Lecture 01. 인공지능이란 무엇인가

개요

핵심 질문

• 인공지능은 무엇이며, 어떻게 정의할 수 있는가?
• 규칙 기반 시스템과 학습 기반 시스템은 어떻게 다른가?
• 인공지능, 머신러닝, 딥러닝은 어떤 관계인가?
• "지능"을 어떻게 정의하고 측정할 수 있는가?

학습 목표

• 인공지능의 학문적·실용적 정의를 구분하여 설명할 수 있다.
• AI → ML → DL의 포함 관계를 개념적으로 이해한다.
• 규칙 기반과 학습 기반 접근의 근본적 차이를 설명할 수 있다.
• 인공지능 역사의 흐름과 각 전환점의 의미를 파악한다.

---

핵심 개념

1. 인공지능의 정의

학문적 정의

보통 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구 활동.

실용적 정의

사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템을 만드는 기술.

두 정의의 교차점은 "지능적 작업의 자동화" 다. 여기서 지능(intelligence)은 신비로운 속성이 아니라, 주어진 환경에서 목표를 달성하는 문제 해결 능력으로 바라보는 관점이 현대 AI의 출발점이다.

강인공지능과 약인공지능

구분	정의	현재 상태
강인공지능 (Strong AI)	사람과 구분하기 어려운 범용 지능	미실현
약인공지능 (Weak AI)	특정 분야에서 사람을 보조하는 지능	현재 모든 AI 시스템

---

2. AI → ML → DL : 포함 관계

인공지능 (Artificial Intelligence)

• 인간의 지적 능력을 컴퓨터로 구현하려는 가장 넓은 범주
• 초기에는 심볼릭 AI(Symbolic AI) 가 주류 — 명시적 규칙을 데이터베이스에 저장하는 방식

머신러닝 (Machine Learning)

• AI의 한 분야
• 명시적 규칙 없이 데이터로부터 패턴을 학습하는 알고리즘
• 대표 알고리즘: 로지스틱 회귀, 나이브 베이즈, 서포트 벡터 머신(SVM)

딥러닝 (Deep Learning)

• 머신러닝의 한 분야
• 인공 신경망(Artificial Neural Network) 구조를 기반으로 학습
• 층(Layer)을 깊게 쌓아 점진적으로 복잡한 표현을 학습 — 이것이 "딥(Deep)"의 의미

---

3. 규칙 기반 vs 학습 기반

구분	규칙 기반 시스템	학습 기반 시스템
접근 방식	사람이 규칙을 직접 작성	데이터에서 규칙을 자동 학습
입력	규칙 + 데이터	데이터 + 정답(또는 피드백)
출력	규칙 적용 결과	학습된 모델
한계	규칙 폭발, 예외 처리 불가	데이터 의존성, 해석 어려움
예시	전문가 시스템, if-else 체인	SVM, 신경망, LLM

핵심 전환:

규칙 기반: 규칙 + 데이터 → 답

학습 기반: 데이터 + 답 → 규칙(모델)

---

4. Task-oriented AI

현대 AI는 특정 과제(Task) 중심으로 설계된다. Mitchell(1997)의 정의가 이를 가장 명확하게 표현한다:

어떤 작업 $T$에 대해, 성능 $P$로 측정했을 때, 경험 $E$로 인해 성능이 향상된다면 — 그 프로그램은 $T$에 대해 $E$로 학습한 것이다.

즉 AI는 "지능 그 자체"가 아니라 측정 가능한 성능 향상으로 정의된다.

---

5. 인공지능의 역사

두 번의 AI 겨울이 남긴 교훈

• 1차 AI 겨울: 컴퓨터 성능 한계 — 단순 문제 해결이 전부
• 2차 AI 겨울: 전문가 시스템의 실패 — 규칙의 폭발적 복잡도를 감당 못함

두 번의 실패는 모두 규칙 기반 접근의 한계에서 비롯됐다. 그 반성이 학습 기반 접근, 즉 머신러닝·딥러닝으로의 전환을 가속시켰다.

---

수식

Mitchell(1997)의 학습 정의

$$\text{학습} \equiv P(T, E) \uparrow \quad \text{as} \quad E \uparrow$$

성능 $P$는 과제 $T$에 대해 경험 $E$가 쌓일수록 향상된다.

선형 분류기 (규칙 기반 → 학습 기반 전환의 시작점)

$$\hat{y} = \text{sign}(\mathbf{w}^\top \mathbf{x} + b)$$

• $\mathbf{x}$: 입력 특성 벡터
• $\mathbf{w}$: 학습된 가중치
• $b$: 편향
• $\hat{y}$: 예측 클래스

규칙 기반이라면 $\mathbf{w}$를 사람이 직접 설정한다. 학습 기반이라면 데이터로부터 $\mathbf{w}$를 자동으로 최적화한다.

---

시각화

머신러닝의 전체 흐름

---

직관적 이해

규칙 기반 시스템은 요리 레시피다. 재료(데이터)가 들어오면, 레시피(규칙)대로 조리해 결과를 낸다. 문제는 세상의 모든 요리를 레시피로 커버할 수 없다는 것이다.

머신러닝은 맛을 보면서 레시피를 스스로 만들어가는 요리사다. 정답 레시피를 주지 않아도, 충분한 데이터(재료와 완성된 요리 사례)를 보면서 스스로 규칙을 발견한다.

딥러닝은 거기서 한 발 더 나아가, 재료의 본질 자체를 재해석한다. "이게 단순히 소금이 아니라, 감칠맛의 원천이다"라는 식의 계층적 표현(hierarchical representation)을 스스로 학습한다.

---

참고

• Mitchell, T. (1997). Machine Learning. McGraw-Hill.
• LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE.
• Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS.
• Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O'Reilly.
• Chollet, F. (2021). Deep Learning with Python (2nd ed.). Manning.