고양이도 알아듣는 생존형 AI 기초 이야기: 머신러닝 용어 편

요즘 IT 시장을 보면 온통 AI 이야기로 가득 차 있습니다. 특히 ‘챗GPT’가 등장한 이후로 정말 많은 것이 바뀌었죠. 이런 흐름에 ‘AI가 내 일을 대체할 거라는데, 정작 나는 아무것도 모르겠어.’라는 두려움이 퍼지고 있습니다. ‘AI 포모(AI FOMO)’라는 이름으로요.

두려움에 빠진 분들을 위해 AI를 이해할 때 필요한 최소한의 이야기를 준비했습니다. 어려운 이론은 뛰어넘고 실제 산업을 이해할 때 도움을 줄 것들만 다루겠습니다. 목표로 하는 것은 새로운 뉴스가 나왔을 때 적어도 “그 소식이 왜 중요한지” 정도는 이해할 수 있는 겁니다. 모두가 ‘이건 정말 중요하다!’라고 말할 때, 최소한 그 이유 정도는 알 수 있도록 말이죠. 집사 옆에 식빵 굽던 고양이도 알아들을 수 있는, 생존을 위한 AI입니다.

사실 머신러닝, 딥러닝 이런 말들은 무지 어려운 말입니다. 하지만 저 유명한 알파고의 바둑 한 판으로 이제 모두 익숙한 단어가 되었죠. “어라? 생각보다 그럭저럭 잘 받아들여 쓰잖아?” 싶었는지 이제 대놓고 어려운 기술 용어들이 사람들 사이를 돌아다니고 있습니다.

너도 나도 말하는 GPT 역시 ‘Generative’, ‘Pre-trained’, ‘Transformer’라는 기술 용어 세 가지의 콤비네이션이니까요. 어렵게 접근하려면 한없이 어렵지만, 모든 사람이 그 용어를 만들어낸 기술의 상세 원리를 알아야 하는 것은 아닙니다. 

어려운 것 걷어내고 필요한 부분만 바라보면 이 뿌연 안개가 조금은 걷힐 지도 모르겠습니다. 산업을 이해할 때 필요한, 몇 가지 자주 쓰이는 단어들의 뜻을 같이 보겠습니다.

• 고양이(요고): 또 어려운 기술 용어 막 나오나?
• 나: ㄴㄴ. 생각보다 자주 쓰는데 무언가 오해가 있을 법한 표현들 위주로만 정리함요. 핵심 단어는 모델, 추론, 생성!

#모델(Model)

이번 글에서 가장 중요한 용어 = 바로 ‘모델(Model)’입니다. 사실 머신러닝, 딥러닝 분야에서는 이 ‘모델’이라는 말을 정말 숨 쉬듯 자주 쓰거든요. 앱, 시스템, 서비스, 이런 급으로 쓰입니다. 그런데 막상 모델이 뭔지 정확히 설명해 달라고 하면 무언가 애매합니다.

쉽게 보겠습니다. 인공지능이 학습 과정을 거치면 어떤 패턴을 파악해 데이터를 잘 설명할 ‘파라미터(Parameter)’라는 숫자들을 얻는다고 했습니다. 그런데 이렇게 힘들게 구한 숫자들이 여기저기 흩어져 있으면 아무 소용이 없겠죠? 그 역시 어떠한 맥락과 구성을 갖춰야 쓸모가 생기니까요.

그래서 이 숫자들을 한 군데 잘 모아놓을 필요가 있었습니다. 이렇게 학습을 거쳐 얻은 파라미터를 정의한 구조(like 신경망)로 담아 잘 모아둔 상자, 또는 시스템. 이것이 바로 ‘모델’입니다.

자주 쓰이는 비유로 모델을 일종의 ‘마법 상자’라고 보기도 합니다. 원하는 걸 집어 넣으면(=입력) 뭔가 신기하고 멋진 결과를 돌려주는(=출력) 그런 상자라고 할 수 있죠.

분명 #알고리즘(Algorithm)의 선택을 받은 것 같은데…

여기에 헷갈리는 점이 하나 있어요. 바로 ‘알고리즘(Algorithm)’이라는 용어가 끼어드는 거죠.

왜 흔히들 유튜브 추천을 대표적인 AI 활용 예시라고 보잖아요. 그런데 그 과정을 ‘알고리즘의 무언가’라고 부르고요. 사용자의 취향을 입력이라고 보면, 그러한 추천의 결과물인 출력을 하는 건 모델이라고 했는데요. 왜 알고리즘이 튀어나왔을까요?

알고리즘은 모델이 학습하는 절차, 또는 결과물을 내는 과정을 정의한 접근 방식을 의미해요. 쉽게 말해 모델을 만들 때 사용하는 절차이거나, 이미 만들어진 모델이라는 상자에서 값을 꺼내는 연산 방식입니다.

예를 들어 두 사람이 소설 하나를 같이 읽었다고 할게요. 일제강점기의 독립 운동가를 다룬 글이고요. 어떤 사람은 오직 소설의 내용만 가지고 작품을 분석했고, 큰 감동을 받았다고 합니다. 그런데 어떤 사람은 친일 이력이 있는 소설가의 생애를 분석에 활용했고, 그래서 무언가 이질감을 느꼈다고 합니다. 새로 들어간 입력은 같아도 접근 방식/학습 구조에 따라 둘의 출력이 다른 거죠.

머신러닝에서도 마찬가지예요. 데이터에서 패턴을 찾아낼 때 사용하는 접근 방식이나 방법론이 모델의 행위에 큰 영향을 미칩니다. 그것이 바로 알고리즘입니다.

정리하면, ‘모델’은 학습으로 얻어진 파라미터가 담겨 있는 일종의 상자고요. ‘알고리즘’은 그 상자를 만드는 방법이자 상자 안에서 값을 꺼낼 때 쓰이는 방법이라고 이해할 수 있어요. 유튜브 추천이라는 행위는 알고리즘에 따라 학습하고 방식을 규정한 모델이 관여해 만든 결과입니다. 그러니까 뭐 사실 알고리즘의 선택이라는 말이 또 아예 틀린 말이고 그렇지는 않습니다.

• 고양이(요고): 그래서 뭐가 더 중요하다는 거예요?
• 나: 모델! 요즘 AI는 어쨌든 이 모델을 중심으로 여러 일이 벌어진다고 보자고요. 모델은 그 자체로 추상체이기에 딱히 대체할 말도 없어 앞으로 정말 많이 등장할 거예요. 꽉 잡고 갑시다.

그래서 모델로 무엇을 할 수 있나요?

하여간 중요하다 중요하다 했는데, 그럼 모델은 왜 중요할까요?

그 능력을 봐야 합니다. 모델은 두 가지 핵심적인 역할을 하는 매개체입니다.

첫 번째 역할은, 앞서 말했듯 바로 ‘학습(Learning)’의 결과물이 되는 것입니다. 기계가 데이터를 학습한 다음, 그 학습의 결과물로 모델이 만들어지거든요. 수많은 데이터를 가지고 복잡한 과정을 거쳐 얻은 결과물을 담은 상자가 바로 ‘모델’이라는 거죠. 즉, 좋은 모델을 만드는 것이 학습의 목표가 됩니다.

그 다음 역할이 오늘 새로 알아볼 단어,  ‘추론(Inference)’입니다. 무거운 단어니까요. 잘 다뤄 봅시다.

두둥! #추론(inference) 등장!

쉽게 말하면, 추론은 모델에 새로운 데이터(입력, x값)를 넣었을 때, 그에 대응하는 새로운 결과(출력, y값)를 내놓는 과정을 말합니다. 이때 입력(x값)은 우리가 궁금해서 물어보는 것을 포함해 시스템에 요청하는 어떤 것이 되고요. 출력(y값)은 그 요청에 대한 대답이나 결과가 됩니다.

예를 들어 우리가 챗GPT한테 채팅을 보내는 행위 자체는 바로 새로운 데이터를 입력하는 시작점이 됩니다. 그러면 이 입력 데이터는 GPT라는 모델로 들어가고요. GPT 모델은 이를 바탕으로 파라미터를 활용해 결과를 만들어내서 답을 주죠. 바로 이 과정이 ‘추론’입니다.

이제는 추론의 시대

사실 지금까지 인공지능 분야는 학습 위주로 굴러갔어요. 그것만으로도 할 일이 많았으니까요. 사람들 모두 아주 많은 관심과 노력을 쏟아왔어요. 그런데 최근 들어 학습이 어느 정도 무르익으면서 누구나 쓸만한 모델들이 슬금슬금 등장하기 시작했죠. 그러면서 조금씩 무게추가 ‘추론’의 영역으로 넘어오고 있는 중이에요.

왜, 사람도 그렇잖아요? 대학원에서 공부하고 석사나 박사 과정을 거치며 특정 산업 분야에 대한 엄청난 지식을 쌓았다고 합시다. 이렇게 지식을 전부 모으고 나면 이제 실제 세계로 나가 그동안 쌓은 지식을 써먹어야 하죠. 공부만 하던 단계에서 일하는 시간으로 바뀌는 겁니다.

지금 인공지능 분야도 이와 같은 단계에 있어요. 이전까지는 학습에 더 많은 비중이 있었지만, 이제는 실전에서 그걸 써먹는 추론의 영역으로 넘어가고 있다는 뜻입니다.

그래서 앞으로 인공지능을 잘 이해하려면, 이 추론이라는 개념을 꼭 알아둬야 합니다. 엔비디아 CEO인 젠슨 황(Jensen Huang)도 올봄에 “이제는 추론의 시대다”라고 말했거든요. 그러니까 더더욱 새로운 산업 흐름을 이해하려면 추론이라는 개념을 명확히 이해하는 게 정말 중요할 것 같아요.

• 고양이(요고): 공부한 거 써먹겠다 이거군요?
• 나: 맞아요. 잘 키운 모델 하나 ‘학습’시키려고 집 팔고 배 팔고 했으니까요. 이제 ‘추론’으로 돌려받아 호강할 차례죠.

우리가 추론으로 할 수 있는 일들

추론은 정말 다양하게 나눌 수 있지만, 우리는 ‘할 수 있는 일’ 중심으로 알아볼게요. 학술적인 구분보다는 써먹는 게 중요하다니까요. 살펴 봅시다.

#분류(Classification)

첫 번째, 바로 ‘분류(Classification)’입니다. 분류는 전통적인 머신러닝에서 정말 자주 하는 작업인데요. 쉽게 말해, 어떤 데이터가 주어졌을 때 그 데이터가 어떤 카테고리에 속하는지 나누는 작업이에요.

예를 들어, 사진 한 장을 보고 이게 개인지 고양이인지 구분하는 일을 생각하면 됩니다. 이 사진을 보고 ‘강아지다’ 아니면 ‘고양이다’ 이렇게 판단하는 일을 바로 분류라고 해요.

~ 더 공부할 때 쓸 키워드 ~

• 유명한 분류 알고리즘: KNN, SVM, 의사결정트리, 랜덤 포레스트 등

#회귀(Regression)

그다음으로 소개할 것은 ‘회귀(Regression)’입니다. 연속적인 숫자 값을 보고 그 다음을 예측하는 일이라고 생각하면 쉬워요. 대표적으로 주식 가격, 부동산 가격 같은 걸 예측할 때 이 회귀라는 방식을 많이 씁니다.

~ 더 공부할 때 쓸 키워드 ~

• 유명한 회귀 알고리즘: 선형 회귀, 의사결정트리 회귀, 랜덤 포레스트 회귀 등

+그 요즘 유행하는 웹소설에 나오는 회귀 아니냐고요? 맞습니다. ‘왜 그렇게 되었는지’는 여기 링크로 가서 봅시다.

• 고양이(요고): 구분하고 예측하고, 무지 간단한 것 아니에요? 이런 것밖에 못 해요?
• 나: 이 친구들을 데이터와 잘 조합해 응용하면 또 새로운 세계가 열릴 거예요.

지금까지 살펴본 추론 과정을 시스템에 응용해 ‘AI가 할 수 있는 일들’을 나열해 볼게요.

#추천(Recommendation)

가장 대표적인 예시는 바로 ‘추천(Recommendation)’입니다. 추천 시스템은 기본적으로 무언가 데이터를 놓고 비교해 비슷한 데이터를 찾아 제시하는 방식이거든요. 이렇게 데이터를 공급하고, 추론을 적용해서 추천 결과를 내놓는 과정을 일반적으로 ‘필터링 시스템(Filtering System)’이라고 부릅니다.

필터링 시스템의 가장 대표적인 예시는 아무래도 영화 추천일 겁니다.

어떤 사람 A가 영화 ‘센과 치히로의 행방불명’을 아주 재밌게 봤다고 할게요. 그럼 비슷한 영화 ‘하울의 움직이는 성’을 추천해 줄 수 있겠죠. 무슨 근거로요? ‘애니메이션’ 형식이고요, 감독 ‘미야자키 하야오’와 제작사 ‘지브리’도 같죠. 이는 모두 영화를 구성하는 데이터고요. 유사합니다.

또 다른 방식도 있어요. 영화 ‘센과 치히로의 행방불명’을 재밌게 본, 또 다른 사람 B가 있다고 합시다. 그런데 B는 또 ‘토이 스토리’를 정말 재미있게 봤다고 하네요. 그러면 A에게 “B랑 취향이 비슷한 당신도 토이 스토리를 좋아하지 않을까?”하고 추천하는 겁니다. 가까우니까요.

이렇게 영화나 콘텐츠 자체의 특성을 기준으로 추천하면 ‘콘텐츠 기반 필터링(Content-based Filtering)’이라고 하고요. 사용자의 취향을 중심으로 비슷한 다른 사용자와의 협력을 통해 추천하면 ‘협업 필터링(Collaborative Filtering)’이라고 합니다. 물론 추천의 다양성을 위해 지금은 굉장히 세분화되지만, 크게는 이렇습니다. 어쨌든 특징이 비슷한 영화들, 취향이 비슷한 사용자들을 분류하는 것에서 시작합니다. 선호 점수를 예측하는 회귀도 더해 쓰고요.

~ 더 공부할 때 쓸 키워드 ~

• 아이템 기반 협업 필터링, 유저 기반 협업 필터링, 잠재 요인 기반 협업 필터링
• 콜드 스타트와 롱테일 문제

#탐지(Detection)

두 번째는 ‘탐지(Detection)’입니다. 인공지능은 데이터를 보고 패턴을 파악한다고 했잖아요. 그러니까 역으로 미리 학습된 패턴에서 벗어난 이상한 데이터가 들어오면 모델이 “어? 이거 좀 이상하다!” 하고 잡아낼 수도 있겠죠. 이걸 이용하는 겁니다.

탐지를 가장 잘 활용하는 분야가 바로 금융 분야인데요. 왜, 토스 같은 금융 서비스에서 “이 거래는 사기 위험이 있어요!”하고 알려준 거 본 적 없나요? 이게 바로 탐지 시스템의 좋은 예입니다. 때로는 이미지를 분석해서 뭔가 독특한 특징을 찾아내는 작업도 탐지의 한 가지 방식으로 볼 수 있어요.

마찬가지로 새로운 데이터가 일정 카테고리 안에 들어가는지 체크하는 작업이니 분류의 하나라고 볼 수 있겠죠. 혹은 원래 기대한 위치를 예측(=회귀)하고 비교해 볼 수도 있겠고요.

~ 더 공부할 때 쓸 키워드 ~

• 오토 인코더, 베이지안 네트워크, 결정 규칙
• 정탐, 오탐, 미탐

#변환(Transformation)

또 다른 유명한 일은 ‘변환(Transformation)’입니다. 변환이란 데이터의 의미와 맥락을 이해한 다음, 같은 뜻을 가진 다른 형태로 바꿔주는 과정을 말해요.

대표적인 일이 바로 ‘번역’이죠. 한 언어를 이해한 후, 다른 언어로 바꿔주는 것도 인공지능이 잘 하는 거예요. 다들 알다시피요.

또 다른 예는 텍스트를 음성으로 바꿔주는 ‘TTS(Text-to-Speech)’나, 음성을 텍스트로 바꾸는 ‘STT(Speech-to-Text)’ 기술입니다. 물론 음성 생성 같은 기술은 단순 AI 추론으로 보기는 어려울 만큼 시스템에 여러 기술이 결합되긴 하지만, 어쨌든 이런 과정에서도 인공지능 모델의 추론이 중요한 역할을 하고 있습니다.

~ 더 공부할 때 쓸 키워드 ~

• 유명한 STT 모델: 위스퍼(Whisper)

• 나: 정리 한 번 들어갈 타이밍이죠?
• 모델로부터 결과물을 얻는 과정을 ‘추론’이라고 하며, 이 추론으로는 다양한 일을 할 수 있다
• 카테고리를 구분하는 ‘분류’, 연속값을 예측하는 ‘회귀’가 대표적이며 이를 응용하면 추천, 탐지, 변환(번역, STT/TTS) 작업을 할 수 있다
• 고양이(요고): 알잘딱깔센.

#생성(Generation)

인공지능이 할 수 있는 또 다른 일, 이제 정말 큰 거 옵니다. 요즘 핫한 ‘생성(Generation)’이에요. 이것 역시 AI 모델이 할 수 있는 ‘추론’이 접근한 새로운 영역입니다.

우선 크게 자연어 처리(NLP)와 컴퓨터 비전(CV) 이렇게 두 가지로 나눠서 설명해 봅시다.

일단 #LLM 부터 갑니다

먼저 NLP 영역에서 텍스트를 만들어내는 데 최적화된 모델, 바로 그 유명한 ‘LLM(Large Language Model, 거대 언어 모델)’입니다.

LLM 거꾸로 해체 쇼

• Model: 학습의 결과물로, 파라미터를 담고 있으며 추론의 주체
• Language: 대부분 모델은 한 가지 영역에 특화되어 있는데, 특히 언어를 다루는 전문가 모델이라는 것
• Large: 언어 모델이 ‘거대’하다는 것은 파라미터를 포함해 학습 데이터와 쓴 비용이 많다는 의미로, (적정 수준까지는) 파라미터가 많으면 더 많은 세계를 파악하고 이해할 가능성이 높다는 말

즉, 큰 데이터로 학습을 워낙 많이 해 아주 많은 파라미터를 담고 있으며 언어 이해에 능숙한 모델(들) = LLM입니다.

이 분야에서 유명한 모델이 바로 GPT, 클로드(Claude), 제미나이(Gemini) 시리즈 모델들*이죠. 최근 들어선 멀티모달(Multimodal, 여러 종류의 데이터를 동시에 처리하는 것)로 진화하고 있지만, 근본적으로는 여전히 자연어 처리(NLP)를 기반으로 하고 있어요.

*GPT는 일종의 브랜드 이름으로 모델은 각각 달라요. GPT-3, GPT-3.5, GPT-4, GPT-4.5는 모두 서로 다른 모델이라고 봐야 해요. 왜 다 같은 인텔 CPU여도 i3보다는 i5, i7, i9가 좋은 것처럼요.

이런 LLM을 가능하게 만든 핵심 방식이 바로 #트랜스포머(Transformer)입니다. GPT의 T를 맡을 정도로 중요하죠. 이 트랜스포머라는 알고리즘은 어텐션(Attention)이라는 메커니즘에 기반을 두고 있어요. 언어는 앞뒤 맥락이 중요한데요, 양이 많아지다 보니 다 까먹기 일쑤여서, “그럼 우리 필요없는 거 버리고 거 중요한 것들만 집중(Attention)해서 맥락을 기억하고 갑시다!” 한 겁니다.

• 고양이(요고): 얼마나 중요한 거예요? 나 머리 아프기 시작했어요.
• 나: 사실 기초만 배우는 레벨에서는 중요하지 않다고 봅니다. 아는 척 하기 좋은 단어라서 한 번 얘기했어요.

요새는 이미지도 잘 만들어 주던데요

텍스트 말고 이미지 생성(=CV)에 특화된 모델도 있습니다. 챗GPT와 이어지던 달리(DALL-E)를 비롯해 스테이블 디퓨전(Stable Diffusion), 미드저니(Midjourney) 같은 것이 대표적인 모델이에요. 최근에는 GPT를 만든 오픈AI라는 회사에서 아예 이미지 생성에 특화된 GPT image-1이라는 모델도 따로 내놓았어요.

이 이미지 생성 분야에서 많이 쓰이는 알고리즘으로는 VAE(Variational AutoEncoder)나 디퓨전(Diffusion)이라는 것이 있어요.

사실 이 트랜스포머, VAE, 디퓨전 같은 알고리즘은 생성 알고리즘으로 구분하는 것이 좋아요. 둘 다 쓰이거든요. 다만 미세하게 조금 더 특화된 분야가 있기에 기억하기 좋게 나눠 설명해 본 거고요. 물론 앞으로는 이렇게 NLP냐 CV냐 하는 구분 자체가 점점 옛날 방식이 될 수도 있을 것 같아요. 멀티 모달이 표준 기술처럼 꾸준히 발전하고 있으니까요.

여기까지 요약 with 고양이 AI

• AI 최고존엄용어 중 하나인 모델은 학습으로 얻은 파라미터와 구조를 담은 마법 상자임
• 모델은 추론을 하는데, 이는 학습된 모델에 새로운 데이터를 넣어 무언가를 뽑아내는 과정임
• 그렇게 AI는 분류, 회귀, 추천, 탐지, 변환, 생성 같은 일들을 해낼 수 있음

마치며

AI는 수학의 세계입니다. 우리가 알아본 모든 알고리즘도 다 ‘수학적 접근법’의 일종이고요. 그래서 AI를 접할 때, 알고리즘으로 공부를 시작하는 경우도 많아요. 일종의 작동하는 방식이니까요. 하지만 모두가 알다시피 그 수학이 우리를 가로막습니다. 아주 처음에 배워야 하는 AI 기초 수학조차도 미적분과 선형대수를 모르면 이해할 수 없어서 그래요.

하지만, 상대성 이론을 온전히 이해하지 못해도 우리는 물리의 세계에서 잘 살아 나가고 있잖아요. 또 다른 것들에 집중하면서요.

학습의 세계를 넘어 다가온 추론의 세계에서는 그렇게 ‘또 다른 것’들이 함께 중요해집니다. 모델의 작동에 어떤 연료가 필요한지, 무슨 도움을 줘야할지, 무엇보다 뭘 할지를 결정해야 하니까요. 공부만 열심히 하던 AI가 실제 세계로 나오면서 모두가 바빠진 겁니다. 그렇게 바빠진 곳으로 눈을 돌리겠습니다. 기초 이론 보느라고 고생 많으셨어요. 이제 비즈니스, 그러니까 ‘돈 벌기’ 쪽으로 가보려고 합니다.

©️요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.