AI

인공지능 개요Artificial Intelligence Overview

기호주의 AI · 머신러닝 · 딥러닝으로 이어진 인공지능 접근 방식의 흐름을, 지식이 들어오는 길(사람이 적는 규칙 · 데이터로 맞추는 파라미터 · 데이터에서 배우는 표현)과 모델 구조로 견주어 보는 AI 기초다.

1요약

  1. 인공지능 개요는 1955년 다트머스 제안서가 이름 붙인 인공지능의 세 접근 — 규칙을 적는 기호주의 AI, 데이터로 파라미터를 맞추는 머신러닝, 표현까지 배우는 딥러닝 — 을 한 지도로 묶고, 그 위에서 생성형 AI · 산업 AI 응용이 돈다.
  2. 접근마다 사람이 맡는 몫이 달라 고르는 기준도 다르다 — 같은 합성 과제에서 사람이 적은 규칙은 표본 0개로 0.929, 사람이 고른 특징의 회귀는 20개로 0.952, 좌표만 받는 신경망은 1,000개가 있어야 0.958 이다.
  3. 「AI 가 안 된다」는 지식이 어디서 끊겼는가로 가른다 — 규칙이 현실을 못 덮는가(기호주의), 특징이 답을 담지 못하는가(머신러닝), 표현을 배울 데이터가 모자라는가(딥러닝)다.

2등장 배경

1955년 8월 다트머스 여름 연구 제안서는 1956년 여름 두 달 동안 연구자 10명이 «인공지능»을 함께 연구하자고 제안하며 이 분야에 이름을 붙였다(McCarthy 1955). 초기 연구는 지식을 기호와 규칙으로 적는 쪽이었고, 1977년 Feigenbaum 은 전문가 지식을 규칙으로 옮기는 지식 공학을 정리했다(Feigenbaum 1977).

규칙을 사람이 다 적는 일은 한계에 부딪혔다. 지식 베이스 Cyc(Lenat · Guha 1989)는 사람이 문장을 직접 넣었지만 면도기를 든 사람을 «전기 부품이 있는 개체»로 추론하는 식의 실패를 보였다(Goodfellow 2016 1장). 그 대안이 1959년 Samuel 이 이름 붙인 머신러닝(Samuel 1959)과 1986년 역전파로 은닉 계층을 학습한 신경망(Rumelhart 1986)이다.

2012년 파라미터 6천만 개의 합성곱 신경망이 ImageNet 2010 시험 데이터에서 top-5 오류 18.9% 를 내며(Krizhevsky 2012) 딥러닝이 중심이 됐다. 지금은 세 접근이 포함 관계로 정리된다 — 딥러닝은 표현 학습의 한 종류, 표현 학습은 머신러닝의 한 종류, 머신러닝은 AI 접근의 하나다(Goodfellow 2016 그림 1.4).

3쉽게 이해하기 — 과일 선별장의 세 사람

과일 선별장에서 상한 사과를 골라낸다. 30년 차 반장은 «무르고 갈색 점이 두 개 넘으면 불량»이라는 기준표를 써 붙인다. 직원 민호는 반장이 정해 준 무게 · 점 개수 두 항목만 재고, 지난 판정 장부를 보며 기준선을 조금씩 옮긴다. 신입 하늘은 아무 항목도 받지 않고 사과 사진 수천 장과 판정 결과만으로 무엇을 볼지부터 익힌다.

과일 선별장 같은 일 · 다른 방식 세 가지 반장 30년 경험 도메인 전문가 기준표 무르고 점 2개 넘으면 규칙 · 기호주의 AI 민호의 저울 무게 · 점 개수만 사람이 고른 특징 판정 장부 기준선을 조금씩 옮김 파라미터 · 머신러닝 사진 수천 장 항목 없이 판정만 원자료 · 데이터 신입 하늘 볼 곳부터 익힘 표현 학습 · 딥러닝 판정 바구니 정상 · 불량 출력 · 판정 1 2 3 사람이 정하는 몫 1 기준 전부 2 볼 항목만 3 판정 결과만

그림 1 · 반장은 기준을 적고, 민호는 정해진 항목으로 기준선만 맞추고, 하늘은 볼 곳까지 사진에서 익힌다 — 사람이 정하는 몫이 위에서 아래로 줄어든다.

기준표 쓰기반장이 경험을 적음
항목 재기무게 · 점 개수
장부로 맞추기기준선을 옮김
사진 보기판정 결과만 받음
볼 곳 익히기무른 곳 · 점 모양
바구니 판정정상 · 불량
비유 실제 반장이 항목을 건넴 무게 · 점 개수 민호: 기준선만 볼 항목 = 사람이 정함 사진 + 판정만 받음 하늘: 무른 곳 · 점 모양 볼 항목 = 스스로 만듦 고전 머신러닝 특징 r² 회귀 · 파라미터 2 r² = x1² + x2² 를 사람이 만듦 딥러닝 좌표 x1 · x2 은닉 2계층 · 337 특징도 은닉 계층이 데이터로 만듦

그림 2 · 민호와 하늘의 차이는 «무엇을 볼지»를 누가 정하는가 하나다 — 민호는 받은 항목을 쓰고, 하늘은 사진에서 항목을 만든다.

비유 속 역할실제 이름실제로 하는 일
반장도메인 전문가판단 지식을 규칙이나 특징의 형태로 내놓는다
기준표규칙 · 기호주의 AIIF 조건 THEN 판정을 사람이 적고 엔진이 적용한다
무게 · 점 개수특징원자료를 사람이 고른 숫자 몇 개로 바꾼다
판정 장부학습 데이터 + 레이블파라미터를 맞추는 근거가 된다
기준선 옮기기머신러닝의 파라미터 학습오차가 줄어드는 쪽으로 계수를 고친다
볼 곳 익히기딥러닝의 표현 학습은닉 계층이 원자료에서 특징을 만든다
사진 수천 장대량 원자료표현까지 배우려면 표본이 더 많이 든다
판정 바구니출력 · 평가정상 · 불량 판정과 그 정확도

⚠ 비유가 맞지 않는 곳: 실제 현장은 셋 중 하나만 고르지 않는다 — 신경망 출력에 규칙 검사를 붙이거나 규칙으로 특징을 만들어 회귀에 넣는 식으로 섞어 쓴다. 또 하늘이 «무엇을 보는지»는 숫자로만 남아 사람이 바로 읽지 못한다.

4구조 — 세 접근과 아래 토픽의 지도

세 접근은 시대 순서이자 포함 관계다. 머신러닝 안에 딥러닝이 들어 있고, 기호주의 AI 는 학습 없이 규칙을 적는 별도 분야다(Goodfellow 2016 그림 1.4).

인공지능(AI 기초) 기호주의 AI Production Rule 전문가 시스템 퍼지 이론 지식 = 사람이 적는 규칙 학습 표본 없음 머신러닝 학습 방식 모델 평가 알고리즘 지식 = 데이터로 맞추는 파라미터 딥러닝 신경망 기본 모델 구조 표현 학습 지식 = 데이터에서 배우는 표현 생성형 AI(딥러닝 위) 산업 AI 응용(세 접근 모두 씀)

그림 3 · 딥러닝은 머신러닝 안에, 머신러닝은 인공지능 안에 있고, 기호주의 AI 는 학습하지 않는 쪽에 따로 선다 — 상자마다 맡는 토픽이 정해져 있다.

접근푸는 문제지식이 들어오는 길사람이 정하는 것대표 아래 토픽
기호주의 AI명문화된 판단을 근거와 함께 냄전문가 → 규칙규칙 전부Production Rule · 전문가 시스템 · 퍼지 이론
머신러닝표 형태 데이터로 예측 · 군집레이블 붙은 표본특징 · 모델 종류 · 하이퍼파라미터지도 · 비지도 · 강화 학습 · 결정 트리 · SVM
딥러닝이미지 · 음성 · 문장 같은 원자료대량 원자료망 구조 · 손실 함수퍼셉트론 · 합성곱 신경망 · 트랜스포머

🔑 세 접근은 «사람이 무엇까지 적어 주는가»로 나뉜다 — 기호주의 AI 는 규칙까지, 고전 머신러닝은 특징까지, 딥러닝은 망 구조와 정답까지만 사람이 정한다.

5동작 — 같은 과제를 세 접근으로 푸는 사례

2차원 합성 데이터로 직접 실행한 결과다(합성 데이터 · default_rng(0) · NumPy default_rng 문서). 시험 점 2,000개는 모든 접근에 같게 쓴다.

  1. 데이터 — 정사각형 [−2, 2]² 에 점을 고르게 뿌리고, 중심 거리에 잡음(표준 편차 0.1)을 더한 값이 1.2 미만이면 「안쪽」(1)로 둔다 — 시험 점 2,000개 중 안쪽 577개(28.9%).
  2. 기호주의 — 사람이 «|x1| < 1 이고 |x2| < 1 이면 안쪽» 규칙 하나를 적는다. 학습 표본 0개로 정확도 0.929 이고, 원 경계를 정사각형으로 적은 만큼 틀린다.
  3. 머신러닝(좌표 그대로) — 로지스틱 회귀를 x1 · x2 로 학습하면 직선 경계만 그을 수 있어 표본 50개 이상에서 0.712, 곧 모두 「바깥」이라 답한 비율에 머문다.
  4. 머신러닝(사람이 고른 특징) — 특징 r² = x1² + x2² 하나를 주면 표본 20개로 0.952 이고, 표본 200개로 학습한 경계 반지름은 1.21(실제 1.2)이다.
  5. 딥러닝 — 좌표를 그대로 받는 은닉 2계층(16 · 16 단위 · 파라미터 337개) 신경망은 표본 20개에서 학습 정확도 1.000 · 시험 0.732 로 외우기만 한다.
  6. 같은 신경망이 표본 200개에서 0.944, 1,000개에서 0.958 로 특징 회귀(0.961)에 닿는다 — 시드 0 ~ 4 로 다시 돌리면 20개 구간은 0.611 ~ 0.901 로 흔들리고 1,000개 구간은 0.953 ~ 0.961 로 모인다.
사람이 정함 데이터로 맞춤 시험 정확도 2 기호주의 3 회귀(좌표) 4 회귀(특징) 5 · 6 딥러닝 x1 · x2 x1 · x2 x1 · x2 x1 · x2 규칙 |x1| < 1 · |x2| < 1 (표본 0) 직선 경계 회귀 · 파라미터 3 특징 r² 회귀 · 파라미터 2 은닉 2계층 · 파라미터 337 0.929 0.712 0.952 (표본 20) 0.958 (표본 1,000) 번호 = 사례 단계 · 시험 점 2,000개 · 안쪽 28.9% · 0.712 = 모두 「바깥」이라 답한 비율

그림 4 · 같은 2,000점 시험에서 사람이 많이 적어 줄수록 적은 데이터로 끝나고, 적게 적어 줄수록 데이터가 그 몫을 대신한다.

학습 표본 수와 시험 정확도 0.70 0.80 0.90 1.00 20 50 200 1,000 학습 표본 수(눈금 = 같은 간격) 0.732 0.893 0.944 0.961 · 0.958 규칙 0.929 특징 회귀 0.952 특징 회귀(사람이 r² 줌) 신경망(좌표 그대로) 규칙(표본 쓰지 않음) 좌표 회귀 0.712(20개 = 0.461)

그림 5 · 학습 표본이 늘수록 신경망만 크게 오른다 — 사람이 적어 준 지식이 없는 몫을 데이터가 채우는 모습이다.

🔑 데이터와 사람의 지식은 서로를 대신한다 — 사람이 경계 모양(r²)을 알면 표본 20개로 끝나고, 모르면 신경망이 표본 1,000개로 그 모양을 스스로 찾는다.

6비교 — 관련 기술과의 경계

분야맡는 일경계넘기는 곳
인공지능 개요(AI 기초)규칙 · 학습 · 표현 학습의 원리와 모델 구조모델을 «어떻게 배우나»까지만든 모델의 배포 · 운영 → AI 엔지니어링
생성형 AILLM · 에이전트 · 이미지 생성딥러닝 위에서 내용을 «만드는» 모델학습 원리(역전파 · 트랜스포머 구조) → 인공지능 개요
AI 엔지니어링(AI 시스템 운영)데이터 준비 · MLOps · 경량화 · 추론 하드웨어모델을 서비스로 «돌리는» 일성능 지표의 정의 · 과적합 원리 → 인공지능 개요
신뢰할 수 있는 AI법 · 규제 · 공정성 · 설명 가능성 · 안전모델이 «믿을 만한가»의 판단판단 근거가 읽히는 모델 구조(규칙 · 트리) → 인공지능 개요
산업 AI 응용이상 탐지 · 예지 보전 · 비전 검사 · 공정 최적화현장 문제에 «맞춰 쓰는» 일방법의 원리 · 고르는 기준 → 인공지능 개요

분석질문이 «이 방법은 왜 되는가 · 무엇을 고를까»면 인공지능 개요에서, «어떻게 돌리고 고치나»면 AI 엔지니어링에서, «써도 되나»면 신뢰할 수 있는 AI 에서 답을 찾는다. 근거는 표의 「경계」 열 — 다른 넷은 모두 인공지능 개요의 학습 원리를 받아 쓰고, 사례의 0.712 처럼 방법 선택이 틀리면 운영 · 응용 단계에서는 고칠 수 없다.

7실무 진단 — 접근 방식 선택의 단계 가르기

분석성능이 안 나오면 모델을 바꾸기 전에 «지식이 어디서 들어와야 하는가»를 먼저 묻는다 — 규칙 · 특징 · 데이터 순으로 본다. 사례 3 · 4단계처럼 같은 회귀도 특징 하나로 0.712 에서 0.952 로 바뀌므로, 접근을 바꾸는 판단은 특징을 확인한 뒤에 한다.

#증상의심 원인단계확인 자료판정 기준(근거)
1규칙을 고칠수록 예외 규칙이 늘고 새 예외가 계속 나옴규칙이 현실 경계를 덮지 못함(지식 획득 한계)기호주의오답 표본과 발화 규칙 대조오답이 특정 규칙 경계에 몰리면 경계 모양 문제(사례 2단계 · 정사각형) → 학습 접근 검토(Goodfellow 2016 1장 Cyc)
2학습 · 시험 정확도가 함께 다수 클래스 비율에 머묾특징이 답을 담지 못함머신러닝다수 클래스 비율과 정확도 비교같으면 모델이 한쪽만 답함(사례 0.712 = 71.1%) → 특징 추가 또는 딥러닝
3학습 1.000 · 시험이 크게 낮음표본에 비해 파라미터가 많음딥러닝표본 수를 늘린 학습 곡선표본을 늘려 차이가 줄면 데이터 부족(사례 20개 0.732 → 1,000개 0.958)
4정확도는 높지만 판정 근거를 조항으로 보여야 함신경망 파라미터는 사람이 읽지 못함선택규제 · 감사 요구 문서근거 제시가 필수면 규칙 · 트리 쪽을 먼저 검토 → 신뢰할 수 있는 AI

딥러닝 학습 표본의 경험칙으로 Goodfellow 2016 1장은 «범주당 레이블 약 5,000개에서 쓸 만한 성능»을 든다 — 표본이 그보다 크게 적으면 3행부터 의심한다.

8시험 대비

출제 정보 정보관리(140회, 139회, 138회, 137회, 136회, 135회, 133회, 131회, 130회, 129회, 128회, 127회, 126회, 125회, 124회, 117회, 114회, 111회, 110회, 108회, 98회, 86회, 77회, 72회, 68회) · 컴퓨터시스템응용(140회, 137회, 135회, 132회, 129회, 128회, 126회, 122회, 120회, 119회, 117회, 113회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 인공지능의 정의와 접근 방식(기호주의 · 머신러닝 · 딥러닝)의 포함 관계를 쓰는 정의 · 특징형, 그리고 규칙 기반에서 딥러닝 · 생성형 AI 로 옮겨 온 흐름과 그 이유를 묻는 동향 · 발전형이 나올 수 있다. 두 형태 모두 «사람이 무엇을 적어 주는가» 한 축으로 세 접근을 가르면 답안이 나열을 넘는다.

답안 목차
  1. 개요 — 인공지능 정의(McCarthy 1955 다트머스 제안) · 세 접근의 포함 관계
  2. 하위 토픽 지도 — 그림 3 포함 관계 + 접근 표(지식이 들어오는 길 · 사람이 정하는 것)
  3. 접근별 원리 — 규칙 · 추론 / 특징 + 파라미터 / 은닉 계층의 표현 학습
  4. 같은 과제 비교 — 그림 4 사례 흐름(규칙 0.929 · 좌표 회귀 0.712 · 특징 회귀 0.952 · 신경망 0.958) · 그림 5 표본 수 곡선
  5. 발전 흐름 — 지식 공학(Feigenbaum 1977) → 머신러닝(Samuel 1959) · 역전파(Rumelhart 1986) → 딥러닝(Krizhevsky 2012) → 생성형 AI
  6. 선택 기준 · 한계 — 관련 기술 경계표 · 데이터 양 · 설명 요구 · 혼합 사용

꼭 쓸 키워드
기호주의물리 기호 시스템지식 공학특징표현 학습파라미터은닉 계층역전파레이블 데이터혼합 접근

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 같은 과제에서 표본 수에 따른 세 접근의 정확도를 숫자로 보이는 것이다 — 「딥러닝은 데이터가 많이 필요하다」 한 줄 대신 20개 0.732 와 1,000개 0.958 을 나란히 둔다.

9오해와 사실

  • 오해딥러닝이 나오면서 기호주의 AI 와 고전 머신러닝은 쓸모가 없어졌다.
    사실사례에서 사람이 고른 특징 하나를 쓴 회귀는 표본 20개로 0.952 를 냈고, 같은 표본의 신경망은 0.732 였다 — 데이터가 적고 지식이 있으면 앞의 두 접근이 낫다.
  • 오해AI 와 머신러닝은 같은 말이다.
    사실머신러닝은 AI 접근의 하나이고, 지식 베이스처럼 학습하지 않는 AI 도 있다(Goodfellow 2016 그림 1.4).
  • 오해신경망은 파라미터가 많을수록 언제나 정확하다.
    사실파라미터 337개 신경망은 표본 20개에서 학습 1.000 · 시험 0.732 로 외우기만 했다 — 파라미터에 맞는 표본 수가 함께 있어야 한다.

10핵심 정리

구분사람이 정함데이터가 정함필요한 표본(사례)판단 근거 읽기흔한 실패
기호주의 AI규칙 전부없음0개 · 0.929규칙 그대로 읽힘규칙이 현실 경계를 못 덮음
고전 머신러닝특징 · 모델 종류계수 몇 개20개 · 0.952(특징 있음)계수 · 분기로 일부특징이 답을 못 담음(0.712)
딥러닝망 구조 · 손실특징 + 가중치1,000개 · 0.958따로 설명 기법 필요표본 부족 · 외우기
생성형 AI학습 목표 · 지시대규모 사전 학습대규모 말뭉치출력 검증 필요환각
혼합 접근규칙 검사 · 특징 일부나머지접근마다 다름규칙 쪽은 읽힘경계 설계 누락
잘못된 선택——데이터 양과 접근이 어긋남—운영 단계에서 못 고침

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Deep Learning (Ian Goodfellow · Yoshua Bengio · Aaron Courville) 1 Introduction — 규칙 기반 · 고전 머신러닝 · 표현 학습 · 딥러닝의 포함 관계(그림 1.4)와 흐름도(그림 1.5)를 볼 때
    MIT Press · 2016-11 · www.deeplearningbook.org/contents/intro.html · 확인 2026-11-13
  3. ★ A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence (http 전용 jmc.stanford.edu/articles/dartmouth/dartmouth.pdf) — 「인공지능」이라는 이름과 출발점의 추측을 원문으로 볼 때
    Stanford University (John McCarthy 보관본) · 1955-08 · 확인 2026-11-13
  4. ★ ImageNet Classification with Deep Convolutional Neural Networks (NIPS 2012) — 딥러닝 전환점이 된 모델의 규모(파라미터 6천만 개)를 볼 때
    NeurIPS · 2012-12 · papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html · 확인 2026-11-13
  5. 본문 근거
  6. The Art of Artificial Intelligence: I. Themes and case studies of knowledge engineering (IJCAI-77 Proceedings) — IJCAI · 1977-08 · www.ijcai.org/Proceedings/77-2/Papers/092.pdf · 확인 2026-11-13
  7. Some Studies in Machine Learning Using the Game of Checkers (IBM Journal of Research and Development 3(3) 210-229) — IBM · 1959-07 · doi.org/10.1147/rd.33.0210 · 확인 2026-11-13
  8. Learning representations by back-propagating errors (Nature 323 533-536) — Nature · 1986-10 · www.nature.com/articles/323533a0 · 확인 2026-11-13
  9. NumPy v2.5 Manual - numpy.random.default_rng — NumPy Developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-13