콘텐츠로 이동

P1-2.3 머신러닝, 딥러닝, 생성형 AI로의 흐름

Section ID: P1-2.3 Version: v2026.07.20

2.1에서는 기호 기반 AI와 규칙 기반 접근을 봤고, 2.2에서는 탐색, 지식 표현, 확률 추론을 봤습니다. 이번 절에서는 그 다음 흐름을 봅니다. 왜 AI의 중심 설명은 점점 데이터에서 학습하는 모델로 이동했을까요?

여기서 필요한 일은 머신러닝, 딥러닝, 생성형 AI를 깊게 설명하는 것이 아니라, “사람이 규칙을 모두 쓰는 방식”에서 “데이터와 경험으로 모델을 학습하는 방식”으로 설명의 중심이 왜 이동했는지를 역사적 관점에서 잡는 것입니다. Part 3에서는 데이터 모델링을 먼저 정리하고, Part 4, Part 5, Part 6에서 각 구조를 따로 깊게 다룹니다.

Part 1에서 규칙 기반 접근에서 학습 기반 접근으로 중심이 이동한 역사 흐름과 데이터, 특징(feature), 표현(representation), 파라미터(parameter)의 기본 연결은 이 절에서 잡습니다. AI/머신러닝/딥러닝/생성형 AI/LLM의 기본 관계는 1.3에서 먼저 잡았고, 여기서는 그 용어들이 어떤 흐름으로 이어지는지에 필요한 만큼만 다시 연결합니다. 뒤 절에서 이 용어 구분이 다시 흔들리면 이 절과 개념사전으로 돌아오면 됩니다.

규칙 작성에서 데이터 학습으로 이동한 이유

여기서는 다음 질문을 정리합니다.

  • 왜 규칙 기반 접근만으로 풀기 어려운 문제가 데이터 기반 학습으로 이어졌는가?
  • 머신러닝, 딥러닝, 생성형 AI는 어떤 역사적 흐름으로 이어지는가?
  • 데이터, 특징, 표현, 모델, 파라미터가 왜 점점 더 중요해졌는가?

이 절은 먼저 설명 중심이 왜 데이터와 학습 중심으로 이동했는가를 닫습니다. 세부 학습 구조는 뒤의 Part 3, Part 4, Part 5, Part 6에서 각각 이어지고, 여기서는 그 이동을 큰 역사 흐름으로 정리하는 데 집중합니다.

데이터, 특징, 표현, 파라미터를 연결하는 기준

  • 규칙 기반 접근만으로 풀기 어려운 문제가 왜 데이터 기반 학습으로 이어졌는지 이해합니다.
  • 머신러닝, 딥러닝, 생성형 AI를 역사적 흐름 속에서 구분합니다.
  • 데이터, 특징, 표현, 모델, 파라미터가 왜 중요해졌는지 봅니다.
  • 생성형 AI와 LLM을 갑작스러운 단절이 아니라 누적된 흐름의 결과로 읽습니다.

먼저 연결할 개념

이 절은 학습 기반 접근으로 설명 중심이 이동하는 흐름과 핵심 학습 용어를 함께 묶어 두는 대표 설명 위치입니다. 아래 개념은 지금 짧게 역할을 잡아 두고, 더 자세한 정의가 필요할 때는 각 표제어 항목으로 바로 이동해 다시 확인합니다.

개념 여기서 먼저 잡을 뜻 왜 지금 필요한가
데이터 학습과 판단의 재료 규칙 대신 무엇에서 기준을 배우는지 보기 위해
특징 사람이 먼저 정리하거나 선택한 단서 초기 머신러닝이 어떤 입력 표현에 기대는지 잡기 위해
표현 모델 안에서 다루는 내부 형태 딥러닝이 왜 표현 학습으로 설명되는지 보기 위해
파라미터 학습으로 조정되는 내부 값 학습이 실제로 무엇을 바꾸는지 잡기 위해
머신러닝 데이터로 성능을 개선하는 학습 접근 규칙 작성에서 모델 학습으로 이동한 이유를 보기 위해
딥러닝 표현 학습을 강하게 쓰는 신경망 기반 접근 특징 설계 중심에서 표현 학습 중심으로 이동한 흐름을 보기 위해
생성형 AI 새 콘텐츠를 만들어 내는 모델과 서비스 범주 최근 흐름이 어디까지 이어졌는지 잡기 위해

주요 학습내용

이 장면에서는 현대 AI의 큰 흐름을 정리합니다. 아래 세 가지가 전체 지도입니다.

기준 왜 중요한가 이 절에서 필요한 이해 수준
규칙만으로 풀기 어려운 문제가 데이터 기반 학습으로 이어졌다는 점 머신러닝이 왜 중심으로 올라왔는지 이해하게 해 줍니다. 사람이 모든 기준을 직접 쓰기 어려운 문제가 많아졌다는 점을 구분합니다.
머신러닝, 딥러닝, 생성형 AI는 서로 끊어진 유행어가 아니라 이어진 흐름이라는 점 용어가 많아도 한 지도 안에서 읽게 해 줍니다. 데이터 학습 -> 표현 학습 -> 생성으로 확장된 흐름을 정리합니다.
LLM은 AI 전체가 아니라 최근의 강한 한 흐름이라는 점 현재의 제품 경험을 전체 역사와 구분하게 해 줍니다. LLM이 생성형 AI 안의 대표 사례라는 점을 연결합니다.

데이터, 특징, 표현, 모델, 파라미터는 이 절 전체에서 반복되는 핵심 용어입니다. 이 절에서 먼저 남겨야 할 큰 구분은 데이터는 재료, 특징은 사람이 먼저 정리한 단서, 표현은 모델 안에서 다루는 형태, 모델은 입력에서 출력을 만드는 계산 구조, 파라미터는 학습으로 조정되는 내부 값이라는 점입니다. 각 용어는 아래 본문에서 한 번 더 묶어 정리합니다.

세부 학습내용

규칙을 모두 쓰기 어려운 문제

규칙 기반 접근은 사람이 판단 기준을 명시적으로 적을 수 있을 때 강합니다. 업무 승인, 권한 검사, 정책 적용, 단순 분류처럼 기준이 비교적 분명한 문제에서는 여전히 유용합니다.

하지만 현실의 많은 문제는 규칙으로 모두 쓰기 어렵습니다.

문제 규칙으로 쓰기 어려운 이유
사진에서 사물 알아보기 픽셀 조합을 사람이 규칙으로 다 적기 어렵습니다.
자연어 문장 이해 문맥, 생략, 중의성, 표현 차이가 많습니다.
스팸 메일 판단 단어 몇 개만으로 확정하기 어렵고 공격자가 계속 회피합니다.
고객 이탈 예측 행동 패턴이 복잡하고 시간에 따라 바뀝니다.
음성 인식 발음, 억양, 잡음, 녹음 환경이 계속 달라집니다.

이런 문제에서는 “어떤 규칙을 사람이 직접 쓸 것인가?”보다 “데이터에서 어떤 관계를 학습할 수 있는가?”가 더 중요한 질문이 됩니다. 머신러닝(machine learning)은 바로 이 질문을 중심에 둡니다.

같은 업무 흐름 안에서도 어떤 부분은 규칙으로 버틸 수 있고, 어떤 부분은 학습으로 넘어가야 합니다. 이 차이를 한 번에 보면 설명의 중심이 왜 이동했는지 더 분명해집니다.

같은 고객 지원 업무 안의 장면 규칙 기반 접근이 잘 맞는 이유 학습 기반 접근이 필요한 이유
환불 가능 기간 확인 정책 문장을 사람이 명시적으로 적을 수 있습니다. 예외는 있어도 기준 자체는 비교적 분명합니다.
문의 의도 분류 일부 단어 규칙은 만들 수 있습니다. 표현이 다양하고 문맥에 따라 뜻이 달라집니다.
긴급 문의 우선순위 결정 일부 기준은 적을 수 있습니다. 과거 처리 이력과 여러 단서의 조합을 함께 봐야 합니다.

이 표의 핵심은 규칙이 쓸모없어졌다는 뜻이 아니라, 현실 문제 하나 안에서도 명시적 기준을 쓰는 부분과 데이터에서 관계를 배워야 하는 부분이 갈라진다는 점입니다. Chapter 3에서는 바로 이 갈라짐을 더 좁혀, 규칙 기반 시스템의 강점과 한계, 그리고 데이터에서 패턴을 배우는 구조를 이어서 봅니다.

Stanford Encyclopedia of Philosophy의 AI 항목은 머신러닝 시스템을 예시가 주어졌을 때 특정 과제의 성능을 개선하는 시스템으로 설명합니다. 이 관점에서 학습은 사람이 모든 규칙을 작성하는 일이 아니라, 데이터와 경험을 통해 모델의 판단 기준을 조정하는 일입니다.

머신러닝: 규칙 작성에서 모델 학습으로

머신러닝은 데이터나 경험을 사용해 모델(model)의 성능을 개선하는 접근입니다. 여기서 모델은 입력을 받아 예측, 분류, 추천, 점수, 행동 같은 출력을 만드는 계산 구조입니다.

데이터/경험 -> 학습 -> 모델 -> 예측/분류/추천/행동

규칙 기반 접근과 머신러닝의 차이는 다음처럼 볼 수 있습니다.

구분 규칙 기반 접근 머신러닝 접근
판단 기준 사람이 명시적으로 작성한 규칙 데이터에서 학습한 모델
개발자의 중심 작업 규칙 작성, 예외 처리, 규칙 충돌 관리 데이터 준비, 특징 설계, 학습, 평가
강점 설명과 통제가 비교적 쉬움 복잡한 패턴을 데이터에서 학습할 수 있음
약점 예외와 변화에 취약할 수 있음 데이터 품질, 편향, 과적합, 설명 가능성 문제가 생김
오류 검토 규칙이 맞는지 검토 학습 데이터와 평가 결과를 검토

머신러닝은 한 가지 방식이 아닙니다. 지도학습(supervised learning)은 정답이 붙은 예시에서 입력과 출력의 관계를 학습합니다. 비지도학습(unsupervised learning)은 정답 없이 데이터 안의 구조나 패턴을 찾습니다. 강화학습(reinforcement learning)은 행동의 결과로 얻는 보상을 통해 더 나은 행동 방식을 학습합니다.

이 절에서는 세 학습 유형을 이름만 잡습니다. 자세한 내용은 Part 1 Chapter 8에서 다룹니다.

학습 유형 영어 표현 기본 질문
지도학습 supervised learning 입력이 주어졌을 때 어떤 정답이나 값을 예측할 것인가?
비지도학습 unsupervised learning 정답 없이 데이터 안의 구조를 어떻게 찾을 것인가?
강화학습 reinforcement learning 행동의 결과가 나중에 보상으로 돌아올 때 어떤 정책을 배울 것인가?

데이터마이닝과 데이터 기반 판단의 배경

머신러닝으로의 이동은 AI 내부의 변화만으로 설명되지 않습니다. 데이터가 많이 쌓이고, 그 데이터에서 패턴을 찾으려는 실무적 요구도 함께 커졌습니다.

Fayyad, Piatetsky-Shapiro, Smyth의 KDD 개요 논문은 KDD(knowledge discovery in databases)를 데이터에서 유용한 지식을 발견하는 전체 과정으로 설명하고, 데이터마이닝(data mining)을 그 과정 안에서 특정 알고리즘으로 패턴을 추출하는 단계로 구분합니다. 이 문헌은 KDD가 데이터베이스, 통계, AI, 머신러닝과 만나는 다학제적 활동이라고 설명합니다.

이 흐름은 데이터 웨어하우스, BI, DSS 같은 데이터 기반 의사결정 도구 문화와도 느슨하게 연결됩니다. 이들은 AI 모델 그 자체는 아니지만, 데이터를 저장하고 분석하고 판단에 연결하는 실무 환경을 넓혔습니다.

따라서 “AI가 규칙에서 데이터 기반 판단으로 이동했다”는 관점은 유용합니다. 다만 AI라는 말 자체가 처음부터 데이터 기반 판단만을 뜻한 것은 아닙니다. 더 안전한 표현은 다음과 같습니다.

현대 AI를 이해할 때는 규칙, 탐색, 지식 표현, 확률 추론의 층위(level) 위에 데이터에서 판단 기준을 학습하는 머신러닝의 층위(level)가 강하게 추가되었다고 보는 것이 좋습니다.

핵심 학습 용어를 한 번 묶어 본다

이 절에서는 데이터, 특징, 표현, 모델, 파라미터가 반복해서 나옵니다. 여기서 한 번만 대표 기준으로 묶어 두고, 뒤 문단에서는 이 구분을 전제로 역사 흐름과 사례를 읽습니다.

용어 영어 표현 이 절에서 먼저 잡을 뜻
데이터 data 관측하거나 저장한 사례와 값입니다. 예를 들어 고객 클릭 기록, 제품 사진, 문장 모음이 데이터입니다.
특징 feature 모델이 바로 읽기 좋게 정리한 입력 단서입니다. 예를 들어 이메일의 단어 수, 링크 수, 발신자 도메인이 특징이 될 수 있습니다.
표현 representation 데이터를 모델 안에서 다룰 수 있는 형태로 바꾼 결과입니다. 특징보다 더 넓은 말이며, 딥러닝에서는 이 표현을 모델이 함께 학습하기도 합니다.
모델 model 입력을 받아 예측, 분류, 추천, 생성 같은 출력을 만드는 계산 구조입니다.
파라미터 parameter 모델 안에서 학습을 통해 조정되는 값입니다. 이 값이 바뀌면 같은 입력에 대한 출력도 달라질 수 있습니다.

이 단계에서는 데이터는 재료, 특징과 표현은 그 재료를 읽기 좋은 형태로 바꾸는 방법, 모델은 판단이나 생성을 수행하는 구조, 파라미터는 학습으로 조정되는 내부 값이라는 구분이 먼저 남아 있으면 됩니다.

파라미터가 특히 추상적으로 느껴진다면, 같은 입력에도 왜 모델의 답이 달라질 수 있는지를 떠올리면 됩니다. 예를 들어 고객 이탈 예측 모델이 최근 30일 접속 횟수, 최근 결제 여부, 문의 이력을 함께 본다고 해 보겠습니다. 학습 전에는 어떤 요소를 더 중요하게 볼지 정해져 있지 않지만, 학습이 진행되면 모델 안의 파라미터가 조정되면서 최근 결제 없음을 더 강하게 보거나 접속 횟수 감소를 더 민감하게 보게 될 수 있습니다. 즉 파라미터는 사람이 문장으로 직접 적은 규칙이 아니라, 데이터에서 반복적으로 드러난 관계를 모델 내부에 반영하는 조정값이라고 이해하면 됩니다.

딥러닝: 특징 설계에서 표현 학습으로

머신러닝에서는 데이터가 곧바로 모델에 들어가는 것이 아닙니다. 대개 데이터를 모델이 다룰 수 있는 특징(feature)이나 표현(representation)으로 바꿔야 합니다.

예를 들어 이메일을 스팸인지 판단하려면 단어 빈도, 발신자 정보, 링크 수, 제목 패턴 같은 특징을 만들 수 있습니다. 이미지에서는 색, 모서리, 질감, 형태 같은 특징을 생각할 수 있습니다. 전통적인 머신러닝에서는 사람이 어떤 특징을 만들지 설계하는 일이 중요했습니다.

딥러닝(deep learning)은 이 지점을 크게 바꿨습니다. 딥러닝은 여러 층을 가진 신경망(neural network)을 사용해 데이터에서 유용한 표현을 함께 학습하려는 접근입니다. Stanford Encyclopedia of Philosophy의 AI 항목도 딥러닝을 표현 학습(representation learning)과 연결해 설명합니다.

구분 전통적 머신러닝의 전형적 흐름 딥러닝의 전형적 흐름
특징 사람이 많이 설계함 모델이 데이터에서 표현을 학습함
모델 상대적으로 얕은 모델도 많이 사용 여러 층의 신경망을 사용
강점 데이터가 적거나 구조가 명확한 문제에 유용 이미지, 음성, 언어처럼 복잡한 입력에서 강함
부담 특징 설계와 도메인 지식이 중요 많은 데이터, 계산 자원, 평가가 중요

딥러닝을 생물학적 뇌와 같다고 이해하면 곤란합니다. 신경망과 시냅스라는 비유는 학습을 직관적으로 이해하는 데 도움이 되지만, 인공신경망은 생물학적 뇌의 복사본이 아닙니다. 여기서는 딥러닝을 다음처럼 설명합니다.

딥러닝은 학습 가능한 가중치(weight)를 가진 여러 층의 신경망으로 데이터의 표현과 예측 규칙을 찾는 최적화 과정입니다.

분류, 언어 모델링, 생성 모델처럼 출력이 확률로 해석되는 경우에는 딥러닝을 “좋은 확률적 예측 모델을 찾는 시도”로 볼 수 있습니다. 하지만 모든 딥러닝 모델을 명시적인 확률 모델이라고 부르기는 어렵습니다. 그래서 여기서는 확률 모델(probabilistic model), 표현 학습(representation learning), 최적화(optimization)를 구분해서 설명합니다.

아주 작은 예시로 보면 특징과 표현의 차이도 더 분명해집니다.

문제 사람이 먼저 만들 수 있는 특징의 예 딥러닝이 더 직접 학습하려는 표현의 예
스팸 메일 분류 제목의 특정 단어 수, 링크 개수, 발신자 도메인 단어 조합, 문장 패턴, 문맥상 이상한 표현의 내부 표현
제품 사진 분류 평균 밝기, 가장자리 수, 특정 색 비율 표면 질감, 균열 모양, 부품 배치 같은 시각 패턴의 내부 표현
음성 인식 특정 주파수 대역의 세기, 구간 길이 발음 패턴, 억양 변화, 문맥상 이어지는 소리 구조의 내부 표현

이 표의 핵심은 전통적 머신러닝은 사람이 먼저 단서를 많이 설계하는 편이고, 딥러닝은 그 단서 자체를 데이터에서 더 많이 학습하려는 편이라는 점입니다.

생성형 AI: 판단에서 생성으로 보이는 전환

생성형 AI(generative AI)는 텍스트, 이미지, 오디오, 영상, 코드 같은 새 콘텐츠를 만들어 내는 AI 모델과 서비스를 가리킵니다. NIST의 생성형 AI 프로파일은 생성형 AI를 입력 데이터의 구조와 특성을 모방해 파생된 합성 콘텐츠를 생성하는 AI 모델 범주로 설명하고, 이미지, 영상, 오디오, 텍스트 같은 디지털 콘텐츠를 예로 듭니다.

이 정의에서 중요한 점은 생성형 AI가 “사실을 말하는 기계”가 아니라는 것입니다. 생성형 AI는 학습 데이터의 구조와 패턴을 바탕으로 그럴듯한 출력을 생성합니다. 따라서 생성 결과가 자연스럽다고 해서 자동으로 사실이 되는 것은 아닙니다.

구분 중심 출력 예
분류 범주 정상/불량, 스팸/정상
예측 값 또는 점수 매출 예측, 이탈 확률
추천 후보 목록 상품 추천, 문서 추천
생성 새 콘텐츠 문장, 이미지, 코드, 음성

여기서 한국어의 추론이라는 말은 주의해야 합니다. AI 문맥에서 inference는 학습된 모델을 실행해 출력을 만드는 사용 시점의 계산을 뜻할 수 있습니다. 반면 reasoning은 근거를 따라 문제를 푸는 논리적 사고를 뜻합니다. 생성형 AI가 inference에서 출력을 만든다고 해서, 그 출력이 항상 논리적으로 추론된 사실이라는 뜻은 아닙니다.

LLM은 이 흐름에서 어디에 있는가

LLM(large language model, 대규모 언어 모델)은 생성형 AI를 대표하는 모델 계열이지만, 생성형 AI 전체와 같은 말은 아닙니다. LLM은 언어 데이터를 중심으로 학습한 대규모 언어 모델입니다. Zhao 등의 LLM survey는 언어 모델이 통계적 언어 모델에서 신경망 언어 모델, 사전학습 언어 모델을 거쳐 대규모 언어 모델로 발전해 왔다고 설명합니다.

이 절에서 중요한 것은 LLM을 갑자기 등장한 예외로 보지 않는 것입니다. LLM은 다음 흐름 위에서 이해할 수 있습니다.

flowchart TD
  Rule[명시적 규칙]
  Search[탐색과 지식 표현]
  Prob[확률 추론]
  Data[데이터마이닝과 머신러닝]
  Rep[표현 학습과 딥러닝]
  Gen[생성형 AI]
  LLM[LLM]

  Rule --> Search
  Search --> Prob
  Prob --> Data
  Data --> Rep
  Rep --> Gen
  Gen --> LLM

이 그림은 한 기술이 이전 기술을 지워 버렸다는 뜻이 아니라, AI 설명의 중심이 점점 더 많은 층을 쌓아 왔다는 뜻으로 읽어야 합니다. 여기서 읽어야 할 핵심은 규칙 -> 불확실성 처리 -> 데이터 학습 -> 표현 학습 -> 생성이라는 누적 흐름입니다.

이 그림은 대체 관계가 아니라 누적 관계를 보여줍니다. 현대 AI 서비스는 LLM만으로 이루어지지 않습니다. 검색, 데이터베이스, 지식 그래프, 규칙 기반 필터, 권한 관리, 평가, UI, 운영 시스템이 함께 들어갈 수 있습니다.

따라서 이 절의 흐름은 다음처럼 읽는 것이 안전합니다.

AI의 중심 설명은 명시적 규칙과 탐색에서 시작해, 불확실성을 다루는 확률 추론과 데이터에서 패턴을 학습하는 머신러닝으로 확장되었습니다. 딥러닝은 데이터에서 표현을 학습하는 능력을 크게 확장했고, 생성형 AI와 LLM은 그 표현 학습과 대규모 데이터, 계산 자원, 언어 모델링이 결합된 최근의 강한 사례입니다.

시스템 관점으로 다시 읽기

전통적인 소프트웨어 함수가 사람이 작성한 로직으로 입력을 처리한다면, 머신러닝 모델은 데이터로 학습된 파라미터를 사용해 입력을 처리한다고 볼 수 있습니다. 이 비유는 학습용으로는 유용하지만, 모델이 곧 서비스 전체를 뜻하지는 않습니다.

실제 서비스에서는 다음 흐름이 함께 움직입니다.

사용자 요청 -> 입력 정리 -> 모델 또는 도구 실행 -> 결과 검토 -> 응답 또는 업무 처리

어떤 단계는 규칙으로 고정하고, 어떤 단계는 검색으로 보강하며, 어떤 단계는 모델이 예측하거나 생성하게 만들 수 있습니다. 중요한 것은 모든 것을 AI에게 맡기는 것이 아니라, 반복 가능하고 검증 가능한 부분을 찾아 시스템으로 구성하는 일입니다.

이 절에서는 이 관점을 다음 문장으로 정리합니다.

현대 AI 서비스는 사람이 직접 작성한 로직, 데이터에서 학습한 모델, 검색과 도구, 검증 절차를 조합해 요청을 처리하는 워크플로우로 이해할 수 있습니다.

이 문장은 모델 하나가 곧 서비스 전체라는 오해를 막기 위한 요약입니다. 여기서는 현대 AI 서비스는 규칙, 검색, 모델, 검증이 함께 묶인 시스템이라는 관점이 먼저 남아 있으면 됩니다.

간단한 흐름 구분 연습

아래 사례를 보고 설명의 중심이 규칙 작성, 머신러닝, 딥러닝, 생성형 AI 가운데 어디에 더 가까운지 먼저 구분해 보겠습니다.

사례 먼저 떠올릴 질문 가장 가까운 중심 설명
사내 경비 처리에서 금액 한도와 직급 규정으로 승인 단계를 정한다 기준을 사람이 문서로 직접 쓸 수 있는가 규칙 작성
고객 이탈을 예측하려고 가입 기간, 결제 이력, 최근 접속 빈도를 사용한다 과거 사례에서 어떤 패턴이 반복되는가 머신러닝
제품 사진에서 미세한 불량 흔적을 자동으로 찾는다 사람이 특징을 다 설계하기보다 모델이 시각 표현을 배우게 해야 하는가 딥러닝
사용자가 한 줄 설명을 넣으면 광고 문안 초안을 여러 개 생성한다 새 텍스트를 만들어야 하는가 생성형 AI

이 연습의 핵심은 유행어를 고르는 것이 아니라, 문제를 풀기 위해 사람이 직접 기준을 적는 쪽인지, 데이터에서 패턴을 배우는 쪽인지, 표현을 깊게 학습해야 하는지, 새 콘텐츠를 만들어야 하는지를 먼저 나누는 데 있습니다.

사례 및 예시

사례 1. 사진 분류는 왜 규칙 목록만으로 버티기 어려운가

공장 컨베이어 벨트에서 제품 사진을 보고 정상과 불량을 나눈다고 해 보겠습니다. 사람이 규칙을 만들면 금이 일정 길이 이상이면 불량, 얼룩이 일정 개수 이상이면 불량, 색이 기준보다 어두우면 불량처럼 시작할 수 있습니다.

처음에는 이 규칙이 작동해도, 실제 현장에서는 조명 변화, 카메라 각도, 반사, 제품 위치 차이, 미세한 패턴 차이 때문에 같은 불량도 모습이 계속 달라집니다. 사람은 보면서 비슷한 느낌을 잡을 수 있지만, 그 기준을 픽셀 규칙으로 전부 적는 일은 빠르게 어려워집니다.

그래서 설명의 중심이 어떤 규칙을 더 적을까에서 정상과 불량 사진을 많이 보며 어떤 패턴을 학습할까로 이동합니다. 머신러닝은 특징을 설계하고, 딥러닝은 더 복잡한 표현을 학습하며, 생성형 AI는 그보다 더 나아가 새 콘텐츠를 만드는 방향까지 확장됩니다.

이 사례는 2.3의 역사 흐름을 한 문장으로 묶어 줍니다. 규칙 기반 접근이 쓸모없어져서가 아니라, 사람이 직접 적기 어려운 복잡한 입력이 많아지면서 데이터에서 관계를 배우는 방식이 중심으로 올라온 것입니다.

체크리스트

  • 규칙 기반 접근만으로 풀기 어려운 문제가 왜 데이터 기반 학습으로 이어졌는지 설명할 수 있다.
  • 머신러닝을 데이터나 경험으로 모델 성능을 개선하는 접근으로 설명할 수 있다.
  • 데이터마이닝과 KDD가 데이터 기반 판단 문화와 연결되지만, 머신러닝과 완전히 같은 말은 아니라는 점을 설명할 수 있다.
  • 딥러닝을 특징 설계를 줄이고 표현을 학습하는 신경망 기반 접근으로 설명할 수 있다.
  • 생성형 AI가 새 콘텐츠를 생성하는 모델과 서비스 범주이며, 생성 결과가 곧 사실은 아니라는 점을 설명할 수 있다.
  • LLM을 생성형 AI의 대표 사례로 보되, 생성형 AI 전체와 동일시하지 않을 수 있다.
  • 현대 AI 서비스를 모델 하나가 아니라 규칙, 검색, 데이터, 모델, 검증이 조합된 워크플로우로 볼 수 있다.
  • 머신러닝, 딥러닝, 생성형 AI가 서로 다른 이름이지만 규칙 -> 데이터 학습 -> 표현 학습 -> 생성의 흐름으로 연결해 읽을 수 있다는 점을 설명할 수 있다.
  • 기존 접근을 완전히 대체한 것이 아니라, 규칙·탐색·지식 표현·확률 추론·데이터마이닝·머신러닝·딥러닝·생성형 AI가 실제 시스템 안에서 섞인다는 점을 설명할 수 있다.

출처와 참고 자료