머신러닝 vs 딥러닝 차이 — 신경망 계층과 데이터 라벨링으로 구분하기

핵심 메시지

• 딥러닝은 머신러닝의 하위 집합이며, 계층 구조는 AI > 머신러닝 > 신경망 > 딥러닝 순으로 이어진다.
• 머신러닝 모델은 입력에 가중치를 곱하고 임계값과 비교하는 활성화 함수로 결정을 내린다 — 피자 주문 예시가 이를 보여준다.
• 신경망이 입력·출력층을 포함해 3개를 넘는 계층을 가지면 '심층(deep) 신경망', 즉 딥러닝으로 분류된다.
• 고전적 머신러닝은 사람이 특징을 정하고 데이터를 라벨링하는 지도학습에 의존한다.
• 딥러닝은 텍스트·이미지 같은 비정형 원시 데이터에서 스스로 특징을 찾아 군집화하는 비지도학습이 가능하다.

쉽게 이해하기

영상은 머신러닝과 딥러닝의 차이를 피자 주문에 빗대어 설명한다. 우선 용어의 위계를 정리하는데, 맨 위에 인공지능(AI)이 있고 그 하위에 머신러닝, 그 아래 딥러닝 알고리즘의 근간을 이루는 신경망이 있다. 즉 딥러닝은 머신러닝의 하위 집합이다.

머신러닝 알고리즘은 구조화되고 라벨이 붙은 데이터를 활용해 예측한다. 진행자는 저녁에 피자를 주문할지 결정하는 모델을 만드는데, 세 가지 입력을 둔다. x1은 '주문하면 시간을 아끼는가'(예=1), x2는 '피자를 먹으면 살이 빠지는가'(아니오=0), x3은 '돈을 아끼는가'(쿠폰이 있어 1)다. 이진값은 단순화를 위한 것이며, 실제 신경망의 뉴런은 음의 무한대부터 양의 무한대까지 값을 나타낼 수 있다.

각 입력에는 중요도를 나타내는 가중치를 부여한다. 시간을 중시해 w1=5, 몸매 관리에 어느 정도 관심이 있어 w2=3, 비용 부담은 크지 않아 w3=2로 두고 임계값은 5로 잡는다. 활성화 함수로 출력을 계산하면 (1×5)+(0×3)+(1×2)에서 임계값 5를 빼 결과가 +2가 되고, 양수이므로 '피자 주문'이라는 결정이 나온다.

그렇다면 딥러닝은 무엇이 다른가. 신경망이 입력층과 출력층을 포함해 3개를 넘는 계층으로 이뤄지면 심층 신경망, 곧 딥러닝으로 본다. 고전적 머신러닝은 사람의 개입에 더 의존하는데, 전문가가 데이터 입력을 구분하는 특징의 위계를 정한다. 예컨대 피자·버거·타코 사진을 사람이 라벨링해 신경망에 넘기는데, 이렇게 사람의 감독이 들어가는 방식을 지도학습이라 한다.

반면 딥러닝은 라벨이 붙은 데이터가 반드시 필요하지 않다. 텍스트·이미지 같은 비정형 원시 데이터를 그대로 받아들여, 데이터의 패턴을 관찰해 피자·버거·타코를 구분하는 특징을 스스로 찾아내고 입력을 적절히 군집화한다. 사람의 개입 없이 숨은 데이터 묶음을 발견하는 이 방식이 비지도학습이다.

주요 인사이트

• 가중치가 클수록 해당 입력이 출력에 미치는 기여가 다른 입력보다 커진다 — 모델에서 '중요도'는 가중치로 표현된다.
• 대부분의 심층 신경망은 입력에서 출력으로 한 방향으로 흐르는 순전파(feed forward) 구조다.
• 역전파(back propagation)는 출력에서 입력 방향으로 거슬러, 각 뉴런에 연관된 오차를 계산·배분해 알고리즘을 조정하고 맞춰 준다.
• 결국 머신러닝과 딥러닝은 신경망이라는 같은 연구 분야를 다루며, 핵심 차이는 계층 수가 3을 넘는지와 데이터 라벨링에 사람의 개입이 필요한지 두 가지다.

자주 묻는 질문

관련 AI 소식