머신러닝이란? AI·딥러닝과의 차이와 지도·비지도·강화학습 쉽게 이해하기

핵심 메시지

• AI는 사람의 문제 해결·의사결정을 흉내 내는 가장 큰 개념이고, 머신러닝은 그 하위 집합이며, 딥러닝은 다시 머신러닝의 하위 집합이다.
• 머신러닝은 데이터에서 스스로 지식을 끌어내 결과를 예측하는 자기학습 알고리즘에 초점을 둔다.
• 지도학습은 정답이 붙은(라벨링된) 데이터로 분류하거나 값을 예측하도록 모델을 학습시킨다.
• 비지도학습은 라벨이 없는 데이터에서 군집 등 숨은 패턴이나 그룹을 사람 개입 없이 찾아낸다.
• 강화학습은 에이전트가 환경에서 행동하고 보상·벌점을 받으며 반복을 통해 과제를 익히는 방식이다.

쉽게 이해하기

IBM의 데이터 플랫폼 엔지니어 러브 아가르왈은 사람들이 자주 섞어 쓰는 세 용어부터 구분한다. AI는 컴퓨터가 사람의 문제 해결과 의사결정 능력을 흉내 내는 가장 넓은 개념이고, 머신러닝(ML)은 그 안에서 데이터로부터 지식을 끌어내 결과를 예측하는 자기학습 알고리즘에 집중하는 하위 분야다.

딥러닝은 머신러닝의 또 다른 하위 집합으로, 특징 추출 과정을 자동화해 사람의 개입을 줄이고 아주 큰 데이터셋을 다룰 수 있게 한 '확장 가능한 머신러닝'으로 설명된다. 이 영상은 그중 머신러닝에 초점을 맞춘다.

첫째 유형인 지도학습은 라벨이 붙은 데이터로 학습한다. 분류 모델은 대상을 미리 정한 범주로 나누는데, 과거 고객 활동 데이터로 이탈할 고객을 미리 식별해 대응하는 고객 유지가 대표 사례다. 회귀 모델은 입력값과 가중치로 식을 세워 연속적인 수치를 추정하며, 항공사가 출발 전 일수·요일·노선 등으로 최적 항공권 가격을 예측하는 데 쓰인다.

둘째 유형인 비지도학습은 라벨이 없는 데이터를 분석·군집화해 숨은 패턴을 찾는다. 구매 이력·소셜미디어·지역 등 다양한 정보로 비슷한 고객을 묶는 고객 세분화가 대표적인 군집화 사례이며, 입력 변수의 수를 줄여 중복 변수의 과대 영향을 막는 차원 축소도 비지도학습에 속한다.

셋째 유형인 강화학습은 준지도학습의 한 형태로, 에이전트가 환경에서 행동하면 환경이 옳은 행동에 보상을, 틀린 행동에 벌점을 준다. 이를 여러 번 반복하며 과제를 익히는데, 제한속도·주행 가능 구역·충돌 등 여러 요소를 다뤄야 하는 자율주행이 좋은 예다.

주요 인사이트

• AI·머신러닝·딥러닝은 동의어가 아니라 큰 개념에서 작은 개념으로 이어지는 포함 관계다.
• 지도학습의 두 축은 범주를 맞히는 '분류'와 연속적인 수치를 추정하는 '회귀'다.
• 비지도학습은 정답 라벨이 없을 때 데이터 안의 자연스러운 그룹을 스스로 발견하게 해 준다.
• 차원 축소는 중복·불필요한 변수가 결과에 과도하게 반영되는 것을 막아 모델을 단순화한다.
• 강화학습은 보상과 벌점이라는 신호만으로 자율주행처럼 복잡한 행동을 학습시킬 수 있다.

자주 묻는 질문

관련 AI 소식