1. 🧠 학습 방법론 중심의 세부 분야 (Methodology-Focused Sub-fields)
이는 AI가 지능을 습득하고 발전시키는 핵심 알고리즘과 기법에 따른 분류이며, AI 기술의 근간을 이룹니다.
1.1. 기계 학습 (Machine Learning, ML)
컴퓨터가 명시적인 프로그래밍 없이 데이터를 기반으로 학습하여 성능을 개선하는 모든 방법을 통칭합니다. AI 발전의 현재 주류 방법론입니다.
- 지도 학습 (Supervised Learning): 레이블(정답)이 있는 데이터를 학습하여 입력과 출력 간의 관계를 모델링합니다.
- 분류 (Classification): 입력 데이터를 미리 정의된 클래스(범주) 중 하나로 나누는 것 (예: 스팸 메일 분류, 질병 진단).
- 회귀 (Regression): 입력 데이터를 기반으로 연속적인 값을 예측하는 것 (예: 주택 가격 예측, 판매량 예측).
- 비지도 학습 (Unsupervised Learning): 레이블이 없는 데이터의 숨겨진 구조나 패턴을 스스로 파악하고 학습합니다.
- 군집화 (Clustering): 유사한 데이터끼리 그룹으로 묶는 것 (예: 고객 세그먼트 분석).
- 차원 축소 (Dimensionality Reduction): 데이터의 주요 특징을 유지하며 데이터의 양을 줄이는 것.
- 강화 학습 (Reinforcement Learning, RL): 에이전트가 환경과의 상호작용을 통해 보상(Reward)을 최대화하는 행동 정책을 시행착오를 통해 학습하는 방식 (예: 알파고(AlphaGo), 자율 주행 경로 결정).
1.2. 심층 학습 (Deep Learning, DL)
인공 신경망(Artificial Neural Network)을 여러 층(Layer)으로 깊게 쌓아 올린 구조(심층 신경망, Deep Neural Network)를 사용하여, 복잡하고 비정형적인 데이터(이미지, 음성, 텍스트)에서 고차원적인 특징(Feature)을 추출하고 학습하는 기법입니다.
- 주요 아키텍처:
- 합성곱 신경망 (Convolutional Neural Network, CNN): 주로 이미지 및 비전 처리에 사용.
- 순환 신경망 (Recurrent Neural Network, RNN) / 트랜스포머 (Transformer): 주로 자연어 처리 및 시퀀스 데이터에 사용.
1.3. 생성형 인공지능 (Generative AI)
기존 데이터를 학습하여 그와 유사하거나 완전히 새로운 콘텐츠(텍스트, 이미지, 음성, 코드 등)를 생성하는 AI 모델입니다.
- 주요 기술: 거대 언어 모델(Large Language Model, LLM), 확산 모델(Diffusion Model), 생성적 적대 신경망(Generative Adversarial Network, GAN).
2. 🖥️ 응용 영역 중심의 세부 분야 (Application-Focused Sub-fields)
이는 AI 기술이 특정 감각이나 지적 능력에 초점을 맞추어 실제 문제를 해결하는 영역입니다.
2.1. 자연어 처리 (Natural Language Processing, NLP)
컴퓨터가 인간의 자연어(텍스트 및 음성)를 이해하고, 해석하며, 생성할 수 있도록 하는 분야입니다.
- 주요 기능: 기계 번역, 감성 분석, 챗봇, 질의응답 시스템, 문서 요약, 텍스트 생성 (LLM).
2.2. 컴퓨터 비전 (Computer Vision)
컴퓨터가 디지털 이미지나 비디오로부터 의미 있는 정보를 추출하고 처리하여 마치 인간의 시각처럼 세상을 이해하도록 하는 분야입니다.
- 주요 기능: 객체 인식(Object Detection), 이미지 분류, 얼굴 인식(Face Recognition), 영상 분석, 의료 영상 진단(예: X-ray, MRI 판독), 자율 주행차의 환경 인식.
2.3. 음성/음향 지능 (Speech/Audio Intelligence)
인간의 음성이나 환경의 음향 신호를 인식하고 처리하며, 새로운 음성을 합성하는 분야입니다.
- 음성 인식 (Speech Recognition): 음성 데이터를 텍스트로 변환 (예: AI 비서).
- 음성 합성 (Speech Synthesis): 텍스트를 사람의 목소리와 유사한 음성으로 변환 (Text-to-Speech).
2.4. 로봇 공학 (Robotics)
지능적인 행동이 가능한 로봇을 설계, 구성, 작동시키는 분야로, 인공지능은 로봇에게 환경 인식, 의사 결정, 경로 계획 등의 지능을 제공합니다.
- 주요 기능: 자율 이동 로봇(AMR), 산업용 협동 로봇, 드론, 자율 주행차(Autonomous Vehicles).
2.5. 전문가 시스템 (Expert Systems)
특정 분야의 전문 지식(Knowledge Base)과 추론 규칙(Inference Engine)을 컴퓨터 시스템에 넣어, 전문가와 같은 의사 결정을 지원하거나 내리는 초기 AI 형태의 분야입니다. (현재는 대부분 ML/DL 방식으로 대체되거나 통합됨)
3. 🎯 기술사적 관점에서의 시사점
기술사로서 AI 세부 분야를 이해하는 것은 프로젝트 설계 및 기술 선택에 있어 중요합니다.
- 요구 사항 분석: 해결해야 할 문제가 예측인지(ML), 이미지 분석인지(컴퓨터 비전), 대화형 서비스인지(NLP)에 따라 적합한 세부 분야 기술을 선정해야 합니다.
- 데이터 파이프라인 설계: 각 세부 분야는 요구하는 데이터의 형태(레이블 유무, 이미지, 텍스트)가 다르므로, 데이터 획득, 가공, 관리 전략을 해당 기술에 맞춰 설계해야 합니다.
- 최신 트렌드 적용: 최근에는 여러 기술을 융합한 멀티모달(Multimodal) AI (예: 이미지와 텍스트를 동시에 처리)나 엣지 AI (Edge AI) (장치 자체에서 AI 추론 수행)와 같은 융합 기술이 중요한 트렌드입니다.
인공지능 세부 분야에 대한 이해는 복잡한 시스템을 성공적으로 구축하고 운영하는 데 필수적인 기반 지식입니다.
