
빵 100개 중 불량은 1개입니다. 검사기가 전부 정상이라고 말하면 99개를 맞힙니다. 정확도는 전체 사례 중 맞힌 비율입니다. 한 범주가 압도적으로 많으면 그 범주만 고르는 단순한 방법도 높은 정확도를 얻을 수 있습니다. 그래서 실제로 찾아야 할 사건을 얼마나 찾는지 따로 봅니다. 불량을 ‘양성’으로 정하면 정밀도와 재현율의 분자는 모두 찾아낸 불량 수입니다. 정밀도는 이를 불량 알림 수로, 재현율은 실제 불량 수로 나눕니다

빵 100개 중 불량은 1개입니다. 검사기가 전부 정상이라고 말하면 99개를 맞힙니다. 정확도는 전체 사례 중 맞힌 비율입니다. 한 범주가 압도적으로 많으면 그 범주만 고르는 단순한 방법도 높은 정확도를 얻을 수 있습니다. 그래서 실제로 찾아야 할 사건을 얼마나 찾는지 따로 봅니다. 불량을 ‘양성’으로 정하면 정밀도와 재현율의 분자는 모두 찾아낸 불량 수입니다. 정밀도는 이를 불량 알림 수로, 재현율은 실제 불량 수로 나눕니다

연습 사진 100장은 모두 맞히던 모델이 새로 찍은 빵 사진에서는 계속 틀립니다. 점수는 좋았는데 실력이 부족한 이유는 무엇일까요? 과적합은 특정 촬영 배경이나 잡음처럼 훈련 자료에만 있던 특징까지 익혀 새 자료에서 성능이 떨어지는 현상입니다. 반대로 모델이 너무 단순하거나 충분히 학습하지 못해 연습 자료도 잘 설명하지 못하면 과소적합을 의심할 수 있습니다. 무조건 오래 학습하거나 크게 만드는 것만이 해결책은 아닙니다. 훈련

민지는 가상의 배달 게임에서 AI가 지름길을 찾게 합니다. 매번 정답 경로를 보여주는 대신 배달 성공에 점수를 줍니다. 그런데 점수판만 잘 공략하는 엉뚱한 행동이 생기면 어떻게 할까요? 강화학습에서는 에이전트가 환경에서 행동하고 보상 신호를 받습니다. 현재 상황을 나타내는 상태, 선택할 행동, 결과에 따른 보상을 구별합니다. 목표는 보통 한 번의 점수보다 앞으로 얻을 누적 보상을 높이는 것입니다. 배달 게임에서 현재 위치와 남

이름표가 없는 빵 사진 수백 장을 받았습니다. 민지는 비슷한 사진을 먼저 묶어 보면 정리하기 쉬울 것이라고 생각합니다. 비지도학습은 주어진 정답 레이블 없이 자료의 구조나 패턴을 찾는 학습 방식입니다. 비슷한 사례를 묶는 군집화가 대표적인 예입니다. 고객의 구매 패턴이나 문서의 표현을 묶는 데 활용할 수 있습니다. 정답이 없다는 것은 아무 기준도 없다는 뜻이 아닙니다. 어떤 특징으로 표현할지, 무엇을 비슷하다고 계산할지, 몇


준의 판매 기록에는 날짜, 날씨, 판매량이 섞여 있습니다. 내일 판매량을 예측하려면 과거의 하루하루를 사례로 모을 수 있습니다. 날짜·요일·날씨처럼 예측에 쓰는 정보를 특징이라고 하고, 맞히려는 실제 판매량을 목표값 또는 레이블이라고 부릅니다. 데이터셋은 이런 사례의 모음입니다. 사진에서는 픽셀과 이미지가 입력이 되고 빵 이름이 레이블이 될 수 있습니다. 같은 자료라도 무엇을 맞히느냐에 따라 입력과 목표가 달라집니다. 예측 시

준의 AI는 밤에는 판매 기록으로 연습하고 낮에는 새 주문에 답합니다. 민지가 낮에 새 정보를 알려주면 그 자리에서 모델이 다시 만들어지는 걸까요? 학습에서는 자료와 목표를 이용해 모델의 내부 상태를 조정합니다. 신경망에서는 예측의 오차에 따라 가중치 같은 매개변수를 바꾸는 과정이 중심입니다. 어떤 자료와 목표를 쓰는지에 따라 배우는 내용도 달라집니다. 학습은 단순히 파일을 보관하는 일과 다릅니다. 자료의 관계를 모델의 계산

“AI가 갑자기 나타난 것 같아.” 민지의 말에 준은 오래된 규칙 카드와 최근의 학습 장치를 나란히 놓습니다. 실제로는 긴 연구의 흐름 속에서 여러 조건이 맞물리며 사용 경험이 달라진 것입니다. AI라는 연구 분야는 20세기 중반부터 형성되었습니다. 논리·탐색·게임·전문가 지식 같은 접근이 발전했고, 데이터에서 규칙성을 배우는 연구도 이어졌습니다. 기대가 커졌다가 한계와 비용 때문에 식는 시기도 있었습니다. 이 흐름을 이전 기

민지는 빵 사진을 보여주며 “무슨 빵이야?”라고 묻습니다. 잠시 뒤에는 “고양이 모양 빵 그림을 그려줘”라고 요청합니다. 사진 분류는 주어진 사진이 어느 범주에 가까운지 판단하는 작업입니다. 모델은 단팥빵·크림빵·식빵 같은 후보에 점수를 매길 수 있습니다. 판매량 예측은 숫자를 추정한다는 점에서 결과 형태가 다릅니다. 어떤 후보를 허용하는지는 문제 설계에 달려 있습니다. 처음 보는 빵이 들어왔는데도 반드시 기존 셋 중 하나를


민지는 동네 빵집에서 세 가지 화면을 봅니다. 하나는 좋아할 만한 빵을 추천하고, 하나는 내일 판매량을 예상하며, 다른 하나는 가게 안내문을 씁니다. 로봇은 한 대도 없는데 사장 준은 모두 AI를 활용한 기능이라고 말합니다. 인공지능은 인식·예측·언어 처리·계획처럼 지능과 관련된 과제를 컴퓨터로 수행하려는 기술과 연구 분야를 넓게 가리킵니다. 스마트폰 속 사진 분류, 번역, 추천에도 쓰일 수 있습니다. 사람처럼 생긴 몸이나 대

AI, 머신러닝, 딥러닝, 생성형 AI, LLM. 뉴스를 읽을 때마다 새 이름이 등장합니다. 전부 서로 경쟁하는 제품일까요? 인공지능은 인식·추론·계획·언어 처리 등 다양한 과제를 다룹니다. 그 안에 데이터와 경험을 이용해 성능을 조정하는 머신러닝이 있습니다. 모든 AI 방법을 머신러닝 하나로 설명할 수는 없습니다. 선형 모델, 조건에 따라 갈라지는 의사결정나무, 신경망은 모두 머신러닝에 쓰입니다. 딥러닝은 여러 층을 가진 신

준은 빵 사진을 자동으로 분류하고 싶습니다. 민지는 “둥글면 단팥빵이라고 정하면 되지 않을까?”라고 제안합니다. 그런데 둥근 크림빵이 들어오자 규칙이 바로 흔들립니다. 규칙 기반 프로그램에서는 사람이 조건과 처리 방식을 명시합니다. 주문 수량이 0이면 결제하지 않게 하거나, 마감 시간이 지나면 주문 버튼을 잠그는 기능이 예입니다. 조건이 명확하면 결과를 추적하고 검증하기 편합니다. 빵 사진에도 색·모양·크기로 규칙을 만들 수