인공지능 모델 — AI·머신러닝·딥러닝의 관계와 학습 과정

인공지능 모델이란

인공지능에서 ‘모델’이란 데이터로부터 학습한 규칙을 담고 있는 결과물을 말합니다. 입력을 넣으면 예측이나 판단을 출력하는 하나의 ‘학습된 함수’라고 생각하면 이해가 쉽습니다.

인공지능 · 머신러닝 · 딥러닝의 관계

세 개념은 서로 겹치는 포함 관계입니다. 가장 넓은 개념이 인공지능이고, 그 안에 데이터로 학습하는 방법인 머신러닝이 있으며, 머신러닝 중에서도 인공신경망을 여러 층으로 깊게 쌓아 학습하는 방법이 딥러닝입니다.

인공지능 ⊃ 머신러닝 ⊃ 딥러닝

모델이 만들어지는 과정

1. 데이터 수집 : 문제와 관련된 예시 데이터를 모읍니다.
2. 전처리 : 빠진 값과 이상값을 정리하고 기계가 이해할 형태로 바꿉니다.
3. 학습(훈련) : 알고리즘이 데이터를 반복해서 보며 오차를 줄여 나갑니다.
4. 평가 : 학습에 쓰지 않은 데이터로 성능을 검증합니다.
5. 배포·활용 : 완성된 모델을 실제 서비스에 적용합니다.

좋은 모델의 조건

모델은 학습 데이터만 잘 맞혀서는 안 되고, 처음 보는 데이터에도 잘 작동해야 합니다. 학습 데이터에만 지나치게 맞춰져 새로운 데이터에서 성능이 떨어지는 현상을 과적합(overfitting)이라 하고, 규칙을 충분히 학습하지 못한 상태를 과소적합(underfitting)이라 합니다. 이 둘 사이의 균형을 잡는 것이 모델 설계의 핵심입니다.

핵심 정리

• 모델은 데이터로 학습한 규칙을 담은 ‘학습된 함수’다.
• 인공지능 ⊃ 머신러닝 ⊃ 딥러닝의 포함 관계를 기억하자.
• 처음 보는 데이터에서도 잘 맞히는 일반화 능력이 무엇보다 중요하다.