본문으로 건너뛰기
강의실강의실

Lesson

기계는 생각할 수 있는가?

AI와 머신러닝 기초

머신러닝과 그 한 분야인 딥러닝의 관계를 보고, 데이터가 입력·처리·저장되는 흐름을 따라갑니다.

1950년 앨런 튜링은 논문 「Computing Machinery and Intelligence」를 ‘기계는 생각할 수 있는가?’라는 질문으로 시작했습니다. 그리고 같은 논문에서 어른의 정신을 처음부터 프로그램으로 모사하는 대신, 아이의 정신을 모사한 프로그램을 만들고 교육하자고 제안했습니다. 이는 학습하는 기계에 대한 초기 구상으로, 오늘날 데이터와 경험을 통해 학습하는 머신러닝의 문제의식과 연결됩니다.

총 2개 주제

생성 수정

01

머신러닝 vs 딥러닝

딥러닝은 머신러닝의 한 분야입니다. 전통적인 머신러닝에서는 사람이 특징을 설계하는 경우가 많고, 딥러닝은 여러 층의 신경망으로 데이터의 특징 표현을 학습합니다.

머신러닝 vs 딥러닝
  • 포함 관계: AI ⊃ 머신러닝 ⊃ 딥러닝. 둘 다 데이터와 경험을 통해 패턴을 학습한다.
  • 특징 표현: 전통적 ML은 사람이 특징을 설계하는 경우가 많고, DL은 신경망의 여러 층에서 표현을 학습한다.
  • 하드웨어: CPU와 GPU의 선택은 모델·데이터·연산에 달려 있다. 딥러닝은 큰 행렬 연산에 GPU를 활용하는 경우가 많다.
  • 비유: CPU는 대학교수 1명, GPU는 초등학생 3,000명
02

AI 데이터 파이프라인의 3단 구조

혼돈스러운 원시 입력이 처리를 거쳐 구조화된 기록으로 남는다. 앞서 본 함수·객체·개체 3분법이 AI 시스템 전체 아키텍처에서도 반복된다.

AI 데이터 파이프라인의 3단 구조
  • ① Function (HTML/프론트엔드): 원시 데이터 수집과 입력, UI, 혼돈의 감지
  • ② Object (Python/백엔드): 데이터 정제와 로직, AI 모델 실행, 심층 분석
  • ③ Entity (SQL/데이터베이스): 구조화된 저장과 메모리, 데이터 영속성, 이력 기록
  • 전체 흐름: RAW INPUT → PROCESSING → STORED DATA