머신러닝과 딥러닝의 차이, EZ하게 설명

0. 결론부터 한 장으로

머신러닝과 딥러닝의 차이는 이렇게 잡으면 된다.

AI
└── 머신러닝
    └── 딥러닝

AI는 가장 큰 이름이다. 컴퓨터가 사람처럼 보고, 듣고, 판단하고, 대답하는 것처럼 만드는 전체 분야다.

머신러닝은 AI를 만드는 방법 중 하나다. 사람이 규칙을 전부 적어 주는 대신, 컴퓨터가 데이터를 보고 스스로 규칙을 배우게 한다.

딥러닝은 머신러닝의 한 종류다. 사람 뇌를 아주 단순하게 흉내 낸 신경망을 여러 층으로 깊게 쌓아 복잡한 패턴을 배운다.

친구에게 한 문장으로 설명한다면 이렇게 말하면 된다.

머신러닝은 컴퓨터가 예시를 보고 배우는 방법이고, 딥러닝은 그중에서도 여러 층의 신경망으로 더 복잡하게 배우는 방법이야.

이제 이 문장을 정말 이해할 수 있게 처음부터 풀어 보자.

1. AI는 무엇일까

AI는 Artificial Intelligence의 줄임말이다. 한국어로는 인공지능이라고 한다.

AI를 아주 쉽게 말하면 이렇다.

컴퓨터가 사람처럼 똑똑한 일을 하는 것처럼 보이게 만드는 기술

예를 들어 AI는 이런 일을 한다.

• 사진을 보고 고양이인지 강아지인지 맞힌다.
• 사람이 말한 소리를 글자로 바꾼다.
• 한국어를 영어로 번역한다.
• 내가 좋아할 만한 영상을 추천한다.
• 챗봇처럼 질문에 답한다.
• 자동차가 주변을 보고 멈출지 갈지 판단한다.

하지만 여기서 조심할 점이 있다. AI가 사람처럼 마음을 가지고 생각하는 것은 아니다. 대부분의 AI는 많은 예시를 보고 패턴을 찾은 뒤, 가능성이 높은 답을 계산한다.

여기서 패턴은 반복해서 나타나는 특징이다. 예를 들어 비 오는 날에는 사람들이 우산을 많이 들고 다닌다. 그러면 "우산이 많이 보인다"는 것은 "비가 올 가능성이 높다"는 패턴이 될 수 있다.

2. 예전 프로그램은 사람이 규칙을 써 줬다

머신러닝을 이해하려면 먼저 예전 방식의 프로그램을 알아야 한다.

예전 프로그램은 보통 사람이 규칙을 직접 적었다.

스팸 메일을 찾는 프로그램을 만든다고 해보자. 사람이 이런 규칙을 쓸 수 있다.

제목에 "무료"가 있으면 스팸일 수 있다.
제목에 "당첨"이 있으면 스팸일 수 있다.
본문에 이상한 링크가 너무 많으면 스팸일 수 있다.

이 방식은 규칙이 분명한 문제에서는 좋다.

예를 들어 계산기는 사람이 정한 규칙대로 움직인다.

2 + 3 = 5
10 - 4 = 6

하지만 세상에는 규칙을 사람이 전부 쓰기 어려운 문제가 많다.

고양이 사진을 찾는 문제를 생각해 보자.

귀가 뾰족하면 고양이?
수염이 있으면 고양이?
눈이 동그라면 고양이?
작고 털이 있으면 고양이?

문제가 생긴다. 강아지도 귀가 뾰족할 수 있고, 장난감에도 수염 그림이 있을 수 있고, 사진마다 빛과 각도가 다르다. 사람이 모든 경우의 규칙을 적으려면 끝이 없다.

이때 등장하는 생각이 머신러닝이다.

3. 머신러닝은 무엇일까

머신러닝은 Machine Learning이다.

• Machine: 기계, 컴퓨터
• Learning: 배우기

즉, 머신러닝은 컴퓨터가 배우게 하는 기술이다.

더 정확히 말하면 이렇다.

사람이 규칙을 하나하나 쓰는 대신, 컴퓨터가 데이터를 보고 규칙을 찾아내게 하는 방법

예를 들어 컴퓨터에게 고양이와 강아지를 구분시키고 싶다고 해보자.

사람이 이렇게 많은 예시를 준다.

사진 1: 고양이
사진 2: 강아지
사진 3: 고양이
사진 4: 강아지
...

컴퓨터는 이 예시를 보면서 조금씩 배운다.

고양이 사진에는 이런 귀 모양이 자주 보이는구나.
강아지 사진에는 이런 코 모양이 자주 보이는구나.
고양이와 강아지는 털 색만으로는 구분하기 어렵구나.

이렇게 데이터를 보고 정답을 맞히는 방법을 배운 결과가 모델이다.

4. 모델은 무엇일까

모델은 컴퓨터가 배운 결과물이다.

처음 모델은 아무것도 모르는 학생과 비슷하다. 문제를 보여 주면 틀릴 가능성이 높다.

하지만 예시를 많이 보고, 정답과 비교하고, 틀린 부분을 고치면 점점 좋아진다.

처음 모델: 이 사진은 강아지 같아.
정답: 고양이야.
모델: 내가 틀렸구나. 다음에는 이런 모양을 고양이 쪽으로 더 봐야겠다.

학습이 끝난 모델은 새 문제에 답할 수 있다.

새 사진 입력 → 고양이일 확률 93%
새 메일 입력 → 스팸일 확률 87%
새 집 정보 입력 → 예상 가격 5억 원

모델은 마법 상자가 아니다. 데이터를 보고 배운 계산 규칙이다.

5. 데이터는 무엇일까

데이터는 컴퓨터가 배우는 재료다.

사람이 공부할 때 문제집, 그림, 설명, 실험 결과가 필요하듯이 컴퓨터도 배울 재료가 필요하다.

데이터는 여러 모양이 될 수 있다.

• 숫자
• 표
• 사진
• 글
• 음성
• 영상
• 클릭 기록
• 구매 기록
• 날씨 기록
• 시험 점수

머신러닝과 딥러닝은 모두 데이터가 중요하다. 데이터가 엉망이면 모델도 엉망으로 배운다.

예를 들어 고양이 사진을 배우는데 고양이 사진이 전부 어두운 밤 사진뿐이라면, 모델은 "어두우면 고양이"라고 잘못 배울 수 있다.

그래서 AI에서는 이런 말이 중요하다.

좋은 데이터가 좋은 모델을 만든다.

6. 라벨은 무엇일까

라벨은 데이터의 정답표다.

사진만 있으면 컴퓨터는 처음에 그것이 고양이인지 강아지인지 모른다. 그래서 사람이 정답을 붙여 줄 수 있다.

사진 A → 고양이
사진 B → 강아지
사진 C → 고양이

여기서 "고양이", "강아지"가 라벨이다.

스팸 메일 문제에서는 이렇게 된다.

메일 A → 스팸
메일 B → 정상
메일 C → 스팸

여기서 "스팸", "정상"이 라벨이다.

라벨이 있는 데이터를 보고 배우는 대표 방식이 지도학습이다.

7. 학습은 무엇일까

학습은 모델이 데이터를 보며 실력을 키우는 과정이다.

사람이 수학 문제를 공부하는 흐름과 비슷하다.

문제를 푼다.
정답을 확인한다.
틀린 이유를 본다.
다음에는 덜 틀리게 고친다.

모델도 비슷하게 움직인다.

데이터를 본다.
답을 예측한다.
정답과 비교한다.
얼마나 틀렸는지 계산한다.
내부 숫자를 조금 고친다.
다시 예측한다.

이 과정을 아주 많이 반복한다.

모델이 처음부터 똑똑한 것이 아니다. 많이 보고, 많이 틀리고, 조금씩 고치면서 나아진다.

8. 예측은 무엇일까

예측은 학습이 끝난 모델이 새 데이터에 답하는 것이다.

중요한 점은 "봤던 문제를 외워서 말하는 것"이 아니라, 처음 보는 문제에도 답해야 한다는 것이다.

예를 들어 학습할 때 보지 못한 사진이 들어온다.

새 사진 → 고양이일 확률 91%

모델은 보통 답을 확정한다기보다 가능성을 계산한다.

그래서 AI가 아주 자신 있게 말해도 틀릴 수 있다. AI의 답은 "가능성이 높은 계산 결과"이지, 항상 진실이라는 뜻은 아니다.

9. 특징은 무엇일까

특징은 답을 맞히는 데 도움이 되는 정보다.

사람을 알아볼 때도 특징을 본다.

키
목소리
머리 모양
옷 색깔
걸음걸이

집값을 예측할 때는 이런 특징이 중요할 수 있다.

위치
넓이
방 개수
지하철역 거리
건물 나이

스팸 메일을 찾을 때는 이런 특징이 중요할 수 있다.

메일 제목
특정 단어
링크 개수
보낸 사람 주소
첨부 파일 종류

머신러닝에서는 사람이 중요한 특징을 골라 정리해 주는 경우가 많다. 이것을 특징 추출 또는 특징 설계라고 부른다.

딥러닝은 사진, 음성, 글처럼 복잡한 데이터에서 중요한 특징을 스스로 찾아내는 힘이 더 강하다.

여기가 머신러닝과 딥러닝의 큰 차이 중 하나다.

10. 딥러닝은 무엇일까

딥러닝은 Deep Learning이다.

• Deep: 깊은
• Learning: 배우기

딥러닝은 "생각이 깊다"는 뜻이 아니다. 여기서 깊다는 말은 계산 층이 여러 개 있다는 뜻이다.

딥러닝은 머신러닝의 한 종류이고, 보통 인공신경망이라는 구조를 사용한다.

한 줄로 말하면 이렇다.

딥러닝은 여러 층의 신경망을 이용해 데이터 속 복잡한 패턴을 배우는 머신러닝 방법이다.

사진을 보고 숫자 8을 맞히는 일을 생각해 보자.

딥러닝 모델은 한 번에 "8이다"라고 판단하지 않는다. 여러 단계를 지나며 조금씩 이해한다.

1층: 선과 점을 본다.
2층: 곡선과 모서리를 본다.
3층: 동그라미 모양을 본다.
4층: 위아래 동그라미가 이어진 모양을 본다.
마지막 층: 숫자 8일 가능성이 높다고 판단한다.

이렇게 여러 층을 지나면서 단순한 특징에서 복잡한 특징으로 올라간다. 그래서 딥러닝은 이미지, 음성, 자연어처럼 사람이 규칙을 직접 쓰기 어려운 문제에서 강하다.

11. 신경망은 무엇일까

신경망은 Neural Network라고 부른다.

사람의 뇌에는 뉴런이라는 세포가 있다. 뉴런은 정보를 주고받는다. 인공신경망은 이것을 아주 단순하게 흉내 낸 계산 구조다.

신경망은 보통 세 부분으로 생각할 수 있다.

입력층 → 은닉층 → 출력층

입력층은 데이터가 들어오는 곳이다. 사진이면 픽셀 정보가 들어오고, 글이면 단어나 토큰 정보가 들어온다.

은닉층은 계산이 일어나는 중간 층이다. 딥러닝에서 깊다는 말은 이 은닉층이 많다는 뜻이다.

출력층은 답이 나오는 곳이다.

예를 들어 숫자 사진을 분류한다면 출력은 이런 모양이 될 수 있다.

0일 확률: 1%
1일 확률: 1%
2일 확률: 2%
...
8일 확률: 92%

모델은 가장 가능성이 높은 8을 답으로 고른다.

12. 픽셀, 토큰, 벡터도 알아두자

딥러닝을 공부하면 자주 나오는 단어가 있다.

픽셀은 사진을 이루는 작은 점이다. 모니터 화면을 아주 가까이 보면 작은 점들이 모여 그림을 만든다. 그 점 하나하나가 픽셀이다.

토큰은 글을 모델이 다루기 좋게 잘라 놓은 조각이다. 토큰은 단어일 수도 있고, 단어의 일부일 수도 있다.

예를 들어 "나는 사과를 먹었다"라는 문장은 모델 안에서 여러 토큰으로 나뉠 수 있다.

나는 / 사과 / 를 / 먹었다

벡터는 숫자 여러 개를 줄 세운 것이다. 컴퓨터는 "고양이", "사과", "기분" 같은 말을 그대로 이해하지 못한다. 그래서 글, 사진, 소리 같은 것을 숫자 묶음으로 바꿔 계산한다. 이 숫자 묶음이 벡터다.

쉽게 말하면 이렇다.

사람이 보는 것: 고양이 사진
컴퓨터가 계산하는 것: 숫자, 숫자, 숫자, 숫자...

13. 가중치는 무엇일까

가중치는 모델 안에 들어 있는 조절 숫자다.

쉽게 말하면,

어떤 정보를 얼마나 중요하게 볼지 정하는 숫자

이다.

농구를 잘할지 예측하는 모델을 생각해 보자.

키
점프력
연습 시간
슛 정확도
경기 경험

모델은 이 특징들을 모두 똑같이 보지 않는다. 어떤 정보는 더 중요하고, 어떤 정보는 덜 중요할 수 있다.

예를 들어 슛 정확도가 키보다 더 중요할 수도 있다. 이 중요도를 조절하는 숫자가 가중치다.

딥러닝 모델에는 가중치가 아주 많다. 작은 모델에도 수백만 개가 있을 수 있고, 큰 모델에는 수십억 개 이상 있을 수 있다.

14. 손실은 무엇일까

손실은 모델이 얼마나 틀렸는지 나타내는 숫자다.

예를 들어 집값을 맞히는 모델이 있다고 해보자.

정답: 5억 원
예측: 3억 원

많이 틀렸다. 손실이 크다.

정답: 5억 원
예측: 4억 9천만 원

조금 틀렸다. 손실이 작다.

모델 학습의 목표는 간단하다.

손실을 줄이는 것

모델은 손실을 줄이기 위해 가중치를 조금씩 고친다.

15. 최적화는 무엇일까

최적화는 손실을 줄이도록 모델을 고치는 과정이다.

모델 학습은 크게 이런 반복이다.

예측한다 → 얼마나 틀렸는지 본다 → 내부 숫자를 고친다 → 다시 예측한다

처음에는 많이 틀린다. 하지만 반복할수록 손실이 작아지는 방향으로 움직인다.

이 과정이 잘 되면 모델은 점점 더 정확한 답을 낸다.

16. 머신러닝의 대표 종류

머신러닝은 크게 세 가지로 나눌 수 있다.

지도학습

지도학습은 정답을 알려 주면서 배우는 방식이다.

학교에서 선생님이 문제와 정답을 같이 알려 주는 것과 비슷하다.

사진 → 고양이
메일 → 스팸
집 정보 → 가격 5억 원

고양이와 강아지 분류, 스팸 메일 탐지, 집값 예측 같은 문제에 많이 쓰인다.

비지도학습

비지도학습은 정답 없이 데이터만 보고 비슷한 것끼리 묶거나 구조를 찾는 방식이다.

예를 들어 쇼핑몰 고객 데이터가 있다고 해보자. 정답은 없지만 모델이 이런 식으로 묶을 수 있다.

그룹 A: 운동용품을 자주 사는 사람들
그룹 B: 아기용품을 자주 사는 사람들
그룹 C: 전자제품을 자주 사는 사람들

이처럼 정답표 없이 패턴을 찾는다.

강화학습

강화학습은 행동을 해보고 보상을 받으며 배우는 방식이다.

게임을 생각하면 쉽다.

좋은 선택 → 점수 증가
나쁜 선택 → 점수 감소

모델은 점수를 많이 얻는 행동을 더 자주 하도록 배운다. 게임 AI, 로봇 제어, 복잡한 선택 문제에서 사용된다.

17. 머신러닝 알고리즘에는 무엇이 있을까

알고리즘은 문제를 푸는 방법이다.

라면 끓이는 순서도 알고리즘처럼 볼 수 있다.

물을 끓인다.
면을 넣는다.
스프를 넣는다.
기다린다.
먹는다.

머신러닝에도 여러 알고리즘이 있다.

선형 회귀는 숫자를 예측할 때 자주 쓰인다. 예를 들어 집 넓이와 위치를 보고 집값을 예측할 수 있다.

로지스틱 회귀는 둘 중 하나를 고르는 문제에 쓸 수 있다. 예를 들어 메일이 스팸인지 정상인지 판단한다.

결정 트리는 질문을 따라가며 답을 고르는 방식이다.

날씨가 비 오는가?
기온이 낮은가?
바람이 강한가?

이런 질문 나무를 타고 내려가 답을 정한다.

랜덤 포레스트는 결정 트리를 여러 개 모아 함께 판단하는 방식이다. 한 명보다 여러 명이 함께 투표하면 더 안정적인 판단을 할 수 있는 것과 비슷하다.

K-최근접 이웃은 새 데이터와 가장 비슷한 이웃들을 보고 답을 정한다. 전학 온 친구가 어떤 동아리에 어울릴지 볼 때, 비슷한 취미를 가진 친구들이 많이 있는 곳을 보는 느낌이다.

신경망은 여러 계산 노드를 연결해 복잡한 패턴을 배우는 방식이다. 이 신경망을 깊게 쌓으면 딥러닝이 된다.

18. 딥러닝은 왜 강할까

딥러닝이 강한 이유는 단순한 특징부터 복잡한 특징까지 여러 단계로 배울 수 있기 때문이다.

사진 인식을 예로 들어 보자.

낮은 층: 선, 점, 색 변화
중간 층: 곡선, 모서리, 작은 모양
높은 층: 눈, 귀, 바퀴, 얼굴 같은 큰 모양
마지막 층: 고양이, 자동차, 사람 같은 전체 대상

사람이 모든 특징을 직접 정하기 어렵기 때문에 딥러닝이 빛난다.

음성도 마찬가지다.

낮은 층: 소리의 높낮이와 파형
중간 층: 음절과 발음
높은 층: 단어와 문장

글도 마찬가지다.

낮은 층: 토큰
중간 층: 단어 관계
높은 층: 문맥과 의도

이처럼 딥러닝은 복잡한 데이터를 층층이 나누어 배운다.

19. 머신러닝과 딥러닝의 핵심 차이

가장 중요한 차이는 특징을 누가 얼마나 찾아내느냐다.

머신러닝은 사람이 특징을 정리해 주는 경우가 많다.

집값 예측:
위치, 넓이, 방 개수, 역까지 거리, 건물 나이

딥러닝은 데이터에서 특징을 스스로 찾아내는 힘이 강하다.

이미지 분류:
사진 전체를 넣으면 모델이 선, 모양, 물체 특징을 단계적으로 배움

물론 현실은 딱 둘로만 나뉘지 않는다. 머신러닝에서도 자동으로 특징을 찾는 방법이 있고, 딥러닝에서도 사람이 데이터 구조와 학습 방법을 잘 설계해야 한다.

그래도 입문 단계에서는 이렇게 기억하면 충분하다.

머신러닝: 사람이 특징을 어느 정도 정리해 주는 경우가 많다.
딥러닝: 모델이 복잡한 특징을 스스로 찾는 힘이 강하다.

20. 비교표로 정리하기

21. 딥러닝이 항상 더 좋은 것은 아니다

딥러닝이 유명하다고 해서 항상 딥러닝이 정답은 아니다.

작은 문제에는 작은 도구가 더 좋을 수 있다.

예를 들어 이런 문제는 일반 머신러닝이 더 실용적일 수 있다.

• 데이터가 많지 않다.
• 표 형태 데이터가 중심이다.
• 왜 그런 답이 나왔는지 설명해야 한다.
• 빠르게 만들고 빠르게 검증해야 한다.
• 컴퓨터 자원이 제한적이다.

병원 예약 취소 예측, 고객 이탈 예측, 학생 성적 예측, 간단한 수요 예측 같은 문제는 딥러닝보다 전통적인 머신러닝이 더 깔끔할 수 있다.

딥러닝은 아주 큰 망치처럼 강력하지만, 모든 나사에 망치가 필요한 것은 아니다.

22. 딥러닝이 더 잘 맞는 경우

딥러닝은 사람이 규칙과 특징을 직접 쓰기 어려운 문제에서 강하다.

대표적으로 이런 문제다.

• 이미지 인식
• 음성 인식
• 영상 분석
• 자연어 처리
• 번역
• 글 요약
• 챗봇
• 이미지 생성
• 자율주행 인식

예를 들어 사진 속 고양이를 찾는 문제는 사람이 모든 규칙을 적기 어렵다.

고양이가 앉아 있을 수도 있다.
누워 있을 수도 있다.
얼굴만 보일 수도 있다.
뒤돌아 있을 수도 있다.
어두운 곳에 있을 수도 있다.
다른 물체에 가려져 있을 수도 있다.

이런 복잡한 경우에는 딥러닝이 많은 예시를 보고 직접 특징을 배우는 방식이 강하다.

23. 과적합은 무엇일까

과적합은 모델이 학습 데이터를 너무 외워서 새 문제를 못 푸는 상태다.

문제집 답만 외운 학생을 생각하면 쉽다.

그 학생은 문제집에 있던 문제는 잘 맞힌다. 그런데 숫자가 조금 바뀐 새 문제가 나오면 틀린다.

모델도 똑같다.

학습 데이터: 잘 맞힘
새 데이터: 잘 못 맞힘

이러면 좋은 모델이 아니다.

좋은 모델은 외우기만 하는 것이 아니라 진짜 규칙과 패턴을 배워야 한다.

24. 일반화는 무엇일까

일반화는 처음 보는 데이터에도 잘 맞히는 능력이다.

AI 모델에서 진짜 중요한 것은 학습 데이터 점수만 높은 것이 아니다. 새 문제를 풀 수 있어야 한다.

예를 들어 고양이 사진 1,000장을 외운 모델보다 처음 보는 고양이 사진도 맞히는 모델이 더 좋다.

외움: 본 문제만 잘 품
일반화: 새 문제도 잘 품

머신러닝과 딥러닝의 목표는 결국 일반화를 잘하는 모델을 만드는 것이다.

25. 학습 데이터, 검증 데이터, 테스트 데이터

모델을 만들 때 데이터는 보통 나누어 쓴다.

학습 데이터는 모델이 공부하는 문제집이다.

검증 데이터는 공부하는 중간에 실력을 확인하는 모의고사다.

테스트 데이터는 마지막에 보는 최종 시험이다.

왜 나눌까? 모델이 문제집만 외웠는지 확인해야 하기 때문이다.

학습 데이터 점수 높음
테스트 데이터 점수 낮음
→ 외웠을 가능성이 큼

반대로 학습 데이터와 테스트 데이터에서 모두 잘하면 새 문제에도 강할 가능성이 높다.

26. 정확도만 보면 안 된다

모델이 얼마나 좋은지 볼 때 정확도만 보면 위험할 수 있다.

예를 들어 어떤 병이 있는 사람을 찾는 모델이 있다고 해보자. 전체 사람 중 병이 있는 사람이 1%뿐이라면, 모델이 전부 "병 없음"이라고 말해도 정확도는 99%가 될 수 있다.

하지만 이 모델은 병이 있는 사람을 한 명도 찾지 못한다. 실제로는 나쁜 모델이다.

그래서 문제에 따라 다른 기준도 봐야 한다.

정밀도는 모델이 맞다고 한 것 중 진짜 맞은 비율이다.

재현율은 실제 정답 중 모델이 얼마나 많이 찾아냈는지 보는 비율이다.

오차는 숫자 예측에서 얼마나 빗나갔는지 보는 값이다.

입문 단계에서는 이렇게 기억하면 된다.

모델 평가는 점수 하나만 보는 것이 아니라, 어떤 실수를 하면 위험한지 함께 봐야 한다.

27. 실제 생활 속 예시

머신러닝과 딥러닝은 이미 우리 주변에 많다.

추천 시스템은 내가 본 영상, 누른 버튼, 오래 본 상품을 보고 다음에 좋아할 만한 것을 추천한다.

스팸 필터는 메일 제목, 본문, 링크, 보낸 사람 정보를 보고 스팸인지 판단한다.

번역기는 한 언어의 문장을 다른 언어로 바꾼다. 요즘 번역기는 딥러닝을 많이 사용한다.

음성 인식은 사람의 말을 글자로 바꾼다.

"오늘 날씨 알려줘" → 오늘 날씨 알려줘

이미지 인식은 사진을 보고 무엇이 있는지 판단한다.

챗봇은 사용자의 글을 보고 다음에 올 자연스러운 답변을 만든다. ChatGPT 같은 대형 언어 모델도 딥러닝 기반이다.

28. 머신러닝의 장점과 단점

머신러닝의 장점은 시작하기 비교적 쉽고, 표 형태 데이터에서 강하며, 결과를 설명하기 쉬운 모델이 많다는 것이다.

회사 매출, 고객 기록, 상품 가격, 시험 점수처럼 정리된 표 데이터에서는 머신러닝이 아주 유용하다.

하지만 단점도 있다.

사람이 특징을 잘 골라야 하는 경우가 많고, 이미지나 음성처럼 복잡한 데이터에서는 딥러닝보다 약할 수 있다. 문제에 맞는 알고리즘을 고르는 판단도 필요하다.

29. 딥러닝의 장점과 단점

딥러닝의 장점은 복잡한 데이터를 잘 다룬다는 것이다.

사진, 음성, 글, 영상처럼 사람이 규칙을 직접 만들기 어려운 문제에서 강하다. 데이터가 많고 컴퓨터 자원이 충분하면 매우 좋은 성능을 낼 수 있다.

하지만 단점도 있다.

딥러닝은 보통 데이터가 많이 필요하고, 학습에 강한 컴퓨터가 필요할 수 있다. 또 모델 내부가 복잡해서 왜 그런 답을 냈는지 설명하기 어려운 경우가 많다.

딥러닝 모델도 틀릴 수 있고, 학습 데이터가 한쪽으로 치우쳐 있으면 답도 치우칠 수 있다.

30. 편향은 무엇일까

편향은 데이터나 모델의 판단이 한쪽으로 치우치는 것이다.

예를 들어 어떤 모델이 동물 사진을 배운다고 해보자. 학습 데이터에 하얀 고양이 사진만 많고 검은 고양이 사진이 거의 없다면, 검은 고양이를 고양이로 잘 못 알아볼 수 있다.

사람 관련 데이터에서는 더 조심해야 한다. 특정 나이, 성별, 지역, 언어, 문화의 데이터만 많이 들어가면 모델의 답도 그쪽 기준에 치우칠 수 있다.

그래서 AI를 만들 때는 정확도만 보는 것이 아니라, 데이터가 공정하고 다양한지도 확인해야 한다.

31. 설명 가능성은 왜 중요할까

설명 가능성은 모델이 왜 그런 답을 냈는지 사람이 이해할 수 있는 정도다.

예를 들어 은행에서 대출을 거절하는 모델이 있다고 해보자.

모델이 그냥 이렇게 말하면 곤란하다.

대출 거절입니다.
이유는 알 수 없습니다.

사람은 이유를 알아야 한다.

소득 대비 빚이 너무 많습니다.
최근 연체 기록이 있습니다.
신용 기록이 부족합니다.

전통적인 머신러닝 모델 중에는 이런 설명을 하기 쉬운 것이 많다. 딥러닝은 성능은 강하지만 내부 계산이 복잡해서 설명하기 어려운 경우가 많다.

그래서 의료, 금융, 법처럼 중요한 분야에서는 "잘 맞히는가"뿐 아니라 "설명할 수 있는가"도 중요하다.

32. 머신러닝과 딥러닝을 음식으로 비유하면

머신러닝은 요리 선생님이 중요한 재료를 골라 주고, 학생이 맛있는 조합을 배우는 느낌이다.

이 재료들을 중요하게 봐.
소금 양, 불 세기, 조리 시간을 보고 맛을 맞혀 봐.

딥러닝은 아주 많은 요리 사진과 맛 평가를 보고, 학생이 재료의 모양, 색, 조합, 조리 상태까지 스스로 찾아 배우는 느낌이다.

사진과 결과를 많이 줄게.
네가 직접 어떤 모양과 조합이 중요한지 찾아 봐.

둘 다 배우는 방법이다. 다만 딥러닝은 더 많은 예시와 더 큰 계산을 사용해 복잡한 것을 배운다.

33. 가장 많이 헷갈리는 질문

딥러닝과 머신러닝은 완전히 다른가

아니다. 딥러닝은 머신러닝의 한 종류다.

머신러닝 안에 딥러닝이 있다.

딥러닝이 머신러닝보다 무조건 좋은가

아니다. 데이터가 적거나, 표 데이터가 중심이거나, 설명이 중요하면 일반 머신러닝이 더 나을 수 있다.

AI와 머신러닝과 딥러닝은 어떻게 다른가

이렇게 외우면 된다.

AI: 컴퓨터를 똑똑하게 만드는 전체 분야
머신러닝: 컴퓨터가 데이터로 배우게 하는 방법
딥러닝: 머신러닝 중 깊은 신경망으로 배우는 방법

ChatGPT는 머신러닝인가 딥러닝인가

딥러닝이다. 더 정확히 말하면 대규모 언어 모델이고, 많은 텍스트 데이터를 바탕으로 언어 패턴을 배운 모델이다.

AI는 항상 맞는가

아니다. AI는 틀릴 수 있다. 데이터가 부족하거나, 질문을 잘못 이해하거나, 학습한 패턴이 현실과 맞지 않으면 틀린 답을 낼 수 있다.

34. 용어 사전

AI: 컴퓨터가 사람처럼 똑똑한 일을 하는 것처럼 만드는 전체 분야.

머신러닝: 컴퓨터가 데이터를 보고 패턴을 배우는 방법.

딥러닝: 머신러닝 중 깊은 신경망을 이용해 복잡한 패턴을 배우는 방법.

데이터: 모델이 배우는 재료. 숫자, 글, 사진, 소리 등이 될 수 있다.

라벨: 데이터에 붙은 정답표.

모델: 데이터를 보고 배운 뒤 새 문제에 답하는 계산 구조.

학습: 모델이 예시를 보며 내부 숫자를 고치는 과정.

예측: 학습한 모델이 새 데이터에 답하는 것.

특징: 답을 맞히는 데 도움이 되는 정보.

알고리즘: 문제를 푸는 절차나 방법.

신경망: 여러 계산 노드를 층으로 연결한 모델 구조.

가중치: 모델 안에서 정보의 중요도를 조절하는 숫자.

손실: 모델이 얼마나 틀렸는지 나타내는 값.

최적화: 손실을 줄이도록 모델을 고치는 과정.

과적합: 학습 데이터만 외워서 새 문제를 못 푸는 상태.

일반화: 처음 보는 데이터에도 잘 답하는 능력.

편향: 데이터나 판단이 한쪽으로 치우친 상태.

픽셀: 이미지를 이루는 작은 점.

토큰: 글을 모델이 처리하기 좋게 나눈 조각.

벡터: 컴퓨터가 계산할 수 있게 만든 숫자 묶음.

35. 마지막으로 친구에게 설명하기

이 글을 다 읽었다면 이제 이렇게 설명할 수 있어야 한다.

AI는 컴퓨터가 똑똑한 일을 하는 것처럼 만드는 전체 분야야. 그중 머신러닝은 컴퓨터가 예시 데이터를 보면서 스스로 규칙을 배우는 방법이야. 딥러닝은 머신러닝의 한 종류인데, 신경망이라는 계산 구조를 여러 층으로 깊게 쌓아서 사진, 음성, 글처럼 복잡한 데이터를 잘 배우는 방법이야. 그래서 딥러닝은 머신러닝과 완전히 다른 게 아니라 머신러닝 안에 들어 있어. 딥러닝이 항상 더 좋은 것도 아니야. 표 데이터나 설명이 중요한 문제는 일반 머신러닝이 더 좋을 때도 있고, 이미지나 음성처럼 복잡한 문제는 딥러닝이 더 강할 때가 많아.

정말 짧게 줄이면 이 세 줄이다.

AI는 큰 목표다.
머신러닝은 데이터로 배우는 방법이다.
딥러닝은 깊은 신경망으로 배우는 머신러닝이다.

이 세 줄을 기억하면 머신러닝과 딥러닝의 차이는 제대로 잡은 것이다.