지도학습

4 Contents

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 2

인공지능 기술의 정점이라 불리는 알파고나 테슬라의 자율주행 엔진, 그리고 병원에서 활용되는 암 판별기의 내부는 의외로 단순한 원리로 구성되어 있습니다. 이들은 모두 입력된 데이터를 숫자로 변환한 뒤, 복잡한 수식 대신 곱셈과 덧셈이라는 기초적인 연산을 반복하여 최종적인 결과를 도출합니다. 자율주행차는 카메라 영상을 숫자로 인식해 가속이나 제동을 결정하고, 바둑 인공지능은 판 위를 숫자로 읽어 최적의 수를 찾아냅니다. 이처럼 현대 문명을 바꾸고 있는 고도화된 기술들의 핵심은 결국 입력값에 따른 산술 연산의 나열에 불과하다는 사실이 매우 흥미롭습니다. 인공신경망 학습의 대표적인 방식인 지도 학습은 사람이 기계에게 직접 정답을 가르쳐주는 과정이라고 할 수 있습니다. 예를 들어 특정 배경색 위에서 흰색 글씨와 검은색 글씨 중 어느 것이 더 잘 보이는지 사람이 직접 선택하면, 기계는 이를 바탕으로 정답 데이터셋을 구축하게 됩니다. 여기서 배경색은 입력값인 X가 되고, 사람이 선택한 더 잘 보이는 글씨색은 출력값인 Y가 되어 하나의 정답 쌍을 이룹니다. 마치 아이에게 사진을 보여주며 이름이 무엇인지 알려주는 것과 같은 원리이며, 이러한 양질의 데이터를 충분히 확보하는 것이 기계 학습의 가장 필수적인 전제 조건이 됩니다. 전통적 프로그래밍과 딥러닝의 가장 결정적인 차이점은 알고리즘 내의 핵심 수치인 가중치를 누가 결정하느냐에 있습니다. 과거에는 생물학적 연구 결과 등을 토대로 사람이 직접 RGB 값에 특정 숫자를 곱해 회색조로 변환하는 등의 세부적인 규칙을 코드로 작성했습니다. 즉, 문제 해결을 위한 논리 구조를 인간이 직접 설계한 셈입니다. 반면 딥러닝은 인공신경망 내부의 수많은 가중치 값을 기계가 스스로 찾아내도록 유도합니다. 사람이 일일이 계산 규칙을 정의하지 않아도, 기계는 반복적인 학습을 통해 어떤 수치를 적용해야 최선의 결과를 낼 수 있는지 스스로 터득하며 인간의 역할을 보완합니다. 인공신경망의 구조를 자세히 들여다보면 수많은 레이어와 노드가 복잡한 그물망처럼 얽혀 있는 것을 볼 수 있습니다. 기계 내부에서는 입력된 정보가 각 레이어를 거치고, 그 안에 포함된 노드를 지나며, 다시 각 노드에 연결된 수많은 연결선의 가중치와 계산되는 삼중 루프 구조의 연산이 수행됩니다. 이 과정의 핵심은 각각의 연결선에 부여된 가중치입니다. 알파고의 경우 수천만 개에서 수억 개의 가중치를 가지고 있으며, 기계는 학습을 반복할 때마다 이 숫자들을 미세하게 조정합니다. 인간이 이 방대한 숫자들의 개별적인 의미를 전부 파악할 수는 없지만, 결과적으로 기계는 정교한 판단을 내리게 됩니다. 딥러닝의 놀라운 점은 아주 적은 양의 정답 데이터만으로도 전체 영역에 대한 정확한 판단이 가능하다는 일반화 능력에 있습니다. 예를 들어 1,600만 가지가 넘는 전체 색상 중 단 20~30개에 대한 정답만 알려주었음에도 불구하고, 인공신경망은 학습하지 않은 나머지 수많은 색상에 대해서도 적절한 글씨색을 정확히 판별해냅니다. 이러한 원리는 의료 분야의 암 판별이나 사물 인식 기술에도 동일하게 적용됩니다. 수천 장의 사진을 학습한 인공지능이 한 번도 본 적 없는 환자의 영상에서 병변을 찾아내는 것처럼, 기계는 데이터의 파편 속에서 보편적인 규칙을 스스로 찾아내며 인간의 한계를 뛰어넘고 있습니다.

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 2
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 수학
  • 융합

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 3

딥러닝에서 데이터는 특정한 공간상의 좌표로 표현됩니다. 예를 들어 RGB 색상 값은 3차원 공간의 한 점이 되며, 인공지능은 우리가 제공한 정답 데이터를 바탕으로 이 공간을 어떻게 나눌지 결정합니다. 마치 케이크를 적절한 구역으로 쪼개는 것과 같은 이 과정은, 특정 색상 영역이 어떤 결과값에 해당하는지를 정의하는 함수를 찾아내는 일입니다. 이러한 영역 구분을 통해 인공지능은 학습하지 않은 주변 데이터에 대해서도 올바른 판단을 내릴 수 있는 기초를 마련하며, 복잡한 데이터를 분류하는 논리를 스스로 구축하게 됩니다. 인공지능이 소수의 정답 데이터만으로도 수많은 경우의 수를 맞출 수 있는 이유는 데이터의 분포 특성 때문입니다. '엄마'라는 음성이 사람마다 조금씩 다르더라도 일정한 범위 내에서 유사한 패턴을 보이는 것처럼, 자연계의 데이터는 무작위로 흩어져 있지 않고 서로 가깝게 모여 있습니다. 이러한 데이터의 근접성 덕분에 우리는 단 몇십 개의 표본만으로도 천만 개가 넘는 전체 색상이나 다양한 음성 데이터를 분류할 수 있는 인공신경망을 효율적으로 학습시킬 수 있으며, 이는 인공지능이 일반화된 능력을 갖추는 핵심적인 원동력이 됩니다. 인공신경망의 핵심인 가중치(W)를 찾는 과정은 의외로 매우 단순한 원리로 작동합니다. 처음에는 모든 가중치(W)가 무작위로 설정되지만, 입력값이 들어오고 결과값이 나오면 이를 실제 정답 데이터와 비교합니다. 결과값이 목표보다 크면 낮추고, 작으면 높이는 방향으로 수많은 가중치(W)를 미세하게 조정해 나갑니다. 비록 알파고와 같은 복잡한 시스템에서는 수천만 개의 가중치(W)가 존재하지만, 결과값과 정답 데이터 사이의 오차를 줄여나가는 이 단순하고 반복적인 과정이 학습의 본질을 이룹니다. 이 단순무식해 보이는 방식이 모여 거대한 지능을 형성한다는 점은 현대 과학의 가장 놀라운 부분 중 하나입니다. 이러한 학습 방식을 '경사 하강법'이라고 부르며, 수학적인 증명을 넘어 실제 환경에서 놀라운 성능을 발휘합니다. 특히 신기한 점은 학습에 사용된 소량의 정답 데이터뿐만 아니라, 한 번도 본 적 없는 방대한 외부 데이터에 대해서도 높은 정확도를 유지한다는 것입니다. 수많은 전문가조차 왜 이런 단순한 수치 조정만으로 인공지능이 고차원적인 지능을 갖게 되는지 완벽하게 설명하지 못하고 있습니다. 이는 단순한 수학적 계산의 반복이 인간의 전유물이라 여겨졌던 복잡한 판단과 추론을 가능케 함을 보여주는 신비로운 대목이라 할 수 있습니다. 결국 딥러닝이란 이러한 인공신경망의 규모를 엄청나게 키워 복잡한 문제를 해결하는 기술입니다. 2012년 인류 역사상 처음으로 개와 고양이를 완벽히 구분하기 시작한 이후, 인공지능은 이세돌을 이긴 알파고부터 정교한 번역기와 음성 인식기까지 그 영역을 혁신적으로 확장해 왔습니다. 우리가 마주하는 최첨단 인공지능의 내면은 결국 수많은 곱하기와 더하기, 그리고 수치들 사이의 대소 관계를 따지는 아주 기초적인 연산의 집합으로 이루어져 있습니다. 이 단순함이 층층이 쌓여 비로소 거대한 인공지능의 시대가 열리게 된 것입니다.

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 3
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 수학
  • 융합

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 1

컴퓨터의 본질은 계산기이며 우리가 접하는 모든 정보는 내부적으로 숫자로 처리됩니다. 화면에 보이는 글자나 유튜브 영상, 음악까지도 결국 '디지털'이라는 숫자의 나열로 표현되는 것입니다. 하드웨어와 소프트웨어가 비약적으로 발전하면서 우리는 가상 현실까지 체험할 수 있게 되었지만, 이 모든 성과는 개발자가 한 줄씩 직접 입력한 '프로그래밍'의 결과물입니다. 윈도우와 같은 복잡한 소프트웨어는 1억 줄 이상의 코드로 이루어져 있으며, 이는 인간이 설계한 정교한 논리와 절차인 '알고리즘'을 바탕으로 구축된 거대한 시스템이라 할 수 있습니다. 인간은 수억 줄의 코드를 작성하며 정교한 프로그램을 만들어왔지만, 전통적인 프로그래밍 방식으로는 해결하기 어려운 문제들이 존재했습니다. 예를 들어 사진 속 동물이 고양이인지 개인지 판별하는 작업은 논리만으로 정의하기 매우 난해했습니다. '다리가 네 개'라는 특징을 정의하려 해도 세상에는 다리가 네 개인 동물이 너무 많고, 사진의 각도에 따라 다리가 보이지 않을 수도 있기 때문입니다. 두 살 아이에게는 쉬운 일이 컴퓨터에게는 불가능에 가까운 도전이었던 셈이며, 이는 사람이 일일이 논리를 설계하는 방식이 가진 명확한 한계를 보여줍니다. 이러한 한계를 극복하기 위해 등장한 것이 바로 딥러닝이며, 그 중심에는 '인공신경망'이라는 구조가 자리 잡고 있습니다. 인공신경망은 복잡한 도형과 화살표가 얽힌 전통적인 플로우 차트와 달리, 동그란 노드들이 대칭적으로 연결된 매우 단순한 형태를 띱니다. 수많은 노드가 층을 이루어 서로 정보를 주고받는 이 구조는 외견상 프로그래밍보다 단순해 보일 수 있습니다. 하지만 이 단순한 연결 구조가 반복되고 겹겹이 쌓이면서, 인간이 논리적으로 설명하기 힘든 복잡한 데이터의 패턴을 스스로 찾아낼 수 있는 강력한 연산 능력을 갖게 됩니다. 인공신경망의 핵심 원리는 의외로 간단한 수학 연산인 곱하기와 더하기에 기반하고 있습니다. 각 노드는 이전 단계에서 전달된 입력값에 특정 '가중치'를 곱하고, 그 결괏값들을 모두 합산하는 과정을 거칩니다. 여기서 입력값은 고정된 데이터이지만 가중치는 딥러닝 학습 과정을 통해 컴퓨터가 스스로 최적의 값을 찾아내야 하는 핵심적인 숫자입니다. 이렇게 합산된 하나의 숫자는 다시 특정 함수를 통과하며 다음 노드로 전달될 준비를 마칩니다. 이러한 단순 반복 연산이 수없이 중첩되면서 인간의 뇌를 모사한 거대한 신경망이 작동하게 되는 것입니다. 마지막 단계에서 데이터의 흐름을 조절하는 장치가 바로 '활성화 함수'입니다. 가장 널리 쓰이는 형태 중 하나인 맥스(ReLU) 함수는 입력된 값이 0보다 크면 그대로 내보내고, 0보다 작으면 0을 출력하는 아주 단순한 규칙을 따릅니다. 이처럼 개별 노드의 연산은 중학교 수준의 수학으로 이해할 수 있을 만큼 명확하지만, 수만 개의 노드가 연결되어 학습을 시작하면 인간이 직접 코딩할 수 없었던 사물 인식이나 자율주행 같은 고차원적인 문제를 해결하기 시작합니다. 이것이 바로 딥러닝이 현대 인공지능 기술의 95% 이상을 차지하게 된 핵심 비결입니다.

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 1
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 수학
  • 융합

[강연] 헬로 딥러닝 : 직관적이고 명확하게 딥러닝을 이해하기 _ by남세동 ㅣ 2020 가을 카오스강연 'Ai X' 9강 | 9강

컴퓨터는 본질적으로 숫자를 계산하는 기계입니다. 우리가 화면으로 보는 이미지나 듣는 음악도 결국은 디지털화된 숫자의 집합에 불과합니다. 전통적 프로그래밍 방식은 사람이 직접 논리와 절차를 설계하여 알고리즘을 만들고, 이를 코드로 옮기는 과정이었습니다. 하지만 고양이나 개를 구분하는 것과 같이 복잡한 패턴을 인식하는 문제는 인간이 모든 예외 상황을 코드로 정의하기에 한계가 있었습니다. 이러한 한계를 극복하기 위해 등장한 것이 바로 데이터 스스로 학습하는 딥러닝 기술입니다. 딥러닝의 핵심 구조인 인공신경망은 인간의 뇌 구조에서 영감을 얻었습니다. 인공신경망은 수많은 동그라미 형태의 노드와 이들을 잇는 화살표인 가중치로 구성됩니다. 놀랍게도 이 복잡해 보이는 시스템의 기본 원리는 단순한 곱셈과 덧셈의 반복입니다. 입력값에 가중치를 곱하고 이를 모두 더한 뒤, 활성화 함수를 거쳐 다음 노드로 전달하는 과정이 수없이 반복됩니다. 알파고나 자율주행 엔진 같은 최첨단 기술들도 그 내부를 들여다보면 결국 이러한 단순한 수치 계산의 거대한 집합체라고 할 수 있습니다. 인공지능을 학습시키는 대표적인 방법 중 하나는 정답을 알려주는 지도 학습입니다. 예를 들어 특정 배경색에 어울리는 글자색을 찾을 때, 수많은 예시 데이터를 입력하고 인공지능이 스스로 최적의 가중치를 찾아내도록 유도합니다. 처음에는 무작위로 설정되었던 가중치들이 반복적인 학습 과정을 거치며 점차 정답에 가까운 결과를 내놓게 됩니다. 이는 마치 어린아이가 반복 학습을 통해 사물을 구별하는 법을 배우는 과정과 유사하며, 데이터가 많아질수록 인공신경망은 더욱 정교한 판단을 내릴 수 있게 됩니다. 딥러닝의 가장 신기한 점은 일부 정답 데이터만으로도 학습하지 않은 수많은 사례를 정확히 판별해 낸다는 것입니다. 수천 장의 사진만 학습해도 수억 장의 새로운 사진 속 대상을 구분할 수 있는 이유는 데이터가 가진 고유한 패턴을 3차원 이상의 공간에 매핑하기 때문입니다. 비슷한 특징을 가진 데이터들은 특정 영역에 모이게 되고, 인공신경망은 이 영역들을 구분하는 경계선을 찾아냅니다. 이러한 일반화 능력 덕분에 인공지능은 단순한 암기를 넘어 새로운 상황에 유연하게 대처할 수 있는 지능적인 면모를 갖추게 됩니다. 인공신경망이 최적의 가중치를 찾아가는 과정은 매우 단순하면서도 무식할 정도로 반복적입니다. 입력값에 따른 결과가 정답과 다를 경우, 그 오차를 줄이기 위해 수천만 개에서 수십억 개에 달하는 가중치들을 조금씩 조정합니다. 이를 경사 하강법이라 부르는데, 오차라는 산의 골짜기를 찾아 내려가는 과정과 같습니다. 수학적으로 이러한 가중치가 존재한다는 것은 증명되었지만, 왜 이토록 단순한 방식으로 복잡한 지능이 구현되는지는 여전히 현대 과학의 신비로 남아 있습니다. 최근 딥러닝은 언어 모델인 GPT-3나 단백질 구조를 예측하는 알파폴드 2처럼 인류의 난제를 해결하는 수준에 도달했습니다. 이는 자연계에 존재하는 방대한 패턴을 숫자로 치환하여 분석할 수 있게 되었음을 의미합니다. 문장의 맥락을 파악하여 대화를 나누거나 복잡한 물리 시뮬레이션을 수천 배 빠르게 수행하는 등, 딥러닝은 인간의 지적 능력을 보조하는 강력한 도구가 되었습니다. 결국 딥러닝의 본질은 숫자의 집합속에서 유의미한 패턴을 찾아내어 이를 실용적인 지능으로 변환하는 기술이라 할 수 있습니다. 인류 역사를 돌아보면 기술의 활용이 이론적 이해보다 앞섰던 사례가 많습니다. 증기기관이 열역학 법칙이 정립되기 전부터 산업 혁명을 이끌었듯이, 딥러닝 역시 그 작동 원리를 완벽히 설명하지 못하더라도 이미 세상을 바꾸고 있습니다. 인공지능이 내놓는 결과가 왜 도출되었는지 인간이 완전히 이해하지 못하는 영역이 존재하지만, 이는 오히려 새로운 과학적 발견의 기회가 되기도 합니다. 우리는 이제 딥러닝이라는 거대한 도구를 통해 지능의 본질을 탐구하고 미래의 변화를 맞이할 준비를 해야 합니다.

[강연] 헬로 딥러닝 : 직관적이고 명확하게 딥러닝을 이해하기 _ by남세동 ㅣ 2020 가을 카오스강연 'Ai X' 9강

남세동

카오스재단카오스강연
  • 뇌인지과학