인공지능 1강 - 인공지능의 개요
컴퓨터가 생각할 수 있는지를 판단하는 튜링 테스트에서 출발하여 인공지능의 대표적 성과와 생성형 AI의 특징을 살펴본다. 인공지능의 탄생과 침체·부흥, 지능의 의미, 기호처리·통계·연결주의 접근 및 머신러닝의 관계를 통해 인공지능의 전체 지형을 이해한다.
생각하는 컴퓨터와 튜링 테스트
기계의 지능을 행동으로 판정하기
“컴퓨터가 생각할 수 있는가?”라는 질문은 인공지능의 출발점이다. 앨런 튜링은 생각이라는 말의 철학적 정의를 직접 확정하는 대신, 관찰 가능한 행동을 통해 기계의 지능을 판정하는 튜링 테스트(Turing test)를 제안하였다. 이 테스트는 그의 논문 「Computing Machinery and Intelligence」에서 모방 게임이라는 형태로 논의되었다.
판정자는 보이지 않는 상대와 문자로 대화하고, 상대가 인간인지 컴퓨터인지 판단한다. 컴퓨터가 대화를 통해 인간과 구별하기 어려운 반응을 보인다면 지능적인 행동을 한다고 간주하는 방식이다. 핵심은 컴퓨터 내부가 인간의 뇌와 같은 방식으로 작동하는지보다, 외부에서 관찰한 언어적 행동이 인간과 구별되는지를 평가하는 데 있다.
시험 핵심: 튜링 테스트는 기계 내부의 사고 과정을 직접 측정하는 검사가 아니라, 대화를 통한 외적 행동이 인간과 구별되는지를 판정하는 행동주의적 기준이다.
인간과 컴퓨터의 대표적 대결
체스: 딥 블루와 카스파로프
IBM의 딥 블루(Deep Blue)는 체스 세계 챔피언 게리 카스파로프와 두 차례 대결하였다. 1996년 첫 대결에서는 카스파로프가 3승 2무 1패로 이겼지만, 1997년 두 번째 대결에서는 딥 블루가 2승 3무 1패로 승리하였다. 딥 블루는 IBM RS/6000 SP 병렬 슈퍼컴퓨터에 체스 전용 보조프로세서를 장착하여 초당 약 2억 개의 행마를 검토할 수 있었다.
퀴즈: IBM 왓슨
2011년 IBM의 왓슨(Watson)은 퀴즈쇼 Jeopardy!에서 두 명의 인간 퀴즈 달인과 대결하여 압도적으로 승리하였다. 왓슨의 DeepQA는 서로 다른 100여 가지 기술을 이용해 자연어 질문을 처리하고, 가설을 설정하며, 증거를 분석한 뒤 후보 답변의 순위를 정하였다. 총 2,880개의 POWER7 프로세서 스레드가 동작하는 대단위 병렬 시스템이 빠른 처리를 지원하였다.
바둑: 알파고와 이세돌
딥마인드의 알파고(AlphaGo)는 심층신경망과 몬테카를로 트리 탐색을 결합하였다. 2016년 프로기사 이세돌 9단과의 대국에서 4승 1패로 승리하였다. 강의 자료에 따르면 단일 버전은 48개의 CPU와 4~8개의 GPU를 사용했고, 분산 버전은 1,202~1,920개의 CPU와 176~280개의 GPU를 사용하였다.
| 시스템 | 과제 | 강조된 기술·특징 |
|---|---|---|
| 딥 블루 | 체스 | 체스 전용 하드웨어와 대규모 탐색 |
| 왓슨 | 자연어 퀴즈 | 질문 분석, 가설 생성, 증거 분석과 답변 순위화 |
| 알파고 | 바둑 | 심층신경망, 몬테카를로 트리 탐색, 병렬 계산 |
세 사례는 모두 인공지능의 성과이지만 같은 방식으로 문제를 해결한 것은 아니다. 딥 블루는 거대한 탐색 능력, 왓슨은 자연어 질문과 증거 분석, 알파고는 학습된 신경망과 트리 탐색의 결합이 중심이다.
생성형 인공지능의 원리와 사례
생성형 인공지능(generative AI)은 대규모 데이터 집합을 학습하여 데이터 안에 내재한 패턴이나 구조를 습득하고, 이를 바탕으로 새로운 데이터를 생성할 수 있는 인공지능이다. 기존 데이터에서 답을 단순히 찾아 반환하는 것이 아니라 학습한 구조를 바탕으로 새로운 문장, 이미지, 영상 등을 만들어 낸다는 점이 특징이다.
| 유형 | 강의의 사례 | 생성 결과 |
|---|---|---|
| 챗봇 | ChatGPT, Copilot, Gemini | 사용자의 요청에 따른 텍스트 대화와 답변 |
| 텍스트-이미지 모델 | DALL-E, Midjourney, Stable Diffusion | 문장으로 묘사한 장면의 이미지 |
| 텍스트-비디오 모델 | Sora, Runway | 문장으로 묘사한 장면의 영상 |
강의는 현대적인 실내에서 인공지능 컴퓨터와 공부하는 학생을 그려 달라는 이미지 프롬프트와, 스코틀랜드 글렌피넌 고가교의 풍경을 렌더링하는 비디오 프롬프트를 예로 제시한다. 이처럼 생성형 AI의 출력은 입력 프롬프트와 학습 데이터에서 습득한 패턴의 영향을 함께 받는다.
생성형 인공지능의 문제점
생성형 AI는 새로운 콘텐츠를 만들 수 있지만 결과를 그대로 신뢰해서는 안 된다. 강의에서 제시한 문제는 윤리, 사실성, 책임, 설명 가능성의 네 측면으로 정리할 수 있다.
| 문제 | 의미 |
|---|---|
| 윤리적 문제 | 훈련 데이터의 편향이 출력에 반영되거나 실제와 구별하기 어려운 거짓 정보와 딥페이크가 생성될 수 있다. |
| 환각 | 사실과 다르거나 비논리적인 정보를 사실처럼 생성할 수 있다. |
| 책임 소재 불분명 | 생성 정보가 부정확하거나 해로운 경우 책임 주체가 분명하지 않을 수 있다. |
| 설명 가능성 부족 | 정보 생성이나 의사결정 과정의 근거와 투명성·신뢰성이 부족할 수 있다. |
활용 원칙: 생성 결과는 사실 검증과 출처 확인을 거쳐야 한다. 자연스러운 문장이나 정교한 이미지가 곧 정확성·공정성·신뢰성을 보장하지는 않는다.
약한 인공지능과 인공 일반지능
지능적 시스템에는 지식을 바탕으로 동작하는 능력, 데이터 분석과 예측, 학습, 사물 인지, 자연어 이해와 구사, 창조, 감성지능 등 다양한 능력이 요구될 수 있다. 그러나 현실의 모든 시스템이 이 모든 능력을 갖춘 것은 아니다.
약한 인공지능(weak AI)은 좁은 인공지능(narrow AI)이라고도 하며, 특정 작업이나 한정된 범위의 작업을 수행하도록 설계된 시스템이다. 체스, 퀴즈, 바둑, 영상 인식처럼 어떤 분야에서 인간보다 뛰어난 성능을 보이더라도 그 능력이 다른 모든 지적 과제로 자동 이전되는 것은 아니다.
인공 일반지능(Artificial General Intelligence, AGI)은 강한 인공지능(strong AI)이라고도 한다. 사람이 할 수 있는 어떠한 지적 작업이든 사람만큼 또는 사람보다 더 잘 수행할 수 있는 능력을 갖춘 인공지능을 뜻한다.
| 구분 | 수행 범위 | 핵심 특징 |
|---|---|---|
| 약한 AI | 특정 작업 또는 제한된 범위 | 주어진 목적에 특화된 높은 성능 |
| AGI | 인간이 수행하는 일반적 지적 작업 | 여러 영역에 걸친 일반적·전이 가능한 지능 |
인공지능의 탄생과 초기 연구
다트머스 회의
1956년 다트머스대학교에서 마빈 민스키, 존 매카시, 너새니얼 로체스터, 클로드 섀넌 등의 제안으로 학술회의가 열렸다. 이 회의를 계기로 Artificial Intelligence라는 용어가 사용되기 시작하였다. 연구자들은 학습과 지능의 여러 특징을 정밀하게 표현할 수 있다면 기계가 이를 시뮬레이션할 수 있다고 보았다.
회의에서는 자동적 컴퓨터, 컴퓨터가 언어를 사용하도록 프로그래밍하는 방법, 가상 신경세포 개념, 계산 규모 이론, 자기 개선, 추상화, 무작위성과 창의성 등이 논의되었다. 기호처리 기법, 제한된 영역의 초기 전문가 시스템, 연역 시스템과 귀납 시스템은 초기 인공지능의 주류를 이루었다.
초기 신경망과 일반문제풀이
초기 연구에는 프랭크 로젠블랫의 퍼셉트론, ADALINE, 홉필드 네트워크 등 인공신경망 모델이 포함된다. 허버트 사이먼은 디지털 컴퓨터가 세계 체스 챔피언이 되고 기계가 사람이 할 수 있는 일은 무엇이든 수행하게 될 것이라고 예측하였다.
일반문제풀이기(General Problem Solver, GPS)는 1959년 허버트 사이먼 등이 어떤 문제에도 적용할 수 있는 문제해결 기계를 목표로 개발한 프로그램이다. 문제를 파악하고 해결 방법을 찾는 일련의 과정을 다루었으며 간단한 문제는 풀 수 있었다. 그러나 실제 세계에서는 중간 상태 조합이 폭발적으로 증가하여 범용적으로 적용하기 어려웠다.
지식 중심 연구와 전문가 시스템
범용 문제를 해결하려는 시도는 복잡성의 벽에 부딪혔다. 이에 연구는 광범위한 지식과 일반 문제풀이 방법을 한꺼번에 구현하려는 방향에서, 특정 분야의 지식을 획득하고 조직하여 문제 해결에 활용하는 방향으로 전환되었다.
전문가 시스템(expert system)은 해결하려는 분야의 전문가 지식을 논리적 규칙으로 표현하고, 이를 바탕으로 추론하여 특정 지식영역의 문제를 해결하는 인공지능 시스템이다. DENDRAL은 질량분석 데이터와 화학 지식을 이용해 유기화학자가 미지의 유기 분자를 식별하도록 보조했고, MYCIN은 감염을 유발하는 세균을 식별하여 항생제와 투여량 처방에 참고할 조언을 제공하였다.
전문가 시스템의 구성 요소
지식베이스는 지식을 구조화하여 컴퓨터 내부에 저장한다. 추론기관은 지식베이스의 지식과 외부에서 일어난 사실을 표현하는 정보를 어떻게 조합할지 탐색한다. 지식공학은 지식을 체계화하고 지식베이스에 축적하며 이를 효과적으로 이용하는 방법을 연구한다.
시험 핵심: 지식베이스는 ‘무엇을 아는가’를 저장하고, 추론기관은 저장된 지식과 현재 사실을 ‘어떻게 조합하여 결론을 낼 것인가’를 담당한다.
인공지능의 겨울과 새로운 부흥
과도한 기대와 침체
인공지능의 겨울(AI winter)은 인공지능 연구 성과에 대한 의문이 커지면서 상당 기간 연구가 침체된 시기를 뜻한다. 강의는 1970년대 중·후반과 1990년대를 대표적 시기로 제시한다. 퍼셉트론 같은 당시 신경망 모델이 XOR와 같은 단순한 문제도 해결하지 못한다는 비판이 제기되었고, 일반적인 지능 행동이 다루어야 할 문제 영역의 규모와 난이도가 예상보다 훨씬 크다는 사실도 드러났다.
컴퓨터 성능의 한계, 결과물의 성능·유용성·유연성·경제성 부족이 침체의 원인이 되었다. 이는 좋은 아이디어만으로는 충분하지 않고 계산 자원, 데이터, 일반화 능력과 실제 활용 가치가 함께 뒷받침되어야 함을 보여 준다.
머신러닝과 데이터·계산 자원의 발전
이후 실용적 응용이 가능한 다양한 딥러닝 모델과 거대 언어 모델 기반 자연어처리가 획기적으로 발전하였다. 웹, 스마트폰 활용, 다양한 SNS 서비스는 학습에 필요한 풍부한 데이터를 생성했고, GPGPU 등의 기술은 계산 능력을 비약적으로 높였다. 데이터, 알고리즘과 계산 자원의 결합이 인공지능에 대한 새로운 관심을 이끌었다.
지능의 정의와 문제 사례
사전적 의미에서 지능은 학습하거나 이해하고, 새롭거나 어려운 상황을 처리하는 능력을 포함한다. 강의는 이를 새로운 대상이나 상황의 의미를 이해하고 합리적인 적응 방법을 찾아내는 지적 활동의 능력으로 설명한다.
지능에는 문제해결 능력, 학습 능력, 지식 활용 능력, 인지 능력과 다양한 상황에 대한 적응 능력이 포함된다. 순서가 있는 도형의 다음 모양을 찾거나, 문자 배열의 변환 규칙을 추론하거나, MNIST와 같은 필기 숫자 자료에서 숫자를 인식하는 문제는 각각 규칙 발견, 추론, 패턴 인식과 학습 능력을 요구한다.
지능은 하나의 능력으로만 환원되지 않는다. 문제의 종류에 따라 학습, 기억, 추론, 인식, 적응과 지식 활용이 서로 다른 비중으로 결합된다.
인공지능의 관점과 접근 방향
계산심리학과 기계지능 관점
인공지능은 지능적 행동의 일반적 의미에 대한 컴퓨터 관점의 이해와, 지능적 행동을 할 수 있는 인공물의 생성을 다루는 컴퓨터과학 및 컴퓨터공학의 분야이다. 계산심리학 관점은 사람과 동일한 방식으로 행동하는 프로그램을 만들어 인간의 지능적 행동을 이해하려 한다. 기계지능 관점은 컴퓨터로 프로그래밍할 수 있는 영역을 인간이 수행할 수 있는 작업 영역으로 확장하려 한다.
기호처리 인공지능
기호처리 인공지능(symbolic AI)은 물리적 기호 시스템이 일반적 지능 행동에 필요하고 충분한 수단을 가진다는 가설에 근거한다. 인간의 지능적 작업을 기호와 규칙으로 표현하여 프로그램으로 수행할 수 있다고 본다. GPS와 전문가 시스템이 대표적인 사례이다.
확률·통계 접근
확률 및 통계 이론은 추론 근거가 되는 사실이나 규칙에 불확실성이 있는 문제를 다룬다. 주어진 데이터 집합으로 미래 현상을 예측하거나 객체를 분류하며, 자연어처리·머신러닝·패턴인식에 활용된다. 회귀분석, 베이즈 분류기, 결정트리, 서포트 벡터 머신 등이 강의의 예이다.
연결주의 접근
연결주의(connectionism)는 두뇌의 신경 체계에서 착안한 접근이다. 인공 뉴런과 연결 가중치로 구성된 인공신경망이 데이터로부터 패턴을 학습하도록 하며, 딥러닝은 여러 층을 가진 신경망을 활용하는 대표적 발전 형태이다.
| 접근 | 핵심 아이디어 | 대표 예 |
|---|---|---|
| 기호처리 | 지식과 규칙을 기호로 명시하여 추론 | GPS, 전문가 시스템 |
| 확률·통계 | 불확실한 데이터에서 예측·분류 | 회귀, 베이즈 분류기, 결정트리, SVM |
| 연결주의 | 신경망의 연결 가중치를 데이터로 학습 | 인공신경망, 딥러닝 |
인공지능과 머신러닝
머신러닝(machine learning)은 수집된 정보로부터 문제풀이에 필요한 지식을 습득하여 시스템 스스로 행동을 향상시키는 과정이다. 사람의 지식을 프로그램에 직접 모두 적어 넣는 방식과 달리, 시스템이 데이터와 경험에서 규칙이나 표현을 학습하도록 한다.
학습에는 직접적인 지식 전달, 귀납적 지식 형성, 외부의 긍정적·부정적 반응 등 다양한 정보가 사용될 수 있다. 머신러닝은 인공지능을 구현하는 중요한 방법이며, 통계적 접근과 연결주의 접근의 발전을 바탕으로 패턴인식·예측·자연어처리 등 여러 분야에서 활용된다.
관계 정리: 인공지능은 지능적 시스템을 연구하고 구현하는 더 넓은 분야이며, 머신러닝은 데이터에서 지식을 습득하여 시스템의 행동을 향상시키는 핵심 구현 방법이다.
핵심 개념 정리
- 튜링 테스트는 대화를 통한 외적 행동이 인간과 구별되는지를 기준으로 기계의 지능을 판정한다.
- 딥 블루는 대규모 체스 탐색, 왓슨은 자연어 질문과 증거 분석, 알파고는 심층신경망과 몬테카를로 트리 탐색을 활용하였다.
- 생성형 AI는 학습 데이터의 패턴과 구조를 습득하여 새로운 텍스트·이미지·영상을 만들며 편향, 환각, 책임과 설명 가능성 문제가 있다.
- 약한 AI는 특정 작업에 특화되며, AGI는 인간이 수행하는 일반적 지적 작업 전반을 다루는 능력을 뜻한다.
- 1956년 다트머스 회의를 계기로 인공지능이라는 용어가 사용되었고, 초기에는 기호처리·일반문제풀이·신경망 연구가 진행되었다.
- 전문가 시스템은 특정 분야의 지식을 지식베이스에 저장하고 추론기관으로 결론을 도출한다.
- 과도한 기대, 계산 성능과 실용성의 한계는 AI 겨울을 불렀고, 데이터·딥러닝·LLM·GPGPU의 발전은 새로운 부흥을 이끌었다.
- 인공지능의 주요 접근은 기호처리, 확률·통계, 연결주의이며 머신러닝은 데이터로부터 지식을 습득해 행동을 향상시키는 과정이다.
최종 정리: 인공지능의 역사는 인간의 지능을 기호와 규칙으로 표현하려는 시도와 데이터에서 패턴을 학습하려는 시도가 서로 보완하며 발전한 과정이다. 시스템을 평가할 때는 특정 과제의 성능뿐 아니라 적용 범위, 학습 방법, 추론 근거, 계산 자원과 신뢰성까지 함께 살펴야 한다.
예상문제 20선
1. 튜링 테스트에 대한 설명으로 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
튜링 테스트는 문자 대화에서 기계의 반응을 인간과 구별할 수 있는지 살펴보는 행동 중심의 판정 방법이다.
2. 딥 블루와 카스파로프의 대결에 관한 설명으로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
첫 대결은 카스파로프가 3승 2무 1패로 이겼고, 다음 해 재대결은 딥 블루가 2승 3무 1패로 이겼다.
3. IBM 왓슨의 DeepQA가 수행한 과정으로 보기 어려운 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
몬테카를로 트리 탐색은 알파고의 핵심 기술이다. 왓슨은 자연어 질문을 분석하고 증거에 따라 답변 후보의 순위를 정했다.
4. 알파고의 핵심 기술 조합으로 알맞은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
알파고는 심층신경망으로 국면과 수를 평가하고 몬테카를로 트리 탐색을 결합해 바둑의 방대한 탐색 공간을 다루었다.
5. 생성형 인공지능의 정의로 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
생성형 AI는 학습 데이터에 내재한 패턴이나 구조를 습득하고 이를 토대로 새로운 텍스트·이미지·영상 등을 생성한다.
6. 생성형 AI의 환각에 대한 설명으로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
환각은 생성 결과가 자연스러워 보여도 사실과 다르거나 논리적으로 성립하지 않는 정보를 포함하는 문제이다.
7. 약한 인공지능에 대한 설명으로 알맞은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
약한 AI 또는 좁은 AI는 특정 목적과 한정된 과제에 특화된 시스템이다.
8. 인공 일반지능(AGI)의 의미로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
AGI는 특정 과제에 제한되지 않고 사람이 수행할 수 있는 지적 작업 전반을 다루는 일반적 능력을 뜻한다.
9. 1956년 다트머스 회의의 의의로 옳지 않은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
다트머스 회의는 인공지능 연구의 탄생과 관련된 회의이며 현대 생성형 AI의 환각 표준을 다룬 회의가 아니다.
10. 일반문제풀이기(GPS)가 실제 세계 문제에 널리 적용되기 어려웠던 주된 이유는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
간단한 문제는 해결했지만 실제 세계의 복잡한 문제에서는 탐색해야 할 중간 상태 조합이 폭발적으로 늘어났다.
11. 전문가 시스템에 대한 설명으로 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
전문가 시스템은 특정 지식영역의 전문 지식을 논리적 규칙으로 표현하고 이를 추론하여 문제를 해결한다.
12. DENDRAL과 MYCIN을 바르게 연결한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
DENDRAL은 화학 지식으로 유기 분자 식별을 보조했고, MYCIN은 감염 세균과 항생제 처방에 관한 조언을 제공했다.
13. 전문가 시스템의 지식베이스와 추론기관의 역할을 바르게 설명한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
지식베이스는 분야 지식을 보관하고, 추론기관은 저장된 지식과 현재 사실을 결합해 결론에 이르는 과정을 담당한다.
14. 인공지능의 겨울을 초래한 원인으로 보기 어려운 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
당시에는 오히려 계산 성능과 실용적 성과가 충분히 뒷받침되지 못했다. 풍부한 데이터와 GPGPU 발전은 후대 부흥의 요인이다.
15. 최근 인공지능 부흥의 배경으로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
실용적인 딥러닝 모델과 LLM, 온라인 활동이 만든 데이터, GPGPU 기반 계산 능력의 결합이 새로운 관심을 이끌었다.
16. 강의에서 설명한 지능의 구성 능력에 포함되지 않는 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
지능은 새로운 상황의 의미를 이해하고 합리적으로 적응하는 능력을 포함하며, 무조건적인 회피를 뜻하지 않는다.
17. 계산심리학 관점의 인공지능 접근은 무엇을 지향하는가?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
계산심리학 관점은 인간과 동일한 방식으로 행동하는 프로그램을 통해 인간 지능의 작동을 이해하려는 접근이다.
18. 기호처리 인공지능의 설명으로 옳지 않은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
기호처리는 명시적인 기호와 규칙을 이용한다. 신경망의 연결 가중치를 학습하는 것은 연결주의 접근의 핵심이다.
19. 확률·통계 접근이 특히 적합한 문제는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
확률·통계 이론은 불확실한 사실과 규칙을 다루며 데이터 기반 예측과 분류에 활용된다.
20. 인공지능과 머신러닝의 관계를 바르게 설명한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
인공지능은 지능적 시스템 전반을 다루는 분야이고, 머신러닝은 수집된 정보에서 지식을 학습하여 시스템의 행동을 개선하는 핵심 방법이다.
댓글
댓글 쓰기