[AX] AI는 어떻게 배우나 — 학습의 원리 한 번에 이해하기

🏷️ [NextX_R&D_Log] · 모두의연구소 아이펠(AIFFEL) AI 에이전트 1기 학습 정리

“AI는 어떻게 배울까?” — 이 한 편이면 머신러닝의 학습 원리를 큰 그림으로 잡을 수 있습니다. 수식보다 직관에 집중해, 비개발자도 끝까지 따라올 수 있게 정리했습니다.

1. 인공지능의 학습이란?

규칙을 짜는 기계 ➡️ 배우는 기계

예전에는 사람이 예외 조건을 하나하나 코딩했습니다(“이러면 스팸, 저러면 정상…”). 하지만 세상의 경우의 수는 너무 많죠. 그래서 접근을 뒤집었습니다 — 컴퓨터에게 예시(데이터)를 잔뜩 주고, 규칙을 스스로 찾게 만든 것. 이것이 머신러닝입니다.

flowchart LR
    subgraph "전통 방식"
        R["사람이 규칙을<br/>직접 코딩"] --> O1["결과"]
    end
    subgraph "머신러닝"
        D["데이터(예시)<br/>+ 정답"] --> M["모델이 패턴을<br/>스스로 학습"] --> O2["결과"]
    end
    style M fill:#dbeafe,stroke:#3b82f6,color:#1e40af

• 지도학습(Supervised Learning): 입력 데이터 + 정답(라벨)의 쌍을 주고 학습시키는 가장 기본 방식.

학습의 핵심 메커니즘 — 예측 → 오차 → 조정 → 역전파

모델은 아래 루프를 오차가 충분히 작아질 때까지 수없이 반복하며 똑똑해집니다.

flowchart LR
    P["① 예측<br/>입력→답"] --> E["② 오차 계산<br/>예측−정답"]
    E --> A["③ 가중치 조정<br/>(경사하강법)"]
    A --> B["④ 역전파<br/>뒤→앞 되짚기"]
    B -->|반복| P
    style A fill:#d1fae5,stroke:#10b981,color:#065f46

1. 예측 — 모델이 입력을 보고 답을 냅니다.
2. 오차 계산 — 예측과 정답의 차이를 잽니다.
3. 가중치 조정(경사하강법) — 오차를 줄이는 방향으로 내부 수치(가중치)를 아주 조금씩 고칩니다. (산에서 안개 속을 더듬어 가장 낮은 곳으로 한 발씩 내려가는 것과 같습니다.)
4. 역전파(Backpropagation) — 여러 층으로 된 신경망에서, 오차를 뒤에서 앞으로 되짚어 각 가중치를 얼마나 고칠지 알려주는 기술.

핵심: 학습이란 결국 “틀린 만큼 조금씩 고치기”의 무한 반복입니다.

---

2. 데이터를 숫자로 바꾸기 — 임베딩과 텐서

컴퓨터는 숫자만 이해합니다. 그래서 모든 데이터는 숫자로 변환되어야 합니다.

• 글자(텍스트): 문장을 토큰(Token)으로 자른 뒤, 의미를 담은 숫자 묶음인 벡터(Vector)로 바꿉니다. 이렇게 하면 단어가 “의미 공간의 한 점”이 됩니다 → 이를 임베딩(Embedding)이라 부릅니다.
• 그림(이미지): 픽셀의 밝기·색상 값을 숫자 격자로 변환합니다.

차원의 사다리 (텐서)

차원	이름	모양	예시
0차	스칼라	숫자 1개	5
1차	벡터	숫자 한 줄	단어 임베딩 [0.2, -1.1, …]
2차	행렬	숫자 격자	흑백 이미지
3차+	텐서	격자를 여러 장 쌓음	컬러 이미지(R/G/B 3장)

텐서(Tensor)는 이 “숫자 덩어리”의 일반 이름입니다. 딥러닝은 결국 이 텐서들을 곱하고 더하는 과정입니다.

---

3. 회귀 vs 분류 — 문제의 두 유형

📈 회귀(Regression) — “얼마나?”

연속된 수치를 맞히는 문제입니다. 예: 카페 방문객 수로 매출 예측.

매출(y) = 기울기(w) × 방문객수(x) + 절편(b)

방문객 수(x)와 매출(y)의 관계를 직선으로 나타낼 때, 오차를 줄여가며 최적의 기울기(w)와 절편(b)을 찾아냅니다.

🏷️ 분류(Classification) — “어느 것?”

여러 후보 중 어느 범주에 속하는지 고르는 문제입니다. 예: MNIST 손글씨 숫자(0~9) 구분.

• Softmax(소프트맥스): 각 후보에 대한 점수를 “합이 1이 되는 확률”로 바꿔주는 장치.

flowchart LR
    S["점수<br/>(0~9)"] --> SM["Softmax"] --> P["확률 분포<br/>합 = 1"]
    P --> R["가장 높은 확률 → 정답<br/>확률값 = 모델의 확신 정도"]

가장 높은 확률의 후보를 답으로 고르고, 그 확률값으로 모델이 얼마나 확신하는지까지 알 수 있습니다.

---

4. 남이 배운 것을 물려받기 — 파인튜닝(Fine-Tuning)

밑바닥부터 학습시키려면 데이터도 시간도 어마어마합니다. 그래서 이미 잘 학습된 모델의 지식을 물려받습니다 — 이것이 전이학습(Transfer Learning).

flowchart TB
    subgraph "미리 학습된 모델 (예: ResNet18)"
        F1["앞쪽 층<br/>선·모서리·질감<br/>(보편적 특징)"] --> F2["마지막 판단 층"]
    end
    F1 -.동결(Freeze)·재사용.-> USE["내 문제에 그대로 활용"]
    F2 -.교체·재학습.-> NEW["내 문제(개/고양이)로<br/>새로 학습"]
    style F1 fill:#dbeafe,stroke:#3b82f6,color:#1e40af
    style NEW fill:#d1fae5,stroke:#10b981,color:#065f46

• 신경망 앞쪽 층은 선·모서리·질감 같은 보편적 시각 특징을 봅니다 → 동결(Freeze)하여 그대로 재사용.
• 마지막 판단 층만 내 문제(예: 개/고양이)에 맞게 새로 학습.
• 장점: 데이터·계산 자원이 적어도 높은 성능.

---

5. 하드웨어와 규모의 현실 — GPU와 Colab CLI

왜 GPU가 필수인가?

딥러닝 학습은 방대한 행렬 곱셈의 연속입니다.

	처리 방식	딥러닝에서
CPU	복잡한 일을 순서대로	느림
GPU	수천 개 코어로 단순 계산을 한꺼번에(병렬)	수십~수백 배 빠름

• Colab CLI: 구글 코랩의 GPU 환경을 브라우저 없이 터미널 한 줄로 다루고 자동 반납하는 공식 도구. AI 코딩 에이전트가 클라우드 GPU를 직접 활용하도록 시킬 때 특히 유용합니다.

---

💡 최종 요약 — “결국 데이터가 전부다”

화려한 모델 구조보다 양질의 데이터가 성능을 좌우합니다. 데이터를 10%로 줄이면 정확도는 급격히 떨어집니다.

1. 모델보다 데이터 — 좋은 데이터를 모으고 검증하는 것이 핵심.
2. AI 활용가의 역할 — 코드를 직접 짜는 것보다, “어떤 데이터를 주고 · 어떤 학습을 시키고 · 결과를 어떻게 검증할지” 판단하는 직관이 더 중요합니다.

이 관점은 넥스트엑스가 AX 솔루션을 만들 때의 원칙과도 닿아 있습니다 — RAG 쉽게 이해하기나 임베딩 & 벡터 DB와 함께 읽으면 “데이터를 숫자로 바꿔 다루는” 큰 그림이 이어집니다.

---

📎 본 글은 주식회사 넥스트엑스(NEXT X) 기술연구소의 학습 기록(R&D Log)입니다. 함께 읽기 — 🧠 RAG 쉽게 이해하기 · 🔢 임베딩 & 벡터 DB · 📖 블로그 안내