무엇이 무엇에 속하는가

AI 개념

대등한 네 개의 기술이 아니라 포함 관계입니다 — AI ⊃ 머신러닝 ⊃ 딥러닝 ⊃ 생성형 AI. 딥러닝은 머신러닝의 부분집합이며, 모든 딥러닝은 머신러닝이지만 모든 머신러닝이 딥러닝은 아닙니다.

각 층은 유(상위 범주)+종차(그 안에서의 차이) 형식으로 갈립니다 — 규칙을 사람이 적는가/데이터에서 스스로 찾는가, 특징을 사람이 골라주는가/스스로 찾는가, 출력이 라벨인가/새로 만든 콘텐츠인가.

AI 개념

앞의 넷은 '기술의 종류'(방법론)이고 AI 에이전트는 '시스템의 형태'라 축 자체가 다릅니다. 딥러닝은 에이전트의 두뇌 역할을, 에이전트는 그 두뇌를 탑재해 목표 인지 → 계획 → 도구 사용 → 실행까지 하는 몸 역할을 합니다.

그래서 '딥러닝 다음 단계가 AI 에이전트'라는 말은 성립하지 않습니다 — '자동차 다음 단계가 물류회사'라는 말이 이상한 것과 같습니다.

AI 개념

다중 분류는 이진 분류 여러 개(One-vs-Rest)로 분해되지만, 반대로 이진 분류를 더 작은 무엇으로 쪼갤 수는 없습니다. 답이 2개인데 이걸 1개로 줄이면 그건 이미 판단이 아닙니다.

즉 분해되지 않는 최소 단위이기 때문이지 난이도가 낮아서가 아닙니다 — 암 진단·사기 탐지처럼 실제로 어려운 이진 분류는 얼마든지 있습니다.

Git·환경

Git은 내 컴퓨터에서 도는 프로그램(버전 관리 도구)이고 인터넷이 없어도 동작합니다. GitHub는 그 위에 지어진 웹 서비스(원격 저장소)로 인터넷이 필요합니다.

Git이 먼저 있고 GitHub는 나중에 그 위에 지어진 것이라, GitHub 없이 Git은 완벽하게 동작하지만 Git 없이 GitHub는 성립하지 않습니다.

Git·환경

프로젝트마다 독립된 파이썬 패키지 집합을 갖게 해 의존성 지옥(같은 컴퓨터에 서로 다른 버전의 pandas가 필요한 두 프로젝트가 충돌하는 것)을 막습니다.

격리 강도는 가상환경(파이썬 패키지만) < 컨테이너(앱+OS 라이브러리) < 가상머신(OS 전체) 순으로 강해지고, 강할수록 무겁고 느려집니다.

Git·환경

'누가 부르는가'입니다. 라이브러리는 내가 진입점을 잡고 필요할 때 불러 쓰고(도구상자), 프레임워크는 반대로 프레임워크가 정한 틀 안에 내 코드를 등록해 두면 프레임워크가 나를 부릅니다(작업장).

같은 자바스크립트 생태계 안에서도 React는 라이브러리, Next.js는 프레임워크로 갈립니다.

판별축

사람이 읽을 수 있으면서 동시에 기계도 실행할 수 있는 중간 지대이기 때문입니다.

High-level/Low-level은 난이도가 아니라 사람 쪽에 가까운가(추상도가 높음)·기계 쪽에 가까운가(추상도가 낮음)를 가리키는 말입니다 — 실제로는 저급 언어가 사람의 사고와 멀어 훨씬 쓰기 어렵습니다.

판별축

무엇까지 격리하느냐입니다. 가상환경은 파이썬 패키지만, 컨테이너는 앱+OS 라이브러리까지, 가상머신은 OS 전체를 격리합니다.

판별축

맞혀야 할 Survived 컬럼 값이 정확히 0(사망) 또는 1(생존)인 교과서적 이진 분류이기 때문입니다.

게다가 나이·성별·객실등급처럼 사람이 직관적으로 이해할 수 있는 특징이 있어, 모델이 왜 그렇게 판단했는지 검증하기도 좋습니다.

판별축

기억력의 문제가 아니라 컨텍스트 윈도(AI가 한 번에 펼쳐놓고 볼 수 있는 책상의 크기)의 문제입니다. 입력 토큰(질문+문서+이전 대화 전부)이 그 크기를 넘으면 오래된 내용부터 앞에서 밀려납니다.

해결책은 요약(지난 대화를 압축해 다시 넣기), 장기기억(외부 파일·DB에 적어두기), RAG(관련 있는 부분만 검색해 넣기) 셋입니다.

스스로 확인

대등하지 않습니다. 딥러닝은 머신러닝의 부분집합입니다 — 모든 딥러닝은 머신러닝이지만 모든 머신러닝이 딥러닝인 것은 아닙니다.

스스로 확인

아닙니다. '다양한 주제의 텍스트를 생성하는 한 가지 일'을 하는 약한 AI입니다. 스스로 목표를 세우거나 새 능력을 획득하려 하지 않습니다. '할 수 있는 일이 많다'와 '범용이다'는 다른 말입니다.

스스로 확인

Survived 컬럼이고, 값은 정확히 0(사망) 또는 1(생존)입니다. 교과서적인 이진 분류 문제입니다.

스스로 확인

어렵다는 뜻이 아니라 사람 쪽에 가까운(추상도가 높은) 언어라는 뜻입니다. 반대로 저급 언어는 기계 쪽에 가까운 언어이고, 실제로는 저급 언어가 사람의 사고와 멀어 더 쓰기 어렵습니다.

스스로 확인

Git입니다. 내 컴퓨터에서 도는 프로그램이라 인터넷이 필요 없습니다. GitHub는 그 위에 지어진 웹 서비스라 인터넷이 필요합니다.

스스로 확인

가상환경(파이썬 패키지만) < 컨테이너(앱+OS 라이브러리) < 가상머신(OS 전체) 순으로 강해집니다.

스스로 확인

의존성 지옥이 생깁니다. 프로젝트마다 필요한 라이브러리 버전이 다른데 컴퓨터 전체에 하나만 깔면, 프로젝트가 늘어날수록 반드시 어느 하나가 깨집니다.

스스로 확인

라이브러리는 내가 부르고, 프레임워크는 나를 부릅니다 — 진입점을 누가 잡느냐의 차이입니다.

스스로 확인

시간 절약입니다. 더 강한 이유는 검증 횟수(전 세계에서 수백만 번 실행돼 버그 노출량이 다름)와 공용 언어가 되는 것(협업 비용 감소)입니다.

스스로 확인

"이걸 다른 것으로 바꿔도 우리 서비스가 여전히 우리 서비스인가?" 그렇다면 가져다 쓰는 영역이고, 아니라면 직접 만들어야 하는 영역입니다.

자주 하는 실수

딥러닝은 머신러닝의 부분집합이기 때문입니다.

자주 하는 실수

축이 다르기 때문입니다. 기술의 종류가 아니라 시스템의 형태입니다.

자주 하는 실수

분해되지 않는 최소 단위라서 기초인 것이지, 쉬워서가 아닙니다.

자주 하는 실수

답이 끊어져 있는가(범주) 이어져 있는가(숫자)의 차이입니다.

자주 하는 실수

마크업 언어입니다. 판단·반복·분기가 없기 때문입니다.

자주 하는 실수

Git은 내 컴퓨터의 프로그램, GitHub는 그 결과를 올리는 서비스입니다.

자주 하는 실수

격리 수준이 다릅니다. venv는 파이썬 패키지만, Docker는 앱+OS 라이브러리까지 격리합니다.

용어

AI가 글을 읽고 쓰기 위해 잘게 나눈 글자 조각입니다.

용어

AI가 한 번에 펼쳐놓고 볼 수 있는 작업 공간의 크기입니다.

용어

정답이 단원어진 데이터로 학습하는 방식입니다.

용어

다중 분류를 이진 분류 여러 개로 분해하는 기법입니다.

용어

프로젝트 간 라이브러리 버전이 충돌해 해결이 불가능해지는 상태입니다.

용어

호출의 주도권이 내 코드에서 프레임워크로 넘어가는 원리입니다.

용어

AI이지만 머신러닝은 아닙니다. 규칙을 사람이 전부 적어 넣었기 때문입니다.

용어

머신러닝이지만 딥러닝은 아닙니다. 학습은 하지만 신경망을 깊게 쌓지 않기 때문입니다.

용어

끊어진 범주가 아니라 이어진 연속된 숫자입니다.

용어

지시 받기 → 필요한 정보 찾기 → 도구 사용 → 중간 확인·승인 → 결과 전달을 반복하는 순환입니다.

용어

루프 중간에 사람 확인을 넣는 것이 안전합니다.

용어

API로 부르면 데이터가 밖으로 나가고, 로컬에서 돌리면 내 컴퓨터 안에 머뭅니다.

용어

Hugging Face는 공개된 오픈소스 모델을 모아둔 곳, Ollama는 거기서 받은 모델을 내 컴퓨터에서 돌리는 도구입니다.

용어

내 질문, 업로드한 문서, 이전 대화 기록 전부, 시스템 지시문이 포함됩니다.

용어

명제 논리(참/거짓) → 불 대수(1/0) → 논리 게이트(전압 있음/없음) → 컴퓨터로 이어지는 같은 사고 전통에서 나왔기 때문입니다.

용어

Human과 Machine의 교차점입니다. 자연어로 말하면 기계가 실행하는 것이 AI가 넓힌 그 교차점입니다.

용어

관계 기반은 '무엇과 이어지는가', 분류 기반은 '무엇에 속하는가'를 묻습니다. 소프트웨어 개념은 대부분 서구의 분류 기반 사고에서 나왔습니다.

용어

쿠키 틀로 쿠키를 백 개 찍어도 틀은 그대로인 것처럼, 원본 클래스는 절대 변하지 않기 때문입니다.

용어

패키지는 가져다 쓰는 코드 부품이고, 의존성은 내 프로젝트가 꼭 기대고 있는 부품 목록입니다.

용어

OS 전체를 통째로 격리하는 격리 기법입니다.

용어

약한 AI는 정해진 한 가지 일만 하는 AI로 지금 존재하는 AI 전부가 여기 속하고, 강한 AI는 사람처럼 아무 일이나 하는 AI로 아직 가설로만 존재합니다.

용어

특징은 판단의 근거가 되는 입력 속성(나이·성별 등)이고, 라벨은 맞혀야 하는 정답 값입니다.

종합

포함 관계(상위 범주 ↔ 하위 범주), 위치(로컬 ↔ 원격), 적용 범위(전역 ↔ 격리), 값의 종류(0 ↔ 1), 추상 ↔ 구상 다섯 가지입니다. 이 교재 전체의 출발점이 되는 축들입니다.