AI, 머신러닝, 딥러닝, LLM — 용어가 혼용되는데, 각각의 위치와 관계를 정리합니다.
AI 영역 구분
AI 모델 개발
- 직접 머신러닝으로 모델 학습
- 추천, 예측 등 자체 모델 제작
- 시간/비용 많이 들고, 전문 인력 필요
AI 기능 통합
- 외부 LLM API 활용 (GPT, Claude)
- 서비스에 챗봇, 요약, 검색 등 추가
- 빠르고, 기존 개발자가 가능
AI 도구 사용
- Claude Code, Copilot으로 개발 효율화
- AI는 보조 도구
데이터 마이닝 ↔ AI 관계
데이터 마이닝 AI
(패턴/인사이트 발견) (지능적 판단·행동)
╲ ╱
╲ ╱
╲ ╱
╲ ╱
머신러닝
설명
- 데이터 마이닝: “왜 이런 일이 일어나는가?” (패턴 발견)
- AI: “이 상황에서 뭘 해야 하는가?” (문제 해결)
- 머신러닝: AI의 한 분야이자, 데이터 마이닝에서 활용되는 핵심 도구
예시
- 데이터 마이닝: 고객 데이터 분석 → “금요일 저녁 맥주+치킨 많이 팔림” 발견
- AI: 고객 접속 시 → “이 사람에게 맥주 추천” 자동 판단
AI의 기술 체계
AI의 목적
- 지능적 판단·계획·행동으로 문제 해결
- 예측은 그 중 한 수단일 뿐
AI (지능적으로 판단·계획·행동하여 문제 해결)
├─ 규칙 기반 AI (if-then 로직)
├─ 탐색/최적화 알고리즘
└─ 머신러닝 ← 요즘 AI의 핵심 (특히 딥러닝)
├─ 전통 머신러닝 (SVM, 랜덤포레스트 등)
└─ 딥러닝
├─ CNN (이미지 인식)
├─ RNN (시계열 처리)
└─ Transformer (2017~)
├─ BERT (양방향 이해)
└─ LLM (대규모 언어모델) ← 요즘 가장 주목받는 분야
└─ GPT, Claude, Gemini
머신러닝의 학습 방식
머신러닝 (데이터로 모델 학습)
├─ 지도 학습 (정답 있는 데이터로 학습)
├─ 비지도 학습 (정답 없이 패턴 찾기)
└─ 강화 학습 (시행착오로 학습)
핵심 프로세스
학습 데이터 → [학습/Training] → 모델
입력 데이터 → [추론/Inference] → 결과
시대별 “AI"의 의미
1980년대: AI = 규칙 기반
- 한계에 부딪힘 (AI의 겨울)
2000년대: AI = 머신러닝
- 데이터 → 특징 → 학습 → 모델 → 추론
- 딥러닝 이론 존재, 컴퓨팅 파워 부족
2010년대: AI = 딥러닝
- GPU 발달
- 2012 ImageNet: CNN으로 이미지 인식 돌파
- 2017 Transformer 등장
2020년대: AI ≈ LLM (대중 인식)
- ChatGPT, Claude 등의 폭발적 성장
핵심 용어 정리
AI (인공지능)
- 지능적으로 판단·계획·행동하여 문제 해결
- 요즘은 사실상 머신러닝 의미로 많이 씀
머신러닝 (기계학습)
- 데이터로 기계를 학습시킴
- AI 구현에 성공한 방법
- 데이터 마이닝과 AI가 공유하는 핵심 도구
딥러닝
- 신경망을 깊게 쌓은 것
- 특징을 자동으로 학습 (사람이 특징 정의 불필요)
- GPU 발달로 2010년대 실용화
Transformer
- 2017년 등장한 딥러닝 아키텍처
- 병렬 처리가 가능해서 대규모 학습에 유리
LLM (Large Language Model)
- Transformer 기반 대규모 언어 모델
- ChatGPT, Claude 등
- AI 중 일부지만 최근 2-3년 폭발적 유행
데이터 마이닝
- 데이터에서 패턴/인사이트 찾기
- 머신러닝을 도구로 활용