인공지능 & 머신러닝
기술노트
🤖 인공지능 (AI) & 머신러닝 (ML)
인공지능(AI)은 인간의 학습, 추론, 지각 능력 등을 컴퓨터를 통해 구현하는 포괄적인 분야를 의미합니다. 머신러닝(ML)은 이러한 인공지능을 구현하는 핵심적인 접근 방식 중 하나로, 컴퓨터가 명시적인 프로그래밍 없이 데이터로부터 스스로 학습하여 특정 작업을 수행할 수 있도록 하는 기술입니다.
🧠 머신러닝의 학습 종류
- 지도 학습 (Supervised Learning) : '정답'이 있는 데이터(레이블된 데이터)를 사용하여 모델을 학습시키는 방식입니다. 데이터와 정답의 관계를 학습하여, 새로운 데이터에 대한 정답을 예측합니다.
> * `분류 (Classification)` : 데이터를 정해진 카테고리로 구분합니다. (예: 스팸 메일 분류, 이미지 분류) > * `회귀 (Regression)` : 연속적인 값을 예측합니다. (예: 주택 가격 예측, 주가 예측)
- 비지도 학습 (Unsupervised Learning) : '정답'이 없는 데이터(레이블 없는 데이터)를 사용하여, 데이터 자체의 숨겨진 구조나 패턴을 찾아내는 방식입니다.
> * `군집화 (Clustering)` : 비슷한 특성을 가진 데이터들을 그룹으로 묶습니다. (예: 고객 세분화) > * `차원 축소 (Dimensionality Reduction)` : 데이터의 주요 특징만 남기고, 변수의 개수를 줄입니다.
- 강화 학습 (Reinforcement Learning) : 에이전트가 환경과 상호작용하며, '보상(Reward)'을 최대화하는 방향으로 행동을 학습하는 방식입니다. (예: 게임 AI, 로봇 제어)
🧠 딥러닝 (Deep Learning)
딥러닝은 머신러닝의 한 분야로, 인간의 뇌 신경망을 모방한 인공신경망(Artificial Neural Network)을 여러 겹으로 깊게(Deep) 쌓아 학습 능력을 극대화한 기술입니다. 특히 이미지, 음성, 텍스트와 같은 복잡한 비정형 데이터 처리에서 뛰어난 성능을 보입니다.
💡 개발자 핵심 Point
- AI > ML > 딥러닝 순으로 포함 관계를 가집니다.
- 머신러닝/딥러닝 개발은 데이터 준비 → 모델 선택 → 모델 학습 → 모델 평가 → 모델 배포의 과정을 거칩니다. 이 중 양질의 데이터를 준비하는 과정이 가장 중요하고 어렵습니다.
- TensorFlow와 PyTorch는 가장 널리 사용되는 딥러닝 프레임워크입니다.
- MLOps(Machine Learning Operations)는 머신러닝 모델의 개발과 운영을 자동화하고 안정적으로 관리하기 위한 DevOps의 한 분야입니다.
- 모든 개발자가 직접 모델을 만들 필요는 없습니다. 하지만 AI/ML의 기본 원리를 이해하고, 잘 만들어진 API(OpenAI API 등)를 활용하여 자신의 서비스에 AI 기능을 통합하는 능력은 점점 더 중요해지고 있습니다.
