1. AI 영역 구분

1번: AI 모델 개발

  • 직접 머신러닝으로 모델 학습
  • 추천, 예측 등 자체 모델 제작
  • 시간/비용 많이 들고, 전문 인력 필요

2번: AI 기능 통합

  • 외부 LLM API 활용 (GPT, Claude)
  • 서비스에 챗봇, 요약, 검색 등 추가
  • 빠르고, 기존 개발자가 가능

3번: AI 도구 사용

  • Claude Code, Copilot으로 개발 효율화
  • AI는 보조 도구

2. 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

3. 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

4. 머신러닝의 학습 방식

머신러닝 (데이터로 모델 학습)
 ├─ 지도 학습 (정답 있는 데이터로 학습)
 ├─ 비지도 학습 (정답 없이 패턴 찾기)
 └─ 강화 학습 (시행착오로 학습)

5. 핵심 프로세스

학습 데이터 → [학습/Training] → 모델
입력 데이터 → [추론/Inference] → 결과

6. 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

7. 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