콘텐츠로 이동

P1-1.1 AI라는 말의 범위

Section ID: P1-1.1 Version: v2026.07.20

AI를 다시 공부할 때 첫 번째 어려움은 기술 자체보다 말의 범위입니다. 같은 AI라는 표현이 어떤 문맥에서는 규칙 기반 프로그램을 가리키고, 어떤 문맥에서는 머신러닝 모델을 가리키며, 최근에는 생성형 AI나 LLM을 거의 같은 뜻처럼 부르기도 합니다.

이 절의 목적은 AI를 하나의 문장으로 완벽하게 정의하는 것이 아닙니다. 이후 절과 장에서 다룰 규칙 기반 시스템, 머신러닝, 딥러닝, 생성형 AI, LLM을 같은 지도 위에 놓고 읽을 수 있도록 범위를 정리하는 것입니다.

Part 1에서 AI는 가장 넓은 바깥 범주입니다. 뒤 절에서 AI라는 말이 다시 나오더라도 그 절의 중심 질문에 필요한 만큼만 연결하고, 범위 자체를 다시 구분해야 할 때는 이 절과 개념사전으로 돌아옵니다.

AI를 가장 넓은 바깥 범주로 놓기

이 절은 다음 질문을 정리합니다.

  • AI라는 말이 왜 이렇게 넓게 쓰이는가?
  • 규칙 기반 AI, 머신러닝, 딥러닝, 생성형 AI는 어떤 큰 지도 안에 놓이는가?
  • 최근의 LLM 경험을 AI 전체와 같은 뜻으로 보면 왜 혼동이 생기는가?

이 절은 먼저 AI가 가장 넓은 바깥 범주라는 점을 닫습니다. 세부 기술 흐름은 Part 1 Chapter 2, Part 1 Chapter 3, 그리고 Part 4 이후에서 이어지고, 여기서는 그 큰 지도 위에 용어를 놓는 데 집중합니다.

AI를 제품이 아니라 분야로 읽는 기준

  • AI라는 말이 넓게 쓰이는 이유를 설명합니다.
  • AI를 특정 제품이나 최신 모델이 아니라 문제를 다루는 분야로 봅니다.
  • AI, 머신러닝, 딥러닝, 생성형 AI의 관계를 이후 장에서 다시 읽을 수 있는 수준으로 정리합니다.

먼저 연결할 개념

이 절은 뒤에서 반복해서 쓸 핵심 용어를 처음 한꺼번에 소개하는 입구이기도 합니다. 아래 개념은 지금 짧게 뜻을 잡아 두고, 더 자세한 정의가 필요할 때는 각 링크를 눌러 해당 항목으로 바로 이동해 다시 확인합니다. 같은 한국어 단어라도 영어 기준으로 다른 개념으로 갈릴 수 있으므로, 개념사전 표제어는 한국어와 영어를 함께 봅니다.

개념 여기서 먼저 잡을 뜻 왜 지금 필요한가
AI 가장 넓은 바깥 범주 뒤에서 나올 여러 접근을 한 지도에 놓기 위해
머신러닝 데이터에서 패턴을 학습하는 접근 규칙 기반 방식과 학습 기반 방식을 구분하기 위해
딥러닝 신경망으로 복잡한 표현을 학습하는 흐름 머신러닝 안의 중요한 확장 방향을 잡기 위해
생성형 AI 텍스트, 이미지, 음성 같은 결과를 만들어 내는 흐름 최근 AI 경험을 좁게 오해하지 않기 위해
LLM 언어 데이터를 중심으로 다루는 대규모 언어 모델 생성형 AI와 AI 전체를 구분하기 위해
시스템 입력을 받아 결과를 만드는 실제 구현 구조 분야와 구현을 구분하기 위해
입력 시스템이 받아 보는 정보 무엇을 근거로 판단하는지 읽기 위해
출력 시스템이 만들어 내는 결과 분류, 추천, 생성 같은 차이를 읽기 위해
목표 왜 그런 출력을 만들게 하는가에 대한 목적 같은 출력도 다른 목적에서 쓰일 수 있음을 보기 위해
예측 현재 정보에서 결과를 추정하는 일 생성, 추천, 분류와 헷갈리지 않게 하기 위해
추천 여러 후보 중 다음에 볼 만한 것을 고르는 결과 AI가 답변만 만드는 것이 아님을 보기 위해
규칙 기반 시스템 사람이 규칙을 써서 결론을 내리는 시스템 AI 범위를 최신 학습 모델로만 좁히지 않기 위해

주요 학습내용

이 절은 용어가 많이 나오지만, 처음에 모두 같은 층위의 말처럼 다루지만 않으면 구조는 비교적 분명해집니다. 아래 세 가지가 이 절의 큰 지도입니다.

기준 왜 중요한가 이 절에서 필요한 이해 수준
AI는 하나의 제품 이름이 아니라 넓은 분야라는 점 그래야 머신러닝, 딥러닝, LLM을 AI 전체와 같은 말로 섞지 않게 됩니다. AI가 가장 넓은 바깥 범주라는 점을 먼저 구분합니다.
같은 AI라도 시대마다 구현 방식이 달랐다는 점 규칙, 탐색, 확률, 학습, 딥러닝이 왜 함께 등장하는지 보이기 시작합니다. AI의 정의와 AI의 구현 방식이 같지 않다는 점을 먼저 구분합니다.
최근의 LLM은 AI 전체가 아니라 한 흐름이라는 점 현재의 제품 경험이 곧 AI 전체라고 오해하는 일을 줄여 줍니다. 생성형 AI와 LLM이 넓은 지도 안의 후반부 흐름이라는 점을 구분합니다.

분야, 시스템, 입력, 출력, 목표는 초반에 서로 비슷한 말처럼 들릴 수 있습니다. 이 절에서는 아래처럼 역할을 나누어 둡니다.

용어 아주 짧은 뜻 이 절에서의 역할
분야 여러 문제와 접근을 묶는 넓은 학문·기술 범위 AI를 가장 넓게 읽을 때의 자리
시스템 실제로 입력을 받아 결과를 만드는 구현된 구조 규칙 기반 시스템, 추천 시스템, 챗봇 같은 사례
입력 시스템이 받아 보는 정보 문장, 기록, 이미지, 센서값
출력 시스템이 만들어 내는 결과 분류, 추천, 예측, 생성 결과
목표 왜 그런 출력을 만들게 하는가에 대한 목적 승인 보조, 추천, 검색, 답변 생성
영향 그 출력이 사람의 판단이나 환경에 미치는 결과 승인 결정, 노출 순위 변화, 업무 흐름 변경

이 절에서 먼저 남겨야 하는 기준은 AI는 넓은 분야이고 그 안의 AI 시스템은 입력과 목표와 출력을 가진 구조라는 점입니다. 여기에 영향을 함께 보는 이유는, 같은 출력이라도 실제 사람의 판단과 환경에 어떤 결과를 남기는지까지 봐야 시스템의 역할을 더 정확히 읽을 수 있기 때문입니다. 용어를 다시 확인할 때는 개념사전의 해당 항목을 찾아보면 됩니다.

예를 들어 온라인 상점의 상품 추천을 한 줄로 읽어 보면, AI는 이런 추천 문제를 다루는 넓은 분야이고, 추천 시스템은 실제 구현된 시스템이며, 입력은 사용자의 클릭 기록과 구매 기록이고, 출력은 추천 상품 목록이며, 목표는 사용자가 다음에 볼 만한 상품을 고르는 것이고, 영향은 어떤 상품이 더 자주 노출되고 사용자의 선택 흐름이 바뀐다는 점입니다. 뒤 절들에서 다른 사례를 만나더라도 먼저 이 여섯 칸으로 나눠 보면, 용어를 외우기보다 구조를 읽는 데 도움이 됩니다.

세부 학습내용

AI는 하나의 기술 이름이 아니다

AI는 하나의 기술 이름이라기보다 넓은 연구 분야이자 시스템 범주에 가깝습니다. 그래서 AI를 이해할 때는 “이것이 진짜 지능인가?”라는 질문만으로 시작하면 금방 막힙니다. 실제로는 “어떤 문제를 어떤 방식으로 풀려고 하는가?”를 먼저 봐야 범위를 더 안정적으로 나눌 수 있습니다.

예를 들어 체스나 바둑에서 다음 수를 찾는 시스템, 이미지에서 사물을 인식하는 모델, 문장을 번역하는 모델, 사용자의 질문에 답하는 챗봇은 겉보기에는 매우 다릅니다. 하지만 모두 입력을 받아 어떤 계산 과정을 거쳐 출력, 결정, 추천, 예측, 생성 결과를 만든다는 공통점이 있습니다.

확인한 주요 영어권 사전, 동북아권 자료, 기관 정의를 비교하면, 인공지능은 대체로 컴퓨터 시스템(computer system), 기계(machine), 알고리즘(algorithm)이 인간 지능(human intelligence)과 관련된 일부 기능을 수행하거나 모의(simulate)하는 능력 또는 그 분야로 설명됩니다. 반복해서 등장하는 기능은 언어(language), 이미지(image), 문제 해결(problem-solving), 학습(learning), 예측(prediction), 추천(recommendation), 결정(decision)입니다.

따라서 여기서는 인공지능을 다음처럼 읽습니다.

인공지능(artificial intelligence, AI)은 컴퓨터 시스템, 기계, 알고리즘이 인간 지능과 관련된 일부 기능을 수행하도록 연구·개발한 분야와 그 시스템을 함께 가리키는 넓은 말입니다.

AI를 이해할 때 튜링 테스트(Turing test)도 중요한 역사적 출발점이 됩니다. 튜링은 “기계가 생각할 수 있는가?”라는 질문을 직접 정의하려 하기보다, 사람이 대화를 통해 기계와 사람을 구분할 수 있는지를 묻는 방식으로 문제를 바꿨습니다. 이 시도는 AI를 내부 구조가 아니라 관찰 가능한 행동으로 판단하려는 대표적인 관점입니다.

다만 튜링 테스트만으로 현대 AI를 모두 설명하기는 어렵습니다. 오늘날의 AI는 대화에서 사람처럼 보이는지뿐 아니라, 어떤 데이터를 사용했는지, 어떤 모델 구조로 학습했는지, 어떤 평가 지표를 통과했는지, 실제 환경에 어떤 영향을 주는지도 함께 봐야 합니다. 따라서 여기서는 튜링 테스트를 AI 정의의 전부가 아니라, “지능을 어떻게 판정할 것인가”를 둘러싼 초기 문제 제기로 다룹니다.

OECD의 2023년 설명은 AI 시스템을 기계 기반 시스템으로 보고, 명시적이거나 암묵적인 목표 아래 입력을 받아 예측, 콘텐츠, 추천, 결정 같은 출력을 생성하는 시스템으로 설명합니다. 이 정의는 AI가 사람처럼 생각하는지보다, 입력과 목표와 출력의 관계를 중심으로 시스템을 바라봅니다.

이 관점은 이 책의 출발점과 잘 맞습니다. AI를 “인간 지능의 완전한 복제”로 먼저 이해하기보다, 문제를 계산 가능한 형태로 바꾸고 그 결과가 환경에 영향을 주는 시스템으로 보는 것입니다.

AI라는 말이 넓어진 이유

AI라는 말이 넓게 느껴지는 이유는, 이 용어가 하나의 알고리즘만 가리키지 않고 여러 시대의 문제 해결 방식을 함께 품고 있기 때문입니다. 초기 AI에서는 사람이 규칙(rule), 지식(knowledge), 탐색 절차(search procedure)를 명시적으로 설계하는 접근이 중요했습니다. 가능한 답이 너무 많을 때는 휴리스틱(heuristic)을 사용해 탐색 범위를 줄였습니다.

이후 데이터가 많아지고 저장·처리 인프라가 커지면서, AI를 설명하는 중심도 점점 데이터에서 판단 기준을 찾는 방향으로 확장되었습니다. 이때 데이터마이닝(data mining)이나 데이터 기반 의사결정 도구 흐름은 AI 모델 자체와 같지는 않지만, 데이터를 모으고 분석해 판단에 연결한다는 환경이 넓어지는 배경이 되었습니다.

이 배경 위에서 머신러닝(machine learning)은 사람이 모든 규칙을 직접 쓰는 대신 데이터에서 패턴을 학습하는 접근으로 자리 잡았습니다. 딥러닝(deep learning)은 여기에 신경망(neural network), 가중치(weights), 표현 학습(representation learning)을 결합해 더 복잡한 입력과 출력을 다루는 방향으로 확장되었습니다.

따라서 여기서는 AI라는 말을 단순히 “사람처럼 행동하는 기계”로만 읽지 않습니다. 규칙을 사람이 직접 작성하던 방식, 데이터로부터 판단 기준을 학습하는 방식, 그 결과를 서비스와 의사결정에 연결하는 방식을 함께 놓고 읽습니다.

층위(level) 판단을 만드는 방식 이 Section에서의 위치
규칙 기반 AI 사람이 규칙과 지식을 명시적으로 작성 AI 범위에 포함된 오래된 접근
탐색과 휴리스틱 후보를 탐색하되 경험적 기준으로 줄임 Part 1 Chapter 7에서 다시 다룸
DSS/BI/DW/OLAP 데이터를 모아 의사결정에 연결 AI를 둘러싼 데이터 기반 시스템 배경
데이터마이닝과 머신러닝 데이터에서 패턴과 예측 기준을 찾음 Part 1 Chapter 3 이후와 Part 4에서 다시 다룸
딥러닝과 생성형 AI 표현과 가중치를 학습해 복잡한 출력을 만듦 Part 1 Chapter 9 이후와 Part 5, Part 6에서 다시 다룸

이 구분은 AI의 사전적 정의와 역사적 변화를 섞지 않기 위한 안전장치입니다. 사전적으로 AI는 인간 지능과 관련된 기능을 수행하는 컴퓨터 시스템 또는 분야입니다. 역사적으로는 그 기능을 구현하는 방식이 규칙, 탐색, 확률, 데이터 학습, 딥러닝으로 확장되어 왔습니다.

여기서 DSS/BI/DW/OLAP를 함께 적어 둔 이유는, 데이터 모델링이 나중에 갑자기 등장한 별도 기술이 아니라 데이터를 모아 의사결정에 연결하던 흐름 위에서 자라난다는 배경을 먼저 보여 주기 위해서입니다. 약어를 모두 외우는 것이 목적은 아닙니다. DSS(decision support system)는 의사결정 지원 시스템, BI(business intelligence)는 데이터를 읽어 업무 판단에 쓰는 체계, DW(data warehouse)는 데이터를 모아 두는 저장 구조, OLAP(online analytical processing)는 모아 둔 데이터를 여러 기준으로 분석하는 방식이라고 이해하면 현재 문맥을 따라가는 데 필요한 배경은 갖춘 셈입니다.

문맥에 따라 달라지는 AI의 범위

AI라는 말은 문맥에 따라 다르게 쓰입니다.

표현 흔한 사용 맥락 주의할 점
AI 지능적인 행동을 보이는 시스템 전체 너무 넓어서 구체적인 방식이 보이지 않을 수 있음
머신러닝 데이터에서 패턴이나 관계를 학습하는 접근 모든 AI가 머신러닝인 것은 아님
딥러닝 신경망을 사용해 복잡한 표현을 학습하는 방법 모든 머신러닝이 딥러닝인 것은 아님
생성형 AI 텍스트, 이미지, 음성, 코드 같은 콘텐츠를 생성하는 모델과 서비스 생성 결과가 사실이거나 근거를 가진다는 뜻은 아님
LLM 대규모 언어 모델 모든 생성형 AI가 LLM은 아니며, LLM도 서비스 전체가 아니라 모델 구성요소일 수 있음

따라서 여기서는 AI를 가장 넓은 범주로 두고, 그 안에서 문제를 푸는 방식에 따라 하위 개념을 나눕니다.

flowchart TD
  AI[AI]
  Rule[규칙 기반 접근]
  Search[탐색과 계획]
  Prob[확률적 추론]
  ML[머신러닝]
  DL[딥러닝]
  Gen[생성형 AI]
  LLM[LLM]

  AI --> Rule
  AI --> Search
  AI --> Prob
  AI --> ML
  ML --> DL
  AI --> Gen
  DL -.-> Gen
  Gen --> LLM

이 그림은 AI를 가장 바깥 범주로 두고, 그 안에 규칙 기반 접근, 탐색과 계획, 확률적 추론, 머신러닝, 딥러닝, 생성형 AI, LLM이 서로 어떤 자리에 놓이는지 보여 주는 학습용 지도입니다. 여기서 중요한 점은 선 하나하나를 엄격한 포함 관계로 외우는 것이 아니라, LLM이 AI 전체와 같은 말은 아니며, 규칙 기반 접근도 AI 바깥이 아니라 안쪽의 한 흐름이라는 관계를 읽는 데 있습니다.

이 그림은 완전한 분류표가 아니라 학습용 지도입니다. 실제 기술은 서로 겹칩니다. LLM은 생성형 AI를 대표하는 모델 계열 중 하나로 볼 수 있지만, 모든 생성형 AI가 LLM인 것은 아닙니다. 예를 들어 최신 AI 서비스는 LLM만으로 구성되지 않고, 검색, 데이터베이스, 규칙, 권한 관리, 외부 도구 호출, 안전 필터를 함께 사용합니다. 반대로 전통적인 규칙 기반 시스템도 서비스 안에서는 여전히 유용합니다.

이 책에서 AI를 읽는 질문

중요한 것은 “AI인가 아닌가”를 한 번에 판정하는 일이 아닙니다. 지금 보고 있는 시스템이 다음 질문에 어떻게 답하는지 확인하는 것입니다.

  • 입력은 무엇인가?
  • 출력은 무엇인가?
  • 사람이 규칙을 직접 작성했는가, 데이터에서 관계를 학습했는가?
  • 불확실한 상황을 어떻게 다루는가?
  • 결과가 실제 환경이나 사용자의 판단에 어떤 영향을 주는가?

이 질문을 사용하면 AI라는 넓은 말을 더 작게 나눠 볼 수 있습니다. 이후 장에서 다룰 규칙 기반 AI, 휴리스틱, 확률, 머신러닝, 딥러닝, LLM도 모두 이 질문 위에 다시 배치할 수 있습니다.

간단한 구분 연습

아래 세 장면을 보고 먼저 입력, 출력, 판단 방식을 짧게 적어 보면 AI라는 말의 범위를 훨씬 안정적으로 잡을 수 있습니다.

장면 입력은 무엇인가 출력은 무엇인가 사람이 먼저 확인할 질문
대출 1차 심사 규칙표 신청 금액, 소득, 연체 여부 승인 보류, 추가 심사, 거절 사람이 규칙을 직접 썼는가, 데이터에서 학습했는가
상품 추천 모델 고객 클릭 기록, 구매 기록, 상품 정보 추천 상품 목록 과거 데이터에서 패턴을 학습했는가
문서 요약 챗봇 사용자의 질문, 원문 문서, 시스템 지시 요약 문장, 답변 문장 생성만 하는가, 검색과 규칙도 함께 쓰는가

이 연습의 핵심은 AI인가 아닌가를 즉시 판정하는 데 있지 않습니다. 먼저 같은 AI 범주 안에서도 사람이 규칙을 쓰는 방식, 데이터에서 학습하는 방식, 생성 모델에 검색과 규칙을 덧붙이는 방식이 다르다는 점을 구분해 보는 데 있습니다.

사례 및 예시

사례 1. 챗봇을 곧 AI 전체로 보는 경우

사용자가 처음 만난 AI가 챗봇 하나뿐이라면, AI는 질문하면 답하는 서비스라고 느끼기 쉽습니다. 하지만 실제로 같은 조직 안에는 규칙 기반 승인 시스템, 추천 시스템, 검색 랭킹 모델, 수요 예측 모델도 함께 있을 수 있습니다. 사람은 겉으로 보이는 대화 경험 하나를 중심으로 AI를 좁게 정의하기 쉽지만, 책에서 먼저 봐야 할 기준은 어떤 입력을 받아 어떤 출력을 만드는가입니다. 이 사례는 최근의 LLM 경험이 AI의 대표 사례일 수는 있어도 AI 전체와 같지는 않다는 점을 보여 줍니다.

사례 2. 규칙 기반 시스템도 AI 범위에 들어가는 경우

대출 심사 시스템이 사람이 정한 규칙표로 신청서를 1차 판정한다고 해 보겠습니다. 사용자는 학습 데이터도 없고 채팅도 하지 않으니 이건 AI가 아닌 것 아닌가라고 느낄 수 있습니다. 하지만 이 시스템도 입력을 받아 규칙과 목표에 따라 판단을 내리고, 그 결과가 사람의 결정과 환경에 영향을 줍니다. 즉, 머신러닝이 아니어도 지능과 관련된 기능을 수행하도록 설계된 시스템이라는 넓은 AI 범주 안에서는 읽을 수 있습니다. 이 사례는 AI의 범위를 최신 학습 모델로만 좁히면 놓치는 층위가 있다는 점을 보여 줍니다.

체크리스트

  • AI라는 말이 하나의 기술 이름이 아니라 넓은 분야와 시스템 범주로 쓰인다는 점을 설명할 수 있다.
  • AI, 머신러닝, 딥러닝, 생성형 AI, LLM을 같은 층위(level)의 단어처럼 섞어 쓰면 왜 혼동이 생기는지 설명할 수 있다.
  • AI의 사전적 의미와 역사적으로 확장된 사용 맥락을 구분할 수 있다.
  • AI 시스템을 입력, 목표, 출력, 영향이라는 관점에서 볼 수 있다.
  • 생성형 AI의 결과가 자연스럽다는 사실과 결과가 사실이라는 판단을 구분할 수 있다.
  • AI는 하나의 제품 이름이 아니라 입력과 목표와 출력을 가진 넓은 시스템 범주라는 점을 설명할 수 있다.
  • 최근의 생성형 AI 경험만으로 AI 전체를 정의하면 규칙 기반 시스템, 검색, 추천, 예측 같은 다른 층위를 놓치기 쉽다는 점을 설명할 수 있다.

출처와 참고 자료