인공지능·머신러닝·딥러닝

1. 개요

인공지능은 인간의 학습·추론과 비슷한 과제를 컴퓨터가 수행하도록 만든 시스템의 넓은 범주다. 머신러닝은 인공지능을 구현하는 방법 가운데 데이터에서 규칙을 학습하는 기술이고, 딥러닝은 여러 층의 인공 신경망을 사용하는 머신러닝의 한 갈래다. 따라서 포함 관계는 인공지능 ⊃ 머신러닝 ⊃ 딥러닝이다. 구체적인 학습 반복은 기계학습의 학습 과정에서, 하드웨어와 데이터 처리 배경은 자료구조, 폰 노이만 구조, 컴퓨터 그래픽 렌더링에서 이어 볼 수 있다.

2. 상세

2.1. 인공지능은 목표 범주다

인공지능은 컴퓨터가 주어진 상황을 판단하거나 추론하고, 문제에 맞는 출력을 만들도록 구현한 시스템을 가리킨다. 모든 인공지능이 반드시 데이터 학습으로 만들어지는 것은 아니다. 개발자가 규칙과 조건을 직접 설계한 시스템도 인공지능 범주에 들어갈 수 있다.¹

직접 규칙을 모두 적는 방식은 설계자가 예상한 조건에서는 작동하지만, 예상하지 못한 다양한 상황을 일일이 규칙으로 만들기 어렵다. 이 한계를 줄이기 위한 방법 중 하나가 머신러닝이다.

2.2. 머신러닝은 데이터에서 기준을 조정한다

머신러닝은 데이터를 이용해 입력과 출력 사이의 규칙이나 패턴을 모델이 조정하도록 한다. 데이터를 수집·전처리하고 모델을 선택해 학습한 뒤, 학습에 사용하지 않은 자료로 성능을 평가하는 절차가 필요하다.²

지도학습은 정답 레이블과 예측을 비교해 모델을 고친다. 비지도학습은 레이블 없이 데이터의 군집이나 이질적인 패턴을 찾는다. 강화학습은 상태에서 행동을 선택하고 환경의 보상을 받아 더 큰 누적 보상을 얻는 방향으로 학습한다.³

2.3. 딥러닝은 다층 신경망을 쓴다

인공 신경망은 입력과 출력 사이에 인공 뉴런들을 연결한 모델이다. 입력층과 출력층 사이에 여러 층을 둔 깊은 신경망을 사용하는 학습을 딥러닝이라 한다.⁴ 층이 깊다는 특징만으로 인공지능 전체와 같은 말이 되는 것은 아니다.

딥러닝도 머신러닝이므로 데이터, 학습 모델, 파라미터 조정, 평가 과정이 필요하다. 반대로 모든 머신러닝이 다층 신경망을 사용하는 것은 아니며, 분류·회귀·군집화에는 다른 알고리즘도 사용할 수 있다.⁵

3. 수능에서는 이렇게 나온다

세 용어가 함께 나오면 먼저 포함 관계를 그린다. ‘인공지능이면 모두 딥러닝이다’는 역방향 포함 오류이고, ‘딥러닝은 머신러닝이 아니다’는 하위 범주를 분리한 오류다. 기술 이름과 학습 방식도 구별해야 한다.

지도·비지도·강화학습을 비교할 때는 정답 레이블, 발견할 패턴, 환경의 보상 중 무엇이 피드백을 제공하는지 확인한다. 딥러닝은 이 세 방식 중 하나와 동의어가 아니라, 학습에 사용할 모델 구조의 한 종류다.

4. 헷갈리기 쉬운 것들

개념	범위·역할	같은 말이 아닌 것
인공지능	지능적 과제를 수행하는 시스템 전체	머신러닝만을 뜻하지 않음
머신러닝	데이터로 모델의 규칙·파라미터를 학습	모든 인공지능과 같지 않음
딥러닝	다층 인공 신경망을 이용하는 머신러닝	지도학습 자체와 같지 않음
지도학습	레이블과 예측을 비교	딥러닝 여부를 정하는 분류가 아님
비지도·강화학습	패턴 또는 보상으로 학습	둘 다 ‘정답이 전혀 없다’는 같은 구조가 아님

5. 관련 개념

• 기계학습의 학습 과정 — 데이터 준비부터 평가와 가중치 조정까지의 반복을 자세히 다룬다.
• 자료구조 — 학습에 쓰는 데이터와 모델 정보를 조직하는 방식이다.
• 폰 노이만 구조 — 학습 알고리즘이 명령과 연산으로 실행되는 컴퓨터 구조다.
• 컴퓨터 그래픽 렌더링 — 인공지능이 다룰 수 있는 이미지·장면 데이터가 화면으로 만들어지는 과정이다.

각주

1. 인공지능은 구현 목표의 넓은 범주이고 머신러닝은 그 목표를 달성하는 한 방법이다. ↩

2. 평가 자료를 학습 자료와 나누어야 새로운 입력에도 모델이 작동하는지 살필 수 있다. ↩

3. 지도·비지도·강화학습은 모델이 학습 신호를 얻는 방식으로 구별한다. ↩

4. ‘딥’은 입력과 출력 사이에 여러 처리 층이 놓인 신경망 구조를 가리킨다. ↩

5. 머신러닝에는 인공 신경망 외에도 서로 다른 원리의 알고리즘이 포함된다. ↩