[AI-001][입문] AI·머신러닝·딥러닝의 차이 이해하기
페이지 정보
본문
[이번 수업]
AI, 머신러닝, 딥러닝은 자주 같은 뜻처럼 쓰이지만 범위가 다릅니다. 이번에는 세 개념의 포함 관계를 이해하고, 예제 데이터에서 분류 기준을 찾는 작은 프로그램으로 ‘학습’과 ‘추론’을 구분합니다.
[선수지식]
CS-001의 값·자료형과 PY-001의 Python 실행법을 알면 됩니다. AI 모델이나 외부 라이브러리는 설치하지 않습니다.
[학습목표]
1. AI·머신러닝·딥러닝의 포함 관계를 설명할 수 있습니다.
2. 규칙 기반 프로그램과 데이터에서 학습하는 프로그램을 구분할 수 있습니다.
3. 간단한 분류 모델의 학습과 추론을 실행할 수 있습니다.
[핵심개념]
인공지능(AI)은 사람이 정한 목표에 따라 예측·추천·결정처럼 지능이 필요해 보이는 작업을 수행하는 기계 기반 시스템과 기법을 넓게 가리킵니다. 탐색, 계획, 논리 규칙, 최적화, 머신러닝 등 여러 접근이 포함됩니다. 따라서 모든 AI가 데이터로 스스로 규칙을 배우는 것은 아닙니다. 사람이 ‘온도가 30 이상이면 경고’라고 직접 작성한 규칙 기반 시스템도 목적과 맥락에 따라 AI 기법으로 다룰 수 있습니다.
머신러닝(ML)은 AI 안에서 데이터와 경험을 이용해 작업 성능을 개선하는 방법입니다. 개발자가 모든 판별 규칙을 직접 적는 대신 입력 특징(feature)과 정답 또는 평가 신호를 주고 모델의 매개변수를 찾습니다. 특징은 예측에 쓰는 관찰값입니다. 학습(training)은 데이터에서 규칙이나 매개변수를 찾는 과정이고, 추론(inference)은 학습된 모델에 새 입력을 넣어 결과를 얻는 과정입니다.
딥러닝(DL)은 머신러닝 안에서 여러 층으로 구성된 인공 신경망을 사용하는 방법입니다. 각 층은 입력을 변환해 다음 층으로 전달하고, 학습을 통해 이미지·음성·텍스트의 복잡한 표현을 단계적으로 만들 수 있습니다. 많은 데이터와 연산이 필요한 경우가 많고 결과를 설명하기 어려울 수 있습니다. 작은 표 데이터나 단순 규칙에는 더 간단한 모델이 적합할 수도 있으므로 ‘딥러닝이 항상 더 좋다’고 판단하면 안 됩니다.
포함 관계는 ‘AI ⊃ 머신러닝 ⊃ 딥러닝’입니다. 대규모 언어모델은 딥러닝을 사용하지만, 모든 딥러닝이 언어모델은 아니고 모든 AI가 생성형 AI도 아닙니다.
[따라하기]
learn_threshold.py 파일에 아래 코드를 저장합니다. 숫자가 4 이상이면 1인 학습 데이터에서 오류가 가장 적은 경계값을 찾습니다.
training_data = [
(1, 0),
(2, 0),
(3, 0),
(4, 1),
(6, 1),
(8, 1),
]
def predict(value, threshold):
return 1 if value >= threshold else 0
def error_count(threshold):
return sum(
predict(value, threshold) != label
for value, label in training_data
)
candidates = range(1, 10)
best_threshold = min(candidates, key=error_count)
print("learned threshold:", best_threshold)
for value in [2, 5, 9]:
print(value, "->", predict(value, best_threshold))
Windows는 ‘py learn_threshold.py’, macOS·Linux는 ‘python3 learn_threshold.py’를 실행합니다. ‘learned threshold: 4’와 ‘2 -> 0’, ‘5 -> 1’, ‘9 -> 1’이 나오면 성공입니다. error_count를 최소화해 경계값을 찾는 부분이 학습이고, 새 값 2·5·9를 분류하는 부분이 추론입니다. 이 예제는 머신러닝의 원리를 단순화한 것이며 딥러닝은 아닙니다.
[흔한 실수]
AI를 대화형 생성 모델과 같은 말로 제한하지 마세요. 학습 데이터에서 잘 맞는 결과가 새 데이터에서도 정확하다고 보장할 수 없습니다. 데이터가 적거나 치우치면 잘못된 경계를 배울 수 있습니다. 모델 크기만 비교하지 말고 기준 모델, 별도 평가 데이터, 오류 유형과 운영 비용을 함께 확인합니다.
[보안 주의]
학습 데이터에 개인정보나 허가받지 않은 자료를 넣지 말고 수집 목적·보관 기간·접근 권한을 정하세요. 모델 출력은 틀리거나 편향될 수 있으므로 중요한 채용·의료·금융 판단을 검증 없이 자동화하지 않습니다. 입력·모델·의존성의 출처를 확인하고 예상 밖 결과를 감시하며 사람이 중단할 방법을 마련합니다.
[직접 해볼 과제]
training_data에 (5, 0)을 추가해 다시 실행하고 학습된 경계와 오류 수가 어떻게 바뀌는지 확인하세요. 왜 하나의 경계값으로 모든 데이터를 완벽히 분류하기 어려운지 한 문장으로 설명하고 print로 최소 오류 수도 출력합니다.
[확인문제]
1. AI·머신러닝·딥러닝의 포함 관계는 어떻게 되나요?
2. 학습과 추론은 각각 무엇을 하나요?
3. 딥러닝이 모든 문제에서 항상 좋은 선택이 아닌 이유는 무엇인가요?
[다음 학습]
다음 게시 과정은 DATA-001 ‘정형·반정형·비정형 데이터’입니다. AI 트랙의 다음 단계는 AI-002 ‘데이터셋·특징·라벨·학습과 추론’입니다.
[공식 참고 자료]
NIST 용어집 — 인공지능
https://csrc.nist.gov/glossary/term/artificial_intelligence
NIST 용어집 — 머신러닝
https://csrc.nist.gov/glossary/term/machine_learning
NIST AI 위험관리 프레임워크
https://www.nist.gov/itl/ai-risk-management-framework
PyTorch 공식 튜토리얼 — 신경망의 층과 모델
https://docs.pytorch.org/tutorials/beginner/basics/buildmodel_tutorial.html
AI, 머신러닝, 딥러닝은 자주 같은 뜻처럼 쓰이지만 범위가 다릅니다. 이번에는 세 개념의 포함 관계를 이해하고, 예제 데이터에서 분류 기준을 찾는 작은 프로그램으로 ‘학습’과 ‘추론’을 구분합니다.
[선수지식]
CS-001의 값·자료형과 PY-001의 Python 실행법을 알면 됩니다. AI 모델이나 외부 라이브러리는 설치하지 않습니다.
[학습목표]
1. AI·머신러닝·딥러닝의 포함 관계를 설명할 수 있습니다.
2. 규칙 기반 프로그램과 데이터에서 학습하는 프로그램을 구분할 수 있습니다.
3. 간단한 분류 모델의 학습과 추론을 실행할 수 있습니다.
[핵심개념]
인공지능(AI)은 사람이 정한 목표에 따라 예측·추천·결정처럼 지능이 필요해 보이는 작업을 수행하는 기계 기반 시스템과 기법을 넓게 가리킵니다. 탐색, 계획, 논리 규칙, 최적화, 머신러닝 등 여러 접근이 포함됩니다. 따라서 모든 AI가 데이터로 스스로 규칙을 배우는 것은 아닙니다. 사람이 ‘온도가 30 이상이면 경고’라고 직접 작성한 규칙 기반 시스템도 목적과 맥락에 따라 AI 기법으로 다룰 수 있습니다.
머신러닝(ML)은 AI 안에서 데이터와 경험을 이용해 작업 성능을 개선하는 방법입니다. 개발자가 모든 판별 규칙을 직접 적는 대신 입력 특징(feature)과 정답 또는 평가 신호를 주고 모델의 매개변수를 찾습니다. 특징은 예측에 쓰는 관찰값입니다. 학습(training)은 데이터에서 규칙이나 매개변수를 찾는 과정이고, 추론(inference)은 학습된 모델에 새 입력을 넣어 결과를 얻는 과정입니다.
딥러닝(DL)은 머신러닝 안에서 여러 층으로 구성된 인공 신경망을 사용하는 방법입니다. 각 층은 입력을 변환해 다음 층으로 전달하고, 학습을 통해 이미지·음성·텍스트의 복잡한 표현을 단계적으로 만들 수 있습니다. 많은 데이터와 연산이 필요한 경우가 많고 결과를 설명하기 어려울 수 있습니다. 작은 표 데이터나 단순 규칙에는 더 간단한 모델이 적합할 수도 있으므로 ‘딥러닝이 항상 더 좋다’고 판단하면 안 됩니다.
포함 관계는 ‘AI ⊃ 머신러닝 ⊃ 딥러닝’입니다. 대규모 언어모델은 딥러닝을 사용하지만, 모든 딥러닝이 언어모델은 아니고 모든 AI가 생성형 AI도 아닙니다.
[따라하기]
learn_threshold.py 파일에 아래 코드를 저장합니다. 숫자가 4 이상이면 1인 학습 데이터에서 오류가 가장 적은 경계값을 찾습니다.
training_data = [
(1, 0),
(2, 0),
(3, 0),
(4, 1),
(6, 1),
(8, 1),
]
def predict(value, threshold):
return 1 if value >= threshold else 0
def error_count(threshold):
return sum(
predict(value, threshold) != label
for value, label in training_data
)
candidates = range(1, 10)
best_threshold = min(candidates, key=error_count)
print("learned threshold:", best_threshold)
for value in [2, 5, 9]:
print(value, "->", predict(value, best_threshold))
Windows는 ‘py learn_threshold.py’, macOS·Linux는 ‘python3 learn_threshold.py’를 실행합니다. ‘learned threshold: 4’와 ‘2 -> 0’, ‘5 -> 1’, ‘9 -> 1’이 나오면 성공입니다. error_count를 최소화해 경계값을 찾는 부분이 학습이고, 새 값 2·5·9를 분류하는 부분이 추론입니다. 이 예제는 머신러닝의 원리를 단순화한 것이며 딥러닝은 아닙니다.
[흔한 실수]
AI를 대화형 생성 모델과 같은 말로 제한하지 마세요. 학습 데이터에서 잘 맞는 결과가 새 데이터에서도 정확하다고 보장할 수 없습니다. 데이터가 적거나 치우치면 잘못된 경계를 배울 수 있습니다. 모델 크기만 비교하지 말고 기준 모델, 별도 평가 데이터, 오류 유형과 운영 비용을 함께 확인합니다.
[보안 주의]
학습 데이터에 개인정보나 허가받지 않은 자료를 넣지 말고 수집 목적·보관 기간·접근 권한을 정하세요. 모델 출력은 틀리거나 편향될 수 있으므로 중요한 채용·의료·금융 판단을 검증 없이 자동화하지 않습니다. 입력·모델·의존성의 출처를 확인하고 예상 밖 결과를 감시하며 사람이 중단할 방법을 마련합니다.
[직접 해볼 과제]
training_data에 (5, 0)을 추가해 다시 실행하고 학습된 경계와 오류 수가 어떻게 바뀌는지 확인하세요. 왜 하나의 경계값으로 모든 데이터를 완벽히 분류하기 어려운지 한 문장으로 설명하고 print로 최소 오류 수도 출력합니다.
[확인문제]
1. AI·머신러닝·딥러닝의 포함 관계는 어떻게 되나요?
2. 학습과 추론은 각각 무엇을 하나요?
3. 딥러닝이 모든 문제에서 항상 좋은 선택이 아닌 이유는 무엇인가요?
[다음 학습]
다음 게시 과정은 DATA-001 ‘정형·반정형·비정형 데이터’입니다. AI 트랙의 다음 단계는 AI-002 ‘데이터셋·특징·라벨·학습과 추론’입니다.
[공식 참고 자료]
NIST 용어집 — 인공지능
https://csrc.nist.gov/glossary/term/artificial_intelligence
NIST 용어집 — 머신러닝
https://csrc.nist.gov/glossary/term/machine_learning
NIST AI 위험관리 프레임워크
https://www.nist.gov/itl/ai-risk-management-framework
PyTorch 공식 튜토리얼 — 신경망의 층과 모델
https://docs.pytorch.org/tutorials/beginner/basics/buildmodel_tutorial.html
- 이전글[DATA-001][입문] 정형·반정형·비정형 데이터 구분하기 26.08.29
- 다음글[SEC-001][입문] 기밀성·무결성·가용성과 위협 모델 이해하기 26.08.29
댓글목록
등록된 댓글이 없습니다.