Day 3 - ML이 적합한 문제 vs 아닌 문제

전통적 프로그래밍 vs 머신러닝

머신러닝은 강력하지만 만능이 아니다. "굳이 필요 없는데 도입해 비용만 늘고 결과도 나쁜" 사례가 실무에 흔하다.

• 전통적 프로그래밍: 사람이 규칙을 적으면 컴퓨터가 그대로 실행한다.
• 머신러닝: 데이터와 정답 예시를 주면 컴퓨터가 규칙(모델)을 만들어 낸다.

전통적 프로그래밍은 데이터 + 규칙 → 결과이고, 머신러닝은 데이터 + 결과 → 규칙이다. 입력과 출력이 뒤바뀐 셈이라고 이해하면 기억하기 쉽다.

머신러닝이 적합한 문제

다음 조건을 만족할수록 머신러닝이 좋은 선택이다.

1. 규칙이 너무 복잡하거나 사람이 일일이 적기 어렵다 — 사진 속 고양이를 인식하는 규칙을 코드로 적기는 사실상 불가능하다.
2. 패턴은 있지만 명시적으로 표현하기 어렵다 — 스팸 메일의 특징은 계속 변하고 미묘해 규칙으로 고정하기 어렵다.
3. 충분한 양과 품질의 데이터가 있다 — 학습에 쓸 과거 데이터(예시)가 많아야 한다.
4. 약간의 오차를 허용할 수 있다 — 머신러닝은 100% 정확하지 않고 확률적으로 좋은 답을 준다.
5. 상황이 변하면 규칙도 바뀌어야 한다 — 새 데이터로 다시 학습해 변화에 적응할 수 있다.

적합한 사례

• 이미지/음성/자연어 인식
• 추천 시스템(상품, 영화)
• 스팸·사기 탐지
• 수요·가격 예측
• 고객 이탈 예측

머신러닝이 적합하지 않은 문제

반대로 다음과 같은 경우에는 머신러닝이 과하거나 부적절하다.

1. 규칙이 명확하고 간단하다 — "부가세는 금액의 10%"는 그냥 곱셈이다.
2. 데이터가 거의 없다 — 학습할 예시가 부족하면 제대로 작동하지 않는다.
3. 100% 정확성과 완벽한 설명이 필수다 — 법적·안전상 오차가 허용되지 않고 모든 결정의 근거를 설명해야 한다면, 확률적이고 때로 "블랙박스"인 머신러닝은 위험할 수 있다.
4. 단순 계산·조회로 충분하다 — 데이터베이스 조회, 정해진 수식 계산은 전통적 방식이 더 정확하고 저렴하다.

부적합한 사례

💡 관련 이론: "머신러닝이 항상 더 똑똑하다"는 오해를 피해야 한다. 규칙이 명확한 문제에 머신러닝을 쓰면 비용은 늘고 정확도는 오히려 떨어질 수 있다. 가장 단순하면서 충분한 방법을 선택하는 것이 좋은 설계다.

판단 흐름도

머신러닝 도입 여부를 빠르게 점검하는 순서다.

규칙을 사람이 쉽고 명확하게 적을 수 있는가?
   └ 예  → 전통적 프로그래밍 사용 (머신러닝 불필요)
   └ 아니오 ↓
학습에 쓸 충분한 데이터가 있는가?
   └ 아니오 → 먼저 데이터 확보 (지금은 머신러닝 어려움)
   └ 예 ↓
약간의 오차를 허용할 수 있는가?
   └ 아니오 → 신중히 검토 (머신러닝 위험할 수 있음)
   └ 예 → 머신러닝이 적합할 가능성이 높음

시험 가이드가 꼽는 "부적합" 신호 두 가지

AIF-C01 시험 가이드는 AI/ML이 맞지 않는 상황의 예로 비용 대비 효과 분석과 예측이 아니라 정해진 결과가 필요한 경우를 든다.

1) 예측이 아니라 "정해진 결과"가 필요하다

• 머신러닝의 답은 예측이다. "아마 이럴 것이다"이며, 같은 종류의 입력에도 가끔 틀린다.
• 반대로 전통적 코드는 결정적이다. 같은 입력이면 언제나 같은 결과가 나오고, 왜 그 결과인지 코드 한 줄로 짚을 수 있다.

• 구분법: 답을 "계산한다/조회한다"고 말할 수 있으면 전통적 방식, "추정한다/가려낸다"고 말해야 하면 머신러닝 후보다.

2) 비용 대비 효과가 맞지 않는다

머신러닝은 모델을 만드는 값만 드는 것이 아니다. 아래를 모두 더해 얻는 이익과 견줘야 한다.

• 한 달에 20건 들어오는 문의를 자동 분류하려고 모델을 만들면, 사람이 직접 읽는 편이 훨씬 싸다. 처리량이 작으면 자동화의 이익도 작다.
• 규칙 서너 줄로 95%가 해결되는 문제에 모델을 얹어 97%로 올리는 일도, 그 2%p가 운영비보다 값진지 따져 봐야 한다.

반대로, AI/ML이 가치를 주는 세 방향

시험 가이드는 가치를 주는 예로 사람의 의사결정 보조, 솔루션 확장성, 자동화를 든다.

시나리오로 판별하기

현실적인 균형 잡기

• 실무에서는 두 방식을 함께 쓰는 경우가 많다. 명확한 규칙은 전통적 코드로, 복잡한 판단만 머신러닝에 맡긴다.
• "둘 중 하나만 옳다"가 아니라 "문제에 맞는 도구를 고른다"는 관점이 중요하다.

📚 사례: 카드 결제 승인 시스템에서 "한도를 넘으면 거절", "분실 신고된 카드는 거절"은 예외 없이 지켜야 하는 정책이라 코드로 넣는다. "평소와 다른 수상한 결제인가"는 규칙으로 적기 어려워 머신러닝이 점수를 매긴다. 점수가 애매한 건은 사람이 확인한다. 한 시스템 안에 세 가지가 층층이 놓인다.

전통적 ML 모델 vs 파운데이션 모델

머신러닝을 쓰기로 했어도 선택이 하나 더 남는다. 시험 가이드는 규제, 설명 가능성, 운영상 제약을 기준으로 전통적 ML 모델과 파운데이션 모델(FM) 중 무엇이 맞는지 가려내라고 요구한다.

• "대출 심사 결과의 근거를 규제 기관에 설명해야 한다" → 설명 가능한 전통적 ML 쪽이다.
• "고객 문의에 자연스러운 문장으로 답해야 한다" → 파운데이션 모델 쪽이다.
• 파운데이션 모델 자체는 Week 3에서 다룬다. 오늘은 "생성형이 최신이니 무조건 그쪽"이 아니다라는 점만 기억한다.

흔한 오해 바로잡기

• "데이터만 많으면 머신러닝이 된다" → 양보다 먼저 정답이 붙어 있는지, 치우치지 않았는지를 본다. 쓸 수 없는 데이터 100만 건은 0건과 같다.
• "모델은 한 번 만들면 끝" → 세상이 바뀌면 모델도 낡는다. 감시와 재학습 비용이 계속 든다.
• "머신러닝을 쓰면 규칙은 필요 없다" → 반드시 지켜야 하는 정책은 여전히 코드로 고정한다. 모델은 그 바깥의 애매한 판단을 맡는다.
• "오차를 허용할 수 없으면 머신러닝은 절대 못 쓴다" → 모델은 후보만 추리고 사람이 최종 결정하는 의사결정 보조 형태로는 쓸 수 있다.

📖 용어

• 전통적 프로그래밍 : 사람이 규칙을 코드로 적어두면 컴퓨터가 그대로 실행하는 방식.
• 모델 : 머신러닝이 데이터에서 찾아낸 규칙 덩어리. 학습의 결과물이다.
• 학습 데이터 : 모델을 가르치는 데 쓰는 과거 데이터와 그 정답.
• 데이터 품질 : 데이터가 정확하고 빠짐없고 치우치지 않은 정도. 데이터의 양만큼 중요하다.
• 확률적 : 항상 같은 정답을 보장하지 않고 "이럴 가능성이 높다"로 답한다는 뜻.
• 블랙박스 : 답은 나오지만 왜 그런 답인지 사람이 설명하기 어려운 상태.
• 설명 가능성 : 모델이 왜 그런 결정을 내렸는지 근거를 댈 수 있는 성질. 금융·의료·법률에서 특히 중요하다.
• 이탈 예측 : 고객이 서비스를 그만둘지 미리 맞히는 작업. 대표적인 ML 활용 사례.
• 사기 탐지 : 카드 결제 등에서 비정상 거래를 골라내는 작업.
• 파운데이션 모델(FM) : 방대한 데이터로 미리 학습해 두어 여러 작업에 두루 쓸 수 있는 대형 모델. 생성형 AI의 토대다.

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

다음 중 머신러닝보다 전통적 프로그래밍이 더 적합한 문제는?

• A수백만 장의 사진에서 고양이를 인식하기
• B변화하는 스팸 메일을 탐지하기
• C입력 금액에 고정 세율 10%를 곱해 세금을 계산하기
• D고객의 구매 이력으로 상품을 추천하기

문제 2

전통적 프로그래밍과 머신러닝의 입력·출력 관계를 가장 정확하게 설명한 것은?

• A둘 다 데이터와 규칙을 입력받아 결과를 출력한다
• B전통적 방식은 데이터+규칙으로 결과를, 머신러닝은 데이터+결과로 규칙을 만든다
• C머신러닝은 규칙을 입력받아 데이터를 생성한다
• D전통적 방식은 데이터 없이 결과만 만든다

문제 3

어떤 업무에서 학습에 사용할 과거 데이터가 단 몇 건밖에 없고, 결과는 법적으로 100% 정확하고 완전히 설명 가능해야 한다. 이 상황에 대한 판단으로 가장 적절한 것은?

• A데이터가 적어도 머신러닝이 항상 더 정확하므로 즉시 도입한다
• B데이터 부족과 완전한 정확성·설명 요구 때문에 머신러닝이 부적합할 수 있다
• C강화학습을 쓰면 데이터 없이도 완벽하게 해결된다
• D머신러닝은 설명 가능성이 항상 보장되므로 문제없다

문제 4

머신러닝 도입이 적합한 문제의 특징으로 보기 어려운 것은?

• A사람이 규칙을 명시적으로 적기 어려울 만큼 패턴이 복잡하다
• B학습에 사용할 충분한 양과 품질의 데이터가 있다
• C약간의 예측 오차를 허용할 수 있다
• D규칙이 매우 단순하고 변하지 않으며 단순 계산으로 끝난다