AI, ML, 딥러닝 — 처음 보는 분도 이해할 수 있는 완전 기초 가이드
AI, 머신러닝, 딥러닝이라는 단어를 들으면 왠지 어렵게 느껴지시나요? 사실 이 세 가지는 서로 긴밀하게 연결된 개념인데, 한 번만 제대로 잡아두면 AIF-C01 시험 문제의 상당수를 쉽게 풀 수 있습니다. 실생활 비유를 들어 하나씩 풀어드리겠습니다.
---
AI, ML, DL — 어떻게 다를까?
가장 먼저 세 개념의 관계를 잡아봅시다. 러시아 인형(마트료시카)을 떠올리면 쉽습니다. 가장 바깥 인형이 AI, 그 안에 ML, 그 안에 DL이 들어있는 구조입니다.
시험에서는 "AI와 ML은 같은 개념인가?"라고 물어보기도 합니다. 답은 NO입니다. AI가 훨씬 더 넓은 개념입니다.
---
인공지능(AI)이란?
AI는 컴퓨터가 사람처럼 생각하고 판단할 수 있도록 만드는 기술 전반을 말합니다. 체스 게임에서 이기는 프로그램, 사진에서 얼굴을 인식하는 기능, 신용카드 사기를 탐지하는 시스템 — 이 모두가 AI입니다.
AI 시스템이 하는 일을 크게 나누면 다음과 같습니다.
| 능력 | 쉬운 설명 | |---|---| | 인식 (Perception) | 이미지나 소리를 "보고 듣는" 능력 | | 추론 (Reasoning) | 정보를 바탕으로 결론을 내리는 능력 | | 학습 (Learning) | 경험을 통해 점점 나아지는 능력 | | 문제 해결 (Problem Solving) | 목표를 달성하기 위한 방법을 찾는 능력 | | 의사결정 (Decision Making) | 여러 선택지 중 하나를 고르는 능력 |
---
머신러닝(ML)이란?
"기계가 배운다"는 뜻입니다. 전통 프로그래밍과 ML의 차이를 비유로 설명하겠습니다.
전통 프로그래밍: 요리사가 레시피를 직접 적어서 줍니다. 컴퓨터는 레시피대로만 만듭니다. 머신러닝: 요리사가 수천 가지 음식을 보여줍니다. 컴퓨터가 스스로 맛있는 음식의 패턴을 파악해서 새로운 레시피를 만들어냅니다.
즉, ML은 "규칙을 직접 쓰는 대신, 데이터로부터 규칙을 스스로 발견"하는 방식입니다.
---
딥러닝(DL)이란?
딥러닝은 ML의 한 방법인데, 인간의 뇌 신경망 구조에서 영감을 받았습니다. 뇌의 뉴런처럼 수많은 계층(레이어)을 쌓아서 아주 복잡한 패턴을 학습합니다.
딥러닝이 잘 쓰이는 분야는 다음과 같습니다.
이미지 인식 (사진 속 고양이/개 구분) 음성 인식 (Siri, Google Assistant) 자연어 처리 (번역, 요약, 챗봇)
딥러닝은 데이터가 아주 많을수록, GPU가 있을수록 잘 작동합니다.
---
신경망(Neural Network)의 구조
신경망은 세 층으로 나뉩니다. 공장 조립 라인으로 비유하면 이해하기 쉽습니다.
| 층 | 역할 | 비유 | |---|---|---| | 입력층 (Input Layer) | 원자재(데이터)를 받아들임 | 재료 입고 창고 | | 은닉층 (Hidden Layers) | 가공·변환·패턴 추출 | 조립 라인 | | 출력층 (Output Layer) | 최종 결과(분류/예측) 출력 | 완성품 출하 |
은닉층이 많을수록 "깊은(Deep)" 네트워크가 되어 더 복잡한 패턴을 학습할 수 있습니다. 현대 AI 모델은 수십억 개의 노드를 가지기도 합니다.
---
생성형 AI(Generative AI)란?
생성형 AI는 기존에 있던 것을 단순히 분류하거나 예측하는 게 아니라, 새로운 콘텐츠를 직접 만들어냅니다. 마치 음악을 수천 곡 들은 작곡가가 새로운 곡을 쓰는 것처럼요.
텍스트 생성: ChatGPT 이미지 생성: Stable Diffusion, DALL-E 코드 생성: GitHub Copilot
---
트랜스포머와 LLM — 현대 AI의 핵심
트랜스포머는 현재 대부분의 대형 AI 모델(LLM)에 사용되는 구조입니다. 핵심 차이는 "순서대로 처리"하는 기존 방식(RNN)과 달리 "전체를 한꺼번에" 처리한다는 점입니다.
책을 읽는 방법으로 비유하면 이렇습니다.
RNN 방식: 첫 줄 읽고, 두 번째 줄 읽고, 세 번째 줄 읽고... 트랜스포머 방식: 전체 페이지를 한 번에 훑으며 중요한 단어들 간의 관계를 파악
트랜스포머의 핵심 기능인 "어텐션(Attention)"은 문장 내에서 어떤 단어가 다른 단어와 얼마나 관련 있는지를 계산합니다. 예를 들어 "은행에 갔다"에서 '은행'이 '강변'인지 '금융기관'인지를 문맥으로 파악합니다.
대표 모델로는 Google의 BERT(양방향 처리)와 OpenAI의 GPT 시리즈가 있습니다.
---
확산 모델(Diffusion Models) — 이미지 생성의 원리
확산 모델은 이미지 생성에 많이 쓰이는 방법입니다. 동작 원리는 두 단계입니다.
순방향: 깨끗한 이미지에 점점 노이즈(잡음)를 추가해서 완전히 흐릿하게 만듭니다. 역방향: 완전히 흐릿한 상태에서 시작해서 노이즈를 조금씩 제거하며 그럴듯한 이미지를 만들어냅니다.
지우개로 사진을 조금씩 지워가는 과정을 학습시키고, 반대로 재현하는 것이라고 생각하면 됩니다.
---
학습 유형 총정리
지도 학습 (Supervised Learning)
정답이 있는 데이터로 학습합니다. 예: 고양이/개 사진에 "고양이", "개" 라벨을 달아두고 학습.
출력 유형은 두 가지입니다. 회귀(Regression): 숫자 예측 (집값, 기온) 분류(Classification): 카테고리 분류 (스팸/정상, 동물 종류)
데이터 분할 방법을 아는 것도 중요합니다.
| 데이터셋 | 비율 | 목적 | |---|---|---| | 훈련 세트 | 60~80% | 모델 학습 | | 검증 세트 | 10~20% | 하이퍼파라미터 조정 | | 테스트 세트 | 10~20% | 최종 성능 측정 |
비지도 학습 (Unsupervised Learning)