AI 이야기 #2 - 머신러닝과 딥러닝은 뭐가 다른데?

AI를 조금이라도 공부해본 사람이라면, 꼭 듣게 되는 두 단어가 있다.

바로 머신러닝(Machine Learning)과 딥러닝(Deep Learning).

 

이름만 들으면 둘이 같은 것 같기도 하고, 또 다르다고 하니까 헷갈리기도 한다.

뭔가 딥러닝은 머신러닝의 더 멋진 버전 같기도 하고, 최신 기술이라 그런지 마케팅 문구에 자주 붙어 나오기도 한다.

 

그렇다면 이 둘은 어떻게 다르고, 왜 굳이 나눠 부르는 걸까?

이야기를 시작하기 전에, 일단 큰 그림을 그려보자.

AI라는 게 커다란 숲이라고 치면, 머신러닝은 그 숲 안에 있는 한 구역이다.

그리고 딥러닝은 그 구역 안에 있는, 또 다른 작은 숲 같은 존재다.

다시 말해, 머신러닝이라는 큰 틀 안에 딥러닝이 들어있다는 얘기다.

사람들은 종종 AI, 머신러닝, 딥러닝을 같은 말처럼 섞어 쓰지만, 사실은 포함 관계다.

머신러닝이란 뭘까?

쉽게 말하면, “기계에게 직접 규칙을 가르쳐주지 않고, 데이터로부터 규칙을 스스로 찾게 하는 방법”이다.

 

예를 들어 고양이 사진과 강아지 사진을 구분한다고 해보자. 옛날 방식은 사람이 직접 규칙을 세워주는 거였다.

“귀가 뾰족하면 고양이, 귀가 처지면 강아지.” 이런 식으로 수십, 수백 개의 규칙을 나열해 넣는 것이다.

하지만 세상 고양이 귀가 다 뾰족하지 않고, 강아지 중에도 귀가 뾰족한 놈들이 많다.

그러니 이런 규칙 기반 방식은 금방 한계에 부딪혔다.

머신러닝은 이 과정을 뒤집는다. 사람이 규칙을 만드는 대신, 기계가 데이터를 보면서 규칙을 스스로 배운다.

우리는 그저 고양이 사진에는 “고양이”라는 라벨을 붙여주고, 강아지 사진에는 “강아지”라고 표시해줄 뿐이다.

 

그러면 모델은 귀 모양, 눈 위치, 털 패턴 등 수많은 특성을 살펴보면서, 어느 순간 “이게 고양이다”라는 규칙을 알아낸다.

물론 이 규칙은 사람이 이해할 수 있는 문장으로 나오지 않는다.

수학적인 함수나 수많은 숫자의 조합으로 나타나지만, 중요한 건 기계가 스스로 패턴을 찾는다는 점이다.

자, 그럼 딥러닝은 뭐냐?

딥러닝은 머신러닝의 한 방식인데, 인공신경망(Artificial Neural Network)이라는 구조를 깊게 쌓아올린 모델이다.

여기서 “딥(Deep)”이라는 말이 붙은 이유는 층(layer)이 많기 때문이다.

 

예를 들어 단순한 머신러닝 모델은 입력 데이터를 넣으면 바로 출력이 나온다.

그런데 딥러닝은 입력 → 은닉층1 → 은닉층2 → … → 출력, 이런 식으로 여러 단계의 은닉층을 거친다.

각 층은 조금씩 더 추상적인 특징을 뽑아낸다.

 

사진 인식으로 예를 들어보면, 첫 번째 층은 단순히 선이나 모서리를 감지하고, 두 번째 층은 눈·코·입 같은 형태를,

세 번째 층은 얼굴 전체를 인식한다. 층이 깊어질수록 데이터의 본질을 점점 더 잘 파악하게 되는 것이다.

딥러닝이 진짜 빛을 발한 건 2012년, 이미지넷 챌린지라는 대회에서였다.

당시 ‘알렉스넷(AlexNet)’이라는 딥러닝 모델이 출전했는데, 기존보다 오류율을 무려 10% 이상 낮추며 압도적으로 1등을 했다.

 

이 사건은 사실상 현대 딥러닝 붐의 시작이었고, 이후 음성 인식, 번역, 자율주행, 추천 시스템 등

다양한 분야에서 딥러닝이 기존 머신러닝을 빠르게 대체하기 시작했다.

그럼 딥러닝이 항상 더 좋은 걸까? 꼭 그렇진 않다.

머신러닝에는 여전히 딥러닝보다 잘 쓰이는 경우가 많다. 예를 들어 작은 데이터셋만 있을 때, 딥러닝은 오히려 잘 작동하지 않는다.

 

층이 깊을수록 수많은 파라미터가 필요하고, 결국 데이터가 부족하면 모델은 헛소리를 하기 마련이다.

이럴 때는 오히려 로지스틱 회귀나 랜덤 포레스트 같은 전통적인 머신러닝 알고리즘이 훨씬 깔끔하게 문제를 풀어준다.

또, 딥러닝은 “블랙박스”라는 단점이 있다. 왜 이런 결과가 나왔는지 사람이 이해하기가 쉽지 않다.

반면 머신러닝의 일부 기법은 사람이 규칙을 들여다보면서 해석할 수 있다.

 

예를 들어 의사 결정 나무(Decision Tree)는 나뭇가지가 갈라지는 규칙이 그대로 보이기 때문에,

“이 환자는 나이가 60세 이상이고, 혈압이 높으니 고혈압군으로 분류됐다” 같은 설명을 사람이 납득할 수 있다.

이런 해석 가능성은 특히 의료나 금융처럼 설명 책임이 중요한 분야에서 아직도 빛을 발한다.

결국 이렇게 정리할 수 있다.

 

머신러닝은 데이터에서 규칙을 배우는 모든 기법을 포함한 큰 영역이고,

딥러닝은 그 안에서 신경망을 깊게 쌓아올려 데이터의 패턴을 더 정교하게 잡아내는 방법이다.

 

딥러닝은 많은 데이터와 강력한 계산 자원이 있을 때 무서운 성능을 발휘하고,

머신러닝은 여전히 단순하고 데이터가 적을 때도 잘 작동한다.

비유하자면, 머신러닝은 다양한 도구가 들어있는 공구상자다. 망치도 있고, 드라이버도 있고, 톱도 있다.

딥러닝은 그 안에 있는 전동 드릴 같은 거다.

 

전동 드릴은 큰 공사나 힘든 작업에서는 엄청난 힘을 발휘하지만, 작은 못 하나 박는 데는 오히려 망치보다 불편하다.

결국 중요한 건 상황에 맞는 도구를 고르는 눈이다.

오늘날 딥러닝이 대세처럼 보이지만, 머신러닝은 여전히 든든한 기반이다.

실제로도 많은 현업 엔지니어들이 데이터 분석을 시작할 때는 전통적인 머신러닝 기법을 먼저 시도하고,

성능이 한계에 부딪힐 때 딥러닝을 투입한다.

 

그러니까 머신러닝과 딥러닝의 차이를 단순히 “옛날 것 vs 최신 것”으로 나누기보다는,

“문제와 데이터에 따라 적합한 도구가 다르다”라고 이해하는 게 더 정확하다.

그러고 보면 이 둘의 관계는 마치 인간의 공부 방식과도 닮았다.

어떤 문제는 단순한 공식 몇 개로 풀 수 있다. 예를 들어, 구구단을 외우면 금방 답이 나온다.

하지만 어떤 문제는 단순 암기로는 도저히 풀 수 없다. 그럴 땐 다양한 개념을 겹겹이 이해하고 연결해야 한다.

딥러닝의 여러 층(layer)은 마치 학생이 기초 - 중간 - 심화 과정을 거치며 개념을 쌓는 과정과 같다.

결국 독자가 기억해야 할 건 단순하다.

AI라는 숲 속에서 머신러닝은 큰 길이고, 딥러닝은 그 길 위에 새로 닦인 고속도로다.

 

둘 다 같은 목적지로 향하지만, 속도와 방식은 다르다.

중요한 건 길을 아는 것보다, 지금 내가 어디로 가야 하는지를 아는 일일지도 모른다.