기계 학습

왜 배우는가: 기계 학습은 자율주행, 추천, 음성·영상 인식 등 거의 모든 인공지능 응용의 기반 기술이라서 기술사 시험에서 정의, 분류, 응용을 묶어 반복해 묻는다. 규칙을 사람이 일일이 쓰지 않고 데이터에서 찾는다는 원리를 알아야 다른 AI 주제도 연결해서 설명할 수 있다.

출제 이력: 제108회 1교시 7번, 제99회 4교시 3번

1. 한 줄 정의와 핵심 키워드

답안 첫 줄에 쓸 정의 문장:

기계 학습은 명시적 프로그래밍 없이 데이터와 경험으로 과제 수행 능력을 높이는 알고리즘과 원리를 연구하는 분야다.

정의의 핵심 요소는 데이터, 학습 알고리즘, 성능 향상의 세 가지다. 사람이 판단 규칙을 직접 작성하는 대신, 사례에서 규칙이나 모형을 찾아 예측·분류·의사결정에 쓴다. 이 점이 전통적 프로그래밍과 가장 큰 차이다. 정의에 나오는 핵심 키워드는 다음과 같다.

• 기계 학습(Machine Learning, ML)
• 학습 알고리즘
• 지도 학습
• 비지도 학습
• 강화 학습
• 일반화
• 모델
• 딥 러닝

답안에서는 이 여덟 키워드를 정의 다음 문장에 자연스럽게 배치한다. 예를 들어 학습 알고리즘이 자료에서 모델을 만들고, 모델이 새 입력의 출력을 예측한다는 흐름으로 쓰면 채점자가 원리를 이해했다고 본다. 세 가지 학습 방식은 뒤의 절에서 풀고, 여기서는 이름만 정확히 쓴다.

2. 개념 풀이

쉬운 말로 풀면 기계 학습은 컴퓨터가 예제를 보고 스스로 판단 기준을 익히는 방법이다. 예를 들어 불량품을 가리는 규칙을 사람이 모두 적는 대신, 불량 사례와 정상 사례를 보여 주면 알고리즘이 둘을 가르는 기준을 찾는다. 사례가 많아질수록 기준이 정교해진다.

정식 정의는 다음과 같다. 기계 학습은 데이터나 경험을 바탕으로 컴퓨터의 과제 수행 능력을 높이는 알고리즘과 그 원리를 연구하는 분야이며, 컴퓨터 과학과 통계학에 걸쳐 발전했다. 인공지능을 구현하는 주요 방법 가운데 하나다.

학습의 흐름은 보통 세 단계로 이루어진다. 먼저 학습 자료로 모델을 만든다. 다음으로 학습에 쓰지 않은 평가 자료로 성능을 검증한다. 마지막으로 새 입력에 모델을 적용하고, 새 자료가 들어오면 모델을 갱신한다. 학습 자료에서만 잘 맞는 모델은 새 자료에서 오류를 낼 수 있으므로 두 자료를 반드시 구별한다. 이 구별이 없으면 성능 수치 자체를 믿을 수 없다.

핵심 용어는 다음과 같이 풀이한다.

• 지도 학습(Supervised Learning): 입력과 목표 출력의 쌍으로 학습한다. 회귀와 분류가 대표 과제다.
• 비지도 학습(Unsupervised Learning): 목표 출력 없이 자료의 구조, 군집, 이상치를 찾는다.
• 강화 학습(Reinforcement Learning): 행동의 결과로 얻는 보상을 최대화하도록 정책을 학습한다.
• 모델: 학습 자료가 따르는 기본 특성에 대한 가정 집합이다. 알고리즘이 무엇을 배울지 정하는 기준이 된다.
• 일반화: 학습에 쓰지 않은 새 사례에서도 좋은 성능을 내는 능력이다.
• 딥 러닝(Deep Learning): 여러 층의 신경망으로 자료의 표현을 학습하는 기계 학습의 한 분야다.

일반화는 기계 학습의 주요 목표다. 학습 자료를 완벽히 외운 모델은 새 자료에서 실패하므로, 모델을 만드는 자료와 평가하는 자료는 훈련 자료와 평가 자료를 분리해서 운용한다. 답안에서 일반화를 한 문장으로 설명하면 감점을 막을 수 있다. 특히 과적합이라는 말을 함께 쓰면 원리 설명이 완결된다.

기계 학습의 목표는 학습 자료가 아닌 새 자료에서 성능을 내는 일반화다.

3. 등장 배경과 필요성

기계 학습이 주목받는 배경은 세 가지다. 첫째, 응용 프로그램이 대량의 데이터를 생산한다. 둘째, 지난 몇 년 동안 컴퓨팅 성능이 크게 늘었다. 셋째, 더 나은 알고리즘이 개발됐다. 이 세 요인이 맞물리면서 복잡한 모형을 실제로 학습시킬 수 있게 됐다.

역사적으로 1950년대에 게임과 패턴 인식 분야에서 연구가 이루어졌다. 이후 기호적 방법, 통계적 방법, 신경망 연구를 거치며 발전했다. 대규모 자료와 계산 성능의 향상은 복잡한 모형의 학습과 응용을 뒷받침했다. 오늘날 딥 러닝이 주목받는 것도 이 흐름의 연장선에 있다.

필요성은 응용 측면에서 설명한다. 음성 인식, 영상 인식, 자연어 처리처럼 사람이 판단 규칙을 명확히 쓰기 어려운 문제가 많다. 이런 문제는 사례 자료에서 규칙을 얻는 방법이 있어야 해결된다. 또 추천 시스템, 스팸 필터링, 실시간 사기 탐지처럼 환경이 계속 바뀌는 문제에서는 규칙을 매번 다시 쓰는 비용이 너무 크다. 학습 알고리즘은 새 자료가 들어올 때 모델을 갱신해 이 비용을 줄인다.

온라인 학습은 이 필요성을 잘 보여 준다. 데이터가 순차적으로 들어오고 각 단계에서 예측기를 업데이트하는 방식이다. 전체 데이터를 한 번에 메모리에 올릴 수 없는 경우나, 자료가 시간에 따라 생성되는 경우, 예를 들어 금융 시장 가격 예측에 쓰인다. 다만 온라인 학습은 치명적 망각에 취약할 수 있어 증분 학습 접근으로 보완한다.

마지막으로 기계 학습의 한계도 필요성 논의에 함께 들어간다. 알고리즘 편향, 개인정보 노출, 설명 가능성 부족이 실제 활용의 장애가 된다. 따라서 필요성을 설명할 때는 성능 향상과 함께 신뢰성 확보가 필요하다는 점을 한 줄 덧붙인다.

4. 구성요소·원리·절차

기계 학습 시스템은 데이터, 모형(학습 알고리즘), 학습 과정(손실 함수와 최적화), 평가 단계로 구성된다. 학습 데이터의 제공방식(지도·비지도·강화)에 따라 학습 신호가 달라지고, 그에 맞는 알고리즘이 선택된다.

위 표는 학습의 구성 요소를 보인다. 모형이 바뀌어도 손실 정의와 최적화 단계는 공통이다. 평가 데이터를 따로 두는 이유는 훈련 자료를 잘 맞추는 모형이 새 자료에서 오류를 낼 수 있기 때문이다.

학습 원리는 다음과 같다. 예측값 \hat{y}=h(x;\theta)를 만들고, 손실 L(\theta)를 계산한 뒤, 기울기로 변수를 갱신한다.

$\theta \leftarrow \theta - \eta \nabla_{\theta} L(\theta)$

• \theta: 모형 변수(가중치), 단위 없음
• \eta: 학습률(learning rate), 보통 0 초과의 작은 값
• \nabla_{\theta} L: 손실의 기울기, 변수 방향의 증가율

기본 절차는 다음과 같다.

• 문제를 정의하고 목표 변수(정답 또는 보상)를 정한다.
• 데이터를 수집하고 전처리(결측 처리, 정규화, 차원 감소)한다.
• 데이터를 학습용, 검증용, 평가용으로 나눈다.
• 모형과 손실 함수를 선택하고 최적화 알고리즘으로 학습한다.
• 검증 데이터로 과적합 여부를 보고 모형과 하이퍼파라미터를 조정한다.
• 평가 데이터로 일반화 성능을 측정하고 새 데이터가 들어오면 모형을 갱신한다.

강화 학습은 다른 구조를 갖는다. 에이전트가 정책에 따라 행동하고, 환경이 보상을 준다. 목표는 누적 보상의 기댓값을 최대화하는 것이다. 보상 함수는 게임 종료 후 계가처럼 지연되어 주어질 수 있어, 어떤 행동이 결과에 기여했는지 가리는 신용 할당 문제가 생긴다.

학습 데이터 제공방식이 학습 신호와 알고리즘 선택을 결정한다

5. 관련 법령·기준·표준

기계 학습 자체를 직접 규정한 법령은 없다. 다만 학습 데이터 처리와 인공지능 제품의 안전·신뢰성에 관련된 기준이 있다. 개인정보가 포함된 학습 데이터는 「개인정보 보호법」의 적용을 받는다. ISO 26262는 자율주행 제어 기능의 완전 자율시스템 안전을 보장하지 못하며, 적용 대상은 전기/전자 안전 관련 시스템이다.

위 표의 기준은 법령 조항 번호를 확인하지 않았으므로 번호 없이 이름만 적었다. 학습률과 데이터 분리 비율은 실무 관례이며 특정 법정 수치가 아니다.

강화 학습의 보상 설계와 안전성 검증은 아직 표준이 정착되지 않은 영역이다. 실제 현장 적용 시에는 시뮬레이션 검증과 사고 기록 체계를 함께 두는 것이 일반적이다.

학습 데이터와 평가 데이터 분리 원칙은 과적합 판정의 기본 조건이다.

6. 유형과 비교(비교표 2개 이상)

기계 학습은 학습데이터의 제공 방식과 학습 목표에 따라 나뉜다. 답안에서는 먼저 학습 방식(지도·비지도·강화) 사이의 차이를 표로 정리하고, 이어서 알고리즘 계열(회귀·분류·군집·신경망)을 비교한다. 두 표를 함께 쓰면 유형 구분과 알고리즘 선택 근거를 동시에 보일 수 있다.