥으로, 이 단 이상에서만 숫자를 확립된 사실로 진술할 수 있음)입니다. (학습 문제 장 참조.)

FAIR — 찾을 수 있고(Findable), 접근 가능하고(Accessible), 상호운용 가능하고(Interoperable), 재사용 가능한(Reusable): 기계가 위치를 찾아 쓸 수 있는 데이터를 위한 네 가지 원칙입니다. 두 공장이 같은 것을 서로 다른 이름과 단위로 기록할 때 가장 흔히 빠지는 것이 바로 상호운용성입니다. (데이터, 그 연료 장 참조.)

특징(Feature) — 모델이 학습하는 입력입니다. 라만 채널, 온도 판독값, 서열 모티프 개수 등이며, 특징은 값싸고 풍부하기에 그 단순한 개수는 모델이 실제로 아는 양에 대해 오해를 부릅니다. (데이터, 그 연료 장 참조.)

파운데이션 모델(Foundation model) — 엄청난 양의 데이터로 사전 훈련되어 새 과제가 콜드스타트가 아니라 강한 사전 지식에서 출발하게 하는 매우 큰 모델입니다. 바이오공정에서는 비교 가능하고 공유 가능한 배치 데이터가 거의 없어 대체로 희망 사항에 머뭅니다. (최전선 장 참조.)

가우시안 과정(Gaussian process, GP) — 예측값뿐 아니라 모든 지점에서 보정된 불확실성을 함께 돌려주는 모델로, 데이터가 있는 곳에서는 좁고 없는 곳에서는 넓습니다. 더 정교한 모델이 희소한 데이터에 바로 들어맞는 드문 경우입니다. (모델과 검증 장 참조.)

생성형 AI(Generative AI) — 분류나 채점만 하는 게 아니라 새 콘텐츠(텍스트, 서열)를 만들어 내는 모델입니다. 초안 작성과 설계에 강력하지만, 초안 Annex 22 아래에서 핵심 GMP 결정에서는 배제됩니다. (생성형 AI와 LLM 장 참조.)

골든 배치(Golden batch) — 깨끗하고 목표에 맞는 기준 운전으로, 그 건강한 다변량 지문이 "정상"을 정의합니다. 새 운전은 그것에 견주어 채점되고, 골든 배치 영역에서 벗어난 배치는 표시됩니다. (QC와 출하 장 참조.)

GMP / GxP / cGMP — GMP(우수제조관리기준)는 의약품을 어떻게 만드는지에 대한 법적 구속력이 있는 규칙 집합이고, GxP는 "Good x Practice" 계열 전체를 아우르는 우산이며, cGMP는 FDA의 "현행(current)" GMP입니다. GMP 결정에 쓰이는 데이터와 모델은 높은 기준을 충족해야 합니다. (학습 문제 장 참조.)

GroupKFold / 배치 단위 leave-one-out(GroupKFold / leave-one-batch-out) — 한 배치의 모든 행을 분할의 한쪽에만 온전히 두는 배치 인식 교차 검증으로, 빼 둔 배치가 진짜로 처음 보는 것이 되어 보고된 점수가 정직해집니다. (데이터, 그 연료 장 참조.)

환각(Hallucination) — 언어 모델이 내놓는, 유창하고 자신만만하지만 그냥 틀린 출력입니다. 규제 환경에서 생성형 AI의 핵심 위험으로, 모델을 실제 문서에 근거하게 하고 사람 검토자를 두면 줄일(결코 없앨 수는 없는) 수 있습니다. (생성형 AI와 LLM 장 참조.)

호텔링 T² / SPE(Hotelling's T² / SPE) — 두 가지 모니터링 한계입니다. T²는 배치가 정상 패턴 안쪽으로 얼마나 깊이 있는지를 재고, SPE(제곱 예측 오차)는 모델이 배치 중 도무지 설명하지 못하는 양을 잽니다. 큰 SPE는 모델이 한 번도 본 적 없는 무언가를 표시합니다. (QC와 출하 장 참조.)

휴먼 인 더 루프(Human-in-the-loop) — 자격 있는 사람이 모델의 출력을 검토하고 서명한다는 규율(이제는 규제 기대이기도 함)입니다. 모델은 작업을 가속하지만 핵심 결정을 내리지는 결코 않습니다. (생성형 AI와 LLM 장 참조.)

하이브리드 모델(그레이박스)(Hybrid model, grey-box) — 이미 신뢰하는 방정식(물질 수지, 반응속도론 — 기계론적, 즉 화이트박스 골격)은 그대로 두고, 우리가 적어 낼 수 없는 부분만 머신러닝에 맡기는 모델입니다. 물리가 희소한 데이터가 못 하는 일을 해 주기 때문에 바이오공정에서 지배적인 패러다임입니다. (하이브리드 모델과 디지털 트윈 장 참조.)

IRI(국제화 자원 식별자, Internationalized Resource Identifier) — 개념에 붙이는 전역적이고 웹 방식의 이름입니다. 깨지기 쉬운 컬럼 이름 대신 IRI로 특징을 끌어오면, 상류 시스템이 태그 이름을 바꿔도 모델이 조용히 망가지지 않습니다. (데이터, 그 연료 장 참조.)

레이블(표적)(Label, target) — 모델이 예측하도록 훈련받는 답입니다. 역가, 합격/불합격, 로그 감소값 등이며, 바이오공정에서 레이블은 느리고 비싸고 희소해서, 특징이 아니라 레이블이 진정한 구속 제약이 됩니다. (데이터, 그 연료 장 참조.)

대규모 언어 모델(Large language model, LLM) — 방대한 텍스트로 훈련되어 유창한 자연어를 읽고 생성하는 신경망 모델입니다. 2023–2026년 물결의 일탈/CAPA 코파일럿과 문서 보조 도구의 엔진입니다. (생성형 AI와 LLM 장 참조.)

잠긴 모델(Locked model) — 생산 사용을 위해 얼린 모델입니다(가중치, 전처리, 스케일러, 운영 범위가 모두 버전 고정되어 그 자리에서 바꿀 수 없음). 핵심 응용에 대해 초안 Annex 22가 허용하는 유일한 패턴입니다. (MLOps와 생애주기 장 참조.)

성숙도 사다리(Maturity ladder) — 한 배포가 실제로 얼마나 멀리 갔는지를 나타내는 세 단 라벨입니다. (production) 실제 GMP 공장에서 가동 중, (pilot) 규모로 시연했으나 일상 사용은 아님, (research) 논문이나 실험실 결과입니다. (학습 문제 장 참조.)

MLOps — 생산에서 모델을 배포·모니터링·재훈련·관리하는 운영 규율입니다. GMP 아래에서는 다른 모든 곳에서 쓰는 지속적 배포가 아니라 검증 생애주기가 지배합니다. (MLOps와 생애주기 장 참조.)

MSPC(다변량 통계적 공정 관리, Multivariate Statistical Process Control) — 수십 개의 공정 신호를 하나씩이 아니라 함께 지켜보며, PCA/PLS로 건강한 배치를 지문화하고 벗어나는 새 운전을 표시하는 방법입니다. 업계에서 가장 철저히 배포된 학습 방법입니다. (QC와 출하 장 참조.)

비정상성(Non-stationarity) — 시간이 지나며 공정이 모델 아래에서 움직이는 것입니다(세포가 표류하고, 수지가 노화하고, 원자재 로트가 바뀜). 그래서 이번 분기에 좋던 보정이 다음 분기에 쇠퇴할 수 있으며, 모델이 결코 "완성"되지 않는 이유입니다. (학습 문제 장 참조.)

OOS(규격 이탈, Out-Of-Specification) — 허용 범위를 벗어난 측정 결과입니다. 출하 CQA의 OOS는 배치가 거부됨을 뜻하고, 느린 분석이 확인하기 전에 OOS를 예측하는 것은 핵심적인 분류 과제입니다. (QC와 출하 장 참조.)

과적합(Overfitting) — 유연한 모델이 진짜 관계 대신 몇 안 되는 훈련 사례의 잡음과 특이성을 외워 버리는 것으로, 훈련에서는 눈부시지만 진짜로 새로운 다음 운전에서는 실패합니다. 작은 데이터 영역에서 늘 도사리는 위험입니다. (모델과 검증 장 참조.)

PCCP(사전 결정된 변경 관리 계획, Predetermined Change Control Plan) — 잠긴 모델을 어떻게 재훈련하고 갱신할 수 있는지 미리 승인받아 문서화한 규격입니다. 그래서 계획의 영역 안에서의 재훈련은 새로운 규제 협상이 아니라 계획되고 문서화된 사건이 됩니다. (MLOps와 생애주기 장 참조.)

PINN(물리 정보 신경망, Physics-Informed Neural Network) — 지배 방정식을 구조적으로 강제하는 대신 손실에 부드러운 페널티로 실어 나르는 신경망입니다. 물리를 따르도록 떠밀리지만 강제되지는 않아, 훈련 범위 밖으로 밀려나면 진짜 하이브리드보다 약합니다. (하이브리드 모델과 디지털 트윈 장 참조.)

PLS(부분최소제곱, Partial Least Squares) — 작은 데이터의 일꾼입니다. 상관된 많은 입력(701개 라만 채널 같은)을 표적을 예측하도록 고른 소수의 잠재 성분으로 압축하는 선형 방법으로, 심층망은 줄 수 없는 해석 가능한 계수와 VIP 점수를 검토자에게 건넵니다. (모델과 검증 장 참조.)

PCA(주성분 분석, Principal Component Analysis) — PLS의 비지도 사촌으로, 상관된 많은 측정값을 분산이 가장 큰 소수의 방향으로 압축합니다. MSPC 골든 배치 모니터링과 그 T²/SPE 차트의 엔진입니다. (모델과 검증 장 참조.)

단백질 언어 모델(Protein language model, PLM) — 수억 개의 자연 단백질 서열로 훈련된 모델입니다. 서열 "자연스러움" 점수와 전이 가능한 임베딩을 제공해, 작은 레이블 데이터셋이 손으로 만든 특징보다 개발성을 더 잘 예측하게 합니다. (분자 발견 장 참조.)

PSI(인구 안정성 지수, Population Stability Index) — 모델의 입력 분포가 훈련 분포에서 얼마나 멀어졌는지를 재는, 레이블이 필요 없는 지표입니다. 느린 기준 데이터가 오류를 확인하기 전에 발화하는 선행 표류 지표지만, 공정 고유의 정상적인 배치 간 변동에 맞춰 조정해야 합니다. (MLOps와 생애주기 장 참조.)

R²(결정 계수, coefficient of determination) — 1.0이 완벽, 0이 늘 평균을 추측하는 것과 다를 바 없음, 음수가 그보다 나쁨을 뜻하는 적합도 점수입니다. 주된 회귀 지표이자, 누출된 분할이 부풀리는 바로 그 숫자입니다. (학습 문제 장 참조.)

RAG(검색 증강 생성, Retrieval-Augmented Generation) — 회사 자체의 검증된 문서를 검색하는 검색기를, 오직 그 문서에서만 인용과 함께 답하라고 지시받은 언어 모델과 짝지은 것입니다. LLM을 GMP에서 쓸 만하고 감사 가능하게 만드는 아키텍처입니다. (생성형 AI와 LLM 장 참조.)

강화 학습(Reinforcement learning, RL) — 시행과 피드백으로 제어 정책을 학습하는 것입니다. 데이터를 크게 잡아먹기로 유명해서, 물리 기반 모델 예측 제어가 핵심 경로를 지배하고 공급 정책을 배우자고 수천 배치를 망칠 수는 없는 바이오공정에서는 대체로 미뤄져 있습니다. (학습 문제 장 참조.)

운전 간 변동성(Run-to-run variability) — 배치가 독립적이지도 동일하지도 않다는 생물학적 현실입니다(자매 운전은 세포 은행, 배지 로트, 작업자를 공유함). 이것이 교과서적 "독립 동일 분포(i.i.d.)" 가정을 깨뜨려 배치 전체 단위 분할을 강제합니다. (학습 문제 장 참조.)

SHACL(형상 제약 언어, Shapes Constraint Language) — 데이터 그래프가 필요한 모든 값을 존재하게, 또 범위 안에 갖추었는지 검사하는 닫힌 세계 규칙 언어입니다. 한 로트의 출하 여부를 결정하는 바로 그 출하 관문 형상을 재사용해, 어느 행이 훈련에 적합한지를 거를 수 있습니다. (데이터, 그 연료 장 참조.)

작은 데이터 천장(Small-data ceiling) — 바이오공정 ML의 구속 제약입니다. 수백만이 아니라 수십 번의 비싼 운전에서 배우므로, 하이브리드 모델·전이 학습·사전 지식이 더 큰 신경망을 이기고 더 깊은 모델은 대개 도움이 되지 않습니다. (학습 문제 장 참조.)

SNV(표준 정규 변량, Standard Normal Variate) — 산란 차이를 상쇄하는, 스펙트럼별 중심화와 스케일링입니다. 행마다 따로 계산되고 다른 어떤 스펙트럼도 들여다보지 않으므로 구조적으로 누출이 없습니다. (데이터, 그 연료 장 참조.)

소프트 센서(Soft sensor) — 느리고 비싼 오프라인 측정(역가, 글루코스, 락테이트)을, 기준 시료 사이사이에 값싼 인라인 신호(라만 스펙트럼)로부터 실시간으로 추론하는 모델입니다. 이 책의 핵심 모델 객체입니다. (생산 바이오리액터 장 참조.)

지도 학습(Supervised learning) — 레이블된 사례로부터 함수를 맞추는 것입니다. 회귀는 연속적인 숫자(소프트 센서)를 예측하고, 분류는 이산 레이블(비전 검사, OOS 예측)을 예측합니다. (학습 문제 장 참조.)

표적 누출(Target leakage) — 사실은 답의 대역이거나 예측 시점에는 존재하지 않을 특징으로, 시험에서 점수를 부풀린 뒤 생산에서 사라집니다. 해법은 모든 특징이 예측 순간보다 엄격히 먼저 계산될 수 있어야 한다는 것입니다. (데이터, 그 연료 장 참조.)

역가(Titer) — 배양액 속 항체 제품의 농도로, 리터당 그램으로 잽니다. 소프트 센서의 주된 예측 표적이자 이 책 전반에 되풀이되는 양입니다. (생산 바이오리액터 장 참조.)

훈련/검증/시험 분할(Train/validation/test split) — 데이터를 모델이 학습하는 부분, 모델을 조정하는 데 쓰는 부분, 한 번도 보지 못한 데이터로 채점하려고 빼 두는 부분으로 나누는 것입니다. 바이오공정에서는 분할이 배치 전체를 빼 두어야 하며, 그렇지 않으면 점수는 허구입니다. (데이터, 그 연료 장 참조.)

전이 학습(Transfer learning) — 한 과제나 장비에서 훈련된 모델이나 표현을 관련된 다른 곳으로 옮겨 작은 레이블 집합이 더 멀리 가게 하는 것입니다. 핵심적인 작은 데이터 우회책이지만 그 자체로는 깨지기 쉽습니다(소프트 센서를 두 번째 프로브로 순진하게 옮기면 무너질 수 있음). (학습 문제 장 참조.)

트랜스포머(Transformer) — 대규모 언어 모델 뒤에 있는 어텐션 기반 아키텍처입니다. 짧고 희소한 바이오공정 시계열에서는 대체로 연구 수준이지만, 서열과 텍스트(단백질 설계, 문서 코파일럿)에서는 진짜로 제 자리를 얻습니다. (모델과 검증 장 참조.)

불확실성 정량화(Uncertainty quantification) — 맨 숫자 대신 예측에 정직한 폭(구간이나 보정된 확률)을 붙이는 것입니다. 품질 부서는 점 추정이 아니라 "값이 적어도 4.1이다"나 "확률 0.93으로 합격한다"에 따라 행동합니다. (모델과 검증 장 참조.)

비지도 학습(Unsupervised learning) — 레이블된 답 없이 "정상"의 형태를 학습하는 것입니다. 바이오공정에서는 좋은 배치들의 라이브러리만으로 영역을 정의하는 MSPC 골든 배치 모니터링과 이상 탐지가 여기에 해당합니다. (학습 문제 장 참조.)

검증의 역설(Validation paradox) — 잠기고 입증된 모델을 요구하는 GMP와, 배우면서 변하는 머신러닝의 본성 사이의 구조적 긴장입니다. 오늘날에는 지속적으로 학습하는 모델을 검증하는 대신 잠금 후 재학습(동결·모니터링·변경 관리 아래 오프라인 재훈련)으로 다룹니다. (MLOps와 생애주기 장 참조.)

VCD(생존 세포 밀도, Viable Cell Density) — 단위 부피당 살아 있는 세포의 수입니다. 깨끗한 라만 대역이 없어 라만 VCD 모델이 잘 전이되지 않으므로, 소프트 센서 계열의 약점으로 꼽힙니다. (학습 문제 장 참조.)

어떤 용어가 아직 흐릿하게 느껴진다면, 그 용어가 사는 챕터로 되돌아가 보세요. 맥락 속에서 훨씬 잘 이해될 것입니다.