인공지능 기초 용어

소프트웨어 개발자 관점에서 머신러닝과 딥러닝의 핵심 개념을 정리했습니다. 전통적인 프로그래밍과의 차이점부터, 학습의 종류, 그리고 헷갈리기 쉬운 회귀와 손실함수의 개념까지 다룹니다.

 

패러다임의 전환: 전통적 방식 vs 머신러닝

가장 큰 차이는 "규칙(Rule)을 누가 만드는가?"입니다.

• 전통적인 프로그래밍 (Explicit Programming)
  • 개발자가 직접 로직(함수)을 짭니다.
  • 입력: 데이터 + 프로그램(규칙) $\rightarrow$ 출력: 결과값 ($y$)
• 머신러닝 (Machine Learning)
  • 데이터를 보고 기계가 스스로 규칙을 찾아냅니다.
  • 입력: 데이터 + 정답(결과값 $y$) $\rightarrow$
  • 출력: 프로그램(규칙/모델)

 

인공지능의 계층 구조 (Hierarchy)

컴퓨터공학적으로 보면 다음과 같은 포함 관계를 가집니다.

1. 인공지능 (AI): 인간의 지능을 흉내 내는 모든 기술의 총칭.
2. 머신러닝 (ML): 데이터를 통해 기계가 스스로 학습하는 AI의 하위 분야. (지도, 비지도, 강화학습 등이 포함됨)
3. 딥러닝 (DL): 머신러닝의 한 방법론. 인간의 뇌 구조를 본뜬  인공신경망(Artificial Neural Network)을 깊게(Deep) 쌓아 만든 기술.

학습 방식의 분류 (Paradigm)

데이터를 어떻게 가르치느냐에 따라 나뉩니다.

학습 종류	핵심 비유	설명
지도학습 (Supervised)	"선생님과 문제 풀기"	문제($X$)와 정답($Y$)을 모두 줍니다. 예: 고양이 사진($X$) 주고 "이건 고양이야($Y$)"라고 알려줌.
비지도학습 (Unsupervised)	"정답 없는 퍼즐 맞추기"	정답($Y$) 없이 데이터($X$)만 던져줍니다. 데이터 자체의 패턴이나 군집을 찾습니다.
준지도학습 (Semi-supervised)	"눈치껏 배우기"	소량의 정답 데이터 + 대량의 무정답 데이터. 일부만 배우고 나머지는 유추합니다.
자기지도학습 (Self-supervised)	"빈칸 채우기"	데이터의 일부를 가리고, 기계가 스스로 정답을 생성해서 맞추게 합니다. (BERT 등에서 사용)
강화학습 (Reinforcement)	"자전거 배우기"	에이전트가 환경 안에서 보상(Reward)과 벌칙(Penalty)을 통해 시행착오를 겪으며 최적의 행동을 학습합니다.

 

회귀(Regression)와 분류(Classification)

지도학습은 "결과값($y$)의 형태가 무엇이냐?"에 따라 크게 두 가지 문제로 나뉩니다.

회귀 (Regression)

• 목표: **연속적인 숫자(Continuous Value)**를 예측합니다.
• 질문: "얼마입니까?" (How much?)
• 예시:
  • 공부 시간에 따른 시험 점수 (85점, 92점...)
  • 집 평수에 따른 집값 (5억, 10억...)
  • 내일의 기온 (24.5도, 30도...)
• 대표 알고리즘: 선형 회귀 (Linear Regression)

분류 (Classification)

• 목표: 비연속적인 범주(Discrete Category)를 예측합니다. 일명 '클래스(Class)'를 맞히는 문제입니다.
• 질문: "어느 것입니까?" (Which one?)
• 종류:
  • 이진 분류 (Binary): 답이 2개 중 하나 (예: 합격/불합격, 스팸/정상)
  • 다중 분류 (Multi-class): 답이 여러 개 중 하나 (예: 개/고양이/새, 학점 A/B/C/D)

로지스틱 회귀 (Logistic Regression)

 

• 이름은 회귀인데, 실제 역할은 '분류'입니다.
• 왜 이런 이름이? 수학적으로는 선형 회귀의 수식을 빌려왔지만, 결과를 시그모이드 함수(S자 곡선)에 통과시켜 0과 1 사이의 확률로 바꿈으로써 이진 분류(Binary Classification) 문제를 풀기 때문입니다.
• 핵심 요약:
  • 선형 회귀: 직선을 그어 숫자를 맞힘. (범위: $-\infty \sim +\infty$)
  • 로지스틱 회귀: 직선을 구겨서(S자) 확률을 구하고, 이를 통해 O/X를 분류함. (범위: $0 \sim 1$)

 

 

딥러닝의 핵심 메커니즘

뉴런과 역치 (Threshold)

• 생물학적 뉴런의 '실무율(All-or-Nothing Law)'을 모방했습니다.
• 입력된 자극의 합이 특정 기준(역치)을 넘지 못하면 신호를 무시하고, 넘으면 다음 뉴런으로 전달합니다.

활성화 함수 (Activation Function)

• 들어온 신호들의 총합을 정해진 규칙에 따라 변환하여 출력하는 함수입니다. (예: Relu, Sigmoid, Softmax 등)

가중치 (Weight, $w$)

• 인공신경망에서 학습이란, 결국 이 가중치($w$)를 수정하는 과정입니다.
• 오차를 줄이기 위해 입력 신호의 세기(중요도)를 조절하는 '다이얼'과 같습니다.

 

손실 함수: 크로스 엔트로피 (Cross Entropy)

학습이 잘 되고 있는지 채점하는 방법 중 하나로, 주로 분류 문제에서 사용됩니다.

• 의미: "실제 정답 분포($P$)"와 "모델이 예측한 확률 분포($Q$)"가 얼마나 다른지 계산한 값.
• 개발자식 비유 (JSON):
  • 정답(Label): [0, 1, 0] (100% 고양이)
  • 예측(Prediction): [0.3, 0.6, 0.1] (고양이일 확률 60%)
  • 이 두 배열의 차이를 계산한 것이 크로스 엔트로피입니다.
• 결과: 차이가 클수록 Loss가 커지고(학습 필요), 차이가 작을수록 Loss가 작아집니다(정답 근접).

 

헷갈리기 쉬운 개념: 학습 방식 vs 구현 기술

이 둘은 분류 기준이 다릅니다.

• 학습 방식 (Paradigm): "어떤 데이터로 공부할 것인가?" (지도, 비지도, 강화...)
• 구현 기술 (Method): "어떤 알고리즘/도구로 풀 것인가?" (의사결정나무, SVM, 딥러닝...)

핵심: 딥러닝(도구)은 지도학습에도 쓰이고, 비지도학습에도 쓰이며, 강화학습(알파고 등)에도 쓰입니다.