머신러닝

머신러닝은 예시 데이터에서 규칙성을 찾아 새 입력에 대한 예측이나 분류를 만드는 방법이다. 사람은 학습 목표와 데이터를 정하고, 알고리즘은 그 자료에서 유용한 패턴을 조정해 간다. 이 방식은 인공지능을 구현하는 여러 방법 가운데 하나이며, 인공지능 전체와 같은 뜻은 아니다. [1] [2]

어디에서 만나나

학습 단계에서는 예시를 이용해 모델의 내부 매개변수를 조정하고, 사용 단계에서는 학습을 마친 모델에 새 자료를 넣어 결과를 얻는다. 예를 들어 이미 ‘스팸’ 또는 ‘정상’이라고 표시된 메일을 보여 주며 경향을 익히는 과정이 학습이고, 새 메일의 분류를 계산하는 과정이 사용 또는 추론이다. 새 입력이 들어올 때마다 모델이 반드시 다시 학습하는 것은 아니다. [1] [2]

학습 방식은 보통 정답 표시가 있는 자료를 쓰는 지도학습, 표시 없이 자료의 구조를 찾는 비지도학습, 행동과 보상으로 선택을 조정하는 강화학습으로 나누어 설명한다. 이 이름은 학습 자료와 피드백 구조의 차이를 가리킨다. 실제 문제에서는 여러 기법이 함께 쓰일 수 있으며, 어떤 방법이 맞는지는 목표와 데이터에 달려 있다. [2]

작동과 사용 예

동네 카페의 문의 메일을 정리한다고 가정해 보자. 과거 메일에 ‘영업시간’, ‘예약’, ‘환불’ 같은 범주를 붙여 학습 자료로 만들고, 이후 도착한 메일의 범주 후보를 얻을 수 있다. 결과가 애매한 메일은 담당자가 확인해 범주를 고치는 식으로 사용할 수 있다.

학습에 쓴 자료와 실제 사용 환경이 크게 다르면 모델의 예측이 기대와 달라질 수 있다. 따라서 학습에 포함되지 않은 자료에서도 결과가 적절한지 평가하고, 분류 기준이나 데이터가 바뀌었을 때 성능을 다시 살펴야 한다. 학습이 끝난 모델을 운영하는 과정에는 결과 점검과 갱신 판단도 포함된다. [1] [2]

비슷한 개념과 주의점

머신러닝이 모두 글이나 그림을 만드는 것은 아니다. 매출 예측, 이상 거래 탐지, 사진 분류처럼 숫자나 범주를 출력하는 작업도 많다. 딥러닝은 신경망을 여러 층으로 쌓아 복잡한 패턴을 학습하는 머신러닝의 한 갈래이며, 생성형 AI는 학습된 패턴을 바탕으로 새 콘텐츠를 출력하는 응용 범주다. [1] [2]