방송대 유비쿼터스컴퓨팅개론 15강: 학습 방식과 인공지능의 미래
물류센터의 인공지능이 새 상자의 종류를 맞히고, 비슷한 상자를 묶고, 배송 시간을 예측하고, 로봇의 이동 경로까지 고른다고 가정해 보자. 겉으로는 모두 인공지능이 내놓은 결과지만 학습할 때 받은 신호는 서로 다르다. 이 글은 인공지능·머신러닝·딥러닝의 관계를 먼저 세우고, 정답표·데이터 구조·보상 가운데 어떤 신호가 있는지에 따라 학습 방식을 선택한 뒤 기술의 가능성과 한계를 판단한다.
같은 물류센터라도 네 가지 학습 문제가 숨어 있다
학습을 위해 가상의 물류 자동화 서비스를 구성하자. 첫 번째 업무는 과거 사진에 붙은 취급주의·냉장·일반이라는 정답을 보고 새 상자의 종류를 고르는 일이다. 두 번째는 정답이 없는 주문 기록에서 서로 비슷한 이용 패턴을 찾는 일이다. 세 번째는 무게와 거리 같은 조건으로 배송 시간을 수치로 예측하는 일이다. 네 번째는 로봇이 여러 이동을 시도하고 빠르고 안전한 이동에 보상을 받으며 경로 선택 규칙을 다듬는 일이다.
네 업무의 차이는 장치나 데이터의 겉모양보다 학습 중 무엇을 피드백으로 받는가에 있다. 정답표가 있으면 지도학습, 정답표 없이 데이터 내부 구조를 찾으면 비지도학습, 일부에만 정답이 있으면 준지도학습, 행동 결과의 보상을 누적하며 선택 규칙을 배우면 강화학습이다. 지도학습 안에서도 출력이 정해진 범주이면 분류, 연속적인 수치이면 회귀다.
이 강의의 중심 질문: “인공지능인가?”에서 멈추지 말고, 목표 출력은 무엇이며 학습자는 어떤 신호를 받을 수 있는지 묻는다. 이 두 질문이 학습 방법을 구분하는 가장 빠른 기준이다.
인공지능·머신러닝·딥러닝은 포함 관계다
인공지능은 기계가 인간처럼 사고하고 행동하는 능력을 구현하려는 넓은 분야다. 정보기술 관점에서는 주어진 문제를 해결할 수 있는 시스템을 만드는 방법 전체를 가리킨다. 컴퓨터과학뿐 아니라 통계학·수학·철학·심리학·윤리학 같은 여러 분야가 문제 정의와 판단 기준에 관여한다.
머신러닝은 인공지능을 구현하는 한 방법으로, 사람이 모든 경우의 규칙을 프로그램에 직접 적는 대신 컴퓨터가 데이터에서 규칙을 학습하게 한다. 딥러닝은 다시 머신러닝에 포함되며, 여러 은닉층을 둔 심층 인공신경망을 이용하는 학습 방식이다. 따라서 세 용어는 같은 이름이 아니다.
| 범위 | 핵심 질문 | 다음 범위와의 관계 |
|---|---|---|
| 인공지능 | 기계가 지능적인 문제 해결 행동을 하게 할 수 있는가? | 머신러닝을 포함하지만 모든 인공지능이 머신러닝인 것은 아니다 |
| 머신러닝 | 데이터에서 문제 해결 규칙을 학습할 수 있는가? | 인공지능의 한 구현 방법이며 딥러닝을 포함한다 |
| 딥러닝 | 여러 층의 인공신경망으로 특징과 규칙을 학습할 수 있는가? | 머신러닝의 한 방식이다 |
강의자료는 인공지능을 적용 범위에 따라 약한 인공지능과 강한 인공지능으로도 구분한다. 약한 인공지능은 스팸 판별이나 바둑처럼 제한되고 구체적인 과제를 해결한다. 강한 인공지능은 인간 수준의 폭넓은 지능 자체를 구현하는 미래의 공학적·학문적 가능성으로 제시된다. 특정 과제에서 사람보다 좋은 결과를 냈다고 해서 곧바로 강한 인공지능이 되는 것은 아니다.
오개념 교정: “딥러닝을 쓰면 곧 강한 인공지능이다”라는 판단은 틀리다. 딥러닝은 학습 방법을 가리키고, 약한·강한 인공지능은 해결 능력의 범위에 관한 구분이므로 기준 자체가 다르다.
인공신경망은 가중된 신호를 층 사이로 전달한다
인공신경망은 인간 신경망의 구조에서 착안한 계산 모델이다. 입력층은 분석할 정보를 받고, 하나 이상의 은닉층은 받은 신호를 변환하며, 출력층은 최종 결과를 낸다. 각 입력은 연결마다 주어진 가중치와 결합되고 계산 결과가 다음 층으로 전달된다. 학습은 예측과 기대 결과의 차이를 줄이는 방향으로 이 가중치를 조정하는 과정으로 이해할 수 있다.
| 구성 | 역할 | 물류 사진 판별에 대입한 예 |
|---|---|---|
| 입력층 | 외부 정보를 모델 안으로 받는다 | 상자 사진의 픽셀이나 추출된 특징을 받는다 |
| 은닉층 | 가중된 신호를 여러 단계로 변환한다 | 모서리·표식·포장 형태 같은 패턴을 조합한다 |
| 출력층 | 문제에 맞는 최종 예측을 낸다 | 취급주의·냉장·일반 가운데 하나의 결과를 낸다 |
| 가중치 조정 | 예측 오차가 줄도록 연결의 영향력을 바꾼다 | 틀린 판별의 원인이 된 신호의 비중을 다시 조정한다 |
은닉층이 여러 개인 심층 신경망을 학습에 사용하는 것이 딥러닝이다. 층의 수가 많다는 사실만 외우기보다, 입력이 여러 단계의 표현으로 바뀌어 출력에 도달한다는 흐름을 잡아야 한다. 다만 가중치와 층이 많아질수록 어떤 내부 판단이 결과를 만들었는지 사람이 곧바로 설명하기 어려운 블랙박스 문제도 커질 수 있다.
역사의 전환점은 아이디어·계산력·데이터의 결합이었다
강의자료의 연표는 인공지능의 발전을 한 번의 발명으로 설명하지 않는다. 초기에는 인간의 신경망과 지능을 논리적으로 모델링하려는 생각이 있었지만, 이를 실행할 컴퓨터 성능과 학습 데이터가 충분하지 않았다. 이후 전문가의 지식을 규칙으로 담는 전문가 시스템과 다층 신경망을 학습시키는 오차역전파 같은 방법이 등장했다. 그러나 정해 둔 전문 영역 밖의 문제를 다루기 어렵다는 한계와 계산력 부족은 연구 침체로 이어졌다.
| 강의자료의 시기 | 전환점 | 학습할 의미 |
|---|---|---|
| 1940년대-1950년대 | 신경망의 논리 모델, 튜링 테스트, 1956년 인공지능 용어의 등장 | 지능을 기계적으로 다룰 문제와 평가 질문이 형성되었다 |
| 1980년대 | 전문가 시스템의 확산과 다층 신경망 학습 방법의 발전 | 지식 규칙과 데이터 학습이라는 서로 다른 구현 경로가 시도되었다 |
| 1990년대-2000년대 | 체스 시스템의 성과와 심층 신경망 학습의 재부상 | 계산 성능과 학습 알고리즘이 실제 문제 해결 범위를 넓혔다 |
| 2010년대 | 대규모 영상 학습과 바둑 인공지능의 성과 | 많은 데이터·고성능 컴퓨팅·학습 기술의 결합이 활용 가능성을 드러냈다 |
핵심 인과관계는 단순하다. 좋은 아이디어만 있어도 계산할 수 없으면 학습이 진행되지 않고, 빠른 컴퓨터만 있어도 학습할 데이터와 알고리즘이 없으면 규칙을 만들기 어렵다. 오늘날의 성과는 알고리즘, 데이터, 컴퓨팅 자원이 함께 성숙한 결과다.
전통적 프로그램과 머신러닝은 규칙을 얻는 경로가 다르다
전통적인 프로그램에서는 사람이 데이터에 적용할 규칙을 프로그램으로 작성한다. 컴퓨터는 데이터와 프로그램을 받아 출력을 만든다. 머신러닝에서는 학습 단계에 데이터와 기대 출력 또는 다른 피드백을 제공하고, 컴퓨터가 그 관계에서 모델이라는 규칙을 만든다. 완성된 모델은 새 입력을 받아 예측을 낸다.
| 방식 | 규칙을 만드는 주체와 재료 | 실행 흐름 |
|---|---|---|
| 전통적 프로그램 | 사람이 문제 해결 규칙을 명시적으로 작성한다 | 데이터 + 프로그램 -> 컴퓨터 -> 출력 |
| 머신러닝 학습 | 컴퓨터가 데이터와 피드백에서 모델을 학습한다 | 데이터 + 학습 신호 -> 학습 알고리즘 -> 모델 |
| 머신러닝 활용 | 학습으로 얻은 모델을 새 데이터에 적용한다 | 새 데이터 + 모델 -> 예측 |
예를 들어 스팸 메일의 모든 표현을 사람이 조건문으로 나열하기는 어렵다. 사용자가 정상·스팸으로 표시한 메일을 학습 데이터로 주면 알고리즘은 두 범주를 가르는 모델을 만들 수 있다. 여기서 모델은 원래부터 주어진 정답표가 아니라 학습 과정이 데이터에서 얻은 계산 규칙이다.
지도학습은 정답표를 보고 입력과 출력을 연결한다
지도학습의 훈련 데이터는 입력 x와 정답 출력 y의 쌍으로 구성된다. 알고리즘은 입력으로 예측을 만들고, 예측값을 정답과 비교하며, 차이를 줄이도록 모델을 조정한다. 충분히 학습한 모델은 훈련 때 보지 못한 새 입력에도 출력을 예측한다.
지도학습은 출력의 모양에 따라 분류와 회귀로 나뉜다. 분류는 미리 정한 유한한 범주 가운데 하나를 고른다. 회귀는 가격·급여·판매량·온도·강수량처럼 연속적인 수치를 예측한다. 같은 입력 특징을 사용해도 요구하는 출력이 범주인지 수치인지에 따라 문제 유형이 달라진다.
| 구분 | 출력 형태 | 가상 물류 문제 | 판별 질문 |
|---|---|---|---|
| 분류 | 정해진 이산 범주 | 상자를 취급주의·냉장·일반 중 하나로 판별한다 | 어느 범주인가? |
| 회귀 | 연속적인 수치 | 무게와 거리로 배송 소요 시간을 예측한다 | 얼마나 크거나 오래 걸리는가? |
오개념 교정: 숫자를 출력한다고 모두 회귀는 아니다. 상품 종류를 1·2·3이라는 숫자로 표시해도 그 숫자가 단지 범주 이름이면 분류다. 값 사이의 연속적인 크기 관계를 예측할 때 회귀로 본다.
비지도학습은 정답 없이 데이터 안의 구조를 찾는다
비지도학습 데이터에는 미리 붙인 정답 라벨이 없다. 알고리즘은 어떤 결과가 맞다고 알려 주는 정답표 대신 데이터 사이의 유사성·상관관계·구조를 찾는다. 대표적인 활용이 군집화와 차원 축소다.
군집화는 서로 비슷한 데이터는 같은 군집으로, 공통 특성이 다른 데이터는 다른 군집으로 나눈다. 가상의 물류 서비스가 라벨 없는 주문 기록을 방문 시간·구매 조합·배송 빈도에 따라 묶는다면 군집화다. 군집은 알고리즘이 찾은 구조이므로, 사람이 사후에 각 군집의 특징을 해석해야 한다.
차원 축소는 데이터의 특징 축이 너무 많을 때 일부 정보를 정리해 더 낮은 차원으로 표현한다. 특징 선택은 덜 필요하거나 서로 강하게 겹치는 기존 특징을 골라 제외·유지하는 접근이고, 특징 추출은 여러 기존 특징을 핵심적인 새 특징으로 압축하는 접근이다. 목적은 단순히 데이터를 버리는 데 있지 않고, 중요한 구조를 더 다루기 쉬운 표현으로 만드는 데 있다.
| 방법 | 무엇을 찾거나 바꾸는가? | 결과를 읽을 때 주의할 점 |
|---|---|---|
| 군집화 | 유사한 데이터끼리 묶인 집단 | 군집 번호 자체가 정답 라벨이나 가치 순위를 뜻하지 않는다 |
| 특징 선택 | 기존 특징 가운데 사용할 특징 | 제외한 특징에 중요한 정보가 없는지 확인한다 |
| 특징 추출 | 여러 특징을 압축한 새로운 저차원 표현 | 압축된 특징의 의미를 원래 데이터와 연결해 해석한다 |
준지도학습은 적은 라벨과 많은 무라벨 데이터를 함께 쓴다
현실의 데이터는 전부 정답이 있거나 전부 정답이 없는 두 극단으로만 존재하지 않는다. 준지도학습은 전체 데이터 중 일부에만 라벨이 있는 상황에서 라벨 데이터와 무라벨 데이터를 함께 활용한다. 라벨을 붙이는 데 시간과 비용이 많이 들지만 원자료는 많이 모을 수 있을 때 유용한 구성이 된다.
가상 물류센터에 상자 사진 10만 장이 있지만 직원이 확인한 취급 라벨은 일부에만 있다고 하자. 이 경우 모든 사진을 라벨 데이터라고 가정해 지도학습으로만 설명할 수도 없고, 이미 존재하는 정답을 버리고 순수 비지도학습으로 볼 수도 없다. “라벨이 얼마나 있는가?”라는 질문이 준지도학습을 구분하는 단서다.
오개념 교정: 준지도학습은 지도학습을 절반만 수행한다는 뜻이 아니다. 핵심은 라벨이 있는 소량의 데이터와 라벨이 없는 다량의 데이터를 하나의 학습 문제에서 함께 이용한다는 데이터 구성이다.
강화학습은 상태·행동·보상의 순환에서 정책을 배운다
강화학습에서 에이전트는 환경의 현재 상태를 보고 행동을 선택한다. 환경은 그 행동의 결과로 다음 상태와 보상을 돌려준다. 에이전트는 이 상호작용을 반복하며 장기적으로 누적 보상을 크게 만드는 행동 선택 규칙, 즉 정책을 학습한다.
| 요소 | 의미 | 가상 물류 로봇의 예 |
|---|---|---|
| 상태 | 행동을 고를 때 관찰하는 현재 상황 | 로봇 위치, 통로 혼잡, 남은 배터리 |
| 행동 | 에이전트가 환경에 취하는 선택 | 직진, 우회, 충전소 이동 |
| 보상 | 행동 결과를 평가하는 피드백 | 빠른 배송에는 양의 보상, 충돌·지연에는 음의 보상 |
| 정책 | 상태에서 행동을 선택하는 규칙 | 혼잡과 배터리를 고려한 경로 선택 전략 |
지도학습처럼 매 상태마다 하나의 정답 행동을 제공하는 것은 아니다. 바둑에서도 현재 판에서 반드시 정답인 한 수를 미리 붙이기 어렵지만, 승패라는 결과를 통해 선택을 평가할 수 있다. 강화학습은 즉시 보상만 가장 크게 고르는 문제가 아니라 여러 단계 뒤 결과까지 고려해 누적 보상을 높이는 정책을 찾는 문제다.
추론 순서: 현재 상태 관찰 -> 행동 선택 -> 환경 변화 -> 다음 상태와 보상 수신 -> 정책 갱신의 순환을 반복한다. “정답 라벨이 있는가?”보다 “행동하고 결과의 보상을 받는가?”가 강화학습 판별의 핵심이다.
학습 방법은 피드백의 모양으로 선택한다
앞의 개념을 한 번에 적용해 보자. 먼저 목표가 예측인지 행동 선택인지 구분한다. 행동으로 환경이 바뀌고 보상이 돌아오면 강화학습을 검토한다. 예측 문제라면 라벨이 있는지 확인한다. 라벨이 충분하면 지도학습, 일부만 있으면 준지도학습, 없고 내부 구조를 찾으려면 비지도학습이다. 마지막으로 지도학습의 출력이 범주인지 연속 수치인지에 따라 분류와 회귀를 나눈다.
| 학습 신호와 목표 | 적합한 방식 | 대표 결과 |
|---|---|---|
| 각 입력에 범주 정답이 있다 | 지도학습의 분류 | 정해진 범주 가운데 하나 |
| 각 입력에 연속 수치 정답이 있다 | 지도학습의 회귀 | 가격·시간·온도 같은 수치 |
| 정답이 없고 데이터 구조를 찾는다 | 비지도학습 | 군집 또는 저차원 표현 |
| 일부 데이터에만 정답이 있다 | 준지도학습 | 라벨·무라벨 데이터를 함께 이용한 모델 |
| 행동 뒤 보상을 받고 누적 성과를 높인다 | 강화학습 | 상태에 맞는 행동 정책 |
인공지능의 확산은 성능뿐 아니라 설명과 권리를 묻는다
강의자료는 인공지능이 전자상거래·금융 의사결정·교육·마케팅·물류·엔터테인먼트·의료 등 여러 분야로 확산되었다고 설명한다. 많은 데이터를 빠르게 수집·처리하고, 초기 학습 뒤 새로 모인 데이터로 모델을 계속 개선할 수 있다는 점이 활용 범위를 넓힌다. 대규모 언어 모델처럼 방대한 데이터와 계산 자원을 요구하는 기술에서는 이런 자원을 확보한 조직의 영향력이 커질 수 있다.
동시에 학습된 모델의 내부 계산이 복잡해지면 출력의 근거를 사람이 이해하기 어려운 블랙박스 문제가 생긴다. 반복 업무나 많은 데이터를 처리하는 일부 직무는 자동화의 영향을 받을 수 있지만, 이는 모든 직무가 같은 방식으로 사라진다는 단순한 결론과 다르다. 어떤 업무가 자동화되고 어떤 판단·책임·협업이 사람에게 남는지 과업 단위로 살펴야 한다.
원자료에는 개인정보가 포함될 수 있고, 이미 학습에 사용된 정보의 삭제와 잊힐 권리를 어떻게 보장할지 문제가 된다. 학습 자료의 창작자 권리와 생성 결과의 저작권도 검토해야 한다. 높은 정확도만으로 정당한 인공지능 서비스가 완성되는 것이 아니라 데이터의 수집 목적, 설명 가능성, 책임 주체, 개인정보와 저작권을 함께 다뤄야 한다.
강의자료는 생성형 인공지능의 사례로 ChatGPT를 소개한다. 생성형 인공지능은 자연어와 같은 새로운 출력을 만들어 내며, GPT는 사전 학습된 생성형 트랜스포머를 뜻한다. 범용 모델을 특정 목적의 데이터로 추가 학습하는 미세조정은 활용 목적에 맞게 모델을 조정하는 방법이다. 그러나 생성형 인공지능은 인공지능 전체와 동의어가 아니며, 생성 능력이 곧 모든 답의 정확성을 보장하지도 않는다.
오개념 교정: “데이터가 많으면 자동으로 좋은 인공지능이 된다”는 결론은 부족하다. 데이터의 품질·대표성·수집 권한, 목표에 맞는 학습 신호, 계산 자원, 평가 기준이 함께 맞아야 하며 출력의 근거와 권리 문제도 따로 검토해야 한다.
새 문제는 목표·신호·출력·책임 순으로 판정한다
새로운 인공지능 사례를 만나면 기술 이름부터 고르지 않는다. 먼저 해결하려는 목표가 예측인지 구조 발견인지 행동 선택인지 적는다. 다음으로 정답 라벨, 일부 라벨, 무라벨 데이터, 행동 보상 중 실제로 얻을 수 있는 학습 신호를 확인한다. 지도학습이라면 출력이 범주인지 연속 수치인지 구분하고, 신경망을 쓴다면 입력층·은닉층·출력층에서 신호가 어떻게 바뀌는지 추적한다.
방법을 고른 뒤에는 데이터와 계산 자원이 충분한지, 새 데이터로 어떻게 갱신할지, 결과를 설명할 수 있는지 검토한다. 마지막으로 개인정보·잊힐 권리·저작권·자동화의 직무 영향처럼 모델 밖의 책임을 확인한다. 이 순서를 따르면 “인공지능이니까 딥러닝”, “숫자가 나오니까 회귀”, “정답이 없으니까 강화학습”처럼 기준을 섞는 오류를 줄일 수 있다.
재사용 가능한 사고 순서: 해결 목표 정의 -> 이용 가능한 학습 신호 확인 -> 출력 형태 구분 -> 학습 방식 선택 -> 모델과 데이터의 한계 점검 -> 설명·권리·책임 검토. 기술의 성능과 사회적 타당성을 같은 판단 과정에 놓는 것이 핵심이다.
핵심 개념 정리
- 인공지능은 지능적 문제 해결을 구현하는 넓은 분야이고, 머신러닝은 데이터에서 규칙을 배우는 구현 방법이며, 딥러닝은 심층 인공신경망을 쓰는 머신러닝 방식이다.
- 인공신경망은 입력층·은닉층·출력층을 거치며 가중된 신호를 전달하고, 학습 과정에서 예측 오차가 줄도록 가중치를 조정한다.
- 머신러닝은 사람이 모든 규칙을 직접 쓰기 어려운 문제에서 데이터와 피드백으로 모델을 만든 뒤 새 입력에 적용한다.
- 지도학습은 라벨을 이용하며, 이산 범주를 고르면 분류이고 연속 수치를 예측하면 회귀다.
- 비지도학습은 라벨 없이 구조를 찾고, 군집화는 유사한 데이터를 묶으며 차원 축소는 특징을 선택하거나 추출해 표현을 줄인다.
- 준지도학습은 적은 라벨 데이터와 많은 무라벨 데이터를 함께 이용한다.
- 강화학습은 상태·행동·다음 상태·보상의 반복에서 누적 보상을 높이는 정책을 학습한다.
- 인공지능의 활용에서는 성능과 함께 블랙박스, 개인정보, 잊힐 권리, 저작권, 자동화의 영향을 검토해야 한다.
인공지능 문제를 정확히 읽는 출발점은 유행하는 기술명이 아니라 피드백의 모양이다. 목표를 정한 뒤 정답표가 있는지, 일부만 있는지, 내부 구조를 찾아야 하는지, 행동 결과의 보상을 받는지 확인한다. 그다음 출력이 범주인지 수치인지와 모델의 처리 흐름을 판정하고, 데이터 품질·계산 자원·설명 가능성·개인정보와 저작권까지 점검해야 학습 방법과 활용 책임을 함께 설명할 수 있다.
예상문제 10선
1. 인공지능·머신러닝·딥러닝의 관계를 바르게 설명한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
- ① 오답: 세 용어는 같은 범위가 아니라 넓은 분야와 그 안의 구현 방법이라는 포함 관계다.
- ② 오답: 포함 방향을 거꾸로 설명했다. 딥러닝이 가장 안쪽 범위다.
- ③ 정답: 인공지능 안에 머신러닝이 있고 머신러닝 안에 딥러닝이 있는 관계를 정확히 나타낸다.
- ④ 오답: 머신러닝은 인공지능의 한 방법이지 유일한 구현 방법은 아니다.
2. 머신러닝 모델의 학습과 활용 흐름으로 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
- ① 정답: 학습 단계에서 규칙인 모델을 얻고 활용 단계에서 새 입력의 출력을 예측하는 흐름이다.
- ② 오답: 새 입력의 정답을 이미 안다면 모델이 예측해야 할 문제가 사라진다.
- ③ 오답: 모든 규칙을 사람이 조건문으로 쓰는 전통적 프로그램의 경로와 가깝다.
- ④ 오답: 데이터와 피드백을 없애면 모델이 관계를 학습하거나 개선할 근거가 없다.
3. 지도학습의 가장 핵심적인 데이터 조건은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
- ① 오답: 환경에서 행동하고 결과를 받는 조건은 강화학습의 핵심이다.
- ② 오답: 차원 축소는 별도의 데이터 표현 방법이며 지도학습의 필수 조건이 아니다.
- ③ 오답: 정답 라벨이 없는 데이터는 비지도학습을 구분하는 조건이다.
- ④ 정답: 입력과 정답의 대응을 배우고 예측을 정답과 비교해 모델을 조정한다.
4. 지도학습의 분류와 회귀를 바르게 연결한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
- ① 오답: 상품 종류는 이산 범주라 분류이며 배송 시간은 연속 수치라 회귀다.
- ② 정답: 범주를 고르는 출력과 연속 수치를 예측하는 출력을 정확히 구분했다.
- ③ 오답: 라벨 없는 구조 발견과 행동 보상은 각각 비지도학습과 강화학습의 설명이다.
- ④ 오답: 범주를 숫자로 부호화할 수 있으므로 표기 형식보다 출력의 의미를 봐야 한다.
5. 정답 라벨이 없는 고객 주문 기록을 구매 조합과 방문 빈도의 유사성에 따라 묶으려 한다. 가장 알맞은 방법은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
- ① 오답: 예측해야 할 연속 수치 정답이 문제에 제시되지 않았다.
- ② 오답: 미리 정한 정답 범주가 없으므로 지도학습 분류의 조건과 맞지 않는다.
- ③ 정답: 라벨 없이 데이터 사이의 유사성을 찾아 집단을 나누는 비지도학습 문제다.
- ④ 오답: 에이전트의 행동과 환경이 돌려주는 보상이라는 상호작용이 없다.
6. 차원 축소의 특징 선택과 특징 추출을 바르게 비교한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
- ① 오답: 라벨과 보상 생성은 차원 축소에서 두 방법을 나누는 기준이 아니다.
- ② 정답: 기존 특징의 부분집합을 쓰는 방식과 새 저차원 표현을 만드는 방식을 구분한다.
- ③ 오답: 군집 수나 특징 복제는 차원을 줄이는 두 접근의 설명이 아니다.
- ④ 오답: 두 방법은 모두 다루는 표현의 차원을 줄이는 데 목적이 있다.
7. 상자 사진은 매우 많지만 직원이 정답 라벨을 붙인 사진은 일부뿐이다. 두 종류의 데이터를 함께 이용하려면?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
- ① 정답: 일부 라벨 데이터와 많은 무라벨 데이터를 함께 쓰는 구성이 준지도학습이다.
- ② 오답: 문제에는 실제 라벨이 일부 있으므로 이를 전부 버릴 이유가 없다.
- ③ 오답: 상태에서 행동하고 보상을 받는 과정이 제시되지 않았다.
- ④ 오답: 데이터에서 규칙을 배우려는 조건을 사람이 모두 직접 작성하는 방식으로 바꾸었다.
8. 강화학습의 한 번의 상호작용 순환을 가장 적절하게 나타낸 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
- ① 오답: 정답 라벨과 범주를 중심에 둔 흐름이며 환경 상호작용이 없다.
- ② 오답: 군집화를 왜곡해 설명했으며 행동 결과의 보상을 제거했다.
- ③ 오답: 신경망 구성 요소를 임의로 삭제하는 것은 강화학습 순환이 아니다.
- ④ 정답: 에이전트가 상태에 따라 행동하고 환경의 다음 상태와 보상으로 정책을 개선한다.
9. 인공지능의 발전과 활용에 관한 판단 중 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
- ① 오답: 데이터가 많아도 품질·대표성·수집 목적과 권한이 부적절하면 모델과 서비스에 문제가 생긴다.
- ② 오답: 성능 평가는 설명 가능성이나 개인정보·저작권의 정당성을 대신하지 못한다.
- ③ 오답: 새로운 출력을 만드는 생성형 인공지능은 인공지능의 한 활용 범주다.
- ④ 정답: 기술적 자원과 성능뿐 아니라 서비스가 미치는 권리와 책임까지 함께 판단한다.
10. 새로운 인공지능 문제에 학습 방법을 배정하는 절차로 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
- ① 오답: 기술명이 문제 정의를 대신하면 실제 목표와 이용 가능한 데이터가 어긋날 수 있다.
- ② 정답: 목표·신호·출력에서 방법을 고르고 구현 가능성과 사회적 책임까지 이어서 점검한다.
- ③ 오답: 숫자가 범주를 표시할 수도 있으므로 출력 의미가 연속 수치인지 확인해야 한다.
- ④ 오답: 보상 상호작용이 없고 구조 발견이 목표라면 비지도학습일 수 있다.
참고 자료와 작성 기준
이 글은 해당 차시 강의자료를 바탕으로 학습 목적에 맞게 재구성한 비공식 학습자료입니다. 가상 물류 자동화 사례, 학습 신호별 비교표, 목표·신호·출력·책임의 판정 순서는 학습자가 여러 학습 방식을 같은 기준으로 구분하도록 새로 구성했습니다.
- 작성·편집: 올에이클래스 학습연구팀
- 주요 근거: 한국방송통신대학교 컴퓨터과학과, 「유비쿼터스컴퓨팅개론」 15강 인공지능 강의자료, 2024
- 보충 자료: 외부 자료를 사용하지 않음
- 편집 원칙: 올에이클래스 편집 정책
- 최종 내용 검토: 2026-09-07
댓글
댓글 쓰기