AI
AI 모델 만들기 시리즈 1화 – 인공지능, 머신러닝, 딥러닝… 뭐가 어떻게 다른 걸까?
B컷개발자
2025. 5. 3. 11:00
AI, 머신러닝, 딥러닝. 요즘 이 세 가지 단어는 거의 묶음처럼 따라다닙니다.
하지만 실제로 이들 사이에는 명확한 위계와 역할 구분이 있습니다.
AI 모델을 만들고자 한다면, 시작은 이 기본 개념의 정확한 이해부터입니다.
🤖 AI란 무엇이고, 그 안에 무엇이 들어있는가?
AI는 Artificial Intelligence, 즉 인공적으로 만든 지능을 뜻합니다.
기계가 인간처럼 '생각하고 판단하고 행동할 수 있는 능력'을 의미하죠.
하지만 실제로 AI가 똑똑해지기 위해서는 데이터를 통해 스스로 학습하는 능력, 바로 머신러닝이 핵심입니다.
계층 구조 기술 범위 대표 예시
| 인공지능(AI) | 인간 지능을 모방하는 모든 기술 | 자율주행차, 챗봇 |
| 머신러닝(ML) | 데이터를 통해 규칙을 학습 | 이메일 스팸 분류, 추천 시스템 |
| 딥러닝(DL) | 인공신경망 기반의 학습 기법 | 음성 인식, 이미지 분류 |
딥러닝은 머신러닝의 하위 집합이고, 머신러닝은 AI의 하위 기술입니다.
🧠 AI 모델을 만든다는 건 무슨 뜻일까?
‘AI 모델 만들기’란 결국, 데이터를 바탕으로 입력값에 대한 예측을 할 수 있는 시스템을 만드는 것입니다.
예를 들어 아래와 같은 일들을 모델이 대신하게 만드는 것이죠:
- 고양이 vs 개 이미지 분류
- 고객의 이탈 여부 예측
- 뉴스 기사 주제 자동 분류
- 구매 확률 높은 고객 추천
즉, AI 모델 = 학습된 함수 또는 알고리즘, 그리고 우리는 이를 ‘데이터 기반’으로 학습시키는 과정을 다룹니다.
🧩 용어부터 정리하자 – 모델 학습의 기본 구성 요소
용어 의미
| 학습(training) | 데이터를 통해 모델이 패턴을 익히는 과정 |
| 테스트(testing) | 학습된 모델이 새로운 데이터를 잘 예측하는지 평가 |
| 특징(feature) | 입력값 (예: 키, 연령, 상품 가격 등) |
| 레이블(label) | 예측하고자 하는 목표 값 (예: 구매 여부, 질병 유무) |
| 모델(model) | 학습 결과 도출된 예측 함수 |
| 과적합(overfitting) | 훈련 데이터에 너무 맞춰져 새 데이터엔 약한 상태 |
🎯 이 시리즈는 이렇게 진행됩니다
이번 시리즈는 단순한 이론 정리에서 끝나지 않습니다.
직접 코드를 짜고, 데이터를 다루고, 실습과 프로젝트를 완성하는 실전 중심 구성으로 진행됩니다.
📘 구성 예고
- Scikit-learn으로 기초 모델 만들기
- TensorFlow/Keras로 신경망 설계
- PyTorch로 딥러닝 실습
- AutoML을 활용한 코드 없는 모델 구축
- Gradio, Streamlit으로 AI 앱 배포
모든 실습은 Jupyter Notebook 기반으로, 그대로 복사해 실행만 하면 되는 방식으로 제공합니다.
✅ 핵심 요약
- AI는 인간처럼 사고하고 행동하는 기술, 머신러닝은 데이터를 통해 학습하는 핵심 기술
- 딥러닝은 머신러닝의 한 형태로, 신경망 기반 모델에 특화됨
- AI 모델 만들기의 핵심은 ‘문제를 정의하고, 데이터를 학습시켜 예측 모델을 만드는 것’