AI란 무엇인가: 개념 지도 · 학습 방식 · 짧은 역사

AI란 무엇인가: 개념 지도 · 학습 방식 · 짧은 역사

인공지능(AI) · 머신러닝(ML) · 딥러닝(DL) · 대형 언어 모델(LLM)은 서로 포함 관계에 있는 말입니다. 이 수업은 네 말의 관계를 그림처럼 정리하고, 기계가 "배우는" 네 가지 방식(지도 · 비지도 · 자기지도 · 강화)을 작은 예로 구분한 뒤, 1950년부터 지금까지의 흐름을 연도별로 짚습니다. AI 기초 과정 전체의 출발점입니다.

들어가기 전에

• 이 수업이 과정의 첫 항목입니다. 따로 준비할 것은 없습니다. 수식은 $y = 2x + 1$ 같은 일차 함수 정도만 나옵니다.
• 과정 안내: 이 섹션만으로 AI 공부 끝내기 — 전체 트랙 순서 · 예상 시간 · 두 진입 경로

한눈에 보기

• AI ⊃ 머신러닝 ⊃ 딥러닝 ⊃ (트랜스포머 기반) 대형 언어 모델이라는 포함 관계를 설명할 수 있습니다.
• "규칙을 사람이 쓰는 프로그램"과 "규칙을 데이터에서 찾는 프로그램"의 차이를 압니다.
• 모델 · 파라미터 · 학습 · 추론 · 손실이라는 다섯 낱말의 뜻을 압니다.
• 지도 · 비지도 · 자기지도 · 강화 학습을 예시만 보고 구분할 수 있습니다.
• 다트머스 워크숍(1956)부터 ChatGPT 공개(2022)까지 큰 흐름과 "AI 겨울"이 왜 있었는지 압니다.

1. 네 낱말의 관계: AI ⊃ ML ⊃ DL ⊃ LLM

직관(해설용 비유): 러시아 인형 마트료시카처럼 큰 인형 안에 작은 인형이 들어 있습니다. 가장 바깥이 인공지능, 그 안이 머신러닝, 그 안이 딥러닝, 그 안에 오늘날 많이 쓰는 대형 언어 모델이 있습니다.

왜 이렇게 나누나: AI 안에는 학습하지 않는 방법도 많습니다. 예를 들어 1997년 체스 세계 챔피언을 이긴 IBM의 딥 블루(Deep Blue)는 사람이 설계한 탐색과 평가 함수가 중심이었습니다. 반면 머신러닝은 "데이터를 보여 주면 규칙을 스스로 맞춰 가는" 방식입니다. 이 구분을 알면 "이 문제에 데이터가 꼭 필요한가?"를 먼저 따질 수 있습니다.

2. 규칙을 쓰는 프로그램 vs 규칙을 찾는 프로그램

직관: 기존 프로그램은 사람이 if 제목에 "무료 당첨" 이면 스팸 같은 규칙을 씁니다. 머신러닝은 "스팸 메일 1만 통과 정상 메일 1만 통"을 보여 주고 규칙을 찾게 합니다.

단계로 보기

1. 데이터 모으기: 입력(메일 본문)과 정답(스팸/정상)을 짝지어 모읍니다.
2. 모델 정하기: 입력을 받아 답을 내는 함수의 "틀"을 고릅니다. 틀 안의 조절 손잡이가 파라미터(parameter, 가중치)입니다.
3. 학습(training): 모델의 답과 정답이 얼마나 다른지 손실(loss)로 재고, 손실이 줄어드는 쪽으로 파라미터를 조금씩 고칩니다.
4. 추론(inference): 학습이 끝난 모델에 새 입력을 넣어 답을 얻습니다.

숫자로 해 보기(해설용): 면적 $x$(평)로 집값 $y$(억 원)를 맞히는 모델 $\hat{y} = w x + b$를 생각합니다. 데이터가 $(10, 2.1)$, $(20, 4.0)$, $(30, 6.1)$입니다.

• $w = 0.2,\ b = 0$이면 예측은 $2, 4, 6$이고 오차는 $0.1, 0, 0.1$입니다.
• 오차 제곱의 평균(평균 제곱 오차, MSE)은 $(0.01 + 0 + 0.01)/3 \approx 0.0067$입니다.
• $w = 0.1$로 바꾸면 예측은 $1, 2, 3$이고 MSE는 $(1.21 + 4 + 9.61)/3 \approx 4.94$로 훨씬 나쁩니다.

학습이란 결국 "MSE 같은 손실이 가장 작아지는 $w, b$를 찾는 일"입니다. 실제로 어떻게 찾는지는 미분 최소한과 최적화 기초에서 경사 하강법으로 배웁니다.

3. 기계가 배우는 네 가지 방식

직관(해설용 비유): 공부법에 빗대면 지도 학습은 "답지 있는 기출문제 풀기", 비지도 학습은 "답지 없이 비슷한 것끼리 묶기", 자기지도 학습은 "글의 빈칸을 스스로 만들어 맞히기", 강화 학습은 "해 보고 점수를 받으며 요령 익히기"입니다.

Google의 기초 과정은 머신러닝 시스템을 지도 학습 · 비지도 학습 · 강화 학습 · 생성형 AI로 나눕니다. 이 수업은 여기에 오늘날 LLM 학습의 핵심인 자기지도 학습을 따로 떼어 설명합니다. 자기지도 학습은 라벨 없는 데이터를 쓰지만 학습 방식은 지도 학습과 같아서, 두 방식 사이에 있는 것으로 보면 편합니다.

지도 학습의 두 갈래: 회귀와 분류

• 회귀(regression): 숫자를 맞힙니다. 내일 강수량, 집값, 도착 시간.
• 분류(classification): 범주를 맞힙니다. 스팸/정상, 고양이/개/새. 보통 범주마다 확률을 내고 가장 큰 쪽을 고릅니다.

숫자로 해 보기(해설용) — 어떤 방식일까?

1. 고객 1만 명의 구매 기록만 있고, 비슷한 고객끼리 5개 묶음으로 나누고 싶다 → 정답이 없으니 비지도(군집화).
2. 사진 5만 장에 "불량/정상" 표시가 있다 → 지도(분류).
3. 위키백과 글 전체로 다음 단어 맞히기를 학습한다 → 정답(다음 단어)을 글 자체에서 만드니 자기지도.
4. 로봇이 넘어지면 −1점, 앞으로 가면 +1점을 받으며 걷는 법을 익힌다 → 강화.

생성형 AI는 어디에 들어가나

생성형 AI(generative AI)는 학습 방식이 아니라 "무엇을 내놓느냐"에 따른 이름입니다. 글 · 이미지 · 소리처럼 새로운 콘텐츠를 만들어 냅니다. LLM은 자기지도 학습으로 사전학습한 뒤, 사람이 쓴 모범 답안으로 지도 미세조정을 하고, 사람 선호를 반영하는 강화 학습 단계를 거치는 경우가 많습니다. 즉 한 모델 안에 여러 학습 방식이 겹쳐 있습니다. 이 단계들은 사람 피드백으로 지시를 따르게 학습하기 (InstructGPT)에서 자세히 봅니다.

123456789101112flowchart LR
  A[문제 정의] --> B{정답 라벨이 있나?}
  B -- 예 --> C[지도 학습: 회귀 · 분류]
  B -- 아니요 --> D{입력에서 정답을 만들 수 있나?}
  D -- 예 --> E[자기지도 학습: 다음 토큰 · 빈칸 맞히기]
  D -- 아니요 --> F{행동과 보상이 있나?}
  F -- 예 --> G[강화 학습]
  F -- 아니요 --> H[비지도 학습: 군집 · 차원 축소]
  C --> I[학습 → 평가 → 추론]
  E --> I
  G --> I
  H --> I

4. 짧은 역사: 기대와 실망의 반복

직관: AI의 역사는 "큰 기대 → 약속만큼 안 됨 → 투자 감소(겨울) → 새 방법으로 부활"을 몇 번 되풀이했습니다. 지금의 딥러닝 붐도 이 흐름 위에 있습니다.

AlexNet 수치(원 논문 초록): ILSVRC-2010 ImageNet 학습 이미지 약 130만 장, 1,000개 범주로 학습했고, 테스트 데이터에서 top-1 · top-5 오류율 39.7% · 18.9%로 이전 최고 기록보다 크게 좋았습니다. 파라미터는 6,000만 개였습니다. (학회 웹페이지 초록 기준입니다. 논문 PDF 본문의 초록에는 학습 이미지 약 120만 장, 오류율 37.5% · 17.0%로 적혀 있습니다.) ImageNet 프로젝트 자체는 1,400만 장이 넘는 이미지에 2만 개가 넘는 범주를 손으로 붙인 데이터베이스입니다.

왜 2012년 즈음 딥러닝이 터졌나: 신경망 아이디어는 1950~80년대에 이미 있었습니다. 달라진 것은 ① ImageNet 같은 큰 라벨 데이터, ② GPU라는 빠른 병렬 계산기, ③ ReLU · 드롭아웃 같은 학습 요령입니다. AlexNet 논문도 포화하지 않는 뉴런(ReLU)과 효율적인 GPU 구현을 학습 속도의 비결로 들었습니다. 같은 패턴이 LLM에서도 반복됩니다 — 트랜스포머(구조) + 인터넷 규모 글(데이터) + 대규모 GPU(계산).

5. 이 과정의 지도

이 사이트의 AI 기초 과정은 배우는 순서대로 트랙을 놓았습니다.

1. 입문: 지금 이 수업 → 구글 머신러닝 단기 집중 과정 → 실습 준비
2. 수학: 선형대수 · 미분 · 최적화 · 확률 · 정보 이론 · 최대우도 — 손계산 중심
3. 머신러닝: 선형 · 로지스틱 회귀부터 트리 · 앙상블 · 군집 · 차원 축소 · 추천까지
4. 딥러닝 기초: 신경망 · 역전파 · 옵티마이저 · 정규화 · CNN · 컴퓨터 비전
5. 이후 NLP · 트랜스포머 → LLM 활용 · 에이전트 → RAG · 검색 → 강화학습 → 정렬 → 스케일링 · 효율 → 생성 모델 → 피지컬 AI

트랙마다 끝에 중간 점검 문제와 직접 해 보기 프로젝트가 있어, 읽기만 하지 않고 확인하며 나아갈 수 있습니다.

연습 문제

1. 다음 중 머신러닝이 아닌 AI는? (가) 사진 10만 장으로 학습한 고양이 분류기 (나) 사람이 쓴 규칙 500개로 대출을 심사하는 전문가 시스템 (다) 다음 단어 맞히기로 학습한 챗봇

풀이: (나)입니다. 규칙을 사람이 직접 썼으므로 AI이긴 하지만 데이터에서 학습하지 않습니다. (가)는 지도 학습, (다)는 자기지도 학습입니다.

2. 데이터 $(1, 3), (2, 5)$에 대해 모델 $\hat{y} = 2x + 1$과 $\hat{y} = 2x$의 MSE는?

풀이: 첫 모델의 예측은 $3, 5$로 오차 0, MSE $= 0$입니다. 두 번째는 예측 $2, 4$, 오차 $1, 1$, MSE $= (1 + 1)/2 = 1$입니다.

3. "고객 리뷰가 긍정인지 부정인지 맞히는데, 리뷰마다 별점(1~5)이 붙어 있다." 어떤 학습 방식이고, 회귀 · 분류 중 무엇으로 풀 수 있나요?

풀이: 별점이 정답 역할을 하므로 지도 학습입니다. 별점 숫자를 그대로 맞히면 회귀, "4점 이상 = 긍정"처럼 범주로 바꾸면 분류입니다. 어느 쪽으로 정의하느냐는 설계 선택입니다.

4. 1969년 『Perceptrons』와 1986년 역전파 논문은 신경망 연구에 각각 어떤 영향을 주었나요?

풀이: 1969년 책은 단층 퍼셉트론이 풀 수 없는 문제를 보여 신경망에 대한 기대를 꺾는 데 영향을 주었고, 1986년 논문은 여러 층 신경망을 학습시키는 방법(역전파)을 널리 알려 다시 관심을 끌었습니다.

스스로 점검

1. 딥러닝과 머신러닝은 어떤 관계인가요?
   • 답: 딥러닝은 여러 층의 인공 신경망을 쓰는 머신러닝의 한 갈래입니다. 모든 딥러닝은 머신러닝이지만, 결정 트리 같은 머신러닝은 딥러닝이 아닙니다.
2. LLM을 학습하는 "다음 토큰 맞히기"는 왜 라벨이 없어도 되나요?
   • 답: 정답(다음 토큰)이 글 안에 이미 있기 때문입니다. 글의 앞부분을 입력으로, 바로 뒤 토큰을 정답으로 쓰는 자기지도 학습입니다.
3. "AI 겨울"은 왜 생겼나요?
   • 답: 연구자와 기업이 약속한 성과에 실제 결과가 못 미치자 비판과 실망이 커지고 연구 지원이 크게 줄었기 때문입니다. 1973년 라이트힐 보고서와 1980년대 전문가 시스템 거품이 대표적입니다.

용어 정리

더 깊이 보려면

참고 자료인 Google 'Intro to ML' 과정은 머신러닝이 무엇인지, 시스템 종류(지도 · 비지도 · 강화 · 생성형 AI), 지도 학습의 핵심 개념(데이터 · 모델 · 학습 · 평가 · 추론)을 짧은 퀴즈와 함께 설명합니다. 역사를 더 자세히 알고 싶다면 이 과정의 퍼셉트론, 오차 역전파, AlexNet, 트랜스포머 해설에서 원 논문을 직접 볼 수 있습니다.

다음에 볼 것

• 구글 머신러닝 단기 집중 과정 — 선형 회귀 · 손실 · 경사 하강법을 실습 위주로 처음 맛봅니다.
• 실습 준비: 파이썬 · 넘파이 · scikit-learn · PyTorch 최소한 — 과정 내내 쓰는 도구를 직접 실행해 봅니다.

라이선스

이 글은 원문 번역이 아니라 KAITABASE가 직접 쓴 해설이며, 숫자 예는 모두 설명용으로 만든 것입니다. 참고 자료 Google for Developers 페이지 본문은 별도 표기가 없는 한 CC BY 4.0, 코드 예제는 Apache 2.0 라이선스입니다.

출처

• 참고: developers.google.com/machine-learning/in… (Google, 머신러닝 시스템 종류)
• 다트머스 계획서: jmc.stanford.edu/articles/dartmouth/dartm… (McCarthy · Minsky · Rochester · Shannon, 1955년 8월 31일)
• AlexNet 초록: papers.nips.cc/paper_files/paper/2012/has…
• GPT-3 초록: arxiv.org/abs/2005.14165
• 연표 확인(위키백과): Dartmouth workshop · Computing Machinery and Intelligence · Perceptrons (book) · Lighthill report · AI winter · Deep Blue versus Garry Kasparov · AlphaGo versus Lee Sedol · ChatGPT · ImageNet 항목