P1-10.1 분류(classification), 예측(prediction), 생성(generation)의 차이¶
Section ID:
P1-10.1Version:v2026.07.20
9장에서는 딥러닝(deep learning)이 여러 분야로 확산된 흐름을 봤습니다. 이미지 인식(image recognition), 객체 검출(object detection), 음성 생성(speech generation), 언어 모델링(language modeling)은 모두 신경망이 데이터에서 표현(representation)을 학습한다는 큰 흐름 안에 있습니다.
10장부터는 생성형 AI(generative AI)로 들어갑니다. 생성형 AI를 이해하려면 기존 머신러닝(machine learning)에서 자주 보던 작업과 무엇이 다른지 먼저 구분해야 합니다.
여기서 던지는 핵심 질문은 분류, 예측, 생성이 모두 모델의 출력(output)을 만든다면 생성형 AI는 기존 모델과 무엇이 다른가입니다.
Part 1에서 분류(classification), 예측(prediction), 회귀(regression), 생성(generation), 생성형 AI(generative AI) 도입의 기본 구분은 이 절에서 잡습니다. 분류와 회귀의 기본 예시는 8.1에서 먼저 소개했고, 이미지 인식, 객체 검출, 언어 모델링 같은 사례는 9장에서 이어 봤습니다. 여기서는 그 사례들을 다시 묶어 출력의 성격이 어떻게 다른가를 먼저 구분합니다.
여기서는 생성형 AI의 전체 구조를 설명하지 않습니다. 다음 토큰 예측(next-token prediction), 이미지 생성(image generation), diffusion model, Transformer, prompt, sampling 같은 내용은 뒤 절과 뒤 장에서 다시 다룹니다.
분류, 예측, 회귀, 생성, 생성형 AI는 초반에 모두 비슷한 모델 출력처럼 들릴 수 있습니다. 우선 각 용어의 자리를 짧게 구분하면 다음과 같습니다.
| 용어 | 아주 짧은 뜻 | 이 절에서의 역할 |
|---|---|---|
| 분류 | 미리 정한 범주 중 하나를 고르는 일 | 가장 익숙한 비교 기준 |
| 예측 | 값, 상태, 다음 후보를 추정하는 넓은 작업 | 분류와 생성을 잇는 넓은 범주 |
| 회귀 | 연속적인 숫자 값을 예측하는 일 | 숫자 예측의 대표 형태 |
| 생성 | 조건에 맞는 새 산출물을 만드는 일 | 생성형 AI 이해의 출발점 |
| 생성형 AI | 생성 작업을 중심에 둔 AI 사용 방식 | Chapter 10 전체의 중심 주제 |
여기서 유지해야 할 최소 구분은 분류는 후보 선택, 예측은 넓은 추정, 회귀는 숫자, 생성은 새 산출물입니다.
여기서는 세 가지 출력 방식을 기준선으로 구분합니다.
| 구분 | 영어 표현 | 핵심 질문 |
|---|---|---|
| 분류 | classification | 이것은 어떤 범주인가? |
| 예측 | prediction | 어떤 값이나 상태가 나올 가능성이 높은가? |
| 생성 | generation | 조건에 맞는 새 산출물을 어떻게 만들어 낼 것인가? |
이 구분은 완전히 배타적이지 않습니다. 분류도 넓은 의미에서는 예측이고, 생성 모델도 내부적으로 확률 분포(probability distribution)를 사용합니다. 다만 여기서는 출력의 성격을 나눠 보는 편이 이해에 도움이 됩니다.
또한 여기서는 다음 출력을 어떻게 만들어 가는가를 아직 설명하지 않습니다. 그 직관은 10.2에서 따로 다루고, 생성 결과의 품질과 위험은 10.3에서 다시 분리해 봅니다.
분류, 예측, 생성을 나누는 출력 기준¶
- 분류(classification)를 범주(class)를 고르는 작업으로 이해합니다.
- 예측(prediction)을 숫자, 확률, 상태, 다음 값 등을 추정하는 넓은 작업으로 이해합니다.
- 생성(generation)을 기존 범주나 숫자 하나를 고르는 일을 넘어 새 산출물을 만드는 작업으로 이해합니다.
- 생성형 AI가 기존 머신러닝과 완전히 끊어진 기술이 아니라, 모델이 출력하는 대상과 방식이 확장된 흐름임을 봅니다.
정답을 맞힌다와그럴듯한 산출물을 만든다를 같은 말처럼 쓰지 않습니다.
세 가지 기준¶
여기서는 생성형 AI를 특별한 마법처럼 설명하기보다, 출력 유형을 구분하는 데 집중합니다. 아래 세 가지 기준이 잡히면 흐름이 정리됩니다.
| 기준 | 왜 중요한가 | 이 절에서 필요한 이해 수준 |
|---|---|---|
| 분류는 범주를 고르는 일이라는 점 | 가장 익숙한 머신러닝 작업과 비교 기준을 만들어 줍니다. | 스팸/정상처럼 후보 중 하나를 고른다고 이해하면 됩니다. |
| 예측은 값, 상태, 확률을 추정하는 더 넓은 말이라는 점 | 분류와 생성 사이의 중간 영역을 읽게 해 줍니다. | 숫자나 다음 상태를 맞히는 작업까지 포함한다고 보면 됩니다. |
| 생성은 새 산출물을 만든다는 점 | 생성형 AI가 기존 분류기와 어떻게 다른지 가장 빨리 보여 줍니다. | 범주 하나를 고르는 대신 문장, 이미지, 코드 같은 결과를 만든다고 이해하면 됩니다. |
분류는 범주를 고르는 일이다¶
분류(classification)는 입력이 어떤 범주(class)에 속하는지 고르는 작업입니다. Google Machine Learning Crash Course는 classification을 예제가 여러 class 중 어디에 속하는지 예측하는 작업으로 설명합니다.
입문 단계의 기준선은 다음과 같습니다.
입력: 메일 제목과 본문
출력: 스팸 / 정상
또는 다음과 같습니다.
입력: 동물 사진
출력: 고양이 / 개 / 새 / 기타
분류의 출력은 보통 미리 정한 후보 중 하나입니다. 모델이 문장 전체를 새로 쓰는 것이 아니라, 정해진 범주 목록에서 가장 적절한 항목을 고릅니다.
이때 모델은 내부적으로 확률 점수(probability score)를 계산할 수 있습니다.
스팸: 0.82 정상: 0.18
하지만 최종 출력이 스팸이라면, 독자는 이것을 “새 내용을 생성했다”고 보기보다 “범주를 선택했다”고 보는 편이 안전합니다.
예측은 더 넓은 말이다¶
예측(prediction)은 분류보다 넓게 쓰입니다. 어떤 값, 상태, 범주, 다음 사건을 추정하는 일을 모두 예측이라고 부를 수 있습니다.
예를 들어 회귀(regression)는 연속적인 값(continuous value)을 예측하는 작업입니다.
입력: 집의 면적, 위치, 방 개수, 건축 연도
출력: 예상 가격
분류도 넓게 보면 예측입니다.
입력: 메일 제목과 본문
출력: 스팸일 가능성
따라서 예측이라는 말을 쓸 때는 문맥을 확인해야 합니다.
| 표현 | 출력의 예 | 주의할 점 |
|---|---|---|
| 분류 예측(classification prediction) | 스팸 / 정상 | 범주를 고르는 예측 |
| 회귀 예측(regression prediction) | 예상 가격, 온도, 수요량 | 숫자 값을 추정하는 예측 |
| 다음 항목 예측(next-item prediction) | 다음 단어, 다음 클릭, 다음 상품 | 순서나 행동의 다음 후보를 추정 |
AI 문서에서 prediction은 매우 넓게 쓰입니다. 그래서 예측이라는 한국어만 보고 “미래를 맞힌다”로 좁게 이해하면 혼동이 생깁니다. 여기서는 주어진 입력을 바탕으로 가능한 출력을 추정한다는 넓은 의미로 둡니다.
생성은 새 산출물을 만드는 일이다¶
생성(generation)은 정해진 범주 하나나 숫자 하나를 고르는 일을 넘어, 조건에 맞는 새 산출물(output artifact)을 만드는 작업입니다.
예를 들면 다음과 같습니다.
입력: 회의록을 요약해 줘
출력: 새 요약문
입력: 흐린 하늘 아래의 항구를 수채화 느낌으로 그려 줘
출력: 새 이미지
입력: 이 Python 함수를 TypeScript로 바꿔 줘
출력: 새 코드
IBM의 생성형 AI 설명은 생성형 AI가 대량의 데이터에서 패턴과 관계를 학습하고, 그 정보를 사용해 사용자의 요청에 응답하는 새 콘텐츠를 만든다고 설명합니다. Feuerriegel 등의 개념 논문도 생성형 AI를 훈련 데이터에서 텍스트, 이미지, 오디오 같은 의미 있는 새 콘텐츠를 생성할 수 있는 계산 기법으로 설명합니다.
입문 단계에서 유지할 핵심 차이는 다음과 같습니다.
분류: 정해진 후보 중 하나를 고른다.
예측: 가능한 값이나 상태를 추정한다.
생성: 조건에 맞는 새 산출물을 구성한다.
같은 입력을 세 방식으로 보면¶
같은 업무도 질문을 어떻게 정의하느냐에 따라 분류, 예측, 생성으로 달라질 수 있습니다.
예를 들어 고객 문의 메일이 있다고 합시다.
| 작업 | 질문 | 출력 |
|---|---|---|
| 분류(classification) | 이 문의는 어떤 부서가 처리해야 하는가? | 결제 / 배송 / 환불 / 기술지원 |
| 예측(prediction) | 이 문의가 긴급 처리로 이어질 가능성은 얼마인가? | 0.73 |
| 생성(generation) | 이 문의에 대한 초안 답변을 작성할 수 있는가? | 새 답변 문장 |
같은 데이터라도 문제 정의(problem definition)가 달라지면 모델의 역할도 달라집니다. 4장에서 본 것처럼 모델은 문제를 대신 다루는 모형(model)입니다. 따라서 “AI가 무엇을 한다”보다 “입력과 출력이 어떻게 정의되었는가”를 먼저 봐야 합니다.
실제 서비스에서는 이 네 가지가 한 요청 안에서 이어질 수도 있습니다. 고객 지원 서비스를 예로 들면 다음처럼 읽을 수 있습니다.
| 단계 | 이 단계의 질문 | 가장 가까운 작업 유형 | 출력 |
|---|---|---|---|
| 1 | 이 문의는 어떤 종류인가? | 분류(classification) | 환불 / 배송 / 교환 / 계정 문제 |
| 2 | 이 문의가 긴급 처리로 이어질 가능성은 얼마나 큰가? | 예측(prediction) | 긴급도 점수, 처리 지연 위험 점수 |
| 3 | 어떤 도움말이나 처리 절차를 먼저 보여 주는 것이 좋은가? | 추천(recommendation) | 관련 문서 후보, 응답 절차 후보의 우선순위 |
| 4 | 상담원이 바로 쓸 수 있는 답변 초안을 만들 수 있는가? | 생성(generation) | 새 답변 문장, 요약, 처리 초안 |
이 통합 사례의 핵심은 분류, 예측, 추천, 생성이 서로 경쟁하는 기술 이름이 아니라, 같은 업무 흐름 안에서도 서로 다른 출력 역할을 맡는다는 점입니다. 분류는 문의의 자리를 정하고, 예측은 위험이나 우선순위를 가늠하고, 추천은 다음에 볼 후보를 좁히고, 생성은 사람이 바로 검토할 초안을 만듭니다.
생성형 AI가 기존 모델과 다른 지점¶
생성형 AI는 기존 머신러닝과 완전히 끊어진 기술이 아닙니다. 여전히 데이터(data), 모델(model), 학습(learning), 모델 실행(inference), 확률(probability), 표현(representation)이 필요합니다.
다만 독자가 체감하는 차이는 출력에서 크게 나타납니다.
| 관점 | 전통적인 분류·예측 작업 | 생성형 AI 작업 |
|---|---|---|
| 출력의 형태 | 범주, 점수, 숫자, 상태 | 문장, 이미지, 코드, 오디오, 계획 초안 |
| 평가 방식 | 정답 라벨, 오차, 정확도, 재현율 등 | 유용성, 일관성, 근거, 안전성, 저작권, 사람 검토 |
| 사용자 경험 | 결과를 선택하거나 점수를 확인 | 산출물을 읽고 수정하고 다시 요청 |
| 위험 | 오분류, 예측 오류, 편향 | 환각, 근거 누락, 그럴듯한 오류, 저작권·보안 문제 |
이 차이 때문에 생성형 AI는 사용자가 더 쉽게 “생각하는 것 같다”고 느끼게 만듭니다. 하지만 이 느낌이 곧바로 모델의 이해나 진실성을 보장하지는 않습니다. 생성형 AI는 새 산출물을 만들 수 있기 때문에 더 강력해 보이지만, 그만큼 검토해야 할 위험도 늘어납니다.
체크리스트¶
- 분류(classification)를 범주를 고르는 작업으로 설명할 수 있다.
- 예측(prediction)이 분류보다 넓은 표현임을 설명할 수 있다.
- 회귀(regression)가 연속적인 숫자 값을 예측하는 작업임을 설명할 수 있다.
- 생성(generation)이 조건에 맞는 새 산출물을 만드는 작업임을 설명할 수 있다.
- 같은 입력도 문제 정의에 따라 분류, 예측, 생성 작업으로 달라질 수 있음을 설명할 수 있다.
- 생성형 AI의 위험이 출력의 자유도와 관련 있음을 설명할 수 있다.
범주를 고르는가,값이나 상태를 추정하는가,새 산출물을 구성하는가를 기준으로 문제를 나누어 설명할 수 있다.- 생성형 AI를 기존 AI와 단절된 마법처럼 보지 않고 출력 방식의 차이로 설명할 수 있다.
출처와 참고 자료¶
- Google for Developers, Classification, Machine Learning Crash Course, 확인 날짜: 2026-06-23.
- Google for Developers, Linear regression, Machine Learning Crash Course, 확인 날짜: 2026-06-23.
- IBM, What is Machine Learning?, IBM Think, 확인 날짜: 2026-06-23.
- IBM, What is Generative AI?, IBM Think, 확인 날짜: 2026-06-23.
- Stefan Feuerriegel, Jochen Hartmann, Christian Janiesch, Patrick Zschech, Generative AI, arXiv, 2023, 확인 날짜: 2026-06-23.