AI 기초 개념 정리: 머신러닝 지도·비지도·자기지도·강화학습과 딥러닝 활용 사례까지

핵심 메시지

• AI는 인지·추론·계획·의사결정 같은 인간 지능의 특성을 컴퓨터로 구현하려는 분야이고, 오늘날 산업 현장에서 AI라고 하면 사실상 머신러닝을 가리킨다.
• 지도학습은 입력과 정답이 짝지어진 예시로 예측을 배우며, 집값처럼 수치를 맞히면 회귀, 스팸 여부처럼 나누면 분류다.
• 비지도학습은 정답 없이 군집화로 고객군을 나누거나 이상 탐지로 사기·보안 위협을 찾아낸다.
• 자기지도학습은 데이터 자체에서 정답을 만들어 내며, 다음 단어를 예측하는 언어 모델과 텍스트로 이미지를 만드는 확산 모델이 여기에 속한다.
• 딥러닝은 층을 깊게 쌓아 이미지·음성·텍스트 같은 비정형 데이터에서 특징을 스스로 뽑아내는 방식이며, CNN·LSTM·트랜스포머가 대표 구조다.

쉽게 이해하기

이 영상은 'AI for Business' 강의의 첫 회로, AI를 직접 만들지는 않지만 업무에 쓰거나 판단해야 하는 사람을 겨냥한다. 강사는 여러 조직에 머신러닝 도입을 도운 경험을 근거로, 코드를 몰라도 기초 개념을 알아야 하는 이유를 먼저 설명한다. 어떤 해법이 실현 가능한지 가늠하고, AI 팀과 말이 통하고, 경영진과 기대치를 맞추려면 최소한의 지형도가 필요하다는 것이다.

먼저 세 단어의 관계를 정리한다. AI는 사람 같은 지능을 컴퓨터로 구현하려는 큰 우산이고, 머신러닝은 명시적으로 규칙을 짜는 대신 데이터에서 패턴을 찾아 배우게 하는 하위 분야다. 딥러닝은 뇌 구조에서 영감을 받은 머신러닝 기법으로, 이미지·음성·텍스트처럼 정리되지 않은 데이터에서 특히 강하다. 강사는 챗봇, 음성 비서, 넷플릭스·스포티파이 추천, 스팸 필터, 사기 탐지, 번역기 같은 익숙한 서비스가 모두 머신러닝을 핵심에 두고 있다고 짚는다.

본론은 머신러닝의 네 가지 유형이다. 지도학습은 입력과 정답을 함께 보여주며 예측을 가르치는 방식으로, 면적·층수·방 개수 같은 정보로 집값을 맞히는 회귀와 발신자·시각·본문으로 스팸을 가려내는 분류가 대표 사례다. 비지도학습은 정답표 없이 데이터 안의 구조를 찾으며, 비슷한 속성끼리 묶는 군집화는 고객 세분화에, 평균에서 크게 벗어난 점을 찾는 이상 탐지는 금융 사기나 보안 위협 탐지에 쓰인다.

자기지도학습은 두 방식의 중간에 있다. 모델이 데이터 자체에서 정답을 만들어 내기 때문에 사람이 일일이 라벨을 붙이는 비싸고 느린 과정을 거의 없앨 수 있다. 앞선 단어들을 근거로 다음 단어를 맞히는 언어 모델이 그렇고, 문장 설명을 받아 이미지를 만들어 내는 확산 모델도 같은 계열이다. 네 번째인 강화학습은 환경과 상호작용하며 보상과 벌점을 받아 전략을 다듬는 방식으로, 공급망과 물류 최적화, 로봇 이동, 트레이딩 전략, 자율주행과 게임 플레이에서 성과를 냈다.

마지막으로 딥러닝을 조금 더 들여다본다. 층층이 연결된 뉴런을 거치며 앞쪽 층은 윤곽과 질감처럼 단순한 특징을, 뒤쪽 층은 점점 더 추상적인 개념을 배우는 구조라서, 개 사진에서 래브라도와 불도그를 구분하거나 자동차 사진에서 SUV와 세단을 가려내는 일이 가능해진다. 이미지 인식에는 CNN, 시계열 같은 순차 데이터에는 LSTM, 자연어 처리에는 트랜스포머가 주로 쓰이며, 트랜스포머는 최근 컴퓨터 비전으로도 넓어지고 있다.

주요 인사이트

• AI를 직접 만들지 않는 사람에게도 기초 개념이 필요한 이유는 기술 자체보다 판단 때문이다. 무엇이 가능한지 알아야 불가능한 요구를 하거나 가능한 기회를 놓치지 않는다.
• 'AI 도입'이라는 말은 대개 머신러닝 도입을 뜻한다. 어떤 유형을 쓸지는 결국 손에 쥔 데이터에 정답이 붙어 있는지, 예측하려는 것이 수치인지 범주인지로 갈린다.
• 라벨링 비용은 오랫동안 머신러닝 도입의 큰 걸림돌이었다. 자기지도학습이 주목받는 이유는 성능뿐 아니라 이 비용 구조를 바꿨기 때문이다.
• 강화학습은 정답을 미리 알기 어렵고 선택이 연쇄적으로 이어지는 문제, 즉 물류 경로나 로봇 제어처럼 '한 수'가 아니라 '수순'을 배워야 하는 영역에서 힘을 발휘한다.

자주 묻는 질문

관련 AI 소식