AI와 ML, 도대체 무슨 차이가 있나요?
뉴스에서 AI, 머신러닝, 딥러닝이라는 단어를 자주 접하지만 정확히 뭐가 다른지 헷갈리시죠? 간단한 비유로 시작해 봅시다.
러시아 인형(마트료시카)을 떠올려 보세요. 큰 인형 안에 작은 인형이 들어 있습니다.
가장 큰 인형 = AI (인공지능): 사람처럼 생각하고 행동하는 모든 기술의 총칭 그 안의 인형 = ML (머신러닝): AI를 구현하는 방법 중 하나로, 데이터에서 패턴을 학습 가장 작은 인형 = DL (딥러닝): ML의 한 종류로, 뇌의 신경망 구조를 모방한 알고리즘
이 세 개념의 관계를 이해하면 시험 문제의 절반은 맞출 수 있습니다.
!AI ⊃ ML ⊃ DL, 포함 관계로 보는 계층 구조
AI, ML, DL의 핵심 개념 정리
AI (Artificial Intelligence, 인공지능)
AI는 컴퓨터가 인간의 지적 능력(추론, 학습, 문제 해결, 언어 이해 등)을 모방하도록 만든 모든 기술을 포함합니다.
좁은 AI (Narrow AI): 특정 작업 하나만 잘 하는 AI (예: 체스 AI, 얼굴 인식 시스템) 일반 AI (General AI): 사람처럼 다양한 작업을 수행할 수 있는 AI — 현재는 이론 단계 AI가 할 수 있는 일: 분류, 예측, 생성, 추천, 번역, 요약, 음성 인식 등
ML (Machine Learning, 머신러닝)
ML은 "명시적으로 프로그래밍하지 않아도 데이터에서 스스로 학습하는 시스템"입니다.
전통적인 프로그래밍 방식: 개발자가 규칙을 직접 코딩 → 컴퓨터가 규칙에 따라 실행
머신러닝 방식: 많은 데이터를 주면 → 컴퓨터가 스스로 규칙(패턴)을 학습
비유: 아이에게 "강아지는 네 발, 털, 짖는 소리가 있다"고 규칙을 설명하는 대신, 수천 장의 강아지 사진을 보여주면 스스로 강아지를 알아보는 것이 ML입니다.
ML의 세 가지 학습 방식:
| 학습 방식 | 설명 | 예시 | |---|---|---| | 지도 학습 (Supervised) | 정답이 있는 데이터로 학습 | 스팸 메일 분류, 집값 예측 | | 비지도 학습 (Unsupervised) | 정답 없이 패턴 발견 | 고객 세분화, 이상 탐지 | | 강화 학습 (Reinforcement) | 보상을 통해 행동을 개선 | 게임 AI, 로봇 제어 |
DL (Deep Learning, 딥러닝)
딥러닝은 인간의 뇌 신경망을 모방한 "인공 신경망"을 여러 층(레이어)으로 쌓아 만든 ML 알고리즘입니다.
왜 "딥(Deep)"이냐고요? 신경망 레이어가 깊게(많이) 쌓여 있어서입니다.
딥러닝이 특히 잘 하는 것: 이미지 인식 (얼굴, 물체, 의료 영상) 자연어 처리 (번역, 요약, 감정 분석) 음성 인식 영상 분석
딥러닝이 필요한 이유: 일반 ML 알고리즘으로는 이미지 속 고양이와 강아지를 구분하기 어렵지만, 딥러닝은 수백만 개의 픽셀 패턴을 학습해 높은 정확도를 달성합니다.
---
모델 학습과 추론의 차이
시험에 자주 나오는 개념입니다.
학습(Training)
AI 모델이 데이터에서 패턴을 배우는 단계 많은 컴퓨팅 자원(GPU)과 시간이 필요 결과물: 학습된 모델(파라미터 집합) 비유: 요리사가 수백 가지 요리를 연습하며 실력을 쌓는 것
추론(Inference)
학습된 모델을 사용해 새로운 데이터에 예측을 수행하는 단계 학습보다 훨씬 빠르고 자원이 적게 필요 비유: 실력을 갖춘 요리사가 손님에게 요리를 내어주는 것
| 구분 | 학습 | 추론 | |---|---|---| | 목적 | 패턴 학습 | 예측 수행 | | 자원 | 많이 필요 (GPU) | 상대적으로 적음 | | 시간 | 시간이 걸림 | 빠름 (실시간 가능) | | AWS 도구 | SageMaker Training | SageMaker Endpoint |
---
중요한 ML 용어 정리
시험에서 반드시 알아야 할 기술 용어를 쉽게 설명합니다.
피처(Feature)
모델 학습에 사용되는 입력 데이터의 각 항목. 예를 들어 집값 예측 모델에서 피처는 "방 개수", "면적", "위치" 등입니다.
레이블(Label)
지도 학습에서 정답 값. 집값 예측에서 실제 집값이 레이블입니다.
과적합(Overfitting)
모델이 훈련 데이터에만 너무 잘 맞춰져서 새로운 데이터에는 잘 작동하지 않는 문제. 비유: 시험 문제만 외워서 응용 문제를 못 푸는 학생처럼.
과소적합(Underfitting)
모델이 너무 단순해서 훈련 데이터조차 제대로 학습하지 못한 상태.
하이퍼파라미터(Hyperparameter)
학습 시작 전에 사람이 설정하는 값 (학습률, 반복 횟수 등). 데이터에서 학습되지 않고 사람이 결정합니다.
모델 평가 지표
| 지표 | 설명 | 주요 사용 | |---|---|---| | 정확도 (Accuracy) | 전체 중 올바른 예측 비율 | 분류 문제 | | 정밀도 (Precision) | 양성 예측 중 실제 양성 비율 | 스팸 분류 | | 재현율 (Recall) | 실제 양성 중 올바르게 예측한 비율 | 질병 진단 | | F1 Score | 정밀도와 재현율의 조화 평균 | 불균형 데이터 | | RMSE | 회귀 오차 측정 | 수치 예측 |
---
생성형 AI의 핵심 개념
최근 시험에서 비중이 높아진 생성형 AI 관련 개념입니다.
기반 모델 (Foundation Model, FM)
방대한 데이터로 사전 학습된 대형 AI 모델. GPT, Claude, Llama 등이 여기에 속합니다.
특징: 하나의 모델로 다양한 작업 수행 가능 파인튜닝(Fine-tuning)으로 특정 목적에 최적화 가능 AWS에서는 Amazon Bedrock으로 여러 FM에 접근 가능
토큰(Token)
LLM이 텍스트를 처리하는 단위. 단어 또는 단어의 일부.
"Hello, world!" → 약 4개 토큰 토큰 수가 많을수록 비용 증가, 컨텍스트 윈도우(한 번에 처리 가능한 양)에도 제한이 있음
컨텍스트 윈도우 (Context Window)
모델이 한 번에 처리할 수 있는 최대 토큰 수. 이 범위를 벗어난 내용은 모델이 기억하지 못합니다.
임베딩 (Embedding)