Day 1 - AI·머신러닝·딥러닝의 관계와 차이

세 개념의 포함 관계

AI / ML / DL은 뉴스나 광고에서 같은 말처럼 쓰이지만, 실제로는 큰 원 안에 작은 원이 든 포함 관계다.

• 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.

1. 인공지능(AI)이란

• 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.

2. 머신러닝(ML)이란

• 사람이 규칙을 일일이 적는 대신, 데이터를 보여주고 기계가 스스로 규칙(패턴)을 찾게 하는 방법이다.

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.

3. 딥러닝(DL)이란

• 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.
• 2012년 이미지 인식 대회(ImageNet)에서 신경망 모델이 압도적 성능을 보인 뒤, 대량 데이터와 GPU 연산의 결합이 딥러닝을 주류로 만들었다.

일상 속 사례로 정리하기

같은 문제를 세 방식으로 풀어 보기

"사진에 고양이가 있는가"라는 한 문제를 세 방식에 맡기면 누가 무엇을 정하는지가 달라진다.

• 머신러닝과 딥러닝을 가르는 실질적 차이는 "신경망을 쓰느냐"보다 특성을 사람이 설계하느냐, 모델이 원본 데이터에서 직접 배우느냐다.
• 앞쪽 층은 선·모서리 같은 단순한 모양을, 뒤쪽 층은 눈·귀 같은 복잡한 모양을 잡는 식으로 단계가 쌓인다. "깊다(deep)"는 이 층이 많다는 뜻이다.

생성형 AI와 에이전틱 AI는 어디에 들어가나

시험 가이드는 AI·ML·딥러닝에 더해 생성형 AI(GenAI)와 에이전틱 AI(agentic AI)까지 묶어 차이를 묻는다. 둘 다 원 밖의 새 분야가 아니라 딥러닝 원 안에서 자라난 응용이다.

• 기존 머신러닝 모델은 주로 "스팸인가 아닌가", "얼마인가"처럼 정해진 형태의 답을 낸다. 생성형 AI는 문장·이미지처럼 형태가 열린 결과물을 만든다.
• AWS는 에이전틱 AI를 "미리 정한 목표를 이루기 위해 독립적으로 행동할 수 있는 자율 AI 시스템"으로 설명한다. 사람이 단계마다 지시하지 않아도 계획을 세우고 도구를 불러 쓴다는 점이 일반 챗봇과 다르다.
• 두 주제는 Week 3 이후에 본격적으로 다룬다. 지금은 원 안의 위치만 잡아 두면 된다.

⚠️ 함정: 컴퓨터 비전과 자연어 처리(NLP)는 포함 관계의 한 층이 아니라 "무엇에 쓰느냐"로 붙인 응용 분야 이름이다. 이미지를 다루면 컴퓨터 비전, 사람 말을 다루면 NLP이고, 둘 다 오늘날 대부분 딥러닝으로 구현한다. AWS 서비스로는 이미지·영상 분석의 Amazon Rekognition, 텍스트 분석의 Amazon Comprehend, 음성을 글로 옮기는 Amazon Transcribe가 각 분야의 대표다.

지문의 단서로 판별하기

흔한 오해 바로잡기

• "AI = 머신러닝" → 규칙 기반 시스템처럼 학습이 없는 AI도 있다. 보기에서 "모든 AI는 데이터로 학습한다"는 틀린 문장이다.
• "신경망을 쓰면 다 딥러닝" → 층이 얕은 신경망도 있다. 딥러닝이라 부르는 조건은 층을 여러 겹 쌓았다는 것이다.
• "딥러닝이 항상 더 정확하다" → 데이터가 적거나 표 형태면 단순한 머신러닝이 더 낫고 싸고 설명하기도 쉽다.
• "생성형 AI는 머신러닝과 별개의 기술" → 딥러닝으로 만든 모델이므로 머신러닝이고 AI다. 포함 관계는 그대로 유지된다.
• "에이전틱 AI는 생성형 AI의 다른 이름" → 생성형 AI는 콘텐츠를 만드는 능력, 에이전틱 AI는 그 능력을 써서 일을 수행하는 시스템이다.

왜 이 구분이 중요한가

• 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.

📖 용어

• 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.
• 에이전틱 AI : 목표를 받으면 스스로 계획을 세우고 도구를 써 가며 여러 단계를 실행하는 AI 시스템.

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

인공지능(AI), 머신러닝(ML), 딥러닝(DL)의 관계를 가장 정확하게 설명한 것은?

• A세 개념은 서로 완전히 독립적이며 겹치지 않는다
• B딥러닝이 가장 넓은 개념이고 그 안에 머신러닝과 AI가 포함된다
• CAI가 가장 넓고, 그 안에 머신러닝이, 머신러닝 안에 딥러닝이 포함된다
• D머신러닝과 딥러닝은 같은 의미이며 AI와는 무관하다

문제 2

사람이 "제목에 특정 단어가 있으면 처리하라"는 규칙을 직접 모두 작성해 동작하는 시스템에 대한 설명으로 옳은 것은?

• A데이터로부터 규칙을 학습하므로 전형적인 머신러닝이다
• B신경망을 사용하므로 딥러닝이다
• C사람이 규칙을 직접 만들었으므로 머신러닝이라 보기 어렵다
• DAI와는 전혀 관련이 없는 일반 소프트웨어일 뿐이다

문제 3

딥러닝이 전통적인 머신러닝과 비교해 일반적으로 더 많이 요구하는 것은?

• A사람이 직접 작성한 명시적 규칙
• B대량의 데이터와 강력한 연산 자원
• C데이터를 전혀 사용하지 않는 환경
• D단순한 표 형태의 소량 데이터만 사용하는 환경

문제 4

다음 중 일반적으로 딥러닝이 가장 큰 강점을 보이는 데이터 유형은?

• A정해진 규칙으로 쉽게 처리 가능한 단순 계산
• B이미지, 음성, 자연어 같은 복잡하고 비정형적인 데이터
• C데이터가 거의 없는 소규모 환경
• D사람이 모든 규칙을 명확히 정의할 수 있는 문제