ML이라고 하면 "기계가 알아서 다 한다"는 인상을 받기 쉽다. 하지만 현실은 정반대에 가깝다. 좋은 ML 시스템 뒤에는 언제나 사람이 있다. 사람이 데이터에 정답을 붙여 주고(라벨링), 모델의 답을 평가해 피드백을 주고, 그 피드백으로 모델을 거듭 다듬는다(반복 개선). 오늘은 ML 수명주기 전반에 스며 있는 "사람의 역할"을 정리한다.
AIF-C01은 이 주제를 "Human-in-the-loop(사람이 개입하는 고리)"라는 개념과 책임 있는 AI의 맥락에서 자주 묻는다.
모델은 데이터에서 패턴을 배운다고 했다. 그런데 "이 사진은 고양이"라는 정답은 누가 알려 주는가? 기계가 처음부터 스스로 아는 것이 아니다. 사람이 알려 줘야 한다. 또한 모델이 내놓은 답이 맞는지 틀린지, 무엇이 부적절한지를 최종적으로 판단하는 것도 사람이다.
💡 관련 이론: ML 학습 방식은 크게 **지도 학습(Supervised Learning)**과 **비지도 학습(Unsupervised Learning)**으로 나뉜다. 지도 학습은 "입력 + 정답(라벨)" 쌍으로 배우고, 비지도 학습은 정답 없이 데이터 구조만으로 배운다. 사람의 라벨링이 특히 중요한 것은 지도 학습이다. 시험 입문 수준에서는 "라벨이 있으면 지도, 없으면 비지도"라는 구분을 기억하면 된다.