기준: AIF-C01 시험 가이드오류 제보

AIF-C01· AssociateWeek 1 · Day 4읽기 약 11분

핵심 정리

모델 = 데이터로 학습된 규칙 덩어리. 학습(Training) = 모델을 만드는 과정, 추론(Inference) = 만든 모델로 예측하는 과정이며, 요구에 따라 실시간·배치·비동기·서버리스 방식으로 내보낸다.
특성(Feature) = 입력 정보, 레이블(Label) = 맞혀야 할 정답. 학습엔 둘 다, 추론엔 특성만 필요하다.
데이터는 학습·검증·테스트로 나누고, 테스트 데이터는 학습에 절대 쓰지 않는다.
과적합 = 학습 데이터만 외워 새 데이터에 약한 상태. 과소적합 = 학습이 부족해 둘 다 못하는 상태.
최종 목표는 새 데이터에서도 잘 작동하는 일반화 성능이다.

Day 4 - 핵심 용어: 모델·학습·추론·특성·레이블·과적합

핵심 용어 빠른 정리표

머신러닝 용어는 영어와 한국어가 섞여 쓰이고 비슷해 보이는 단어가 많다. 아래 표로 짝을 먼저 맞춰 두면 이후 설명이 수월하다.

용어	영어	한 줄 정의
모델	Model	데이터로부터 학습된 "규칙 덩어리"
학습/훈련	Training	데이터로 모델을 만드는 과정
추론	Inference	학습된 모델로 새 데이터의 답을 예측하는 과정
특성	Feature	예측에 사용하는 입력 정보(변수)
레이블	Label	모델이 맞혀야 할 정답
과적합	Overfitting	학습 데이터만 외워 새 데이터에 약한 상태
과소적합	Underfitting	학습이 부족해 패턴조차 못 잡은 상태

1. 모델 (Model)

데이터로부터 학습된 결과물. 입력을 받아 출력을 내놓는 "학습된 규칙 덩어리".
예: 집의 면적을 입력하면 예상 가격을 출력하는 함수가 하나의 모델이다.
처음에는 아무것도 모르는 빈 상태이며, 학습을 통해 점점 똑똑해진다.

2. 학습(훈련)과 추론 (Training & Inference)

머신러닝의 작업은 크게 두 단계로 나뉜다.

학습(훈련, Training): 데이터를 보여주며 모델을 만드는 과정. 시간이 오래 걸리고 자원이 많이 든다.
추론(Inference): 완성된 모델에 새로운 입력을 넣어 답을 얻는 과정. 실제 서비스에서 사용자가 만나는 단계다.
비유: 학습은 "공부하는 과정", 추론은 "배운 것으로 시험 문제를 푸는 과정".

학습은 보통 한 번(또는 가끔) 무겁게 수행하고, 추론은 서비스 중 수없이 반복된다. 그래서 학습과 추론의 비용·속도 요구사항은 서로 다르다.

알고리즘과 모델은 다르다

용어	무엇인가	요리 비유	예
알고리즘	데이터에서 규칙을 찾아내는 학습 방법	조리법	"면적과 가격 사이에 가장 잘 맞는 선을 찾는 절차"
모델	그 방법을 실제 데이터에 돌려 얻은 결과물	완성된 요리	"가격 = 면적 × 얼마 + 얼마"로 굳어진 식

같은 알고리즘이라도 데이터가 다르면 다른 모델이 나온다. 서울 집값으로 학습한 모델과 부산 집값으로 학습한 모델은 조리법은 같아도 다른 요리다.
학습으로 모델 안에 채워지는 숫자를 파라미터, 학습 전에 사람이 정해 주는 설정(얼마나 오래 학습할지 등)을 하이퍼파라미터라 한다. 시험에서는 "누가 정하는가"만 구분하면 된다.

학습과 추론 나란히 놓기

비교 축	학습(Training)	추론(Inference)
하는 일	모델을 만든다	만든 모델을 쓴다
넣는 것	특성 + 레이블(대량)	특성만(새 입력)
나오는 것	모델	예측 결과
빈도	가끔, 한 번에 무겁게	서비스 중 계속, 한 건은 가볍게
중요한 것	잘 배웠는가(일반화)	얼마나 빨리, 얼마나 싸게 답하는가

추론을 내보내는 네 가지 방식

"예측을 언제까지 받아야 하는가"에 따라 추론을 서비스하는 방식이 갈린다. 시험 가이드는 배치·실시간·비동기·서버리스 네 가지를 예로 든다. 아래는 Amazon SageMaker AI(옛 이름 Amazon SageMaker)의 추론 옵션 기준이다.

방식	언제 쓰나	특징	예
실시간(Real-time)	요청마다 즉시 답해야 할 때	항상 켜 둔 엔드포인트가 낮은 지연으로 응답	결제 순간의 사기 판정, 상품 추천
배치(Batch)	대량 데이터를 한꺼번에, 급하지 않게	상시 엔드포인트 없이 작업을 돌리고 끝낸다	매일 밤 전 고객의 이탈 점수 계산
비동기(Asynchronous)	입력이 크고 처리 시간이 길 때	요청을 대기열에 쌓아 처리하고, 요청이 없으면 0으로 줄일 수 있다	긴 영상·대용량 문서 분석
서버리스(Serverless)	요청이 뜸하거나 들쭉날쭉할 때	인스턴스를 관리하지 않고 쓴 만큼만 낸다(유휴 시간 과금 없음)	가끔 호출되는 사내 도구

판별 단서: "즉시·낮은 지연" → 실시간, "대량·주기적·오프라인" → 배치, "큰 페이로드·긴 처리 시간" → 비동기, "간헐적·예측 불가 트래픽" → 서버리스.
흔한 실수는 "하루 한 번 전체 고객 점수를 낸다"에 실시간 엔드포인트를 고르는 것이다. 종일 켜 두는 비용만 나간다.

3. 특성과 레이블 (Feature & Label)

특성(Feature): 예측에 사용하는 입력 정보. 변수 또는 속성이라고도 한다.
레이블(Label): 모델이 맞혀야 할 정답. (Day 2의 지도학습에서 쓰인다.)

항목	역할	예시
면적, 방 개수, 위치	특성(입력)	84㎡, 3개, 강남
실제 거래 가격	레이블(정답)	9억 원

학습할 때는 특성과 레이블이 모두 필요하고, 추론할 때는 특성만 넣어 레이블을 예측한다.

4. 데이터셋 나누기: 학습·검증·테스트

데이터셋	영어	용도
학습 데이터	Training set	모델을 학습시키는 데 사용
검증 데이터	Validation set	학습 중 모델을 점검·조정하는 데 사용
테스트 데이터	Test set	최종 성능을 객관적으로 평가하는 데 사용

핵심은 테스트 데이터는 학습에 절대 쓰지 않는다는 점이다.
학습에 쓴 데이터로 평가하면 "이미 본 문제로 시험 보는" 셈이라 성능이 부풀려진다.

💡 관련 이론: 데이터를 학습/검증/테스트로 나누는 이유는 모델이 "새로운 데이터에서도 잘 작동하는지(일반화, generalization)"를 정직하게 측정하기 위해서다.

5. 과적합과 과소적합 (Overfitting & Underfitting)

머신러닝의 대표적인 문제 개념이다.

과적합 (Overfitting)

학습 데이터를 너무 잘 외워서 새로운 데이터에서는 성능이 나쁜 상태.
비유: "기출문제만 통째로 외워 변형 문제를 못 푸는 학생".
학습 데이터 정확도: 매우 높음 / 새(테스트) 데이터 정확도: 낮음

과소적합 (Underfitting)

학습이 부족해 패턴조차 제대로 잡지 못한 상태.
비유: "공부를 너무 안 해서 기본 문제도 틀리는 학생".
학습 데이터 정확도: 낮음 / 새 데이터 정확도: 낮음

상태	학습 데이터 성능	새 데이터 성능	비유
과소적합	낮음	낮음	공부 부족
적절함	높음	높음	이해하고 응용 가능
과적합	매우 높음	낮음	암기만 함

좋은 모델은 학습 데이터와 새 데이터 모두에서 고르게 잘 작동한다. 과적합과 과소적합 사이의 균형을 맞추는 것이 머신러닝의 핵심 과제이며, 이를 "일반화 성능을 높인다"고 표현한다.

점수로 진단하고 처방하기

두 점수를 나란히 놓아야 상태가 보인다. 학습 점수 하나만으로는 아무것도 알 수 없다.

학습 데이터 정확도	테스트 데이터 정확도	진단	읽는 법
62%	60%	과소적합	둘 다 낮다. 아직 제대로 못 배웠다
91%	89%	적절	둘 다 높고 차이가 작다
99%	70%	과적합	격차 29%p. 외웠을 뿐 응용을 못 한다

상태	흔한 원인	처방
과소적합	모델이 너무 단순하다, 학습이 모자라다, 쓸 만한 특성이 없다	더 표현력 있는 모델, 더 충분한 학습, 더 나은 특성
과적합	데이터가 적거나 한쪽에 치우쳤다, 모델이 지나치게 복잡하다, 너무 오래 학습했다	더 많고 다양한 데이터, 모델 단순화, 적당한 시점에 학습 중단

방향을 헷갈리지 말 것: 과적합에 "더 오래 학습"을 처방하면 악화된다. 과적합은 부족이 아니라 과잉이다.

💡 관련 이론: 시험 가이드는 이 현상을 편향(bias)과 분산(variance)이라는 말로도 묻는다. 모델이 너무 단순해 정답에서 일관되게 빗나가는 것이 높은 편향 → 과소적합, 학습 데이터의 사소한 차이에까지 민감하게 휘둘리는 것이 높은 분산 → 과적합이다. 모델이 데이터에 얼마나 맞춰졌는지를 통틀어 적합(fit)이라 부른다. 참고로 "편향"은 특정 집단에 불리하게 치우친 판단이라는 공정성의 뜻으로도 쓰이므로(Week 5), 문맥으로 어느 쪽인지 가려야 한다.

검증 데이터와 테스트 데이터를 따로 두는 이유

학습 도중에는 설정을 바꿔 가며 "어느 쪽이 더 나은가"를 여러 번 비교한다. 이 비교에 쓰는 것이 검증 데이터다.
같은 검증 데이터로 고르기를 반복하면, 모델은 학습에 쓰지 않았는데도 검증 데이터에 유리한 쪽으로 조금씩 맞춰진다. 모의고사를 여러 번 보면 그 모의고사에 익숙해지는 것과 같다.
그래서 고르기가 전부 끝난 뒤, 한 번도 판단에 쓰지 않은 테스트 데이터로 마지막 점수를 잰다. 이 점수가 "처음 보는 데이터"에 대한 가장 정직한 추정이다.

흔한 오해 바로잡기

"학습 데이터 정확도가 높으면 좋은 모델" → 테스트 점수와의 격차를 봐야 한다. 높은 학습 점수는 과적합의 증상일 수도 있다.
"추론할 때도 레이블이 필요하다" → 추론은 레이블을 모르기 때문에 하는 일이다. 특성만 넣는다.
"모델 = 알고리즘" → 알고리즘은 방법, 모델은 그 방법으로 데이터를 학습한 결과물이다.
"테스트 점수가 나쁘면 테스트 데이터로 다시 학습하면 된다" → 그 순간 테스트 데이터는 더 이상 "처음 보는 데이터"가 아니다. 점수는 오르지만 의미가 사라진다.
"학습이 끝나면 비용도 끝" → 추론은 서비스가 살아 있는 동안 계속된다. 요청이 많은 서비스는 추론 비용이 학습 비용을 넘어서기도 한다.

용어 연결해서 이해하기

오늘 배운 용어들은 하나의 흐름으로 이어진다.

특성 + 레이블이 담긴 [학습 데이터]
        ↓ (학습 / Training)
      [모델] 완성
        ↓ (추론 / Inference)
새 입력(특성) → 예측된 레이블
        ↓
[테스트 데이터]로 성능 평가 → 과적합/과소적합 여부 확인

이 흐름을 머릿속에 그릴 수 있으면 이후 주차의 더 복잡한 내용도 훨씬 쉽게 이해된다.

📖 용어

모델 : 학습이 끝난 "규칙 덩어리". 입력을 넣으면 답을 내놓는다.
학습(훈련, Training) : 데이터를 보여주며 모델을 만드는 과정. 무겁고 오래 걸린다.
추론(Inference) : 완성된 모델에 새 입력을 넣어 답을 얻는 과정. 서비스에서 계속 반복된다.
특성(Feature) : 예측에 쓰는 입력 정보. 집값 예측이라면 면적·방 개수·위치.
레이블(Label) : 모델이 맞혀야 할 정답. 집값 예측이라면 실제 거래 가격.
검증 데이터 : 학습 도중 모델을 점검하고 설정을 조정할 때 쓰는 데이터.
테스트 데이터 : 최종 성적을 매기는 데이터. 학습에는 절대 쓰지 않는다.
과적합(Overfitting) : 기출문제만 통째로 외워 변형 문제를 못 푸는 상태.
과소적합(Underfitting) : 공부가 부족해 기본 문제조차 못 맞히는 상태.
일반화(Generalization) : 학습 때 못 본 새 데이터에서도 잘 맞히는 성질. 좋은 모델의 목표.

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

완성된 모델에 새로운 입력 데이터를 넣어 예측 결과를 얻는 과정을 무엇이라 하는가?

문제 2

집값 예측에서 "면적, 방 개수, 위치"는 입력으로 쓰이고 "실제 거래 가격"은 맞혀야 할 정답이다. 각각을 가리키는 용어로 옳은 것은?

문제 3

어떤 모델이 학습 데이터에서는 정확도가 매우 높지만 새로운 테스트 데이터에서는 성능이 크게 떨어진다. 이 상태를 가장 잘 나타내는 용어는?

문제 4

머신러닝에서 데이터를 학습·검증·테스트로 나누는 주된 이유는?

문제 5

학습이 부족해 학습 데이터에서도 패턴을 제대로 잡지 못하고 새 데이터에서도 성능이 낮은 상태는?

참고 공식 자료

AIF-C01 공식 시험 안내(새 탭에서 열림)