[기초 세션 복습] AI vs ML vs DL

2026년 3월 9일 synapse 기초 세션 복습 과제입니다

 

 

 

ai

인간의 지능적인 판단과 학습 능력을 컴퓨터 시스템으로 구현하는 기술

 

초기 ai 방식: rule-based ai

사람이 미리 정의한 규칙을 기반으로 문제를 해결하는 인공지능 방식

 

-> if-then 규칙

특정 조건(if)이 만족되면 정해진 결과(then)을 실행하도록 하는 규칙 형태의 논리 구조 

---

machine learning

데이터를 기반으로 패턴을 학습하여 명시적인 규칙 없이도 예측이나 판단을 수행하는 인공지능 기술

 

machine learning 유형

지도학습/비지도학습/강화학습

-지도학습: 정답O 데이터를 이용해 학습하는 방식

-비지도학습: 정답X 데이터의 구조나 패턴을 찾는 방식 

-강화학습: 보상과 벌을 통해 최적의 행동을 학습하는 방식

 

maachine learning 메커니즘

학습과정/추론과정

-학습과정: 데이터와 정답을 이용해 모델의 파라미터를 학습하여 패턴을 찾는 과정

-추론과정: 학습된 모델을 이용해 새로운 데이터에 대한 예측이나 판단을 수행하는 과정 

*파라미터: 모델이 데이터를 학습하면서 스스로 조정하는 값(예측 결과에 영향을 주는 내부 변수)

*하이퍼 파라미터: 사람이 미리 설정하는 값

---

machine learning과 deep learning의 차이: 특성 공학(feature engineering)

모델의 성능을 높이기 위해 데이터의 특징(특성)을 선택·가공·생성하는 과정

ex. 날짜 데이터 -> 요일, 월 등의 변수로 변환

 

machine learning -> 사람이 직접 특성 공학을 수행

deep learning -> 모델이 데이터로부터 특징을 자동으로 학습

---

deep learning

여러 층(layer)의 인공신경망을 이용해 데이터의 특징을 자동으로 학습하는 machine learning의 한 분야

 

퍼셉트론

입력값에 가중치를 적용해 합을 계산하고, 이를 기준으로 데이터를 두 가지로 분류하는 가장 기본적인 인공신경망 모델(선형 분류기)

(출처: How to Train a Basic Perceptron Neural Network - Technical Articles)

 

XOR 문제

단층 퍼셉트론(단일 선형 분류기)으로 해결할 수 없는 비선형 분류 문제

XOR의 경우 직선 하나로 분류 불가능

(출처: Demystifying the XOR problem - DEV Community)

 

-다층 퍼셉트론(MLP)

기존의 퍼셉트론에 은닉층(hidden layer)을 추가

-> 다층 퍼셉트론을 통해 XOR 문제 해결 가능

 

-DNN(Deep Neural Network)

은닉층이 2개 이상인 깊은 신경망

 

*입력층: 데이터가 처음 들어오는 층

은닉층: 입력 데이터를 여러 번 계산하며 특징을 추출하는 층

출력층: 최종 예측 결과를 내는 층

(출처: MLP neural network with an input layer, n hidden layers and an output... | Download Scientific Diagram)

 

순전파와 역전파

-순전파: 입력 데이터가 신경망의 각 층을 거치며 계산되어 최종 출력값(예측값)이 만들어지는 과정

-역전파: 예측값과 실제값의 오차를 이용해 신경망의 가중치를 뒤에서부터 수정하며 학습하는 과정 

(출처: What is backpropagation in neural networks?)

 

deep learning 아키텍쳐

신경망의 구조와 층(layer)의 구성 방식

ex. CNN(Convolutional Neural Network) / RNN(Recurrent Neural Network) / Transformer, ...

---

각 기술의 장점과 단점

-rule-based ai

(장점) 규칙 명확-> 결과 예측 가능 / 저비용

(단점) 예외 상황 / 비정형 데이터 처리 한계

-machine learning

(장점) 데이터 기반 일반화 가능 / 결과 해석 가능

(단점) 사람이 직접 특징(특성) 설계-> 편향될 가능성 O / 복잡한 비정형 데이터 성능 한계

-deep learning

(장점) 특징 추출 자동화 / 비정형 데이터에 좋은 성능

(단점) 결과 해석 어려움 / 고사양 인프라 및 대용량 데이터 필수 

---

deep learning이 항상 가장 좋은 방식X

문제의 특성과 작업에 따라 rule-based ai, machine learning, deep learning 중 적합한 방식을 사용하는 것이 중요