AI 시대의 지도

이 장에서 배울 것

AI를 처음 배울 때 가장 먼저 필요한 것은 어려운 수식이 아닙니다. 전체 지형을 잃지 않는 지도입니다. 지도가 있으면 지금 배우는 개념이 어디에 놓여 있는지 알 수 있습니다. 반대로 지도가 없으면 챗봇, 머신러닝, 딥러닝, 데이터 분석, Python이 모두 뒤섞여 보입니다.

이 장에서는 다음을 배웁니다.

• AI가 하나의 제품명이 아니라 여러 기술을 묶어 부르는 넓은 이름임을 이해한다.

• AI, 머신러닝, 딥러닝, 생성형 AI, LLM의 관계를 설명한다.

• "AI가 학습한다"는 말이 무엇을 뜻하는지 쉽게 이해한다.

• 일상 속 AI 사례를 찾아 예측형, 분류형, 추천형, 생성형으로 구분한다.

• 이 책에서 어디까지 배우고, 무엇은 다음 단계로 넘길지 확인한다.

이 장의 목표는 AI 전문가가 되는 것이 아닙니다. AI를 공부할 때 길을 잃지 않도록 큰 지도를 갖는 것입니다.

왜 이 주제가 중요한가

많은 사람이 AI를 처음 만날 때 챗봇부터 떠올립니다. 질문을 입력하면 답이 나오고, 글을 써 주고, 이미지를 만들어 주는 도구가 눈에 잘 보이기 때문입니다. 하지만 챗봇은 AI의 전부가 아닙니다.

스팸 메일을 걸러 주는 기능, 쇼핑몰의 상품 추천, 내비게이션의 도착 시간 예측, 얼굴 인식 잠금 해제, 음악 앱의 플레이리스트 추천도 모두 AI와 관련이 있습니다. 어떤 AI는 글을 만들고, 어떤 AI는 사진 속 대상을 구분하며, 어떤 AI는 숫자를 보고 미래 값을 예측합니다.

AI를 챗봇 하나로만 이해하면 두 가지 문제가 생깁니다.

첫째, AI가 할 수 있는 일을 너무 좁게 봅니다. AI는 대화뿐 아니라 분류, 예측, 추천, 탐지, 요약, 검색 보조 등 여러 방식으로 쓰입니다.

둘째, AI를 지나치게 신비롭게 봅니다. AI는 마법이 아닙니다. 데이터를 바탕으로 패턴을 찾고, 그 패턴을 이용해 판단하거나 결과물을 만드는 기술입니다. 물론 매우 복잡한 AI도 있지만, 출발점은 "데이터에서 규칙성 찾기"입니다.

그래서 이 장에서는 AI 시대의 지도를 먼저 그립니다. 이후 Python, 데이터 정리, 시각화, 프롬프트, 검증, 미니 프로젝트를 배울 때 이 지도가 기준점이 됩니다.

핵심 개념 설명

AI는 넓은 이름이다

AI는 Artificial Intelligence의 줄임말로, 한국어로는 인공지능이라고 부릅니다. 이름만 보면 "사람처럼 생각하는 기계"처럼 느껴집니다. 하지만 입문 단계에서는 이렇게 이해하는 편이 더 안전합니다.

AI는 데이터를 바탕으로 판단, 예측, 추천, 생성 같은 일을 수행하는 기술들의 묶음이다.

여기서 중요한 말은 "기술들의 묶음"입니다. AI는 하나의 프로그램이나 하나의 회사 제품이 아닙니다. 다양한 방법과 도구를 포함하는 큰 범주입니다.

AI 안에는 규칙 기반 시스템, 머신러닝, 딥러닝, 생성형 AI 같은 여러 흐름이 있습니다.

AI
├─ 규칙 기반 시스템
└─ 머신러닝
   └─ 딥러닝
      ├─ 이미지 인식 모델
      ├─ 음성 인식 모델
      └─ LLM 등 생성형 AI 모델

이 그림은 완벽한 학술 분류표가 아니라 입문자를 위한 지도입니다. 핵심은 포함 관계입니다. 머신러닝은 AI의 한 방법이고, 딥러닝은 머신러닝의 한 방법입니다. LLM은 주로 딥러닝 기술을 바탕으로 만든 언어 모델입니다.

규칙 기반 시스템: 사람이 규칙을 정한다

가장 오래된 방식 중 하나는 사람이 직접 규칙을 만드는 방식입니다. 예를 들어 스팸 메일 필터를 아주 단순하게 만든다고 생각해 봅시다.

• 제목에 "무료 당첨"이 있으면 스팸으로 분류한다.

• 본문에 "지금 클릭"이 여러 번 나오면 스팸으로 분류한다.

• 보낸 사람이 차단 목록에 있으면 스팸으로 분류한다.

이런 방식은 이해하기 쉽습니다. 왜 스팸으로 분류됐는지도 설명하기 쉽습니다. 하지만 문제가 있습니다. 세상에는 예외가 너무 많습니다. 진짜 중요한 안내 메일에도 "무료"라는 단어가 들어갈 수 있고, 스팸 발송자는 규칙을 피하려고 표현을 바꿀 수 있습니다.

규칙 기반 시스템은 사람이 규칙을 잘 만들 수 있는 문제에는 유용합니다. 하지만 규칙이 너무 많아지거나, 상황이 자주 바뀌는 문제에는 한계가 있습니다.

머신러닝: 데이터에서 패턴을 찾는다

머신러닝은 말 그대로 "기계가 학습한다"는 뜻입니다. 여기서 학습은 사람이 공부하듯 뜻을 이해한다는 말이 아닙니다. 데이터 속에서 반복되는 패턴을 찾아내는 과정입니다.

스팸 메일 예시로 다시 생각해 봅시다. 머신러닝 방식에서는 사람이 모든 규칙을 직접 쓰지 않습니다. 대신 많은 이메일 데이터를 준비합니다.

• 스팸 메일 예시

• 정상 메일 예시

• 각 메일의 제목, 본문, 보낸 사람, 링크 개수 등

모델은 이 데이터를 보며 스팸 메일에 자주 나타나는 특징과 정상 메일에 자주 나타나는 특징을 찾습니다. 그다음 새 메일이 들어오면 "이 메일은 스팸일 가능성이 높다" 또는 "정상일 가능성이 높다"고 판단합니다.

즉, 머신러닝의 핵심은 다음과 같습니다.

사람이 모든 규칙을 직접 쓰는 대신, 데이터에서 규칙성을 찾게 한다.

이때 사용되는 데이터가 부정확하거나 한쪽으로 치우쳐 있으면 결과도 흔들립니다. AI를 배울 때 데이터가 중요한 이유가 여기에 있습니다.

딥러닝: 많은 층으로 복잡한 패턴을 찾는다

딥러닝은 머신러닝의 한 종류입니다. 딥러닝은 인공신경망이라는 구조를 사용합니다. 인공신경망은 사람의 뇌를 그대로 복사한 것이 아니라, 여러 계산 단계를 층처럼 쌓아 복잡한 패턴을 찾는 방법이라고 이해하면 됩니다.

예를 들어 이미지 인식을 생각해 봅시다. 고양이 사진과 강아지 사진을 구분하려면 단순한 규칙만으로는 어렵습니다.

• 귀가 뾰족하면 고양이인가?

• 털이 많으면 강아지인가?

• 눈 모양으로 구분할 수 있는가?

사진마다 각도, 조명, 배경, 크기가 다릅니다. 딥러닝 모델은 많은 이미지 데이터를 보며 낮은 수준의 특징부터 높은 수준의 특징까지 단계적으로 찾습니다. 처음에는 선, 색, 모서리 같은 단순한 특징을 보고, 더 깊은 층에서는 눈, 귀, 얼굴 형태 같은 복잡한 특징을 조합합니다.

그래서 딥러닝은 이미지, 음성, 자연어처럼 복잡한 데이터를 다루는 데 강력하게 쓰였습니다. 다만 그만큼 많은 데이터와 계산 자원이 필요하고, 내부 판단 과정을 사람이 완전히 이해하기 어려운 경우도 있습니다.

생성형 AI: 새 결과물을 만든다

생성형 AI는 입력을 바탕으로 새로운 결과물을 만드는 AI입니다. 글, 이미지, 코드, 음악, 영상, 요약문, 발표 자료 초안 등을 만들 수 있습니다.

기존의 많은 AI는 주로 "판단"에 가까운 일을 했습니다.

• 이 메일은 스팸인가?

• 이 사진은 고양이인가?

• 이 사용자는 어떤 상품을 좋아할까?

• 내일 매출은 어느 정도일까?

생성형 AI는 여기에서 한 걸음 더 나아갑니다.

• 이 주제로 글을 써 줘.

• 이 문장을 더 쉽게 바꿔 줘.

• 이런 조건에 맞는 Python 코드를 만들어 줘.

• 이 데이터를 보고 보고서 초안을 작성해 줘.

물론 "새로 만든다"는 말이 "항상 정확하다"는 뜻은 아닙니다. 생성형 AI는 그럴듯한 문장을 만들 수 있지만, 사실이 틀릴 수 있습니다. 그래서 이 책에서는 생성형 AI를 잘 쓰는 방법뿐 아니라 답변을 검증하는 습관도 함께 다룹니다.

LLM: 언어를 다루는 큰 모델

LLM은 Large Language Model의 줄임말입니다. 한국어로는 대규모 언어 모델이라고 부릅니다. 말 그대로 많은 양의 텍스트 데이터를 바탕으로 학습한 큰 언어 모델입니다.

LLM은 문장 속 단어와 표현의 관계를 배웁니다. 그래서 질문에 답하고, 문서를 요약하고, 번역하고, 글의 분위기를 바꾸고, 코드 예시를 작성할 수 있습니다.

LLM을 이해할 때 중요한 점은 두 가지입니다.

첫째, LLM은 언어를 잘 다루도록 만들어진 모델입니다. 사람처럼 경험하거나 감정을 느끼는 존재가 아닙니다.

둘째, LLM의 답변은 검증이 필요합니다. LLM은 질문에 맞는 자연스러운 답을 만들지만, 출처가 없거나 오래된 정보, 잘못된 정보를 섞을 수 있습니다. 특히 숫자, 법률, 의학, 최신 사건, 논문 정보처럼 정확성이 중요한 내용은 반드시 확인해야 합니다.

쉬운 비유: AI를 큰 도서관으로 보기

AI 전체를 하나의 큰 도서관이라고 생각해 봅시다.

규칙 기반 시스템은 사서가 직접 붙여 둔 안내문과 비슷합니다. "역사책은 900번대", "반납일이 지나면 연체"처럼 사람이 규칙을 정합니다. 규칙이 명확할 때는 빠르고 안정적입니다.

머신러닝은 도서관 이용 기록을 보고 패턴을 찾는 직원과 비슷합니다. "이 책을 빌린 사람은 이런 책도 자주 빌린다", "시험 기간에는 특정 분야 책 대출이 늘어난다"처럼 데이터를 보고 예측합니다.

딥러닝은 수많은 책의 표지, 목차, 문장, 독자 반응을 함께 분석해 더 복잡한 패턴을 찾는 시스템과 비슷합니다. 단순한 규칙으로 설명하기 어려운 관계를 잡아냅니다.

생성형 AI는 도서관의 자료를 바탕으로 새로운 독서 안내문, 요약문, 추천 글을 작성해 주는 도구와 비슷합니다. 기존 자료를 그대로 복사하는 것이 아니라, 배운 패턴을 바탕으로 새 문장을 만듭니다.

LLM은 그중에서도 언어 자료를 많이 읽고 문장을 다루는 데 특화된 도구입니다. 책을 대신 읽어 주고, 요약해 주고, 질문에 답해 주는 능력이 뛰어납니다. 하지만 책의 내용이 맞는지, 요약이 정확한지, 빠진 내용은 없는지 확인하는 책임은 여전히 사용자에게 있습니다.

직접 해보는 실습: 나의 AI 사용 지도 만들기

이번 실습의 목표는 일상에서 AI를 발견하고, 어떤 데이터가 쓰였을지 추정해 보는 것입니다. 코드는 아직 필요하지 않습니다. 종이, 메모 앱, 스프레드시트 중 편한 도구를 사용하세요.

1단계: 일상 속 AI 사례 10개 찾기

하루 동안 만나는 서비스나 기능 중 AI가 쓰였을 가능성이 있는 사례를 10개 적어 봅니다.

예시는 다음과 같습니다.

• 이메일 스팸 필터

• 동영상 추천

• 음악 추천

• 쇼핑몰 상품 추천

• 지도 앱 도착 시간 예측

• 스마트폰 얼굴 인식

• 번역 앱

• 챗봇 상담

• 문서 요약 도구

• 사진 앱의 인물 자동 분류

중요한 것은 "정답을 맞히는 것"이 아닙니다. AI가 어디에 숨어 있는지 관찰하는 습관을 만드는 것입니다.

2단계: AI 유형으로 분류하기

각 사례를 다음 네 가지 중 하나 이상으로 분류해 봅니다.

하나의 서비스가 여러 유형에 걸칠 수도 있습니다. 예를 들어 동영상 앱은 사용자가 볼 가능성이 높은 영상을 예측하면서 동시에 추천합니다.

3단계: 어떤 데이터를 썼을지 추정하기

각 사례 옆에 "이 AI는 어떤 데이터를 사용했을까?"를 적어 봅니다.

예를 들어 동영상 추천이라면 다음과 같은 데이터가 쓰였을 수 있습니다.

• 내가 본 영상

• 시청 시간

• 좋아요 또는 저장 기록

• 검색어

• 비슷한 사용자의 행동

• 영상의 제목, 설명, 주제

지도 앱의 도착 시간 예측이라면 다음과 같은 데이터가 쓰였을 수 있습니다.

• 현재 위치

• 목적지

• 도로 거리

• 실시간 교통량

• 과거 같은 시간대의 이동 기록

• 사고나 공사 정보

여기서 중요한 질문은 이것입니다.

이 AI가 판단하려면 어떤 정보가 필요할까?

이 질문을 던지면 AI를 막연한 기술이 아니라 데이터와 연결된 시스템으로 볼 수 있습니다.

4단계: 나의 AI 사용 지도 완성하기

아래 형식으로 표를 만들어 봅니다.

마지막 열인 "내가 확인할 점"이 중요합니다. AI를 잘 쓰는 사람은 결과를 그대로 믿지 않습니다. 어떤 데이터로 판단했는지, 어떤 오류가 생길 수 있는지 함께 생각합니다.

흔한 실수와 오류 분석

실수 1: AI를 챗봇과 같은 뜻으로 생각한다

챗봇은 AI의 한 형태일 뿐입니다. AI는 추천, 예측, 분류, 탐지, 생성 등 훨씬 넓은 영역을 포함합니다. 챗봇을 잘 쓰는 것도 중요하지만, AI 전체를 이해하려면 데이터와 모델의 관계를 함께 봐야 합니다.

실수 2: "학습"을 사람의 이해와 같은 뜻으로 받아들인다

AI가 학습한다는 말은 데이터에서 패턴을 찾는다는 뜻입니다. AI가 세상을 사람처럼 경험하거나 의미를 완전히 이해한다는 뜻은 아닙니다. 이 차이를 알아야 AI의 능력과 한계를 균형 있게 볼 수 있습니다.

실수 3: 생성형 AI 답변을 정답처럼 믿는다

생성형 AI는 자연스러운 문장을 만드는 데 강합니다. 하지만 자연스러움과 정확성은 다릅니다. 답이 매끄럽게 보인다고 해서 반드시 맞는 것은 아닙니다. 특히 보고서, 과제, 업무 문서에 사용할 때는 출처 확인과 교차 검증이 필요합니다.

실수 4: 데이터의 중요성을 놓친다

AI 결과는 데이터의 영향을 크게 받습니다. 데이터가 부족하거나 편향되어 있거나 오래되었으면 결과도 부정확해질 수 있습니다. 앞으로 이 책에서 Python과 pandas로 데이터를 읽고 정리하는 이유도 여기에 있습니다.

실수 5: 처음부터 수식과 구현에만 매달린다

수식과 코드는 중요합니다. 하지만 입문 단계에서는 먼저 "무엇을 하려는 기술인가", "어떤 데이터가 필요한가", "결과를 어떻게 검증할 것인가"를 이해하는 것이 더 중요합니다. 신경망의 세부 수식과 모델 학습 코드는 이후 단계에서 더 깊게 다룹니다.

요약

AI는 하나의 제품이나 챗봇이 아니라 여러 기술을 포함하는 넓은 이름입니다. 규칙 기반 시스템은 사람이 규칙을 직접 정하는 방식입니다. 머신러닝은 데이터에서 패턴을 찾아 판단하거나 예측합니다. 딥러닝은 머신러닝의 한 종류로, 여러 계산 단계를 통해 복잡한 패턴을 찾는 데 강합니다. 생성형 AI는 글, 이미지, 코드처럼 새로운 결과물을 만듭니다. LLM은 언어를 다루는 데 특화된 대규모 언어 모델입니다.

이 장에서 가장 중요한 문장은 다음입니다.

AI는 데이터를 바탕으로 판단·예측·추천·생성을 수행하는 기술들의 묶음이다.

그리고 AI를 배울 때 계속 던져야 할 질문은 다음입니다.

• 이 AI는 무엇을 하려는가?

• 어떤 데이터를 사용했을까?

• 어떤 기준으로 결과를 냈을까?

• 결과를 어떻게 확인할 수 있을까?

이 질문들이 앞으로의 학습을 이끄는 기본 나침반입니다.

퀴즈

1. AI, 머신러닝, 딥러닝의 관계를 포함 관계로 설명해 보세요.

2. 규칙 기반 시스템과 머신러닝의 가장 큰 차이는 무엇인가요?

3. "AI가 학습한다"는 말은 입문 단계에서 어떻게 이해하는 것이 좋을까요?

4. 생성형 AI가 기존의 분류형 AI와 다른 점은 무엇인가요?

5. LLM은 어떤 종류의 작업에 특히 강한가요?

6. 동영상 추천 서비스에는 어떤 데이터가 사용될 수 있을까요? 세 가지 이상 적어 보세요.

7. 생성형 AI의 답변을 그대로 믿으면 안 되는 이유는 무엇인가요?

8. 지도 앱의 도착 시간 예측은 예측형, 분류형, 추천형, 생성형 중 어디에 가장 가까울까요?

체크리스트

이 장을 마쳤다면 스스로 확인해 봅니다.

• AI가 하나의 제품명이 아니라 넓은 기술 범주임을 설명할 수 있다.

• AI, 머신러닝, 딥러닝, LLM의 포함 관계를 말할 수 있다.

• 규칙 기반 시스템과 머신러닝의 차이를 예로 설명할 수 있다.

• "학습"이 데이터에서 패턴을 찾는 과정임을 이해했다.

• 예측형, 분류형, 추천형, 생성형 AI를 구분할 수 있다.

• 일상 속 AI 사례 10개를 찾아 표로 정리했다.

• AI 결과를 볼 때 어떤 데이터를 썼을지 질문할 수 있다.

• 생성형 AI 답변에는 검증이 필요하다는 점을 이해했다.

다음 장 연결

이 장에서는 AI 시대의 큰 지도를 그렸습니다. 이제 우리는 AI가 넓은 기술 묶음이고, 그중 생성형 AI와 LLM이 최근 특히 주목받는 영역이라는 것을 알게 되었습니다.

다음 장에서는 생성형 AI를 더 자세히 살펴봅니다. 생성형 AI는 왜 이전 AI와 다르게 느껴질까요? 왜 질문을 조금만 바꿔도 답변이 달라질까요? 왜 그럴듯하지만 틀린 답을 만들기도 할까요?

다음 장의 핵심 질문은 이것입니다.

생성형 AI는 무엇을 보고, 어떻게 새 답을 만들어 내는가?

이 질문을 따라가면 프롬프트 작성과 AI 답변 검증의 기초가 보이기 시작합니다.