머신러닝이 할 수 있는 일과, 할 수 없는 일
학습여정
“제가 학습하고 있는 Coursera Plus의 강의요약을 공유합니다. 함께 발전하길 바랄 뿐입니다.”
AI의 현실적인 능력과 한계를 이해하고, 이를 바탕으로 성공 가능성이 높은 AI 프로젝트를 선택하는 방법에 대해 설명합니다.
1. AI에 대한 과장된 기대와 현실
많은 사람들이 미디어와 학계의 성공 사례만 보고 AI가 모든 것을 할 수 있다고 오해합니다.
하지만 AI는 만능이 아니며, 현재 기술로는 불가능한 일들이 분명히 존재합니다.
프로젝트 시작 전, 기술적으로 실현 가능한지(A입력 -> B출력) 신중하게 검토하는 것이 중요합니다.
2. AI 프로젝트 성공을 위한 경험적 법칙
"사람이 1초 내외의 짧은 생각으로 할 수 있는 일"은 지도 학습(Supervised Learning)을 통해 자동화될 가능성이 매우 높습니다.
→ 예시: 스팸 메일 필터링, 음성 인식, 다른 차량 위치 파악, 스마트폰 흠집 찾기 등.
3. AI가 하기 어려운 작업의 예: 주식 예측
과거 주가 데이터만으로 미래 주가를 정확히 예측하는 것은 AI로도 거의 불가능합니다.
→ 이유: 미래 주가는 본질적으로 무작위성이 너무 커서 과거 데이터만으로는 예측할 수 없기 때문입니다.
웹 트래픽과 같은 다른 데이터를 추가하면 예측력이 다소 향상될 수는 있지만, 시장의 근본적인 무작위성을 극복하기는 어렵습니다.
4. 성공적인 머신러닝 프로젝트의 조건
단순한 개념 학습: AI가 학습해야 할 개념이 복잡하지 않고 명확해야 합니다. (예: 자동차 이미지 인식)
많은 데이터 확보: 입력(A)과 정답(B)이 모두 포함된 양질의 데이터가 많을수록 성공 확률이 높아집니다. (예: '흠집 있음/없음'으로 라벨링된 수천 장의 휴대폰 사진)
결론
AI는 산업을 변화시키는 강력한 기술이지만 마법은 아닙니다.
AI가 할 수 있는 것과 없는 것을 명확히 이해하고
인간적 직관력을 키워야만 실현 가능하고 가치 있는 프로젝트를 선택할 수 있습니다.
※본 요약은 ‘공정 이용(fair use)’사용 목적으로, 모든 내용은 Stanford University 의 Coursera강의 ‘모두를 위한 AI’를 수강하며 작성한 요약이며, 직접적인 강의 내용 복사, 슬라이드 캡쳐등은 저작권에 의하여 엄격히 보호됩니다. - 앤드류 응(Andrew Ng)의 강의 by Coursera Plus - "Learning Notes and Summaries by Digitalian”
