AI(Artificial Intelligence)

AI란 인공적인 지능을 구현시키는 컴퓨터 과학의 분야이다.

위의 사진을 바탕으로 알아보도록 하자.

AI

가장 큰 범위의 개념이다. 여기에는 일반적인 프로그램 등 규칙 기반의 시스템도 포함한다.

ML(Machine Learning)

ML은 데이터를 이용한 AI 모델 구조이다.

비지도 학습, 지도 학습, 강화 학습 등 여러 학습 방법이 있다.

이러한 학습 방법은 딥러닝에도 적용할 수 있다.

지도 학습 (Supervised Learning)

정답(라벨)이 있는 데이터를 보고 배움.

ex)휘영이한테 드립을 얼마나 쳐야 화를 내는지에 대해 데이터를 구한 다음 그 데이터를 바탕으로 학습시키면 휘영이가 화를 내기 직전까지 드립을 치다 알맞게 끝낼 수 있음.

비지도 학습 (Unsupervised Learning)

정답이 없는 데이터에서 패턴을 스스로 찾음

ex) 넷플릭스에서 비슷한 취향을 가진 고객들을 모음.

강화 학습 (Reinforcement Learning)

환경과 상호작용하며 보상을 최대화하도록 학습

ex) 민기가 "아몬드가 죽으면 다이아몬드~"라는 드립을 쳤을 때 주변 반응이 안 좋으면 다음에는 이 드립은 치지 말아야지라고 생각함.
민기가 “휘영이는 중국 친구라 그런가… 자기합리화가 국산이 아니야, 수입품급이야~”
“휘영, 너는 왜 말끝마다 자신감이 묻어나냐? 근데 근거는 어디 갔어??”
“너 진짜 신기하다~ 틀릴 때도 그렇게 확신 넘치게 말할 수 있다는 게ㅋㅋ”라는 드립을 쳤을 때 주변 반응이 좋았을 때 다음에도 이 드립을 쳐야겠다라고 생각함.(gpt가 씀)

DL(Deep Learning)

DL은 ML의 하위분야로 AI 모델 구조이다.

아주 깊은~~~ 인공 신경망을 기반한 모델 구조이다.

ML과 DL의 차이점

특징(feature engineering)

ML: 사람이 특징을 만들고 선택함(예: 주택면적/방수/위치 → 파생변수).

DL: 원시 데이터(픽셀, 음성파형, 원문)에서 표현을 자동으로 학습함.

ex) 키와 몸무게의 관계를 알고 싶을 때 키와 몸무게라는 특징을 선정할 수 있음.
허나 고양이를 판별하고 싶을 때 어떠한 특별한 특징을 꼽을 수 없음.

데이터 요구량

ML: 비교적 적은 데이터로도 잘 동작(수백~수만 샘플).

DL: 보통 많은 데이터 필요(이미지·언어는 수만~수백만 레이블이 좋음), 다만 전이학습으로 적은 데이터에서도 가능.

계산비용(인프라)

ML: CPU로 충분한 경우 많음.

DL: GPU/TPU 같은 병렬 연산이 필요할 때가 많음.

해석성

ML(특히 선형모델/트리계열): 비교적 해석 쉬움(특성 중요도, 계수).

DL: 블랙박스 경향이 있어 설명하기 어려움.

표현력(복잡한 패턴 포착)

ML: 제한된 표현력(특히 비선형 상호작용이 복잡하면 힘들 수 있음).

DL: 매우 높은 표현력 — 이미지·음성·자연어 같은 고차원 데이터에서 탁월.