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
- 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.
- 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.
- 「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.
그림 1 · 반장은 기준을 적고, 민호는 정해진 항목으로 기준선만 맞추고, 하늘은 볼 곳까지 사진에서 익힌다 — 사람이 정하는 몫이 위에서 아래로 줄어든다.
그림 2 · 민호와 하늘의 차이는 «무엇을 볼지»를 누가 정하는가 하나다 — 민호는 받은 항목을 쓰고, 하늘은 사진에서 항목을 만든다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 반장 | 도메인 전문가 | 판단 지식을 규칙이나 특징의 형태로 내놓는다 |
| 기준표 | 규칙 · 기호주의 AI | IF 조건 THEN 판정을 사람이 적고 엔진이 적용한다 |
| 무게 · 점 개수 | 특징 | 원자료를 사람이 고른 숫자 몇 개로 바꾼다 |
| 판정 장부 | 학습 데이터 + 레이블 | 파라미터를 맞추는 근거가 된다 |
| 기준선 옮기기 | 머신러닝의 파라미터 학습 | 오차가 줄어드는 쪽으로 계수를 고친다 |
| 볼 곳 익히기 | 딥러닝의 표현 학습 | 은닉 계층이 원자료에서 특징을 만든다 |
| 사진 수천 장 | 대량 원자료 | 표현까지 배우려면 표본이 더 많이 든다 |
| 판정 바구니 | 출력 · 평가 | 정상 · 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).
그림 3 · 딥러닝은 머신러닝 안에, 머신러닝은 인공지능 안에 있고, 기호주의 AI 는 학습하지 않는 쪽에 따로 선다 — 상자마다 맡는 토픽이 정해져 있다.
| 접근 | 푸는 문제 | 지식이 들어오는 길 | 사람이 정하는 것 | 대표 아래 토픽 |
|---|---|---|---|---|
| 기호주의 AI | 명문화된 판단을 근거와 함께 냄 | 전문가 → 규칙 | 규칙 전부 | Production Rule · 전문가 시스템 · 퍼지 이론 |
| 머신러닝 | 표 형태 데이터로 예측 · 군집 | 레이블 붙은 표본 | 특징 · 모델 종류 · 하이퍼파라미터 | 지도 · 비지도 · 강화 학습 · 결정 트리 · SVM |
| 딥러닝 | 이미지 · 음성 · 문장 같은 원자료 | 대량 원자료 | 망 구조 · 손실 함수 | 퍼셉트론 · 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.
- 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%).
- 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.
- 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.
- 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.
- 딥러닝 — 좌표를 그대로 받는 은닉 2계층(16 · 16 단위 · 파라미터 337개) 신경망은 표본 20개에서 학습 정확도 1.000 · 시험 0.732 로 외우기만 한다.
- 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.
그림 4 · 같은 2,000점 시험에서 사람이 많이 적어 줄수록 적은 데이터로 끝나고, 적게 적어 줄수록 데이터가 그 몫을 대신한다.
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
| 분야 | 맡는 일 | 경계 | 넘기는 곳 |
|---|---|---|---|
| 인공지능 개요(AI 기초) | 규칙 · 학습 · 표현 학습의 원리와 모델 구조 | 모델을 «어떻게 배우나»까지 | 만든 모델의 배포 · 운영 → AI 엔지니어링 |
| 생성형 AI | LLM · 에이전트 · 이미지 생성 | 딥러닝 위에서 내용을 «만드는» 모델 | 학습 원리(역전파 · 트랜스포머 구조) → 인공지능 개요 |
| AI 엔지니어링(AI 시스템 운영) | 데이터 준비 · MLOps · 경량화 · 추론 하드웨어 | 모델을 서비스로 «돌리는» 일 | 성능 지표의 정의 · 과적합 원리 → 인공지능 개요 |
| 신뢰할 수 있는 AI | 법 · 규제 · 공정성 · 설명 가능성 · 안전 | 모델이 «믿을 만한가»의 판단 | 판단 근거가 읽히는 모델 구조(규칙 · 트리) → 인공지능 개요 |
| 산업 AI 응용 | 이상 탐지 · 예지 보전 · 비전 검사 · 공정 최적화 | 현장 문제에 «맞춰 쓰는» 일 | 방법의 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.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 규칙을 고칠수록 예외 규칙이 늘고 새 예외가 계속 나옴 | 규칙이 현실 경계를 덮지 못함(지식 획득 한계) | 기호주의 | 오답 표본과 발화 규칙 대조 | 오답이 특정 규칙 경계에 몰리면 경계 모양 문제(사례 2단계 · 정사각형) → 학습 접근 검토(Goodfellow 2016 1장 Cyc) |
| 2 | 학습 · 시험 정확도가 함께 다수 클래스 비율에 머묾 | 특징이 답을 담지 못함 | 머신러닝 | 다수 클래스 비율과 정확도 비교 | 같으면 모델이 한쪽만 답함(사례 0.712 = 71.1%) → 특징 추가 또는 딥러닝 |
| 3 | 학습 1.000 · 시험이 크게 낮음 | 표본에 비해 파라미터가 많음 | 딥러닝 | 표본 수를 늘린 학습 곡선 | 표본을 늘려 차이가 줄면 데이터 부족(사례 20개 0.732 → 1,000개 0.958) |
| 4 | 정확도는 높지만 판정 근거를 조항으로 보여야 함 | 신경망 파라미터는 사람이 읽지 못함 | 선택 | 규제 · 감사 요구 문서 | 근거 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
www.q-net.or.kr시험에서는 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.
- 개요 — 인공지능 정의(McCarthy 1955 다트머스 제안) · 세 접근의 포함 관계
- 하위 토픽 지도 — 그림 3 포함 관계 + 접근 표(지식이 들어오는 길 · 사람이 정하는 것)
- 접근별 원리 — 규칙 · 추론 / 특징 + 파라미터 / 은닉 계층의 표현 학습
- 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
- 발전 흐름 — 지식 공학(Feigenbaum 1977) → 머신러닝(Samuel 1959) · 역전파(Rumelhart 1986) → 딥러닝(Krizhevsky 2012) → 생성형 AI
- 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
| 구분 | 사람이 정함 | 데이터가 정함 | 필요한 표본(사례) | 판단 근거 읽기 | 흔한 실패 |
|---|---|---|---|---|---|
| 기호주의 AI | 규칙 전부 | 없음 | 0개 · 0.929 | 규칙 그대로 읽힘 | 규칙이 현실 경계를 못 덮음 |
| 고전 머신러닝 | 특징 · 모델 종류 | 계수 몇 개 | 20개 · 0.952(특징 있음) | 계수 · 분기로 일부 | 특징이 답을 못 담음(0.712) |
| 딥러닝 | 망 구조 · 손실 | 특징 + 가중치 | 1,000개 · 0.958 | 따로 설명 기법 필요 | 표본 부족 · 외우기 |
| 생성형 AI | 학습 목표 · 지시 | 대규모 사전 학습 | 대규모 말뭉치 | 출력 검증 필요 | 환각 |
| 혼합 접근 | 규칙 검사 · 특징 일부 | 나머지 | 접근마다 다름 | 규칙 쪽은 읽힘 | 경계 설계 누락 |
| 잘못된 선택 | — | — | 데이터 양과 접근이 어긋남 | — | 운영 단계에서 못 고침 |
11참고 문헌
- 먼저 볼 문헌
- ★ 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
- ★ 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
- ★ ImageNet Classification with Deep Convolutional Neural Networks (NIPS 2012) — 딥러닝 전환점이 된 모델의 규모(파라미터 6천만 개)를 볼 때
- 본문 근거
- 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 - 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 - Learning representations by back-propagating errors (Nature 323 533-536) — Nature · 1986-10 ·
www.nature.com/articles/323533a0· 확인 2026-11-13 - NumPy v2.5 Manual - numpy.random.default_rng — NumPy Developers · 2026-11 ·
numpy.org/doc/stable/reference/random/generator.html· 확인 2026-11-13