AI라는 말을 자주 듣게 됐다. 그런데 “어떤 프로그램을 AI라고 부르는 걸까?”라고 물으면, 자동으로 움직이는 기능과 학습한 기능이 한꺼번에 떠오른다. 남은 질문: 알람도 계산기도 자동으로 답을 내놓는데, 어디서 달라질까?

이번에는 처음부터 어려운 이름을 늘어놓지 않고 넣는 자료 → 답을 만드는 방법 → 돌려받는 결과를 따라가려 한다. 사진 한 장, 알람 하나, 체스의 한 수처럼 작은 예를 나란히 놓으면 차이가 더 잘 보인다.

메모: 필요한 선수지식은 없다. 입력은 넣는 자료, 출력은 돌려받는 결과라는 뜻부터 함께 짚는다.

무엇을 입력받고 어떤 결과를 만드는가

사진 한 장을 넣는다고 생각해보면

고양이인지 강아지인지 알려주는 프로그램을 가정해보자. 내가 넣는 것은 동물 사진 한 장이고, 돌려받는 것은 “고양이” 또는 “강아지”라는 결과다. 여기서 넣는 자료를 입력이라고 한다. 꼭 사람이 문장을 써서 넣어야 하는 것은 아니다.

사진을 보고 돌려주는 분류 결과는 출력이다. 같은 식으로 소리를 넣으면 글자를, 질문을 넣으면 답변을 받을 수도 있다. 우선은 입력 → 처리 → 출력이라는 흐름으로 보면 된다. 아직 이 흐름만으로 AI인지 결정할 수는 없다.

메모: 입력은 재료, 출력은 결과. 가운데에서 무엇을 하는지가 다음 질문이다.

↗

AI라는 이름에서 먼저 걷어낼 것

AI는 Artificial Intelligence의 줄임말이고, 한국어로는 인공지능이다. 여기서 “지능”이라는 말 때문에 사람처럼 느끼거나 스스로 목적을 정하는 존재를 먼저 떠올리기 쉽다. 하지만 사진의 종류를 고르는 기능을 설명하는 데 사람처럼 느끼고 생각한다는 주장을 가정할 필요는 없다.

우선은 하나의 과제를 해결하는 시스템으로 보는 편이 낫겠다. 고양이를 구분한다고 사람의 말뜻까지 알아듣는 것은 아니다. 이름에서 능력을 짐작하지 않고 실제로 할 수 있는 과제를 적으면, 남은 질문: 이 프로그램에 무엇까지 맡길 수 있을까?라는 질문도 구체적이 된다.

메모: 사진 분류를 한다는 사실과 사람처럼 생각한다는 주장은 다르다.

↗

입력과 출력만 있으면 AI일까

계산기에 1,000 × 2를 넣으면 2,000이 나온다. 계산기도 입력과 출력이 있다. 그러니 자료를 넣고 답을 받는다는 설명만으로는 부족하다. 프로그램이 어떤 과제를 어떤 방식으로 해결하는지까지 봐야 한다.

AI를 이해할 때는 “주어진 자료로 어떤 결과를 찾아내는가”를 본다. 아직 일어나지 않은 일을 짐작하거나, 다음에 볼 영상을 골라주거나, 어떤 행동을 할지 고르는 일이 그 예다. OECD라는 여러 나라가 함께 연구하는 기관의 설명을 읽어보니, 예시로 배우는 방법뿐 아니라 사람이 준 지식으로 답을 찾는 방법도 포함하고 있었다. 다만 모든 경우를 가르는 단 하나의 기준이 있다고 이해하면 곤란하다. 이 글에서는 하려는 일과 답을 만드는 방법을 함께 보는 것으로 출발한다. 정의와 범위 설명

중요: AI라는 이름보다 “무엇을 해결하고, 어떻게 답하는가”를 먼저 묻는다.

↗

같은 사진이라도 묻는 질문이 달라진다

고양이 사진 한 장을 두 프로그램에 넣어보는 상황을 가정해보자. 하나는 사진 파일의 크기를 알려주고, 다른 하나는 사진 속 동물의 종류를 알려준다. 같은 입력을 받지만 과제는 다르다. 과제란 프로그램이 해결하도록 정한 일이다.

파일의 크기는 저장된 정보를 읽어 계산할 수 있다. 동물의 종류는 사진 안의 모양을 구분해야 한다. “사진을 처리한다”는 표현에서 멈추면 이 차이가 사라진다. 입력뿐 아니라 원하는 결과도 적기. 그래서 무엇을 알아내야 하는가를 먼저 나눠보게 된다. 남은 질문: 지금 필요한 것은 파일 정보일까, 사진 내용일까?

메모: 같은 재료를 넣어도 하려는 일이 달라지면 필요한 방법이 달라진다.

↗

답을 내놓는 것과 답이 맞는 것은 다르다

사진 분류 프로그램이 고양이라고 답했다고 해서 항상 고양이인 것은 아니다. 어둡거나 일부만 보이는 사진에서는 잘못 분류할 수 있다. 결과가 나왔다는 사실과 결과가 맞는지 확인하는 일은 나눠서 생각해야 한다.

이 가상의 프로그램을 확인한다면 정답을 알고 있는 여러 사진과 결과를 비교하면 된다. 한 장을 맞힌 것보다 어떤 사진에서 자주 틀리는지도 중요하다. 내 말로 정리하면 AI를 이해한다는 것은 기능을 아는 데서 끝나지 않고, 남은 질문: 어디까지 믿을 수 있을까?를 함께 묻는 일이다.

메모: 그럴듯한 답을 보는 것과 성능을 확인하는 것은 별개의 일이다.

↗

세 장 중 두 장을 맞혔다면 무엇을 알 수 있을까

세 장을 확인해 한 장은 틀리고 두 장은 맞혔다고 가정해보자. 여기서 정확도는 확인한 것 중 얼마나 맞혔는지 나타내는 수다. 맞힌 두 장을 확인한 세 장으로 나누고 100을 곱하면 2 ÷ 3 × 100 ≈ 66.7%가 된다. %는 전체를 100으로 보았을 때의 비율이고, ≈는 “거의 같다”는 뜻이다. 세 장만 확인한 일을 백 장 검사한 일로 바꿨다는 뜻은 아니다. 실제 모델을 실행해 얻은 수치가 아니라 뜻을 설명하기 위한 가정이다.

이 숫자 하나로 다른 사진에서도 잘한다고 결론 내릴 수는 없다. 밝은 사진만 세 장 골랐는지, 어둡고 가려진 사진도 포함했는지가 다르기 때문이다. 확인한 자료의 범위를 함께 적어야 한다. 얼마나 맞혔나 + 무엇으로 확인했나. 남은 질문: 새로운 조건의 사진에서도 같을까?가 남는다.

메모: 확인 사례 세 장의 비율은 전체 사진에 대한 보장이 아니다.

↗

정해진 계산, 규칙, 학습을 구분하기

알람은 일을 자동으로 해준다

아침 7시가 되면 알람이 울린다. 매번 내가 울리라고 눌러야 하는 것은 아니다. 이렇게 사람의 반복 작업을 줄이고 정해진 절차를 실행하는 것을 자동화라고 부를 수 있다. 여기서는 정해둔 시간에 울리기면 충분하다.

하지만 “7시가 되면 울린다”는 단순한 조건을 실행했다고 해서 보통 AI라고 부르지는 않는다. 자동으로 한다 = AI다라고 생각하면 계산기나 예약 전송까지 모두 같은 범주에 넣게 된다. 자동화는 사람이 하던 일을 대신 처리한다는 뜻이고, AI 여부는 사용하는 기술과 과제를 더 살펴봐야 한다.

중요: 자동화와 AI는 겹칠 수 있지만 같은 뜻은 아니다.

↗

조건을 한 줄로 적을 수 있다면

알람의 일을 아주 작게 적으면 “현재 시간이 정한 시간이면 울린다”가 된다. 이처럼 조건이 맞을 때 정해진 일을 하는 문장을 조건문이라고 부른다. “비가 오면 우산을 챙긴다”와 비슷하게 조건과 행동을 나누는 것이다.

여기서는 시간을 비교하는 방법과 울릴 때 할 일을 사람이 정해놓았다. 사람 대신 하게 된 일이 보인다. 물론 복잡한 서비스 안에는 조건문과 AI가 함께 들어갈 수 있다. 조건문이 보이니 전체가 AI가 아니다라고 단정하지 않고, 남은 질문: 어느 기능을 지금 설명하고 있는가?를 좁혀야 한다.

메모: 한 프로그램의 일부에 조건문이 있다는 사실과 전체 기술의 분류는 다르다.

↗

사람이 답을 만드는 규칙을 정한 경우

상품 가격이 1,000원이고 두 개를 샀다면 가격 × 수량으로 합계를 계산하면 된다. 할인 기준도 “10,000원 이상이면 1,000원 할인”처럼 정할 수 있다. 이 예에서는 계산식과 조건을 사람이 직접 정한다. 프로그램은 정해진 식과 조건을 실행한다.

이런 단순한 계산을 굳이 AI로 바꿀 이유는 없다. 그런데 여기서 규칙이 들어가면 AI가 아니다라는 결론까지 가면 틀린다. 규칙과 지식을 연결해 복잡한 문제를 풀기도 하기 때문이다. 남은 질문: 단순한 조건 실행과 복잡한 판단은 어디서 달라질까?는 다음 질문에서 이어서 살펴본다.

메모: 규칙이 있는지 없는지만으로 AI 여부를 판단하지 않는다.

↗

왜 귀 모양 하나로는 부족할까

“귀가 뾰족하면 고양이”라는 규칙에서 곤란한 부분은 뾰족한 귀의 강아지가 있다는 점이다. 귀가 가려진 고양이도 있다. 이것들은 예외이고, 하나의 조건으로 설명되지 않는 사례다. 조건을 더 적어도 모든 사진의 경우를 다 적었다는 보장은 없다.

그래서 여러 사진에서 구분에 도움이 되는 관계를 찾는 방법을 생각하게 된다. 직접 적기 어려운 관계를 자료에서 찾기가 학습을 검토하는 이유다. 그렇다고 사람이 손을 떼는 것은 아니다. 자료를 고르고 정답을 확인하는 일은 남는다. 남은 질문: 어떤 사진들이 빠져 있을까?도 사람이 물어야 한다.

메모: 학습은 사람의 일이 사라지는 마법이 아니라, 문제를 푸는 방법의 변화다.

↗

사례를 주고 관계를 배우게 하는 경우

고양이 사진을 분류하려고 “귀가 뾰족하면 고양이”라고만 정하면 강아지도 걸릴 수 있다. 몸이 가려지거나 자세가 달라지는 경우도 있다. 다른 방법으로는 사진과 그 사진의 정답을 여러 개 제공해, 자료 속 관계를 바탕으로 분류 방식을 만들게 할 수 있다. 이런 기술을 머신러닝이라고 한다.

머신러닝은 흔히 기계학습이라고 번역한다. Google의 입문 자료도 예시 자료로 모델을 만들고 결과를 예상하는 방법을 설명한다. 여기서 모델은 결과를 고를 때 쓰는 계산 기준이라고 생각하면 된다. 예를 들어 여러 동물 사진으로 만든 구분 기준에 새 사진을 넣으면, 그 기준을 사용해 종류를 고르는 것이다. 사람이 외운 규칙과 똑같다는 뜻은 아니다. 사례를 줬다고 자동으로 정확해지는 것은 아니다. 어떤 사례를 줬는지도 중요하다. 기계학습 입문

메모: 사람이 조건을 직접 적는 방법과, 사례에서 관계를 배우는 방법을 비교한다.

↗

학습용 사진의 정답은 어디서 올까

고양이 사진에 “고양이”, 강아지 사진에 “강아지”라는 이름을 붙였다고 해보자. 여기서 붙인 정답 이름을 레이블이라고 한다. 사진과 정답 이름을 함께 제공해 배우게 하는 방법을 지도학습이라고 한다. 문제와 정답을 함께 보며 구분 기준을 만드는 셈이다.

고양이 사진에 강아지라고 적어주면, 배우는 기준부터 잘못될 수 있다. 또 같은 사진만 반복한다고 다양한 상황을 보여준 것은 아니다. 자료의 양과 자료의 적절함은 다르다. 학습에 사용한 사진과 별도로 남긴 사진으로 확인하는 이유가 여기서 이어진다. 남은 질문: 본 적 없는 사진에서도 구분할까?

메모: 레이블은 학습의 기준이다. 이름을 붙이는 단계부터 확인이 필요하다.

↗

규칙과 탐색으로 작동하는 방식도 살펴보기

체스에서 한 수를 고른다면

과거 게임 기록으로 학습하지 않는 간단한 체스 프로그램을 가정해보자. 사람이 말의 이동 규칙과 상황을 평가하는 기준을 넣어둘 수 있다. 프로그램은 지금 둘 수 있는 수를 찾아보고, 그 뒤 상대가 둘 수 있는 수까지 살펴본다. 이렇게 가능한 선택을 따라가며 비교하는 과정을 탐색이라고 한다.

여기서 탐색은 인터넷 검색창에 단어를 넣는다는 뜻이 아니다. 여러 가능한 진행을 살피는 것이다. 허용된 수를 아는 것과 그중 유리한 수를 고르는 것은 다르다. 모든 경우를 끝까지 볼 수 없다면 어디까지 살펴볼지도 정해야 한다. 탐색을 다루는 대학 AI 교재

메모: 규칙은 가능한 수를 정하고, 탐색과 평가는 선택할 수를 고르는 데 쓰인다.

↗

규칙을 안다는 것과 좋은 수를 고른다는 것

체스에서 말이 움직일 수 있는 칸을 아는 것만으로 좋은 수를 고를 수는 없다. 가능한 수와 유리한 수는 다른 목록이다. 프로그램이 앞으로 벌어질 일을 비교하려면 평가 기준도 필요하다. 평가 기준은 어느 쪽이 더 좋은지 비교할 때 보는 약속이다.

예를 들어 말을 잃는 상황을 불리하게 보는 기준을 사람이 넣을 수 있다. 이것은 상대의 모든 다음 수를 완벽히 안다는 뜻이 아니다. 살펴본 범위 안에서 비교하는 것이다. 이동 규칙 + 가능한 진행 비교 + 평가. 남은 질문: 얼마나 앞까지 볼 수 있을까?가 성능과 연결된다.

메모: 체스 규칙은 합법적인 행동을, 탐색과 평가는 선택할 행동을 설명한다.

↗

규칙을 연결해 결론을 찾는 방식도 있다

작은 퍼즐을 생각해보자. “빨간 열쇠는 빨간 문을 연다”, “문 안에는 출구가 있다”라는 정보가 있다면, 현재 가진 열쇠와 문을 연결해 가능한 행동을 찾을 수 있다. 이렇게 주어진 지식과 관계를 이용해 결론을 도출하는 것은 추론을 이해하는 한 가지 예다.

AI에는 사람이 정리한 지식으로 추론하는 방식도 있다. 따라서 AI는 반드시 자료로 학습해야 한다고 단정할 수 없다. 다만 작은 퍼즐 규칙 몇 개를 적었다는 사실만으로 곧바로 모든 프로그램을 AI라고 부르지도 않는다. 실제로 어떤 문제에서 주어진 정보를 어떻게 연결하는지를 함께 봐야 한다. 지식 기반 방식 설명

중요: 학습은 AI를 만드는 중요한 방법 중 하나다. AI 전체의 유일한 방법은 아니다.

↗

선택지를 따라가면 왜 경우가 늘어날까

체스를 단순화한 장난감 상황에서 매번 선택지가 두 개라고 가정해보자. 한 단계 뒤에는 두 갈래, 두 단계 뒤에는 2 × 2 = 4갈래, 세 단계 뒤에는 2 × 2 × 2 = 8갈래가 된다. 실제 체스의 경우 수를 센 것은 아니라 갈래가 늘어나는 이유를 보여주는 예다.

가능한 진행을 더 멀리 볼수록 비교할 대상이 커질 수 있다. 그러니 얼마나 살펴보고 어디서 멈출지도 설계의 일부다. 탐색에도 시간과 계산의 한계가 있다. 학습 없이 가능성을 비교한다는 말은 항상 최선의 답을 즉시 찾는다는 말과 다르다.

메모: 가능한 경우를 생각하는 능력과 모든 경우를 끝까지 확인하는 능력은 다르다.

↗

처음 학습한 것과 사용할 때 배우는 것은 다르다

사진으로 모델을 훈련하는 단계와, 완성된 모델에 새 사진을 넣는 단계는 구분할 수 있다. 첫 번째는 학습이다. 두 번째는 이미 만든 구분 기준으로 새 사진의 결과를 고르는 일이다. 새 사진을 넣을 때마다 반드시 모델 자체가 새로 학습되는 것은 아니다.

답을 만든다고 해서 곧바로 기억을 쌓거나 능력이 바뀌는 것은 아니라는 뜻이다. 처음에만 훈련할 수도 있고, 일정 기간 뒤 다시 훈련할 수도 있다. 어떻게 만들어졌는가와 사용 중 무엇이 바뀌는가를 나눠 물어보면 “쓰면 쓸수록 알아서 똑똑해진다”는 표현도 더 조심해서 보게 된다.

메모: 답변이 바뀌었다는 사실만으로 재학습이 일어났다고 결론 내릴 수는 없다.

↗

대화가 이어지는 것과 모델이 바뀌는 것

앞에서 사진을 한 장 더 넣는 것과 모델을 다시 학습하는 일을 구분했다. 챗봇에서도 비슷한 질문이 생긴다. 앞선 대화를 참고해 답이 달라지는 것은 현재 답을 만들 때 참고하는 자료가 달라진 경우일 수 있다. 이 참고 내용을 맥락이라고 부른다. 이것만으로 모델의 학습 결과가 바뀌었다고 말할 수는 없다.

일부 서비스는 별도의 저장된 기억이나 추가 학습 절차를 둘 수도 있다. 그런 기능은 서비스마다 확인해야 한다. 지금 대화를 참고하는 것, 따로 저장하는 것, 모델을 재학습하는 것을 나누면 “기억한다”는 말이 덜 모호해진다.

메모: 답변의 변화만 보지 않고, 어떤 자료나 계산 구조가 달라졌는지 묻는다.

↗

사진 분류·추천·음성 인식으로 범위 이해하기

사진을 여러 종류로 나누는 AI

사진을 넣고 “고양이”라는 이름을 받는 일은 분류다. 정해둔 여러 종류 중 어디에 속하는지 고르는 것이다. 결과가 긴 문장일 필요는 없다. 사진 한 장 → 종류 하나처럼 짧은 결과만 돌려줘도 AI를 이용할 수 있다.

사람은 고양이가 누워 있어도 고양이라고 알아볼 수 있다. 하지만 프로그램에도 그 일이 저절로 쉬운 것은 아니다. 어두운 사진, 옆모습 사진, 몸이 가려진 사진에서도 맞게 골라야 한다. 사진마다 달라지는 모습 때문에 단순한 색깔 조건만으로 해결하기 어려울 수 있다. 다만 모든 사진 정리 기능이 AI인 것은 아니다. 촬영 날짜순 정렬은 날짜를 비교하는 규칙만으로 할 수 있다.

메모: 사진을 다룬다는 사실보다, 날짜를 정렬하는지 내용을 구분하는지 본다.

↗

종류를 고르는 것과 사진을 새로 만드는 것

고양이 사진을 넣고 “고양이”라는 이름을 받는 일은 분류였다. 반면 “고양이 사진을 만들어달라”는 요청으로 새 이미지를 받는 것은 생성이다. 앞의 결과는 종류 이름, 뒤의 결과는 새로 만들어진 이미지다.

분류와 생성 모두 AI 기술을 쓸 수 있지만 해결하는 일이 다르다. 맞는 종류를 골랐는지를 보는 기준과 요청한 조건에 맞게 만들었는지를 보는 기준도 달라진다. 결과의 형태가 바뀌면 확인 방법도 바뀐다. 남은 질문: 지금은 알아내려는가, 만들려는가?

메모: AI라는 한 이름 안에서도 분류와 생성은 별도의 과제다.

↗

다음에 볼 것을 추천하는 AI

가상의 영상 서비스가 내가 본 영상과 다른 이용자의 이용 기록을 바탕으로 다음 영상을 고른다고 생각해보자. 이때 결과는 답변 문장이 아니라 추천할 영상 목록이다. 무엇을 관심 있어 할지 예상해 선택지를 제시하는 일을 추천이라고 한다.

여기서 추천이 나왔다는 사실만으로 모두 같은 AI 기술을 썼다고 볼 수는 없다. 누구에게나 인기순 목록을 보여주기와 사람마다 다른 관심을 예상하는 방식은 다르다. 추천 목록을 확인할 때도 내게 실제로 필요한 선택인지가 중요하다. 예상한 관심과 지금 내 목적은 어긋날 수 있다.

남은 질문: 추천 목록은 어떤 자료를 보고 정해졌을까?

↗

많이 본 영상과 지금 필요한 영상

영상 서비스가 내가 기타 영상을 많이 봤다는 기록을 사용한다고 가정해보자. 그 자료로 기타 영상을 좋아할 가능성을 예상할 수 있다. 그런데 지금 원하는 것은 요리 방법일 수도 있다. 예상은 관찰된 자료로 결과를 짐작하는 것이며 현재 목적을 확실히 아는 것과 같지 않다.

인기순 목록은 모든 이용자에게 같은 순서를 보여줄 수 있고, 개인별 목록은 사람마다 다를 수 있다. 다르다는 사실만으로 구현한 알고리즘을 전부 알 수 있는 것은 아니다. 무슨 자료로 무엇을 예상했는지를 묻는다. 많이 클릭할 것 ≠ 내게 가장 필요한 것. ≠는 “같지 않다”는 뜻이다. 남은 질문: 무엇을 좋은 추천이라고 정했을까?

메모: 추천이 최적화하는 기준과 내가 원하는 기준은 어긋날 수 있다.

↗

소리를 글자로 바꾸는 AI

“내일 오후 세 시”라고 말한 소리를 글자로 바꾸는 기능을 생각해보자. 입력은 소리, 출력은 문장이다. 소리에서 말한 내용을 알아내는 기술을 음성 인식이라고 한다. 소리 → 글자라는 과제를 해결한다.

그러나 말소리를 글자로 바꾸는 것과 그 말의 의도를 파악해 약속을 잡는 것은 다른 과제다. 한 서비스가 둘을 이어서 제공할 수는 있다. 한 기능이 되면 다른 기능도 된다고 가정하지 않기. AI를 볼 때는 서비스 이름 하나보다 그 안에서 나눠 수행하는 일을 살펴보는 편이 이해하기 쉽다. AI 적용 분야 설명

중요: AI는 대화만 하는 기술이 아니다. 결과는 종류·목록·글자처럼 다양하다.

↗

말을 받아쓰는 일에서도 확인이 필요하다

조용한 방에서 또렷한 목소리를 알아듣는 상황과 사람이 여럿 말하는 상황은 다르다. 주변 소음, 말하는 속도, 낯선 이름은 결과를 확인할 때 따로 볼 조건이다.

내일 “세 시”라고 말했는데 “네 시”라고 적혔다면 단 한 글자 차이라도 약속은 달라진다. 글자가 얼마나 비슷한가와 일에 필요한 뜻이 맞는가를 함께 본다. 받아쓴 문장을 읽고 확인하기. 남은 질문: 숫자와 이름도 정확히 옮겼을까?

메모: 음성 인식 결과를 다음 행동에 쓰기 전에 필요한 내용이 맞는지 확인한다.

↗

단순한 규칙으로 충분한 경우와 비교하기

확장자로 파일을 나누는 일

파일 이름 끝이 .jpg나 .png이면 사진 폴더로 옮기고, .pdf이면 문서 폴더로 옮기는 프로그램을 가정해보자. 필요한 기준은 이름 끝의 확장자다. 이 제한된 요구라면 정해진 목록과 비교하는 규칙으로 해결할 수 있다.

그런데 “확장자가 .jpg인 파일만 찾기”와 “실제로 고양이가 나온 사진 찾기”는 다르다. 두 번째 일은 파일 안의 사진 내용을 살펴봐야 한다. 원하는 결과를 먼저 정확히 적기. 무엇을 구분하려는지 바뀌면 필요한 방법도 바뀔 수 있다. 이 예에서는 프로그램이 모든 파일의 실제 형식까지 검사한다고 가정하지 않는다.

메모: 문제를 작게 정의하면 복잡한 기술이 필요 없는 경우도 보인다.

↗

확장자가 사진 내용을 알려주지는 않는다

확장자는 파일 이름 뒤에 붙는 .jpg, .pdf 같은 부분이다. 파일 정리 예에서는 이것을 기준으로 폴더를 골랐다. 하지만 .jpg라는 이름만 읽어서 사진 속 동물이 무엇인지 알아낼 수는 없다.

이름을 바꾸면 뒤의 글자도 바뀔 수 있고, 뒤의 글자가 실제 파일 형식과 항상 일치하는 것도 아니다. 그래서 이 글의 간단한 규칙은 이름 끝을 보고 정리하는 제한된 요구에만 쓰인다. 파일의 이름·실제 형식·내용은 나눠 보기. 무엇까지 확인하는 규칙인가를 적어야 한다.

메모: 확장자 정리는 파일 내용 분석이나 실제 형식 검증을 대신하지 않는다.

↗

규칙으로 하기 어려울 때도 바로 답은 아니다

고양이가 나온 사진만 찾으려면 자세·배경·밝기가 달라도 구분해야 한다. 이런 문제에서는 학습한 모델을 검토할 이유가 생긴다. 하지만 규칙으로 어렵다 = AI가 반드시 잘한다는 뜻은 아니다. 어떤 사진을 처리할지와 얼마나 잘못 골라도 괜찮은지를 먼저 정해야 한다.

예를 들어 내가 다시 확인하는 개인 사진 목록이라면 잘못 들어간 사진을 빼면 된다. 반대로 결과에 따라 파일을 바로 지운다면 같은 오분류도 훨씬 큰 문제가 된다. 틀렸을 때 생기는 일까지 따져보면, AI 성능뿐 아니라 사람이 확인하고 되돌릴 수 있는 절차도 설계해야 한다는 점이 보인다.

메모: 같은 분류 결과라도, 추천만 하는지 바로 실행하는지에 따라 필요한 확인이 달라진다.

↗

복잡한 방법과 무엇을 비교할까

새 방법이 좋아졌는지 알려면 먼저 비교할 대상이 있어야 한다. 파일 정리에서는 사람이 손으로 옮기기나 확장자 규칙으로 옮기기가 그 대상이 될 수 있다. 이렇게 처음 비교하는 방법을 기준 방법이라고 적어두자.

AI 결과만 보고 “빠르다”라고 하면 무엇보다 빠른지 빠져 있다. 같은 자료와 같은 목표로 비교해야 한다. 시간 + 잘못된 결과 + 고치는 수고를 함께 적으면 실제로 도움이 되는지 보기 쉽다. 남은 질문: 확인과 수정에 걸린 시간까지 줄었을까?

메모: 새 기술의 이름보다 기존 방법과 비교했을 때 달라진 결과를 본다.

↗

다음에 직접 비교해볼 작은 문제

처음에는 파일 정리와 사진 내용 분류를 나란히 적어보면 좋겠다. 각각 넣는 자료, 원하는 결과, 사람이 설명할 수 있는 규칙을 적는다. 규칙이 충분하면 그 방법부터 생각하고, 부족하면 남은 질문: 어떤 사례와 판단 기준이 더 필요할까?를 묻는다.

이 글에서는 실제 프로그램을 실행하거나 정확도를 측정하지 않았다. 다음에 비교한다면 같은 자료에 대해 걸린 시간, 틀린 결과, 고치는 수고를 함께 기록하려 한다. 지금 남길 기준은 AI를 쓰는 것보다 문제를 제대로 푸는 것이다. 기술 이름을 고르는 일은 이어지는 생각: 문제와 확인 기준을 정한 다음으로 미뤄도 된다.

중요: 규칙으로 충분한지 먼저 보고, AI가 더 나은지는 실제 결과로 비교한다.

↗

작게 확인하려면 무엇부터 적을까

가상의 첫 비교는 사진 열 장을 원본 그대로 남겨둔 상태에서 시작할 수 있다. 고양이가 나온 사진의 목록만 만들기처럼 목표를 좁힌다. 자동 삭제 대신 원본을 보존하고 사람이 확인하게 한다. 여기서 완료 기준은 맞는 사진을 얼마나 찾고 틀린 사진을 얼마나 골랐는지 설명할 수 있는 것이다.

“고양이가 아닌 사진을 골랐는가”와 “고양이 사진을 놓쳤는가”를 따로 적는다. 두 종류의 실수는 뒤의 수정 작업이 다르다. 틀린 결과와 빠진 결과를 함께 보기. 작은 범위에서 확인한 뒤 넓히기. 남은 질문: 이 확인만으로 다음 규모에 써도 될까?

메모: 여기는 앞으로 해볼 비교 설계다. 실제 모델 실행 결과를 보고하는 부분은 아니다.

↗

아래 질문에 한 문장씩 답해보면 된다. 설명을 보고 따라 읽는 것과, 예를 바꿔서 차이를 말할 수 있는 것은 다르다.

01. 7시에 자동으로 울리는 알람은 왜 보통 AI라고 부르지 않을까?

시간을 비교해 정해진 행동을 수행하는 간단한 규칙만으로 이 기능을 설명할 수 있기 때문이다. 자동화라는 사실만으로 AI가 되는 것은 아니다.

메모: 자동화와 AI를 같은 말로 쓰지 않기.

02. 고양이 사진을 넣고 종류 이름을 받는 예에서 입력·출력은 무엇일까?

입력은 사진이고 출력은 종류 이름이다. 사진을 넣었다는 사실보다 그 내용에서 무엇을 알아내려는지 살펴본다.

메모: 입력과 출력만으로 AI 여부를 결정하지 않기.

03. 학습 기록이 없는 체스 프로그램도 AI 방식으로 수를 고를 수 있을까?

그럴 수 있다. 사람이 준 규칙과 평가 기준으로 가능한 진행을 탐색하는 방법이 있다. 모든 체스 프로그램이 같은 방식인 것은 아니다.

메모: 학습은 AI의 중요한 방법이며 유일한 방법은 아니다.

04. 챗봇이 앞선 말을 참고했다면 반드시 모델을 다시 학습한 걸까?

아니다. 현재 대화라는 참고 자료가 달라졌을 수 있다. 모델 재학습·별도 기억 저장·현재 맥락 사용은 구분한다.

메모: 현재 답을 바꾸는 자료와 모델을 바꾸는 절차는 다르다.

05. 음성을 글자로 바꿨다면 약속까지 잡았다고 볼 수 있을까?

아니다. 받아쓰기와 날짜·시간을 이해해 일정에 넣는 행동은 다른 과제다. 서비스가 둘을 연결하는지 따로 확인한다.

메모: 한 과제의 결과가 다음 과제의 완료를 보장하지 않는다.

06. 사진을 자동 삭제할 때와 후보 목록만 만들 때 같은 확인으로 충분할까?

아니다. 같은 오분류라도 삭제는 원본 손실로 이어질 수 있다. 무엇을 실행하는지, 사람이 검토하고 되돌릴 수 있는지 함께 정한다.

메모: 맞는 답뿐 아니라 틀렸을 때 생기는 일도 확인하기.

↗

처음 질문으로 돌아오면, AI 여부는 “자동인가?” 한 줄로 끝나지 않는다. 무엇을 해결하며, 어떤 방법으로 답을 만드는가를 먼저 보는 것이다. 사진 분류와 파일 정리를 비교하면서 이 기준이 조금 더 분명해진다.

다음에는 사람이 규칙을 직접 적는 방법과 자료에서 관계를 배우는 방법을 같은 문제에 놓고 비교하려 한다. 남은 질문: 사람이 적는 규칙은 어디서 막히고, 학습은 그 빈자리를 어떻게 채울까?

이 글의 사진 분류·체스·파일 정리 상황과 숫자는 원리를 설명하기 위한 가정이다. 모델을 직접 훈련하거나 정확도를 측정한 실험 기록은 아니다.

자료 확인 2026.10.11. 정의의 범위, 기계학습과 탐색의 기본 설명을 확인하고 본문의 가상 예와 연결했다.

OECD.AI · AI 시스템의 정의와 경계 — 입력·결과, 학습과 지식 기반 방식, 학습 이후의 변화에 대한 설명. 저자들의 해설이며 OECD의 모든 공식 견해를 대신하는 문서로 취급하지 않았다.

Google Developers · What is Machine Learning? — 자료를 사용한 모델 학습, 지도학습과 레이블, 예측과 생성의 구분.

UC Berkeley CS188 · Uninformed Search — 상태·가능한 행동·탐색의 기본 틀. 본문의 체스와 두 갈래 예는 이를 쉽게 풀기 위한 별도 설명이다.

Google Developers · Dividing the original dataset — 학습에 사용한 자료와 별도로 남긴 자료로 확인하는 이유.

Google Developers · Classification: Accuracy — 맞힌 사례의 비율과 평가 시 살펴볼 조건.

본문 이미지는 개념 설명을 위해 생성한 실사 형식의 연출 이미지다. 실제 제품 화면·모델 성능·실험 결과를 촬영한 자료는 아니다.