Part 1. AI 개론과 지형도¶

Section ID: P1-index Version: v2026.07.20

Part 1은 AI를 다시 공부하기 전에 전체 지형을 잡는 구간입니다. 여기서는 특정 알고리즘을 깊게 구현하지 않습니다. 대신 앞으로 이어질 기초 복구, 머신러닝, 딥러닝, LLM, 생성형 AI, 서비스 아키텍처, 프로젝트 학습이 서로 어떻게 연결되는지 먼저 정리합니다.

같은 Part 안에서 중요한 개념의 상세 설명은 가능한 한 한 Section에만 두고, 이후 Section에서는 현재 질문에 필요한 만큼만 다시 연결합니다. 읽다가 용어가 다시 헷갈리면 개념사전의 중심 Section으로 돌아가 대표 설명 위치를 먼저 확인하고, 등장 Section으로 현재 개념이 어디서 다시 쓰이는지 이어서 추적하면 됩니다.

이 파트의 핵심 목적은 “AI라는 말을 들었을 때 무엇을 떠올려야 하는가”를 다시 세우는 것입니다. AI는 하나의 기술 이름만이 아니라, 규칙 기반 접근, 탐색, 확률적 판단, 데이터 기반 학습, 딥러닝, 생성형 모델, 에이전트형 도구, 사회적 책임까지 포함하는 넓은 분야입니다. 이 넓은 범위를 처음부터 모두 세부적으로 이해하려고 하면 흐름을 잃기 쉽습니다.

Part 1은 이때 개인의 경험적 지식과 직관을 그대로 흩어 두지 않고, 검토 가능한 표준 개념과 연결해 더 넓게 재사용할 수 있는 일반화된 지식으로 다시 정리하는 출발점이기도 합니다.

그래서 Part 1은 지도를 먼저 만듭니다.

1. AI라는 말의 범위를 정리합니다.
2. 역사와 패러다임 변화를 살핍니다.
3. 규칙에서 학습으로 이동한 흐름을 봅니다.
4. 모델, 데이터, 학습, 실행의 기본 언어를 세웁니다.
5. 딥러닝과 생성형 AI의 등장을 연결합니다.
6. LLM, 프롬프트, 임베딩, RAG, 에이전트를 큰 지도 안에 놓습니다.
7. 서비스 아키텍처, 윤리, 저작권, 보안, 전망까지 함께 봅니다.

AI 전체 지도를 먼저 세우는 이유¶

이 파트는 오래전에 배웠던 개론 지식을 현재의 AI 흐름과 다시 연결하기 위한 출발점입니다.

대학에서 AI 개론을 배웠던 시기에는 규칙 기반 시스템, 탐색, 지식 표현, 휴리스틱, 확률 추론, 데이터마이닝, 머신러닝 같은 주제가 각각 따로 보였을 수 있습니다. 지금은 여기에 딥러닝, 대규모 언어 모델(LLM), 프롬프트, 임베딩, 벡터 검색, RAG, 에이전트, 도구 사용, 서비스 운영, 저작권과 보안 이슈가 함께 얽혀 있습니다.

Part 1은 이 변화된 지형을 한 번에 깊게 설명하지 않습니다. 대신 다음 질문에 답할 준비를 만듭니다.

1. AI, 머신러닝, 딥러닝, 생성형 AI는 어떻게 다른가?
2. 규칙 기반 접근과 학습 기반 접근은 무엇이 다른가?
3. 데이터와 모델은 어떤 관계인가?
4. 학습과 모델 실행은 왜 구분해야 하는가?
5. LLM은 AI 전체와 같은 말인가, 아니면 한 흐름인가?
6. AI 서비스는 모델 하나만으로 만들어지는가?
7. AI 결과의 위험과 책임은 왜 기술 설명과 함께 다뤄야 하는가?

AI, 머신러닝, LLM을 구분하는 기준¶

Part 1을 읽고 나면 세부 수식이나 구현을 몰라도 다음 정도의 이해를 갖는 것이 목표입니다.

• AI라는 말이 어디까지를 가리킬 수 있는지 설명할 수 있습니다.
• AI, 머신러닝(machine learning), 딥러닝(deep learning), 생성형 AI(generative AI), LLM(large language model)의 관계를 큰 그림으로 구분할 수 있습니다.
• 규칙 기반 접근(rule-based approach), 탐색(search), 휴리스틱(heuristic), 확률적 판단(probabilistic judgment), 학습 기반 접근(learning-based approach)이 서로 다른 역할을 갖는다는 점을 설명할 수 있습니다.
• 데이터(data), 특징(feature), 표현(representation), 모델(model), 파라미터(parameter), 학습(learning), 모델 실행(inference)의 기본 언어에 익숙해질 수 있습니다.
• 프롬프트(prompt), 임베딩(embedding), 벡터 검색(vector search), RAG(retrieval-augmented generation), 에이전트(agent)를 LLM 사용 경험 안에서 구분해 볼 수 있습니다.
• AI 서비스를 모델, 앱, 데이터, 도구, 운영 제약, 책임의 관점으로 나누어 볼 수 있습니다.
• 개인적 직관과 표준적인 설명을 구분해 검토해야 한다는 태도를 가질 수 있습니다.

AI 지형과 후속 학습의 경계¶

Part 1은 AI 전체 지형을 잡는 파트입니다. 여기서는 다음 흐름을 본편의 중심 질문으로 붙잡습니다.

• AI, 머신러닝, 딥러닝, 생성형 AI, LLM의 큰 관계
• 규칙 기반 접근, 탐색, 확률적 판단, 학습 기반 접근의 위치
• 데이터, 모델, 학습, 모델 실행, 서비스 구조의 기본 언어
• 프롬프트, 임베딩, RAG, 에이전트, 운영 제약을 읽기 위한 큰 지도

Part 1은 먼저 무엇이 어디에 놓이는가를 닫는 역할을 맡습니다. 개별 알고리즘, 딥러닝 구조, LLM 서비스 설계의 본격 설명은 뒤 Part에서 이어집니다.

작업 가설, 용어, 서비스 책임을 함께 보는 기준¶

Part 1은 이 책의 첫 본문 파트이므로, 앞선 기술 Part와 연결되기보다 이후 모든 Part가 기대는 공통 읽기 기준을 먼저 세웁니다.

• 개인적 작업 가설을 표준 개념과 연결하는 방법
• 용어를 한국어와 영어 원어로 함께 읽는 습관
• 모델 하나가 아니라 서비스와 책임까지 같이 보는 시선

이 기준이 먼저 서야 이후 Part에서 수학, 코드, 데이터, 모델 구조를 배우더라도 지금 배우는 것이 전체 지도에서 어디에 놓이는가를 잃지 않게 됩니다.

AI 용어를 층위로 읽는 기준¶

이 Part는 용어가 많고 범위가 넓습니다. 그래서 처음에는 개별 기술 이름보다 지금 나오는 말이 어느 층위의 개념인가, 입력과 출력이 무엇인가, 결과가 어디에 영향을 주는가를 먼저 구분해야 이후 장들이 같은 지도 안에 놓입니다.

이 기준을 짧게 묶으면 다음과 같습니다.

1. AI는 넓은 분야다.
2. 그 안에 여러 문제 유형과 여러 구현 방식이 있다.
3. 최근의 LLM은 그 넓은 지도 안의 한 흐름이다.
4. 서비스에서는 모델 결과가 사람과 시스템에 실제 영향을 준다.

이 Part에서는 모든 개념을 매 장마다 같은 밀도로 반복하지 않습니다. 예를 들어 모델, 입력, 출력, 특징, 표현, 파라미터 같은 핵심 용어는 앞 절에서 자리를 먼저 잡고, 뒤 절에서는 현재 문제 장면에 필요한 연결만 남깁니다. 따라서 같은 용어가 다시 나와도 정의가 새로 추가되는지, 아니면 다른 맥락에 놓이는지를 구분해 읽어야 합니다.

Part 1의 역할은 아래 다섯 기준이 남아 있을 때 가장 분명해집니다.

AI 개론을 이루는 17개 흐름¶

Part 1은 17개 Chapter로 구성됩니다.

먼저 AI라는 말의 범위와 AI, 머신러닝, 딥러닝, 생성형 AI의 관계를 정리합니다. 그다음 기호 기반 AI, 규칙 기반 접근, 탐색, 지식 표현, 확률 추론, 머신러닝, 딥러닝, 생성형 AI로 이어지는 큰 흐름을 봅니다.

중간에서는 문제를 모델로 바꾼다는 말, 입력과 출력, 데이터, 특징, 표현, 파라미터, 학습과 모델 실행을 다룹니다. 이 언어를 잡아야 뒤에서 수학, 머신러닝, 딥러닝을 다시 공부할 때 문서와 코드를 읽을 수 있습니다.

그다음 불확실성(uncertainty), 확률(probability), 확률적 과정(stochastic), 탐색 공간(search space), 휴리스틱(heuristic), 지도학습(supervised learning), 비지도학습(unsupervised learning), 강화학습(reinforcement learning)의 기본 구분을 봅니다.

특히 Chapter 6과 7에서는 자주 섞이는 경계를 일부러 분리해 둡니다. 불확실성(uncertainty), 확률(probability), 확률적 과정(stochastic)은 같은 말이 아니며, 휴리스틱(heuristic)도 확률 모델(probabilistic model)과 같은 것이 아니라는 점을 Part 1 안에서 먼저 닫아 두고 뒤 Part의 통계, 평가, 생성 설명으로 넘어갑니다. 0.80 같은 점수를 어떻게 읽을지, calibration과 confidence를 어디까지 믿을지, uncertainty estimation을 어떻게 더 세밀하게 다룰지는 Part 1에서 자리만 잡고, Part 2의 확률·통계 기초와 Part 4의 평가 지표 보충학습(P4-6.4), threshold·운영 판단 절(P4-15.3)에서 다시 회수합니다.

후반부에서는 딥러닝 패러다임의 확산, 생성형 AI, LLM의 계보, 프롬프트, 임베딩, 벡터 검색, RAG, AI 서비스 아키텍처, 에이전트, MCP, 하네스, 운영 제약을 다룹니다. 여기서 먼저 잡아 둘 경계는 생성형 AI가 텍스트, 이미지, 오디오, 코드처럼 무엇을 생성하는가를 기준으로 묶는 더 넓은 범주이고, LLM은 그 안에서 언어 데이터를 다루는 대표 모델 계열이라는 점입니다. 이 구분은 Part 6에서 토큰, Transformer, GPT 본류와 BERT 비교, LLM 발전사 배경 축으로 다시 회수합니다. 마지막으로 AI 윤리, 저작권, 보안, 실무 적용, 앞으로의 AI를 다루며 기술 설명이 사회적 영향과 분리될 수 없다는 점을 확인합니다.

9장에서는 이 흐름도 한 번 더 조심해서 나눕니다. CNN, GPU, YOLO, WaveNet 같은 사례는 딥러닝 패러다임이 여러 분야로 확산된 배경으로 두고, LLM의 직접 계보는 언어 모델링(language modeling), Seq2Seq, Attention, Transformer 쪽에 둡니다. 이 경계를 먼저 잡아 두어야 뒤의 Part 5와 Part 6에서 CNN, Transformer, GPT, BERT를 다시 배울 때 시간축과 직접 계보가 섞이지 않습니다.

같은 원칙은 초기 AI 사례에도 적용합니다. Logic Theorist, GPS, MYCIN, DENDRAL 같은 이름은 Part 1에서 초기 기호 기반 AI와 규칙 기반 시스템의 대표 사례를 떠올리게 하는 기준점으로만 쓰고, 개별 시스템의 상세 기술사나 사례 목록을 늘리는 방향으로는 확장하지 않습니다.

같은 용어가 문맥마다 달라지는 문제¶

AI를 다시 공부할 때 가장 어려운 점은 개념 하나하나가 어려운 것보다, 같은 말이 서로 다른 문맥에서 다르게 쓰인다는 점입니다. 그래서 현재 판의 AI 정의도 한국어권·일본어권 사전 비교를 끝없이 늘리기보다, OECD, 영어권 사전, SEP, NIST처럼 책 전체 흐름을 안정적으로 받쳐 주는 핵심 근거를 먼저 기준으로 삼습니다.

예를 들어 추론은 문맥에 따라 inference, reasoning, prediction, generation을 가리킬 수 있습니다. 모델은 수학적 모형, 학습된 머신러닝 모델, API로 제공되는 LLM, 또는 전체 서비스 구조를 뜻할 수 있습니다. 파라미터도 모델 내부 가중치, 학습 설정값, LLM 생성 설정값을 혼동하기 쉽습니다.

Part 1에서는 이 추론 혼동도 먼저 잘라 둡니다. inference는 학습된 모델을 실행해 출력을 만드는 과정, reasoning은 근거를 따라 결론에 이르는 사고 과정, prediction은 모델이 낸 출력, generation은 텍스트나 이미지처럼 결과물을 만들어 내는 과정으로 우선 구분합니다. 통계 문맥은 statistical inference로 따로 둡니다. 이 경계는 Chapter 5에서 먼저 닫고, Part 6에서는 next-token prediction, reasoning처럼 보이는 생성 텍스트, 평가 문맥에서 다시 이어 읽습니다.

Part 1은 이런 혼동을 줄이기 위한 공통 언어를 만듭니다. 정확한 용어와 구분을 먼저 잡으면, 이후 Part 2의 수학 복구, Part 3의 데이터 모델링, Part 4 이후의 머신러닝·딥러닝·LLM 학습이 덜 흩어집니다. 같은 이유로 추천, 순위화, 제어, 검색 서비스, 자율주행 같은 예시도 현재 판에서는 문제 유형을 읽게 하는 짧은 학습용 사례로만 두고, 개별 도메인 설명으로 길게 확장하지 않습니다.

Part 2 이후로 이어지는 개념 회수¶

Part 1은 각 기술을 끝내는 파트가 아니라, 이후 Part의 설명이 서로 어디서 이어지는지 잃지 않게 만드는 출발점입니다.

• Part 2에서는 이 파트에서 잡은 용어를 수식, 배열, 코드, 실행 환경 언어로 다시 확인합니다.
• Part 3에서는 그 기초 위에서 원천데이터를 샘플, 특징, 기준선, 비교 구조로 다시 묶는 데이터 모델링을 배웁니다.
• Part 4에서는 그 구조를 바탕으로 머신러닝의 문제 설정, 학습, 평가를 배웁니다.
• Part 5와 Part 6에서는 딥러닝, LLM, 생성형 AI의 본문 설명을 실제로 회수합니다.

Part 1 안에서는 모든 장을 완결된 지식처럼 닫지 않습니다. 대신 아래처럼 지금 무엇을 소개하고, 뒤에서 어디서 본문 설명으로 다시 회수하는가를 연결합니다.

뒤 Part에서 다룰 계산과 구현 질문¶

Part 1은 지형을 잡는 파트이므로 다음 질문을 의도적으로 뒤로 넘깁니다.

• 손실(loss)과 gradient는 실제로 어떻게 계산되는가?
• 딥러닝 구조는 왜 CNN, RNN, Transformer처럼 갈라지는가?
• LLM 서비스는 왜 RAG, tool use, agent, MCP 같은 층을 필요로 하는가?

이 질문들은 Part 2 이후의 본문에서 실제 설명으로 회수합니다.

AI를 넓은 지형으로 보는 상태¶

이 파트를 마치면 AI를 하나의 유행어로 보지 않고, 여러 접근과 기술 흐름이 쌓여 만들어진 넓은 지형으로 볼 수 있습니다.

1. 규칙으로 문제를 풀려는 시도가 있었습니다.
2. 탐색과 휴리스틱으로 계산 한계를 줄이려는 시도가 이어졌습니다.
3. 데이터에서 패턴을 배우려는 시도가 커졌습니다.
4. 딥러닝으로 표현을 학습하려는 시도가 확장되었습니다.
5. 생성형 AI와 LLM으로 입력에 맞는 출력을 생성하려는 시도가 강해졌습니다.
6. 이제는 도구, 검색, 서비스, 책임과 결합하는 단계까지 함께 봐야 합니다.

이 이해가 생기면 이후의 세부 학습에서 “지금 배우는 개념이 전체 지도에서 어디에 놓이는가”를 계속 확인할 수 있습니다. Part 2는 이 지도를 계산 언어로 옮기는 첫 단계이고, 이후 Part는 여기서 만든 구분을 더 정밀한 본문 설명으로 회수합니다.

남아 있어야 할 확인 기준¶

• AI, 머신러닝, 딥러닝, 생성형 AI, LLM의 관계를 큰 그림으로 설명할 수 있다.
• 규칙 기반 접근과 학습 기반 접근의 차이를 설명할 수 있다.
• 데이터, 특징, 표현, 모델, 파라미터, 학습, 모델 실행의 기본 관계를 말할 수 있다.
• 불확실성, 확률, 탐색, 휴리스틱이 AI 설명에서 왜 반복해서 등장하는지 설명할 수 있다.
• 프롬프트, 임베딩, 벡터 검색, RAG, 에이전트가 어떻게 연결되는지 큰 흐름을 설명할 수 있다.
• AI 서비스를 모델 하나가 아니라 앱, 데이터, 도구, 운영 제약, 책임까지 포함하는 구조로 볼 수 있다.
• 개인적인 작업 가설과 표준적인 설명을 구분해 검토할 준비가 되어 있다.

출처와 참고 자료¶

이 문서는 Part 1의 목적과 학습 경로를 정리한 자체 개요입니다. 외부 자료를 직접 인용하지 않았습니다.