콘텐츠로 이동

P1-3.3 규칙 기반 접근(rule-based approach)과 표현 학습(representation learning)

Section ID: P1-3.3 Version: v2026.07.20

3.1에서는 사람이 규칙을 직접 쓰는 방식의 장점과 한계를 봤고, 3.2에서는 데이터에서 패턴을 배우는 기본 구조를 봤습니다. 이번 절에서는 학습 과정 전체를 다시 설명하지 않고, 입력을 어떤 형태로 다루는가에 초점을 맞춥니다.

중심 질문은 단순합니다. 사람이 규칙을 직접 쓰는 접근과 모델이 데이터에서 표현을 학습하는 접근은 무엇이 다른지 살펴봅니다.

여기서 필요한 일은 딥러닝의 내부를 자세히 설명하는 것이 아니라, 규칙(rule), 특징(feature), 표현(representation), 파라미터(parameter)가 서로 어떻게 다른 위치에 있는지를 먼저 잡는 것입니다.

Part 1에서 표현(representation), 벡터(vector), 활성값(activation), 표현 학습(representation learning)의 기본 뜻은 이 절에서 잡습니다. 예시, 라벨, 학습, 일반화의 기본 구조는 3.2에서 먼저 잡았고, 여기서는 입력이 모델 안에서 어떤 내부 형태로 바뀌는지와 규칙 기반 접근과의 차이에 필요한 만큼만 다시 연결합니다.

이 절에서는 다음 질문을 정리합니다.

  • 규칙 기반 접근과 표현 학습은 입력을 다루는 방식에서 무엇이 다른가?
  • 특징(feature)과 표현(representation)은 어떤 관계로 읽는 것이 안전한가?
  • 학습된 표현이 강력하지만 해석이 어려울 수 있다는 말은 무슨 뜻인가?

이 절은 먼저 규칙 기반 접근과 표현 학습이 입력을 다루는 자리의 차이를 닫습니다. 입력, 출력, 데이터, 특징, 파라미터를 더 체계적으로 정리하는 일은 바로 다음 Part 1 Chapter 4에서 이어집니다.

규칙, 특징, 표현의 자리 구분

  • 규칙 기반 접근(rule-based approach)과 표현 학습(representation learning)의 차이를 구분합니다.
  • 특징(feature)과 표현(representation)의 관계를 이해합니다.
  • 사람이 설계한 특징과 모델이 학습한 표현의 차이를 봅니다.
  • 학습된 표현이 강력하지만 해석이 어려울 수 있음을 이해합니다.
  • Part 1 Chapter 4에서 다룰 입력, 출력, 데이터, 특징, 파라미터 개념으로 연결합니다.

세 가지 기준

이 장면에서는 입력을 모델이 어떤 형태로 다루는지 봅니다. 아래 세 가지가 구조의 기준선입니다.

기준 왜 중요한가 이 절에서 필요한 이해 수준
규칙은 사람이 밖에서 적는 기준이고, 표현은 모델 안에서 쓰는 내부 형태라는 점 규칙 기반 접근과 학습 기반 접근의 자리가 달라진다는 점이 보입니다. 규칙은 읽을 수 있고 표현은 계산용 내부 값이라는 점을 구분합니다.
특징(feature)은 사람이 만들 수도 있고, 모델이 더 깊은 표현으로 바꿀 수도 있다는 점 전통적 머신러닝과 딥러닝의 차이로 이어집니다. 키워드 같은 사람이 만든 단서와 모델이 학습한 내부 표현이 다르다는 점을 정리합니다.
학습된 표현은 강하지만 왜 그렇게 봤는지 읽기 어려울 수 있다는 점 모델 해석과 평가가 왜 필요한지 연결됩니다. 유사성을 넓게 다루는 대신 설명은 어려워질 수 있다는 점을 연결합니다.

규칙, 특징, 표현, 벡터, 활성값, 파라미터는 이 절 전체에서 반복되는 핵심 용어입니다. 이 절에서 먼저 남겨야 할 큰 구분은 규칙은 밖에 있는 기준, 특징은 입력에서 꺼낸 단서, 표현은 안쪽 형태, 벡터는 숫자 묶음, 활성값은 중간 값, 파라미터는 학습되는 기준이라는 점입니다. 각 용어는 아래 본문에서 한 번 더 묶어 정리합니다.

먼저 같은 문제를 두 방식으로 보기

고객 문의 분류 예시를 계속 사용하겠습니다. 다음 문장이 들어왔다고 해 봅니다.

배송이 내일까지 안 오면 취소할게요.

규칙 기반으로 접근하면 사람이 직접 조건을 씁니다.

문장에 "배송"이 있고 "내일"이 있으면 배송 문의로 분류한다. 문장에 "취소"가 있으면 주문 취소 후보로 표시한다. 두 조건이 함께 있으면 사람 검토로 보낸다.

이 규칙은 사람이 읽을 수 있습니다. 어떤 조건 때문에 어떤 결과가 나왔는지도 비교적 쉽게 추적할 수 있습니다. 대신 사람이 조건과 예외를 계속 써야 합니다.

학습 기반 모델은 다른 방식으로 접근합니다. 3.2에서 본 것처럼 학습은 과거 문의와 분류 예시를 사용합니다. 이 절에서 새로 볼 부분은, 모델이 문장을 내부 값으로 바꾸고 그 내부 값을 이용해 어느 분류가 더 그럴듯한지 계산한다는 점입니다.

문장 -> 내부 표현 -> 모델 계산 -> 분류 점수

여기서 핵심은 내부 표현입니다. 모델은 문장을 그대로 읽는 것이 아니라, 계산 가능한 값의 묶음으로 바꿔 사용합니다.

flowchart TD
  Text[문의 문장]
  Rule[사람이 작성한 규칙]
  RuleOut[규칙 결과]

  Rep[모델 내부 표현]
  Model[학습된 모델]
  ModelOut[예측 결과]

  Text --> Rule --> RuleOut
  Text --> Rep --> Model --> ModelOut

이 그림은 같은 입력이 두 갈래로 처리된다는 점만 보여 줍니다. 왼쪽 갈래는 사람이 미리 써 둔 규칙이 바로 결과에 영향을 주는 구조이고, 오른쪽 갈래는 입력이 먼저 모델이 계산할 수 있는 내부 표현으로 바뀐 뒤 예측이 나오는 구조입니다. 이 절의 핵심은 어느 쪽이 더 좋다가 아니라, 판단 기준이 밖에 적혀 있는가 아니면 모델 안에서 계산되는가의 차이를 구분하는 데 있습니다.

이 절의 경계: 학습 전체가 아니라 표현을 본다

3.2는 학습 데이터, 라벨, 모델, 학습, 추론의 기본 구조를 설명했습니다. 3.3은 그 구조를 반복하지 않습니다. 이 절의 관심사는 입력이 모델 안에서 어떤 형태로 바뀌며, 그 형태가 사람이 작성한 규칙과 어떻게 다른지입니다.

구분 3.2의 중심 3.3의 중심
질문 데이터에서 패턴을 배운다는 말은 무엇인가? 입력을 표현으로 바꾼다는 말은 무엇인가?
핵심 용어 예시, 라벨, 모델, 학습, 추론, 일반화 규칙, 특징, 표현, 파라미터
주요 위험 암기, 과적합, 데이터 품질 문제 해석 어려움, 표현의 불투명성
다음 연결 머신러닝의 학습 구조 문제를 모델로 바꾸는 과정

규칙은 밖에 있고, 표현은 안에 있다

명시적 규칙은 시스템 바깥에 가까운 곳에 있습니다. 사람이 읽고, 문서화하고, 수정할 수 있는 형태로 존재합니다.

조건을 만족하면 어떤 결과를 낸다.

반면 학습된 표현은 모델 내부에 있습니다. 입력이 모델을 지나가면서 만들어지는 중간 값이거나, 학습된 파라미터가 입력을 변환해 만든 값입니다. 이 값은 보통 사람이 바로 읽을 수 있는 문장이나 규칙이 아닙니다.

구분 명시적 규칙 학습된 표현
위치 코드, 설정, 지식 기반, 정책 문서 모델 내부의 벡터, 활성값, 파라미터
작성 방식 사람이 조건과 결과를 직접 작성 데이터와 학습 절차를 통해 조정
장점 읽고 검토하기 쉽고 통제하기 좋음 복잡한 패턴과 문맥을 다루기 좋음
약점 예외가 많아지면 관리가 어려움 왜 그런 판단을 했는지 설명하기 어려울 수 있음
수정 방식 규칙 추가, 삭제, 우선순위 조정 데이터, 라벨, 특징, 모델, 학습 절차 조정

표현, 벡터, 활성값, 파라미터는 한꺼번에 나오면 모두 비슷한 내부 값처럼 들릴 수 있습니다. 여기서 한 번만 대표 기준으로 묶어 두고, 뒤 문단에서는 이 구분을 전제로 규칙 기반 접근과 표현 학습의 차이를 읽습니다.

용어 아주 짧은 뜻 이 절에서 기억할 포인트
표현 입력을 모델이 다룰 수 있게 바꾼 내부 형태 사람이 읽는 문장과 모델이 계산하는 내부 형태는 다를 수 있습니다.
벡터 숫자를 여러 칸으로 나란히 놓은 값 묶음 표현은 종종 이런 숫자 묶음으로 다뤄집니다.
활성값 모델 안의 한 단계에서 계산된 중간 값 입력이 층을 지나며 바뀌는 도중의 값으로 생각하면 됩니다.
파라미터 학습을 통해 조정되는 내부 값 같은 입력을 어떻게 바꿔 볼지에 영향을 주는 기준입니다.

이 절에서 먼저 남겨야 할 구분은 표현은 내부 형태, 벡터는 그 표현을 담는 숫자 묶음, 활성값은 계산 중간 값, 파라미터는 학습으로 조정되는 값이라는 점입니다.

짧게 비유하면, 벡터는 표현을 담는 숫자 표라고 볼 수 있고, 활성값은 그 숫자 표가 모델의 한 단계에서 실제로 계산되어 나온 현재 값이라고 볼 수 있습니다. 예를 들어 문의 문장이 모델 안으로 들어가 어떤 층을 지난 뒤 [0.2, 0.8, -0.1, ...] 같은 숫자 묶음이 나왔다면, 그 묶음은 벡터 형태의 표현이고 동시에 그 층에서 계산된 활성값입니다. 여기서 유지할 핵심 차이는 벡터는 형식, 활성값은 계산 시점의 값이라는 점입니다.

이 차이를 이해하면 “AI가 규칙을 스스로 만들었다”라는 표현을 더 조심해서 볼 수 있습니다. 모델이 내부 기준을 학습했다고 해서, 사람이 읽을 수 있는 규칙 목록이 자동으로 생긴 것은 아닙니다.

특징은 사람이 설계할 수도 있고, 모델이 배울 수도 있다

3.2에서는 특징(feature)을 모델이 입력으로 사용하는 값이라고 설명했습니다. 특징은 두 방식으로 만들어질 수 있습니다.

첫째, 사람이 직접 특징을 설계할 수 있습니다.

원래 입력 사람이 만든 특징
문의 문장 환불 단어 포함 여부
문의 문장 배송 단어 포함 여부
문의 문장 문장 길이
문의 문장 부정 표현 포함 여부
고객 정보 최근 주문 수

이런 특징은 규칙과 학습 사이에 있습니다. 사람이 계산할 값을 정하지만, 최종 판단은 모델이 학습할 수 있습니다. 이 절에서는 이런 값을 사람이 설계한 입력 특징으로 보고, 뒤에서 나오는 학습된 표현과 구분합니다.

둘째, 모델이 표현을 학습할 수 있습니다. 특히 딥러닝(deep learning)에서는 입력을 여러 층(layer)을 거치며 점점 다른 표현으로 바꿀 수 있습니다. 즉 사람이 만든 입력 특징이 출발점이 될 수는 있지만, 모델 안쪽에서는 그 입력이 더 추상적인 내부 표현으로 다시 바뀔 수 있습니다.

Stanford Encyclopedia of Philosophy의 AI 항목은 얼굴 이미지를 예로 들며, 낮은 층은 edge 같은 단서를 잡고, 다음 층은 눈이나 코 같은 얼굴 특징을 조합하고, 더 높은 층은 여러 특징의 묶음에 반응할 수 있다고 설명합니다. 이 설명은 딥러닝을 “사람이 모든 특징을 직접 쓰는 방식”과 구분하는 데 도움이 됩니다.

flowchart TD
  Input[원래 입력]
  Low[낮은 수준 특징]
  Mid[중간 수준 표현]
  High[높은 수준 표현]
  Output[예측]

  Input --> Low --> Mid --> High --> Output

이 그림은 입력이 한 번에 이해되는 것이 아니라, 여러 단계를 거치며 다른 수준의 표현으로 바뀔 수 있다는 점을 보여 줍니다. 여기서 읽어야 할 핵심은 낮은 수준 특징은 비교적 작은 단서, 중간 수준 표현은 여러 단서의 조합, 높은 수준 표현은 더 추상적인 의미 묶음에 가깝다는 점입니다. 실제 모델 내부가 항상 이렇게 깔끔한 단계 이름으로 저장되는 것은 아니지만, 입력이 지나가며 점점 다른 표현으로 바뀐다는 구조는 유지됩니다.

고객 문의 예시로 단순화하면 다음처럼 볼 수 있습니다.

단계 사람이 이해하기 쉬운 설명
원문 “배송이 내일까지 안 오면 취소할게요.”
낮은 수준 단서 배송, 내일까지, 안 오면, 취소
중간 수준 표현 배송 지연, 기한 조건, 취소 가능성
높은 수준 표현 고객이 기한을 조건으로 문제 해결을 요구함
출력 배송 문의 또는 취소 관련 검토

실제 모델 내부 표현이 이 표처럼 사람이 읽기 쉬운 단계로 저장된다고 단정하면 안 됩니다. 이 표는 개념을 이해하기 위한 단순화입니다. 중요한 점은 입력이 모델 안에서 계산 가능한 표현으로 바뀌고, 그 표현이 예측에 사용된다는 것입니다.

표현이 달라지면 문제 난이도도 달라진다

Bengio, Courville, Vincent의 표현 학습(representation learning) 리뷰는 머신러닝 알고리즘의 성공이 데이터 표현에 크게 의존한다고 설명합니다. 같은 데이터라도 어떤 표현으로 바꾸느냐에 따라 중요한 요인이 잘 드러날 수도 있고, 반대로 숨어 버릴 수도 있습니다.

예를 들어 문의 분류에서 원문 문자열만 보면 다음 두 문장은 달라 보입니다.

상품이 깨져서 왔어요. 어제 받은 물건이 파손되어 다시 받고 싶습니다.

하지만 의미 단위로 보면 둘 다 수령 완료, 파손, 교환 또는 재배송 가능성과 연결될 수 있습니다. 좋은 표현은 이런 공통점을 모델이 사용하기 쉽게 만듭니다.

표현 방식 모델이 보기 쉬운 것 놓칠 수 있는 것
원문 문자열 정확히 같은 단어 반복 같은 뜻의 다른 표현
사람이 만든 키워드 중요한 단어 포함 여부 문맥, 부정, 조건
학습된 표현 여러 단서의 조합과 유사성 사람이 직접 읽기 어려운 내부 기준

이 때문에 머신러닝에서는 “어떤 알고리즘을 쓸 것인가?”만큼 “입력을 어떤 표현으로 만들 것인가?”가 중요합니다.

학습용 비유: 의미 단위로 묶기

사람의 빠른 판단을 설명할 때 “컨텍스트 압축”이라는 표현을 떠올릴 수 있습니다. 다만 이 표현은 이 책에서 쓰는 학습용 비유이지, 표준 신경과학 용어로 쓰지는 않습니다. 여기서 말하는 압축은 사람이 이해한 개념과 기억된 정의를 바탕으로 복잡한 상황을 더 적은 의미 단위로 다룬다는 뜻에 가깝습니다.

인지심리학에서는 이와 가까운 설명으로 청킹(chunking)과 재부호화(recoding)를 이야기할 수 있습니다. Miller의 고전 논문은 사람이 입력을 익숙한 단위나 덩어리로 조직하고, 더 큰 덩어리로 묶으면서 기억할 수 있는 정보량을 늘릴 수 있다고 설명합니다. 이 근거는 사람의 정보 처리에 대한 비유를 뒷받침하기 위한 것이며, 머신러닝 모델이 사람처럼 이해한다는 근거로 쓰지는 않습니다.

예를 들어 배송이 내일까지 안 오면 취소할게요.라는 문장은 글자 하나씩 따로 보기보다 다음처럼 의미 단위로 묶어 볼 수 있습니다.

입력에서 보이는 표현 묶인 의미 단위
배송이 내일까지 안 오면 배송 지연과 기한 조건
취소할게요 취소 의도 또는 취소 가능성
전체 문장 고객이 기한을 조건으로 문제 해결을 요구함

이 비유가 중요한 이유는, 표현 학습을 “사람처럼 이해한다”로 설명하기 위해서가 아닙니다. 입력의 세부 조각을 어떤 단위로 다시 표현하느냐에 따라 판단 문제가 쉬워질 수도 있고 어려워질 수도 있다는 점을 보여 주기 위해서입니다.

학습된 표현은 규칙보다 흐릿하지만 넓게 대응할 수 있다

명시적 규칙은 선명합니다.

"주소 변경"이라는 표현이 있으면 배송 정보 변경 후보로 보낸다.

하지만 실제 문장은 선명하지 않습니다.

받는 사람 번호를 잘못 썼어요. 아직 출고 전이면 다른 곳으로 받을 수 있나요? 전에 보낸 주소 말고 회사로 보내 주세요.

이 문장들은 주소 변경이라는 정확한 표현을 쓰지 않아도 배송 정보 변경과 관련될 수 있습니다. 학습된 표현은 이런 유사성을 다루는 데 유리할 수 있습니다. 모델은 단어 하나만 보는 대신, 여러 단서가 함께 나타나는 방식을 내부 값으로 반영할 수 있기 때문입니다.

다만 이 장점은 동시에 위험이 됩니다. 모델이 어떤 단서를 얼마나 중요하게 봤는지 사람이 바로 읽기 어렵고, 학습 데이터의 편향이나 우연한 반복을 따라갈 수도 있습니다. 그래서 학습된 표현을 쓰는 시스템에서는 평가, 실패 사례 분석, 데이터 검토가 중요합니다.

상황 규칙이 유리한 경우 학습된 표현이 유리한 경우
법적 금지 조건 명확히 차단해야 할 때 보조 탐지만 가능
승인 절차 누가 어떤 조건에서 승인할지 정해야 할 때 예외 후보를 추천할 때
문장 분류 키워드가 명확할 때 표현이 다양하고 문맥이 중요할 때
이미지 인식 단순한 색상, 크기 조건 조명, 자세, 배경 변화가 큰 대상
운영 자동화 반드시 반복되어야 하는 절차 이상 징후 후보를 찾을 때

규칙과 표현은 경쟁만 하는 관계가 아니다

규칙 기반 접근과 학습 기반 접근을 “옛 방식과 새 방식”으로만 나누면 실제 시스템을 이해하기 어렵습니다. 많은 시스템은 둘을 함께 사용합니다.

예를 들어 고객 문의 자동 분류 시스템은 다음처럼 구성될 수 있습니다.

flowchart TD
  Input[고객 문의]
  Policy[명시적 업무 규칙]
  Model[학습 기반 분류 모델]
  Score[분류 점수]
  Review[사람 검토]
  Action[처리]

  Input --> Policy
  Policy --> Model
  Model --> Score
  Score --> Action
  Score --> Review
  Review --> Action

이 도식은 정책 규칙이 앞단에서 금지 조건과 필수 조건을 먼저 걸러 주고, 그다음 모델이 표현의 다양성을 반영해 분류 후보를 계산하며, 마지막에 점수나 민감도에 따라 자동 처리 또는 사람 검토로 갈라질 수 있다는 흐름을 뜻합니다. 즉 도식의 목적은 규칙과 모델이 한 시스템 안에서 서로 다른 책임을 나눌 수 있음을 보여 주는 데 있습니다.

간단한 역할 구분 연습

아래 사례를 보고 중심 어려움이 규칙 설계에 더 가까운지, 표현 학습에 더 가까운지, 둘의 조합에 더 가까운지 먼저 구분해 보겠습니다.

사례 먼저 떠올릴 질문 이 절 기준의 1차 판단
주민번호가 있으면 저장하지 않는다 같은 금지 조건을 지켜야 한다 사람이 문장으로 명확히 적을 수 있는가 규칙 설계에 더 가깝습니다.
회사로 보내 주세요, 받는 곳을 바꾸고 싶어요, 배송지를 수정하고 싶습니다를 같은 의도로 묶어야 한다 표현이 달라도 같은 뜻을 가까이 볼 수 있어야 하는가 표현 학습에 더 가깝습니다.
고객 문의를 자동 분류하되, 민감정보 포함 문장은 사람 검토로 보내야 한다 정책 차단과 의미 분류를 함께 다뤄야 하는가 둘의 조합에 가깝습니다.
사진에서 미세한 균열을 찾아야 한다 사람이 특징을 다 써 줄 수 있는가 표현 학습 쪽 비중이 큽니다.
승인 규정상 금액 구간에 따라 결재 단계를 나눠야 한다 예외보다 명시적 기준이 중심인가 규칙 설계에 더 가깝습니다.

이 연습의 핵심은 규칙과 표현 중 무엇이 더 현대적인가를 따지는 것이 아니라, 문제의 어느 부분을 사람이 명시적으로 적을 수 있고, 어느 부분은 데이터에서 유사성을 배워야 하는가를 먼저 나누는 데 있습니다.

이 구조에서 규칙은 반드시 지켜야 할 정책을 담당하고, 모델은 사람이 직접 쓰기 어려운 표현의 다양성과 유사성을 다룹니다.

예를 들어 다음과 같이 나눌 수 있습니다.

역할 담당 방식
개인정보가 포함된 문의는 자동 응답하지 않는다 명시적 규칙
환불, 배송, 교환 문의 후보를 분류한다 학습된 표현을 쓰는 모델
점수가 낮거나 민감한 문의는 사람에게 보낸다 규칙과 모델 점수 결합
반복 실패 사례를 모아 데이터셋을 보강한다 운영 검토와 재학습

따라서 중요한 질문은 “규칙이냐 모델이냐”가 아닙니다. 더 좋은 질문은 다음과 같습니다.

어떤 부분은 사람이 명시적으로 통제해야 하는가? 어떤 부분은 데이터에서 표현을 학습하게 할 수 있는가? 어떤 판단은 사람 검토로 남겨야 하는가?

사례 및 예시

사례 1. 의도는 비슷하지만 문장은 계속 달라지는 문의함

고객이 배송지를 바꾸고 싶어 문의한다고 해 보겠습니다. 어떤 사람은 주소를 바꾸고 싶다고 쓰고, 어떤 사람은 회사로 받아야 한다고 쓰며, 또 다른 사람은 받는 사람 번호를 잘못 적었다고 말할 수 있습니다.

규칙 기반 접근은 이런 표현을 모두 잡기 위해 주소, 수정, 변경, 받는 사람, 전화번호, 회사로 같은 단어와 조합 규칙을 계속 늘리게 됩니다. 이 방식은 사람이 읽고 고치기 쉽지만, 표현이 조금만 바뀌어도 빈틈이 생기고 부정 표현이나 조건문이 붙으면 우선순위가 복잡해집니다.

표현 학습은 이 문제를 단어 목록보다 넓게 다룹니다. 서로 다른 문장이라도 배송 정보 변경과 가까운 내부 표현으로 묶을 수 있으면, 정확히 같은 키워드가 없어도 비슷한 의도를 가까이 놓을 수 있습니다. 대신 그 내부 기준은 사람이 규칙표처럼 바로 읽기 어렵습니다.

이 사례는 3.3의 핵심 차이를 드러냅니다. 규칙은 바깥에서 사람이 적는 기준이고, 표현은 모델 안에서 계산되는 내부 형태입니다. 실제 시스템은 둘 중 하나만 고르기보다, 정책은 규칙으로 고정하고 다양한 표현의 묶음은 모델이 맡는 식으로 역할을 나누게 됩니다.

체크리스트

  • 규칙 기반 접근과 표현 학습의 차이를 설명할 수 있다.
  • 특징(feature)과 표현(representation)이 입력을 모델이 쓰기 쉬운 형태로 바꾸는 개념임을 설명할 수 있다.
  • 사람이 만든 특징과 모델이 학습한 표현을 구분할 수 있다.
  • 학습된 표현이 강력하지만 해석이 어려울 수 있음을 설명할 수 있다.
  • 규칙과 모델을 경쟁 관계가 아니라 역할 분담 관계로 볼 수 있다.
  • 명시적 규칙은 사람이 읽을 수 있는 판단 기준이고 설명과 통제에 강하지만, 예외와 표현의 다양성이 커질수록 관리가 어려워진다는 점을 설명할 수 있다.
  • 학습된 표현은 모델 내부에서 입력을 계산 가능한 형태로 바꾼 결과이며, 복잡한 패턴과 유사성을 다루는 데 강하지만 사람이 곧바로 읽을 수 있는 규칙 목록은 아니라는 점을 설명할 수 있다.

출처와 참고 자료