딥러닝

딥러닝은 여러 층의 인공 신경망을 학습시키는 머신러닝의 한 분야다. 신경망은 입력을 단계적으로 변환해 각 층에서 다른 특징을 표현한다. ‘깊다’는 말은 이런 층이 이어져 있음을 뜻하며, 인간의 뇌와 똑같이 작동한다는 의미는 아니다. [1] [2]

어디에서 만나나

이미지를 다룰 때 앞쪽 층은 선이나 경계 같은 단순한 신호를, 뒤쪽 층은 더 복합적인 모양의 조합을 학습할 수 있다. 언어 모델에서는 문맥 속 단어와 표현 사이의 관계를 여러 층에서 계산한다. 각 층의 역할은 모델 구조와 학습 과정에 따라 달라지므로 모든 신경망이 같은 순서로 특징을 이해한다고 단정할 수는 없다. [1] [2]

많은 딥러닝 모델은 데이터와 연산 자원을 많이 요구할 수 있고, 학습 자료에 포함된 편향이나 오류를 이어받을 수도 있다. 내부 매개변수가 매우 많아 특정 결과가 나온 이유를 간단한 규칙 하나로 설명하기 어려운 경우도 있다. 실제 적용에서는 데이터의 대표성, 계산 자원, 평가 방법과 운영 비용을 함께 고려해야 한다. 이런 성질은 결과 평가와 자료 관리가 필요한 이유다. [2]

작동과 사용 예

사진을 정리하는 도구를 만든다고 가정하면, 신경망이 사진의 시각 패턴을 바탕으로 ‘고양이’, ‘문서’, ‘음식’ 같은 범주를 제안할 수 있다. 문장을 쓰는 도구라면 다음에 올 표현의 관계를 학습할 수 있다. 이는 이해를 돕는 예시이며 특정 모델의 성능을 보장하는 설명은 아니다.

신경망을 학습할 때는 예측과 정답 사이의 차이를 계산하고, 그 차이를 줄이도록 연결의 수치를 조정하는 과정이 반복된다. 층을 더하거나 구조를 바꾼다고 자동으로 더 나은 모델이 되는 것은 아니며, 학습 자료와 목표에 맞는 평가가 필요하다. 신경망은 설계에 따라 입력과 출력의 종류도 달라진다. [1] [2]

비슷한 개념과 주의점

딥러닝은 생성 작업에도 쓰이며, 생성형 AI의 여러 모델이 이 접근을 이용한다. 하지만 딥러닝과 생성형 AI는 동의어가 아니다. 딥러닝은 학습 방법과 모델 구조를 가리키고, 대규모 언어 모델은 언어를 다루는 모델 범주다. 딥러닝에는 분류, 예측, 생성 등 다양한 목적의 모델이 있다. [1] [2]