콘텐츠로 이동

P5-15.1 생성형 AI를 딥러닝 관점에서 보려면 무엇이 달라지는가

Section ID: P5-15.1 Version: v2026.07.21

P5-14에서는 Transformer가 긴 문맥을 직접 다시 보고, 여러 토큰 관계를 한꺼번에 계산하며, 깊은 블록 반복을 안정화하는 구조라는 점을 보았습니다. 이제 Part 5의 마지막 질문은 이 구조가 왜 생성형 AI(generative AI)를 이해하는 준비가 되는가입니다. 이 질문은 곧 모델이 무엇을 계산하는가만이 아니라 그 계산 결과가 어떤 형태로 사용자에게 도착하는가를 함께 보는 문제입니다.

같은 딥러닝 모델이라도 출력이 라벨 하나나 점수 하나일 때와, 사용자가 읽고 고칠 수 있는 문장·이미지·코드 같은 생성물일 때는 판단 기준이 달라집니다. 라벨은 보통 업무 흐름 안에서 하나의 신호로 쓰입니다. 반면 생성물은 그 자체가 사용자가 읽는 답변, 보고서 초안, 설명 문구, 코드 조각이 됩니다. 그래서 생성형 AI를 이해하려면 먼저 출력이 결과 신호에서 검토해야 할 결과물로 바뀌는 순간을 붙잡아야 합니다.

Part 5에서 생성형 AI 사용법을 완전히 설명하지는 않습니다. 프롬프트(prompt), 토큰(token), GPT, RAG, 도구 사용(tool use), 에이전트(agent)는 Part 6에서 깊이 다룹니다. 여기서는 그 전에 필요한 한 가지 관점만 준비합니다.

분류 모델은 보통 입력을 라벨이나 점수로 정리합니다. 생성형 AI는 거기서 한 걸음 더 나아가 현재 입력에 어울리는 출력물을 구성하려고 합니다. 그래서 생성형 AI를 딥러닝 관점에서 본다는 말은 먼저 어떤 라벨이 맞는가에서 어떤 출력물이 지금 맥락에 맞게 만들어지는가로 질문을 바꾸는 일입니다.

라벨에서 생성물로 바뀌는 출력 관점

분류(classification) 모델은 보통 입력을 보고 하나의 범주를 고릅니다.

입력 장면 분류 모델이 주로 내놓는 것
정비 보고 문장 온도는 복귀했지만 압력 흔들림은 남아 있다 부분 회복, 잔여 이상 같은 상태 라벨
설비 사진 혼합 탱크, 밸브, 계기판 같은 객체 라벨
고객 문의 환불 문의, 장애 신고, 재기동 요청 같은 유형 라벨

이런 출력도 중요합니다. 라벨은 문의를 라우팅하거나, 통계를 내거나, 위험도를 빠르게 나눌 때 유용합니다. 하지만 생성형 AI에서 사용자가 기대하는 것은 라벨 뒤에 이어지는 실제 결과물입니다.

같은 입력 장면 생성형 AI가 만들 수 있는 출력 추가로 보아야 하는 기준
정비 보고 문장 회복 상태와 남은 위험을 함께 담은 요약 문장 현재 상태를 빠뜨리지 않고 자연스럽게 이어지는가
설비 사진 설비 설명 문구나 대체 텍스트 초안 사진의 핵심 대상과 관계가 설명에 남아 있는가
고객 문의 재기동 순서 안내, 확인 질문, 주의 문구가 포함된 답변 초안 사용자가 검토하고 고칠 수 있는 문장 구조인가

그래서 생성형 AI를 볼 때는 맞는 라벨을 골랐는가만으로는 부족합니다. 결과가 현재 맥락에 맞는지, 자연스럽게 이어지는지, 사용자가 실제로 검토하고 고칠 수 있는 출력물인지까지 함께 보아야 합니다. 이때부터 모델 평가는 단순히 맞다/틀리다만이 아니라 맥락에 맞다, 충분히 구체적이다, 검토 가능한 형태다 같은 기준을 함께 포함합니다.

출력 자체를 만든다는 말

출력 자체를 만든다는 말은 모델이 아무것이나 새로 지어낸다는 뜻이 아닙니다. 딥러닝 관점에서는 학습 데이터에서 자주 나타난 패턴, 표현 구조, 이어짐의 가능성을 바탕으로 새 결과를 구성한다는 뜻에 가깝습니다.

예를 들어 텍스트 생성에서는 다음을 봅니다.

  • 어떤 표현 뒤에 어떤 표현이 자연스럽게 이어지는가
  • 어떤 질문에는 어떤 답 구조가 자주 쓰이는가
  • 어떤 경고 문구와 후속 조치가 함께 나타나는가

이미지 생성에서는 다음을 봅니다.

  • 어떤 색, 윤곽, 배치가 함께 나타나는가
  • 어떤 부분 구조가 하나의 객체처럼 보이는가
  • 어떤 스타일과 구도가 같은 조건 안에서 자연스러운가

여기서 중요한 감각은 생성형 AI가 정답표에서 하나를 꺼내는 시스템으로만 보이지 않는다는 점입니다. 생성형 AI는 학습한 패턴을 바탕으로 현재 입력에 어울리는 출력물을 구성하려는 모델 경험으로 나타납니다.

이 차이는 출력이 실제로 쓰이는 자리에서 더 분명해집니다.

출력 형태 먼저 묻기 쉬운 질문 생성형 AI 관점에서 추가되는 질문
라벨 어느 범주인가 이 라벨 뒤에 어떤 설명이나 조치가 필요해지는가
점수 얼마나 높거나 낮은가 이 점수를 사용자가 이해할 문장으로 바꾸면 무엇이 빠지는가
생성물 결과가 나왔는가 맥락, 자연스러움, 검토 가능성이 함께 만족되는가

즉, 생성형 AI의 출력은 모델이 계산한 결과이면서 동시에 사람이 읽고 판단할 대상입니다. 모델 내부에서는 여전히 후보별 점수나 확률 같은 숫자를 계산합니다. 다만 생성형 AI에서는 그 숫자가 최종 라벨 하나를 고르는 데서 끝나지 않고, 다음 단어, 다음 문장 조각, 이미지의 다음 구성 요소처럼 출력물을 이어 붙이는 선택에 쓰입니다.

예를 들어 라인을 재기동하기 전에라는 문장 뒤에는 인터록을 확인합니다, 센서 상태를 확인합니다, 저속으로 먼저 가동합니다 같은 여러 표현이 이어질 수 있습니다. 모델은 이 후보들을 숫자로 비교하지만, 사용자가 보는 최종 결과는 숫자표가 아니라 그중 하나 이상이 이어져 만들어진 안내 문장입니다. 이 때문에 딥러닝의 출력 쪽을 볼 때도 어떤 숫자가 가장 높은가에서 멈추지 않고, 그 숫자들이 어떻게 실제 문장이나 이미지 조각으로 이어질 수 있는지까지 준비해야 합니다.

출력물이 하나로 고정되지 않을 수 있는 이유

출력 자체를 만든다는 말은 곧 하나의 정답만 남지 않을 수 있다는 뜻입니다. 배치 점검 결과 뒤에는 재확인이 필요합니다, 담당자 확인 후 재개합니다, 10분 뒤 재측정합니다처럼 여러 문장이 자연스럽게 이어질 수 있습니다.

따라서 Part 5의 마지막 장은 이 흐름을 세 단계로 나눕니다. P5-15.1은 지금처럼 출력 관점이 어떻게 달라지는지를 닫습니다. P5-15.2는 모델이 가능한 출력 후보들의 상대적 그럴듯함을 어떻게 남기는지 봅니다. P5-15.3은 그 후보들 중 실제 출력이 어떻게 하나씩 선택되는지 봅니다.

즉, 생성형 AI를 처음 볼 때 필요한 준비는 사용법 목록이 아닙니다. 먼저 출력물이 왜 하나의 고정 답처럼만 보이지 않는지, 그리고 그 결과물이 왜 사용자가 검토해야 할 대상이 되는지 이해해야 합니다. 가능한 후보가 어떻게 남고, 그중 실제 출력이 어떻게 선택되는지는 다음 두 Section에서 차례로 다룹니다. 프롬프트 작성법과 실제 서비스 사용법은 이 구조 감각 위에서 Part 6에서 다시 다룹니다.

사례 및 예시

운영팀이 라인 정지 후 재기동 순서를 알려줘라고 물었다고 해 보겠습니다. 분류 모델은 이 입력을 재기동 절차 문의로 분류할 수 있습니다. 이것은 문의를 라우팅하거나 통계를 낼 때 유용합니다.

하지만 생성형 AI를 쓰는 사용자는 보통 그 라벨에서 멈추지 않습니다. 사용자는 인터록 확인 -> 저속 재기동 -> 센서 안정 확인 -> 정상 속도 복귀처럼 실제 안내 문장을 기대합니다. 여기서 필요한 출력은 범주명이 아니라 사용자가 읽고 검토할 수 있는 문장 초안입니다.

이 장면에서 바뀌는 기준은 다음과 같습니다.

먼저 보기 쉬운 기준 생성형 AI 관점에서 추가로 볼 기준
문의 유형을 맞게 분류했는가 실제 안내 문장이 현재 설비 상황에 맞게 이어지는가
답변이 그럴듯하게 보이는가 실제 행동 순서와 위험 고지가 빠지지 않았는가
문장이 길게 나왔는가 사용자가 검토하고 수정할 수 있게 구조화되어 있는가

그래서 이 사례에서 확인해야 할 결과는 생성형 AI가 단순히 재기동 절차 문의라는 라벨을 붙이는 데서 멈추지 않고, 현재 맥락에 맞는 출력물을 만들려 한다는 점입니다. 다만 이 출력물을 실제로 어떻게 믿고, 고치고, 서비스에 붙일지는 Part 6에서 다시 다룹니다.

연습 및 예제

다음 세 입력을 보고, 먼저 각 입력에 대해 세 가지를 스스로 나눠 보겠습니다. 첫째, 분류 모델이라면 어떤 라벨을 먼저 줄지 적습니다. 둘째, 생성형 AI라면 어떤 출력물을 만들지 적습니다. 셋째, 그 생성물을 검토할 때 무엇을 추가로 확인해야 하는지 적습니다. 그런 다음 아래 표와 비교합니다.

입력 분류 모델 관점 생성형 AI 관점 추가 확인 기준
압력 이상으로 라인이 멈췄다 압력 이상, 라인 정지 같은 상태 라벨 재기동 전 확인 절차와 위험 고지 문장 위험한 생략 없이 순서가 이어지는가
설비 사진 한 장 설비 유형 또는 부품 라벨 사진 설명, 점검 대상 요약, 대체 텍스트 초안 보이지 않는 내용을 단정하지 않는가
회의록을 정리해 줘 요약 요청 같은 요청 유형 핵심 결정, 할 일, 담당자를 담은 요약문 결정 사항과 할 일이 구분되는가

이 표에서 중요한 것은 어느 쪽이 더 좋다는 판단이 아닙니다. 분류와 생성은 서로 다른 질문을 풉니다. 다만 생성형 AI를 쓸 때는 출력물이 바로 사용자 경험이 되므로, 무엇을 만들었는가와 함께 그 결과를 어떤 기준으로 검토할 것인가까지 붙여 보아야 합니다.

같은 생성물이라도 검토 기준을 붙이면 차이가 더 분명해집니다.

입력 검토하기 어려운 생성물 검토하기 쉬운 생성물
압력 이상으로 라인이 멈췄다 문제를 확인하고 재기동하세요 압력 수치를 다시 확인하고, 인터록과 배관 누설 여부를 점검한 뒤 저속 재기동 여부를 판단하세요
회의록을 정리해 줘 회의에서는 여러 안건을 논의했고 후속 조치가 필요합니다 결정 사항, 담당자, 다음 할 일이 분리된 요약

확인 해설은 다음처럼 정리할 수 있습니다.

  • 상태 라벨은 문제를 빠르게 나누지만, 재기동 안내문은 실제 행동 순서와 위험 고지를 함께 담아야 합니다.
  • 사진 라벨은 대상 이름을 알려 주지만, 설명 문구는 보이는 것과 보이지 않는 것을 구분해야 합니다.
  • 요청 유형 라벨은 업무 분류에 유용하지만, 회의록 요약문은 결정, 담당자, 할 일을 사용자가 다시 확인할 수 있게 구조화해야 합니다.

이 연습을 통해 확인해야 할 결과는 생성형 AI가 단순히 더 긴 출력을 만드는 것이 아니라, 사용자가 읽고 판단할 수 있는 결과물을 구성한다는 점입니다. 이 결과물이 여러 후보 중 어떻게 남고 선택되는지는 다음 두 Section에서 이어집니다.

체크리스트

  • 생성형 AI가 분류나 예측 모델과 다른 출력 경험을 만든다는 점을 설명할 수 있는가?
  • 생성형 AI를 Part 6에서 깊이 다루기 전에 Part 5에서 준비해야 할 딥러닝 관점이 무엇인지 말할 수 있는가?
  • 라벨, 점수, 생성물을 서로 다른 출력 형태로 구분할 수 있는가?
  • 출력 자체를 만든다는 말이 아무 결과나 지어낸다는 뜻이 아니라 학습한 패턴을 바탕으로 새 결과를 구성한다는 뜻임을 설명할 수 있는가?
  • 출력물이 하나로 고정되지 않을 수 있기 때문에 후보 분포와 샘플링이 다음 두 Section에서 필요해진다는 점을 말할 수 있는가?

출처와 참고 자료