내가 묻고 AI가 답하다
그동안 몇 편의 글을 통해 인공지능(AI)이 무엇인지, 그리고 AI가 어떻게 학습하는지에 대해 이야기해 왔다. 이제는 한 걸음 더 들어가, 우리가 자주 듣는 '머신러닝', '딥러닝' 같은 용어들이 무엇을 의미하는지, 그리고 그것이 오늘날의 AI 발전과 어떻게 연결되는지를 알아보고자 한다.
인공지능(AI)은 큰 숲이다
인공지능(AI, Artificial Intelligence)은 가장 큰 개념입니다. 말 그대로 사람처럼 지능적인
행동을 할 수 있는 기계나 소프트웨어를 말한다. 여기에는 사람처럼 말을 이해하고, 생각하고 판단하고 학습하고 움직이는 모든 능력이 포함된다.
예: 체스를 두는 컴퓨터, 자율주행차, 챗봇, 음성비서(시리, 빅스비), 번역기 등
즉, 인공지능은 “지능을 흉내 내는 모든 기술”을 포함하는 넓은 영역이다
AI 안에는 다양한 기술이 있다. 그중에서 가장 핵심적인 것이 바로 머신러닝(ML, Machine Learning)이다.
AI의 본격적인 진화는 ‘머신러닝(Machine Learning)’, 즉 기계학습의 등장으로부터 시작되었다.
말 그대로 머신러닝은 기계가 데이터를 통해 스스로 패턴을 찾아내고, 학습하는 기술이다.
예를 들어, 사진 속에 고양이가 있는지 없는지를 구분하려면, 수천 장의 사진과 그에 대한 정답(‘이건 고양이’, ‘이건 아니다’)을 컴퓨터에 제공한다. 머신러닝 알고리즘은 이 데이터를 분석하며, 무엇이 고양이를 특징짓는 요소인지를 스스로 추론해 낸다.
초기 머신러닝은 의사결정나무, 서포트 벡터 머신, 회귀 분석 등 다양한 통계 기반 알고리즘을 사용했으며, 성능은 데이터의 양과 정제 수준에 따라 큰 영향을 받았다.
머신러닝에서 더 나아간 것이 바로 **딥러닝(Deep Learning)**이다.
딥러닝은 **‘인공 신경망(Artificial Neural Network)’**을 바탕으로 한다. 이는 인간의 뇌에서 신경세포(뉴런)가 정보를 전달하는 구조에서 착안한 모델이다.
딥러닝은 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)으로 구성된다.
이 중 은닉층이 깊어질수록(Deep) 더 복잡하고 추상적인 특성을 학습할 수 있게 된다. 이미지, 음성, 자연어 등 우리가 일상에서 접하는 비정형 데이터를 이해하고 해석할 수 있는 능력은 바로 이 딥러닝 기술 덕분이다.
초기의 딥러닝 모델로는 CNN(합성곱 신경망, 주로 이미지 분석에 사용), RNN(순환 신경망, 시계열 데이터나 텍스트 처리에 활용) 등이 있었다.
하지만 오늘날 우리가 사용하는 ChatGPT 같은 AI는 단순한 딥러닝이 아니다.
여기엔 **‘트랜스포머(Transformer)’**라는 혁신적인 구조가 존재한다.
2017년, 구글이 발표한 논문 **"Attention Is All You Need"**는 기존의 RNN 기반 모델이 갖는 학습 속도와 한계 문제를 뛰어넘을 수 있는 구조로 트랜스포머를 제안했다. 이 모델의 핵심은 **‘어텐션(attention)’**이라는 메커니즘이다.
어텐션은 문장의 각 단어가 다른 단어와 어떤 관계를 맺는지를 계산해 내는 방법이다. 이 덕분에 긴 문장을 기억하고, 맥락을 이해하며, 문장 전체의 의미를 파악할 수 있다.
이 트랜스포머 기술이 GPT(Generative Pretrained Transformer) 시리즈로 이어졌고, 결국 지금의 ChatGPT까지 발전하게 된 것이다.
머신러닝은 기계가 ‘학습’하는 개념을 구현했다.
딥러닝은 인간의 뇌 구조를 모방해 더 복잡한 문제도 다룰 수 있게 했다.
트랜스포머는 자연어 이해와 생성의 판도를 완전히 바꾸어 놓았다.
이 진화는 단순한 기술적 변화가 아니라, 인간 언어를 이해하고 소통하려는 AI의 진보 그 자체다.
AI는 단순한 기술이 아니다. 우리의 일상, 산업, 교육, 문화 전반을 바꾸고 있는 ‘지능의 도구’다.
그 변화의 이면에 어떤 원리와 발전이 있었는지를 이해하는 일은, 단순히 AI를 ‘사용’하는 것을 넘어 AI와 ‘함께 살아가는 시대’를 준비하는 지혜로운 방식이다.