- AI ⊃ 머신러닝 ⊃ 딥러닝 — 큰 원 안에 작은 원이 든 포함 관계다.
- AI: 지능적 행동을 흉내 내는 모든 기술. 사람이 규칙을 직접 적는 방식도 포함한다.
- 머신러닝: 규칙을 사람이 적지 않고 데이터에서 학습하는 방법.
- 딥러닝: 신경망을 여러 층으로 깊게 쌓은 머신러닝의 한 종류. 대량 데이터와 GPU가 필요하다.
- 모든 딥러닝은 머신러닝이지만, 모든 AI가 머신러닝인 것은 아니다.
AI / ML / DL은 뉴스나 광고에서 같은 말처럼 쓰이지만, 실제로는 큰 원 안에 작은 원이 든 포함 관계다.
┌─────────────────────────────────────┐
│ 인공지능 (AI) │
│ ┌────────────────────────────────┐ │
│ │ 머신러닝 (ML) │ │
│ │ ┌──────────────────────────┐ │ │
│ │ │ 딥러닝 (DL) │ │ │
│ │ └──────────────────────────┘ │ │
│ └────────────────────────────────┘ │
└─────────────────────────────────────┘
- 인공지능(AI): 가장 넓은 개념. 인간의 지능적 행동을 흉내 내는 모든 기술.
- 머신러닝(ML): AI를 구현하는 한 가지 방법. 데이터로부터 규칙을 "학습"하는 기술.
- 딥러닝(DL): 머신러닝의 한 종류. 인공 신경망을 여러 층으로 쌓아 학습하는 기술.
- 목표: 기계가 사람처럼 생각하거나 행동하도록 만드는 것 — 가장 넓은 분야다.
- 머신러닝뿐 아니라 **사람이 규칙을 하나하나 적어 넣는 방식(규칙 기반 시스템)**도 포함한다.
- 예: "온도가 28도를 넘으면 에어컨을 켜라"로만 동작하는 자동 온도조절기 → 데이터로 학습하지 않아도 넓은 의미의 AI 초기 형태.
💡 관련 이론: AI라는 용어는 1956년 다트머스 회의에서 처음 공식적으로 사용되었습니다. 초기 AI는 대부분 사람이 규칙을 직접 정의하는 "규칙 기반(expert system)" 방식이었습니다.
- 사람이 규칙을 일일이 적는 대신, 데이터를 보여주고 기계가 스스로 규칙(패턴)을 찾게 하는 방법이다.
| 구분 | 규칙 기반 프로그래밍 | 머신러닝 |
|---|
| 규칙을 만드는 주체 | 사람 | 데이터로부터 기계가 학습 |
| 입력 | 데이터 + 규칙 | 데이터 + 정답(예시) |
| 출력 | 결과 | 규칙(모델) |
| 새로운 상황 적응 | 규칙을 다시 짜야 함 | 새 데이터로 다시 학습 가능 |
스팸 메일 걸러내기 예시
- 규칙 기반: "제목에 '무료'가 있으면 스팸"처럼 사람이 조건을 직접 적는다 → 발송자가 표현을 바꾸면 규칙도 계속 고쳐야 한다.
- 머신러닝: 수만 통의 스팸/정상 메일을 보여주면 어떤 특징이 스팸인지 스스로 학습한다.
💡 관련 이론: 머신러닝의 고전적 정의는 "명시적으로 프로그래밍하지 않아도 컴퓨터가 학습할 수 있게 하는 연구 분야"(아서 새뮤얼, 1959)입니다.
- **인공 신경망(neural network)**을 여러 층(deep, 깊게) 쌓아 복잡한 패턴을 학습한다. 사람 뇌의 뉴런 구조에서 아이디어를 얻었다.
- 이미지·음성·자연어처럼 매우 복잡하고 비정형적인 데이터에서 특히 강력하다.
- 대신 이런 부담이 따른다.
- 많은 데이터가 필요하다.
- **강력한 연산 자원(GPU 등)**이 필요하다.
- 학습 과정이 "블랙박스"처럼 보여 결과를 사람이 이해하기 어려울 때가 많다.
- 오늘날 화제인 **생성형 AI(ChatGPT, 이미지 생성 등)**도 모두 딥러닝 기반이다 → 이후 주차에서 더 자세히 다룬다.
💡 관련 이론: 딥러닝이 주류가 된 결정적 계기는 2012년 이미지 인식 대회(ImageNet)에서 신경망 기반 모델이 압도적 성능을 보인 사건입니다. 대량의 데이터와 GPU 연산의 결합이 핵심이었습니다.
| 사례 | 분류 | 이유 |
|---|
| 규칙으로 동작하는 자동 온도조절기 | AI(머신러닝 아님) | 사람이 만든 규칙으로만 동작 |
| 이메일 스팸 필터 | 머신러닝 | 데이터로 스팸 패턴을 학습 |
| 스마트폰 얼굴 인식 잠금 해제 | 딥러닝 | 신경망으로 얼굴 이미지 인식 |
| 음성 비서(시리, 알렉사)의 음성 인식 | 딥러닝 | 신경망으로 음성을 텍스트로 변환 |
| 쇼핑몰 상품 추천 | 머신러닝 | 구매 데이터로 취향 패턴 학습 |
- 시험: "이 시나리오는 어떤 기술에 해당하는가?", "딥러닝이 머신러닝과 다른 점은?" 형태로 나온다.
- 실무: "우리 문제에 꼭 딥러닝이 필요한가, 단순한 머신러닝이나 규칙으로 충분한가"를 판단하는 기초가 된다.
- 더 복잡한 기술이 항상 더 좋은 것은 아니다 — 간단한 문제는 간단한 방법으로 푸는 쪽이 비용·유지보수에 유리하다.
- 인공지능(AI) : 사람처럼 생각하거나 행동하는 것을 흉내 내는 기술 전체를 묶어 부르는 말.
- 머신러닝(ML) : 사람이 규칙을 적어주지 않고, 데이터를 보여줘서 기계가 규칙을 찾아내게 하는 방법.
- 딥러닝(DL) : 신경망을 여러 층으로 깊게 쌓아 학습하는 머신러닝. 이미지·음성·언어에 강하다.
- 규칙 기반 시스템 : "이러면 저렇게 하라"는 조건을 사람이 전부 직접 적어 넣은 프로그램. 학습 과정이 없다.
- 인공 신경망 : 사람 뇌의 뉴런을 흉내 낸 계산 구조. 딥러닝을 만드는 재료다.
- 비정형 데이터 : 표의 칸에 딱 떨어지게 넣기 어려운 데이터. 사진, 음성, 문장 등.
- 블랙박스 : 답은 나오는데 왜 그렇게 나왔는지 사람이 들여다보기 어려운 상태.
- GPU : 같은 계산을 대량으로 동시에 처리하는 연산 장치. 딥러닝 학습 속도를 좌우한다.
- 생성형 AI : 새로운 문장·이미지 등을 만들어 내는 AI. 딥러닝을 기반으로 한다.
📝 연습 문제
선택지를 클릭하면 정답·해설이 펼쳐집니다.
인공지능(AI), 머신러닝(ML), 딥러닝(DL)의 관계를 가장 정확하게 설명한 것은?
사람이 "제목에 특정 단어가 있으면 처리하라"는 규칙을 직접 모두 작성해 동작하는 시스템에 대한 설명으로 옳은 것은?
딥러닝이 전통적인 머신러닝과 비교해 일반적으로 더 많이 요구하는 것은?
다음 중 일반적으로 딥러닝이 가장 큰 강점을 보이는 데이터 유형은?