AI 인공지능 용어 정리

AI 인공지능 맛보기

1. 인공지능(AI)이란?

AI (Artificial Intelligence)는 인간처럼 사고하고 학습하며 판단하는 컴퓨터 시스템을 의미합니다.
가장 상위 개념으로, 모든 스마트한 기술을 포괄합니다.

• 예: 자율주행차, 챗봇, 번역기, 음성 인식 비서

 

---

 

2. AI 하위 개념: 머신러닝과 딥러닝

AI > Machine Learning > Deep Learning

출처: https://en.wikipedia.org/wiki/Artificial_intelligence#/media/File:AI_hierarchy.svg

 

 

머신러닝 (Machine Learning)

 머신러닝은 데이터를 기반으로 스스로 규칙을 학습하는 기술입니다.
사람이 일일이 프로그래밍하지 않아도 데이터로부터 패턴을 찾아냅니다.

딥러닝 (Deep Learning)

딥러닝은 머신러닝의 한 분야로, 인간의 뇌 구조를 본뜬 인공 신경망(Neural Network)을 사용해 복잡한 문제를 해결합니다.
현재 GPT 같은 최신 모델도 이 딥러닝 기술 기반입니다.

 

---

 

3. 머신러닝의 학습 유형

구분	설명	예시
지도학습	정답(라벨)이 있는 데이터를 학습	이메일 스팸 분류
비지도학습	정답 없이 데이터의 패턴 탐색	고객 군집화
준지도학습	일부만 라벨이 있는 혼합 데이터 사용	의료 영상 진단
강화학습	보상을 기반으로 스스로 최적 행동을 학습	게임 AI, 로봇 제어

 

지도학습과 비지도학습

출처: https://en.wikipedia.org/wiki/Artificial_intelligence#/media/File:Supervised_and_unsupervised_learning.png

 

---

 

4. 딥러닝의 구성 요소

신경망 (Neural Network)

입력 → 은닉층(hidden layer) → 출력 구조를 가지며, 데이터의 특징을 계층적으로 학습합니다.

신경망

출처: https://en.wikipedia.org/wiki/Artificial_intelligence#/media/File:Artificial_neural_network.svg

활성화 함수 (Activation Function)

각 뉴런이 활성화될지 결정합니다. 대표적으로 ReLU, Sigmoid 함수가 사용됩니다.

손실 함수 (Loss Function)

예측값과 실제값의 차이를 수치로 표현하며, 모델이 얼마나 틀렸는지 알려줍니다.

경사하강법 (Gradient Descent)

손실 값을 줄이기 위해 가중치를 조정하는 모델 최적화 알고리즘입니다.

과적합 (Overfitting)

학습 데이터에는 잘 맞지만, 새로운 데이터에는 성능이 떨어지는 현상입니다. 일반화 능력이 떨어지는 상태입니다.

정규화 (Regularization)

과적합을 방지하기 위한 기술로, Dropout이나 L2 정규화 등이 있습니다. 

---

 

5. 최신 AI 트렌드: 트랜스포머와 LLM

트랜스포머 (Transformer)

자연어 처리(NLP)에서 사용되는 딥러닝 모델 구조로, 문장 내 단어들 사이의 관계를 동시에 처리할 수 있습니다.
GPT, BERT 모델의 기반이 되는 구조입니다.

어텐션 메커니즘 (Attention Mechanism)

 트랜스포머의 핵심 개념으로, 어떤 단어에 집중할지 가중치를 부여하여 문맥 이해를 향상시킵니다.

LLM (Large Language Model)

수십억~수천억 개의 파라미터를 가진 대규모 언어 모델입니다.
 방대한 텍스트를 학습하여 사람처럼 자연스럽게 문장을 생성하고 이해합니다. 

• 대표 모델: GPT-4, Claude, Gemini, LLaMA 등

사전학습 & 파인튜닝 (Pretraining & Fine-tuning)

사전학습(Pretraining): 일반 데이터를 이용해 모델이 언어를 기본적으로 이해하도록 학습
파인튜닝(Fine-tuning): 특정 작업(요약, 번역 등)을 위해 추가 학습

 

---

 

6. 주요 응용 분야

분야	설명	예시
자연어 처리 (NLP)	텍스트 분석 및 생성	번역기, 챗봇, 감성 분석
컴퓨터 비전 (CV)	이미지/영상 분석	얼굴 인식, 자율주행
생성 AI (GAN 등)	새로운 데이터를 생성	AI 이미지, 딥페이크
추론 (Inference)	학습된 모델을 실제 적용	고양이 이미지 인식, 문장 생성

 

---

 

7. AI의 한계와 윤리적 이슈

허위 생성 (Hallucination)

LLM이 존재하지 않는 정보나 사실과 다른 내용을 만들어내는 현상입니다.

편향 (Bias)

학습 데이터가 편향되어 있으면, 모델도 차별적 결과를 낼 수 있습니다.

설명가능성 (Explainability)

AI가 어떤 이유로 그 결과를 냈는지 이해하고 설명할 수 있는 능력이 중요합니다.

윤리와 규제

AI의 발전과 함께 개인정보 보호, 공정성, 책임 소재 등 사회적 기준 마련이 중요해졌습니다.

---

 

요약

• AI는 사람처럼 사고하는 기술 전체
• 머신러닝은 데이터를 통해 학습하는 기술
• 딥러닝은 신경망 기반의 심층 학습
• 트랜스포머 & LLM은 최신 언어 이해/생성 기술
• 실생활에 널리 응용되며, 윤리 문제도 반드시 고려해야 함