AI 학습의 기본 구조

머신러닝이 "어떻게 스스로 똑똑해지는지" 그 과정을 4단계로 살펴볼게요.

 

 

 

AI는 어떻게 스스로 똑똑해질까?

01 · INPUT 입력
문제 읽기

모델에게 데이터를 집어넣는 단계에요.

학습의 재료가 되는 정보를 모델에게 처음으로 건네주는 거예요.

개와 고양이를 구분하는 모델이라면, 동물 사진 한 장을 모델에게 보여주는 것

 

02 · PREDICTION 예측
일단 풀어보기

모델은 자기가 가진 현재의 규칙을 바탕으로 답을 내놓아요.

처음엔 거의 찍는 수준이에요. 아직 아무것도 배우지 않았으니까요.

"음... 귀가 뾰족하니까 고양이 같아요!"

 

03 · LOSS 정답 비교
채점하기

모델의 예측값과 실제 정답(Label)을 비교해요.

여기서 발생하는 차이를 오차(Error) 또는 손실(Loss)이라고 불러요.

정답은 "개"였어요.  →  "아, 내가 틀렸구나! 내 예측이 정답과 이만큼 다르네?"

04 · OPTIMIZATION 수정
오답 노트 쓰기

가장 핵심적인 단계예요.

오차를 줄이는 방향으로 모델 내부의 규칙(파라미터)을 미세하게 조정해요.

"다음부터는 귀 모양뿐만 아니라 코 모양도 같이 봐야겠어."

 

 

 

핵심 개념 정리

오차 (Error) 및 손실 (Loss)

정답과 예측의 거리
학습의 목표는 이 오차를 0에 가깝게 만드는 것이에요.
오차가 클수록 더 많이 틀렸다는 뜻이에요.

개선 (학습)

반복이 곧 학습
4단게를 수천, 수만 번 반복하는 행위 자체가 학습이에요. 반복할수록 오차는 줄고 정답률은 올라가요.

 

 

 

 

요약

머신러닝의 학습은 단 한 번에 끝나는 마법이 아니에요.

끊임없이 틀려보며 오차를 줄여나가는 반복적인 최적화 과정이에요.